بخشی از مقاله
خلاصه
ایجاد و گسترش سیستمهای هوشمند درحوزه حمل و نقل و بویژه شناسایی علایم راهنمایی و رانندگی، یکی از چالشهای مهم در سال های اخیر بوده است. به کمک این سیستمها میتوان رانندگی ایمنتر و آسانتر را تضمین کرد. تشخیص و بازشناسی، دو مرحله اصلی شناسایی علایم ترافیکی هستند. روشهای مختلفی برای انجام این دو مرحله پیشنهاد شده است. در این مقاله روشی بر مبنای تشخیص الگو برای شناسایی تابلوهای راهنمایی و رانندگی انجام میشود که باتوجه به آن، ابتدا تصاویر به صورت ماتریسهای مربوط به رنگهای قرمز، سبز و آبی و به طور جداگانه ذخیره شده و با تفاضل و ضرب بین این تصاویر زمینه برای تطبیق با یک الگوی از قبل آماده شده آماده میشود. این روش بر رو تعدادی تصاویر حاوی تابلوهای راهنمایی و رانندگی اعمال شده و درصد صحتی معادل 88/6 درصد را درپی داشته است که بسیار مناسب است.
کلمات کلیدی: شناسایی تابلوهای راهنمایی و رانندگی، تشخیص الگو، پردازش تصویر، سیستم شناسایی علائم راهنمایی و رانندگی.
.1 مقدمه
با توجه به آمار بالای تصادفات که عمدتاً ناشی از بی توجهی و فقدان تمرکز راننده رخ میدهند، گسترش سیستمهای هوشمند شناسایی علائم ترافیکی که بتواند راننده را در مواقع نیاز یاری و علائم ترافیکی را شناسایی کند، ضروری به نظر میرسد. تشخیص و بازشناسی علائم ترافیکی، یکی از مباحث مهم تحقیقاتی در سالهای اخیر بوده است. علائم ترافیکی برای راهنمایی، هشدار و تنظیم ترافیک نصب میشوند و به گونه ای طراحی شدهاند تا توجه راننده را توسط رنگ و شکلهای هندسی ساده خود جلب کنند. بنا به تحقیقات انجام شده، اکثر تصادفات رانندگی، از بی توجهی رانندگان به این علائم ناشی میشود. بنابراین به کارگیری سیستم شناسایی علائم راهنمایی و رانندگی به عنوان یک سیستم کنترلی در اتومبیلها می تواند آمار تصادفات را کاهش دهد.
در واقع این سیستمها به طور مجزا و یا به همراه سایر امکانات کمک راننده میتوانند ایمنی ترافیکی را به طور قابل ملاحظهای افزایش دهند.[1]سیستم شناسایی علائم راهنمایی و رانندگی عبارتست از پیدا کردن خودکار علائم راهنمایی و رانندگی در تصویری که از صحنه ترافیک گرفته شده است. طراحی این سیستم با مشکلات زیادی همراه است. تصاویر گرفته شده به دلایل مختلف دارای نویز میباشند. شدت و ضعف نور محیط بر روی رنگ تصویر تأثیر میگذارد. علائم در مکانهای مختلفی در صفحه تصویر ظاهر میشوند، همچنین اشیاء بسیاری در صحنه حضور دارند که وجود آنها شناسایی علائم را با مشکل مواجه میکند.
علائم ممکن است کاملا مشابه استاندارد تعریف شده نباشند. همچنین یک زاویه غیر صفر بین محور اپتیکال دوربین با بردار عمود بر سطح تابلو علامت وجود دارد. مجموع این عوامل شناسایی علائم راهنمایی و رانندگی را پیچیده میسازد. در حالت کلی، شناسایی علائم ترافیکی در دو مرحله انجام میگیرد: تشخیص و بازشناسی. در فاز تشخیص، تصویر پیش پردازش شده، ارتقاء یافته و بخش بندی میشود. روشهایی که معمولا برای مرحله تشخیص استفاده میشوند، عبارتند از: روشهای مبتنی بر شکل و روشهای مبتنی بر رنگ. میزان دقت این روشها، بستگی به فاصله علائم ازدوربین و زاویه آن و عدم تغییرات روشنایی دارد.
در فاز بازشناسی، اغلب شبکههای عصبی، به عنوان اولین انتخاب برای طبقهبندی نهایی در نظر گرفته میشود.[2]در این مقاله یک روش برمبنای تشخیص الگو جهت شناسایی تابلوهای راهنمایی و رانندگی بکار گرفته شده است. به طوری که در بخش دوم به مرور مطالعات پیشین در زمینه تشخیص و شناسایی تابلوها و علائم راهنمایی و رانندگی پرداخته میشود. در بخش سوم روش پیشنهادی بر مینای یک الگوریتم ارائه شده و در بخش چهارم به بررسی نتایج اختصاص دارد. هم چنین بخش پنجم نتیجهگیری موجود در این مقاله را بازگو میکند.
