17
ن ی ش ا م ی ی ا ن ی ب ی س ر د ه ر و ر پ ن ا و ن ع ه% ب ه ب ا ر ا( ت ه% جر و پ ر% ب ک ا ر( ب ک د: ه ط و% پ ر م د ا( ن س ای م ش ا ه ر د ا( ق ر ب م: ه د ن ه د ه ب ا ر ا[email protected] ر پ ر% ب( ب د ح ا و ی م ا ل ش ا د ا رB ا ه ا گ ش ن ا د ر ا ه% ب1393 ی ک ن ف را( پ م ئ لا ع ودکار خ ی س ا ن س ار% ب

Automatic road

Embed Size (px)

Citation preview

Page 1: Automatic road

ج�ه�ت� ا�ر�ا�ئ�ه� ب�ه� ع�ن�و�ا�ن� پ�ر�و�ژ�ه� د�ر�س�ی� ب�ی�ن�ا�ی�ی� م�ا�ش�ی�نا�س�ت�ا�د� م�ر�ب�و�ط�ه�:� د�ک�ت�ر� ا�ک�ب�ر�پ�و�را�ر�ا�ئ�ه� د�ه�ن�د�ه�:� م�ی�ر�ق�ا�د�ر� ه�ا�ش�م�ی

[email protected]د�ا�ن�ش�گ�ا�ه� آ�ز�ا�د� ا�س�ال�م�ی� و�ا�ح�د� ت�ب�ر�ی�ز

1393ب�ه�ا�ر�

بازشناسی خودکار عالئم ترافیکی

Page 2: Automatic road

بازشناسی خودکار عالئم ترافیکی درتصویر

جداسازی عالئم توقف و رعایت حقتقدم

هدف

Page 3: Automatic road

آستانه سازی دامنهR,G,Bحذف ناحیه های کوچک و بزرگ اعمال عملیاتdilation برای متصل کردن

بخش های جدا شده عالئم حذف ناحیه های با نسبت قطر کوچک و بزرگ

بسیار بزرگ محاسبه نسبت پرشدگی برای جدا سازی دو

عالمت

الگوریتم

Page 4: Automatic road

الگوریتم

Page 5: Automatic road

آستانه سازی دامنهR,G,B آستانه سازی به نسبت-G/R و B/R به جای خود (B و G)اعمال نیروی زیاد برای تغییر ظوابط روشنایی-

الگوریتم

Page 6: Automatic road

حذف نواحی کوچک و بزرگ نواحی کوچک: نویز، چراغ قرمز عقب ماشین، کف -

خیابان و ...)نواحی بزرگ: پس زمینه قرمز بزرگ) دیوار ساختمان-

الگوریتم

تصویر اصلی عالمت توقف و قسمتی از چراغ عقب ماشین که جدا شده اند

تنها عالمت توقف پس از حذف ناحیه کوچک باقی می ماند)بعد از دیلیشن(

Page 7: Automatic road

حذف ناحیه های با نسبت اضالع کوچک و بزرگ بسیاربزرگ

است1-عالئم ترافیکی، نسبت اضالع

الگوریتم

یک ستون قرمز نیز

انتخاب شده که چون

نسبت اضالعش

بزرگ است بعدا حذف

خواهد شد.

Page 8: Automatic road

نسبت پرشدگی عالمت توقف نسبت پرشدگی بیشتری را نسبت به -

عالمت رعایت حق تقدم دارد.

الگوریتم

Page 9: Automatic road

رعایت عالمت تصویرتقدم حق

توقف عالمت تصویر تصاویر مجموع

13 52 65

مجموعه داده هامجموع:

رعایت عالمت تصویرتقدم حق

توقف عالمت تصویر تصاویر مجموع

8 37 45

گروه یادگیری:

رعایت عالمت تصویرتقدم حق

توقف عالمت تصویر تصاویر مجموع

5 15 20

گروه آزمون:

به گروه های یادگیری و آزمون تقسیم می شود:

Page 10: Automatic road

داده های یادگیری برای انتخاب آستانه های الگوریتماستفاده می شود

- برای هر تصویر، به صورت دستی مساحتی را روی عالمت ترافیک انتخاب کرده، ویژگی را ذخیره می کنیم.

- ویژگی های انتخاب شده:minR, meanR, maxR, minG/R,meanG/R, maxG/R, minB/R, meanB/R, maxB/R

- آستانه ها را انتخاب می کنیم، از این روی عالمت های ترافیکی در اغلب تصاویر یادگیری به درستی جدا می شوند.

آستانه ها

Page 11: Automatic road

:آستانه های انتخاب شده– MinR: 65, maxR: 255, minG/B: 0, maxG/B: 0.7,- minB/R: 0, maxB/R: 0.7– Minimum size: 40 pixels– Maximum size: 400000 pixels– Filling ratio threshold: 0.7

آستانه ها

Page 12: Automatic road

:الگوریتم بر روی تمام تصاویر و تصاویر آزمون اعمال شده:تمام تصاویر

False detection به این معنی است که عالمت ترافیکی در *تصویر شناسایی شده، البته ناحیه دیگری در تصویر به عنوان

عالمت ترافیکی تصور شده است.

نتایج

Page 13: Automatic road

:تصاویر آزموننتایج

Page 14: Automatic road

:تشخیص عالمت توقفمثال

Page 15: Automatic road

:تشخیص عالمت رعایت حق تقدممثال

Page 16: Automatic road

درصد از تصاویر آزمون و همچنین در 80این الگوریتم در تمامی تصاویر تشخیص درست انجام داده است.

نتیجه گیری

Page 17: Automatic road

عالئم ترافیکی که به اشیاء قرمز دیگر متصل شده استرا نمی تواند تشخیص دهد.

.در تصاویر بسیار تاریک نیز نمی تواند کار کند

محدودیت ها