تشخیص و بازشناسی علایم راهنمایی و رانندگی با استفاده از روش مبتنی بر مکانیزم توجه و روش های طبقه بندی کلاسیک و ماشین بردار پشتیبان

نوع مقاله : علمی - پژوهشی

چکیده

 ایجاد و گسترش سیستم های هوشمند درحوزه حمل و نقل و بویژه شناسایی علایم راهنمایی و رانندگی، یکی از چالش‌های مهم در سالهای اخیر بوده است. تشخیص و بازشناسی، دو مرحله اصلی شناسایی علایم ترافیکی هستند. روشهای مختلفی برای انجام این دو مرحله پیشنهاد شده است. در این مقاله، روشی برای مکانیابی، تشخیص و بازشناسی علایم ترافیکی از نوع انتظامی ارایه شده است؛ به کمک روشی مبتنی بر مکانیزم توجه و با بهره‌گیری از جعبه ابزار saliency امکان حضور علایم، در تصاویر تهیه شده از صحنه های ترافیکی، سنجیده و نواحی مهم تصاویر و از جمله علامت ترافیکی در قالب نقشه هایی استخراج شد. برای مرحله بازشناسی و طبقه بندی علایم، تصاویر مربوط به هریک از علامت‌ها، برحسب نوع، در گروه‌های مختلف تقسیم بندی شدند. در مرحله بعد با استفاده از روش استخراج ویژگی SIFT،  نقاط کلیدی هر یک از تصاویر استخراج و روندی برای ایجاد هیستوگرام های نشان دهنده بردار ویژگی پیشنهاد شد. مقایسه هیستوگرام‌های به دست آمده از تصاویر تست با هیستوگرامهای تصاویر آموزش منجر به بازشناسی و طبقه بندی تصاویر تست گردید. طبقه بندهای مورد استفاده، روش k نزدیک ترین همسایگی با معیارهای فاصله ی (فاصله اقلیدسی،2x  و منهتن) و نیز روش ماشین بردار پشتیبان  (SVM) است. در روش پیشنهادی، تشخیص علایم، بدون نیاز به روش های پیش پردازش اضافی و با دقت بالایی انجام گرفت، علیرغم وجود  تنوع در علایم بکار رفته در هر گروه، نرخ بازشناسی مناسب بوده و به دلیل استفاده از روش استخراج ویژگی sift، در برابر تغییر در اندازه و جهت مقاوم بوده و در برابر سایر تغییرات از قبیل تغییر در زاویه دید و روشنایی تا حدودی مقاوم است.

کلیدواژه‌ها


عنوان مقاله [English]

Traffic Signs Detection and Recognition by Using a Method Based on Attention Mechanism and Classical and Support Vector Machine Classifier

چکیده [English]

Creation and developing of intelligent systems in transportation field, is one of the major issues in recent years. Detection and recognition are two main phases for traffic sign identification. Researchers have proposed different methods for implementation of these stages. This paper has presented a method for localization, detection and recognition of military traffic signs using a method based on attention mechanism and saliency toolbox. Probability of traffic signs presence in the images that are taken from traffic scenes is determined and salient regions in form of saliency maps were extracted.  As traffic signs are distinctive because of their special shape and color, they would be detected as salient regions. In the next step, for traffic signs recognition and classification, traffic signs images were divided into several groups based on their types and SIFT feature extraction algorithm were applied for keypoints extraction. A procedure was proposed to create histograms for showing signs' feature vectors for both test and train images. Traffic signs were recognized and classified by comparing of test and train histograms. Classical classifier "K nearest neighbor" with different parameters such as: (Euclidean, x2, Manhattan) and Support Vector Machine (SVM) were used for classification. In proposed method, traffic signs detection is implemented without using an extra preprocessing methods and the result was satisfactory. In spite of the variety of traffic signs images used in each category, the recognition rate is appropriate and because of using SIFT, proposed method is scale and rotation invariant and was stable to view point and illumination changes.

کلیدواژه‌ها [English]

  • Traffic signs detection
  • attention mechanism
  • Support vector machine classifier