1-مقدمه · web viewشکل 19: نمونه هایی از دستیار های راننده؛...

دانلود متن کامل درdownload-thesis.com

دانشکده آموزشهای الکترونیکی

پایان نامه کارشناسی ارشد در رشته مهندسی فناوریاطالعات-تجارت الکترونیک

مدل ارزیابی عالئم ترافیکی مبتنی بر تشخیصیک ارائه ئم و مکان قرارگیری آنها این عالاتوماتیک

توسط:

..............................

استاد راهنما:

دکتر مهران یزدی

1392زمستان

ا

http://download-thesis.com/


چکیده

ب



مدل ارزیابی عالئم ترافیکی مبتنییک ارائه ئم و مکان این عالبر تشخیص اتوماتیک

قرارگیری آنهابه کوشش

..…………………… در این پایان نامه، قصد داریم روش های آشکار نمودن عالیم ترافیکی در تصاویر گرفته شده از آنها و شناسایی این عالیم را مورد

بررسی قرار دهیم. سپس با استفاده از بهبود روشهای موجود سیستمی را ارایه دهیم که با استفاده از یک دوربین فیلمبرداری سوار شده روی

محل نصبGPS Data Loggerیک وسیله متحرک و یک دستگاه گیرنده عالیم ترافیکی استاندارد را شناسایی و با توجه به آن، ارزیابی کند که آیا عالمت در جای مناسبی نصب شده است یا خیر؟ این سیستم می تواند

کمک شایانی به مهندسین بزرگراه، برای حفظ ونگهداری از جاده ها نماید. برای اینکار، بایستی که سیستم پیشنهادی ابتدا عالیم ترافیکی را

تشخیص دهد. در این پروژه، با استفاده از تجزیه وتحلیل لکه واعمال آستانه مناسب، اشیا را در تصویر شناسایی نموده؛ سپس با استفاده از

تجزیه وتحلیل هیستوگرام رنگ وتجزیه وتحلیل ابعاد، لکه های اضافه % عالیم ترافیکی بدرستی آشکار83.71حذف می شوند و با دقت

شدند. در مرحله بعد باید عالیم شناسایی شوند، برای اینکار، عالیم ترافیکی را با توجه به رنگ وشکل آنها گروه بندی کرده وبا استفاده از

MLEVبردارهای ویژگی هر عالمت را استخراج کرده و با استفاده از ، بردارهای استخراج شده،یک شبکه عصبی، آموزش می بیند. ابتدا شکل کلی عالمت و سپس پیام عالمت با استفاده از شبکه عصبی طبقه بندی

% شناسایی شدند. در84.74می شود؛در این مرحله، عالیم با دقت مرحله بعد با استفاده از تطابق زمانی، محل نصب هر عالمت ترافیکی

بدست می آید، وفاصله آن با محل وقوع عارضه)مثل پیچ بعدی( محاسبه می گردد و با توجه به نوع عالمت شناسایی شده، ارزیابی می شود. نتایج

بدست آمده نشان می دهد که سیستم پیشنهادی می تواند در بهبودوضعیت عالیم جاده ای بسیار موثر باشد.

فهرست مطالب

ج



1............................................................................-مقدمه11...........................-دالیل احساس نیاز به سیستم شناسایی عالیم ترافیکی1-1

2........................................................................ عالیم ترافیکی1-1-22..............................................:عالیم اخطاری)هشدار دهنده(1-1-2-13................................................-تابلوهای انتظامی)مقرراتی(1-1-2-23.................................................-تابلوهای اخباری)اطالعاتی(1-1-2-34.........................................................-عالیم راهنمای مسیر1-1-2-44....................................................................-عالیم مکمل1-1-2-54................................................................-تابلوهای محلی1-1-2-6

5...................................... کاربرد آشکارسازی وشناسایی عالیم ترافیکی 1-26....................................................... سیستم های پشتیبان راننده1-2-17........................................................ سیستم های دستیار راننده1-2-2

9.......................................................................... اهداف پایان نامه1-39..................................................... آشکارسازی عالمت ترافیکی1- 1-3

10............................................... آشکارسازی بر اساس رنگ1-3-1-110............................................. آشکارسازی بر اساس شکل1-3-1-211...................................... آشکارسازی بر اساس شکل ورنگ1-3-1-312................................. آشکارسازی بر اساس یادگیری ماشین1-3-1-4

12......................................... کالس بندی وشناخت عالیم ترافیکی1-3-213............................ کالس بندی با شبکه های عصبی مصنوعی1-3-2-114................................... کالس بندی با استفاده از تطبیق الگو1-3-2-214..................... شناخت عالمت توسط دیگر طبقه بندی کننده ها1-3-2-31-3-2-4 OCR and Pictograms Recognition........................................15

بهدست آوردن موقعیت جغرافیایی محل نصب عالیم ترافیکی، ارزیابی محل1-415....................................................................................................نصب آن

16................................................................... ساختار این پایان نامه1-517................................................................-پیشینه تحقیق2

17...................................................................................... مقدمه2-117....................... پیشینه تحقیقاتی سیستمهای آشکارسازی عالیم ترافیکی2-2

18..................................................... آشکارسازی بر اساس رنگ2-2-1

د



19.................................................... آشکارسازی بر اساس شکل2-2-222.............................................آشکارسازی بر اساس شکل ورنگ2-2-324....................................... آشکارسازی بر اساس یادگیری ماشین2-2-4

24............................. پیشینه تحقیقاتی سیستمهای شناخت عالیم ترافیکی2-225...........................شناخت عالیم ترافیکی بوسیله شبکه های عصبی2-3-126.................................. شناخت عالیم ترافیکی بوسیله تطبیق الگو2-3-227........................... شناخت عالمت توسط دیگر طبقه بندی کننده ها2-3-32-3-4 OCR and Pictograms Recognition..............................................28

30................................................-آشکارسازی عالیم ترافیکی3 30...................................................................................... مقدمه3-130........................ دالیل دشواری مقایسه بین تکنیکهای آشکارسازی عالیم3-231..... مشکالتی که سر راه آشکارسازی و شناسایی عالیم ترافیکی قرار دارد3-3

31..................................میزان نور متغیر است و قابل کنترل نیست3-3-132....................................................................حضور اشیا دیگر3-3-233...............................................................تفاوت ظاهری عالیم3-3-334...............................................................تغییر فیزیکی عالمت3-3-435.................................................................. تغییر رنگ عالمت3-3-535....................................................................... حرکت بلوری3-3-6

36............................................. رویکردهای آشکارسازی عالیم ترافیکی3-436.................................. آشکارسازی عالیم ترافیکی بر اساس رنگ3-4-1

