۳-۴-۱-۲-۱ قطعه بندي آستانه رنگي۴۱
۳-۴-۱-۲-۲ پيوستن پوياي پيکسل۴۲
۳-۴-۱-۲-۳ تبديل به HSI/HSV42
3-4-1-2-4 رشد دادن منطقه۴۲
۳-۴-۱-۲-۵ شاخص گذاري رنگ۴۳
۳-۴-۲ آشکارسازي بر اساس شکل۴۳
۳-۴-۲-۱ 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 آشکارسازي علامت با استفاده از شکل ورنگ۴۶
۳-۴-۴ آشکارسازي بر اساس يادگيري ماشين۴۷
۴-شناسايي علايم ترافيکي۴۹
۴-۱ مقدمه۴۹
۴-۲ شناسايي اشکال توسط ماشين۴۹
۴-۲-۱ مشکلاتي که در اين راه وجود دارند۵۰
۴-۲-۱-۱ چرخش،بازتاب(آينه)،ترجمه،تغيير مقياس۵۱
۴-۳ الگوريتمهاي شناخت علايم ترافيکي۵۲
۴-۳-۱شبکه هاي عصبي۵۳
۴-۳-۱-۱ شبکه هاي پس انتشار۵۴
۴-۳-۱-۲ پرسپترون چند لايه۵۴
۴-۳-۲ تطبيق الگو۵۵
۴-۳-۳ کلاس بندي با PSO56
4-3-4 کلاس بندي با SVM57
4-3-5 شناخت علايم ترافيکي توسط OCR and pictogram61
5-طراحي و پياده سازي سيستم وارزيابي آن۶۲
۵-۱ مقدمه۶۲
۵-۲آشکارسازي علامت بوسيله ،تجزيه وتحليل لکه۶۲
۵-۲-۱ تعريف لکه۶۲
۵-۲-۲شناسايي مناطق مورد علاقه:۶۵
۵-۲-۳فيلترهاي ميانه دوبعدي۶۶
۵-۲-۴ استخراج لبه هاي اشيا:۶۸
۵-۲-۵ حذف لکه هاي زايد۷۰
۵-۲-۵-۱تجزيه وتحليل هيستوگرام رنگها۷۲
۵-۲-۵-۲ تجزيه وتحليل ابعاد علامت:۷۴
۵-۲-۶بلوک دياگرام آشکارسازي علايم ترافيکي :۷۷
۵-۲-۷ نتايج بدست آمده براي بخش آشکارسازي علايم ترافيکي۷۷
۵-۳ شناسايي علايم ترافيکي:۷۹
۵-۳-۱شيوه اي بازگشتي براي تقسيم بندي شکل براساس بردار ويژه۷۹
۵-۳-۱-۱ محاسبه ماتريس کواريانس:۷۹
۵-۳-۱-۲ استخراج دو مقدار ويژه۸۰
۵-۳-۱-۳ ناحيه بندي شکل بر اساس بردارهاي ويژه۸۱
۵-۳-۱-۴ محاسبه مقادير ويژه وبردارهاي ويژه؛ زير ناحيه ها۸۲
۵-۳-۱-۵ محاسبهbounding-box:83
5-3-2 استخراج پارامترهاي مستقل از مقياس،انحراف،دوران۸۳
۵-۳-۲-۱پارامتر (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 آزمايش مستقل بودن پارامترها(دوران،انتقال،مقياس)۸۷
۵-۳-۴ تقسيم بندي علايم ترافيکي بر اساس شکل ظاهري ورنگ آنها۹۱
۵-۳-۵ شناسايي شکل کلي علايم ترافيکي،توسط شبکه هاي عصبي۹۶
۵-۳-۶ آموزش شبکه هاي عصبي۹۷
۵-۳-۶-۱ آموزش شبکه عصبي براي شناسايي شکل کلي علامت۹۸
۵-۳-۶-۲ آزمايش صحت کلاس بندي در شبکه عصبي۹۹
۵-۳-۷ شناسايي پيام علامت۱۰۲
۵-۳-۸ بلوک دياگرام سيستم شناسايي علايم ترافيکي بوسيله شبکه عصبي۱۰۴
۵-۳-۹ نتايج شناسايي علايم ترافيکي۱۰۵
۵-۴ تعيين محل نصب علامت و ارزيابي آن۱۰۶
۵-۴-۱ سيستم موقعيت ياب جهاني چگونه کار ميکند۱۰۷
۵-۴-۲ محاسبه محل نصب علامت۱۰۹
۵-۴-۳ ارزيابي علامت ترافيکي۱۱۱
۵-۴-۴ رسم نقاط بر روي نقشه۱۱۲
۵-۴-۴-۱ سيستم اطلاعات جغرافياي(GIS)112
5-4-4-2 تجزيه وتحليل World file114
5-4-5-2 رسم يک نقطه جغرافيايي۱۲۰
۵-۴-۵ نتيجه اجراي کلي الگوريتم وارزيابي نقاط بدست آمده۱۲۳
۶-نتايج وپيشنهادات۱۲۸
۷-منابع۱۲۹
۸-چکيده انگليسي۱۳۷
فهرست جداول
جدول ‏۳-۱:روشهاي استخراج رنگ قرمز در منابع مختلف ۴۱
جدول ‏۵-۱: نرخ آشکارسازي علايم ترافيکي۷۸
جدول ‏۵-۲: تعداد لکه هاي حذف شده۷۸
جدول ‏۵-۳:تصاوير مورد آزمايش۸۷
جدول ‏۵-۴:پارامترهاي استخراج شده از تصاوير جدول۵-۳ را نشان مي دهد.۸۸
جدول ‏۵-۵:بردار هدف گروههاي هشت گانه علايم ترافيکي۹۸
جدول ‏۵-۶:تعداد علايم آموزش داده به شبکه عصبي۹۸
جدول ‏۵-۷:تعداد علايمي که بعنوان،داده تست شبکه عصبي در نظر گرفته شده۹۹
جدول ‏۵-۸:بردار هدف براي کلاس ۴۱۰۰
جدول ‏۵-۹:confusion matrix براي داده هاي تمريني۱۰۰
جدول ‏۵-۱۰: confusion matrix براي داده هاي تستي۱۰۱
جدول ‏۵-۱۱:رنگ پيام علامت ترافيکي در گروه هاي مختلف۱۰۲
جدول ‏۵-۱۲: : جزييات شبکه هاي عصبي استفاده شده۱۰۳
جدول ‏۵-۱۳:نتيجه شناسايي علايم تمريني۱۰۵
جدول ‏۵-۱۴:نتيجه شناسايي علايم ترافيکي جديد۱۰۶
جدول ‏۵-۱۵:اطلاعات ذخيره شده توسط دستگاه GPS data loggger109
جدول ‏۵-۱۶:اطلاعات مربوط به شکل( ۵-۳۹ ) که توسط الگوريتم استخراج شده است۱۱۰
جدول ‏۵-۱۷:شناسايي مکان علامت ترافيکي با استفاده از مطابقت زماني۱۱۰
‏۵-۱۸ فاصله مجاز بين علايم و محل وقوع عارضه۱۲۵
جدول ‏۵-۱۹:ارزيابي علايم ومحاسبه فاصله آنها۱۲۶
فهرست اشکال
شکل ‏۱-۱:علايم اخطاري۲
شکل ‏۱-۲:علايم انتظامي۳
شکل ‏۱-۳:علايم ورود به منطقه۳
شکل ‏۱-۴:علايم اخباري۳
