3-3-2حضور اشیا دیگر32
3-3-3تفاوت ظاهری علایم33
3-3-4تغییر فیزیکی علامت34
3-3-5 تغییر رنگ علامت35
3-3-6 حرکت بلوری35
3-4 رویکردهای آشکارسازی علایم ترافیکی36
3-4-1 آشکارسازی علایم ترافیکی بر اساس رنگ36
3-4-1-1 بررسی اجمالی فضاهای رنگی37
3-4-1-2-1 قطعه بندی آستانه رنگی41
3-4-1-2-2 پیوستن پویای پیکسل42
3-4-1-2-3 تبدیل به HSI/HSV42
3-4-1-2-4 رشد دادن منطقه42
3-4-1-2-5 شاخص گذاری رنگ43
3-4-2 آشکارسازی بر اساس شکل43
3-4-2-1 Hierarchal Spatial Feature Matching44
3-4-2-2 Hough Transform44
3-4-2-3 Similarity Detection45
3-4-2-4 Distance Transform Matching45
3-4-3 آشکارسازی علامت با استفاده از شکل ورنگ46
3-4-4 آشکارسازی بر اساس یادگیری ماشین47
4-شناسایی علایم ترافیکی49
4-1 مقدمه49
4-2 شناسایی اشکال توسط ماشین49
4-2-1 مشکلاتی که در این راه وجود دارند50
4-2-1-1 چرخش،بازتاب(آینه)،ترجمه،تغییر مقیاس51
4-3 الگوریتمهای شناخت علایم ترافیکی52
4-3-1شبکه های عصبی53
4-3-1-1 شبکه های پس انتشار54
4-3-1-2 پرسپترون چند لایه54
4-3-2 تطبیق الگو55
4-3-3 کلاس بندی با PSO56
4-3-4 کلاس بندی با SVM57
4-3-5 شناخت علایم ترافیکی توسط OCR and pictogram61
5-طراحی و پیاده سازی سیستم وارزیابی آن62
5-1 مقدمه62
5-2آشکارسازی علامت بوسیله ،تجزیه وتحلیل لکه62
5-2-1 تعریف لکه62
5-2-2شناسایی مناطق مورد علاقه:65
5-2-3فیلترهای میانه دوبعدی66
5-2-4 استخراج لبه های اشیا:68
5-2-5 حذف لکه های زاید70
5-2-5-1تجزیه وتحلیل هیستوگرام رنگها72
5-2-5-2 تجزیه وتحلیل ابعاد علامت:74
5-2-6بلوک دیاگرام آشکارسازی علایم ترافیکی :77
5-2-7 نتایج بدست آمده برای بخش آشکارسازی علایم ترافیکی77
5-3 شناسایی علایم ترافیکی:79
5-3-1شیوه ای بازگشتی برای تقسیم بندی شکل براساس بردار ویژه79
5-3-1-1 محاسبه ماتریس کواریانس:79
5-3-1-2 استخراج دو مقدار ویژه80
5-3-1-3 ناحیه بندی شکل بر اساس بردارهای ویژه81
5-3-1-4 محاسبه مقادیر ویژه وبردارهای ویژه؛ زیر ناحیه ها82
5-3-1-5 محاسبهbounding-box:83
5-3-2 استخراج پارامترهای مستقل از مقیاس،انحراف،دوران83
5-3-2-1پارامتر (eigen-ratio)84
5-3-2-2 پارامتر (compactness)84
5-3-2-3 پارامتر (normal-angle)85
5-3-2-4 پارامتر(center)86
5-3-3 آزمایش مستقل بودن پارامترها(دوران،انتقال،مقیاس)87
5-3-4 تقسیم بندی علایم ترافیکی بر اساس شکل ظاهری ورنگ آنها91
5-3-5 شناسایی شکل کلی علایم ترافیکی،توسط شبکه های عصبی96
5-3-6 آموزش شبکه های عصبی97
5-3-6-1 آموزش شبکه عصبی برای شناسایی شکل کلی علامت98
5-3-6-2 آزمایش صحت کلاس بندی در شبکه عصبی99
5-3-7 شناسایی پیام علامت102
5-3-8 بلوک دیاگرام سیستم شناسایی علایم ترافیکی بوسیله شبکه عصبی104
5-3-9 نتایج شناسایی علایم ترافیکی105
5-4 تعیین محل نصب علامت و ارزیابی آن106
5-4-1 سیستم موقعیت یاب جهانی چگونه کار میکند107
5-4-2 محاسبه محل نصب علامت109
5-4-3 ارزیابی علامت ترافیکی111
5-4-4 رسم نقاط بر روی نقشه112
5-4-4-1 سیستم اطلاعات جغرافیای(GIS)112
5-4-4-2 تجزیه وتحلیل World file114
5-4-5-2 رسم یک نقطه جغرافیایی120
5-4-5 نتیجه اجرای کلی الگوریتم وارزیابی نقاط بدست آمده123
6-نتایج وپیشنهادات128
7-منابع129
8-چکیده انگلیسی137
فهرست جداول
جدول ‏31:روشهای استخراج رنگ قرمز در منابع مختلف 41
جدول ‏51: نرخ آشکارسازی علایم ترافیکی78
جدول ‏52: تعداد لکه های حذف شده78
جدول ‏53:تصاویر مورد آزمایش87
جدول ‏54:پارامترهای استخراج شده از تصاویر جدول5-3 را نشان می دهد.88
جدول ‏55:بردار هدف گروههای هشت گانه علایم ترافیکی98
جدول ‏56:تعداد علایم آموزش داده به شبکه عصبی98
جدول ‏57:تعداد علایمی که بعنوان،داده تست شبکه عصبی در نظر گرفته شده99
جدول ‏58:بردار هدف برای کلاس 4100
جدول ‏59:confusion matrix برای داده های تمرینی100
جدول ‏510: confusion matrix برای داده های تستی101
جدول ‏511:رنگ پیام علامت ترافیکی در گروه های مختلف102
جدول ‏512: : جزییات شبکه های عصبی استفاده شده103
جدول ‏513:نتیجه شناسایی علایم تمرینی105
جدول ‏514:نتیجه شناسایی علایم ترافیکی جدید106
جدول ‏515:اطلاعات ذخیره شده توسط دستگاه GPS data loggger109
جدول ‏516:اطلاعات مربوط به شکل( 5-39 ) که توسط الگوریتم استخراج شده است110
جدول ‏517:شناسایی مکان علامت ترافیکی با استفاده از مطابقت زمانی110
‏518 فاصله مجاز بین علایم و محل وقوع عارضه125
جدول ‏519:ارزیابی علایم ومحاسبه فاصله آنها126
فهرست اشکال
شکل ‏11:علایم اخطاری2
شکل ‏12:علایم انتظامی3
شکل ‏13:علایم ورود به منطقه3
شکل ‏14:علایم اخباری3
شکل ‏15:علایم راهنمای مسیر4
شکل ‏16:علایم مکمل4
شکل ‏17:علایم محلی4
شکل ‏18: سیستمی که مرسدس بنز طراحی کرده، علامت ورود ممنوع را شناسایی می کند8
شکل ‏19:نمونه هایی از دستیار های راننده8
