Feature extraction and recognition on traffic sign images
Yükleniyor...
Dosyalar
Tarih
2020
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
It is vital that the traffic signs used to ensure the order of the traffic are perceived by the drivers. Traffic signs have international standards that allow the driver to learn about the road and the environment while driving. Traffic sign recognition systems have recently started to be used in vehicles in order to improve traffic safety. Machine learning methods are used in the field of image recognition. Deep learning methods increase the classification success by extracting the hidden and interesting features in the image. Images contain many features and this situation can affect success in classification problems. It can also reveal the need for high-capacity hardware. In order to solve these problems, convolutional neural networks can be used to extract meaningful features from the image. In this study, we created a dataset containing 1500 images of 14 different traffic signs that are frequently used on Turkey highways. The features of the images in this dataset were extracted using convolutional neural networks from deep learning architectures. The 1000 features obtained were classified using the Random Forest method from machine learning algorithms. 93.7% success was achieved as a result of this classification process.
Trafiğin düzenini sağlamak amacıyla kullanılan trafik levhalarını sürücülerin algılaması hayati önem taşımaktadır. Sürüş esnasında sürücünün yol ve çevre hakkında bilgi edinebilmesini sağlayan trafik levhaları uluslararası standartlara sahiptir. Trafik levhası tanıma sistemleri son zamanlarda trafik güvenliğini arttırmak amacıyla araçlarda kullanılmaya başlamıştır. Makine öğrenmesi yöntemleri görüntü tanıma alanında kullanılmaktadır. Derin öğrenme yöntemleri, görüntüde yer alan gizli ve ilginç özellikleri çıkarak sınıflandırma başarısını arttırmaktadır. Görüntüler çok sayıda özellik içermektedir ve bu durum sınıflandırma problemlerinde başarıyı etkileyebilmektedir. Ayrıca yüksek kapasiteli donanım gereksinimini de ortaya çıkarabilmektedir. Bu sorunların çözülebilmesi için görüntüden anlamlı özelliklerin çıkarılmasında konvolüsyonel sinir ağları kullanılabilmektedir. Bu çalışmada Türkiye’deki karayollarında sıklıkla kullanılan 14 farklı trafik levhasına ait 1500 görüntü içeren bir veriseti tarafımızca oluşturulmuştur. Bu veriseti kullanılarak derin öğrenme mimarilerinden konvolüsyonel sinir ağları kullanılarak görüntülerin özellikleri çıkarılmıştır. Elde edilen 1000 özellik makine öğrenmesi algoritmalarından Random Forest yöntemi kullanılarak sınıflandırılmıştır. Bu sınıflandırma işlemi sonucunda %93.7 başarı elde edilmiştir.
Trafiğin düzenini sağlamak amacıyla kullanılan trafik levhalarını sürücülerin algılaması hayati önem taşımaktadır. Sürüş esnasında sürücünün yol ve çevre hakkında bilgi edinebilmesini sağlayan trafik levhaları uluslararası standartlara sahiptir. Trafik levhası tanıma sistemleri son zamanlarda trafik güvenliğini arttırmak amacıyla araçlarda kullanılmaya başlamıştır. Makine öğrenmesi yöntemleri görüntü tanıma alanında kullanılmaktadır. Derin öğrenme yöntemleri, görüntüde yer alan gizli ve ilginç özellikleri çıkarak sınıflandırma başarısını arttırmaktadır. Görüntüler çok sayıda özellik içermektedir ve bu durum sınıflandırma problemlerinde başarıyı etkileyebilmektedir. Ayrıca yüksek kapasiteli donanım gereksinimini de ortaya çıkarabilmektedir. Bu sorunların çözülebilmesi için görüntüden anlamlı özelliklerin çıkarılmasında konvolüsyonel sinir ağları kullanılabilmektedir. Bu çalışmada Türkiye’deki karayollarında sıklıkla kullanılan 14 farklı trafik levhasına ait 1500 görüntü içeren bir veriseti tarafımızca oluşturulmuştur. Bu veriseti kullanılarak derin öğrenme mimarilerinden konvolüsyonel sinir ağları kullanılarak görüntülerin özellikleri çıkarılmıştır. Elde edilen 1000 özellik makine öğrenmesi algoritmalarından Random Forest yöntemi kullanılarak sınıflandırılmıştır. Bu sınıflandırma işlemi sonucunda %93.7 başarı elde edilmiştir.
Açıklama
Anahtar Kelimeler
Classification, Convolution Neural Network, Feature Extraction, Random Forest, Traffic Signs, Konvolüsyonel Sinir Ağları, Özellik Çıkarma, Sınıflandırma, Trafik İşaretleri
Kaynak
Selçuk-Teknik Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Özel Sayı
Künye
Çınar, İ., Taşpınar, Y. S., Sarıtaş, M. M., Köklü, M. (2020). Feature extraction and recognition on traffic sign images. Selçuk-Teknik Dergisi, (Özel Sayı), 282-292.
