Traffic sign recognition with machine learning methods
Makine ile öğrenme yöntemleriyle trafik işareti tanıma
- Tez No: 605025
- Danışmanlar: DR. ÖĞR. ÜYESİ HATİCE DOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Science and Technology, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
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.
Özet (Çeviri)
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.
Benzer Tezler
- Derin öğrenme yöntemleri ile trafik işareti tanıma
Traffic sign recognition with deep learning methods
OKAN YILDIRAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KAZIM YILDIZ
- Derin evrişimsel sinir ağlarını kullanılarak araç, insan ve trafik işaretlerinin tanınması
Recognition of vehicle, human and traffic signs using deep convolutional neural networks
GÜLYETER ÖZTÜRK
Yüksek Lisans
Türkçe
2020
Mekatronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. RAŞİT KÖKER
- Araç farları için dinamik bir model üzerinden otomatik kontrol yöntemiyle yeni bir far sistemi geliştirilmesi
Development of a new headlight system via automatic control method with dynamic model for vehicle headlights
ŞAFAK YAŞAR
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiAfyon Kocatepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ŞAHİN
DR. ÖĞR. ÜYESİ ONUR AKAR
- Dengesiz veri setlerinde trafik işaretlerini tanıma
Traffic sign recognition system for imbalanced dataset
YILDIZ AYDIN
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÜLŞAH TÜMÜKLÜ ÖZYER
- Otonom araçlar için trafik işaretlerini tanıma sistemi
Traffic sign recognition system for autonomous vehicles
EMRE BALKAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Arel ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER IŞIK