37........................................... بررسی اجمالی فضاهای رنگی3-4-1-141............................................ قطعه بندی آستانه رنگی3-4-1-2-142................................................ پیوستن پویای پیکسل3-4-1-2-2HSI/HSV....................................................42 تبدیل به 3-4-1-2-342..................................................... رشد دادن منطقه3-4-1-2-443................................................... شاخص گذاری رنگ3-4-1-2-5

43.................................................... آشکارسازی بر اساس شکل3-4-23-4-2-1 Hierarchal Spatial Feature Matching...................................443-4-2-2 Hough Transform...........................................................443-4-2-3 Similarity Detection........................................................453-4-2-4 Distance Transform Matching............................................45

ه



46.............................. آشکارسازی عالمت با استفاده از شکل ورنگ3-4-347....................................... آشکارسازی بر اساس یادگیری ماشین3-4-4

49...................................................-شناسایی عالیم ترافیکی4 49...................................................................................... مقدمه4-149...................................................... شناسایی اشکال توسط ماشین4-2

50........................................... مشکالتی که در این راه وجود دارند4-2-151.............................. چرخش،بازتاب)آینه(،ترجمه،تغییر مقیاس4-2-1-1

52................................................. الگوریتمهای شناخت عالیم ترافیکی4-353..................................................................شبکه های عصبی4-3-1

54..................................................... شبکه های پس انتشار4-3-1-154..........................................................پرسپترون چند اليه 4-3-1-2

55.......................................................................... تطبیق الگو4-3-2PSO.................................................................56 کالس بندی با 4-3-3SVM................................................................57 کالس بندی با 4-3-4OCR and pictogram........................61 شناخت عالیم ترافیکی توسط 4-3-5

62............................پیاده سازی سیستم وارزیابی آن-طراحی و 5 62...................................................................................... مقدمه5-162....................................آشکارسازی عالمت بوسیله ،تجزیه وتحلیل لکه5-2

62.......................................................................... تعریف لکه5-2-165...................................................شناسایی مناطق مورد عالقه:5-2-266............................................................فیلترهای میانه دوبعدی5-2-368.......................................................... استخراج لبه های اشیا:5-2-470............................................................... حذف لکه های زاید5-2-5

72...........................................تجزیه وتحلیل هیستوگرام رنگها5-2-5-174............................................... تجزیه وتحلیل ابعاد عالمت:5-2-5-2

77...................................بلوک دیاگرام آشکارسازی عالیم ترافیکی :5-2-677................ نتایج بدست آمده برای بخش آشکارسازی عالیم ترافیکی5-2-7

79........................................................... شناسایی عالیم ترافیکی:5-379........شیوه ای بازگشتی برای تقسیم بندی شکل براساس بردار ویژه5-3-1

79.............................................. محاسبه ماتریس کواریانس:5-3-1-180................................................... استخراج دو مقدار ویژه5-3-1-2

و



81............................ ناحیه بندی شکل بر اساس بردارهای ویژه5-3-1-382.................. محاسبه مقادیر ویژه وبردارهای ویژه؛ زیر ناحیه ها5-3-1-4bounding-box:.....................................................83 محاسبه5-3-1-5

83................... استخراج پارامترهای مستقل از مقیاس،انحراف،دوران5-3-284........................................................(eigen-ratioپارامتر )5-3-2-184.....................................................(compactness پارامتر )5-3-2-285....................................................(normal-angle پارامتر )5-3-2-386..............................................................(center پارامتر)5-3-2-4

87................... آزمایش مستقل بودن پارامترها)دوران،انتقال،مقیاس(5-3-391.......... تقسیم بندی عالیم ترافیکی بر اساس شکل ظاهری ورنگ آنها5-3-496........... شناسایی شکل کلی عالیم ترافیکی،توسط شبکه های عصبی5-3-597....................................................... آموزش شبکه های عصبی5-3-6

98............ آموزش شبکه عصبی برای شناسایی شکل کلی عالمت5-3-6-199.......................... آزمایش صحت کالس بندی در شبکه عصبی5-3-6-2

102........................................................... شناسایی پیام عالمت5-3-7104 بلوک دیاگرام سیستم شناسایی عالیم ترافیکی بوسیله شبکه عصبی5-3-8105................................................ نتایج شناسایی عالیم ترافیکی5-3-9

106............................................ تعیین محل نصب عالمت و ارزیابی آن5-4107............................ سیستم موقعیت یاب جهانی چگونه کار میکند5-4-1109.................................................. محاسبه محل نصب عالمت5-4-2111........................................................ ارزیابی عالمت ترافیکی5-4-3112...................................................... رسم نقاط بر روی نقشه5-4-4

112......................................(GIS سیستم اطالعات جغرافیای)5-4-4-1World file.................................................114 تجزیه وتحلیل5-4-4-2120............................................... رسم یک نقطه جغرافیایی5-4-5-2

123................ نتیجه اجرای کلی الگوریتم وارزیابی نقاط بدست آمده5-4-5128..........................................................-نتایج وپیشنهادات6 129..........................................................................-منابع7

137..............................................................-چکیده انگلیسی8

ز



فهرست جداول41................................... :روشهای استخراج رنگ قرمز در منابع مختلف1-3جدول 78.......................................................: نرخ آشکارسازی عالیم ترافیکی1-5جدول 78................................................................: تعداد لکه های حذف شده2-5جدول 87........................................................................:تصاویر مورد آزمایش3-5جدول 88........ را نشان می دهد.3-5:پارامترهای استخراج شده از تصاویر جدول4-5جدول 98..................................:بردار هدف گروههای هشت گانه عالیم ترافیکی5-5جدول 98...........................................:تعداد عالیم آموزش داده به شبکه عصبی6-5جدول .:تعداد عالیمی که بعنوان،داده تست شبکه عصبی در نظر گرفته شده7-5جدول . .99100................................................................4:بردار هدف برای کالس 8-5جدول 100.......................................... برای داده های تمرینیconfusion matrix:9-5جدول 101......................................... برای داده های تستیconfusion matrix: 10-5جدول 102..............................:رنگ پیام عالمت ترافیکی در گروه های مختلف11-5جدول 103....................................: : جزییات شبکه های عصبی استفاده شده12-5جدول 105........................................................:نتیجه شناسایی عالیم تمرینی13-5جدول 106..............................................:نتیجه شناسایی عالیم ترافیکی جدید14-5جدول GPS data loggger...................109:اطالعات ذخیره شده توسط دستگاه 15-5جدول ( که توسط الگوریتم استخراج شده39-5:اطالعات مربوط به شکل) 16-5جدول

