ارائه یک مدل ارزیابی علائم ترافیکی مبتنی بر تشخیص اتوماتیک این علائم و مکان قرارگیری آنها WORD
 در این پایان نامه، قصد داریم روش های آشکار نمودن علایم ترافیکی در تصاویر گرفته شده از آنها وشناسایی این علایم را مورد بررسی قرار دهیم. سپس با استفاده از بهبود روشهای موجود سیستمی را ارایه دهیم که با استفاده از یک دوربین فیلمبرداری سوار شده روی یک وسیله متحرک ویک دستگاه گیرنده GPS Data Logger محل نصب علایم ترافیکی استاندارد را شناسایی و با توجه به آن، ارزیابی کند که آیا علامت در جای مناسبی نصب شده است یا خیر؟ این سیستم می تواند کمک شایانی به مهندسین بزرگراه، برای حفظ ونگهداری از جاده ها نماید.برای اینکار، بایستی که سیستم پیشنهادی ابتدا علایم ترافیکی را تشخیص دهد. در این پروژه، با استفاده از تجزیه وتحلیل لکه واعمال آستانه مناسب، اشیا را در تصویر شناسایی نموده؛ سپس با استفاده از تجزیه وتحلیل هیستوگرام رنگ وتجزیه وتحلیل ابعاد، لکه های اضافه حذف می شوند و با دقت 83.71% علایم ترافیکی بدرستی آشکار شدند. در مرحله بعد باید علایم شناسایی شوند، برای اینکار، علایم ترافیکی را با توجه به رنگ وشکل آنها گروه بندی کرده وبا استفاده از MLEV، بردارهای ویژگی هر علامت را استخراج کرده و با استفاده از بردارهای استخراج شده،یک شبکه عصبی، آموزش می بیند. ابتدا شکل کلی علامت و سپس پیام علامت با استفاده از شبکه عصبی طبقه بندی می شود؛در این مرحله، علایم با دقت 84.74% شناسایی شدند. در مرحله بعد با استفاده از تطابق زمانی، محل نصب هر علامت ترافیکی بدست می آید، وفاصله آن با محل وقوع عارضه(مثل پیچ بعدی) محاسبه می گردد و با توجه به نوع علامت شناسایی شده، ارزیابی می شود. نتایج بدست آمده نشان می دهد که سیستم پیشنهادی می تواند در بهبود وضعیت علایم جادهای بسیار موثر باشد. فهرست مطالب 1-مقدمه. 1 1-1-دلایل احساس نیاز به سیستم شناسایی علایم ترافیکی.. 1 1-1-2 علایم ترافیکی.. 2 1-1-2-1:علایم اخطاری(هشدار دهنده).. 2 1-1-2-2-تابلوهای انتظامی(مقرراتی).. 3 1-1-2-3-تابلوهای اخباری(اطلاعاتی).. 3 1-1-2-4-علایم راهنمای مسیر.. 4 1-1-2-5-علایم مکمل.. 4 1-1-2-6-تابلوهای محلی.. 4 1-2 کاربرد آشکارسازی وشناسایی علایم ترافیکی .. 5 1-2-1 سیستم های پشتیبان راننده.. 6 1-2-2 سیستم های دستیار راننده.. 7 1-3 اهداف پایان نامه.. 9 1-3- 1 آشکارسازی علامت ترافیکی.. 9 1-3-1-1 آشکارسازی بر اساس رنگ.. 10 1-3-1-2 آشکارسازی بر اساس شکل.. 10 1-3-1-3 آشکارسازی بر اساس شکل ورنگ.. 11 1-3-1-4 آشکارسازی بر اساس یادگیری ماشین.. 12 1-3-2 کلاس بندی وشناخت علایم ترافیکی.. 12 1-3-2-1 کلاس بندی با شبکه های عصبی مصنوعی.. 13 1-3-2-2 کلاس بندی با استفاده از تطبیق الگو.. 14 1-3-2-3 شناخت علامت توسط دیگر طبقه بندی کننده ها.. 14 1-3-2-4 OCR and Pictograms Recognition. 15 1-4 بهدست آوردن موقعیت جغرافیایی محل نصب علایم ترافیکی، ارزیابی محل نصب آن.. 15 1-5 ساختار این پایان نامه.. 16 2-پیشینه تحقیق. 