TRAFİK İŞARETİ TANIMADA ALT UZAY TEMELLİ SINIFLANDIRICILAR İÇİN

İMGE TANIMLAYICILARININ DEĞERLENDİRİLMESİ EVALUATION OF IMAGE DESCRIPTORS IN SUBSPACE-BASED CLASSIFIERS FOR

TRAFFIC SIGN RECOGNITION Mustafa Özdamar1, Rifat Edizkan1

Elektrik-Elektronik Mühendisliği Bölümü

Eskişehir Osmangazi Üniversitesi rixosparad@hotmail.com, redizkan@ogu.edu.tr

ÖZETÇE Bu çalışmada, imge tanımlayıcıların trafik işaret tanımadaki başarımları alt uzay temelli sınıflandırıcılar kullanılarak elde edilmiştir. Alt uzay yöntemleri sınıflandırma başarımını en iyilerken aynı zamanda özellik uzayında boyut indirgeme de sağlarlar. İmge üzerindeki trafik işareti içeren bölgeden imge tanımlayıcıları ile öznitelik vektörleri elde edilir. Bu çalışmada, imge tanımlayıcı olarak Griseviye, Yerel Gradyan Histogram (YGH), Yerel İkili Örüntü (YİÖ), Yerel Faz Kuantalama (YFK) ve Gabor imge tanımlayıcıları kullanılmıştır. Öznitelik vektörleri; Temel Bileşen Analizi (TBA), Doğrusal Ayırtaç Analizi (DAA) ve Ayırtedici Ortak Vektör (AEOV) alt uzay yöntemlerinde işlenerek trafik işareti tanıma yapılmıştır. Deneysel çalışmada üçgen ve dairesel işaret içeren veri tabanı kullanılmıştır. Veri tabanı ötelenmiş ve dönmüş trafik işaretleri de içermektedir. Alt uzay temelli sınıflandırıcılarda tanıma performansları, şablon eşleme yöntemi ile karşılaştırılmıştır. En iyi başarımları AEOV alt uzay yöntemi ve YGH imge tanımlaycısı vermiştir. Üçgen ve dairesl işaretler için sırasıyla %98,38 ve %99.25 sınıflandırma başarımları elde edilmiştir. Anahtar kelimeler: Trafik İşaret Tanıma, Alt Uzay Yöntemleri, İmge Tanımlayıcıları

ABSTRACT In this study, the performance of some image descriptors in traffic sign recognition is obtained using the subspace-based classifiers. The subspace methods make both dimension reduction in feature space and maximize the classification rate. The feature vectors are extracted from the images containing a traffic sign by image descriptors. Gray scale, Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), and Local Phase Quantization (LPQ) are used as image descriptors in our study. The feature vectors are processed by the subspace methods, Principle Component Analysis (PCA), Linear Discriminant Analysis (LDA), and Discriminative Common Vector (DCV), for recognizing traffic signs. In the experimental study, the database containing triangular and circular signs was used. The database also includes shifted and rotated traffic signs. The recognition performances of the subspace-based classifiers were compared with the template matching method. The best classification performances are obtained for the HOG features

and DCV method. The classification rates for triangular and circular signs are 98.38% and 99.25% respectively. Keywords: Traffic Sign Recognition, Subspace Methods, Image Descriptors

1. GİRİŞ Günümüz araç teknolojilerinde kullanılan sistemlerden biri de trafik işaret tanıma sistemidir. Trafik işareti tanıma; trafik işareti tespiti ve sınıflandırma aşamalarından oluşmaktadır. Trafik işaretin tespiti aşamasında kamera görüntüsü içinden olası trafik levhalarının yerleri belirlenir. Işık şiddeti farklılığı, gölgeleme etkisi, işaret levhasının engellenmiş, kırılmış ve dönmüş olması; kamera ve çekimi kaynaklı gürültü etkisi, ölçek ve bakış açısı sorunu işaretlerin tespitini ve tanınmasını zorlaştırmaktadır. Trafik işareti olarak belirlenen bölgeler görüntü içinden kesilir ve boyut normalizasyon işlemine yapılır. Daha bu bölgeden sonra ışık şiddeti, dönme gibi durumlara karşı dayanıklı öznitelikler elde edilir. Bu öznitelikler sınıflandırıcı eğitimi ve testinde kullanılır. Bu çalışmada, imge tanımlayıcı (öznitelik) olarak Griseviye, Yönlü Gradyan Histogram (YGH), Yerel İkili Örüntü (YİÖ), Yerel Faz Kuantalama (YFK) ve Gabor kullanılmıştır. İmge tanımlayıcıları ile trafik işaretlerinin öznitelik vektörleri çıkarılmıştır. Alt uzay temelli yöntemler olarak Temel Bileşen Analizi (TBA), Doğrusal Ayırtaç Analizi (DAA), ve Ayırt Edici Ortak Vektör (AEOV) kullanılmıştır. Alt uzay temelli sınıflandırıcıları için en iyi tanıma başarımı gösteren imge tanımlayıcıları tespit edilmiştir. İmge tanımlayıcılarının alt uzay temelli sınıflandırıcılarda tanıma performansları, şablon eşleme yöntemi ile mukayese edilmiştir. Bildirinin ikinci bölümünde trafik işareti tanıma sistemi anlatılmaktadır. Üçüncü bölümünde uygulamada kullanılan öznitelik ve alt uzay yöntemleri hakkında bilgi verilmektedir. Dördüncü bölümde deneysel çalışmada kullanılan veritabanı ve elde edilen sonuçlar anlatılmış, ve sonuçlar değerlendirilmiştir.