شکل ‏۱-۵:علايم راهنماي مسير۴
شکل ‏۱-۶:علايم مکمل۴
شکل ‏۱-۷:علايم محلي۴
شکل ‏۱-۸: سيستمي که مرسدس بنز طراحي کرده، علامت ورود ممنوع را شناسايي مي کند۸
شکل ‏۱-۹:نمونه هايي از دستيار هاي راننده۸
شکل ‏۳-۱: تاثير تابش نور در شرايط مختلف به علامت۳۲
شکل ‏۳-۲:نمونه اي از تابش بد نور۳۲
شکل ‏۳-۳: نمونه اي از حضور اشياي مزاحم۳۳
شکل ‏۳-۴: نمونه هايي از حضور اشياي همرنگ علامت۳۳
شکل ‏۳-۵: تفاوت رنگ علايم ترافيکي در کشورهاي مختلف۳۴
شکل ‏۳-۶: تفاوت pictogram ها در کشورهاي مختلف۳۴
شکل ‏۳-۷: تغيير شکل فيزيکي علامت(چرخش)۳۵
شکل ‏۳-۸: تغيير رنگهاي بکار رفته درعلامت۳۵
شکل ‏۳-۹: نمونه اي از حرکت بلوري در تصاوير۳۶
شکل ‏۳-۱۰: تفاوت بين دو فام نارنجي رنگ در فرمت RGB38
شکل ‏۳-۱۱: نمايش رنگها در فضاي رنگي HSL/HSV39
شکل ‏۳-۱۲:اسنخراج تصوير DT46
شکل ‏۳-۱۳: نمونه هاي از Haar-like هايي که در آموزش آشکارسازي بکار برده مي شوند۴۸
شکل ‏۴-۱:مشکلاتي که در شناسايي اشکال وجود دارد۵۱
شکل ‏۴-۲: يك پرسپترون با ورودي باياس۵۵
شکل۴-۳: دياگرام PSO57
شکل ‏۴-۴:روش بازنمايي بر اساس کيفي از کلمات شود۵۹
شکل ‏۴-۵: روند ساختcodebook60
شکل ‏۴-۶: فرايند آموزش۶۰
شکل ‏۵-۱:استخراج لکه ها۶۳
شکل ‏۵-۲:نمونه اي از اعمال آستانه وحذف نويز۶۶
شکل ‏۵-۳:از بين بردن نويز فلفل نمکي بوسيله فيلتر ميانه۶۷
شکل ‏۵-۴:تخمين مقدار هر پيکسل با استفاده از فيلتر ميانه[۳*۳]۶۷
شکل ‏۵-۵:نمونه اي از اعمال فيلتر ميانه۶۸
شکل ‏۵-۶:نمايي از سلسله مراتب اشيا۶۹
شکل ‏۵-۷: بلوک دياگرام تجزيه وتحليل لکه۶۹
شکل ‏۵-۸:نمونه اي از لکه هاي شناسايي شده۷۰
شکل ‏۵-۹: نمونه اي از لکه هاي اضافي۷۱
شکل ‏۵-۱۰:استخراج HueوSaturation از تصوير۷۲
شکل۵-۱۱: محاسبه ميانگين براي تجزيه وتحليل هيستوگرام.۷۳
شکل ‏۵-۱۲: علامت ترافيکي با طول وعرض يکسان۷۴
شکل ‏۵-۱۳: علامت ترافيکي با طول وعرض متفاوت۷۵
شکل ‏۵-۱۴:حذف لکه هاي زايد وشناسايي علايم ترافيکي۷۶
شکل ‏۵-۱۵:بلوک دياگرام آشکارسازي علايم ترافيکي۷۷
شکل ‏۵-۱۶:بلوک دياگرام استخراج بردار هاي ويژه ومقدارهاي ويژه از ماتريس کواريانس CL80
شکل ‏۵-۱۷:رسم بردارهاي ويژه۸۲
شکل ‏۵-۱۸:نمودار درختي براي ناحيه بندي يک شکل۸۲
شکل ‏۵-۱۹: bounding box هر ناحيه۸۳
شکل ‏۵-۲۰: نحوه محاسبه زاويه حاده بين دو بردار ويژه۸۵
شکل ‏۵-۲۱:نشان دهنده نمودار eigen ratio89
شکل ‏۵-۲۲:نشان دهنده نمودار compactness89
شکل ‏۵-۲۳:نشان دهنده نمودار normal angle90
شکل ۵-۲۴:نشان دهنده نمودارcenteral90
شکل ‏۵-۲۵:علايم گروه اول۹۱
شکل ‏۵-۲۶:علايم گروه دوم۹۲
شکل ‏۵-۲۷:علايم گروه سوم۹۲
شکل ‏۵-۲۸:علايم گروه چهارم۹۳
شکل ‏۵-۲۹:علايم گروه پنجم۹۴
شکل ‏۵-۳۰:علايم گروه ششم۹۵
شکل ‏۵-۳۱:علايم گروه هفتم۹۵
شکل ‏۵-۳۲:علايم گروه هشتم۹۶
شکل ‏۵-۳۳:نمونه اي از اعمال آستانه متناب با هر گروه۹۷
شکل ‏۵-۳۴: استخراج پيام متن به شيوه صحيح۱۰۲
شکل ‏۵-۳۵:نمايي از شبکه عصبي پياده سازي شده،براي شناخت شکل کلي علامت۱۰۳
شکل ‏۵-۳۶: بلوک دياگرام سيستم شناسايي علايم ترافيکي بوسيله شبکه عصبي۱۰۴
شکل ‏۵-۳۷: دستگاه هايي که اطلاعات را از ماهواره دريافت ميکنند۱۰۸
شکل ‏۵-۳۸:دستگاه GPS data logger108
شکل ‏۵-۳۹:نمونه اي از علامت شناسايي شده توسط سيستم۱۱۰
شکل ‏۵-۴۰:نقشه راههاي استان کرمانشاه که توسط ArcGISايجاد شده است۱۱۳
شکل ‏۵-۴۱:پيکسلهاي يک اندازه وتراز۱۱۵
شکل ‏۵-۴۲:پيکسلهاي يک اندازه ولي پيکسلها تراز نيستند۱۱۵
شکل ‏۵-۴۳:پيکسلهايي با طول وعرض متفاوت وتراز۱۱۶
شکل ‏۵-۴۴:پيکسلهايي با طول وعرض متفاوت،ولي پيکسلها تراز نسيتند۱۱۶
شکل ‏۵-۴۵:نمونه اي از نقشه که مورد تست قرار گرفته است۱۱۸
شکل ‏۵-۴۶: رسم يک نقطه جغرافيايي بر روي نقشه۱۲۲
شکل ‏۵-۴۷:علايمي که توسط الگوريتم شناسايي شده اند۱۲۴
شکل ‏۵-۴۸:ترسيم علايم شناسايي شده و محل مناسب آنها۱۲۷
نشانه هاي اختصاري
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 اين فصل به معرفي علايم ترافيکي وسيستمي که علايم ترافيکي را شناسايي کند، مي پردازيم وسپس کارهايي که براي شناسايي صحيح علامت لازم است ،مورد بررسي قرار خواهد گرفت؛ درنهايت هم ساختار اين پايان نامه را توضيح ميدهيم.
