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[.
الگوریتمی که 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 محیط های باز هست؛ را دارد. باین ترتیب سیستم در برابر تغییرات روشنایی وانسداد وتغییر شکل جسم مقاوم بوده ومیتواند در سیستم های 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 می شود:
• شبکه های عصبی مصنوعی(ANN )
• تطبیق الگو
• شناخت علایم ترافیکی توسط طبقه بندی کننده های دیگر
• OCR and Pictograms Recognition

1-3-2-1 کلاس بندی با شبکه های عصبی مصنوعی

استفاده از شبکه های عصبی( NN) برای کلاس بندی علایم ترافیکی،بسیار رایج است.چون¬که شبکه های 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 شبکه های عصبی،علایم ترافیکی را شناسایی کند]3[.
انواع بسیاری از شبکه های عصبی وجود دارند(بعنوان مثال شبکه های هضم غذا ، شبکه های براساس شعاع ، شبکه های بازگشتی که ممکن است برنامه های کاربردی مثل شناسایی الگو ,تابع های درون یابی برای آن¬ها وجود داشته باشد. شبکه های 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 می گیرد، 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 کننده ها

درست است که شناسایی علایم ترافیکی بیشتر توسط شبکه های عصبی وتکنیک های تطابق الگو، انجام میگیرد؛ اما روشهای دیگری هم برای شناسایی وطبقه بندی علایم ترافیکی استفاده می شوند،برخی از این روشها عبارتند از:
• معیارهای فاصله ای
• طبقه بندی کننده های بر مبنای همسایگی
• طبقه بندی کننده های 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 می گردد که متن و نوشته ها را از روی تصویر شناسایی می کند]19[. می توان اعداد وحروفی که در علایم ترافیکی وجود دارند، را توسط OCR شناسایی کرد]20[.