TRAFİK İŞARETLERİNİN HOUGH DÖNÜŞÜMÜ VE DVM KULLANILARAK SINIFLANDIRILMASI TRAFFIC SIGN CLASSIFICATION USING HOUGH TRANSFORM AND SVM

Transkript

1 TRAFİK İŞARETLERİNİN HOUGH DÖNÜŞÜMÜ VE DVM KULLANILARAK SINIFLANDIRILMASI TRAFFIC SIGN CLASSIFICATION USING HOUGH TRANSFORM AND SVM Emrah ONAT SDT - Space & Defence Technologes A.Ş. emrahonat@yahoo.com Ömer ÖZDİL TÜBİTAK - BİLGEM / İLTAREN omer.ozdl@ltaren.tubtak.gov.tr Özetçe Bu bldrde, Türkye dek trafk şaretlernn renk ve şekller gb bazı özntelklernden faydalanılarak sınıflandırılması anlatılmaktadır. MATLAB ortamında oluşturulan algortmalar le trafk şaretler öncelkle fotoğraftak dğer öğelerden ayırt edlmş, daha sonra renklerne göre fltrelenmştr. Fltreleme şlem sonrası lk olarak kenar bulma fonksyonundan geçrlp Hough dönüşümü veya DVM (Destek Vektör Makneler) kullanılarak trafk şaretler şekllerne göre sınıflandırmaya tab tutulmuştur. Anahtar Kelmeler Trafk İşaretlernn Sınıflandırılması, Hough Dönüşümü, DVM Abstract In ths paper, classfcaton of traffc sgns n Turkey wth the help of ther some features such as color and shape s explaned. In the algorthm that s generated n MATLAB, frstly trafc sgns are dstngushed from the other objects of the mage and then fltered by ther colors. After flterng, edge detecton s processed and then Hough Transform and SVM are used for shape classfcaton. Keywords Traffc Sgn Classfcaton, Hough Transform, Support Vector Machne I. GİRİŞ Trafk şaretlernn temel amacı trafk güvenlğn sağlamak ve trafk kazalarını önlemek çn sürücüler trafğn akışı çersnde uyarıp doğru br şeklde yönlendrmektr [1]. Bu sebeple trafk şaretler sürücüler tarafından kolayca farkedlp tanınacak ve anlaşılacak şeklde bulundukları ortamdan ayırt edleblmesn sağlayacak şekl ve renklerde tasarlanırlar [2]. İnsanların sürüş kablyetler pskolojk ve fzksel durumuna bağlı olarak değşkenlk göstereblr. Ruhsal olarak bunalmış veya fzksel olarak sürüş anında bazı sıkıntıları olan br sürücü trafk şaretlern dkkatl okuyamayablr. Bu tp durumlarda, sürüş esnasında sürücülere trafk şaretler hakkında yararlı blgler vereblmek sürüş kaltesn artıracağı gb aynı zamanda kaza rskn de azaltmış olacaktır [3]. Trafk şaretler, sürücüler tarafından doğal çevreden kolayca ayırt edleblmes ve farkedleblmes çn farklı özel şekl ve renklerde tasarlanırlar [4]. Genel olarak tüm dünyada trafk şaretler 2 boyutlu br levhanın üçgen, dkdörtgen veya dare şekl verlerek sarı, kırmızı veya mav renkte dkkat çekc br renk le boyanması veya levhanın etrafının şert olarak çzlmes le oluşturulurlar. Ülkeden ülkeye trafk şaretlernn şeklnn ve rengnn farklı anlamlar taşımasıyla beraber bu şaretler ülkemzde aşağıdak anlamlara gelmektedrler [5]. Uyarıcı Trafk şaretler : Ekseryetle üçgen şeklnde ve kırmızı şertl Trafk Tanzm şaretler : Ekseryetle dare şeklnde ve kırmızı şertl veya mav renkte Trafk Blg şaretler : Ekseryetle dkdörtgen şeklnde mav veya sarı renkte Hızlı, gerçek zamanlı ve güvenl çalışan otomatk trafk şaret tanımlama ve sınıflandırma sstem trafk güvenlğnn ve konforunun artırılması adına büyük önem taşımaktadır. Ayrıca