TRAFFIC SIGN RECOGNITION

Abstract

Etkili ve doğru nesne tespiti, bilgisayarlı görme sistemlerinin ilerlemesinde büyük öneme sahip bir konu olmuştur. Zaman geçtikçe, birçok etkili ve doğru nesne tespiti, bilgisayar görüntü sistemlerinin ilerlemesinde önemli bir konu haline geldi. Zaman geçtikçe, derin öğrenme tekniklerinde birçok önemli gelişme meydana gelmiş ve buda nesne algılama doğruluğunun büyük ölçüde artmasına neden olmuştur. Bu araştırmanın amacı, gerçek zamanlı bir performans ile daha fazla doğruluk elde etmek amacı ile Yol İşareti Algılama ve Tanıma için en son teknoloji tekniğini birleştirmektir. Yol kullanıcıları, yolcular, yolcular ve araçlar için gelişmiş güvenlik sağlamaya yardımcı olan Yol İşareti Algılama ve Tanıma (RSDR) sistemi tarafından ekstra bir sürücü desteği seviyesi sağlanır. Kullanım faydları, engelli sürücülere sürüş dikkat dağınıklığı, kötü görüş ve hava koşulları gibi kritik durumlarda riskleri azaltmak ve yol işaretlerinin varlığı konusunda yardımcı olmasıdır. Yol İşareti Algılama ve Tanıma alanında birkaç girişimde bulunulmuştur literatür taramasında önerilmiştir; Bir peluş algoritmanın tasarımı, iyileştirme alanı olan devam eden bir araştırma beklentisidir. Tezin temel amacı, RSDR'deki bazı önemli zorlukları çözmektir. Bu, renk aydınlatma, ölçek, döndürme, çevirme, kapatma, hesaplama karmaşıklığı ve işlevsel sınırlamalardaki farklılıklar akılda tutularak elde edilir. Boru hattı aşağıdaki alt kategorilere ayrılabilir; Renk Bölümleme, Şekil Sınıflandırma ve İçerik Tanıma. Bu projede kullanılan metodolojiler bir bölümde ayrıntılı olarak tartışılırken, sonuçlar başka bir bölümde anlatılmıştır. Bu projede, çerçeve çıkarma, renk bölümleme, işaret algılama ve tanıma problemlerini uçtan uca bir şekilde çözmek için OpenCV ile Evrişimli Sinir Ağı Yaklaşımı kullanılmıştır. Model, halka açık bir çok yol işareti görüntüsü üzerinde eğitildi ve gerçek zamanlı video kaydedildi. Ortaya çıkan sistem daha sonra çok hızlı ve doğruydu.Effective and accurate object detection has been a matter of great significance in the progression of computer vision systems. With passage of time, there have been many effective and accurate object detection has been a matter of great significance in the progression of computer vision systems. With passage of time, there have been many significant enhancements in deep learning techniques, and in turn it has led to the accuracy for object detection being risen drastically. The aim of this thesis is to amalgamate state of the art technique for Road Sign Detection and Recognition with the goal of conquering greater accuracy with a real-time performance. An extra level of driver assistance is furnished by the Road Sign Detection and Recognition (RSDR) system which helps in enhanced safety for road users, passengers, passengers, vehicles. Its usage benefits the drivers with driving disabilities as it alerts them about the presence of road signs to decrease risks in critical situations of driving distractions, poor sight and weather conditions. There have been several attempts in the field of Road Sign Detection and Recognition have been proposed in literature Review; the design of a plush algorithm still an ongoing research prospective with room for improvement. The primary objective of the thesis is to solve some of the major challenges in RSDR. This is achieved keeping in mind the variations in colour illumination, scale, rotation, translation, occlusion, computational complexity and functional limitations. The pipeline can be sub-categorized further into; Colour Segmentation, Shape Classification and Content Recognition. The methodologies used in this project are discussed in details in a chapter whereas the results and outcomes are talked about in another. In this project, we use a Convolutional Neural Network Approach with OpenCV to solve the problem of frame extraction, colour segmentation, signs detections and recognition in an end-to-end fashion. The model was trained on lots of publicly available road sign images as well as it recorded video real time. The resulting system was then very fast and accurate.