110.........................................................................................................................است110.........:شناسایی مکان عالمت ترافیکی با استفاده از مطابقت زمانی17-5جدول

125.............................................عارضه فاصله مجاز بین عالیم و محل وقوع 5-18126................................................:ارزیابی عالیم ومحاسبه فاصله آنها19-5جدول

ح



فهرست اشکال2.........................................................................:عالیم اخطاری1-1شکل 3.........................................................................:عالیم انتظامی2-1شکل 3.................................................................:عالیم ورود به منطقه3-1شکل 3...........................................................................:عالیم اخباری4-1شکل 4.................................................................:عالیم راهنمای مسیر5-1شکل 4............................................................................:عالیم مکمل6-1شکل 4............................................................................:عالیم محلی7-1شکل : سیستمی که مرسدس بنز طراحی کرده، عالمت ورود ممنوع را8-1شکل

8.............................................................................................دشناسایی می کن8..................................................:نمونه هایی از دستیار های راننده9-1شکل 32.................................: تاثیر تابش نور در شرایط مختلف به عالمت1-3شکل 32.......................................................... تابش بد نورنمونه ای از:2-3شکل 33...............................................: نمونه ای از حضور اشیای مزاحم3-3شکل 33..................................: نمونه هایی از حضور اشیای همرنگ عالمت4-3شکل 34............................: تفاوت رنگ عالیم ترافیکی در کشورهای مختلف5-3شکل 34.................................... ها در کشورهای مختلفpictogram: تفاوت 6-3شکل 35...........................................: تغییر شکل فیزیکی عالمت)چرخش(7-3شکل 35...............................................: تغییر رنگهای بکار رفته درعالمت8-3شکل 36..........................................: نمونه ای از حرکت بلوری در تصاویر9-3شکل RGB...........................38: تفاوت بین دو فام نارنجی رنگ در فرمت 10-3شکل HSL/HSV....................................39 در فضای رنگی ها: نمایش رنگ11-3شکل DT..............................................................46:اسنخراج تصویر 12-3شکل هایی که در آموزش آشکارسازی بکار برده میHaar-like: نمونه های از 13-3شکل

48...........................................................................................................شوند51..................................:مشکالتی که در شناسایی اشکال وجود دارد1-4شکل 55..................................................: يك پرسپترون با ورودي باياس2-4شکل PSO.......................................................................57: دیاگرام 3-4شکل

59...............................:روش بازنمایی بر اساس کیفی از کلمات شود4-4شکل codebook.............................................................60: روند ساخت5-4شکل 60......................................................................: فرایند آموزش6-4شکل 63.....................................................................:استخراج لکه ها1-5شکل 66.........................................:نمونه ای از اعمال آستانه وحذف نویز2-5شکل 67.............................:از بین بردن نویز فلفل نمکی بوسیله فیلتر میانه3-5شکل 67...................[3*3:تخمین مقدار هر پیکسل با استفاده از فیلتر میانه]4-5شکل 68....................................................:نمونه ای از اعمال فیلتر میانه5-5شکل 69.....................................................:نمایی از سلسله مراتب اشیا6-5شکل

ط



69................................................: بلوک دیاگرام تجزیه وتحلیل لکه7-5شکل 70............................................:نمونه ای از لکه های شناسایی شده8-5شکل 71.....................................................: نمونه ای از لکه های اضافی9-5شکل 72........................................... از تصویرSaturationوHue:استخراج 10-5شکل 73..........................: محاسبه میانگین برای تجزیه وتحلیل هیستوگرام.11-5شکل

74.....................................: عالمت ترافیکی با طول وعرض یکسان12-5شکل 75....................................: عالمت ترافیکی با طول وعرض متفاوت13-5شکل 76..............................:حذف لکه های زاید وشناسایی عالیم ترافیکی14-5شکل 77...................................:بلوک دیاگرام آشکارسازی عالیم ترافیکی15-5شکل :بلوک دیاگرام استخراج بردار های ویژه ومقدارهای ویژه از ماتریس16-5شکل

CL................................................................................................80کواریانس 82..............................................................:رسم بردارهای ویژه17-5شکل 82....................................:نمودار درختی برای ناحیه بندی یک شکل18-5شکل 83......................................................... هر ناحیهbounding box: 19-5شکل 85...............................: نحوه محاسبه زاویه حاده بین دو بردار ویژه20-5شکل eigen ratio.................................................89:نشان دهنده نمودار 21-5شکل compactness..............................................89:نشان دهنده نمودار 22-5شکل normal angle.............................................90:نشان دهنده نمودار 23-5شکل centeral.....................................................90:نشان دهنده نمودار24-5شکل 91....................................................................:عالیم گروه اول25-5شکل 92...................................................................:عالیم گروه دوم26-5شکل 92..................................................................:عالیم گروه سوم27-5شکل 93................................................................:عالیم گروه چهارم28-5شکل 94..................................................................:عالیم گروه پنجم29-5شکل 95.................................................................:عالیم گروه ششم30-5شکل 95..................................................................:عالیم گروه هفتم31-5شکل 96.................................................................:عالیم گروه هشتم32-5شکل 97................................:نمونه ای از اعمال آستانه متناب با هر گروه33-5شکل 102.........................................: استخراج پیام متن به شیوه صحیح34-5شکل :نمایی از شبکه عصبی پیاده سازی شده،برای شناخت شکل کلی عالمت35-5شکل

103.....: بلوک دیاگرام سیستم شناسایی عالیم ترافیکی بوسیله شبکه عصبی36-5شکل

104108...............: دستگاه هایی که اطالعات را از ماهواره دریافت میکنند37-5شکل GPS data logger......................................................108:دستگاه 38-5شکل 110......................:نمونه ای از عالمت شناسایی شده توسط سیستم39-5شکل .ایجاد شده استArcGIS:نقشه راههای استان کرمانشاه که توسط 40-5شکل .113115....................................................:پیکسلهای یک اندازه وتراز41-5شکل 115............................:پیکسلهای یک اندازه ولی پیکسلها تراز نیستند42-5شکل 116..................................:پیکسلهایی با طول وعرض متفاوت وتراز43-5شکل 116.........:پیکسلهایی با طول وعرض متفاوت،ولی پیکسلها تراز نسیتند44-5شکل 118.....................:نمونه ای از نقشه که مورد تست قرار گرفته است45-5شکل

ي



122..................................: رسم یک نقطه جغرافیایی بر روی نقشه46-5شکل 124...........................:عالیمی که توسط الگوریتم شناسایی شده اند47-5شکل 127.........................:ترسیم عالیم شناسایی شده و محل مناسب آنها48-5شکل

