Dengesiz veri setlerinde trafik işaretlerini tanıma
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Hızla gelişen teknoloji ile birlikte yol güvenliğine verilen önem büyük ölçüde artmış ve insan kaynaklı sorunlara odaklanılmıştır. Sürücülerin göz problemleri, yavaş refleksleri veya telefon gibi elektronik cihazların kullanımından dolayı dikkatlerinin dağılması daha fazla kazanın gerçekleşmesine sebebiyet vermiştir. Bu nedenle trafik işareti otomatik tanıma sistemi (traffic sign recognition (TSR)) günümüzde üzerinde oldukça durulan bir konu olmuştur. Literatürde, TSR sistemi için geliştirilen çalışmalarda kullanılan standart (German, Belgium vs.) veri setlerinin sınıflarında bulunan görüntü sayıları, işaretlerin kullanım sıklıklarından dolayı orantısızdır. Bu tip veri setlerinin üzerinde gerçekleştirilen uygulamalar, yerel öznitelikler ile birlikte kullanılır ise başarılı sonuçlar vermemektedir. Yerel öznitelikler tüm görüntüyü incelemek yerine belirgin noktalara odaklanmakta ve bu sayede işlem ve zaman maliyetini düşürmektedir. Bu çalışmada, işaret levhalarının renk bakımından dış çevreden farklı olmasından dolayı yerel öznitelikler kullanılmış ve dengesiz veri seti ile bu yerel özniteliklerin kullanımı esnasında ortaya çıkan dengesiz veri seti problemi üzerine odaklanılmıştır. Önerilen TSR sistemi öznitelik çıkarımı ve sınıflandırma adımlarından oluşmaktadır. Öznitelik çıkarım adımında ölçeklemeden bağımsız öznitelik dönüşümü ve hızlandırılmış gürbüz özniteliği kullanılarak yeni iki öznitelik elde edilmiştir. Sınıflandırma adımında ise torbalama temelli topluluk sınıflandırıcısı kullanılmıştır. Ayrıca önerilen sitem literatürde sıklıkla kullanılan yönlü eğimlerin histogramı özniteliği, k-en yakın komşu sınıflandırıcısı, karar ağaçları sınıflandırıcısı ve destek vektör makineleri sınıflandırıcısı ile karşılaştırılmıştır. Deneysel çalışmalarda önerilen yöntem ile yerel özniteliklerin dengesiz veri setleri üzerinde %91 doğru sınıflandırma performansı ile başarılı sonuçlar verdiği gözlemlenmiştir. The importance given to the road safety has increased with quickly developed technology and directed to concentrate upon human related problems. Drivers vision problems, slow reflexes, distraction due to the electronic devices give rise to more accident. For this reason, Traffic Sign Recognition System (TSR) is a highly emphasize topic. In literature, typically traffic signs datasets (German, Belgium), which used in the development studies for TSR system, are non-proportional due to the image number in dataset classes and frequency of the occurrence of the signs. The applications performed on these datasets don't give successful results if they are used with local features. Local features focuses on specific regions instead of whole image and thus decrease the cost of process and time. In this study, local features were used because of traffic signs differ from its surrounding in terms of color and imbalanced dataset problem that occur when these datasets used with local features was focused. Suggested TSR system consist of feature extraction and classification processes. In feature extraction step three new features are obtained by using Scale invariant feature transform (SIFT), speeded-up robust features (SURF). In classification step bagging-based ensemble (BBE) classifier were used. In addition, suggested system compared with widely used methods such as histogram of gradient (HOG) feature, k-nearest neighbor classifier, decision tree classifier and support vector machine classifier. Experimental studies show that local features with suggested method gives successful results on imbalanced dataset with %91 accuracy rate.
Collections