17 2-1 مقدمه.. 17 2-2 پیشینه تحقیقاتی سیستمهای آشکارسازی علایم ترافیکی.. 17 2-2-1 آشکارسازی بر اساس رنگ.. 18 2-2-2 آشکارسازی بر اساس شکل.. 19 2-2-3آشکارسازی بر اساس شکل ورنگ.. 22 2-2-4 آشکارسازی بر اساس یادگیری ماشین.. 24 2-2 پیشینه تحقیقاتی سیستمهای شناخت علایم ترافیکی.. 24 2-3-1شناخت علایم ترافیکی بوسیله شبکه های عصبی.. 25 2-3-2 شناخت علایم ترافیکی بوسیله تطبیق الگو.. 26 2-3-3 شناخت علامت توسط دیگر طبقه بندی کننده ها.. 27 2-3-4 OCR and Pictograms Recognition. 28 3-آشکارسازی علایم ترافیکی. 30 3-1 مقدمه.. 30 3-2 دلایل دشواری مقایسه بین تکنیکهای آشکارسازی علایم.. 30 3-3 مشکلاتی که سر راه آشکارسازی و شناسایی علایم ترافیکی قرار دارد 31 3-3-1میزان نور متغیر است و قابل کنترل نیست.. 31 3-3-2حضور اشیا دیگر.. 32 3-3-3تفاوت ظاهری علایم.. 33 3-3-4تغییر فیزیکی علامت.. 34 3-3-5 تغییر رنگ علامت.. 35 3-3-6 حرکت بلوری.. 35 3-4 رویکردهای آشکارسازی علایم ترافیکی.. 36 3-4-1 آشکارسازی علایم ترافیکی بر اساس رنگ.. 36 3-4-1-1 بررسی اجمالی فضاهای رنگی.. 37 3-4-1-2-1 قطعه بندی آستانه رنگی.. 41 3-4-1-2-2 پیوستن پویای پیکسل.. 42 3-4-1-2-3 تبدیل به HSI/HSV.. 42 3-4-1-2-4 رشد دادن منطقه.. 42 3-4-1-2-5 شاخص گذاری رنگ.. 43 3-4-2 آشکارسازی بر اساس شکل.. 43 3-4-2-1 Hierarchal Spatial Feature Matching. 44 3-4-2-2 Hough Transform.. 44 3-4-2-3 Similarity Detection. 45 3-4-2-4Distance Transform Matching. 45 3-4-3 آشکارسازی علامت با استفاده از شکل ورنگ.. 46 3-4-4 آشکارسازی بر اساس یادگیری ماشین.. 47 4-شناسایی علایم ترافیکی. 49 4-1 مقدمه.. 49 4-2 شناسایی اشکال توسط ماشین.. 49 4-2-1 مشکلاتی که در این راه وجود دارند.. 50 4-2-1-1 چرخش،بازتاب(آینه)،ترجمه،تغییر مقیاس.. 51 4-3 الگوریتمهای شناخت علایم ترافیکی.. 52 4-3-1شبکه های عصبی.. 53 4-3-1-1 شبکه های پس انتشار.. 54 4-3-1-2پرسپترونچندلایه.. 54 4-3-2 تطبیق الگو.. 55 4-3-3 کلاس بندی با PSO.. 56 4-3-4 کلاس بندی با SVM... 57 4-3-5 شناخت علایم ترافیکی توسط OCR and pictogram.. 61 5-طراحی و پیاده سازی سیستم وارزیابی آن. 62 5-1 مقدمه.. 62 5-2آشکارسازی علامت بوسیله ،تجزیه وتحلیل لکه.. 62 5-2-1 تعریف لکه.. 62 5-2-2شناسایی مناطق مورد علاقه:.. 65 5-2-3فیلترهای میانه دوبعدی.. 66 5-2-4 استخراج لبه های اشیا:.. 68 5-2-5 حذف لکه های زاید.. 70 5-2-5-1تجزیه وتحلیل هیستوگرام رنگها.. 72 5-2-5-2 تجزیه وتحلیل ابعاد علامت:.. 74 5-2-6بلوک دیاگرام آشکارسازی علایم ترافیکی :.. 77 5-2-7 نتایج بدست آمده برای بخش آشکارسازی علایم ترافیکی.. 77 5-3 شناسایی علایم ترافیکی:.. 79 5-3-1شیوه ای بازگشتی برای تقسیم بندی شکل براساس بردار ویژه 79 5-3-1-1 محاسبه ماتریس کواریانس:.. 79 5-3-1-2 استخراج دو مقدار ویژه.. 80 5-3-1-3 ناحیه بندی شکل بر اساس بردارهای ویژه.. 81 5-3-1-4 محاسبه مقادیر ویژه وبردارهای ویژه؛ زیر ناحیه ها 82 5-3-1-5محاسبهbounding-box:.. 