شکل ‏31: تاثیر تابش نور در شرایط مختلف به علامت32
شکل ‏32:نمونه ای از تابش بد نور32
شکل ‏33: نمونه ای از حضور اشیای مزاحم33
شکل ‏34: نمونه هایی از حضور اشیای همرنگ علامت33
شکل ‏35: تفاوت رنگ علایم ترافیکی در کشورهای مختلف34
شکل ‏36: تفاوت pictogram ها در کشورهای مختلف34
شکل ‏37: تغییر شکل فیزیکی علامت(چرخش)35
شکل ‏38: تغییر رنگهای بکار رفته درعلامت35
شکل ‏39: نمونه ای از حرکت بلوری در تصاویر36
شکل ‏310: تفاوت بین دو فام نارنجی رنگ در فرمت RGB38
شکل ‏311: نمایش رنگها در فضای رنگی HSL/HSV39
شکل ‏312:اسنخراج تصویر DT46
شکل ‏313: نمونه های از Haar-like هایی که در آموزش آشکارسازی بکار برده می شوند48
شکل ‏41:مشکلاتی که در شناسایی اشکال وجود دارد51
شکل ‏42: یک پرسپترون با ورودی بایاس55
شکل43: دیاگرام PSO57
شکل ‏44:روش بازنمایی بر اساس کیفی از کلمات شود59
شکل ‏45: روند ساختcodebook60
شکل ‏46: فرایند آموزش60
شکل ‏51:استخراج لکه ها63
شکل ‏52:نمونه ای از اعمال آستانه وحذف نویز66
شکل ‏53:از بین بردن نویز فلفل نمکی بوسیله فیلتر میانه67
شکل ‏54:تخمین مقدار هر پیکسل با استفاده از فیلتر میانه[3*3]67
شکل ‏55:نمونه ای از اعمال فیلتر میانه68
شکل ‏56:نمایی از سلسله مراتب اشیا69
شکل ‏57: بلوک دیاگرام تجزیه وتحلیل لکه69
شکل ‏58:نمونه ای از لکه های شناسایی شده70
شکل ‏59: نمونه ای از لکه های اضافی71
شکل ‏510:استخراج HueوSaturation از تصویر72
شکل511: محاسبه میانگین برای تجزیه وتحلیل هیستوگرام.73
شکل ‏512: علامت ترافیکی با طول وعرض یکسان74
شکل ‏513: علامت ترافیکی با طول وعرض متفاوت75
شکل ‏514:حذف لکه های زاید وشناسایی علایم ترافیکی76
شکل ‏515:بلوک دیاگرام آشکارسازی علایم ترافیکی77
شکل ‏516:بلوک دیاگرام استخراج بردار های ویژه ومقدارهای ویژه از ماتریس کواریانس CL80
شکل ‏517:رسم بردارهای ویژه82
شکل ‏518:نمودار درختی برای ناحیه بندی یک شکل82
شکل ‏519: bounding box هر ناحیه83
شکل ‏520: نحوه محاسبه زاویه حاده بین دو بردار ویژه85
شکل ‏521:نشان دهنده نمودار eigen ratio89
شکل ‏522:نشان دهنده نمودار compactness89
شکل ‏523:نشان دهنده نمودار normal angle90
شکل 524:نشان دهنده نمودارcenteral90
شکل ‏525:علایم گروه اول91
شکل ‏526:علایم گروه دوم92
شکل ‏527:علایم گروه سوم92
شکل ‏528:علایم گروه چهارم93
شکل ‏529:علایم گروه پنجم94
شکل ‏530:علایم گروه ششم95
شکل ‏531:علایم گروه هفتم95
شکل ‏532:علایم گروه هشتم96
شکل ‏533:نمونه ای از اعمال آستانه متناب با هر گروه97
شکل ‏534: استخراج پیام متن به شیوه صحیح102
شکل ‏535:نمایی از شبکه عصبی پیاده سازی شده،برای شناخت شکل کلی علامت103
شکل ‏536: بلوک دیاگرام سیستم شناسایی علایم ترافیکی بوسیله شبکه عصبی104
شکل ‏537: دستگاه هایی که اطلاعات را از ماهواره دریافت میکنند108
شکل ‏538:دستگاه GPS data logger108
شکل ‏539:نمونه ای از علامت شناسایی شده توسط سیستم110
شکل ‏540:نقشه راههای استان کرمانشاه که توسط ArcGISایجاد شده است113
شکل ‏541:پیکسلهای یک اندازه وتراز115
شکل ‏542:پیکسلهای یک اندازه ولی پیکسلها تراز نیستند115
شکل ‏543:پیکسلهایی با طول وعرض متفاوت وتراز116
شکل ‏544:پیکسلهایی با طول وعرض متفاوت،ولی پیکسلها تراز نسیتند116
شکل ‏545:نمونه ای از نقشه که مورد تست قرار گرفته است118
شکل ‏546: رسم یک نقطه جغرافیایی بر روی نقشه122
شکل ‏547:علایمی که توسط الگوریتم شناسایی شده اند124
شکل ‏548:ترسیم علایم شناسایی شده و محل مناسب آنها127
نشانه های اختصاری
TSR=traffic sign recognition
DSS=driver support systems
DAS=driver assistance systems
HT=hough transform
DT=distance transform
ANN=Artificial neural network
OCR=Optical character recognition
MLP=multilayer perceptron
GPS=Global Positioning System
GIS=Geographic information system
CNN=Cellular neural network
HSFT=Hierarchical Spatial Feature Matching
SVF=Simple vector filter
SA=Simullated annealing
SVM=support vector machine
PLCV= pseudo-likelihood cross-validation
ROI=region of interest
RGB=red-green-blue
HSI=hue-saturation-intensity
CMYK=cyan-magenta-yellow-black
L*A*B=lightness color opponent dimensions
BP=back propagation
FF=feed forward
NCC=Normalized cross correlation
SIFT=Scale invariant feature transform
MLEV=Multi Layer EigenVector shape descriptor
MSE=mean squared errors
CCR=correct classification rate
1-مقدمه
ابتدا در این فصل به معرفی علایم ترافیکی وسیستمی که علایم ترافیکی را شناسایی کند، می پردازیم وسپس کارهایی که برای شناسایی صحیح علامت لازم است ،مورد بررسی قرار خواهد گرفت؛ درنهایت هم ساختار این پایان نامه را توضیح میدهیم.
