پیشینه تحقیقاتی سیستمهای آشکارسازی علایم ترافیکی

همانطور که قبلا گفتیم شناسایی علایم ترافیکی در دومرحله آشکارسازی علامت وشناخت علامت انجام می شود.محققانی که در مرحله آشکارسازی علایم ترافیکی فعالیت میکنند به چهار گروه تقسیم میشوند:
 گروه اول از اطلاعات رنگ برای آشکارسازی علامت استفاده میکنند.
 گروه دوم بر این باور است که می تواند از روی شکل،علامت ترافیکی را تشخیص دهد.
 گروه سوم هم از اطلاعات رنگ وهم شکل،برای تشخیص علامت استفاده میکند.
 گروه چهارم از آشکارسازی بر اساس یادگیری ماشین ،بهره می گیرد]14[.
2-2-1 آشکارسازی بر اساس رنگ
محققان زیر در این حوزه فعالیت کرده اند:
o Ghica et al:آنها ،برای قطعه بندی بندی پیکسلهای درونی یک شکل، از پس زمینه؛ در یک تصویر دیجیتال از آستانه استفاده کرد. آنها محاسبات خود را برپایه فاصله رنگها در فضای رنگی RGB بنا نهاد]21[.
o Estevez and Kehtarnavas:الگوریتمی پیشنهاد دادند، که بعضی از علایم ترافیکی را مانند ایست،توقف ممنوع وورود ممنوع را شناسایی میکرد.الگوریتم آنها بر پایه شش ماژول عمل میکرد:

ماژول 1:بخش بندی رنگ ها
ماژول2:لبه سازی محلی
ماژول3تفاضلRGB
ماژول4:تشخیص لبه
ماژول5:استخراج هیستوگرام
ماژول6:طبقه بندی]22[

o Yuille et al:آنها، یک سیستم علامت یاب برای کمک به مردم ساختند. فرض آنها بر این بود که، علایم ترافیکی از دورنگ تشکیل شده است(رنگ حاشیه و رنگ متن پیام) و اینکه علایم یا شش ضلعی هستند؛یا مستطیلی هستند. برای تشخیص علایم، مجموعه ای از بذر ها را در نظر گرفتند، این بذرها توسط الگوریتم در مناطق مورد علاقه، رشد داده می شدند]23[.
o Yabuki et al:او برای تشخیص علایم ترافیکی،روشی پیشنهاد داد که بر اساس فضای رنگیXYZکار میکرد.او یک نقشه مشابهت رنگ، ساخت که با استفاده از آن علایم ترافیکی را تشخیص می داد]24[.
o Fang et al:او مقدار هر پیکسل را در فضای رنگی HSI محاسبه کرد و با رنگهای استخراج شده از علایم ترافیکی مقایسه کرد و درجه تشابه بین این دو را محاسبه کرد. بیشترین درجه تشابه بدست آمده را برای تجزیه وتحلیل رنگ علامت بکار گرفت]25[.
o Shadeed et al:وی از دو فضای رنگیHSVوYUV برای تشخیص علایم استفاده کرد. سیستم پیشنهادی او، تصاویر ورودی را ازRGB به YUV تبدیل میکند.سپس هیستوگرام کانالY را یکسان سازی میکند وپس از آن یک RGB جدید می سازد. در مرحله بعد، RGB بدست آمده را به HSV تبدیل میکند. سپس آستانه مناسب بررویHوYU اعمال میشود.در آخر نتایج با هم ترکیب می شود]26[.
o Bénallal and Meunier: او یک سیستم بر پایه بینایی ماشین ساخت وآنرا در یک اتومبیل نصب کرد،که این سیستم قادر به تشخیص وشناخت علایم ترافیکی بود.برای اینکار از تقسیم بندی رنگ در فضای RGB استفاده کرد و رنگ های آبی،سبز و قرمز را با اعمال آستانه مناسب تشخیص می داد]27[.