نشانه های اختصاری

TSR=traffic sign recognition

DSS=driver support systems

DAS=driver assistance systems

HT=hough transform

ك



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

ل



-مقدمه1-1

ابتدا در این فصل به معرفی عالیم ترافیکی وسیستمی که عالیم ترافیکی را شناسایی کند، می پردازیم وسپس کارهایی که برای

شناسایی صحیح عالمت الزم است ،مورد بررسی قرار خواهد گرفت؛دهیم.درنهایت هم ساختار این پایان نامه را توضیح می

-دالیل احساس نیاز به سیستم شناسایی عالیم1-1ترافیکی

تر و حمل و نقل آسان، سببها به آسايش هرچه بيشتمايل انسان ايجاد وسايل نقليه زميني گرديده است. با رشد جمعيت، هر روزه به

تعداد وسايل نقليه اي كه در خيابان ها وجاده ها تردد مي كنند افزوده مي شود. با توجه به اين تعداد بي شمار وسايل نقليه، نياز به كنترل آنها به منظور جلوگيري از تصادفات تا حد ممكن و در نتيجه كاهش تلفات جاني و مالي فراوان كامالً احساس مي شود. بخش عمده اي از وظيفه كنترل و

هدايت وسايل نقليه در خيابان ها و جاده ها توسط عالئم راهنمايي و گیرد. بنابراين مشاهده عالئم و عمل كردن به پيام آنرانندگي صورت می

ها بوسيله رانندگان ضروري و مهم مي باشد. با توجه به اهميت اين هامسأله اگر بتوان سيستم خودكاري براي تشخيص عالئم واعالم پيام آن

به رانندگان طراحي نمود، كمك زيادي به آرامش رانندگان خواهد کرد و عبور ومرور روان خواهد شد و بدين ترتيب كليه رانندگان بويژه رانندگان

تري بر روي كنترل وسيله نقليه داشته باشند. مبتدي مي توانندتمركز بيش

عالیم ترافیکی1-1-2

1



عالیم راهنمایی و رانندگی مانند انواع چراغ ها، تابلوها، خط کشی ها، نوشته ها، ترسیم ها ونیز عالیم تعیین سمت عبور که باید روی راه ها کشیده شود، براساس قانون الحاق ایران به کنوانسیون عبور ومرور در

تهیه شده اند.1354جاده و کنوانسیون مربوط به عالیم راهها-مصوب تشخیص، انتخاب، تهیه، جانمایی، نصب ، ترسیم و نگهداری عالیم 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 عالیم 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 اعالم نمایند. مفاهیم رنگ و شکل عالیم 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 اطالع عمومی در اختیار مراجع صالحیت دار و با همکاری شوراهای اسالمی شهرها در اختیار عموم مردم قرار می

- عالیم ترافیکی در ایران به شش دسته کلی تقسم بندی می].1[گیردشوند:

از این عالیم برای آگاه::عالیم اخطاری)هشدار دهنده(1-1-2-1 ساختن راننده نسبت به خطرات احتمالی موجود در مسیر استفاده

شود.این عالیم معموال با مثلث قرمز رنگ نمایش داده میمیشود.

]1[:عالیم اخطاری1-1شکل

با استفاده از این نوع:-تابلوهای انتظامی)مقرراتی(1-1-2-2 شوند ویاممنوعیت یا محدودیتیعالیم،دستورالعملی را به راننده متذکر می

کنند.را گوشزد می

2



]1[:عالیم انتظامی2-1شکل

:این عالیم معموال اطالعات-تابلوهای اخباری)اطالعاتی(1-1-2-3مشخصی ومعینی را به رانندگان درباره منطقه می دهند.

]1[:عالیم ورود به منطقه3-1شکل

]1[:عالیم اخباری4-1شکل

این عالیم معموال جهت حرکت:-عالیم راهنمای مسیر1-1-2-4وفاصله تا مقصد را مشخص میکنند.

3



]1[:عالیم راهنمای مسیر5-1شکل

جهت اختصاص عالیم رانندگی به گروه خاصی:-عالیم مکمل1-1-2-5از وسایل نقلیه ویا تکمیل معنی عالیم رانندگی دیگر کاربرد دارد.

]1[:عالیم مکمل6-1شکل

با توجه به خصوصیات محل نصب عالیم،:-تابلوهای محلی1-1-2-6شوند.طراحی می

]1[محلی:عالیم 7-1شکل

1 کاربرد آشکارسازی وشناسایی عالیم ترافیکی1-2

تر موردهای اخیر بیشآشکارسازی وشناسایی عالیم ترافیکی در سال استقبال محققان قرار گرفته است وتحقیقات زیادی در این زمینه

1Traffic sign detection and recognition

4



صورت گرفته است،این عالقه ناشی از محدوده وسیع برنامه های های زیرکاربردی در این حوزه است، معموال این برنامه ها دارای قابلیت

هستند:که وضعیت ظاهری عالیمنگهداری بزرگراهها:امروزه برای این

ترافیکی را بررسی کنند وهم چنین بررسی مکان نصب این طور مستمر به نوارویدیویی که ازعالیم،باید یک اپراتور انسانی به

ها گرفته شده است، نگاه کند.این کار بسیار کسل کننده وبزرگراه-های مختلفی پدیدار میزجرآور است،زیرا عالیم ترافیکی در زمان

Espritشوندواپراتور توجه زیادی برای این کار باید به خرج بدهد.“European project AUTOCATقدم شده تامحل”درحال حاضر پیش

صورت اتوماتیک جمع آوری کند.عالیم ترافیکی را بهطوراساسی برنامه های کاربردی ای کهفهرست عالیم موجود:به

برای این کار طراحی شده اند هم درشهر وهم در بزرگراه شبیههم هستند و وظایف یکسانی دارند.

