Trafik işaretlerini tanıyan bir sürücü güvenlik destek sistemi

Abstract

Karayollarında sürücü hatalarının neden olduğu trafik kazalarını en aza indirmeyi amaçlayan sürüş güvenliği arttırılmış araçlar tasarlamak günümüz otomotiv teknolojisinin en önemli konularından biridir. Bu amaçla araçlardaki aktif ve pasif güvenlik sistemlerinin sayısı gün geçtikçe artmaktadır. Aktif güvenlik sistemlerinden birisi olan trafik işaretlerini tanıma sistemleri ön kameralar aracılığı ile trafik işaretlerini tanıyan ve sürücüleri bilgilendiren sistemlerdir ve yeni nesil araçlarda yerini almaya başlamıştır. Gerçek zamanlı çalışan bu sistemler özellikle karmaşık yol koşullarında istenilen performansa henüz ulaşamamışlardır ve önemli bir araştırma konusu olmaya devam etmektedirler. Bu çalışmada trafik işaretlerinin tanınmasını amaçlayan evrişimsel sinir ağları (ESA) temelli bir sürücü güvenlik destek sistemi (SGDS) önerilmiştir. Trafik işareti veri kümesi olarak Alman Trafik îşareti Tanıma Veri Kümesi (GTSRB) kullanılmıştır. Eğitim kümesindeki imgelerin sayısal orantısızlığı nedeniyle veri çoğaltma metotları kullanılarak eğitim kümesindeki imge sayıları arttırılmıştır. LeNet-5, AlexNet, GoogleNet ve ResNet ESA mimarileri kullanılarak oluşturulan ESA modellerinin katman yapısı ile en uygun eğitilme parametrelerine deneysel olarak karar verilmiştir. Yapılan deneyler sonucunda ResNet mimarisi kullanılarak önerilen SGDS’nin %98,10 sınıflandırma doğruluğuna sahip olduğu gösterilmiştir. Ayrıca, GTSRB kullanılarak eğitilen SGDS’nin Türkiye karayollarında çekilmiş bir grup trafik işareti imgesi üzerindeki başarım sonuçlan sunulmuştur.

Designing vehicles with improved driving safety that aim to minimize the number of traffîc accidents caused by driver errors on highways is one of the most important issues of today's automotive technology. For this purpose, the number of active and passive safety systems in vehicles is increasing day by day. Traffîc sign recognition systems, which are one of the active safety systems, are the systems that recognize the traffîc signs through the front looking cameras and inform the drİvers and they have started to take their place in the new generation vehicles. These systems, which operate in real time, have not yet achieved the desired performance, especially in complex road conditions, and remain an important research topic. In this study, a driver safety support system (DSSS) based on convolutional neural networks (CNN), which aims to recognize traffîc signs, was proposed. The German Traffîc Sign Recognition Benchmarks (GTSRB) dataset was used as the traffîc sign data set. Due to the numerical disproportion of the images in the training set, the number of images in the training set was increased by using data augmentation methods. The layer structure and the most appropriate training parameters of the CNN models using LeNet-5, AlexNet, GoogleNet and ResNet CNN architectures were determined experimentally. As a result of the experiments, it was shown that the proposed DSSS using ResNet architecture has 98.10% classifıcation accuracy. Also, DSSS performance results were presented on a group of traffîc signs which are taken in Turkey hİghways.