1-1-دلایل احساس نیاز به سیستم شناسایی علایم ترافیکی
تمایل انسانها به آسایش هرچه بیشتر و حمل و نقل آسان، سبب ایجاد وسایل نقلیه زمینی گردیده است. با رشد جمعیت، هر روزه به تعداد وسایل نقلیه‌ای که در خیابان‌ها وجاده‌ها تردد می‌کنند افزوده می‌شود. با توجه به این تعداد بی‌شمار وسایل نقلیه، نیاز به کنترل آنها به منظور جلوگیری از تصادفات تا حد ممکن و در نتیجه کاهش تلفات جانی و مالی فراوان کاملاً احساس می‌شود. بخش عمده‌ای از وظیفه کنترل و هدایت وسایل نقلیه در خیابان‌ها و جاده‌ها توسط علائم راهنمایی و رانندگی صورت میگیرد. بنابراین مشاهده علائم و عمل کردن به پیام آن ها بوسیله رانندگان ضروری و مهم می‌باشد. با توجه به اهمیت این مسأله اگر بتوان سیستم خودکاری برای تشخیص علائم واعلام پیام آنها به رانندگان طراحی نمود، کمک زیادی به آرامش رانندگان خواهد کرد و عبور ومرور روان خواهد شد و بدین ترتیب کلیه رانندگان بویژه رانندگان مبتدی می‌توانندتمرکز بیشتری بر روی کنترل وسیله نقلیه داشته باشند.
1-1-2 علایم ترافیکی
علایم راهنمایی و رانندگی مانند انواع چراغ ها، تابلوها، خط کشی ها، نوشته ها، ترسیم ها ونیز علایم تعیین سمت عبور که باید روی راه ها کشیده شود، براساس قانون الحاق ایران به کنوانسیون عبور ومرور در جاده و کنوانسیون مربوط به علایم راهها-مصوب 1354 تهیه شده اند. تشخیص، انتخاب، تهیه، جانمایی، نصب ، ترسیم و نگهداری علایم عمودی و افقی راهنمایی و رانندگی درشهرها بر اساس دستورالعملی خواهد بود که به پیشنهاد شورای عالی هماهنگی ترافیک شهرهای کشور به تصویب وزیر کشور می رسد و در جاده ها به عهده وزارت راه وترابری می باشد. در مواقع اضطراری راهنمایی و رانندگی و پلیس راه می توانند خود اقدام به انتخاب نوع علایم و محل استفاده و در صورت لزوم تهیه و نصب آنها به طور موقت نموده و مراتب را بر حسب مورد ، به شهرداری و یا وزارت راه و ترابری اعلام نمایند. مفاهیم رنگ و شکل علایم و تابلوها و چگونگی رفتار رانندگان پس از دیدن آنها ، که درکتاب های آموزشی باید ارائه شود، از سوی کار گروهی متشکل از نمایندگان وزارت کشور، وزارت راه و ترابری و راهنمایی و رانندگی تهیه و به همراه این آیین ن امه برای اطلاع عمومی در اختیار مراجع صلاحیت دار و با همکاری شوراهای اسلامی شهرها در اختیار عموم مردم قرار می گیرد]1[. علایم ترافیکی در ایران به شش دسته کلی تقسم بندی میشوند:
1-1-2-1:علایم اخطاری(هشدار دهنده):از این علایم برای آگاه ساختن راننده نسبت به خطرات احتمالی موجود در مسیر استفاده میشود.این علایم معمولا با مثلث قرمز رنگ نمایش داده میشود.
شکل ‏11:علایم اخطاری]1[
1-1-2-2-تابلوهای انتظامی(مقرراتی):با استفاده از این نوع علایم،دستورالعملی را به راننده متذکر میشوند ویاممنوعیت یا محدودیتی را گوشزد میکنند.
شکل ‏12:علایم انتظامی]1[
1-1-2-3-تابلوهای اخباری(اطلاعاتی):این علایم معمولا اطلاعات مشخصی ومعینی را به رانندگان درباره منطقه می دهند.
شکل ‏13:علایم ورود به منطقه]1[
شکل ‏14:علایم اخباری]1[
1-1-2-4-علایم راهنمای مسیر:این علایم معمولا جهت حرکت وفاصله تا مقصد را مشخص میکنند.
شکل ‏15:علایم راهنمای مسیر]1[
1-1-2-5-علایم مکمل:جهت اختصاص علایم رانندگی به گروه خاصی از وسایل نقلیه ویا تکمیل معنی علایم رانندگی دیگر کاربرد دارد.
شکل ‏16:علایم مکمل]1[
1-1-2-6-تابلوهای محلی:با توجه به خصوصیات محل نصب علایم، طراحی میشوند.
شکل ‏17:علایم محلی]1[
1-2 کاربرد آشکارسازی وشناسایی علایم ترافیکی1

آشکارسازی وشناسایی علایم ترافیکی در سالهای اخیر بیشتر مورد استقبال محققان قرار گرفته است وتحقیقات زیادی در این زمینه صورت گرفته است،این علاقه ناشی از محدوده وسیع برنامه های کاربردی در این حوزه است، معمولا این برنامه ها دارای قابلیتهای زیر هستند:
نگهداری بزرگراهها:امروزه برای اینکه وضعیت ظاهری علایم ترافیکی را بررسی کنند وهم چنین بررسی مکان نصب این علایم،باید یک اپراتور انسانی بهطور مستمر به نوارویدیویی که از بزرگراهها گرفته شده است، نگاه کند.این کار بسیار کسل کننده و زجرآور است،زیرا علایم ترافیکی در زمانهای مختلفی پدیدار میشوندواپراتور توجه زیادی برای این کار باید به خرج بدهد.“Esprit European project AUTOCAT”درحال حاضر پیشقدم شده تامحل علایم ترافیکی را بهصورت اتوماتیک جمع آوری کند.
فهرست علایم موجود:بهطوراساسی برنامه های کاربردی ای که برای این کار طراحی شده اند هم درشهر وهم در بزرگراه شبیه هم هستند و وظایف یکسانی دارند.
سیستم های پشتیبان راننده:2تشخیص علایم رانندگی وکلاس بندی آنها موضوعی است که در سیستم های پشتیبانی از رانندگی کمتر مورد مطالعه قرار گرفته است.خودروهای هوشمند در آینده باید برخی از تصمیمات،مانند میزان سرعت و انتخاب مسیر را با توجه به علایم رانندگی اتخاذ کنند.اگرچه در آینده میتوان این سیستم را بخشی از یک وسیله نقلیه کاملا خودکار دانست،اما در حال حاضرمیتوان از این سیستم برای محدود کردن اتوماتیک سرعت وسیله نقلیه ویا دادن هشدارهای لازم به راننده استفاده کرد. اگر سرعت بیش از حد مجاز باشد و یا در زمانی که راننده،در حال انجام حرکت غیر قانونی است، به او علامت یا هشداری دهد]3[.
در قرن بیست ویکم، اتومبیل بخش لاینفکی از زندگی را اشغال کرده است، پس باید راننده ها از قوانین ومقرراتی که توسط علایم ترافیکی گوشزد میشود تبعیت کنند. با توجه به پیشرفت تکنولوژی، سیستمهای دستیار راننده وسیستمهای پشتیبان راننده برای افزایش راحتی واطمینان ایجاد شدند]4[.
