طبقه بندی و تشخیص علائم ترافیکی با استفاده از ترکیب توصیفگرهای الگوی باینری محلی و هیستوگرام لبه

یکی از مباحث مهم در صنعت خودروسازی، ساخت ماشین های هوشمند است و این صنعت به طراحی ماشین های بدون راننده و سیستم هایی با دستیار راننده هوشمند روی آورده است. هدف این مقاله ارائه یک سامانه تشخیص علائم راهنمایی و رانندگی مبتنی بر پردازش تصاویر با هدف به کارگیری در خودروهای هوشمند است. در این روش در ابتدا یکپیش پردازش بر روی تصاویر به منظور یکسان سازی اندازه تصاویر و همچنین تبدیل های فضای رنگی انجام شد و سپس با استفاده از اعمال چند توصیفگر مانند EHD و LBP ویژگی های مناسبی از تصویر استخراج شد. برای داشتن توصیفگر قوی تر ترکیب ویژگی ها نیز پیشنهاد و بررسی شد. در نهایت از الگوریتم های طبقه بندی برای آموزش و طبقه بندی ویژگی های بانک تصاویر استفاده کردیم. به منظور ارزیابی روش پیشنهادی، آزمایش کاملی برای طبقه بندی علائم ترافیکی بر مبنای مجموعه دادهای از علائم ترافیکی انجام شد. مجموعه داده GTSRB برای این کار در نظر گرفته شده است، بهترین نتیجه از ترکیب دو ویژگی EHD و LBP و الگوریتم طبقه بند SVM با مقدار دقت 97/44 به دست آمده است

Keywords:

طبقه بندی علائم ترافیکی , یادگیری ماشین , هیستوگرام لبه , الگوی باینری محلی