bu sstemler akıllı araba sürücü yardımcı özellkler açısından da önemldr. Örneğn bazı araçlarda gdlen yol le kesşen tren yolları veya başka yollar hakkında sürücüyü blglendren ve uyaran akıllı yardımcı uygulamaları kullanılmaktadır [6]. II. TRAFİK İŞARETLERİNİN SINIFLANDIRILMASI Çalışmada kullanılacak ver set, İstanbul ve Ankara sokakalarındak trafk şaretlernn farklı günlerde farklı fotoğraf makneler le çeklmesyle oluşturulmuştur. Çeklen fotoğraflardak trafk şaretler fotoğrafın merkeznde kalacak şeklde fotoğraflar kırpılmıştır. Sınıflandırma yapacak algortma lk olarak ssteme grd olarak verlen kırpılmış RGB fotoğrafları, standart boyutlara getrmektedr. Böylelkle br nev tüm grdlern boyutları standardze edlmektedr. A. Renk Sınıflandırması Trafk şaretlernn sınıflandırma şlem yapılırken öncelkle fotoğraf karesndek trafk şaretnn dışındak kalan dğer öğelerden ayırt edlmeldr çünkü fotoğraftak dğer nesneler sınıflandırma şlemnde algortmaya olumsuz tesr göstereblrler. Bu sebeple lk etapta renk fltrelemesnn yapılması planlanlanmıştır. Renk fltres yapıldığında hem trafk şaret fotoğraftak dğer öğelerden büyük ölçüde ayrılırken hem de lk sınıflandırma şlemne uğramış olacaktır. Ra fr( x, y) Rb g(x, y) = k 1 eğer Ga f g( x, y) Gb Ba fb( x, y) Bb g(x, y) = k 2 dğer durumlarda (1) /15/$ IEEE

2 1 numaralı denklem dzsnde de görüldüğü üzere trafk şaretlernn belrl renklerden oluştuğu gerçeğ göz önüne alınarak her renk çn RGB eşk değerler eğtme ver setndek fotoğraflar üzernden belrlenp trafk şaretnn fotoğraftak dğer öğelerden ayırt edlmes sağlanmıştır. Ancak fltreleme şlem sonrasında üç temel sorun meydana gelmektedr. Bunlardan lk, fotoğraf karesnn çersnde trafk şaretn rengnn fltrelendğ RGB aralıklarında başka pkseller de olablmektedr. Bu pkseller fltrelenmeden geçecek ve algortmanın lerleyen aşamalarında olumsuz etkler oluşturableceklerdr. Br dğer sorun tahrp olmuş, fzksel etkenler sebebyle reng solmuş veya üzerne lan, pankart veya poster gb trafk şaretlernn rengn şekln anlamayı güçleştrecek kağıtlar yapıştırılmış olması durumunda trafk şaret de stenen ve beklenen şeklde fltrelenemeyeblecektr. Son sorun se bazı trafk şaretlernn kırmızı, mav ve sarı reng brlkte bulundurmasıdır. Böylelkle trafk şaretnn oluşturulan 3 fltreden de geçeblen parçaları olablmektedr. Burada da çözüm olarak fltreden geçen pksel sayısına bakılmış ve hang renk ağırlıkda se trafk şaretnn rengne sayıca fazla olan o renk olarak karar verlmştr. olması muhtemel yarıçap eşk büyüklüğünden fazla br yarıçaptaysa bu fotoğraftak trafk şaret dare şeklndedr kararı verlp; dare, belrlendğ koordnatlara şekln üzerne çzdrlecektr. Böylelkle hang renk fltresnden geçtğ blnen dare şeklnde trafk şaretnn KGM standartlarında hang sınıfa at olduğuna kolaylıkla karar verlecektr. Dkdörtgen ve üçgen şeklndek trafk şaretlern sınıflandırırken se daha farklı br yöntem uygulamaktadır. Burada renk fltresnden geçrldkten sonra hang renk sınıfına at olduğuna göre uygulanacak şlem değşmektedr. Kırmızı çn üçgen bulma yöntem uygulanırken mav ve sarı renk çn se dkdörtgen bulma algortması