1-2-1 سیستم های پشتیبان راننده
اتومبیلهای های مدرن، در نوع حسگرها، کامپیوتر وتکنولوژی ارتباطی تغییرات بزرگی نسبت به گذشته داشته اند؛ بهعنوان مثال میتوان سیستم های کروزکنترل تطبیقی (ACC3) ، (LDWA4)، (BLIS5) را برشمرد.این سیستم های پشتیبان راننده بهطور خودکار بخشی از کار رانندگی را بهعهده میگیرد، درنتیجه رانندگی راحتتر وامن تری را برای راننده به ارمغان میآورد ]5[. خطای انسانی عامل 90% تصادفات رانندگی است، در بسیاری از این حوادث، راننده تلاشی برای اجتناب از این برخورد انجام نمیدهد. این نشان از سهل انگاری و غفلت راننده درباره حادثه است]6،7[.
فلسفه وجود سیستم های پشتیبان راننده؛ کاهش تعداد تصادفاتی است که با خطای انسانی انجام میگیرد.پس با کمک این سیستم ها میتوان از جنبه های زیان بار حوادث(مرگ ومیر، صدمات مالی، ایجاد ترافیک) جلوگیری کرد وآنها را کاهش داد. این سیستم ها با افزایش راحتی رانندگی، روان کردن جریان ترافیک، باعث کاهش تولید گازهای گلخانه ای و هم چنین کاهش هزینه ها میگردد]8[.
1-2-2 سیستم های دستیار راننده6
سیستم های دستیار راننده، کمک شایانی را به رانندگان ارائه میدهند. بسیاری از این سیستمها به منظور افزایش امنیت وراحتی در طی دهه گذشته در وسایل نقلیه بهکار گرفته شده اند، بهعنوان مثال میتوان به سیستمهای کنترل ثبات خودرو(VSC7)،سیستمهای هدایت برقی کمکی (EPAS8)،کنترل ضد رول آور(ARC9) اشاره کرد. برخی از این دستیارهای راننده وظایف خاصی را برای بهبود عملکرد، در رانندگی انجام میدهند، برخی دیگر نیز برای همراهی وهمکاری با انسان طراحی شده اند. مخالفان طرحهای کاملا اتوماتیک سیستمهای دستیار راننده، به این نکته اشاره میکنند که این سیستمها باعث سلب اقتدار و مسئولیت انسان میشوند.
از آنجا که سیستمهای دستیار راننده معمولا با یک راننده انسان همکاری میکنند، پس در نتیجه عملکرد آنها به واکنش خوب و سنجیده عامل انسانی هم بستگی دارد. بنابراین باید عملکرد راننده انسان را هم در ارزیابی این حلقه موثر دانست. تاهمین اواخر برای آزمایش نمونه های اولیه این سیستمها از شبیه سازهای رانندگی استفاده میکردند، این فرایند هزینه و زمان زیادی را به سیستم تحمیل میکرد. امروزه از روشی مبتنی بر شبیه سازی کامپیوتری بههمراه رانندگان انسانی بهعنوان جایگزین روش قبلی استفاده میشود، چون که دقیقا رفتارهایی که انسان در شرایط مختلف بروز می دهد را نمیتوان تعیین کرد]9[.
شکل ‏18: سیستمی که مرسدس بنز طراحی کرده، علامت ورود ممنوع را شناسایی می کند]10[
شکل ‏19: نمونه هایی از دستیار های راننده؛ (a)دستیار راننده طراحی شده شرکت VALEO ،برای پارک کردن ودید دنده عقب؛(b) دستیار راننده طراحی شده شرکت مرسدس بنز،برای پارک کردن ودید دنده عقب
1-3 اهداف پایان نامه

باتوجه اهداف در نظر گرفته شده برای پایان نامه، سیستمی که طراحی میشود باید کارهای زیر را بهدرستی انجام دهد:
آشکارسازی علایم ترافیکی10
کلاس بندی علایم ترافیکی11 وشناخت علایم ترافیکی12
بهدست آوردن موقعیت جغرافیایی محل نصب علایم ترافیکی وارزیابی محل نصب آن
1-3- 1 آشکارسازی علامت ترافیکی
در مرحله آشکارسازی علامت روی تصویر پیش پردازش انجام می گیرد و بخش بندی13 تصویر با توجه به خصوصیات رنگ14واشکال15، انجام میگیرد. هر کدام از این بخشها حاوی مناطقی است که احتمال وجود علامت ترافیکی در آن زیاد است.رنگها نقش مهمی را در سیستمهای آشکارسازی علامت ترافیکی را ایفا می کنند، با این حال شناسایی اشکال نیز مورد استفاده گروههای تحقیقاتی فراوانی قرارگرفته است]11[. پس می توان گفت که عمده روشهایی که در این مرحله مورد استفاده قرار میگیرد به شرح زیر است:
آشکارسازی بر اساس رنگ16
آشکارسازی بر اساس شکل17
آشکارسازی بر اساس شکل و رنگ
آشکارسازی بر اساس یادگیری ماشین
1-3-1-1 آشکارسازی بر اساس رنگ
با توجه به محیطها وصحنه های پیچیده ای که در اطراف جاده ها وجود دارد،ممکن است که آشکارسازی و شناسایی علایم ترافیکی با مشکل مواجه شود.رنگ علامت ترافیکی در گذر زمان وقرار گرفتن طولانی در معرض نور خورشید و واکنش با هوا، محو میشود. قابلیت دیده شدن علامت ترافیکی در شرایط مختلف جوی مانند باران،برف،طوفان وهوای مه آلود تغییر میکند.
اطلاعاتی که از رنگها بهدست می آید به شرایط نوری مانند وجود سایه،ابرهاونور خورشید حساس است.حضور اشیا دیگری که همرنگ علایم ترافیکی هستند مانند ساختمان ها ویا وسایل نقلیه که ممکن است باعث سر درگمی و آسیب به پروژه میشوند را نیز باید بررسی کرد.امکان دارد که تصویربرداری در یک اتومبیل هنگام حرکت انجام گیرد پس باید تاری ولرزش تصویر را هم در نظر گرفت]3[.
1-3-1-2 آشکارسازی بر اساس شکل
رنگ ها نقش مهمی را در سیستمهای آشکارسازی علامت ترافیکی را ایفا میکنند،با این حال شناسایی اشکال نیز مورد استفاده گروههای تحقیقاتی فراوانی قرار گرفته است]11[.
روشهای مختلفی برای آشکارسازی علایم ترافیکی از روی شکل آنها وجود دارد،یکی از رایج ترین آنها روشHT18 است. این روش با رویکرد شناسایی گوشه ها با استدلال ویا تطبیق قالب ساده19 عملی میشود.تعمیم HTبه یک روش برای یافتن شکل دلخواه در تصویر میتواند با استفاده از تصویر لبه20، انجام گیرد.این تکنیک از اولین تکنیک های بینایی ماشین میباشد.این تکنیک با گذشت زمان گسترش یافت و بهبود داده شد. لوی وبارنز21 طوری از آن استفاده کردند که بتواند علایم ترافیکی را تشخیص دهد.روش آنها در چندین سیستم آشکارسازی علایم ترافیکی مورد استفاده قرار گرفت.لوی وبانرز برای شناسایی علایم ترافیکی،از آشکار ساز چند ضلعی منظمی استفاده کردند]12[.
