ارائه یک الگوریتم پردازش تصویر هوشمند جدید برای تشخیص و شناسایی علائم راهنمایی و رانندگی مبتنی بر منطق فازی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی مکاترونیک، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

2 گروه مهندسی مکانیک، واحد پردیس، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

در این مقاله یک الگوریتم هوشمند جدید برای تشخیص و شناسایی علائم راهنمایی و رانندگی، براساس پردازش تصویر و منطق فازی، ارائه می‌شود. این الگوریتم شامل سه مرحله پیش‌پردازش، تشخیص و شناسایی می‌باشد. در مرحله پیش‌پردازش با اعمال الگوریتم‌های پردازش تصویر، تغییرات به منظور بهبود کیفیت تصویر دریافتی و حذف داده‌های نامرتبط با هدف مورد نظر انجام می‌گیرد. در مرحله شناسایی یک الگوریتم بینایی ماشین هوشمند برای استخراج مفاهیم علائم راهنمایی و رانندگی استفاده شده است. به منظور کاهش زمان عملیات و افزایش دقت الگوریتم شناسایی، مرحله تشخیص طراحی شده است. در این مرحله، کاندیداهای علائم راهنمایی و رانندگی با دقت بیشتری انتخاب و در اختیار مرحله شناسایی قرار می‌گیرند. در تمام مراحل پردازش تصویر و بینایی ماشین، که شامل پردازش‌های سطح پایین و پردازش‌های سطح بالا و پیچیده می‌باشد، از منطق و ریاضیات فازی استفاده شده است. همچنین برای تشخیص و شناسایی علائم راهنمایی و رانندگی، از ویژگی‌های تغییرناپذیر برای استفاده در منطق فازی و استخراج مفاهیم، بهره برده شده است. استفاده از منطق و ریاضیات فازی قابلیت استنتاج و هوشمندی همانند انسان را برای تصمیم‌گیری در شرایط واقعی، در اختیار سیستم هوشمند قرار می‌دهد. مراحل کامل این الگوریتم در نرم‌افزار متلب پیاده‌سازی شده است. همچنین آزمایش‌های عملی در شرایط واقعی برای بررسی عملکرد این الگوریتم طراحی و انجام شده است. نتایج حاصل از آزمایش، عملکرد مناسب این الگوریتم تا 92.68 درصد صحت، در تشخیص و شناسایی علائم راهنمایی و رانندگی در شرایط واقعی را نشان می‌دهد. الگوریتم ارائه شده، در مقایسه با الگوریتم‌های دیگر با شرایط آزمایشی مشابه، از صحت عملکرد مناسبی برخوردار است. از این الگوریتم می‌توان برای طراحی سیستم‌های کمک راننده و سیستم‌های کنترلی با هدف هوشمند سازی خودرو استفاده نمود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Designing a New Intelligent Image Processing Algorithm for Traffic Sign Detection and Recognition Based on Fuzzy Logic

نویسندگان [English]

  • E. Fanni 1
  • A. Khodayari 2
1 Mechatronics Engineering Department, South Tehran Branch, Islamic Azad University, Tehran, Iran
2 Mechanical Engineering Department, Pardis Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

A new algorithm for traffic sign detection and recognition based on image processing was presented in this paper. This algorithm has three stages that consist of preprocessing, detection and recognition. In preprocessing stage, input image quality enhancement and unrelated data elimination be done by applying image processing algorithms. In recognition stage an intelligent machine vision algorithm is used to extract concepts of traffic signs. Detection stage is designed for decrease the operation time and increase the recognition algorithm accuracy. In this stage, traffic sign candidates are elected more accurately and they are transmitted to recognition stage. Fuzzy logic and mathematics is used in all of image processing and machine vision stages that consist of low and high level processing. Also for traffic sign recognition, invariant features are used to design a fuzzy logic algorithm to extract traffic sign concepts. Fuzzy logic and mathematics give Inference and intelligent capabilities to smart system to make correct decision in actual conditions like human. All stages of this algorithm was implemented in MATLAB. Also for performance investigation of this algorithm experimental scenarios in actual situation are designed. The results show that designed algorithm has an appropriate performance in traffic sign detection and recognition up to 92.68 percent in actual situations. Compared with other methods with the same experimental conditions the accuracy of the proposed algorithm is satisfactory. This algorithm can be used to design driver assistance and control systems for intelligent vehicles.

