یک مدل ترکیبی در دسته بندی تصاویر علایم راهنمایی و رانندگی با استفاده ازماشین بردار پشتیبان تکاملی و انتخاب ویژگی به روش رای گیری نرم

تابلوهای ترافیکی علایمی جهت کمک به رانندگان هستند. در سالهای گذشته تشخیص این تابلوها به دلیل افزایش تصادفاترانندگی که در بسیاری از موارد به علت عدم تشخیص درست و به موقع تابلوهای ترافیکی رخ می دهد، توجه محققان را بهخود جلب کرده است. سیستم تشخیص تابلوهای ترافیکی با تشخیص صحیح این علائم می تواند جلوی بسیاری از حوادث رابگیرد. در این تحقیق یک روش خودکار بازشناسی و طبقه بندی علایم ترافیکی در تصاویر رنگی معرفی شده است. هدف اصلیدر تحقیق پیش رو استفاده از تصاویر در شرایط مختلف تصویر برداری به نحوی است که بر اساس آن قادر باشیم بازشناسیدقیقی از نوع علامت ترافیکی را ایجاد کنیم. شیوه پیشنهادی روشی مرکب از پیش پردازش تصاویر ورودی و استخراج ویژگیتوسط سه توصیفگر فراکتال و ممان های شبه زرنیک و تبدیل موجک است. دلیل اصلی بهره گیری از این سه توصیفگر آن استکه به مقیاس و چرخش حساس نیستند و میتوانند ویژگی های مطلوبی را از رنگ، قالب شکلی و موارد مشابه در بافت تصویرایجاد کنند. در گام بعدی از انتخاب بهترین زیرمجموعه از ویژگیها استفاده می شود که می تواند اثربخشی مناسبی را در طبقهبندی نهایی ایجاد کند. ویژگی ها توسط یک تکنیک وزنی حاصل از سه روش انتخاب ویژگی سریع صورت می پذیرد. در نهایتاز ماشین بردار پشتیبان با کرنل تابع پایه شعاعی در طبقه بندی بهره می گیریم که پارامترهای آن توسط الگوریتم سنجاقک بهبود داده می شود. دقت روش پیشنهادی ۹۸/۱۱% گزارش شده که با توجه تصاویر نمونه در دسترس، دقت بسیار مناسبی است.

کلیدواژه ها:

ماشین بردار پشتیبان ، الگوریتم سنجاقک ، توصیفگر فراکتال ، ممان های شبه زرنیک ، تبدیل موجک ، کرنل تابع پایه شعاعی