هدف ما ، تشخیص و طبقه بندی علا‌ئم رانندگی به صورت آنی با استفاده از یادگیری عمیق

تشخیص و طبقه بندی علا‌ئم رانندگی نقش مهمی در سیستم‌های کمک راننده و سیستم‌های خودران اتومبیل ایفا میکند. و یکی از مشخصه مهم این سیستم‌ تشخیص آنی میباشد. هدف این مقاله ارائه روشی است که علائم ترافیکی را با استفاده از پیدا کردن مکان علائم در عکس های ورودی، در کمترین زمان پیدا کند.

برای تشخیص مکان علائم روشی ارائه میشود که ۲۰ برابر سریعتر از روش های موجود میباشد. در روش پیشنهادی ابتدا مکان های که احتمال وجود علائم وجود دارد با استفاده از probability color map  و color HOG استخراج میشود سپس با استفاده از سریعترین روش classification مکان‌های احتمالی به چهار دسته طبقه بندی میشوند. سپس با استفاده از شبکه عصبی عمیق دقیقا نوع آعلائم رانندگی استخراج میشود. در این مقاله از دیتاست GTSRB استفاده شده است که دارای ۴۲ نوع مختلف علائم رانندگی میباشد.

در این مقاله یک روش بسیار سریع برای تشخیص اعلام رانندگی ارائه شد مشکل سیستم تشخیص آنی را تا حد قابل قبولی بهبود میبخشد. در این روش با استفاده از شبکه Probability color map ابتدا نقاطی که احتمال وجود علایم  رانندگی در آنها زیاد است مشخص میشود سپس با استفاده از Support Vector Machin ناحیه های صحیح از بین چند  Proposal Region انتخاب میشود. و پس از این مرحله داده های بدست آمده به شبکه عصبی عمیق اعمال میشود و به طور دقیق شناسایی میشود.

تشخیص و طبقه بندی علا‌ئم رانندگی به صورت آنی با استفاده از شبکه عصبی کانولوشن

Towards Real-Time Traffic Sign Detection and Classification

Published in:    IEEE TRANSACTIONS

Date of Publication: 2015

                              برای مشاهده مقاله ؛ تصویر فوق را کلیک کنید تا دانلود شود

مشخصات شبیه ساز:

کارشناسی ارشد مخابرات سیستم

دانشگاه ارمیه

محتویات:

• اصل مقاله
• پیاده سازی با Matlab
• ضمیمه کردن گزارش فارسی و نتایج
• ضمیمه کردن Readme جهت بهره برداری از کد
• ضمیمه کردن دیتابیس

توضیحات صوتی کد نیز موجود میباشد که در صورت نیاز و با پرداخت جداگانه ایمیل میشود

Papersim2015@gmail.com

دانلود فایل