У роботі представлено гібридний підхід до розпізнавання дорожніх знаків, який поєднує класичні методи попередньої обробки (кольорова сегментація, аналіз контурів, Haar Cascade та HOG) із згортковою нейронною мережею (CNN) для класифікації. Запропонований метод дав змогу зменшити час обробки зображення у 10–20 разів, оскільки на вхід мережі передаються лише попередньо відібрані регіони інтересу. CNN, навчена на наборі GTSRB з використанням аугментації даних, забезпечила 100 % точність на тестовій вибірці, а для окремих класів precision та recall досягали 0.97–1.00. Порівняно з прямим застосуванням CNN до всього зображення, запропонований підхід забезпечив прискорення роботи більш ніж у 5 разів, що робить його придатним для використання на вбудованих системах реального часу (Raspberry Pi, мобільні робототехнічні комплекси). Практична значущість роботи полягає у можливості впровадження розробленої системи у недорогі ADAS-рішення та автономні транспортні платформи. Подальші дослідження передбачають адаптацію до відеопотоку та розширення кількості класів знаків.
[1] J. Stallkamp, M. Schlipsing, J. Salmen and C. Igel, "Man vs. Computer: Benchmarking Machine Learning Algorithms for Traffic Sign Recognition," Neural Networks, vol. 32, pp. 323-332, 2012, https://doi.org/10.1016/j.neunet.2012.02.016.
[2] P. Sermanet and Y. LeCun, "Traffic Sign Recognition with Multi-Scale Convolutional Networks," International Joint Conference on Neural Networks (IJCNN), Barcelona, Spain, 2011, pp. 2809-2813, https://doi.org/10.1109/IJCNN.2011.6033589.
[3] S. Houben, J. Stallkamp, J. Salmen, M. Schlipsing and C. Igel, "Detection of Traffic Signs in Real-World Images: The German Traffic Sign Detection Benchmark," International Joint Conference on Neural Networks (IJCNN), Dallas, TX, USA, 2013, pp. 1-8, https://doi.org/10.1109/IJCNN.2013.6706807.
[4] K. Simonyan, A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition”, arXiv preprint arXiv:1409.1556, 2014 https://arxiv.org/abs/1409.1556
[5] A. Youssef, D. Albani, D. Nardi and D. D. Bloisi, "Fast Traffic Sign Recognition Using Color Segmentation and Deep Convolutional Networks," Lecture Notes in Computer Science, vol. 10016, pp. 221-230, Oct. 2016, https://doi.org/10.1007/978-3-319-48680-2_19.
[6] X. Qiao, "Research on Traffic Sign Recognition Based on CNN Deep Learning Network," ScienceDirect, 2023, https://www.sciencedirect.com/science/article/pii/S1877050923019336.
[7] M. Abadi, A. Agarwal, P. Barham et al., "TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems," arXiv preprint arXiv:1603.04467, 2016, https://doi.org/10.48550/arXiv.1603.04467.
[8] H.B. Fredj, "An Efficient Implementation of Traffic Signs Recognition Using CNN for Unconstrained Environments," ScienceDirect, 2023, https://doi.org/10.1016/j.micpro.2023.104791.