تشخیص علایم ترافیکی جاده در فضای رنگ HSI

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,246

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMCONF01_048

تاریخ نمایه سازی: 8 آذر 1394

چکیده مقاله:

دراین مقاله سیستم تشخیص و شناخت خودکار علائم جاده در فضای رنگ HSI را شرح می دهیم .دو تابع مهم در تشخیص و شناخت علامت جاده درسیستم اتوماتیک کمک راننده، تمیز و قابل دید بودن علامت ترافیکی است .سیستم ما قادر به تشخیص و شناخت علائم دایره ، مستطیل ، مثلث ، هشت ضلعی است ، از این رو، تمام اشکال ترافیکی را پوشش می دهد .علائم جاده اطلاعات مهمی به راننده ارائه می دهد و به آن کمک می کند تا با ایمنی و خیال راحت بیشتر برانند و از طریق هدایت و هشدار علائم اقدامات خود را تنظیم کنند. بنای سیستم تشخیص پیشنهادی ، بر روی تعمیم خواص SVM ها است .سیستم ما شامل سه مرحله است ( 1 :تقسیم بندی بر اساس رنگ از پیکسل ( 2 .تشخیص و طبقه بندی علائم ترافیکی با استفاده از شکل خطی SVM ها و ( 3 اساس شناخت محتوا در کرنل- گاوسی بر SVM ها . دلیل اینکه از مرحله تقسیم بندی با قرمز، آبی، زرد،سفید، و یا ترکیبی از این رنگها استفاده شده ، این است که بتوان تمام علائم راهنمایی و رانندگی را کشف کرد ، و برخی از آنها را می توان با چندین رنگ شناسایی کرد. نتایج ، میزان موفقیت بالا و مقدار بسیار کم ، مثبت نادرست را در مرحله نهایی شناخت نشان می دهد .از این نتایج، ما میتوانیم نتیجه بگیریم که الگوریتم پیشنهادی به انتقال، چرخش، تغییر اندازه ، و در بسیاری از موارد حتی به انسداد جزئی نیز ثابت است

نویسندگان

عقیل کشیر

کارشناس ارشد برق الکترونیک دانشگاه آزاد اسلامی واحد علوم و تحقیقات شاهرود

علی حریمی

دانشکده برق واحد شاهرود دانشگاه آزاد اسلامی شاهرود ایران

نسرین صالحی

دانشکده علوم پایه واحد شاهرود دانشگاه آزاد اسلامی شاهرود ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • in and out of vehicles, " IEEE Visionء [1] L. ...
  • S. Lafuente-Arr yo , P. Gil-Jimenez, R. Maldonado-B ascon, F. ...
  • P. Gil-Jimenez, S. Lafuente-Aro yo , H. Gomez -Moreno , ...
  • Veh. Symp., Las vegas, NV, Jun. 2005, pp. 607-612. ...
  • H. Kamada, S. Naoi, and T. Gotoh, _ compact navigation ...
  • A. de la Escalera, L. E. Moreno, M. A. Salichs, ...
  • J. Miura, T. Kanda, and Y. Shirai, _ active vision ...
  • P. Arnoul, M. Viala, J. Guerin, and M. Mergy, _ ...
  • sign information Visualء، [8] A. de la Escalera, J. M. ...
  • no. 2, pp. 57-68, Jun. 2004. ...
  • C. Y. Fang, C. S. Fuh, P. S. Yen, S. ...
  • H. Liu, D. Liu, and J. Xin, "Real-time recognition of ...
  • N. Barmes and A. Zelinsky, "Real-time radial symmetry for speed ...
  • G. Loy and N. Barnes, "Fast shape-based road sign detection ...
  • Y. Aoyagi and T. Asakura, _ study on traffic sign ...
  • C. Fang, S. Chen, and C. Fuh, "Road sign detection ...
  • _ Farag and A. E. Abdel-Hakim, "Detection, categorization and recognition ...
  • D. G. Lowe, "Object recognition from local scale-invariant features, " ...
  • A. de la Escalera, J. M. Armingol, and M. Mata, ...
  • E. Perez and B. Javidi, "Nonlinear distortion- tolerant filters for ...
  • S. H. Hsu and C. L. Huang, "Road sign detection ...
  • W. Wu, X. Chen, and J. Yang, "Detection of text ...
  • M. Thomson and S. Westland, _ Colour-imager characteriz ation by ...
  • V. Vapnik, The Nature of Statistical Learning Theory. New York: ...
  • V. Vapnik, Statistical Learning Theory. New York: Wiley, 1998. ...
  • tutorial on support vector machines for pattern recognition, " Data ...
  • N. Cristianini and J. Shame-Taylor, Support Vector Machines andOther Kernel- ...
  • C. Chang and C. Lin, LIBSVM: A Library for Support ...
  • نمایش کامل مراجع