بخشی از مقاله
چکیده :
از جمله موضوعاتی که امروزه در زمینه اتوماسیون مورد توجه قرار گرفته ، بحث هدایت خودرو بدون نیاز به راننده و اپراتور انسانی است. در این راستا خودروی مورد نظر باید بتواند با استفاده از یکسری داده های موجود در حافظه خود مانند نقشه مسیر حرکت و همچنین توانایی در خوانش علائم و تابلوهای ترافیکی و راهنمایی، مسیر و شیوه حرکت خود را انتخاب و در صورت لزوم اصلاح نماید. مسلما جهت نیل به این هدف یکی از سیستم های مناسب، سیستمی است که در برگیرنده دوربین تصویر برداری و رایانه همراه است. تصویر اخذ شده توسط دوربین باید در مدت زمان مناسب پردازش گردد و مفهوم تابلوی ترافیکی توسط رایانه استنباط گردد و فرمان مورد نظر جهت اصلاح شیوه حرکت صادر شود.
در این مقاله با استفاده از داده های نمونه جهانی متعلق به سال 2013 از کشور آلمان الگوریتمی ارائه گردیده است که به کمک آن علائم ترافیکی محدودیت حداکثر سرعت در معابر شناسایی و استخراج می گردد. این الگوریتم ابتدا با قطعه بندی تصویر محدوده تقریبی تابلو را تشخیص می دهد و سپس با بررسی مشخصات هندسی تابلو ترافیکی، نوع پیام آن را که از نوع محدودیت سرعت می باشد تشخیص داده و در گام بعد قادر است با خوانش عدد درج شده در تابلو ، مفهوم نهایی آن را استنباط کند. الگوریتم ارائه شده در زمان اندکی برای هر تصویر قادر خواهد بود کل پروسه شناسایی و استخراج را انجام دهد. در نهایت الگوریتم برای مجموعه تصاویر ورودی با دقت 94 درصد جواب صحیح را ارائه می نماید.
واژههای کلیدی : علائم ترافیکی ؛ شناسایی و استخراج ؛ محدودیت سرعت ؛ هدایت اتوماتیک خودرو
-1 مقدمه
در دهه های اخیر تحقیقات فراوانی در رابطه با هدایت و ناوبری اتوماتیک وسایل نقلیه موتوری انجام پذیرفته است. محققان در این رابطه بدنبال طراحی سیستم جامع و کاملی هستند که پس از استقرار بر روی وسیله نقلیه، دیگر نیازی به راننده انسانی نباشد و خودرو بکمک داده های موجود در حافظه و یا درک علائم ترافیکی موجود در حریم راه و یا جاده تصمیم مناسب را در زمینه کنترل وضعیت و جهت یابی انجام دهد. یکسری از سیستم ها مبتنی بر استفاده از پایگاه داده موجود می باشند، لذا در این سیستم ها نقشه لایه بندی شده معابر موجود است و بکمک آن مغز متفکر خودرو مسیر یابی نموده و دستورات لازم جهت تعیین مسیر و نوع حرکت را صادر می نماید.
اما این سیستم ها دو مشکل مهم دارند یکی اینکه با تغییرات رخ داده در سطح معابر که ممکن است بصورت روزانه، ماهانه و یا سالانه باشد نیاز به بروز رسانی پیدا می کنند که عملا کار مشکل و شاید غیر ممکنی است. دوم اینکه خودرو در حین حرکت و در مواجهه با سایر خودرو ها بدلیل عدم امکان تشخیص و مسیر یابی آنها دچار تصادف می شود. با این وصف نیاز به سیستم هایی پدید می آید که بصورت آنی بتواند علاوه بر تشخیص مسیر و کنترل شاخصه های حرکتی خودرو، از برخورد با موانع و سایر وسایل متحرک جلوگیری نماید. از این رو سیستم های مبتنی بر تصویر برداری اپتیکی کارایی بالایی در تحقق این موضوع دارند .[1] از جمله چالش های مطرح در این زمینه،توانایی ادراک درست تابلو ها و علائم ترافیکی1 است که تحقیقات قابل توجهی در این زمینه در حال انجام است. به عنوان نمونه می توان به اولین تلاش در این زمینه اشاره نمود که در آن به قطعه بندی تصویر جهت تشخیص علائم محدودیت سرعت پرداخته شده بود .[2]
به طور کلی روش های تشخیص تابلو های ترافیکی با استفاده از دو ویژگی تابلو ها، قادر به این کار می باشند که با توجه به آن می توان روش ها را به سه دسته تقسیم نمود. دسته اول با استفاده از اطلاعات رنگ، تابلوها را دسته بندی می کنند که از آن جمله می توان به این موارد اشاره نمود: تشخیص تابلو های ایست با استفاده از انتقال فضای رنگی به[3]HSI، استخراج ویژگی های رنگی علائم بکمک شبکه عصبی[4]، این روش ها نوعا دارای سرعت عمل مناسبی هستند ولی در برخی موارد مانند هنگامی که عوارض مشابه مانند خودرو های همرنگ با تابلو در تصاویر وجود دارد و یا در شرایط نوری ضعیف، نتایج تحت تاثیر قرار گرفته و از دقت الگوریتم کاسته می شود.