کلیدواژه‌ها [English]

  • Traffic sign detection and recognition
  • Image processing
  • Fuzzy Logic
  • Invariant features
[1] S. Yin, P. Ouyang, L. Liu, Y. Guo, S. Wei, Fast Traffic Sign Recognition with Rotation Invariant Binary Pattern Based Feature, Sensors, 15 (2015) 2161- 2180.
[2] L. Zhou, Z. Deng, LIDAR and Vision-Based Real-Time Traffic Sign Detection and Recognition Algorithm for Intelligent Vehicle, IEEE 17th International Conference on Intelligent Transportation Systems (ITSC), Qingdao, China, (2014) 578-583.
[3] J.M. Lillo-Castellano, I. Mora-Jimenez, C. Figuera-Pozuelo, J.L. Rojo-Alvarez, Traffic Sign Segmentation and Classification Using Statistical Learning Methods, Neurocomputing, 153 (2015) 286-299.
[4] I.T. Young, J.J. Gerbrands, L.J. Van-Vliet, Fundamentals of Image Processing, Printed in The Delft University of Technology, Netherlands, 1998.
[5] S. Waite, E. Oruklu, FPGA-Based Traffic Sign Recognition for Advanced Driver Assistance Systems, Journal of Transportation Technologies, 3 (2013) 1-16.
[6] A. Hechri, A. Mtibaa, Lane and Road Signs Recognition for Driver Assistance System, International Journal of Computer Science Issues, 8(6)1 (2011) 402-408.
[7] P. Harrington, Machine Learning in Action, Manning  Publications Co, ISBN 9781617290183, 2012.
[8] J.G. Park, K.J. Kim, Design of a Visual Perception model with Edge-Adaptive Gabor Filter and Support Vector Machine for Traffic Sign Detection, Expert Systems withApplications, Elsevier Ltd, 40 (2013) 3679-3687.
[9] T. Bui-minh, O. Ghita, P.F. Whelan, T. Hoang, A Robust Algorithm for Detection and Classification of Traffic Signs in Video Data, International Conference on Control, Automation and Information Sciences (ICCAIS), IEEE, (2012) 108-113.
[10] R. Azad, B. Azad, I.T. Kazerooni, Optimized Method for Iranian Road Signs Detection and Recognition System, International Journal of Research in Computer Science, 4(1) (2014) 19-26.
[11] C. Zi-xing, G. Ming-qin, Traffic Sign Recognition Algorithm Based on Shape Signature and Dual-Tree Complex Wavelet Transform, Journal of Central South University Press, Springer-Verlag, Berlin, Heidelberg, 20 (2013) 433-439.
[12] F. Zaklouta, B. Stanciulescu, Real-Time Traffic Sign Recognition in Three Stage, Robotics and Autonomous Systems, Elsevier B.V., 62 (2014) 16-24.
[13] S. Wang, P. Zhang, Z. Dai, Y. Wang, R. Tao, S. Sun, Research and Practice of Traffic Lights and Traffic Signs Recognition System Based on Multicore of FPGA, Communications and Networks, SciRes, 5 (2013) 61-64.
[14] Z.L. Sun, H. Wang, W.S. Lau, G. Seet, D. Wang, Application of BW-ELM Model on Traffic Sign Recognition, Neurocomputing, Elsevier B.V., 128 (2014)153-159.
[15] E. Oruklu, D. Pesty, J. Neveux, J.E. Guebey, Real-Time Traffic Sign Detection and Recognition for In-Car Driver Assistance Systems, IEEE 55th International Midwest Symposium on Circuits and Systems (MWSCAS), (2012) 976-979.
[16] H. Fleyeh, Traffic Sign Recognition by Fuzzy Sets, IEEE Intelligent Vehicles Symposium, Eindhoven University of Technology, Eindhoven, Netherlands, (2008) 422-427.
[17] F. Perez, C. Koch, Toward Color Image Segmentation n Analog VLSI: Algorithm and Hardware, International Journal of  omputer Vision, 12(1) (2005) 17-42.
[18] J. Blackledge, Digital Image Processing Mathematical and Computational Methods, Horwood Publishing, ISBN: 1-898563-49-7, 2005.
[19] D.S. Solanki, G. Dixit, Traffic Sign Detection Using Feature Based Method, International Journal of Advanced Research in Computer Science and Software Engineering, 5(2) (2015) 340-346.
[20] T. Tuytelaars, K. Mikolajczyk, Local Invariant Feature Detectors: A Survey, Foundation and Trends® in Computer Graphics and Vision, 3(3) (2007) 177-280.
[21] C. Souani, H. Faiedh, K. Besbes, Efficient Algorithm for Automatic Road Sign Recognition and Its Hardware Implementation, Journal of Real-Time Image Processing, 9 (2014) 79-93.
[22] Y.I. Ohta, T. Kanade, T. Sakai, Color Information for Region Segmentation, Computer Graphics and Image Processing, 13 (1980) 222-241.
[23] H. Gomez-Moreno, S. Maldonado-Bascon, Goal Evaluation of Segmentation Algorithms for Traffic Sign Recognition, IEEE Transactions on Intelligent Transportation Systems, 11(4) (2010) 917-930.
[24] A. Ruta, Y. Li, X. Liu, Real-Time Traffic Sign Recognition from Video by Class-Specification Discriminative Features, Pattern Recognition, 43 (2010)416-430.
[25] C.C. Lin, M.S. Wang, Road Sign Recognition with Fuzzy Adaptive Pre-Processing Models, Sensors, 12 (2012) 6415-6433.