çalışmaktadır. Ancak renk fltresnden ve kenar bulma şlemnden sonra köşe bulma algortması le köşeler bulunmaya çalışılan trafk şaretlernn pek başarılı sonuçlar vermemes üzerne burada doğrusal DVM kullanılmasına karar verlmştr. En bast tanımlamalarıyla durumu anlatacak olursak fotoğraf karesnn dört kenarından fotoğrafın çne doğru pksel pksel yaklaştığımızda kenar bulma yöntem le kenarları çıkartılmış trafk şaretne temas edlen noktaların oluşturduğu vektörler bzm x vektörlermz olmaktadır. Böylelkle fotoğraf karesnn solundan, sağından, üstünden ve altından çer doğru Şekl 2 dek gb yaklaşarak trafk şaretne lk temas edlen nokta vektörün lk elemanını, son temas edlen nokta se son elemanını oluşturmaktadır. Bu noktalardan lk ve sonuncusu dahl olmak kaydıyla eşt aralıklarla toplam 11 nokta alınıp DVM şlemne x vektörü olarak grd yapılmaktadır. Şekl 1: Trafk İşaretlernde Renk Sınıflandırması Bell br başarı oranı le fltreden geçen trafk şaretler burada renklerne göre br sınıflandırmaya tab tutulmuş da olacaklardır. Bundan sonrak aşama se trafk şaretlernn şekllerne göre sınıflandırmasının yapılması ve karayolları genel müdürlüğünün belrledğ hang sınıfa grdklernn tespt edlmesdr. B. Şekl Sınıflandırması Trafk şaretlernn sınıflandırılması yapılırken daha öncede bahsedldğ gb öncelkle hang renk olduğuna karar verlmştr. Rengne karar verlen trafk şaretnn hang şekllerde olableceğ se Şekl 1 dek dyagramdan çıkartılablmektedr. Kırmızı ve mav renk fltresnden geçen fltrelenmş fotoğrafların dare şeklnde olup olmadıklarına bakılacaktır. Bunun çn öncelkle fltrelenmş fotoğrafın canny kenar bulma algortması le denklem 2 dek gb kenarları bulunacaktır. Şekl 2: DVM çn x Değerlernn Oluşturulması [7] Trafk şaretnn büyüklüğüne göre noktalar arasındak uzaklık değşmekle beraber toplam nokta sayısı sabt ve 11 dr. Bunlardan 1,3,5,7,9 ve 11 br sınıfa (+1) atanırken, kalan dğer noktalar da dğer sınıfa (-1) atanmış ve böylece z matrs de oluşturulmuştur. Böylece bu k sınıfı brbrnden ayıran ω.x + ω 0 = 0 doğrusu Şekl 3 dek gb olacaktır. mage_red_edge = EDGE(mage_red,'canny',0.5,2); (2) Kenarları bulunan yen ver matrsnde dare şeklnde br görüntü olup olmadığını anlamak çn bu matrse Hough dönüşümü uygulanarak fotoğraf karesnn çersnde dare şeklnde br şekl varsa bulunacak ve belrlenen bu darenn boyutları standardze edlmş fotoğraf karesnn çersnde Şekl 3: Doğrusal Olarak Sınıfları Ayıran Hper Düzlem

3 ω, z ve w 0 değşkenlern 3 numaralı eştszlğ sağlamalıdır. z (x ω+ ω ) (3) Belrl kısıtları olan br değer mnmze etmek çn Lagrange kullanıp problem br optmzasyon problemne dönüştürürsek; 1 2 T L( ω) = ω α z( ω x + ω0) 1 2 (4) Renk fltrelemes aşamasından sonra hem kırmızı hem mav fltreden de geçen kısımların bulunduğu görülmektedr. Burada kırmızı renkte geçen pksel sayısının fazla olması sebebyle kırmızı renk sınıfına karar verlmştr. Renk fltrelemes aşamasından sonra lk olarak kenar bulma algortması çalışmaktadır. Lagrange denklem 4 dek gb olacaktır. Burada Lagrange denklemnn ω ve ω 0 a göre türevler alındığında; α z = 0, ω = α zx (5, 6) olarak