۱-۱-دلايل احساس نياز به سيستم شناسايي علايم ترافيکي
تمايل انسانها به آسايش هرچه بيشتر و حمل و نقل آسان، سبب ايجاد وسايل نقليه زميني گرديده است. با رشد جمعيت، هر روزه به تعداد وسايل نقليه‌اي كه در خيابان‌ها وجاده‌ها تردد مي‌كنند افزوده مي‌شود. با توجه به اين تعداد بي‌شمار وسايل نقليه، نياز به كنترل آنها به منظور جلوگيري از تصادفات تا حد ممكن و در نتيجه كاهش تلفات جاني و مالي فراوان كاملاً احساس مي‌شود. بخش عمده‌اي از وظيفه كنترل و هدايت وسايل نقليه در خيابان‌ها و جاده‌ها توسط علائم راهنمايي و رانندگي صورت ميگيرد. بنابراين مشاهده علائم و عمل كردن به پيام آن ها بوسيله رانندگان ضروري و مهم مي‌باشد. با توجه به اهميت اين مسأله اگر بتوان سيستم خودكاري براي تشخيص علائم واعلام پيام آنها به رانندگان طراحي نمود، كمك زيادي به آرامش رانندگان خواهد کرد و عبور ومرور روان خواهد شد و بدين ترتيب كليه رانندگان بويژه رانندگان مبتدي مي‌توانندتمركز بيشتري بر روي كنترل وسيله نقليه داشته باشند.
۱-۱-۲ علايم ترافيکي
علايم راهنمايي و رانندگي مانند انواع چراغ ها، تابلوها، خط کشي ها، نوشته ها، ترسيم ها ونيز علايم تعيين سمت عبور که بايد روي راه ها کشيده شود، براساس قانون الحاق ايران به کنوانسيون عبور ومرور در جاده و کنوانسيون مربوط به علايم راهها-مصوب ۱۳۵۴ تهيه شده اند. تشخيص، انتخاب، تهيه، جانمايي، نصب ، ترسيم و نگهداري علايم عمودي و افقي راهنمايي و رانندگي درشهرها بر اساس دستورالعملي خواهد بود که به پيشنهاد شوراي عالي هماهنگي ترافيک شهرهاي کشور به تصويب وزير کشور مي رسد و در جاده ها به عهده وزارت راه وترابري مي باشد. در مواقع اضطراري راهنمايي و رانندگي و پليس راه مي توانند خود اقدام به انتخاب نوع علايم و محل استفاده و در صورت لزوم تهيه و نصب آنها به طور موقت نموده و مراتب را بر حسب مورد ، به شهرداري و يا وزارت راه و ترابري اعلام نمايند. مفاهيم رنگ و شکل علايم و تابلوها و چگونگي رفتار رانندگان پس از ديدن آنها ، که درکتاب هاي آموزشي بايد ارائه شود، از سوي کار گروهي متشکل از نمايندگان وزارت کشور، وزارت راه و ترابري و راهنمايي و رانندگي تهيه و به همراه اين آيين ن امه براي اطلاع عمومي در اختيار مراجع صلاحيت دار و با همکاري شوراهاي اسلامي شهرها در اختيار عموم مردم قرار مي گيرد]۱[. علايم ترافيکي در ايران به شش دسته کلي تقسم بندي ميشوند:
۱-۱-۲-۱:علايم اخطاري(هشدار دهنده):از اين علايم براي آگاه ساختن راننده نسبت به خطرات احتمالي موجود در مسير استفاده ميشود.اين علايم معمولا با مثلث قرمز رنگ نمايش داده ميشود.
شکل ‏۱-۱:علايم اخطاري]۱[
۱-۱-۲-۲-تابلوهاي انتظامي(مقرراتي):با استفاده از اين نوع علايم،دستورالعملي را به راننده متذکر ميشوند وياممنوعيت يا محدوديتي را گوشزد ميکنند.
شکل ‏۱-۲:علايم انتظامي]۱[
۱-۱-۲-۳-تابلوهاي اخباري(اطلاعاتي):اين علايم معمولا اطلاعات مشخصي ومعيني را به رانندگان درباره منطقه مي دهند.
شکل ‏۱-۳:علايم ورود به منطقه]۱[
شکل ‏۱-۴:علايم اخباري]۱[
۱-۱-۲-۴-علايم راهنماي مسير:اين علايم معمولا جهت حرکت وفاصله تا مقصد را مشخص ميکنند.
شکل ‏۱-۵:علايم راهنماي مسير]۱[
۱-۱-۲-۵-علايم مکمل:جهت اختصاص علايم رانندگي به گروه خاصي از وسايل نقليه ويا تکميل معني علايم رانندگي ديگر کاربرد دارد.
شکل ‏۱-۶:علايم مکمل]۱[
۱-۱-۲-۶-تابلوهاي محلي:با توجه به خصوصيات محل نصب علايم، طراحي ميشوند.
شکل ‏۱-۷:علايم محلي]۱[
۱-۲ کاربرد آشکارسازي وشناسايي علايم ترافيکي۱

آشکارسازي وشناسايي علايم ترافيکي در سالهاي اخير بيشتر مورد استقبال محققان قرار گرفته است وتحقيقات زيادي در اين زمينه صورت گرفته است،اين علاقه ناشي از محدوده وسيع برنامه هاي کاربردي در اين حوزه است، معمولا اين برنامه ها داراي قابليتهاي زير هستند:
نگهداري بزرگراهها:امروزه براي اينکه وضعيت ظاهري علايم ترافيکي را بررسي کنند وهم چنين بررسي مکان نصب اين علايم،بايد يک اپراتور انساني بهطور مستمر به نوارويديويي که از بزرگراهها گرفته شده است، نگاه کند.اين کار بسيار کسل کننده و زجرآور است،زيرا علايم ترافيکي در زمانهاي مختلفي پديدار ميشوندواپراتور توجه زيادي براي اين کار بايد به خرج بدهد.”Esprit European project AUTOCAT”درحال حاضر پيشقدم شده تامحل علايم ترافيکي را بهصورت اتوماتيک جمع آوري کند.
