В данной статье описывается проектирование системы поиска и распознавания дорожных знаков в потоковом видео на основе библиотеки OpenCV и сверточной нейронной сети. Представленная модель использует последовательность видеокадров в качестве входных данных. Сначала выполняется перевод видеокадра в цветовое пространство HSV. Затем к HSV-изображению применяется фильтр размытия c ядром 5х5. Получившееся размытое изображение бинаризуется по порогу. Морфологические операции, проводимые над двоичным изображением, удаляют шумы. Следующим этапом проводится контурный анализ, в результате которого отбирается самый большой по площади. Затем из исходного изображения извлекается область с потенциальным знаком. На вход классификатору подаются видеокадры, полученные с помощью алгоритма поиска дорожных знаков. В результате классификации пользователь получает конечную информацию о детектированном дорожном знаке. Основное внимание уделяется тестированию производительности модели. Экспериментально было оценено качество работы алгоритмов поиска и распознавания дорожных знаков на примере видеопотока реального времени, сгенерированного при нормальном дневном освещении. Эксперимент показал, что точность детекции составляет 87,42?%, точность распознавания – 97,64?%. Общий процент работы системы составляет 80,52?%.

This article describes the design of a system for searching and recognizing traffic signs in streaming video based on the OpenCV library and a convolutional neural network. The presented model uses a sequence of video frames as input. First, the video frame is translated into the HSV color space. Then a 5x5 kernel blur filter is applied to the HSV image. The resulting blurred image is threshold binarized. Morphological operations performed on a binary image remove noise. The next step is contour analysis, as a result of which the largest area is selected. Then the area with a potential sign is extracted from the original image. The input to the classifier is video frames obtained using the traffic sign search algorithm. As a result of the classification, the user receives the final information about the detected road sign. The focus is on testing the performance of the model. The quality of the algorithms for the search and recognition of road signs was experimentally evaluated using the example of a real-time video stream generated under normal daylight illumination. The experiment showed that the detection accuracy is 87.42?%, the recognition accuracy is 97.64?%. The overall percentage of the system is 80.52?%.