DETECTION, LOCALIZATION AND DISTANCE MEASUREMENT OF TRAFFIC SIGN PLATES WITH DEEP LEARNING

Abstract

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.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.