83 5-3-2 استخراج پارامترهای مستقل از مقیاس،انحراف،دوران.. 83 5-3-2-1پارامتر (eigen-ratio).. 84 5-3-2-2 پارامتر (compactness).. 84 5-3-2-3 پارامتر (normal-angle).. 85 5-3-2-4 پارامتر(center).. 86 5-3-3 آزمایش مستقل بودن پارامترها(دوران،انتقال،مقیاس).. 87 5-3-4 تقسیم بندی علایم ترافیکی بر اساس شکل ظاهری ورنگ آنها 91 5-3-5 شناسایی شکل کلی علایم ترافیکی،توسط شبکه های عصبی.. 96 5-3-6 آموزش شبکه های عصبی.. 97 5-3-6-1 آموزش شبکه عصبی برای شناسایی شکل کلی علامت.. 98 5-3-6-2 آزمایش صحت کلاس بندی در شبکه عصبی.. 99 5-3-7 شناسایی پیام علامت.. 102 5-3-8 بلوک دیاگرام سیستم شناسایی علایم ترافیکی بوسیله شبکه عصبی 104 5-3-9 نتایج شناسایی علایم ترافیکی.. 105 5-4 تعیین محل نصب علامت و ارزیابی آن.. 106 5-4-1 سیستم موقعیت یاب جهانی چگونه کار میکند.. 107 5-4-2 محاسبه محل نصب علامت.. 109 5-4-3 ارزیابی علامت ترافیکی.. 111 5-4-4 رسم نقاط بر روی نقشه.. 112 5-4-4-1 سیستم اطلاعات جغرافیای(GIS).. 112 5-4-4-2 تجزیه وتحلیلWorld file. 114 5-4-5-2 رسم یک نقطه جغرافیایی.. 120 5-4-5 نتیجه اجرای کلی الگوریتم وارزیابی نقاط بدست آمده 123 6-نتایج وپیشنهادات. 128 7-منابع. 129 8-چکیده انگلیسی. 137
فهرست جداول جدول 3‑1:روشهای استخراج رنگ قرمز در منابع مختلف41 جدول 5‑1: نرخ آشکارسازی علایم ترافیکی.. 78 جدول 5‑2: تعداد لکه های حذف شده.. 78 جدول 5‑3:تصاویر مورد آزمایش.. 87 جدول 5‑4:پارامترهای استخراج شده از تصاویر جدول5-3 را نشان می دهد. 88 جدول 5‑5:بردار هدف گروههای هشت گانه علایم ترافیکی.. 98 جدول 5‑6:تعداد علایم آموزش داده به شبکه عصبی.. 98 جدول 5‑7:تعداد علایمی که بعنوان،داده تست شبکه عصبی در نظر گرفته شده 99 جدول 5‑8:بردار هدف برای کلاس 4. 100 جدول 5‑9:confusion matrix برای داده های تمرینی.. 100 جدول 5‑10: confusion matrix برای داده های تستی.. 101 جدول 5‑11:رنگ پیام علامت ترافیکی در گروه های مختلف.. 102 جدول 5‑12: : جزییات شبکه های عصبی استفاده شده.. 103 جدول 5‑13:نتیجه شناسایی علایم تمرینی.. 105 جدول 5‑14:نتیجه شناسایی علایم ترافیکی جدید.. 106 جدول 5‑15:اطلاعات ذخیره شده توسط دستگاه GPS data loggger. 109 جدول 5‑16:اطلاعات مربوط به شکل( 5-39 ) که توسط الگوریتم استخراج شده است 110 جدول 5‑17:شناسایی مکان علامت ترافیکی با استفاده از مطابقت زمانی 110 5‑18 فاصله مجاز بین علایم و محل وقوع عارضه.. 125 جدول 5‑19:ارزیابی علایم ومحاسبه فاصله آنها.. 126