فهرست علايم موجود:بهطوراساسي برنامه هاي کاربردي اي که براي اين کار طراحي شده اند هم درشهر وهم در بزرگراه شبيه هم هستند و وظايف يکساني دارند.
سيستم هاي پشتيبان راننده:۲تشخيص علايم رانندگي وکلاس بندي آنها موضوعي است که در سيستم هاي پشتيباني از رانندگي کمتر مورد مطالعه قرار گرفته است.خودروهاي هوشمند در آينده بايد برخي از تصميمات،مانند ميزان سرعت و انتخاب مسير را با توجه به علايم رانندگي اتخاذ کنند.اگرچه در آينده ميتوان اين سيستم را بخشي از يک وسيله نقليه کاملا خودکار دانست،اما در حال حاضرميتوان از اين سيستم براي محدود کردن اتوماتيک سرعت وسيله نقليه ويا دادن هشدارهاي لازم به راننده استفاده کرد. اگر سرعت بيش از حد مجاز باشد و يا در زماني که راننده،در حال انجام حرکت غير قانوني است، به او علامت يا هشداري دهد]۳[.
در قرن بيست ويکم، اتومبيل بخش لاينفکي از زندگي را اشغال کرده است، پس بايد راننده ها از قوانين ومقرراتي که توسط علايم ترافيکي گوشزد ميشود تبعيت کنند. با توجه به پيشرفت تکنولوژي، سيستمهاي دستيار راننده وسيستمهاي پشتيبان راننده براي افزايش راحتي واطمينان ايجاد شدند]۴[.
۱-۲-۱ سيستم هاي پشتيبان راننده
اتومبيلهاي هاي مدرن، در نوع حسگرها، کامپيوتر وتکنولوژي ارتباطي تغييرات بزرگي نسبت به گذشته داشته اند؛ بهعنوان مثال ميتوان سيستم هاي کروزکنترل تطبيقي (ACC3) ، (LDWA4)، (BLIS5) را برشمرد.اين سيستم هاي پشتيبان راننده بهطور خودکار بخشي از کار رانندگي را بهعهده ميگيرد، درنتيجه رانندگي راحتتر وامن تري را براي راننده به ارمغان ميآورد ]۵[. خطاي انساني عامل ۹۰% تصادفات رانندگي است، در بسياري از اين حوادث، راننده تلاشي براي اجتناب از اين برخورد انجام نميدهد. اين نشان از سهل انگاري و غفلت راننده درباره حادثه است]۶،۷[.
فلسفه وجود سيستم هاي پشتيبان راننده؛ کاهش تعداد تصادفاتي است که با خطاي انساني انجام ميگيرد.پس با کمک اين سيستم ها ميتوان از جنبه هاي زيان بار حوادث(مرگ ومير، صدمات مالي، ايجاد ترافيک) جلوگيري کرد وآنها را کاهش داد. اين سيستم ها با افزايش راحتي رانندگي، روان کردن جريان ترافيک، باعث کاهش توليد گازهاي گلخانه اي و هم چنين کاهش هزينه ها ميگردد]۸[.
۱-۲-۲ سيستم هاي دستيار راننده۶

سيستم هاي دستيار راننده، کمک شاياني را به رانندگان ارائه ميدهند. بسياري از اين سيستمها به منظور افزايش امنيت وراحتي در طي دهه گذشته در وسايل نقليه بهکار گرفته شده اند، بهعنوان مثال ميتوان به سيستمهاي کنترل ثبات خودرو(VSC7)،سيستمهاي هدايت برقي کمکي (EPAS8)،کنترل ضد رول آور(ARC9) اشاره کرد. برخي از اين دستيارهاي راننده وظايف خاصي را براي بهبود عملکرد، در رانندگي انجام ميدهند، برخي ديگر نيز براي همراهي وهمکاري با انسان طراحي شده اند. مخالفان طرحهاي کاملا اتوماتيک سيستمهاي دستيار راننده، به اين نکته اشاره ميکنند که اين سيستمها باعث سلب اقتدار و مسئوليت انسان ميشوند.
از آنجا که سيستمهاي دستيار راننده معمولا با يک راننده انسان همکاري ميکنند، پس در نتيجه عملکرد آنها به واکنش خوب و سنجيده عامل انساني هم بستگي دارد. بنابراين بايد عملکرد راننده انسان را هم در ارزيابي اين حلقه موثر دانست. تاهمين اواخر براي آزمايش نمونه هاي اوليه اين سيستمها از شبيه سازهاي رانندگي استفاده ميکردند، اين فرايند هزينه و زمان زيادي را به سيستم تحميل ميکرد. امروزه از روشي مبتني بر شبيه سازي کامپيوتري بههمراه رانندگان انساني بهعنوان جايگزين روش قبلي استفاده ميشود، چون که دقيقا رفتارهايي که انسان در شرايط مختلف بروز مي دهد را نميتوان تعيين کرد]۹[.
شکل ‏۱-۸: سيستمي که مرسدس بنز طراحي کرده، علامت ورود ممنوع را شناسايي مي کند]۱۰[
شکل ‏۱-۹: نمونه هايي از دستيار هاي راننده؛ (a)دستيار راننده طراحي شده شرکت VALEO ،براي پارک کردن وديد دنده عقب؛(b) دستيار راننده طراحي شده شرکت مرسدس بنز،براي پارک کردن وديد دنده عقب
۱-۳ اهداف پايان نامه

باتوجه اهداف در نظر گرفته شده براي پايان نامه، سيستمي که طراحي ميشود بايد کارهاي زير را بهدرستي انجام دهد:
آشکارسازي علايم ترافيکي۱۰
کلاس بندي علايم ترافيکي۱۱ وشناخت علايم ترافيکي۱۲
بهدست آوردن موقعيت جغرافيايي محل نصب علايم ترافيکي وارزيابي محل نصب آن
۱-۳- ۱ آشکارسازي علامت ترافيکي
در مرحله آشکارسازي علامت روي تصوير پيش پردازش انجام مي گيرد و بخش بندي۱۳ تصوير با توجه به خصوصيات رنگ۱۴واشکال۱۵، انجام ميگيرد. هر کدام از اين بخشها حاوي مناطقي است که احتمال وجود علامت ترافيکي در آن زياد است.رنگها نقش مهمي را در سيستمهاي آشکارسازي علامت ترافيکي را ايفا مي کنند، با اين حال شناسايي اشکال نيز مورد استفاده گروههاي تحقيقاتي فراواني قرارگرفته است]۱۱[. پس مي توان گفت که عمده روشهايي که در اين مرحله مورد استفاده قرار ميگيرد به شرح زير است:
آشکارسازي بر اساس رنگ۱۶
آشکارسازي بر اساس شکل۱۷
آشکارسازي بر اساس شکل و رنگ
آشکارسازي بر اساس يادگيري ماشين
۱-۳-۱-۱ آشکارسازي بر اساس رنگ
با توجه به محيطها وصحنه هاي پيچيده اي که در اطراف جاده ها وجود دارد،ممکن است که آشکارسازي و شناسايي علايم ترافيکي با مشکل مواجه شود.رنگ علامت ترافيکي در گذر زمان وقرار گرفتن طولاني در معرض نور خورشيد و واکنش با هوا، محو ميشود. قابليت ديده شدن علامت ترافيکي در شرايط مختلف جوي مانند باران،برف،طوفان وهواي مه آلود تغيير ميکند.
