Detection, localization and distance measurement of traffic sign plates with deep learning
Derin öğrenme ile trafik işaret plakalarının tespiti, yerelleştirmesi ve mesafe ölçümü
- Tez No: 672672
- Danışmanlar: PROF. DR. BURHAN ERGEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Trafik kazaları, milyonlarca can kaybından ve sayısız finansal etkiden sorumludur. Otomobil endüstrisindeki gelişmeye rağmen, sürücüler kazaların büyük çoğunluğundan nihai olarak sorumlu olmaya devam ediyor. Otomatik sürücü destek sistemleri, yol deneyimini iyileştirmek ve hem sürücülerin hem de yayaların hayatını kurtarmak için yirmi yılı aşkın süredir araştırılmaktadır. Elimizdeki tüm olası teknolojilerle, bu sistemler benzer sınıflarla karşılaştırıldığında hala çok ön hazırlık niteliğindedir. Son yıllarda, trafik işaretleri önemli bir yol kullanım kılavuzu oluşturduğundan ve tehlikeli durumlardan kaçınmaya yardımcı olduğundan Trafik İşareti Algılama (TSD) sistemlerine kapsamlı bir araştırma çalışması yapılmıştır. Bu sistemlerin yararlı olabilmesi için, uygun maliyetli bir hesaplama karmaşıklığı ve gelişmiş görüntü algılama gerektiren çevrimiçi bir şekilde çalışması gerekir. Olası çözümlerden biri, yüksek kaliteli algılamayı sürdürmek için derin öğrenmenin kullanılmasıdır. Derin öğrenme makinelerini eğitmek ne hızlıdır ne de çevrimiçi işlem için kendi başlarına yeterli değildir. Yine de, TSD sistemleri için çok verimli bir görüntü algılama için potansiyel bir adaydırlar. Derin öğrenme makinelerinin hesaplama gücünden yararlanmak ve bu arada eğitim süresi karmaşıklığını iyileştirmek için bu araştırma, trafik işaretlerini tespit etmek, tanımak ve tahmin etmek için Ana Bileşen Analizi (PCA) ve Daha Hızlı R-CNN kullanımını önermektedir. onlar ve sürücü arasındaki mesafe. PCA, işlenmiş görüntüleri düşük maliyetle verimli bir şekilde denoize etmek için bir kör kaynak ayırma mekanizması olarak kullanılır. Daha Hızlı R-CNN, TSD için geçerli olan çok verimli ve hesaplama açısından daha az karmaşık bir derin öğrenme mekanizması sağlar. Farklı veri tabanlarından elde edilen iki veri seti ile önerilen yöntemin performansı değerlendirilerek 0,99 doğruluk elde edilmiştir. Ayrıca sol ve sağ trafik işaretleri de hemen hemen aynı doğrulukla tespit edilebiliyordu.
Özet (Çeviri)
Traffic accidents are responsible for millions of life losses and countless financial impacts. Despite the advancement in the automobile industry, the drivers remain ultimately responsible for the vast majority of accidents. Automated driver assistance systems have been researched for more than two decades to improve the road experience and save the lives of both drivers and pedestrians. With all possible technologies in hand, these systems are still very much preliminary if compared to similar classes. In recent years, an extensive research effort has been dedicated to Traffic Sign Detection (TSD) systems, as traffic signs compose an essential road use guide, and assist in avoiding dangerous situations. For these systems to be useful, they should operate in an online fashion, which requires an affordable computational complexity as well as enhanced image detection. One of the possible solutions is the use of deep learning to maintain high-quality detection. Training deep learning machines is neither fast nor are they adequate on their own for online processing. Yet, they are a potential candidate for a very efficient image detection for TSD systems. To benefit from the computational power of deep learning machines, and in the meantime, improve their training time complexity, this research proposes the use of Principal Component Analysis (PCA) and Faster R-CNN to detect, recognize traffic signs, as well as estimating the distance between them and the driver. PCA is used as a blind-source separation mechanism to efficiently denoise the processed images at a low cost. While Faster R-CNN maintains a very efficient, and computationally less complex, deep learning mechanism applicable for TSD. With two datasets acquired from different databases, the performance of the proposed method is evaluated, and an accuracy of 0.99 was obtained. Besides, left and right traffic signs could also be detected with almost the same accuracy.
Benzer Tezler
- Otonom araçlar için 2B lazer tarayıcı kullanılarak yeni 3B LIDAR sistemi elde edilmesi ve engel tespiti
Obtaining a new type 3D LIDAR system using 2D laser scanner for autonomous vehicles and obstacle detection
AHMET KAĞIZMAN
Yüksek Lisans
Türkçe
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİNÇ ALTUĞ
- Coğrafi konum ve sensör verileri ile gözetimsiz sürücü performansı skorlama
Unsupervised driver performance scoring using geographical position and sensor data
OZAN FIRAT ÖZGÜL
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HARUN TAHA HAYVACI
- Multi-sensor lane tracking and lane departure warning system design
Çok-sensörlü şerit takip ve şeritten ayrılma uyarı sistemi tasarımı
BARIŞ ÖZCAN
Yüksek Lisans
İngilizce
2014
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. PINAR BOYRAZ
- LiDAR odometry based 3D slam for autonomous ground vehicles
Otonom kara araçlarında LiDAR odometre tabanlı 3B EZKH
ABDULBAKİ AYBAKAN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ
- Object recognition and localization with ultrasonic imaging in robotics applications
Robot uygulamalarında ultrasonik görüntüleme ile nesne tanıma ve yerleştirme
HASAN KIRAĞI
Yüksek Lisans
İngilizce
1994
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN ERSAK