bulunmaktadır. Bulunan bu değerler Lagrange denklemnde yerne yazıldığında se; 1 T ω0 = ω x z olacaktır. Algortmada kenar noktaları üzerndek noktaları k sınıfa ayırarak bu noktaları doğrusal olarak kye ayıran br doğru elde edlmek stenmş ve bu doğrunun üçgenn veya karenn kenarlarından br olacağı düşünülmüştür. Ancak sınıflandırmayı kolaylaştırmak çn belrlenen sınıflardak noktalar brbrlernden braz daha uzaklaştırılarak (belrl br offset verlerek) sınıflandırma kolaylaştırılmıştır. (7) Şekl 5: Canny Kenar Bulma İşlem Sonrası Görüntü Otomatk kenar bulma algortmasından sonra se Hough dönüşümü algortması yardımıyla Şekl 5 dek dare bulunarak görüntü üzerne çzdrlmştr. Kırmızı Renkl ve Dare Şeklnde Matlab ortamında α değerlerne ulaşablmek çn 8 numaralı denklemdek fonksyon kullanılmıştır. Bu fonksyon çn gerekl grdler belrlenen x ve z değerlernden türetlmştr. alfa=quadprog((h+eye(11)*0.0001),f,a,a,b,b); (8) Buradan bulunan α değerler kullanılarak ω ve ω 0 a ulaşılmıştır. Böylelkle renk fltres ve kenar bulma şlemnden geçerek gelmş görüntü üzerndek trafk şaretne at olan kenarlar da DVM kullanılarak bulunmuştur. Böylece zaten reng blnen trafk şaretnn üçgen veya dkdörtgen olduğuna da karar verlerek nha sınıflandırma yapılmıştır. Şekl 6: Kırmızı Renkl ve Dare Şeklnde Trafk İşaret - Trafk Tanzm İşaret Sonuç olarak kırmızı renkte ve dare şeklnde br trafk şaret olduğu Şekl 6 dak gb görülmektedr. III. ALGORİTMANIN MODELLENMESİ Teork olarak bahsedlen algortmanın modelleme aşamaları bu kısımda sırasıyla anlatılacaktır. Öncelkle trafk şaret bulunan fotoğraf kares Şekl 4 dek gb fltrelenr. Burada kırmızı reng, mav reng ve sarı reng geçrp dğer tüm renkler geçrmemes çn 1 numaralı denklem setndek gb her br rengn RGB değerler çn 3 ayrı aralık eğtme vers üzernden belrlenmştr. Şekl 7: Algortma Dyagramı Şekl 4: Orjnal fotoğraf ve kırmızı, mav ve sarı renk çn belrlenmş fltrelerden geçrldkten sonra çıkan fltrelenmş görüntüler Modellenen algortmanın akış dyagramı Şekl 7 de verlmştr.

4 Şekl 7 de görüldüğü üzere mav renk çn farklı br akış sözkonusudur. Mav renk gökyüzü rengnden dolayı fltrelenmekte zorlandığı çn mav renk fltres stenlen düzeyde fltreleme yapamamaktadır. Bu sebeple mav renk çn renk fltresne alternatf olarak RGB den gr renge dönüştürülen görüntüler Şekl 8 dek gb daha sonra canny kenar bulma algortmasına verlmştr. Daha sonra yne aynı şeklde Hough dönüşümü yardımıyla dare şeklnde olup olmadığına bakılmıştır. Şekl 9 dan da görüldüğü üzere trafk şaretnn her br kenarının üzernde 11 nokta belrlenerek bu noktaları brbrnden ayıran doğrular 4 adet DVM yardımıyla çzdrlmştr. Aynı algortma üçgen şeklnde trafk şaret çnde uygulanmıştır ancak bu sefer DVM lerden br tanes anlamlı sonuç vermeyecektr. Bu sebeple anlamlı sonuç vermeyen DVM (fotoğraf karesnn üst kenarından üçgene yaklaşılarak bulunan noklatar) göz ardı edlmştr. Üçgen şeklnde trafk şaret çn çıkan sonuç Şekl 10 da verlmştr. Kırmızı Renkl ve Üögen Şeklnde Şekl 10: Kırmızı Renkl ve Üçgen Şeklnde Trafk İşaret - Uyarıcı Trafk İşaret Şekl 8: Mav Renkl ve Dare Şeklnde Trafk İşaret - Trafk Tanzm