تشخیص و شناسایی اتوماتیک علایم راهنمایی و رانندگی بر اساس توصیفگر های HOG ومبتنی بر طبقه بند شبکه عصبی عمیق
- سال انتشار: 1397
- محل انتشار: سومین کنفرانس ملی در مهندسی کامپیوتر، فناوری اطلاعات و پردازش داده ها
- کد COI اختصاصی: CITCOMP03_149
- زبان مقاله: فارسی
- تعداد مشاهده: 509
نویسندگان
دانشجوی کارشناسی ارشد، گروه مهندسی برق، دانشگاه صنعتی ارومیه، ارومیه، ایران
استاد گروه مهندسی برق، دانشگاه صنعتی ارومیه، ارومیه، ایران
دانشجوی دکترا، دانشکده برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران
چکیده
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.مقالات مرتبط جدید
- مرور سیستماتیک کاربرد هوش مصنوعی در موسیقی
- In-silico Analyses for Finding Potential Key Genes and Pathways Associated with Guillain-Barré Syndrome Using Computational Tools
- OCD Severity Based on EEG Signals
- Investigating the (non) -Impact of Customizing Knowledge Bases of Artificial Intelligence -Driven Robot on Language for Specific Purposes Learning
- The Need for Telehealth and Tele-Educationon in Optimizing Measles Surveillance and Reducing Healthcare Costs
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.