فهرست اشکال شکل 1‑1:علایم اخطاری.. 2 شکل 1‑2:علایم انتظامی.. 3 شکل 1‑3:علایم ورود به منطقه.. 3 شکل 1‑4:علایم اخباری.. 3 شکل 1‑5:علایم راهنمای مسیر.. 4 شکل 1‑6:علایم مکمل.. 4 شکل 1‑7:علایم محلی.. 4 شکل 1‑8: سیستمی که مرسدس بنز طراحی کرده، علامت ورود ممنوع را شناسایی می کند 8 شکل 1‑9:نمونه هایی از دستیار های راننده.. 8 شکل 3‑1: تاثیر تابش نور در شرایط مختلف به علامت.. 32 شکل 3‑2:نمونه ای ازتابش بد نور.. 32 شکل 3‑3: نمونه ای از حضور اشیای مزاحم.. 33 شکل 3‑4: نمونه هایی از حضور اشیای همرنگ علامت.. 33 شکل 3‑5: تفاوت رنگ علایم ترافیکی در کشورهای مختلف.. 34 شکل 3‑6: تفاوت pictogram ها در کشورهای مختلف.. 34 شکل 3‑7: تغییر شکل فیزیکی علامت(چرخش).. 35 شکل 3‑8: تغییر رنگهای بکار رفته درعلامت.. 35 شکل 3‑9: نمونه ای از حرکت بلوری در تصاویر.. 36 شکل 3‑10: تفاوت بین دو فام نارنجی رنگ در فرمت RGB.. 38 شکل 3‑11: نمایش رنگهادر فضای رنگی HSL/HSV.. 39 شکل 3‑12:اسنخراج تصویر DT.. 46 شکل 3‑13: نمونه های از Haar-like هایی که در آموزش آشکارسازی بکار برده می شوند.. 48 شکل 4‑1:مشکلاتی که در شناسایی اشکال وجود دارد.. 51 شکل 4‑2: یکپرسپترونباورودیبایاس.. 55 شکل4‑3: دیاگرام PSO.. 57 شکل 4‑4:روش بازنمایی بر اساس کیفی از کلمات شود.. 59 شکل 4‑5: روند ساختcodebook. 60 شکل 4‑6: فرایند آموزش.. 60 شکل 5‑1:استخراج لکه ها.. 63 شکل 5‑2:نمونه ای از اعمال آستانه وحذف نویز.. 66 شکل 5‑3:از بین بردن نویز فلفل نمکی بوسیله فیلتر میانه.. 67 شکل 5‑4:تخمین مقدار هر پیکسل با استفاده از فیلتر میانه[3*3]. 67 شکل 5‑5:نمونه ای از اعمال فیلتر میانه.. 68 شکل 5‑6:نمایی از سلسله مراتب اشیا.. 69 شکل 5‑7: بلوک دیاگرام تجزیه وتحلیل لکه.. 69 شکل 5‑8:نمونه ای از لکه های شناسایی شده.. 70 شکل 5‑9: نمونه ای از لکه های اضافی.. 71 شکل 5‑10:استخراج HueوSaturation از تصویر.. 72 شکل5‑11: محاسبه میانگین برای تجزیه وتحلیل هیستوگرام.73 شکل 5‑12: علامت ترافیکی با طول وعرض یکسان.. 74 شکل 5‑13: علامت ترافیکی با طول وعرض متفاوت.. 75 شکل 5‑14:حذف لکه های زاید وشناسایی علایم ترافیکی.. 76 شکل 5‑15:بلوک دیاگرام آشکارسازی علایم ترافیکی.. 77 شکل 5‑16:بلوک دیاگرام استخراج بردار های ویژه ومقدارهای ویژه از ماتریس کواریانس CL.. 80 شکل 5‑17:رسم بردارهای ویژه.. 82 شکل 5‑18:نمودار درختی برای ناحیه بندی یک شکل.. 82 شکل 5‑19: bounding box هر ناحیه.. 83 شکل 5‑20: نحوه محاسبه زاویه حاده بین دو بردار ویژه.. 85 شکل 5‑21:نشان دهنده نمودار eigen ratio. 89 شکل 5‑22:نشان دهنده نمودار compactness. 89 شکل 5‑23:نشان دهنده نمودار normal angle. 90 شکل 5‑24:نشان دهنده نمودارcenteral90 شکل 5‑25:علایم گروه اول.. 91 شکل 5‑26:علایم گروه دوم.. 92 شکل 5‑27:علایم گروه سوم.. 92 شکل 5‑28:علایم گروه چهارم.. 93 شکل 5‑29:علایم گروه پنجم.. 94 شکل 5‑30:علایم گروه ششم.. 95 شکل 5‑31:علایم گروه هفتم.. 95 شکل 5‑32:علایم گروه هشتم.. 96 شکل 5‑33:نمونه ای از اعمال آستانه متناب با هر گروه.. 97 شکل 5‑34: استخراج پیام متن به شیوه صحیح.. 102 شکل 5‑35:نمایی از شبکه عصبی پیاده سازی شده،برای شناخت شکل کلی علامت 103 شکل 5‑36: بلوک دیاگرام سیستم شناسایی علایم ترافیکی بوسیله شبکه عصبی 104 شکل 5‑37: دستگاه هایی که اطلاعات را از ماهواره دریافت میکنند 108 شکل 5‑38:دستگاه GPS data logger. 