A neural network based automatic road signs recognizer

Vitabile, Salvatore; Gentile, Antonio; Sorbello, Filippo

doi:10.1109/ijcnn.2002.1007503

Cited by 42 publications

(44 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

Section: анализ литературных данных и поста-новка проблемыunclassified

“…Сглаживание сво-дится к устранению дефектов изображения, вноси-мых устройствами. Для сглаживания применяется множество алгоритмов [3]. В рамках данной работы применялся алгоритм Normalized Box Filter [3].…”

Section: повышение качества изображенияunclassified

“…Для сглаживания применяется множество алгоритмов [3]. В рамках данной работы применялся алгоритм Normalized Box Filter [3]. Это простой и эффективный фильтр.…”

Section: повышение качества изображенияunclassified

“…Причиной тому является стреми-тельный рост вычислительных мощностей ЭВМ, уменьшение их размера и энергопотребления. Осо-бенно следует отметить последнее десятилетие, а также облачные технологии, появившиеся в течении последних пяти лет [3].Распознавание дорожных знаков достигается двумя основными шагами: поиск и анализ [4].1. На этапе поиска, исходное изображение пред-варительно обрабатывается, с целью повышения каче-ства для более эффективной работы следующих алго-ритмов.…”

unclassified

See 3 more Smart Citations

High-efficient search and analysis of road signs

Морозов¹

2015

ScienceRise

View full text Add to dashboard Cite

ВведениеПо данным многочисленных статистических исследований, одной из основных причин дорожно-транспортных происшествий является невниматель-ность водителя. Согласно статистике, около 27 % аварий происходят из-за невнимательности водителя или потери концентрации [1]. В Украине подобные исследования почти не проводятся, но, по словам работников ГАИ, при авариях в городе 50 % водите-лей называют причиной столкновения утомлѐнность или потерю концентрации.Соответственно, актуальной задачей для ниве-лирования вышеописанных факторов, является раз-работка интерактивных компьютерных систем, поз-воляющих привлечь внимание водителя к важным элементам дорожной ситуации (наличие пешеходов на проезжей части, динамика встречных и попутных транспортных средств, информация с дорожных зна-ков, траектория движения собственного транспорт-ного средства). Анализ литературных данных и поста-новка проблемыСистемы помощи водителю (DAS -driver assistance systems) позволяют эффективно экономить время, деньги, сохранять человеческие жизни и со-кращать количество дорожно-транспортных проис-шествий. Отсюда следует их потенциальный ком-мерческий успех в будущем. Такие системы должны быть тесно связаны с другими технологиями, широко использующиеся в наши дни: интернет, мобильные сервисы обработки информации, умные сенсоры, искусственный интеллект, системы навигации, а также геоинформационные системы (GIS) [2].Распознавание дорожных знаков является важной частью системы помощи водителю. Это обу-словлено высокой важностью дорожных знаков в нашей повседневной жизни. Дорожные знаки опре-деляют визуальный язык, который может быть легко интерпретирован водителем. Они отображают теку-щую ситуацию на дороге, предупреждают об слож-ных и опасных участках, где необходимо проявить повышенное внимание к управлению транспортным средством, помогают лучше ориентироваться на мар-шруте, а также повышают комфорт и уверенность при управлении транспортным средством в целом.Впервые данный вопрос был рассмотрен не так давно: первая работы на эту тематику появилась в Японии в 1984 году. Идея была в том, чтобы испы-тать различные методы компьютерного зрения для определения разнообразных объектов на дороге. С тех пор огромное количество независимых разработ-чиков и коммерческих компаний регулярно проводят исследования в данной области. Существует огром-ное количество работ на эти темы, но их актуаль-ность неизменна. Причиной тому является стреми-тельный рост вычислительных мощностей ЭВМ, уменьшение их размера и энергопотребления. Осо-бенно следует отметить последнее десятилетие, а также облачные технологии, появившиеся в течении последних пяти лет [3].Распознавание дорожных знаков достигается двумя основными шагами: поиск и анализ [4].1. На этапе поиска, исходное изображение пред-варительно обрабатывается, с целью повышения каче-ства для более эффективной работы следующих алго-ритмов. Далее используется один или несколько мето-дов поиска зон, потенциально содержащих дорожные знаки. Для этого могут быть использованы различные признаки, но два наиболее распространѐнных...

show abstract

Section: анализ литературных данных и поста-новка проблемыunclassified

Section: повышение качества изображенияunclassified

unclassified

See 2 more Smart Citations

High-efficient search and analysis of road signs

Морозов¹

2015

ScienceRise

View full text Add to dashboard Cite

show abstract

“…Another multi-layer network was used in [64] to classify the extracted candidate road signs. They performed the classification based on a developed and tested feed-forward MLP neural network classifier.…”

Section: Recognition Methodsmentioning

confidence: 99%

Detection and recognition of traffic signs inside the attentional visual field of drivers

Zabihi

Beauchemin

et al. 2017

2017 IEEE Intelligent Vehicles Symposium (IV)

View full text Add to dashboard Cite

Traffic sign detection and recognition systems are essential components of Advanced Driver Assistance Systems and self-driving vehicles. In this contribution we present a vision-based framework which detects and recognizes traffic signs inside the attentional visual field of drivers. This technique takes advantage of the driver's 3D absolute gaze point obtained through the combined use of a front-view stereo imaging system and a non-contact 3D gaze tracker. We used a linear Support Vector Machine as a classifier and a Histogram of Oriented Gradient as features for detection. Recognition is performed by using Scale Invariant Feature Transforms and color information. Our technique detects and recognizes signs which are in the field of view of the driver and also provides indication when one or more signs have been missed by the driver.

show abstract

Scale and skew‐invariant road sign recognition

Liu

Duh

Chen

et al. 2007

Int J Imaging Syst Tech

View full text Add to dashboard Cite

A fast and robust method to detect and recognize scaled and skewed road signs is proposed in this paper. In the detection stage, the input color image is first quantized in HSV color model. Border tracing those regions with the same colors as road signs is adopted to find the regions of interest (ROI). The ROIs are then automatically adjusted to fit road sign shape models so as to facilitate detection verification even for scaled and skewed road signs in complicated scenes. Moreover, the ROI adjustment and verification are both performed only on border pixels; thus, the proposed road sign detector is fast. In the recognition stage, the detected road sign is normalized first. Histogram matching based on polar mesh is then adopted to measure the similarity between the scene and model road signs to accomplish recognition. Since histogram matching is fast and has high tolerance to distortion and deformation while contextual information can still be incorporated into it in a natural and elegant way, our method has high recognition accuracy and fast execution speed. Experiment results show that the detection rate and recognition accuracy of our method can achieve 94.2% and 91.7%, respectively. On an average, it takes only 4-50 and 10 ms for detection and recognition, respectively. Thus, the proposed method is effective, yet efficient.

show abstract

A neural network based automatic road signs recognizer

Cited by 42 publications

References 14 publications

High-efficient search and analysis of road signs

High-efficient search and analysis of road signs

Detection and recognition of traffic signs inside the attentional visual field of drivers

Scale and skew‐invariant road sign recognition

Contact Info

Product

Resources

About