دسته دوم با بهره گیری از شکل ظاهری علائم مثل دایره، مثلث و مستطیل اقدام به استخراج و شناسایی آنها می نمایند مانند: بازیابی علائم ترافیکی با استفاده از تلفیق شبکه عصبی و الگوریتم ژنتیک[5]، ،بازیابی علائم با استفاده از تلفیق استخراج لبه با اپراتورکنی ،الگوریتم های تشابه شعاعی2 و طبقه بندی کننده آدابوست.[6]3 در این دسته از روش ها هنگامی مشکل رخ می دهد که عوارض هندسی مشابه با تابلو ها در تصاویر وجود داشته باشد، آنگاه امکان اشتباه وجود دارد.
همچنین دسته سوم از تلفیق دو روش استفاده می نمایند که به عنوان نمونه می توان به موارد ذیل اشاره نمود: تشخیص و استخراج محدوده تابلو ها با تلفیق تبدیل هاف و اطلاعات رنگی تابلو ها[7]، بیان الگوریتمی جهت بازشناسی عوارض جاده ای بر پایه ماشین های بردار پشتیبان [8]،بهره گیری ازالگوریتمی به منظور طبقه بندی و تشخیص علائم ترافیکی بر پایه ماشین های بردار پشتیبان و توصیف گر [9]HOG،تشخیص و بازیابی علائم رانندگی با استفاده از شبکه عصبی چند لایه و استفاده از اپراتورهای مورفولوژی .[10]مسلما این دسته از روش های استخراج علائم، دقت بالاتری دارند ولی در مجموع زمان پردارش بیشتری را نیاز دارند.
ازآنجا که تابلو های ترافیکی گستردگی و تنوع بسیار زیادی دارند در این تحقیق روشی مناسب جهت شناسایی ، تشخیص و استخراج تابلو های محدودیت سرعت ارائه شده است. در شکل شماره 1 نمونه هایی از این تابلو ها نمایش داده شده است.عموما شناسایی علائم در فضای بیرونی بدلایل ذیل پیچیده است:[11]
1.تغییرات روشنایی که وابسته به فصل ، ساعت و وضعیت جوی می باشد.
2.ناقص بودن عارضه در تصویر به سبب وجود سایه و یا عوارض دیگر مثل درختان
3.تغییرات مقیاس و زاویه تصویر برداری که به سبب آن ابعاد و شکل عارضه تغییر می کند.
4.گذشت زمان و یا تصادفات باعث تغییر شکل علائم می شود.
پروسه پیش رو جهت انجام این مهم از چهار بخش مختلف اخذ و ورود تصویر ، قطعه بندی تصویر4 و تفکیک شیء مورد نظر از زمینه، شناسایی5 محدوده و ابعاد علامت و در نهایت بازشناسی6علامت ترافیکی تشکیل شده است. لذا ابتدا تصاویر - که در این پژوهش از داده های استاندارد جهانی سال 2013برای کنفراس IEEE 2013 استفاده شده است - وارد سیستم می شود و سپس بکمک آستانه گذاری رنگی بر روی تصویر با توجه به خصوصیات بصری این تابلو ها محدوده تقریبی آنها تعیین می گردد. در گام بعد با استفاده از برخی خصوصیات عارضه پارامتر های هندسی آن تشخیص داده می شود و در گام نهایی با استخراج اعداد درون تابلو و بکارگیری عملیات تناظر یابی با پایگاه داده اعداد در اختیار ، نوع تابلو تشخیص داده می شود و عملیات پایان می پذیرد.
یکی از مشکلات روشهای موجود در هنگام تناظر یابی رخ می دهد. زیرا اکثر روش ها در هنگام تناظر یابی اقدام به استفاده از فضای کل تابلو می نمایند. لذا با توجه به تغییر رنگ تابلو در شرایط محیطی و نوری و همچنین وجود برخی عوارض طبیعی و مصنوعی در جلو و یا حاشیه تابلو مثل برگ درختان ،در تناظر یابی ایجاد خطا و مشکل می کند. از این رو در روش ارائه شده ابتدا محدوده هر عدد موجود در تابلو مشخص می شود و سپس تناظر یابی هر عدد در محدوده آن با پایگاه داده صورت می پذیرد و عدد استخراج می گردد. با این کار دیگر محدودیت های قبلی وجود ندارد و دقت و کارایی افزایش می یابد.در ادامه و در فصل دوم این مقاله مواد ، روش ها و الگوریتم های بکار رفته تشریح گردیده است. در فصل سوم نیز نتایج حاصله ارزیابی شده و در نهایت جمع بندی و نتیجه گیری ارائه شده است.
