آشكارسازي و بازشناسي علائم ترافيكي با استفاده از ويژگي هاي پايه جهتدار تصوير و ماشين بردار پشتيبان

Detection and Recognition of Traffic Sign using Oriented Basic Image Feature and Support Vector Machine

شناسايي علائم راهنمايي و رانندگي عبارتست از پيدا كردن و رده بندي خودكار علائم راهنمايي و رانندگي در تصويري كه از صحنه ترافيك گرفته شده است. بنا به تحقيقات انجام شده، اكثر تصادفات رانندگي، از بي توجهي رانندگان به اين علائم ناشي مي شود. در اين مقاله روشي به منظور تعيين موقعيت علامت ترافيكي و سپس شناسايي نوع آن ارائه شده است. در مرحله اول علامت ترافيكي، از ميان اشياء مختلفي كه درون تصوير وجود دارد، استخراج شده و سپس در مرحله دوم، نوع آن شناسايي خواهد شد. در مرحله آشكارسازي علامت، با استفاده از اطلاعات رنگ يك بخش بندي اوليه انجام مي شود و سپس به منظور افزايش قدرت آشكارسازي سيستم و كاهش نرخ خطاي مثبت، از ويژگي هاي شكلي استفاده شده است. روش ارائه شده بر روي تصاوير پايگاه داده GTSDB اجرا شد و دقت آشكارسازي با روش پيشنهادي 90.6 درصد بدست آمد. پس از گام آشكارسازي از ويژگي هاي پايه جهت دار تصوير به منظور بازنمايي ناحيه مربوط به علامت ترافيكي استفاده شده است و در نهايت بردار ويژگي حاصل به طبقه بند ماشين بردار پشتيبان داده شده است و دقت 94.2 درصد در فاز بازشناسي بدست آمد.

Identify traffic signs and auto-categorization them means detecting them in an image that was taken of the traffic scene. According to recent studies, most of the accidents are caused by the fact that drivers ignor these symptoms arises. Therefore, implementing a monitoring system to identify the signs driving cars could reduce accidents. In this thesis has been to detect and recognize traffic signs. Traffic sign in the first phase, of the various objects in the image are extracted and then in the second stage, it will detect the exact type. The detection of the mark, first to reduce the sensitivity to brightness adjustment, image input color space lr RGB the color space lr RGB Nrmalshdh mapping, we then use interfaces, pixels with the dominant color of the red marked we do. Then, in order to increase detection system and reduce the error rate of positive features we use some constraint condition. The proposed method on Pictures Database lr GTSDB. Then the accuracy of detection by the proposed method was 90.6 percent. After the detection step, the main features of the oriented basic image feature were used to represent the area associated with the traffic sign. Finally, the feature vector derived from the backup vector machine was given and the accuracy of 94.2 percent was obtained in the recognition phase.