:تشخیص عالیم رانندگی وکالس بندی1سیستم های پشتیبان راننده ترها موضوعی است که در سیستم های پشتیبانی از رانندگی کمآن

مورد مطالعه قرار گرفته است.خودروهای هوشمند در آینده باید برخی از تصمیمات،مانند میزان سرعت و انتخاب مسیر را با توجه

توان این سیستم رابه عالیم رانندگی اتخاذ کنند.اگرچه در آینده می بخشی از یک وسیله نقلیه کامال خودکار دانست،اما در حال

توان از این سیستم برای محدود کردن اتوماتیک سرعتحاضرمی وسیله نقلیه ویا دادن هشدارهای الزم به راننده استفاده کرد. اگر

سرعت بیش از حد مجاز باشد و یا در زمانی که راننده،در حال. ]3[انجام حرکت غیر قانونی است، به او عالمت یا هشداری دهد

در قرن بیست ویکم، اتومبیل بخش الینفکی از زندگی را اشغال کرده است، پس باید راننده ها از قوانین ومقرراتی که توسط عالیم

شود تبعیت کنند. با توجه به پیشرفت تکنولوژی،ترافیکی گوشزد می های پشتیبان راننده برای افزایشهای دستیار راننده وسیستمسیستم

.]4[راحتی واطمینان ایجاد شدند12Driver support systems

5



سیستم های پشتیبان راننده1-2-1

های های مدرن، در نوع حسگرها، کامپیوتر وتکنولوژیاتومبیل-عنوان مثال میارتباطی تغییرات بزرگی نسبت به گذشته داشته اند؛ به

( راACC1( ، )LDWA2( ،)BLIS3توان سیستم های کروزکنترل تطبیقی ) طور خودکار بخشی از کاربرشمرد.این سیستم های پشتیبان راننده به

تر وامن تری را برایگیرد، درنتیجه رانندگی راحتعهده میرانندگی را به % تصادفات90. خطای انسانی عامل ]5[آورد راننده به ارمغان می

رانندگی است، در بسیاری از این حوادث، راننده تالشی برای اجتناب از دهد. این نشان از سهل انگاری و غفلت رانندهاین برخورد انجام نمی

.]6،7[درباره حادثه است فلسفه وجود سیستم های پشتیبان راننده؛ کاهش تعداد تصادفاتی

-گیرد.پس با کمک این سیستم ها میاست که با خطای انسانی انجام می توان از جنبه های زیان بار حوادث)مرگ ومیر، صدمات مالی، ایجاد

ها را کاهش داد. این سیستم ها با افزایشترافیک( جلوگیری کرد وآن راحتی رانندگی، روان کردن جریان ترافیک، باعث کاهش تولید گازهای

.]8[گرددگلخانه ای و هم چنین کاهش هزینه ها می4 سیستم های دستیار راننده1-2-2

-سیستم های دستیار راننده، کمک شایانی را به رانندگان ارائه می ها به منظور افزایش امنیت وراحتی در طیدهند. بسیاری از این سیستم

توانعنوان مثال میکار گرفته شده اند، بهدهه گذشته در وسایل نقلیه بهE(،سیستمهای هدایت برقی کمکی )VSC5های کنترل ثبات خودرو)به سیستم

PAS6(کنترل ضد رول آور،)ARC7اشاره کرد. برخی از این دستیارهای ) دهند،راننده وظایف خاصی را برای بهبود عملکرد، در رانندگی انجام می

11Adaptive cruise control22Lane Departure Warning Assistant33Bind Spot Information System41Driver assistance systems52 Vehicle stability control63Electronic power-assist steering74Anti-rollover control

6



برخی دیگر نیز برای همراهی وهمکاری با انسان طراحی شده اند. های دستیار راننده، به این نکتههای کامال اتوماتیک سیستممخالفان طرح

-ها باعث سلب اقتدار و مسئولیت انسان میکنند که این سیستماشاره میشوند.

از آنجا که سیستمهای دستیار راننده معموال با یک راننده انسان ها به واکنش خوب و سنجیدهکرد آنکنند، پس در نتیجه عملهمکاری می

عامل انسانی هم بستگی دارد. بنابراین باید عملکرد راننده انسان را هم همین اواخر برای آزمایش نمونهدر ارزیابی این حلقه موثر دانست. تا

کردند، اینهای اولیه این سیستمها از شبیه سازهای رانندگی استفاده می کرد. امروزه از روشیفرایند هزینه و زمان زیادی را به سیستم تحمیل می

عنوانهمراه رانندگان انسانی بهمبتنی بر شبیه سازی کامپیوتری به شود، چون که دقیقا رفتارهایی که انسانجایگزین روش قبلی استفاده می

].9[توان تعیین کرددر شرایط مختلف بروز می دهد را نمی

: سیستمی که مرسدس بنز طراحی کرده، عالمت ورود ممنوع8-1شکل ]10[را شناسایی می کند

7



(دستیار راننده طراحیaنمونه هایی از دستیار های راننده؛ ) :9-1شکل ( دستیار رانندهb ،برای پارک کردن ودید دنده عقب؛)VALEOشده شرکت

طراحی شده شرکت مرسدس بنز،برای پارک کردن ودید دنده عقب

اهداف پایان نامه1-3

اهداف در نظر گرفته شده برای پایان نامه، سیستمی کهباتوجهدرستی انجام دهد:شود باید کارهای زیر را بهطراحی می

1آشکارسازی عالیم ترافیکی

3 وشناخت عالیم ترافیکی2کالس بندی عالیم ترافیکی

دست آوردن موقعیت جغرافیایی محل نصب عالیم ترافیکیبه وارزیابی محل نصب آن

آشکارسازی عالمت ترافیکی1- 1-3

11Traffic signs detection22Traffic signs classsification33Traffic signs recognition

8



در مرحله آشکارسازی عالمت روی تصویر پیش پردازش انجام می ، انجام3واشکال2 تصویر با توجه به خصوصیات رنگ1گیرد و بخش بندی

ها حاوی مناطقی است که احتمال وجودگیرد. هر کدام از این بخشمی هایها نقش مهمی را در سیستمعالمت ترافیکی در آن زیاد است.رنگ

آشکارسازی عالمت ترافیکی را ایفا می کنند، با این حال شناسایی[های تحقیقاتی فراوانی قرارگرفته استاشکال نیز مورد استفاده گروه

پس می توان گفت که عمده روشهایی که در این مرحله مورد].11گیرد به شرح زیر است:استفاده قرار می

4آشکارسازی بر اساس رنگ

5آشکارسازی بر اساس شکل

آشکارسازی بر اساس شکل و رنگآشکارسازی بر اساس یادگیری ماشین

آشکارسازی بر اساس رنگ1-3-1-1

14segmented25Color attribute36shapes47Color based58 Shape based

9



-منابع2-7

(.1390] معاونت راهنمایی ورانندگی نیروی انتظامی جمهوری اسالمی ایران)1[ چاپ چهارم. تهران:شرکت ناجیآموزش جامع قوانین ومقررات راهنمایی ورانندگی.

نشر.