.2 مطالعات پیشین
مطالعات و تحقیقات در زمینه بازشناسی علایم راهنمایی و رانندگی قدمت بسیار زیادی ندارد. اولین کار در این حوزه به اواخر سال 1960 برمیگردد و اقدامات عمده در این زمینه در سال 1980 و 1990، یعنی زمانی که ایده ایجاد یک سیستم کمک راننده با استفاده از بینایی ماشین، توجه محققان را جلب کرد و پردازشهای ویدئویی میسر شد، صورت گرفت. ظهور اولین مقاله در سال 1984 در ژاپن بود و هدف آن بکارگیری روشهای مختلف بینایی ماشین، برای تشخیص علایم ترافیکی بود. از آن پس شناسایی علایم راه یکی از زمینههای مهم تحقیقاتی شده است.[3] نورثوی در سال 2002، یک الگوریتم تشخیص بلادرنگ علایم ترافیکی، با استفاده از تطابق فاصله سلسله مراتبی ارایه کرد. در این روش، سیستم ایجاد سلسله مراتبی علایم، بر مبنای تئوری ساده گراف بوده و نمونه های سلسله مراتبی کوچک ایجاد می شد. خروجی این سیستم، میتوانست در هر دو سیستم تطبیق استاتیکی و بلادرنگ استفاده شود.[4]
لافونته و همکارانش در سال 2005، یک روش بر مبنای ماشینهای بردار پشتیبان برای طبقهبندی علایم پیشنهاد کردند. در این روش، الگوهایی که بوسیله بردارها تولید شده بودند، فاصله را تا حاشیه اشیا کاندید که علامت ترافیکی بودند، نشان میداد. نتایج آزمایشها، نشان دهنده موثر بودن روش پیشنهادی بود.[5] فلیه در سال 2008، سیستمی را برای بازشناسی و طبقه بندی علایم ترافیکی ارایه کرد که بر مبنای سه مرحله اساسی قسمت بندی رنگ، بازشناسی و طبقه بندی بود. قسمت بندی رنگ با الگوریتمی که نسبت به روشنایی زیاد و سایه تغییر ناپذیر بود، انجام گرفت. نرخ قسمت بندی صحیح، 97 درصد به دست آمد. بازشناسی علایم بااستفاده از بازشناسی کننده فازی و با بهره گیری از رنگ و شکل و به صورت توام انجام گرفت.
طبقه بندی با استفاده از ماشینهای بردار پشتیبان انجام شد.[6]مارتینویچ و همکارانش در سال 2010، روشی را برای مکان یابی خودکار علامتهای ترافیکی خاص و طبقه بندی آنها، طبق طرح استاندارد آن مورد بررسی قرار دادند. در این روش، علایم ترافیکی با کاربردهای بلادرنگ، به عنوان هدف اصلی، بازشناسی شد. الگوریتم تشخیص مورد استفاده و شبکه های عصبی - پرسپترون های چند لایه - ، برای طبقه بندی استفاده شد. نتایج به دست آمده از نرم افزار ارایه شده نشان داد که این سیستم برای پردازشهای ویدئویی بلادرنگ قابل کاربرد است.[7] ساها و همکارانش، در سال 2012، یک روش شبکه عصبی مرکب برای بازشناسی علایم ترافیکی ارایه کردند که ترکیبی از شبکه عصبی مصنوعی و نمونه گیری محلی تصویر بود. این روش با استفاده از پرسپترونهای چند لایه برای آموزش شبکه انجام شد.
برای آموزش شبکه، هر علامت تبدیل به یک ماتریس ویژگی M×N به عنوان نماینده شده و سپس به شبکه به عنوان الگوهای ورودی تزریق می شدند. نتایج آزمایشگاهی نشان داد که این سیستم قابلیت بازشناسی علایم ترافیکی را با صحت 98 درصد دارد.[8] علامتهای ترافیکی نقش حیاتی در زندگی امروز با ارائه اطلاعات حیاتی به رانندگان در مورد ترافیک جاده بازی میکند و از این رو در رانندگی بی خطر و موثر کمک میکنند. سیستم تشخیص خودکار علامتهای ترافیکی نقشی عمده در سیستمهای حمل و نقل هوشمند ایفا می کنند. در مقالهای که در سال 2014 ارائه شده است، علامت های ترافیکی با تبدیل تصاویر رنگی به سیاه و سفید و استفاده از آنالیز مورفولوژیکی تصاویر شناسایی شده است. با استفاده از شکل و رنگ ویژگی های علائم ترافیکی استخراج شده است. صحت دقت این روش با آزمایشهای گوناگون 93 درصد بوده است.[9]
.3 روش پیشنهادی
روش پیشنهادی مورد استفاده، تلفیقی چند مرحلهای از تکنیکهای پردازش تصویر است. یکی از مهمترین این روشها که اخیرا مورد توجه بسیار قرار گرفته است، شناسایی آماری الگو است. شناسایی آماری الگو یا تشخیص الگو، شاخهای از مبحث یادگیری ماشینی و در واقع دریافت داده های خام و تصمیم گیری بر اساس دسته بندی داده ها است. تشخیص الگو میتواند به عنوان دستهبندی داده های ورودی در کلاسهای شناخته شده به وسیلهی استخراج ویژگیهای مهم یا صفات داده تعریف شود. یک کلاس الگو، یک دسته ی متمایز شده به وسیله برخی صفات و ویژگیهای مشترک است. ویژگیهای یک کلاس الگو، صفات نوعی هستند که بین همه الگوهای متعلق به آن کلاس مشترک هستند.
استخراج ویژگیها که یکی از اجزای اصلی شناسایی الگو است. در واقع در این روش به طور خلاصه، به استخراج ویژگیها از تابلوهای راهنمایی و تطبیق آن با تصاویر ضبط شده میباشد. روش پیشنهادی مورد استفاده در این مقاله بر اساس الگوریتم معرفی شده در شکل1 عمل میکند که طی آن ابتدا تصویر حاوی تابلوی راهنمایی و رانندگی تحت پیش پردازشهای لازم قرار گرفته و سپس با توجه به الگوی از قبل تهیه شده و تطبیق آن با تصویر موجود، عملیات تشخیص و همخوانی الگو انجام میشود. در محله بعد عملیاتی تحت عنوان پس پردازش روش تصوی مرحله قبل انجام شده که در انتهای آن، شناسایی تابلوی موجود در تصویر انجام میشود.
