Traffic sign recognition with machine learning methods
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Trafik işareti tanıma otonom kontrol edilebilen araçlar için önemli bir konudur. Bu tip araçlara herhangi bir insan müdahalesi olmadığı için çevre hakkındaki bütün bilgiler kamera, uzaklık sensörü, RFID, sonar gibi sensörler ve GPS gibi sistemler aracılığıyla toplanır. Otonom araçlar için önemli ihtiyaçlardan biri de trafik işaretlerinin tanınmasıdır. Trafik işaretlerinin tanınması probleminin çözümü için önerilen ilk yöntemlerde, işaretlerin sınıflandırılması için gerekli öznitelikler görüntü işleme yöntemi ile çıkarılır ve sınıflandırma bu özniteliklerden faydalanılarak yapılırdı. Grafik İşlemci Birimlerinin (GPU) performanslarındaki büyük ve hızlı artışın etkisiyle öznitelik çıkarımı için derin öğrenme yöntemleri kullanılmaya başlanmıştır.KSA zorlu problemlerin çözümünde gösterdiği üstün performans sayesinde son yıllarda en çok kullanılan derin öğrenme yöntemlerinden biri olmuştur. Sürücüsüz araçlar için kritik olan trafik işaretlerinin tanınması probleminde de KSA ile yüksek başarımlar elde edilmiştir. Bu çalışmada trafik işaretlerinin sınıflara ayrılabilmesi için iki katmanlı hiyerarşik KSA yapısı önerilmiştir. Yapısal benzerlik indisi kullanılarak tasarlanan yapının ilk katmanında işaretler 4 ana gruba ayrılmıştır. Ardndan yapının ikinci katmanında ise her ana gruptaki işaretler KSA'lar ile alt sınıflara ayrılmıştır. Yapının performansı 43 sınıftan oluşan GTSRB veri seti üzerinde hesaplanmış, farklı benzerlik indisi kullanan hiyerarşik yapılar ve yazında önerilen diğer yöntemlerle karşılaştırılmıştır. Traffic sign recognition is an important subject for the vehicles that are autonomously controlled. Since there is no human intervention in this type of vehicle, all information about the environment is collected by means of sensors and systems such as camera, distance sensor, RFID, sonar sensor and GPS. One of the important requirements for autonomous vehicles is the recognition of traffic signs. In the first methods proposed for feature extraction in the identification of traffic signs was generally performed by computer vision method, and classification was performed by using these attributes, but due to the large and fast increase in GPU performance, feature extraction was done by machine learning methods.CNN has become one of the most used deep learning method thanks to its state-of-the art performance at tough problems. With CNN, superior success has been achieved in traffic sign recognition which is crucial for autonomous vehicles. In this study, two-stage hierarchical CNN structure is proposed in order to classify traffic signs. Signs are divided into 4 main groups at the first stage by using different similarity indexes. And then classes of each main group are subclassified with CNNs at the second stage. Performance of the network is examined on 43-classes GTSRB dataset, compared with structures using different similarity index and methods proposed in thesis.
Collections