2-2-2 آشکارسازی بر اساس شکل

در مواقعی که مولفه های رنگی خوبی ،در دسترس نباشد و یا اینکه رنگ دچار مشکل شده باشد؛ میتوان از این تکنیک ها استفاده کرد. تکنیکهای مبتنی بر شکل در مواقعی که رنگ پوسته پوسته شده است یا دچار محو شدگی شده است ویا چرخشی در آن اتفاق افتاده،بخوبی از عهده تشخیص علامت بر میاید]14[ . محققان زیر،در این حوزه فعالیت کرده اند:
o Piccioli et al:موقعیت قرار گیری علامت ترافیکی، با توجه به اطلاعات پیشین درباره محل قرار گیری علامت؛ حدس زده می شود. او از آَشکار سازCanny برای جستجو در ناحیه استفاده کرد وروی خوشه های آن تجزیه وتحلیل انجام داد. وی برای تطبیق نقاط کاندید و علایم از تطبق الگو استفاده کرد]28[.
o Priese et al:وی سیستمی را پیشنهاد داد که عمل شناخت علایم ترافیکی را،در زمان واقعی انجلم می داد.علایم توسط ماژول شناسایی کننده ،تفسیر می شوند.این سیستم ماژولهای دیگری مانند:ماژول موقعیت وجهت فلش،ماژول برای اعداد،ماژول برای علایم بازدارنده،ماژول برای علایم هشدار دهنده می باشد]29[.
o Aoyagi and Asakura:وی با استفاده از فیلتر لاپلاسین، یک شکل را از پس زمینه جدا کرد. پس از آن با استفاده از فیلترهای صاف کننده ، نویز را کاهش داد. در مرحله بعد تصویر را با اعمال آستانه مناسب بصورت باینری درآورد و سپس با استفاده از الگوریتم ژنتیک علایم موجود در تصویر را تشخیص داد]30،31[.
o Adorni et al:او با استفاده از شبکه های عصبی سلولی ، علایم ترافیکی را شناسایی کرد. برای استخراج پیکسلهای مرزی از اپراتور گرادیان استفاده کرد.پس از آن ، با اعمال آستانه(کمترین مقدار)، پیکسلهای با گرادیان کم را حذف کرد. در مرحله بعد با استفاده از شبکه های عصبی سلولی که دارای اندازه5*5 بود وتکرار آن؛ یک پیش انتخاب انجام می گرفت]32[.
o Gavrila: از تطبیق الگوی مبتنی بر تبدیل فاصله(DT ) برای آشکارسازی شکل استفاده کرد.ابتدا لبه های تصویر اصلی استخراج می شوند،سپس تصویرDT ساخته می شود.تصویر DT ،تصویری است که هر پیکسل فاصله خود تا نزدیکترین لبه را نمایش میدهد.ایده ای برای پیدا کردن شکل مورد علاقه در نظر گرفته،این است که تطابق الگو(بعنوان مثال یک مثلث منتظم)در برابر تصویر DTانجام بگیرد]33[.
o Schiekel:در مواقعی که نور کافی برای شناخت علایم ترافیکی وجود ندارد، نمی توان به اطلاعات رنگی برای شناسایی علایم ترافیکی اتکا کرد. او با استفاده از فیلتر سوبل مقدار گرادیان وجهت را محاسبه کرد. لبه های پیکسلها با اعمال آستانه بدست می آید. قطعه بندی پیکسلها در دوسطح ،انجام می گیرد. در سطح پایین آن، ویژگیهای پیکسلها(جهت شیب)محاسبه می شوند ودرسطح بالای آن مثلث ها وبیضی ها شناخته می شوند]34[.
o Huang and Hsu:وی با استفاده از روشMP علایم ترافیکی را تشخیص داد. در فاز تشخیص مناطق از اطلاعات پیشین استفاده می کرد. او با استفاده از تطبیق الگو ،اشکال مثلثی ودایره های را شناسایی کرد]35،36،37[.
o Paclík and Novovičová:او یک ماژول ایجاد کرد که بر پایه روش HSFM به شناسایی علایم میپرداخت. این ماژول، در مرحله تشخیص؛ لیستی از مناطق مورد علاقه را ایجاد میکند، که توسط واحد طبقه بندی باید تجزیه وتحلیل شود]38[.
o Perez and Javidi: میزان نور تابیده شده به علایم ترافیکی ثابت نیست. آنها با استفاده از فیلتر کامپوزیت و فیلتر بانک؛ میزان نور را در شرایط مختلف بررسی کردند]39[.
o Sandoval et al:روش پیشنهادی آنها بر تشخیص لبه و زاویه، استوار است. این روش با استفاده از یک ماسک پیچیدگی ، موقعیت هایی تولید میکند که در آن هم از زاویه وهم ازموقعیت پیکسل استفاده شده است. روش پیشنهادی آنها بصورت فیلتری عمل میکند که لبه های مدور را شناسایی کند]40[.
o Puntavungkour et al:سیستمی ایجاد کرد که بصورت خودکار، علایم ترافیکی را شناسایی می کرد. مناطق مورد علاقه، توسط تصحیح هندسی شناسایی می شوند. برای شناسایی علایم از تصاویر با سطح رنگی خاکستری استفاده شده است]41[.
o Hirose et al:روش پیشنهادی آنها برپایه تصاویر متحرک، کار می کرد. آنها لبه ها را با استفاده از یک فیلتر لاپلاسین معمولی استخراج کردند و بدنبال آن ، از فیلتر دیگری بنامSVF ؛ برای استخراج بعضی رنگهای خاص استفاده کردند. عمل جستجوی علایم دایره ای ، با استفاده از الگوریتم ژنتیک انجام گرفت]42[.
o Loy and Barnes:آنهااز اندازه گیری”تقارن شعاعی”استفاده میکنندو آنرا بعنوان روش پیش تقسیم بندی در چارچوب،بکار میبرند.روش تقارن شعاعی متناظر وساده شده(مثلا در سرعت)روش تبدیل Hough transform(HT) است و بویژه برای تشخیص وجود علایم دایره ای بکار میرود]12[.