اطلاعاتي که از رنگها بهدست مي آيد به شرايط نوري مانند وجود سايه،ابرهاونور خورشيد حساس است.حضور اشيا ديگري که همرنگ علايم ترافيکي هستند مانند ساختمان ها ويا وسايل نقليه که ممکن است باعث سر درگمي و آسيب به پروژه ميشوند را نيز بايد بررسي کرد.امکان دارد که تصويربرداري در يک اتومبيل هنگام حرکت انجام گيرد پس بايد تاري ولرزش تصوير را هم در نظر گرفت]۳[.
۱-۳-۱-۲ آشکارسازي بر اساس شکل
رنگ ها نقش مهمي را در سيستمهاي آشکارسازي علامت ترافيکي را ايفا ميکنند،با اين حال شناسايي اشکال نيز مورد استفاده گروههاي تحقيقاتي فراواني قرار گرفته است]۱۱[.
روشهاي مختلفي براي آشکارسازي علايم ترافيکي از روي شکل آنها وجود دارد،يکي از رايج ترين آنها روشHT18 است. اين روش با رويکرد شناسايي گوشه ها با استدلال ويا تطبيق قالب ساده۱۹ عملي ميشود.تعميم HTبه يک روش براي يافتن شکل دلخواه در تصوير ميتواند با استفاده از تصوير لبه۲۰، انجام گيرد.اين تکنيک از اولين تکنيک هاي بينايي ماشين ميباشد.اين تکنيک با گذشت زمان گسترش يافت و بهبود داده شد. لوي وبارنز۲۱ طوري از آن استفاده کردند که بتواند علايم ترافيکي را تشخيص دهد.روش آنها در چندين سيستم آشکارسازي علايم ترافيکي مورد استفاده قرار گرفت.لوي وبانرز براي شناسايي علايم ترافيکي،از آشکار ساز چند ضلعي منظمي استفاده کردند]۱۲[.
گاوريلا۲۲ از تطبيق الگوي مبتني بر تبديل فاصله(DT23)براي آشکارسازي شکل استفاده کرد.ابتدا لبه هاي تصوير اصلي استخراج ميشوند،سپس تصويرDT ايجاد ميشود.تصوير DT،تصويري است که هر پيکسل فاصله خود تا نزديکترين لبه را نمايش ميدهد. اين روش براي پيدا کردن شکل مورد علاقه کاربردرفراواني دارد،بدينصورت که تطابق الگو بين شکل(بعنوان مثال يک مثلث منتظم) و تصوير DTانجام مي گيرد]۱۳[.
۱-۳-۱-۳ آشکارسازي بر اساس شکل ورنگ
در اين رويکرد،هم از اطلاعات رنگ وهم از اطلاعات شکل،براي آشکارسازي علايم ترافيکي استفاده مي شود.هر کدام از اين اطلاعات،مزايا ومعايب خود را دارند.با اين حال مي توان، رويکردي تطبيقي ارايه کرد که، يکي از اينها را بعنوان روش اصلي در نظر گرفته و روش ديگر را تحت شرايط خاصي بکار برد؛حتي اگر از اين رويکرد تطبيقي استفاده نکنيم، بازهم اين روش، کارايي خود را دارد]۱۴[.
۱-۳-۱-۴ آشکارسازي بر اساس يادگيري ماشين
در اين رويکرد،مشکلاتي از قبيل ،رنگ مورد نظر،شکل علامت ترافيکي با استفاده از کدگذاري دستي حل شده است.اين دانش با استفاده از يادگيري ماشين۲۴، عمل اکتشاف را انجام ميدهد.پژوهشي که توسط ويولا وجونز۲۵ انجام گرفت،نقصه عطفي در بينايي ماشين است.آنها الگوريتمي ارايه دادند که قادر به آشکارسازي اشيا بصورت بلادرنگ بود،اين تشخيص با دقت وهمينطور قابليت اعتماد بالايي انجام مي گرفت.آشکار ساز با استفاده از مثالهاي مثبت ومنفي ،تمرين داده مي شد.از سوي ديگر،ساير محققين ،اين الگوريتم را براي شناسايي اشيا در کلاس هاي مختلف ديگر به کار بردند و به موفقيتهايي دست يافتند.در اين بين کلاس مربوط به علايم ترافيکي هم با موفقيت تشخيص داده شد]۱۱[.
۱-۳-۲ کلاس بندي وشناخت علايم ترافيکي
اکثريت قريب به اتفاق روشهايي که براي شناسايي علايم ترافيکي مورد استفاده قرار ميگيرند حداقل شامل دو مرحله ميباشند.که يکي از آنها بمنظور آشکارسازي علايم وديگري کلاس بندي علايم ميباشد.در کل وظيفه کلاس بندي نگاشت علايم تشخيص داده شده۲۶ در تصوير به رده معنايي۲۷ آن علامت ميباشد]۱۵[.
الگوريتمي که براي آشکارسازي علايم ترافيکي ارايه شده است، ميتواند براي آشکارسازي وشناسايي ساير اشيا نيز مورد استفاده قرار بگيرد و توانايي مقابله با مشکلاتي که براي آشکارسازي اشيا در محيط هاي باز هست؛ را دارد. باين ترتيب سيستم در برابر تغييرات روشنايي وانسداد وتغيير شکل جسم مقاوم بوده وميتواند در سيستم هاي دستيار راننده۲۸ مورد استفاده قرار بگيرد. اين سيستم علاوه بر اينکه براي تعيين وضعيت علايم رانندگي مفيد است ميتواند براي کاربردهاي ديگري همچون تعميرونگهداري علايم موجود در بزرگراهها وهمچنين علايم ترافيکي شهري،نيز مفيد واقع شود]۳[.
علايم ترافيکي با روشهاي زير کلاس بندي وشناسايي مي شود:
شبکه هاي عصبي مصنوعي(ANN29)
تطبيق الگو۳۰
شناخت علايم ترافيکي توسط طبقه بندي کننده هاي ديگر
OCR31 and Pictograms Recognition
1-3-2-1 کلاس بندي با شبکه هاي عصبي مصنوعي
استفاده از شبکه هاي عصبي(۳۲NN) براي کلاس بندي علايم ترافيکي،بسيار رايج است.چونکه شبکه هاي عصبي، باتوجه به مشکلات موجود، قابليت تعميم الگوهاي آموزشي وگرفتن پاسخ صحيح از آنها را دارند. شبکههاي عصبي وقتي که نشانه جديدي را ياد گرفتند احتياجي به بازآموزي ندارندو با افزايش حجم اطلاعات چيزهايي را که ياد گرفتهاند را فراموش نميکنند.براي اينکار فرايندي دو مرحله اي بايد انجام شود،که درابتدا اطلاعات موجود درباره علايم را استخراج کند و در مرحله بعد با شبکه هاي عصبي،علايم ترافيکي را شناسايي کند]۳[.