(. "شناسایی عالیم راهنمایی و رانندگی با1381] بحرانی،محمد،ومنصور جمزاد)2[ دومین کنفرانس بینایی ماشین مجموعه مقاالتاستفاده از شبکه های عصبی"،

،تهران:دانشگاه خواجه نصیرالدین طوسی.228-220ص وپردازش تصویر ایران،

[3] De la Escalera,A., Armingol, J.Ma,Mata, M. (2003), “Traffic sign recognition and analysis for intelligent vehicles.”, Image and Vision Comput., vol. 21:247-257

10



[4] Uke,N.,Thool,R.C (2013), “Road Sign Detection – A Vision based Driver Support System.” 2nd International Conference on Advances in Signal Processing and Communication – SPC 2013 ,:196-197,india,june 2013.

[5] Tideman, M. , van der Voort, M.C., van Arem, B.,and Tillema, F. (2007), “A Review of Lateral Driver Support Systems.” Intelligent Transportation Systems Conference,:992-995

[6] Chovan, J.D., Tijerina, L., Alexander, G.,and Hendricks, D.L. (1994) ,”Examination of lane change crashes and potential IVHS countermeasures.” Washington DC, USA: NHTSA.

[7] Olsen, E.C.B., Lee, S.E., and Wierwille, W.W. (2005). “Eye glance behavior during lane changes and straight-ahead driving.” Proceedings of TRB 2005 Annual Meeting,:44-45.

[8] Rumar, K. (1990). “The basic driver error: late detection”. Ergonomics, vol. 33, : 1281–1290.

[9] Peng, H., (2002) "Evaluation of Driver Assistance Systems-A Human Centered Approach," Proc. Of AVEC2002,6th International Symposium on Advanced Vehicle Control, :17-24.

[10] “Mercedes-Benz tech warns wrong-way drivers”[online].available: >http://www.daimler.com/dccom/0-5-1210218-1-1567979-1-0-0-1210228-0-0-135-0-0-0-0-0-0-0-0.html><19 sep 2013>

[11] K. Brkic “An overview of traffic sign detection methods“,Intelligent Transportation Systems ITSC(2010)

[12] Loy,G., Barnes, N.(2004) “Fast shape-based road sign detection for a driver assistance system.” presented at IEEE/RSJ International Conference on Intelligent Robots and Systems, Sendai, Japan, :71-72.

[13] Gavrila, D. (1999), “Traffic sign recognition revisited.” DAGM-Symposium ,:86–93.

[14]Fleyeh,H.(2010) “Traffic Sign Recognition: visions and systems.” LAP Lambert Academic Publishing (March 22, 2010) ,ISBN: 3838303598,: 20-47.

[15] Bahlmann,C. ,Zhu,Y. ,Ramesh,V.(2005),” A System for Traffic Sign Detection, Tracking, and Recognition Using Color, Shape, and Motion Information.” INTELLIGENT VEHICLES SYMPOSIUM 2005.PROCEDDING.IEEE,:255-260.

11



[16] Martinović,A.,Glavaš,G., Juribašić,M.,Sutić,C. and Kalafatić,Z.(2010). “Real time Detection and Recognition of Traffic Signs.”, Faculty of Electrical Engineering and Computing Unska 3, 10000 Zagreb ,:760-765.

[17] Hatzidimos,J.(2004). “AUTOMATIC TRAFFIC SIGN RECOGNITION.” , International Conference on Theory and Applications of Mathematics and Informatics - ICTAMI 2004, Thessaloniki, Greece,:174-184.

[18] Hadi, G., Mojtaba, L., Hadi, S.Y.(2009). “An improved pattern matching technique for lossy/lossless compression of binary printed Farsi and Arabic textual images.” Cybernet,:120-123.

[19]Singh,P.,Budhiraja,S."(2013). ”Feature Extraction and Classification Techniques in O.C.R. Systems for Handwritten Gurmukhi Script – A Survey.”,Pritpal Singh, Sumit Budhiraja / International Journal of Engineering Research and Applications (IJERA) ,ISSN: 2248-9622,: 1736-1739.

[20] Jiang, G. Y., Choi, T. Y. & Zheng, Y. (1996). “Morphological traffic sign recognition.” Proceedings of the 3rd International Conference on Signal Processing,: 531-534.

[21] Ghica, D., Lu, S. W. & Yuan, X. (1995). “Recognition of traffic signs by artificial neural network.” Proceedings of the IEEE International Conference on Neural Networks, :1444-1449.

[22] Estevez,L.,Kehtarnavaz,N.(1996). "A real-time histographic approach to road sign Recognition." presented at IEEE Southwest Symposium on Image Analysis and Interpretation,:95-100.

[23] Yuille,A.,Snow,D. , and Nitzberg,M.(1998). "Signfinder, Using color to detect, localize and indentify informational.", presented at Sixth Inter. Conf. on Computer Vision,:628-633.

[24] Yabuki,N.,Matsuda,Y.,Fukui,Y., and Miki,S.(1999) "Region detection using color Similarity." presented at 1999 IEEE Inter. Symposium on Circuits and Systems,Vol.4,:98 - 101

[25] Fang,C.,Fuh,C. , Chen,S. , and Yen,P.(2003). "A road sign recognition system based on dynamic visual model." presented at The 2003 IEEE Computer Society Conf. Computer Vision and Pattern Recognition.Vol.25,:1329-19341.

[26] Shadeed,W. ,Abu-Al-Nadi,D. , and Mismar,M.(2003) "Road traffic sign detection in color images." presented at 10th IEEE Inter. Conf. on Electronics, Circuits and Systems-ICES. Vol.2: 890 – 893.

12



[27] Bénallal, M. ,Meunier,J.(2003) "Real-time color segmentation of road signs." presented at Canadian Conf. on Electrical and Computer Engineering -IEEE CCECE.Vol3,:1823-1826.

[28] Piccioli,G,De Micheli,E, Parodi,P., and Campani,M.(1994) "Robust road sign detection and recognition from image sequences." presented at Intelligent Vehicles Symposium,: 278 – 283.

[29]Priese,L.,Lakmann,R., and Rehrmann,V.(1995). "Ideogram identification in a realtime traffic sign recognition system." presented at Intelligent Vehicle '95 Symposium,: 310 – 314.

[30] Aoyagi, Y. , and Asakura, T. (1996). “A study on traffic sign recognition in scene image using genetic algorithms and neural networks.” Proceedings of the 1996 IEEE IECON 22nd International Conference on Industrial Electronics, Control, and Instrumentation,:1838-1843.

[31] Aoyagi, Y. , and Asakura, T. (1996). "Detection and recognition of traffic sign in scene image using genetic algorithms and neural network." presented at The 35th SICE Annual Conference ,: 1343 – 1348.