گاوریلا22 از تطبیق الگوی مبتنی بر تبدیل فاصله(DT23)برای آشکارسازی شکل استفاده کرد.ابتدا لبه های تصویر اصلی استخراج میشوند،سپس تصویرDT ایجاد میشود.تصویر DT،تصویری است که هر پیکسل فاصله خود تا نزدیکترین لبه را نمایش میدهد. این روش برای پیدا کردن شکل مورد علاقه کاربردرفراوانی دارد،بدینصورت که تطابق الگو بین شکل(بعنوان مثال یک مثلث منتظم) و تصویر DTانجام می گیرد]13[.
1-3-1-3 آشکارسازی بر اساس شکل ورنگ
در این رویکرد،هم از اطلاعات رنگ وهم از اطلاعات شکل،برای آشکارسازی علایم ترافیکی استفاده می شود.هر کدام از این اطلاعات،مزایا ومعایب خود را دارند.با این حال می توان، رویکردی تطبیقی ارایه کرد که، یکی از اینها را بعنوان روش اصلی در نظر گرفته و روش دیگر را تحت شرایط خاصی بکار برد؛حتی اگر از این رویکرد تطبیقی استفاده نکنیم، بازهم این روش، کارایی خود را دارد]14[.
1-3-1-4 آشکارسازی بر اساس یادگیری ماشین
در این رویکرد،مشکلاتی از قبیل ،رنگ مورد نظر،شکل علامت ترافیکی با استفاده از کدگذاری دستی حل شده است.این دانش با استفاده از یادگیری ماشین24، عمل اکتشاف را انجام میدهد.پژوهشی که توسط ویولا وجونز25 انجام گرفت،نقصه عطفی در بینایی ماشین است.آنها الگوریتمی ارایه دادند که قادر به آشکارسازی اشیا بصورت بلادرنگ بود،این تشخیص با دقت وهمینطور قابلیت اعتماد بالایی انجام می گرفت.آشکار ساز با استفاده از مثالهای مثبت ومنفی ،تمرین داده می شد.از سوی دیگر،سایر محققین ،این الگوریتم را برای شناسایی اشیا در کلاس های مختلف دیگر به کار بردند و به موفقیتهایی دست یافتند.در این بین کلاس مربوط به علایم ترافیکی هم با موفقیت تشخیص داده شد]11[.
1-3-2 کلاس بندی وشناخت علایم ترافیکی
اکثریت قریب به اتفاق روشهایی که برای شناسایی علایم ترافیکی مورد استفاده قرار میگیرند حداقل شامل دو مرحله میباشند.که یکی از آنها بمنظور آشکارسازی علایم ودیگری کلاس بندی علایم میباشد.در کل وظیفه کلاس بندی نگاشت علایم تشخیص داده شده26 در تصویر به رده معنایی27 آن علامت میباشد]15[.

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

الگوریتمی که برای آشکارسازی علایم ترافیکی ارایه شده است، میتواند برای آشکارسازی وشناسایی سایر اشیا نیز مورد استفاده قرار بگیرد و توانایی مقابله با مشکلاتی که برای آشکارسازی اشیا در محیط های باز هست؛ را دارد. باین ترتیب سیستم در برابر تغییرات روشنایی وانسداد وتغییر شکل جسم مقاوم بوده ومیتواند در سیستم های دستیار راننده28 مورد استفاده قرار بگیرد. این سیستم علاوه بر اینکه برای تعیین وضعیت علایم رانندگی مفید است میتواند برای کاربردهای دیگری همچون تعمیرونگهداری علایم موجود در بزرگراهها وهمچنین علایم ترافیکی شهری،نیز مفید واقع شود]3[.
علایم ترافیکی با روشهای زیر کلاس بندی وشناسایی می شود:
شبکه های عصبی مصنوعی(ANN29)
تطبیق الگو30
شناخت علایم ترافیکی توسط طبقه بندی کننده های دیگر
OCR31 and Pictograms Recognition
1-3-2-1 کلاس بندی با شبکه های عصبی مصنوعی

استفاده از شبکه های عصبی(32NN) برای کلاس بندی علایم ترافیکی،بسیار رایج است.چونکه شبکه های عصبی، باتوجه به مشکلات موجود، قابلیت تعمیم الگوهای آموزشی وگرفتن پاسخ صحیح از آنها را دارند. شبکههای عصبی وقتی که نشانه جدیدی را یاد گرفتند احتیاجی به بازآموزی ندارندو با افزایش حجم اطلاعات چیزهایی را که یاد گرفتهاند را فراموش نمیکنند.برای اینکار فرایندی دو مرحله ای باید انجام شود،که درابتدا اطلاعات موجود درباره علایم را استخراج کند و در مرحله بعد با شبکه های عصبی،علایم ترافیکی را شناسایی کند]3[.
انواع بسیاری از شبکه های عصبی وجود دارند(بعنوان مثال شبکه های هضم غذا33، شبکه های براساس شعاع34، شبکه های بازگشتی35 که ممکن است برنامه های کاربردی مثل شناسایی الگو ,تابع های درون یابی36 برای آنها وجود داشته باشد. شبکه های پرسپترون37 چند لایه، با یک لایه پنهان ویک تابع فعالساز غیرخطی در کلاس جهانی نشان داده میشود، بدین منظور از پرسپترون چندلایه(MLP)38با برگشت انتشار(BP)39 برای یادگیری و کلاس بندی علائم استفاده شده است]16[.
1-3-2-2 کلاس بندی با استفاده از تطبیق الگو
شناسایی علایم ترافیکی بخشی از موضوع گسترده تری تحت نام ” شناسایی الگو“40 است. مشکل اصلی در شناسایی الگو، دشواری شناسایی مشخصه الگو(templates) است. بعنوان مثال برنامه ای را در نظر بگیرید که برای آشکارسازی صورت افراد مورد استفاده قرار می گیرد، باید صورت شخص را از بین صورتهای گوناگون موجود در تصویر شناسای کند ]17[. بطور کلی تطبیق الگو شامل دو مرحله است:مرحله اول اندازه گیری شباهت ،مرحله دوم تطبیق الگو بعنوان راهبرد جستجو ]18[.