انواع بسياري از شبکه هاي عصبي وجود دارند(بعنوان مثال شبکه هاي هضم غذا۳۳، شبکه هاي براساس شعاع۳۴، شبکه هاي بازگشتي۳۵ که ممکن است برنامه هاي کاربردي مثل شناسايي الگو ,تابع هاي درون يابي۳۶ براي آنها وجود داشته باشد. شبکه هاي پرسپترون۳۷ چند لايه، با يک لايه پنهان ويک تابع فعالساز غيرخطي در کلاس جهاني نشان داده ميشود، بدين منظور از پرسپترون چندلايه(MLP)38با برگشت انتشار(BP)39 براي يادگيري و کلاس بندي علائم استفاده شده است]۱۶[.
۱-۳-۲-۲ کلاس بندي با استفاده از تطبيق الگو
شناسايي علايم ترافيکي بخشي از موضوع گسترده تري تحت نام ” شناسايي الگو”۴۰ است. مشکل اصلي در شناسايي الگو، دشواري شناسايي مشخصه الگو(templates) است. بعنوان مثال برنامه اي را در نظر بگيريد که براي آشکارسازي صورت افراد مورد استفاده قرار مي گيرد، بايد صورت شخص را از بين صورتهاي گوناگون موجود در تصوير شناساي کند ]۱۷[. بطور کلي تطبيق الگو شامل دو مرحله است:مرحله اول اندازه گيري شباهت ،مرحله دوم تطبيق الگو بعنوان راهبرد جستجو ]۱۸[.
۱-۳-۲-۳ شناخت علامت توسط ديگر طبقه بندي کننده ها
درست است که شناسايي علايم ترافيکي بيشتر توسط شبکه هاي عصبي وتکنيک هاي تطابق الگو، انجام ميگيرد؛ اما روشهاي ديگري هم براي شناسايي وطبقه بندي علايم ترافيکي استفاده مي شوند،برخي از اين روشها عبارتند از:
معيارهاي فاصله اي۴۱
طبقه بندي کننده هاي بر مبناي همسايگي۴۲
طبقه بندي کننده هاي بر مبناي هسته۴۳
ماشين بردار پرداز۴۴
۱-۳-۲-۴ OCR and Pictograms Recognition
OCR يکي از چالش بر انگيز ترين تحقيقاتي است که در زمينه پردازش تصوير انجام گرفته است.OCR به فرايندي طلاق مي گردد که متن و نوشته ها را از روي تصوير شناسايي مي کند]۱۹[. مي توان اعداد وحروفي که در علايم ترافيکي وجود دارند، را توسط OCR شناسايي کرد]۲۰[.
۱-۴ بهدست آوردن موقعيت جغرافيايي محل نصب علايم ترافيکي، ارزيابي محل نصب آن
بر اي حل اين مشکل بايد با استفاده از سيستم موقعيت ياب جهاني(GPS45)استفاده کرد.بدينصورت که موقعيت مکاني که يک علامت در آن مورد شناسايي قرار گرفت توسط دستگاه GPS data logger ذخيره ميگردد و سپس اين موقعيت مکاني بر روي نقشه GIS46 ترسيم ميگردد و درنهايت با توجه به نوع علامت و محل نصب آن مورد ارزيابي قرار ميگيرد.
۱-۵ ساختار اين پايان نامه
در فصل دوم اين پايان نامه به بررسي پيشينه تحقيقاتي در مورد آشکارسازي و شناخت علايم ترافيکي پرداخته خواهد شد ، سپس در فصل سوم روشهاي آشکارسازي علائم ترافيکي به طور دقيقتري توضيح داده ميشود و درفصل چهارم روشهاي شناخت علايم ترافيکي را معرفي خواهيم کرد. فصل پنجم حاوي توضيحاتي درباره نحوه پياده سازي پروژه ونتايج بهدست آمده است ودر فصل ششم نيز به جمع بندي وارايه پيشنهادات مي پردازيم.
۲-پيشينه تحقيق
۲-۱ مقدمه
در اين فصل به بررسي ،مطالعات پيشين وتحقيقات انجام شده، در زمينه آشکارسازي وشناخت علايم ترافيکي ميپردازيم. نظريه ايجاد سيستمي که علايم ترافيکي را شناسايي کند، براي اولين بار در سال ۱۹۸۴توسط مقاله اي که توسط فردي ژاپني نوشته شده بود، به دنياي علم معرفي شد، بعد از آن بود که محققان زيادي قدم در اين راه گذاشتند.روشهاي زيادي براي اينکار پيشنهاد شد،که هرکدام از آنها نقاط ضعف وقوت خاص خود را دارند.در ابتدا بنظر مي رسيد که به سادگي مي توان اين سيستم را پياده سازي کرد، اما با مرور زمان روشهاي متنوعي ارايه شد که هر کدام از آنها، خصوصيات الگوريتمهاي قبلي را بهبود مي بخشيدند وطبقه بندي بهتري ارايه مي دادند؛ بعد از مدتي تعداد الگوريتم ها بسيار زياد شد وتاکنون روش جامعي ارايه نشده است.
۲-۲ پيشينه تحقيقاتي سيستمهاي آشکارسازي علايم ترافيکي
همانطور که قبلا گفتيم شناسايي علايم ترافيکي در دومرحله آشکارسازي علامت وشناخت علامت انجام مي شود.محققاني که در مرحله آشکارسازي علايم ترافيکي فعاليت ميکنند به چهار گروه تقسيم ميشوند:
گروه اول از اطلاعات رنگ براي آشکارسازي علامت استفاده ميکنند.
گروه دوم بر اين باور است که مي تواند از روي شکل،علامت ترافيکي را تشخيص دهد.
گروه سوم هم از اطلاعات رنگ وهم شکل،براي تشخيص علامت استفاده ميکند.
گروه چهارم از آشکارسازي بر اساس يادگيري ماشين،بهره ميگيرد]۱۴[.
۲-۲-۱ آشکارسازي بر اساس رنگ
محققان زير در اين حوزه فعاليت کرده اند:
Ghica et al:آنها ،براي قطعه بندي بندي پيکسلهاي دروني يک شکل، از پس زمينه؛ در يک تصوير ديجيتال از آستانه استفاده کرد. آنها محاسبات خود را برپايه فاصله رنگها در فضاي رنگي RGB بنا نهاد]۲۱[.