[32] Adorni,G., D'Andrea, V., Destri, G. , and Mordonini, M..(1996). "Shape searching in real world images: a CNN-based approach." presented at Fourth IEEE Inter. Workshop on Cellular Neural Networks and Their Applications,: 213 – 218.

[33] Gavrila,D.(1998). "Multi-feature Hierarchical template matching using distance Transforms." presented at Fourteenth Inter. Conf. on Pattern Recognition.Vol.1 , : 439 – 444.

[34] Schiekel, C.(1999). "A fast traffic sign recognition algorithm for gray value images." presented at 8th Inter. Conf. Computer Analysis of Images and Patterns-CAIP. Vol.1689,:588-595.

[35] Huang,C.,Hsu,S.(2000) ."Road sign interpretation using matching pursuit method." presented at 4th IEEE Southwest Image Analysis and Interpretation Symposium.,:202 – 206.

[36] Huang,C.,Hsu,S.(2000) ."Road sign interpretation using matching pursuit method." presented at 15th Inter. Conf. on Pattern Recognition.Vol.1,: 329 – 333.

[37] Hsu,S. ,Huang,C.(2001). "Road sign detection and recognition using matching pursuit ethod." Image and Vision Comput. vol. 19,:119-129.

13



[38] Paclik,P. ,Novovicova,J.(2000). "Road sign classification without color information." presented at Sixth Annual Conf. of the Advanced School for Computing and Imaging,:84-90.

[39] Perez,E.,Javidi,B.(2000). "Scale and Illumination-invariant road sign detection." presented at 13th Annual meeting IEEE Lasers and Electro-Optics Society.Vol.2,:748 – 749.

[40] Sandoval,H.,Hattor,T.,Kitagawa,S. , and Chigusa,Y.(2000). "Angle-dependent edgedetection for traffic signs recognition," presented at IEEE Intelligent Vehicles Symposium,: 308 – 313.

[41] Puntavungkour,S.,Chen,X. ,Kusanagi,M.(2001). "Automatic Recognition and location of road signs from terrestrial color imagery." presented at Geoinformatics and DMGIS,:102-111.

[42] Hirose,K.,Asakura,T.,Aoyagi,Y.(2000). "Real-time recognition of road traffic sign in moving scene image using new image filter." presented at 26th Annual Conf. IEEE Industrial Electronics Society.Vol.3,:2207-2212.

[43] Hibi,T.(1996) "Vision based extraction and recognition of road sign region from natural color image, by using HSL and coordinates transformation." presented at 29th Inter. Symposium on Automotive Technology and Automation, Robotics, Motion and Machine Vision in the Automotive Industries,:201-206.

[44] Piccioli,G. ,De Micheli,E. ,Parodi,P. , and Campani,M.(1996) "Robust method for sign detection and recognition." Image and Vision Computing. vol. 14,: 209-223.

[45] Azami,S. ,Katahara,S. ,and Aoki,M.(1996) "Route guidance sign identification using 2-D sturctural description." presented at The 1996 IEEE Intelligent Vehicle Symposium ,: 153 – 158.

[46] Fang,C.,Fuh,C. , Chen,S.(2003). "Road-sign detection and tracking." IEEE Trans. on Vehicular Technology.Vol. 52,:1329-1341.

[47] Nakamura,M. ,Kodama,S. ,Jimbo,T. ,and Umeno,M.(1999). "Searching and recognition of road signpost using ring detetion network." presented at 1999 IEEE Inter. Conf. on Systems, man, and Cybemetics -IEEE SMC.Vol.2,: 190 - 195.

[48] Kellmeyer,D. ,Zwahlen,H.(1994). "Detection of highway warning signs in natural video images using color image processing and neural networks." presented at 1994 IEEE World Congress on Computational Intelligence.Vol.7,:4226 – 4231.

14



[49] Vitabile,S. ,Pollaccia,G. ,Pilato,G., and Sorbello,F.(2001). "Road sign Recognition using a dynamic pixel aggregation technique in the HSV color space." presented at 11th Inter. Conf. Image Analysis and Processing,:527-528.

[50] de la Escalera,A. ,Armingol,J. , and Pastor,J.(2004). "Visual sign information extraction and identification by deformable models for intelligent vehicles." IEEE Trans. on Intelligent Transportation Systems.vol. 5,:57-68.

[51] Lauzière, Y. ,Gingras,D. ,and Ferrie,F.(2001). "A model-based road sign identification system." presented at IEEE Computer Society Conf. Computer Vision and Pattern Recognition(.Vol.1,:1163 -1170.

[52] Ohara,H. ,Nishikawa,I. ,Miki,S. ,and Yabuki,N.(2002). "Detection and recognition of road signs using simple layered neural network." presented at The 9th Inter. Conf. Neural Information Processing.Vol.2,: 626 – 630.

[53] Paclik,P. ,Novovicova,J. ,Pudil,P. ,and Somol,P.(2000). "Road sign classification using Laplace kernel classifier." Pattern Recognition Letters.vol. 21,:1165-1173.

[54] Paclik,P. ,Novovicova ,and Duin,R.(2006). "Building Road-sign classification using a trainable similarity measure." IEEE Trans. Intelligent Transportation.Vol.7,:309-321.

[55] Lafuente-Arroyo,S ,Gil-Jiménez,P. ,Maldonado-Bascón,R. ,López-Ferreras,F. ,and Maldonado-Bascón,N.(2005). "Traffic sign shape classification evaluation I: SVM using distance to borders." presented at IEEE Intelligent Vehicles Symposium(,:557 – 562.

[56] Jiang,G. ,Choi,T. ,and Zheng,Y.(1996). "Morphological traffic sign recognition." presented at 3rd Inter. Conf. on Signal Processing.Vol.1,: 531 – 534.

[57] Miura,J. ,Kanda,T. ,and Shirai,Y.(2000). "An active vision system for real-time traffic sign recognition." presented at 2000 IEEE Intelligent Transportation Systems,: 52 – 57.

[58] Fleyeh, H.(2005), "Road and Traffic Sign Color Detection and Segmentation - A Fuzzy Approach" Machine Vision Applications (MVA2005), Tsukuba Science City, Japan, 16-18 May, 2005.

[59] Fang,C. ,FUH, C.S. ,Yen,P.S ,CHERNG,S. ,and Chen, S.W.(2004) “An automatic road sign recognition system based on a computational model of human recognition processing.” Computer Vision and Image Understanding 96,:237-268.

15



[60] Benallal, M. ,Meunier,J.(2003) “Real-time color segmentation of road signs.” Electrical and Computer Engineering, 2003. IEEE CCECE 2003. Vol. 3,:1823–1826.

