10386

بررسي روشهاي هوشمند شناسايي در خودروهاي پيشرفته

1399

دكترشهريار برادران شكوهي

روشهاي هوشمند شناسايي در خودروهاي پيشرفته از زيرشاخههاي بينايي ماشين است، در اين سمينار به بررسي روشهاي تشخيص و طبقهبندي علائم جادهاي و عابرين پياده با كمك الگوريتمهاي استخراج ويژگي 1HOG و 2SVM كه بسيار پركاربرد هستند و معماري 3Lenet ، 4CNN خواهيم پرداخت. دقت سيستم در مرحلهي تشخيص و طبقهبندي براي چند سيستمي كه ديتابيس آنها 5GTSRB است مقايسه شده، سيستم اول ساختاري مبتني بر فضاي رنگي HSI و در آن منطقهي موردنظر به قطعات كوچكتر تقسيم ميشوند و درنهايت از شبكه نرون كانولوشن براي شناسايي منطقه موردنظر استفاده ميشود. اين سيستم در مرحلهي تشخيص دقت 92.63 % و در مرحله طبقهبندي دقت 80.5 % دارد. در سيستم دوم براي تشخيص علائم از الگوريتم استخراج ويژگي HOG و SVM استفادهشده، سپس از يك شبكه عصبي مبتني بر LENET براي طبقهبندي بهره گرفته، كه سيستم بكار رفته در قسمت تشخيص 96.85 % و در قسمت طبقهبندي 96.23 % دقت به دست آورد. ضمن اينكه سيستم دوم همهي علائم راهنمايي و رانندگي را كنترل ميكند، نهفقط علائم قرمز. طرح پيشنهادي سوم يك سيستم تشخيص سيگنال در زمان واقعي را تشكيل ميدهند، كه از ماژولهاي تشخيص و طبقهبندي تشكيلشده ، ابتدا يك تصوير رنگي ورودي را با استفاده از مدل احتمال رنگ به نقشههاي احتمال پانلها تبديل ميكنند. نقشه احتمال يك تصوير خاكستري است، كه در آن پيكسلهاي علائم راهنمايي و رانندگي از شدت بالا و ساير پيكسلها از شدت كم برخوردار ميشوند، علائم را با جستجوي MSER تشخيص و با SVM و HOG طبقهبندي ميكنند و همچنين از شبكه عصبي كانولوشن براي طبقهبندي استفاده ميكنند. در مرحلهي تشخيص 97.72 % و در مرحلهي طبقهبندي 97.75 % عملكرد دارد و از سيستم دوم هم بهتر است

12/1/2021 12:00:00 AM

73721

1400/10/20

Investigation of intelligent detection methods in advanced vehicles

بينايي ماشين، ماشين بردار پشتيبان، هيستوگرام جهتنما، تشخيص، طبقهبندي، شبكه عصبي كانولوشني، علائم جادهاي، تشخيص عابر پياده