1-3-2-3 شناخت علامت توسط دیگر طبقه بندی کننده ها

در این سایت فقط تکه هایی از این مطلب(به صورت کاملا تصادفی و به صورت نمونه) با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود-این مطالب صرفا برای دمو می باشد

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

درست است که شناسایی علایم ترافیکی بیشتر توسط شبکه های عصبی وتکنیک های تطابق الگو، انجام میگیرد؛ اما روشهای دیگری هم برای شناسایی وطبقه بندی علایم ترافیکی استفاده می شوند،برخی از این روشها عبارتند از:
معیارهای فاصله ای41
طبقه بندی کننده های بر مبنای همسایگی42
طبقه بندی کننده های بر مبنای هسته43
ماشین بردار پرداز44
1-3-2-4 OCR and Pictograms Recognition
OCR یکی از چالش بر انگیز ترین تحقیقاتی است که در زمینه پردازش تصویر انجام گرفته است.OCR به فرایندی طلاق می گردد که متن و نوشته ها را از روی تصویر شناسایی می کند]19[. می توان اعداد وحروفی که در علایم ترافیکی وجود دارند، را توسط OCR شناسایی کرد]20[.
1-4 بهدست آوردن موقعیت جغرافیایی محل نصب علایم ترافیکی، ارزیابی محل نصب آن
بر ای حل این مشکل باید با استفاده از سیستم موقعیت یاب جهانی(GPS45)استفاده کرد.بدینصورت که موقعیت مکانی که یک علامت در آن مورد شناسایی قرار گرفت توسط دستگاه GPS data logger ذخیره میگردد و سپس این موقعیت مکانی بر روی نقشه GIS46 ترسیم میگردد و درنهایت با توجه به نوع علامت و محل نصب آن مورد ارزیابی قرار میگیرد.
1-5 ساختار این پایان نامه
در فصل دوم این پایان نامه به بررسی پیشینه تحقیقاتی در مورد آشکارسازی و شناخت علایم ترافیکی پرداخته خواهد شد ، سپس در فصل سوم روشهای آشکارسازی علائم ترافیکی به طور دقیقتری توضیح داده میشود و درفصل چهارم روشهای شناخت علایم ترافیکی را معرفی خواهیم کرد. فصل پنجم حاوی توضیحاتی درباره نحوه پیاده سازی پروژه ونتایج بهدست آمده است ودر فصل ششم نیز به جمع بندی وارایه پیشنهادات می پردازیم.
2-پیشینه تحقیق
2-1 مقدمه
در این فصل به بررسی ،مطالعات پیشین وتحقیقات انجام شده، در زمینه آشکارسازی وشناخت علایم ترافیکی میپردازیم. نظریه ایجاد سیستمی که علایم ترافیکی را شناسایی کند، برای اولین بار در سال 1984توسط مقاله ای که توسط فردی ژاپنی نوشته شده بود، به دنیای علم معرفی شد، بعد از آن بود که محققان زیادی قدم در این راه گذاشتند.روشهای زیادی برای اینکار پیشنهاد شد،که هرکدام از آنها نقاط ضعف وقوت خاص خود را دارند.در ابتدا بنظر می رسید که به سادگی می توان این سیستم را پیاده سازی کرد، اما با مرور زمان روشهای متنوعی ارایه شد که هر کدام از آنها، خصوصیات الگوریتمهای قبلی را بهبود می بخشیدند وطبقه بندی بهتری ارایه می دادند؛ بعد از مدتی تعداد الگوریتم ها بسیار زیاد شد وتاکنون روش جامعی ارایه نشده است.
2-2 پیشینه تحقیقاتی سیستمهای آشکارسازی علایم ترافیکی
همانطور که قبلا گفتیم شناسایی علایم ترافیکی در دومرحله آشکارسازی علامت وشناخت علامت انجام می شود.محققانی که در مرحله آشکارسازی علایم ترافیکی فعالیت میکنند به چهار گروه تقسیم میشوند:
گروه اول از اطلاعات رنگ برای آشکارسازی علامت استفاده میکنند.
گروه دوم بر این باور است که می تواند از روی شکل،علامت ترافیکی را تشخیص دهد.
گروه سوم هم از اطلاعات رنگ وهم شکل،برای تشخیص علامت استفاده میکند.
گروه چهارم از آشکارسازی بر اساس یادگیری ماشین،بهره میگیرد]14[.
2-2-1 آشکارسازی بر اساس رنگ
محققان زیر در این حوزه فعالیت کرده اند:
Ghica et al:آنها ،برای قطعه بندی بندی پیکسلهای درونی یک شکل، از پس زمینه؛ در یک تصویر دیجیتال از آستانه استفاده کرد. آنها محاسبات خود را برپایه فاصله رنگها در فضای رنگی RGB بنا نهاد]21[.
Estevez and Kehtarnavas:الگوریتمی پیشنهاد دادند، که بعضی از علایم ترافیکی را مانند ایست،توقف ممنوع وورود ممنوع را شناسایی میکرد.الگوریتم آنها بر پایه شش ماژول عمل میکرد:
ماژول 1:بخش بندی رنگ ها
ماژول2:لبه سازی محلی
ماژول3تفاضلRGB
ماژول4:تشخیص لبه
ماژول5:استخراج هیستوگرام
ماژول6:طبقه بندی]22[
Yuille et al:آنها، یک سیستم علامت یاب برای کمک به مردم ساختند. فرض آنها بر این بود که، علایم ترافیکی از دورنگ تشکیل شده است(رنگ حاشیه و رنگ متن پیام) و اینکه علایم یا شش ضلعی هستند؛یا مستطیلی هستند. برای تشخیص علایم، مجموعه ای از بذرها47 را در نظر گرفتند، این بذرها توسط الگوریتم در مناطق مورد علاقه، رشد داده می شدند]23[.
Yabuki et al:او برای تشخیص علایم ترافیکی،روشی پیشنهاد داد که بر اساس فضای رنگیXYZکار میکرد.او یک نقشه مشابهت48 رنگ، ساخت که با استفاده از آن علایم ترافیکی را تشخیص می داد]24[.
Fang et al:او مقدار هر پیکسل را در فضای رنگی HSI محاسبه کرد و با رنگهای استخراج شده از علایم ترافیکی مقایسه کرد و درجه تشابه بین این دو را محاسبه کرد. بیشترین درجه تشابه بدست آمده را برای تجزیه وتحلیل رنگ علامت بکار گرفت]25[.
Shadeed et al:وی از دو فضای رنگیHSVوYUV برای تشخیص علایم استفاده کرد. سیستم پیشنهادی او، تصاویر ورودی را ازRGB به YUV تبدیل میکند.سپس هیستوگرام کانالY را یکسان سازی میکند وپس از آن یک RGB جدید می سازد. در مرحله بعد، RGB بدست آمده را به HSV تبدیل میکند. سپس آستانه مناسب بررویHوYU اعمال میشود.در آخر نتایج با هم ترکیب می شود]26[.
Bénallal and Meunier: او یک سیستم بر پایه بینایی ماشین ساخت وآنرا در یک اتومبیل نصب کرد،که این سیستم قادر به تشخیص وشناخت علایم ترافیکی بود.برای اینکار از تقسیم بندی رنگ در فضای RGB استفاده کرد و رنگ های آبی،سبز و قرمز را با اعمال آستانه مناسب تشخیص می داد]27[.
