Recognition of multiple traffic signs using keypoints feature detectors

Lasota, Monika; Skoczylas, Marcin

doi:10.1109/icepe.2016.7781397

Cited by 12 publications

(3 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Traditional recognition methods based on color and shape are widely used. In the literature ( Lasota and Skoczylas, 2016 ; Sheikh et al, 2016 ; Huang and Hou, 2017 ; Song et al, 2017 ; Jain and Gianchandani, 2018 ; Rahmad et al, 2018 ) many color segmentation methods are used to implement the algorithm. The common point of this method is to use color threshold segmentation to obtain traffic signs in images.…”

Section: Related Workmentioning

confidence: 99%

A lightweight network architecture for traffic sign recognition based on enhanced LeNet-5 network

An,

Yang,

Zhang

2024

Front. Neurosci.

View full text Add to dashboard Cite

As an important part of the unmanned driving system, the detection and recognition of traffic sign need to have the characteristics of excellent recognition accuracy, fast execution speed and easy deployment. Researchers have applied the techniques of machine learning, deep learning and image processing to traffic sign recognition successfully. Considering the hardware conditions of the terminal equipment in the unmanned driving system, in this research work, the goal was to achieve a convolutional neural network (CNN) architecture that is lightweight and easily implemented for an embedded application and with excellent recognition accuracy and execution speed. As a classical CNN architecture, LeNet-5 network model was chosen to be improved, including image preprocessing, improving spatial pool convolutional neural network, optimizing neurons, optimizing activation function, etc. The test experiment of the improved network architecture was carried out on German Traffic Sign Recognition Benchmark (GTSRB) database. The experimental results show that the improved network architecture can obtain higher recognition accuracy in a short interference time, and the algorithm loss is significantly reduced with the progress of training. At the same time, compared with other lightweight network models, this network architecture gives a good recognition result, with a recognition accuracy of 97.53%. The network structure is simple, the algorithm complexity is low, and it is suitable for all kinds of terminal equipment, which can have a wider application in unmanned driving system.

show abstract

Section: Related Workmentioning

confidence: 99%

A lightweight network architecture for traffic sign recognition based on enhanced LeNet-5 network

An,

Yang,

Zhang

2024

Front. Neurosci.

View full text Add to dashboard Cite

show abstract

“…Bu açıdan sadece standart renk bazlı öznitelik çıkarma yeterli olmayacaktır. Çözümün geliştirilmesi için birden fazla görüntü segmentasyon yöntemi kullanılmaktadır (Lasota ve Skoczylas, 2016). Araç hareket ederken trafik lambalarının temelde boyutları, rengi ve açısı değişmekte işaret ve levhalar yanlış anlaşılabilecek nesnelere dönüşebilmektedir.…”

Section: Sistemin Genel Yapısıunclassified

Otonom Tabanlı İşaret ve Şerit Tanımak Amacı ile Bir Öğrenme Sisteminin Geliştirilmesi

KÜÇÜK¹,

Yavşan²,

Gökçe³

2021

Uluslararası Muhendislik Arastirma Ve Gelistirme Dergisi

View full text Add to dashboard Cite

ÖzGünlük hayatta trafik kazaları oranlarına bakıldığında sürücü hatalarının oldukça fazla olduğu görülmektedir. Pazara yeni çıkan araç modelleri sürücüye şerit takibi başta olmak üzere akıllı sürüş ve sürüş asistanı gibi otonom veya yarı otonom sürüş destekleri sunan kontrol yöntemleri ile ortaya çıkmaktadır. Bu çalışmada otonom araçların trafikte iken sürücüye yardımcı olması için trafik işaretlerinin doğru olarak tanınması ve sürücüye uyarıda bulunması adına bir sistemin geliştirilmesi amaçlanmıştır. Sistemin geliştirilmesi sürecinde şahsi araç üzerine montajlanmış bir kameradan alınan yol görüntü videolarıyla özgün bir veri seti oluşturulmuş ve bu verilerle trafikte yollarda bulunan işaretlerin ve trafik lambalarının tanınması sağlanmıştır. Yüksek tanıma doğruluğu için çeşitli yapay zeka algoritmaları birleştirilerek etkili bir sınıflandırma gerçekleştirilmiştir. Eğitim veri setinin oluşturulması için şahsi aracın ön camına yerleştirilmiş olan bir yol kamerası ile Konya ili Selçuklu ve Meram ilçelerinin yollarındaki trafik lambalarından ve trafik levhalarındaki işaretlerden video kamera verileri ede edilmiştir. Şahsi araçtan elde edilen veri seti kullanılarak bir yapay sinir ağı modeli eğitilmiştir. Deneysel olarak yapılan bu çalışmada %90 oranında doğruluk elde edilmiştir. Trafik işaret ve lambalarını tanıma sisteminden sonra otonom bir araç platformu için şerit tanıma ve viraj algılama sistemi geliştirilmiştir. Bu sistem sayesinde aracın direksiyon açısı hesaplanmış ve bir PID kontrolcüyle aracın direksiyonu otonom olarak kontrol edilmiştir.

show abstract

“…The well-known 2D feature points matching algorithm, SIFT (scale-invariant feature transform) [22] , has a high matching accuracy, but the calculation is timeconsuming, which limits its application in real-time vehicle pose estimation for planar road sign as in our case.…”

Section: Introductionmentioning

confidence: 99%

Estimation of Vehicle Pose and Position with Monocular Camera at Urban Road Intersections

Yuan

Chen

Zhao³

et al. 2017

J. Comput. Sci. Technol.

View full text Add to dashboard Cite

With the rapid development of urban, the scale of the city is expanding day by day. The road environment is becoming more and more complicated. The vehicle ego-localization in complex road environment puts forward imperative requirements for intelligent driving technology. The reliable vehicle ego-localization, including the lane recognition and the vehicle position and attitude estimation, at the complex traffic intersection is significant for the intelligent driving of the vehicle. In this article, we focus on the complex road environment of the city, and propose a pose and position estimation method based on the road sign using only a monocular camera and a common GPS (global positioning system). Associated with the multi-sensor cascade system, this method can be a stable and reliable alternative when the precision of multi-sensor cascade system decreases. The experimental results show that, within 100 meters distance to the road signs, the pose error is less than 2 degrees, and the position error is less than one meter, which can reach the lane-level positioning accuracy. Through the comparison with the Beidou high-precision positioning system L202, our method is more accurate for detecting which lane the vehicle is driving on.

show abstract

Recognition of multiple traffic signs using keypoints feature detectors

Cited by 12 publications

References 17 publications

A lightweight network architecture for traffic sign recognition based on enhanced LeNet-5 network

A lightweight network architecture for traffic sign recognition based on enhanced LeNet-5 network

Otonom Tabanlı İşaret ve Şerit Tanımak Amacı ile Bir Öğrenme Sisteminin Geliştirilmesi

Estimation of Vehicle Pose and Position with Monocular Camera at Urban Road Intersections

Contact Info

Product

Resources

About