108 شکل 5‑39:نمونه ای از علامت شناسایی شده توسط سیستم.. 110 شکل 5‑40:نقشه راههای استان کرمانشاه که توسط ArcGISایجاد شده است 113 شکل 5‑41:پیکسلهای یک اندازه وتراز.. 115 شکل 5‑42:پیکسلهای یک اندازه ولی پیکسلها تراز نیستند.. 115 شکل 5‑43:پیکسلهایی با طول وعرض متفاوت وتراز.. 116 شکل 5‑44:پیکسلهایی با طول وعرض متفاوت،ولی پیکسلها تراز نسیتند 116 شکل 5‑45:نمونه ای از نقشه که مورد تست قرار گرفته است.. 118 شکل 5‑46: رسم یک نقطه جغرافیایی بر روی نقشه.. 122 شکل 5‑47:علایمی که توسط الگوریتم شناسایی شده اند.. 124 شکل 5‑48:ترسیم علایم شناسایی شده و محل مناسب آنها.. 127 نشانه های اختصاری
TSR=traffic sign recognition DSS=driver support systems DAS=driver assistance systems HT=hough transform DT=distance transform ANN=Artificial neural network OCR=Optical character recognition MLP=multilayer perceptron GPS=Global Positioning System GIS=Geographic information system CNN=Cellular neural network HSFT=Hierarchical Spatial Feature Matching SVF=Simple vector filter SA=Simullated annealing SVM=support vector machine PLCV= pseudo-likelihood cross-validation ROI=region of interest RGB=red-green-blue HSI=hue-saturation-intensity CMYK=cyan-magenta-yellow-black L*A*B=lightness color opponent dimensions BP=back propagation FF=feed forward NCC=Normalized cross correlation SIFT=Scale invariant feature transform MLEV=Multi Layer EigenVector shape descriptor MSE=mean squared errors CCR=correct classification rate 1-1-مقدمه
ابتدا در این فصل به معرفی علایم ترافیکی وسیستمی که علایم ترافیکی را شناسایی کند، می پردازیم وسپس کارهایی که برای شناسایی صحیح علامت لازم است ،مورد بررسی قرار خواهد گرفت؛ درنهایت هم ساختار این پایان نامه را توضیح میدهیم. 1-1-دلایل احساس نیاز به سیستم شناسایی علایم ترافیکی تمایل انسانها به آسایش هرچه بیشتر و حمل و نقل آسان، سبب ایجاد وسایل نقلیه زمینی گردیده است. با رشد جمعیت، هر روزه به تعداد وسایل نقلیه‌ای که در خیابان‌ها وجاده‌ها تردد میکنند افزوده میشود. با توجه به این تعداد بی‌شمار وسایل نقلیه، نیاز به کنترل آنها به منظور جلوگیری از تصادفات تا حد ممکن و در نتیجه کاهش تلفات جانی و مالی فراوان کاملاً احساس میشود. بخش عمده‌ای از وظیفه کنترل و هدایت وسایل نقلیه در خیابان‌ها و جاده‌ها توسط علائم راهنمایی و رانندگی صورت میگیرد. بنابراین مشاهده علائم و عمل کردن به پیام آن ها بوسیله رانندگان ضروری و مهم میباشد. با توجه به اهمیت این مسأله اگر بتوان سیستم خودکاری برای تشخیص علائم واعلام پیام آنها به رانندگان طراحی نمود، کمک زیادی به آرامش رانندگان خواهد کرد و عبور ومرور روان خواهد شد و بدین ترتیب کلیه رانندگان بویژه رانندگان مبتدی می‌توانندتمرکز بیشتری بر روی کنترل وسیله نقلیه داشته باشند.