[61] Varun,S. ,Singh,S. ,Kunte,R.S ,Samuel,R.D.S ,and Philip,B.(2007). “Aroad traffic signal recognition system based on template matching employing tree classifier.” in ICCIMA ’07: Proceedings of the InternationalConference on Computational Intelligence and Multimedia Applications(ICCIMA 2007). Washington, DC, USA: IEEE Computer Society, 2007,:360–365.

[62] Broggi,A. ,Cerri,P. ,Medici,P. ,Porta,P. ,and Ghisio,G.(2007). “Real time road signs recognition” Intelligent Vehicles Symposium, 2007 IEEE,:981-986.

[63] Ruta,A. ,Li,Y. ,and Liu,X.(2008). “Detection, tracking and recognition of traffic signs from video input.” Intelligent Transportation Systems, 2008. ITSC 2008. 11th International IEEE Conference on,:55 –60.

[64]Jia Kuo,W. ,Ze Univ,Y. ,Li,C. ,Chung Lin,C.(2007) “Two-stage road sign detection and recognition.” Multimedia and Expo, 2007 IEEE International Conference on,:1427–1430.

[65]Gao,X. ,Podladchikova,L. ,Shaposhnikov,D. ,Hong,K.(2006).”Recognition of traffic signs based on their colour and shape features extracted using human vision models.” Journal of Visual Communication and Image Representation.Vol. 17, no. 4,: 675–685.

[66] de la Escalera,A. ,Moreno,L. ,Salichs,M. ,and Armingol,J.(1997). "Road traffic sign detection and classification." IEEE Trans. Industrial Electronics.vol. 44,:848 – 859.

[67] Viola,P. ,Jones,M.(2001). “Robust real-time object detection.” in International Journal of Computer Vision,:137-154.

[68] de Vries,J.(2007).” Object Recognition:A Shape-Based Approach using Artificial Neural Networks.” University of Utrecht Department of Computer Science 0024260.

[69] Hagan, M.T. ,Demuth,H.B.(1999). "Neural Networks for Control." Proceedings of the 1999 American Control Conference,:1642-1656.

[70] Chau, K.W. ,Cheng, C.T.(2002). “ Real-time prediction of water stage with artificial neural network approach.” Lecture Notes in Artificial Intelligence,:715.

[71] Rumelhart,D.E ,Hinton,E. ,Williams,J.(1986). “ Learning internal representation by error propagation.” Parallel Distributed Processing 1,: 318–362.

16



[72] Brunelli,R.(2009) “Template Matching Techniques in Computer Vision.”.ISBN:978-0-470-51706,:247-257.

[73] Kennedy,J.(1997). “ The Particle swarm: Social adaptation of knowledge.” Proceedings of the International Conference on Evolutionary Computation,: 303–308.

[74] Kennedy,J ,Clerc,M.(2002). “The particle swarm - explosion, stability, and convergence in a multidimensional complex space.” Evolutionary Computation, IEEE Transactions.Vol.6,: 58-73.

[75] Surinwarangkoon, T. ,Nitsuwat,S. ,Moore,E.J.(2012). “Traffic Sign Recognition by Color Filtering and Particle Swarm Optimization.” International Conference on Computer Research and Development IPCSIT.Vol.39,:55.

[76] Lowe,D.G.(2004). “Distinctive Image Features from Scale-Invariant Keypoints.” International Journal of Computer Vision 60,:91-92.

[77] Plinio Moreno, M.J. ,Bernardino, A. ,Victor, J.S. ,de la Blanca, N. P.(2007).“ A Comparative Study of Local Descriptors for Object Category Recognition:SIFT vs HMAX.” Recognition and Image Analysis, Third Iberian Conference,:515-522.

[78] Hu,X. ,Zhu,X. ,Li,D.(2010) “Traffic Sign Recognition Using Scale Invariant Feature Transform And SVM.” A special joint symposium of ISPRS Technical Commission IV & AutoCarto in conjunction with ASPRS/CaGIS 2010 Fall Specialty Conference.

[79] “IMAQ Vision Concepts Manual”[online].available: http://www.ni.com/pdf/manuals/322916a.pdf.><19 sep 2013>

[80] Garvey,P.M ,Thompson-Kuhn,B ,Pietrucha,M.T(1995). “Sign visibility literature review. United States Sign Council (USSC) Research Project.” Final Report ,:22-31.

[81].Kim, H.K ,Kim, J.D.(2000). “Region-based shape descriptor invariant to rotation, scale andtranslation.” Signal Processing: Image Communication. Vol.16,: 87-93.

[82] “basic land navigation :chapter5 global positioning system”[online].available: http://www.nwcg.gov/pms/pubs/475/PMS475_chap5.pdf><19 sep 2013>

[83] “Depratment for transport”[online].available: >https://www.gov.uk/government/uploads/system/uploads/attachment_data/file/226765/traffic-signs-manual-chapter-04.pdf><19 sep 2013>

17



3-ABSTRACT

Proposing an assessment model of traffic signs based on their automatic recognition and localization

18



by

Ehsan Beigvand

In this thesis, we aim to study the methods of detection and recognition of traffic signs using images taken from them. Then, by enhancing the existing methods we propose a system which uses a camera installed on a moving vehicle and a GPS data logger receiver to identify the position of the standard traffic signs and assess whether their position is correct or not. Such a system can assist the road engineers for the tasks of updating and maintaining. To do this, the system must first detect traffic signs. By analyzing distinct blobs in the image and using a suitable threshold, we identify different objects in the image. Then by analyzing the color histogram and dimension of obtained objects we removed the non traffic sign objects and detected correct signs with 83.71% accuracy. In the next stage, we need to recognize the traffic signs. For this, we grouped the traffic signs according to their color and shape and then used a multi layer eigenvector shape descriptor to extract the feature vectors of each sign for training a neural network. So the overall shape of the traffic signs in first step and their content in the second step were classified and we achieved an accuracy of 84.74%. In the next stage, by using corresponding recoded time of each identified traffic sign, we computed the distance between place of the traffic sign and its convenient location (e.g. later bend) and evaluated the correctness of the position with the type of traffic sign. The obtained results demonstrate that the proposed system can have a grand affection in improvement of road signs.

19



20



Shiraz Universtiy

Faculty Of e-Learning

M.S THESIS

In Information Technology Engineering(e-Commerce)

Proposing an assessment model of traffic signs based on their automatic recognition and localization

By

EHSAN BEIGVAND

Supervised By

M.Yazdi,PH.D.

January 2014

21


1-مقدمه · web viewشکل 19: نمونه هایی از دستیار های راننده؛...

Documents