ارائه یک الگوریتم هوشمند جدید برای شناسایی موانع انسانی در جریان ترافیک مبتنی بر شبکه عصبی

وسایل نقلیه مجهز به دوربین ار جی بی نصب شده می تواند تصاویر را با فاصله های مناسب ثبت کند صحنه مورد بررسی که توسط دوربین گرفته می شود دارای اندازه های مختلفی برای عابرین پیادهمی باشد. اگرچه تصاویر با زاویه دید وسیع تری می تواند اطلاعات متنی بیشتری را در مورد محیط فراهم کند، اما ممکن است مواردی را به اشتباه به عنوان عابرین پیاده شناسایی و تشخیص دهند. اینواقعیت باعث کاهش تصاویرقابل تغذیه به شبکه ای با ابعاد بالاتر می شود که هزینه محاسباتی را افزایش می دهد تا از کاهش پیکسل های متعلق به عابرین پیاده بسیار کوچک جلوگیری کند. برای مقایسهعملکرد مدل روی عابرین پیاده با اندازه های متفاوت این مقاله براساس شناسایی کننده اشیا یولو ورژن سه می باشد. در مرحله اول برای دسته بندی داده های مورد بررسی از معماری استاندارد استفادهشد که نتیجه مناسبی بر روی داده ها نداشته و دقت خیلی پایینی در خروجی به دست آمد، در مرحله دوم از افزایش داده ها استفاده شد از آنجایی که داده های مدل کم بوده و نیاز به اضافه شددن داده هاجهت افزایش دقت وجود دارد، نتایج این مرحله نیز قابل قبول نبوده که با تغییرات معماری و بهینه سازی در این الگوریتم، این شناسایی کننده نهایتا موفق به بهبود چشمگیر عملکرد شناسایی کننده شد

کلیدواژه ها:

شناسایی عابرین پیاده ، یولو ورژن سه ، سیستم همیار راننده ، تشخیص اشیاء