Estevez and Kehtarnavas:الگوريتمي پيشنهاد دادند، که بعضي از علايم ترافيکي را مانند ايست،توقف ممنوع وورود ممنوع را شناسايي ميکرد.الگوريتم آنها بر پايه شش ماژول عمل ميکرد:
ماژول ۱:بخش بندي رنگ ها
ماژول۲:لبه سازي محلي
ماژول۳تفاضلRGB
ماژول۴:تشخيص لبه
ماژول۵:استخراج هيستوگرام
ماژول۶:طبقه بندي]۲۲[
Yuille et al:آنها، يک سيستم علامت ياب براي کمک به مردم ساختند. فرض آنها بر اين بود که، علايم ترافيکي از دورنگ تشکيل شده است(رنگ حاشيه و رنگ متن پيام) و اينکه علايم يا شش ضلعي هستند؛يا مستطيلي هستند. براي تشخيص علايم، مجموعه اي از بذرها۴۷ را در نظر گرفتند، اين بذرها توسط الگوريتم در مناطق مورد علاقه، رشد داده مي شدند]۲۳[.
Yabuki et al:او براي تشخيص علايم ترافيکي،روشي پيشنهاد داد که بر اساس فضاي رنگيXYZکار ميکرد.او يک نقشه مشابهت۴۸ رنگ، ساخت که با استفاده از آن علايم ترافيکي را تشخيص مي داد]۲۴[.
Fang et al:او مقدار هر پيکسل را در فضاي رنگي HSI محاسبه کرد و با رنگهاي استخراج شده از علايم ترافيکي مقايسه کرد و درجه تشابه بين اين دو را محاسبه کرد. بيشترين درجه تشابه بدست آمده را براي تجزيه وتحليل رنگ علامت بکار گرفت]۲۵[.
Shadeed et al:وي از دو فضاي رنگيHSVوYUV براي تشخيص علايم استفاده کرد. سيستم پيشنهادي او، تصاوير ورودي را ازRGB به YUV تبديل ميکند.سپس هيستوگرام کانالY را يکسان سازي ميکند وپس از آن يک RGB جديد مي سازد. در مرحله بعد، RGB بدست آمده را به HSV تبديل ميکند. سپس آستانه مناسب بررويHوYU اعمال ميشود.در آخر نتايج با هم ترکيب مي شود]۲۶[.
Bénallal and Meunier: او يک سيستم بر پايه بينايي ماشين ساخت وآنرا در يک اتومبيل نصب کرد،که اين سيستم قادر به تشخيص وشناخت علايم ترافيکي بود.براي اينکار از تقسيم بندي رنگ در فضاي RGB استفاده کرد و رنگ هاي آبي،سبز و قرمز را با اعمال آستانه مناسب تشخيص مي داد]۲۷[.
۲-۲-۲ آشکارسازي بر اساس شکل
در مواقعي که مولفه هاي رنگي خوبي ،در دسترس نباشد و يا اينکه رنگ دچار مشکل شده باشد؛ ميتوان از اين تکنيک ها استفاده کرد. تکنيکهاي مبتني بر شکل در مواقعي که رنگ پوسته پوسته شده است يا دچار محو شدگي شده است ويا چرخشي در آن اتفاق افتاده،بخوبي از عهده تشخيص علامت بر ميايد]۱۴[ . محققان زير،در اين حوزه فعاليت کرده اند:
Piccioli et al:موقعيت قرار گيري علامت ترافيکي، با توجه به اطلاعات پيشين درباره محل قرار گيري علامت؛ حدس زده مي شود. او از آَشکار سازCanny براي جستجو در ناحيه استفاده کرد وروي خوشه هاي آن تجزيه وتحليل انجام داد. وي براي تطبيق نقاط کانديد و علايم از تطبق الگو۴۹ استفاده کرد]۲۸[.
Priese et al:وي سيستمي را پيشنهاد داد که عمل شناخت علايم ترافيکي را،در زمان واقعي انجلم مي داد.علايم توسط ماژول شناسايي کننده۵۰،تفسير مي شوند.اين سيستم ماژولهاي ديگري مانند:ماژول موقعيت وجهت فلش،ماژول براي اعداد،ماژول براي علايم بازدارنده،ماژول براي علايم هشدار دهنده مي باشد]۲۹[.
Aoyagi and Asakura:وي با استفاده از فيلتر لاپلاسين، يک شکل را از پس زمينه جدا کرد. پس از آن با استفاده از فيلترهاي صاف کننده۵۱، نويز را کاهش داد. در مرحله بعد تصوير را با اعمال آستانه مناسب بصورت باينري درآورد و سپس با استفاده از الگوريتم ژنتيک علايم موجود در تصوير را تشخيص داد]۳۰،۳۱[.
Adorni et al:او با استفاده از شبکه هاي عصبي سلولي۵۲، علايم ترافيکي را شناسايي کرد. براي استخراج پيکسلهاي مرزي از اپراتور گراديان۵۳ استفاده کرد.پس از آن ، با اعمال آستانه(کمترين مقدار)، پيکسلهاي با گراديان کم را حذف کرد. در مرحله بعد با استفاده از شبکه هاي عصبي سلولي که داراي اندازه۵*۵ بود وتکرار آن؛ يک پيش انتخاب انجام ميگرفت]۳۲[.
Gavrila: از تطبيق الگوي مبتني بر تبديل فاصله(DT54) براي آشکارسازي شکل استفاده کرد.ابتدا لبه هاي تصوير اصلي استخراج مي شوند،سپس تصويرDT ساخته مي شود.تصوير DT ،تصويري است که هر پيکسل فاصله خود تا نزديکترين لبه را نمايش ميدهد.ايده اي براي پيدا کردن شکل مورد علاقه در نظر گرفته،اين است که تطابق الگو(بعنوان مثال يک مثلث منتظم)در برابر تصوير DTانجام بگيرد]۳۳[.
Schiekel:در مواقعي که نور کافي براي شناخت علايم ترافيکي وجود ندارد، نمي توان به اطلاعات رنگي براي شناسايي علايم ترافيکي اتکا کرد. او با استفاده از فيلتر سوبل مقدار گراديان وجهت را محاسبه کرد. لبه هاي پيکسلها با اعمال آستانه بدست مي آيد. قطعه بندي پيکسلها در دوسطح ،انجام مي گيرد. در سطح پايين آن، ويژگيهاي پيکسلها(جهت شيب)محاسبه مي شوند ودرسطح بالاي آن مثلث ها وبيضي ها شناخته مي شوند]۳۴[.
Huang and Hsu:وي با استفاده از روشMP55 علايم ترافيکي را تشخيص داد. در فاز تشخيص مناطق از اطلاعات پيشين استفاده مي کرد. او با استفاده از تطبيق الگو ،اشکال مثلثي ودايره هاي را شناسايي کرد]۳۵،۳۶،۳۷[.