2-2-3آشکارسازی بر اساس شکل ورنگ

محققانی که در زمینه آشکارسازی علایم ترافیکی با استفاده از شکل و رنگ ،کار کرده اند:
o Hibi: او برای اینکار از رنگ واشباع در فضای رنگی HSL بهره گرفت.او باتوجه به هیستوگرام، برای این دو ویژگی؛ آستانه پویایی در نظر گرفت.در نهایت، با ادغام این دو ویژگی، یک تصویر باینری ایجاد کرد. هر پیکسل از این تصویر با همسایگان خود، هفت نقطه مرزی دارد. با استفاده از الگورهای مرزی، طرح کلی شکل تشخیص داده می شود ]43[.
o Piccioli et al:او دو الگوریتم برای این کار پیشنهاد داد.یکی از سطح رنگ خاکستری استفاده میکند و از معیارهای هندسی ساده استفاده میکند؛ دیگری بر پایهHSV کار میکند. این الگوریتم تصویر را به مناطقی با اندازه 16*16 پیکسل تقسیم میکند وپیکسلهای آن را با اعداد 0 یا 1 طبقه بندی می کند. بعد از اینکار پیکسلها، برچسب گذاری شده اند. برای آشکارسازی یک شکل ، باید پیکسلهایی با برچسب 1 را مورد تجزیه وتحلیل قرار داد]44[.
o Azami et al:با استفاده از فضای رنگیHSV ،علایم هدایت مسیر را تشخیص می دهد. در این روش مقدار عناصر(رنگ واشباع) با اعمال آستانه مناسب، برای هر پیکسل محاسبه می شود. سپس برای تشخیص علامت، از تجزیه وتحلیل پیکسلهای متصل به هم استفاده می شود]45[.
o de la Escalera et al:او عمل طبقه بندی را با نگاه به دو جدولی که از روی عناصر تصویر در فضایHSI بدست آورده بود،انجام داد.برای آشکارسازی شی از الگوریتم ژنتیک والگوریتمSA ، استفاده کرد]3[.
o Fang et al:آنها ویژگیهای رنگی را در فضایHSI مورد ردیابی قرار دادند و رفتاری مشترک از رنگ وشکل را پیشنهاد دادند، که با محاسبه قابلیت نگاشت تصویر، براساس رنگ و اطلاعات گرادیان که با مدل هندسی علایم ترکیب شده است؛ کار می کند. با این حال در این رویکرد نیاز به تنظیم دستی ،آستانه میباشد ، که محاسباتی نسبتا گران است. بیشتر سیستم ها برای کلاس بندی علایم از طرحهای مطالعاتی موجود مانند تطبیق الگو،پرسپترون های چندلایه ،شعاعهای برپایه شبکه تابعی،کلاس بندی با هسته لاپلاس وغیره استفاده میکنند]46[.
o Nakamura et al:آنها روشی ارایه کردند که با استفاده از آن می شد تابلوهای محدودیت سرعت را تشخیص داد وشناسایی کرد.در ابتدا بر روی تصاویر ورودی با فرمتRGB پیش پردازشی صورت میگیرد.سپس موقعیت واندازه حلقه های دایره شکل توسط شبکه عصبی شناسایی می شود]47[.

2-2-4 آشکارسازی بر اساس یادگیری ماشین

Viola and jones: آنها الگوریتمی ارایه دادند که قادر به تشخیص اشیا بصورت بلادرنگ بود،این تشخیص با دقت وهمینطور قابلیت اعتماد بالایی انجام می گرفت.آشکار ساز با استفاده از مثالهای مثبت ومنفی ،تمرین داده می شد.از سوی دیگر،سایر محققین ،این الگوریتم را برای شناسایی اشیا در کلاس های مختلف دیگر به کار بردند و به موفقیتهایی دست یافتند.در این بین کلاس مربوط به علایم ترافیکی هم با موفقیت تشخیص داده شد]11[.
آشکارساز وایولا جونز ،با لغزش پنجره آشکارساز در سراسر تصویر کارمیکند.گسترش این پنجره را با فاکتورمقیاسی تا انتهای تصویر مشخص میکند.بنابراین تغییر مقیاس،بر کیفیت تشخیص وسرعت تشخیص تاثیر میگذارد،یعنی با کاهش اندازه آن احتمال تشخیص علامت بیشتر میشود ولی اینکار منجر به افزایش زمان برای اتمام کار الگوریتم خواهد شد]16[.

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.