1-1-2 علایم ترافیکی علایم راهنمایی و رانندگی مانند انواع چراغ ها، تابلوها، خط کشی ها، نوشته ها، ترسیم ها ونیز علایم تعیین سمت عبور که باید روی راه ها کشیده شود، براساس قانون الحاق ایران به کنوانسیون عبور ومرور در جاده و کنوانسیون مربوط به علایم راهها-مصوب 1354 تهیه شده اند. تشخیص،انتخاب،تهیه،جانمایی،نصب،ترسیمونگهداریعلایمعمودیوافقی راهنماییورانندگیدرشهرهابراساسدستورالعملیخواهدبودکهبهپیشنهادشورایعالیهماهنگی ترافیکشهرهایکشوربهتصویبوزیرکشورمیرسدودرجادههابهعهدهوزارتراهوترابری میباشد. درمواقعاضطراریراهنماییورانندگیوپلیسراهمیتوانندخوداقدامبهانتخابنوععلایمو محلاستفادهودرصورتلزومتهیهونصبآنهابهطورموقتنمودهومراتبرابرحسبمورد،به شهرداریویاوزارتراهوترابریاعلامنمایند. مفاهیمرنگوشکلعلایموتابلوهاوچگونگیرفتاررانندگانپسازدیدنآنها،کهدرکتابهایآموزشیبایدارائهشود،ازسویکارگروهیمتشکلازنمایندگانوزارتکشور،وزارتراهو ترابریوراهنماییورانندگیتهیهوبههمراهاینآییننامهبرایاطلاععمومیدراختیارمراجع صلاحیتداروباهمکاریشوراهایاسلامیشهرهادراختیارعموممردمقرارمیگیرد]1[. علایم ترافیکی در ایران به شش دسته کلی تقسم بندی میشوند: 1-1-2-1:علایم اخطاری(هشدار دهنده):از این علایم برای آگاه ساختن راننده نسبت به خطرات احتمالی موجود در مسیر استفاده میشود.این علایم معمولا با مثلث قرمز رنگ نمایش داده میشود. 1-1-2-2-تابلوهای انتظامی(مقرراتی):با استفاده از این نوع علایم،دستورالعملی را به راننده متذکر میشوند ویاممنوعیت یا محدودیتی را گوشزد میکنند. 1-1-2-3-تابلوهای اخباری(اطلاعاتی):این علایم معمولا اطلاعات مشخصی ومعینی را به رانندگان درباره منطقه می دهند. شکل 1‑3:علایم ورود به منطقه]1[ 1-1-2-4-علایم راهنمای مسیر:این علایم معمولا جهت حرکت وفاصله تا مقصد را مشخص میکنند. شکل 1‑5:علایم راهنمای مسیر]1[ 1-1-2-5-علایم مکمل:جهت اختصاص علایم رانندگی به گروه خاصی از وسایل نقلیه ویا تکمیل معنی علایم رانندگی دیگر کاربرد دارد. شکل 1‑6:علایم مکمل]1[ 1-1-2-6-تابلوهای محلی:با توجه به خصوصیات محل نصب علایم، طراحی میشوند. 1-2 کاربرد آشکارسازی وشناسایی علایم ترافیکی[1] آشکارسازی وشناسایی علایم ترافیکی در سالهای اخیر بیشتر مورد استقبال محققان قرار گرفته است وتحقیقات زیادی در این زمینه صورت گرفته است،این علاقه ناشی از محدوده وسیع برنامه های کاربردی در این حوزه است، معمولا این برنامه ها دارای قابلیتهای زیر هستند:
در قرن بیست ویکم، اتومبیل بخش لاینفکی از زندگی را اشغال کرده است،پس باید راننده ها از قوانین ومقرراتی که توسط علایم ترافیکی گوشزد میشود تبعیت کنند.با توجه به پیشرفت تکنولوژی،سیستمهای دستیار راننده وسیستمهای پشتیبان راننده برای افزایش راحتی واطمینان ایجاد شدند]4[. 1-2-1 سیستم های پشتیبان راننده اتومبیلهای های مدرن، در نوع حسگرها، کامپیوتر وتکنولوژی ارتباطی تغییرات بزرگی نسبت به گذشته داشته اند؛بهعنوان مثال میتوان سیستم های کروزکنترل تطبیقی (ACC[3]) ، (LDWA[4])، (BLIS[5]) را برشمرد.این سیستم های پشتیبان راننده بهطور خودکار بخشی از کار رانندگی را بهعهده میگیرد، درنتیجه رانندگی راحتتر وامن تری را برای راننده به ارمغان میآورد ]5[.