در این سایت فقط تکه هایی از این مطلب 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

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

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

اینجا کلیک کنید

Pacl?k and Novovi?ov?:او يک ماژول ايجاد کرد که بر پايه روش HSFM56 به شناسايي علايم ميپرداخت. اين ماژول، در مرحله تشخيص؛ ليستي از مناطق مورد علاقه را ايجاد ميکند، که توسط واحد طبقه بندي بايد تجزيه وتحليل شود]۳۸[.
Perez and Javidi: ميزان نور تابيده شده به علايم ترافيکي ثابت نيست. آنها با استفاده از فيلتر کامپوزيت و فيلتر بانک؛ ميزان نور را در شرايط مختلف بررسي کردند]۳۹[.
Sandoval et al:روش پيشنهادي آنها بر تشخيص لبه و زاويه، استوار است. اين روش با استفاده از يک ماسک پيچيدگي۵۷، موقعيت هايي توليد ميکند که در آن هم از زاويه وهم ازموقعيت پيکسل استفاده شده است. روش پيشنهادي آنها بصورت فيلتري عمل ميکند که لبه هاي مدور را شناسايي کند]۴۰[.
Puntavungkour et al:سيستمي ايجاد کرد که بصورت خودکار، علايم ترافيکي را شناسايي مي کرد. مناطق مورد علاقه، توسط تصحيح هندسي۵۸ شناسايي مي شوند. براي شناسايي علايم از تصاوير با سطح رنگي خاکستري۵۹ استفاده شده است]۴۱[.
Hirose et al:روش پيشنهادي آنها برپايه تصاوير متحرک، کار مي کرد. آنها لبه ها را با استفاده از يک فيلتر لاپلاسين معمولي استخراج کردند و بدنبال آن ، از فيلتر ديگري بنامSVF60 ؛ براي استخراج بعضي رنگهاي خاص استفاده کردند. عمل جستجوي علايم دايره اي ، با استفاده از الگوريتم ژنتيک انجام گرفت]۴۲[.
Loy and Barnes:آنهااز اندازه گيري”تقارن شعاعي”استفاده ميکنندو آنرا بعنوان روش پيش تقسيم بندي در چارچوب،بکار ميبرند.روش تقارن شعاعي متناظر وساده شده(مثلا در سرعت)روش تبديل Hough transform(HT) است و بويژه براي تشخيص وجود علايم دايره اي بکار ميرود]۱۲[.
۲-۲-۳آشکارسازي بر اساس شکل ورنگ
محققاني که در زمينه آشکارسازي علايم ترافيکي با استفاده از شکل و رنگ ،کار کرده اند:
Hibi: او براي اينکار از رنگ۶۱ واشباع۶۲ در فضاي رنگي HSL بهره گرفت.او باتوجه به هيستوگرام، براي اين دو ويژگي؛ آستانه پويايي در نظر گرفت.در نهايت، با ادغام اين دو ويژگي، يک تصوير باينري ايجاد کرد. هر پيکسل از اين تصوير با همسايگان خود، هفت نقطه مرزي دارد. با استفاده از الگورهاي مرزي، طرح کلي شکل تشخيص داده مي شود ]۴۳[.
Piccioli et al:او دو الگوريتم براي اين کار پيشنهاد داد.يکي از سطح رنگ خاکستري۶۳ استفاده ميکند و از معيارهاي هندسي ساده استفاده ميکند؛ ديگري بر پايهHSV کار ميکند. اين الگوريتم تصوير را به مناطقي با اندازه ۱۶*۱۶ پيکسل تقسيم ميکند وپيکسلهاي آن را با اعداد ۰ يا ۱ طبقه بندي مي کند. بعد از اينکار پيکسلها، برچسب گذاري شده اند. براي آشکارسازي يک شکل ، بايد پيکسلهايي با برچسب ۱ را مورد تجزيه وتحليل قرار داد]۴۴[.
Azami et al:با استفاده از فضاي رنگيHSV ،علايم هدايت مسير را تشخيص مي دهد. در اين روش مقدار عناصر(رنگ واشباع) با اعمال آستانه مناسب، براي هر پيکسل محاسبه مي شود. سپس براي تشخيص علامت، از تجزيه وتحليل پيکسلهاي متصل به هم استفاده مي شود]۴۵[.
de la Escalera et al:او عمل طبقه بندي را با نگاه به دو جدولي که از روي عناصر تصوير در فضايHSI بدست آورده بود،انجام داد.براي آشکارسازي شي از الگوريتم ژنتيک والگوريتمSA64، استفاده کرد]۳[.
Fang et al:آنها ويژگيهاي رنگي را در فضايHSI مورد رديابي قرار دادند و رفتاري مشترک از رنگ وشکل را پيشنهاد دادند، که با محاسبه قابليت نگاشت تصوير، براساس رنگ و اطلاعات گراديان که با مدل هندسي علايم ترکيب شده است؛ کار ميکند. با اين حال در اين رويکرد نياز به تنظيم دستي ،آستانه ميباشد ، که محاسباتي نسبتا گران است. بيشتر سيستم ها براي کلاس بندي علايم از طرحهاي مطالعاتي موجود مانند تطبيق الگو،پرسپترون هاي چندلايه ،شعاعهاي برپايه شبکه تابعي،کلاس بندي با هسته لاپلاس وغيره استفاده ميکنند]۴۶[.
Nakamura et al:آنها روشي ارايه کردند که با استفاده از آن مي شد تابلوهاي محدوديت سرعت را تشخيص داد وشناسايي کرد.در ابتدا بر روي تصاوير ورودي با فرمتRGB پيش پردازشي صورت ميگيرد.سپس موقعيت واندازه حلقه هاي دايره شکل توسط شبکه عصبي شناسايي مي شود]۴۷[.
۲-۲-۴ آشکارسازي بر اساس يادگيري ماشين
Viola and jones: آنها الگوريتمي ارايه دادند که قادر به تشخيص اشيا بصورت بلادرنگ بود،اين تشخيص با دقت وهمينطور قابليت اعتماد بالايي انجام مي گرفت.آشکار ساز با استفاده از مثالهاي مثبت ومنفي ،تمرين داده مي شد.از سوي ديگر،ساير محققين ،اين الگوريتم را براي شناسايي اشيا در کلاس هاي مختلف ديگر به کار بردند و به موفقيتهايي دست يافتند.در اين بين کلاس مربوط به علايم ترافيکي هم با موفقيت تشخيص داده شد]۱۱[.
آشکارساز وايولا جونز ،با لغزش۶۵ پنجره آشکارساز در سراسر تصوير کارميکند.گسترش اين پنجره را با فاکتورمقياسي تا انتهاي تصوير مشخص ميکند.بنابراين تغيير مقياس،بر کيفيت تشخيص وسرعت تشخيص تاثير ميگذارد،يعني با کاهش اندازه آن احتمال تشخيص علامت بيشتر ميشود ولي اينکار منجر به افزايش زمان براي اتمام کار الگوريتم خواهد شد]۱۶[.
۲-۲ پيشينه تحقيقاتي سيستمهاي شناخت علايم ترافيکي


پاسخ دهید