2-2-2 آشکارسازی بر اساس شکل
در مواقعی که مولفه های رنگی خوبی ،در دسترس نباشد و یا اینکه رنگ دچار مشکل شده باشد؛ میتوان از این تکنیک ها استفاده کرد. تکنیکهای مبتنی بر شکل در مواقعی که رنگ پوسته پوسته شده است یا دچار محو شدگی شده است ویا چرخشی در آن اتفاق افتاده،بخوبی از عهده تشخیص علامت بر میاید]14[ . محققان زیر،در این حوزه فعالیت کرده اند:
Piccioli et al:موقعیت قرار گیری علامت ترافیکی، با توجه به اطلاعات پیشین درباره محل قرار گیری علامت؛ حدس زده می شود. او از آَشکار سازCanny برای جستجو در ناحیه استفاده کرد وروی خوشه های آن تجزیه وتحلیل انجام داد. وی برای تطبیق نقاط کاندید و علایم از تطبق الگو49 استفاده کرد]28[.
Priese et al:وی سیستمی را پیشنهاد داد که عمل شناخت علایم ترافیکی را،در زمان واقعی انجلم می داد.علایم توسط ماژول شناسایی کننده50،تفسیر می شوند.این سیستم ماژولهای دیگری مانند:ماژول موقعیت وجهت فلش،ماژول برای اعداد،ماژول برای علایم بازدارنده،ماژول برای علایم هشدار دهنده می باشد]29[.
Aoyagi and Asakura:وی با استفاده از فیلتر لاپلاسین، یک شکل را از پس زمینه جدا کرد. پس از آن با استفاده از فیلترهای صاف کننده51، نویز را کاهش داد. در مرحله بعد تصویر را با اعمال آستانه مناسب بصورت باینری درآورد و سپس با استفاده از الگوریتم ژنتیک علایم موجود در تصویر را تشخیص داد]30،31[.
Adorni et al:او با استفاده از شبکه های عصبی سلولی52، علایم ترافیکی را شناسایی کرد. برای استخراج پیکسلهای مرزی از اپراتور گرادیان53 استفاده کرد.پس از آن ، با اعمال آستانه(کمترین مقدار)، پیکسلهای با گرادیان کم را حذف کرد. در مرحله بعد با استفاده از شبکه های عصبی سلولی که دارای اندازه5*5 بود وتکرار آن؛ یک پیش انتخاب انجام میگرفت]32[.
Gavrila: از تطبیق الگوی مبتنی بر تبدیل فاصله(DT54) برای آشکارسازی شکل استفاده کرد.ابتدا لبه های تصویر اصلی استخراج می شوند،سپس تصویرDT ساخته می شود.تصویر DT ،تصویری است که هر پیکسل فاصله خود تا نزدیکترین لبه را نمایش میدهد.ایده ای برای پیدا کردن شکل مورد علاقه در نظر گرفته،این است که تطابق الگو(بعنوان مثال یک مثلث منتظم)در برابر تصویر DTانجام بگیرد]33[.
Schiekel:در مواقعی که نور کافی برای شناخت علایم ترافیکی وجود ندارد، نمی توان به اطلاعات رنگی برای شناسایی علایم ترافیکی اتکا کرد. او با استفاده از فیلتر سوبل مقدار گرادیان وجهت را محاسبه کرد. لبه های پیکسلها با اعمال آستانه بدست می آید. قطعه بندی پیکسلها در دوسطح ،انجام می گیرد. در سطح پایین آن، ویژگیهای پیکسلها(جهت شیب)محاسبه می شوند ودرسطح بالای آن مثلث ها وبیضی ها شناخته می شوند]34[.
Huang and Hsu:وی با استفاده از روشMP55 علایم ترافیکی را تشخیص داد. در فاز تشخیص مناطق از اطلاعات پیشین استفاده می کرد. او با استفاده از تطبیق الگو ،اشکال مثلثی ودایره های را شناسایی کرد]35،36،37[.
Paclík and Novovičová:او یک ماژول ایجاد کرد که بر پایه روش HSFM56 به شناسایی علایم میپرداخت. این ماژول، در مرحله تشخیص؛ لیستی از مناطق مورد علاقه را ایجاد میکند، که توسط واحد طبقه بندی باید تجزیه وتحلیل شود]38[.
Perez and Javidi: میزان نور تابیده شده به علایم ترافیکی ثابت نیست. آنها با استفاده از فیلتر کامپوزیت و فیلتر بانک؛ میزان نور را در شرایط مختلف بررسی کردند]39[.
Sandoval et al:روش پیشنهادی آنها بر تشخیص لبه و زاویه، استوار است. این روش با استفاده از یک ماسک پیچیدگی57، موقعیت هایی تولید میکند که در آن هم از زاویه وهم ازموقعیت پیکسل استفاده شده است. روش پیشنهادی آنها بصورت فیلتری عمل میکند که لبه های مدور را شناسایی کند]40[.
Puntavungkour et al:سیستمی ایجاد کرد که بصورت خودکار، علایم ترافیکی را شناسایی می کرد. مناطق مورد علاقه، توسط تصحیح هندسی58 شناسایی می شوند. برای شناسایی علایم از تصاویر با سطح رنگی خاکستری59 استفاده شده است]41[.
Hirose et al:روش پیشنهادی آنها برپایه تصاویر متحرک، کار می کرد. آنها لبه ها را با استفاده از یک فیلتر لاپلاسین معمولی استخراج کردند و بدنبال آن ، از فیلتر دیگری بنامSVF60 ؛ برای استخراج بعضی رنگهای خاص استفاده کردند. عمل جستجوی علایم دایره ای ، با استفاده از الگوریتم ژنتیک انجام گرفت]42[.
Loy and Barnes:آنهااز اندازه گیری”تقارن شعاعی”استفاده میکنندو آنرا بعنوان روش پیش تقسیم بندی در چارچوب،بکار میبرند.روش تقارن شعاعی متناظر وساده شده(مثلا در سرعت)روش تبدیل Hough transform(HT) است و بویژه برای تشخیص وجود علایم دایره ای بکار میرود]12[.
2-2-3آشکارسازی بر اساس شکل ورنگ
محققانی که در زمینه آشکارسازی علایم ترافیکی با استفاده از شکل و رنگ ،کار کرده اند:
Hibi: او برای اینکار از رنگ61 واشباع62 در فضای رنگی HSL بهره گرفت.او باتوجه به هیستوگرام، برای این دو ویژگی؛ آستانه پویایی در نظر گرفت.در نهایت، با ادغام این دو ویژگی، یک تصویر باینری ایجاد کرد. هر پیکسل از این تصویر با همسایگان خود، هفت نقطه مرزی دارد. با استفاده از الگورهای مرزی، طرح کلی شکل تشخیص داده می شود ]43[.