İşaret Üçgen ve dkdörtgen şeklndek trafk şaretlern bulmak çn se her trafk şaretne 4 adet DVM uygulanmaktadır. Fotoğraf karesnn her br kenarından fotoğrafın merkezne doğru pksel pksel yaklaşılarak beyaz renge temas edlen noktaların koordnatlarından belrl aralıklarda seçlen 11 tanes bu DVM lern x vektörlern oluşturmaktadır. Sarı Renkl ve Dkdörtgen Şeklnde IV. SONUÇ Bu çalışmada, trafk güvenlğnn sağlanması amacıyla trafk şaretlernn sınıflandırılması çn kullanılan algortma ve yöntem teork olarak anlatılmış ve MATLAB ortamında smulasyonu yapılmıştır. Smulasyon sonucunda dare, üçgen ve dkdörtgen şeklnde şaretler renk fltrelendrmes düzgün yapılablen trafk şaretler çn yüksek br başarı oranı le belrleneblmştr. Ancak renk fltresnden geçen trafk şaret dışındak dğer pkseller algortmanın çalışma performansını etklemektedr. Bu sebeple mav renk fltres çn alternatf çözüm olarak gr ölçek kullanılmıştır. Renk fltresnden sonrak aşamada se lteratürdek alternatf yöntemlerden farklı olarak dare şeklnn belrlenmes çn Hough dönüşümü kullanılmıştır. Üçgen ve dkdörtgen şeklndek trafk şaretler çn se DVM kullanılarak şekl sınıflandırması tamamlanmıştır. Sınıflandırmalar sonucunda her br şekl ve renk çn yaklaşık %70 başarı oranında doğru sınıflandırma yapıldığı görülmüştür. Başarı elde edlemeyen trafk şaretlernn yaklaşık yarısı renk fltresnden düzgün fltreleme yapılamadığı çn doğru sonuçlar vermezken, gerye kalan kısım se trafk şaretnn şeklnn doğru belrlenememesnden kaynaklanmaktadır. V. TEŞEKKÜR Yazarlar, çalışmanın hazırlanmasında sağladıkları katkıdan ve verdkler destekden dolayı Sn. Burak Gökçe ve Sn. Mthat Perköz e teşekkür eder. Şekl 9: Sarı Renkl ve Dkdörtgen Şeklnde Trafk İşaret - Trafk Blg İşaret

5 KAYNAKÇA [1] C.Y. Fang, C.S. Fuh, P.S. Yen, S. Cherng, S.W. Chen, An Automatc Road Sgn Recognton System Based On a Computatonal Model of Human Recognton Processng, Computer Vson and Image Understandng vol.96, pp , [2] de la Escalera, A., Moreno, L.E., Salchs, M.A., Armngol, J.M., Road traffc sgn detecton and classfcaton, IEEE Transactons on Industral Electroncs, vol.44, no.6, pp , Dec [3] H. Fleyeh, Color detecton and segmentaton for road and traffc sgns, IEEE Conference on Cybernetcs and Intellgent Systems, vol.2, pp , 2004 [4] S.L. Arroyo, P.Garca-Daz, F.J.Acevedo-Rodrguez, P.Gll-Jmenez, S.Maldonado-Bascon, Traffc Sgn Classfcaton Invarant to Rotatons Usng Support Vector Machne, AVICS 04, August 2004 [5] saretler.aspx [6] B. Cyganek, Real-Tme Detecton of the Trangular and Rectangular Shape Road Sgns, AGH - Unversty of Scence and Technology, Poland [7] S.L. Arroyo, P.Gll-Jmenez, R.Maldonado-Bascon, F.Lopez-Ferreras, S.Maldonado-Bascon, Traffc Sgn Shape Classfcaton Evaluaton I: SVM Usng Dstance to Borders, ICAPR 09, 2009 [8] S.L. Arroyo, P.Gll-Jmenez, R.Maldonado-Bascon, F.Lopez-Ferreras, S.Maldonado-Bascon, Traffc Sgn Shape Classfcaton Evaluaton I: SVM Usng Dstance to Borders, ICAPR 09, 2009 [9] D. C. Cresan, U. Meer, J. Masc, and J. Schmdhuber, A commttee of neural networks for traffc sgn classfcato. IJCNN. IEEE, pp , 2011