کلاس بندی و شناخت علایم ترافیکی

اکثریت قریب به اتفاق روشهایی که برای شناسایی علایم ترافیکی مورد استفاده قرار میگیرند حداقل شامل دو مرحله میباشند.که یکی از آنها بمنظور آشکارسازی علایم ودیگری کلاس بندی علایم میباشد.در کل وظیفه کلاس بندی نگاشت علایم تشخیص داده شده در تصویر به رده معنایی آن علامت میباشد]15[.
الگوریتمی‌که برای آشکارسازی علایم ترافیکی ارایه شده است، میتواند برای آشکارسازی وشناسایی سایر اشیا نیز مورد استفاده قرار بگیرد و توانایی مقابله با مشکلاتی که برای آشکارسازی اشیا در محیط‌های باز هست؛ را دارد. باین ترتیب سیستم در برابر تغییرات روشنایی وانسداد وتغییر شکل جسم مقاوم بوده ومیتواند در سیستم‌های دستیار راننده مورد استفاده قرار بگیرد. این سیستم علاوه بر اینکه برای تعیین وضعیت علایم رانندگی مفید است میتواند برای کاربردهای دیگری همچون تعمیرونگهداری علایم موجود در بزرگراهها وهمچنین علایم ترافیکی شهری،نیز مفید واقع شود]3[.
علایم ترافیکی با روشهای زیر کلاس بندی وشناسایی می‌شود:
• شبکه‌های عصبی مصنوعی(ANN )
• تطبیق الگو
• شناخت علایم ترافیکی توسط طبقه بندی کننده‌های دیگر
• OCR and Pictograms Recognition

1-3-2-1 کلاس بندی با شبکه‌های عصبی مصنوعی

استفاده از شبکه‌های عصبی( NN) برای کلاس بندی علایم ترافیکی،بسیار رایج است.چون¬که شبکه‌های عصبی، باتوجه به مشکلات موجود، قابلیت تعمیم الگوهای آموزشی وگرفتن پاسخ صحیح از آنها را دارند. شبکه¬های عصبی وقتی که نشانه جدیدی را یاد گرفتند احتیاجی به بازآموزی ندارندو با افزایش حجم اطلاعات چیزهایی را که یاد گرفته¬اند را فراموش نمی¬کنند.برای این¬کار فرایندی دو مرحله ای باید انجام شود،که درابتدا اطلاعات موجود درباره علایم را استخراج کند و در مرحله بعد با شبکه‌های عصبی،علایم ترافیکی را شناسایی کند]3[.
انواع بسیاری از شبکه‌های عصبی وجود دارند(بعنوان مثال شبکه‌های هضم غذا ، شبکه‌های براساس شعاع ، شبکه‌های بازگشتی که ممکن است برنامه‌های کاربردی مثل شناسایی الگو ,تابع‌های درون یابی برای آن¬ها وجود داشته باشد. شبکه‌های پرسپترون چند لایه، با یک لایه پنهان ویک تابع فعال¬ساز غیرخطی در کلاس جهانی نشان داده می¬شود، بدین منظور از پرسپترون چندلایه(MLP) با برگشت انتشار(BP) برای یادگیری و کلاس بندی علائم استفاده شده است]16[.

1-3-2-2 کلاس بندی با استفاده از تطبیق الگو

شناسایی علایم ترافیکی بخشی از موضوع گسترده تری تحت نام ” شناسایی الگو“ است. مشکل اصلی در شناسایی الگو، دشواری شناسایی مشخصه الگو(templates) است. بعنوان مثال برنامه ای را در نظر بگیرید که برای آشکارسازی صورت افراد مورد استفاده قرار می‌گیرد، باید صورت شخص را از بین صورتهای گوناگون موجود در تصویر شناسای کند ]17[. بطور کلی تطبیق الگو شامل دو مرحله است:مرحله اول اندازه گیری شباهت ،مرحله دوم تطبیق الگو بعنوان راهبرد جستجو ]18[.

1-3-2-3 شناخت علامت توسط دیگر طبقه بندی کننده‌ها

درست است که شناسایی علایم ترافیکی بیشتر توسط شبکه‌های عصبی وتکنیک‌های تطابق الگو، انجام میگیرد؛ اما روشهای دیگری هم برای شناسایی وطبقه بندی علایم ترافیکی استفاده می‌شوند،برخی از این روشها عبارتند از:
• معیارهای فاصله ای
• طبقه بندی کننده‌های بر مبنای همسایگی
• طبقه بندی کننده‌های بر مبنای هسته
• ماشین بردار پرداز

1-3-2-4 OCR and Pictograms Recognition

OCR یکی از چالش بر انگیز ترین تحقیقاتی است که در زمینه پردازش تصویر انجام گرفته است.OCR به فرایندی طلاق می‌گردد که متن و نوشته‌ها را از روی تصویر شناسایی می‌کند]19[. می‌توان اعداد وحروفی که در علایم ترافیکی وجود دارند، را توسط OCR شناسایی کرد]20[.