Piccioli et al:او دو الگوریتم برای این کار پیشنهاد داد.یکی از سطح رنگ خاکستری63 استفاده میکند و از معیارهای هندسی ساده استفاده میکند؛ دیگری بر پایهHSV کار میکند. این الگوریتم تصویر را به مناطقی با اندازه 16*16 پیکسل تقسیم میکند وپیکسلهای آن را با اعداد 0 یا 1 طبقه بندی می کند. بعد از اینکار پیکسلها، برچسب گذاری شده اند. برای آشکارسازی یک شکل ، باید پیکسلهایی با برچسب 1 را مورد تجزیه وتحلیل قرار داد]44[.
Azami et al:با استفاده از فضای رنگیHSV ،علایم هدایت مسیر را تشخیص می دهد. در این روش مقدار عناصر(رنگ واشباع) با اعمال آستانه مناسب، برای هر پیکسل محاسبه می شود. سپس برای تشخیص علامت، از تجزیه وتحلیل پیکسلهای متصل به هم استفاده می شود]45[.
de la Escalera et al:او عمل طبقه بندی را با نگاه به دو جدولی که از روی عناصر تصویر در فضایHSI بدست آورده بود،انجام داد.برای آشکارسازی شی از الگوریتم ژنتیک والگوریتمSA64، استفاده کرد]3[.
Fang et al:آنها ویژگیهای رنگی را در فضایHSI مورد ردیابی قرار دادند و رفتاری مشترک از رنگ وشکل را پیشنهاد دادند، که با محاسبه قابلیت نگاشت تصویر، براساس رنگ و اطلاعات گرادیان که با مدل هندسی علایم ترکیب شده است؛ کار میکند. با این حال در این رویکرد نیاز به تنظیم دستی ،آستانه میباشد ، که محاسباتی نسبتا گران است. بیشتر سیستم ها برای کلاس بندی علایم از طرحهای مطالعاتی موجود مانند تطبیق الگو،پرسپترون های چندلایه ،شعاعهای برپایه شبکه تابعی،کلاس بندی با هسته لاپلاس وغیره استفاده میکنند]46[.
Nakamura et al:آنها روشی ارایه کردند که با استفاده از آن می شد تابلوهای محدودیت سرعت را تشخیص داد وشناسایی کرد.در ابتدا بر روی تصاویر ورودی با فرمتRGB پیش پردازشی صورت میگیرد.سپس موقعیت واندازه حلقه های دایره شکل توسط شبکه عصبی شناسایی می شود]47[.
2-2-4 آشکارسازی بر اساس یادگیری ماشین
Viola and jones: آنها الگوریتمی ارایه دادند که قادر به تشخیص اشیا بصورت بلادرنگ بود،این تشخیص با دقت وهمینطور قابلیت اعتماد بالایی انجام می گرفت.آشکار ساز با استفاده از مثالهای مثبت ومنفی ،تمرین داده می شد.از سوی دیگر،سایر محققین ،این الگوریتم را برای شناسایی اشیا در کلاس های مختلف دیگر به کار بردند و به موفقیتهایی دست یافتند.در این بین کلاس مربوط به علایم ترافیکی هم با موفقیت تشخیص داده شد]11[.
آشکارساز وایولا جونز ،با لغزش65 پنجره آشکارساز در سراسر تصویر کارمیکند.گسترش این پنجره را با فاکتورمقیاسی تا انتهای تصویر مشخص میکند.بنابراین تغییر مقیاس،بر کیفیت تشخیص وسرعت تشخیص تاثیر میگذارد،یعنی با کاهش اندازه آن احتمال تشخیص علامت بیشتر میشود ولی اینکار منجر به افزایش زمان برای اتمام کار الگوریتم خواهد شد]16[.
2-2 پیشینه تحقیقاتی سیستمهای شناخت علایم ترافیکی
بطور کلی در حوزه این پایان نامه،کلمه شناخت مواقعی بکار می رود که پیام یک علامت شناسایی شود.کلمه طبقه بندی هم نشان می دهد که یک علامت به چه گروهی متعلق است.گاهی اوقات، شناخت دلیل بر طبقه بندی می شود،بنابراین ما این دو اصطلاح را مترادف با هم در نظر میگیریم]14[. علایم ترافیکی معمولا به یکی تز روشهای زیر انجام میگیرد:
شناخت علایم ترافیکی بوسیله شبکه های عصبی
شناخت علایم ترافیکی توسط تطبیق الگو
شناخت علایم ترافیکی توسط طبقه بندی کننده های دیگر
OCR66 and Pictograms Recognition
2-3-1شناخت علایم ترافیکی بوسیله شبکه های عصبی
در بسیاری از الگوریتم ها، طبقه بندی علایم، توسط شبکه های عصبی انجام می گیرد. دلیل آن هم چیزی نیست جز ،دقت بالای شبکه های عصبی در طبقه بندی. در ادامه نگاهی اجمالی به مقالاتی که از این روش استفاده کرده اند ،خواهیم داشت.
Kellmeyer and Zwahlen:آنها برای شناخت علایم ترافیکی، از شبکه عصبی با آموزش پس انتشار67استفاده کردند. ورودی بصورت یک مربع با اندازه های مرزی 10*10 در نظر گرفته شد. این مربع ها نمایانگر قسمت زرد رنگ علایم هشدار دهنده هستند.لایه ورودی با 100 نورون تغذیه می شد، خروجی این لایه بیانگر علامت بودن یا نبودن ،ورودی میباشد]48[.
Ghica et al:آنها برای شناخت یک علامت، از شبکه عصبی استفاده کردند.شبکه عصبی آنها شامل سه زیر شبکه بود(زیر شبکه طبقه بندی کننده، زیر شبکه هاپفیلد، زیر شبکه اعتباردهی) ]21[.
Aoyagi and Asakura: آنها از یک شبکه عصبی، با سه لایه، برای شناخت علامت استفاده کردند. شبکه های عصبی با یک الگوی 18*18 پیکسلی تغذیه می شوند. در لایه ورودی از 324 نورون استفاده کردند،15 نورون را برای لایه پنهان در نظر گرفتند و سه نورون را در لایه خروجی شبکه عصبی قرار دادند]30[.
Vitabile et al:آنها با استفاده از شبکه های عصبی، مناطق کاندید را با توجه به متن پیام علامت، طبقه بندی میکنند. طبقه بندی توسط شبکه های عصبی پیش خور68 انجام می گیرد،که در آن منطقه کاندید دارای اندازه 36*36 پیکسل است. نرخ طبقه بندی این شبکه برای علایم دایره ای قرمز 84% ،برای علایم مثلثی قرمز88%،وبرای علایم دایره ای آبی100% می باشد]49[.
de la Escalera et al:آنها بعد از تطبیق علایم با رزونانس نظریهART1 ،آنها را با استفاده از شبکه های عصبی شناسایی کردند]50[
Nakamura et al:آنها برای تشخیص موقعیت واندازه،علایم ترافیکی محدود کننده سرعت،از شبکه های عصبی استفاده کردند]47[.

دسته بندی : پایان نامه ها

پاسخ دهید