تشخیص و شناسایی اتوماتیک علایم راهنمایی و رانندگی بر اساس توصیفگر های HOG ومبتنی بر طبقه بند شبکه عصبی عمیق

امروزه با پیشرفت تجهیزات تصویر برداری و الگوریتمهای پردازش تصویر، شاخه جدیدی در کنترل ترافیک و ابزارهای هوشمند به وجود آمده است و هر روز شاهد عرضه سیستم های تصویری پیشرفته در زمینه های مختلف سنجش و کنترل تردد، سیستم های خودران و … هستیم. در این مقاله، به مسیله تشخیص و شنا سایی خودکار علایم ترافیکی پرداخته شده است . برای این منظور، دو راهکار برای تشخیص و طبقه بندی علایم ترافیک پیشنهاد شده است. در ابتدا، با استفاده از یک نقشه رنگ، در تصاویر ورودی، رنگ های آبی و قرمز از پس زمینه تفکیک می شوند. در مرحله تشخیص ابتدا نواحی محتمل وجود علایم ترافیکی با ا ستفاده از مدل نقشه رنگ و آ شکار ساز منطقه ا ستخراج می شود. سپس یک طبقه بند SVMبرای کلاس بندی نواحی استخراج شده با استفاده از ویژگی های HOGمورد استفاده قرار گرفته است. بخش اول الگوریتم، بیشتر نواحی شناسایی شده را در زیر کلاس های خاص خود طبقه بندی می کند. در مرحله دوم از الگوریتم پی شنهادی، بعد از ت شخیص ا شکال هند سی علایم، با ا ستفاده از شبکه عصبی عمیق، علایم در هر یک از زیر کلاس ها به طور دقیق تفکیک و شنا سایی می شوند. نتایج بد ست آمده نشان دهنده کارایی الگوریتم پیشنهادی است به نحوی که صحت بالای 95 درصد در تشخیص و تفکیک اشکال هندسی و پس زمینه تصویر دارد. همچنین درصد بالای 96 هم برای مرحله شناسایی علایم ترافیکی بدست آمده است که مقداری قابل قبول می باشد.

کلیدواژه ها:

علایم ترافیکی ، تشخیص و شناسایی خودکار ، نقشه رنگ ، ماشین بردار پشتیبان ، شبکه عصبی عمیق.