خطای انسانی عامل 90% تصادفات رانندگی است، در بسیاری از این حوادث، راننده تلاشی برای اجتناب از این برخورد انجام نمیدهد. این نشان از سهل انگاری و غفلت راننده درباره حادثه است]6،7[. فلسفه وجود سیستم های پشتیبان راننده؛ کاهش تعداد تصادفاتی است که با خطای انسانی انجام میگیرد.پس با کمک این سیستم ها میتوان از جنبه های زیان بار حوادث(مرگ ومیر، صدمات مالی، ایجاد ترافیک) جلوگیری کرد وآنها را کاهش داد. این سیستم ها با افزایش راحتی رانندگی، روان کردن جریان ترافیک، باعث کاهش تولید گازهای گلخانه ای و هم چنین کاهش هزینه ها میگردد]8[. 1-2-2 سیستم های دستیار راننده[6]سیستم های دستیار راننده، کمک شایانی را به رانندگان ارائه میدهند. بسیاری از این سیستمها به منظور افزایش امنیت وراحتی در طی دهه گذشته در وسایل نقلیه بهکار گرفته شده اند، بهعنوان مثال میتوان به سیستمهای کنترل ثبات خودرو(VSC[7])،سیستمهای هدایت برقی کمکی (EPAS[8])،کنترل ضد رول آور(ARC[9]) اشاره کرد. برخی از این دستیارهای راننده وظایف خاصی را برای بهبود عملکرد، در رانندگی انجام میدهند، برخی دیگر نیز برای همراهی وهمکاری با انسان طراحی شده اند. مخالفان طرحهای کاملا اتوماتیک سیستمهای دستیار راننده، به این نکته اشاره میکنند که این سیستمها باعث سلب اقتدار و مسئولیت انسان میشوند. از آنجا که سیستمهای دستیار راننده معمولا با یک راننده انسان همکاری میکنند،پس در نتیجه عملکرد آنها به واکنش خوب و سنجیده عامل انسانی هم بستگی دارد. بنابراین باید عملکرد راننده انسان را هم در ارزیابی این حلقه موثر دانست. تاهمین اواخر برای آزمایش نمونه های اولیه این سیستمها از شبیه سازهای رانندگی استفاده میکردند، این فرایند هزینه و زمان زیادی را به سیستم تحمیل میکرد. امروزه از روشی مبتنی بر شبیه سازی کامپیوتری بههمراه رانندگان انسانی بهعنوان جایگزین روش قبلی استفاده میشود، چون که دقیقا رفتارهایی که انسان در شرایط مختلف بروز می دهد را نمیتوان تعیین کرد]9[. شکل 1‑8: سیستمی که مرسدس بنز طراحی کرده، علامت ورود ممنوع را شناسایی می کند]10[ شکل 1‑9:نمونه هایی از دستیار های راننده؛ (a)دستیار راننده طراحی شده شرکت VALEO ،برای پارک کردن ودید دنده عقب؛(b) دستیار راننده طراحی شده شرکت مرسدس بنز،برای پارک کردن ودید دنده عقب 1-3 اهداف پایان نامه باتوجه اهداف در نظر گرفته شده برای پایان نامه، سیستمی که طراحی میشود باید کارهای زیر را بهدرستی انجام دهد:
1-3- 1 آشکارسازی علامت ترافیکی در مرحله آشکارسازی علامت روی تصویر پیش پردازش انجام می گیرد و بخش بندی[13] تصویر با توجه به خصوصیات رنگ[14]واشکال[15]، انجام میگیرد. هر کدام از این بخشها حاوی مناطقی است که احتمال وجود علامت ترافیکی در آن زیاد است.رنگها نقش مهمی را در سیستمهای آشکارسازی علامت ترافیکی را ایفا می کنند، با این حال شناسایی اشکال نیز مورد استفاده گروههای تحقیقاتی فراوانی قرارگرفته است]11[. پس می توان گفت که عمده روشهایی که در این مرحله مورد استفاده قرار میگیرد به شرح زیر است: جهت کپی مطلب از ctrl+A استفاده نمایید نماید |