2. TRAFİK İŞARETİ TANIMA SİSTEMİ Bu bölümde trafik tanıma sistemi ile ilgili genel bilgi verilmektedir. Trafik işareti tanıma temel olarak trafik işareti tespiti ve sınıflandırma olmak üzere iki aşamadan oluşur.

574

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

2.1. Trafik İşareti Bulma

Traik işareti bulma için kameradan alınan resim üzerinde bir dizi ön işlemden yapılır. Açma, kapama gibi morfolojik işlemler ile resim üzerinde iyileştirmeler yapılarak trafik işareti içeren bölgeler bulunmaya çalışılır[1,2]. Trafik işaretlerinin yerleri renk, şekil özellikleri veya her ikisi birden kullanılarak belirlenmeye çalışılır. Trafik işareti bulma, bölütleme (segmentasyon) ve tespit (detection) olmak üzere iki aşamadan meydana gelir. Bölütleme aşaması renk bilgisine dayanmaktadır. Bu aşamada resimlerde muhtemel trafik işaretlerini barındırabilecek ilgi bölgelerini resmin arka planından ayırmak için trafik işaretlerinde kullanılan renkleri temsil eden çoğunlukla kırmızı, mavi ve sarı(yabancı ülkelerde) renk filtreleri kullanılır. Kullanılan RGB renk filtresi genellikle işlem yükünü azaltmak için tercih edilir[1,5]. Bunun yanında resimdeki aydınlanma etkisini en aza indirgemek için YUV veya HSV renk filtreleri kullanılır[1,2,4]. Bu renk uzaylarından sınıflandırma aşamasında da faydalanılmaktadır. Bölütleme trafik işareti sınıflandırmada başarılı performans elde edebilmek için önemli bir adımdır. Trafik işareti tespit edilirken bölütleme sonucu elde edilen renk bilgisine dayanan ilgi bölgelerinin trafik işareti içerip içermediğini bakılır. İlgi bölgelerindeki trafik işareti belirlenirken şekil bilgisi kullanılır. Literatürde şekil bilgisini olarak kenar veya köşe kullanıldığı görülmektedir [1].

2.2. Trafik İşaretini Tanıma

Trafik işareti tanımada ilgi bölgelerindeki trafik işaretleri sınıflandırılır. İlgi bölgeleri üzerinde tanıma yapılmadan önce; kontrast yayılması, renk filtrelemesi, griseviye dönüştürme[1], arka plan çıkartma, dış çizgi silme, resimlerin aynı boyuta getirilmesi, gürültünün ve aydınlatma sorunlarının azaltılması ve resmi bölütleme gibi ön işlemler uygulanmaktadır[1,3]. Trafik işareti sınıflandırmada piksel-tabanlı veya öznitelik(feature) tabanlı yaklaşımlar kullanılabilir [1,2,3]. Öznitelik-tabanlı yaklaşımda ilgi bölgesinden öznitelikler çıkartılır. Yapılan çalışmalarda öznitelik olarak Gabor öznitelikleri[4], HAAR dalgacık öznitelikleri, YGH öznitelikleri, renk uzaklık transformu, Zernike momentleri ile SIFT ve SURF gibi özniteliklerinin kullanıldığı görülmektedir. Trafik işareti sınıflandırma için şablon eşleştirme[1,2], alt uzay sınıflandırma[2,3], yapay sinir ağları[3], K-means, ve SVM yöntemleri kullanılmaktadır.

2.2.1. İmge Tanımlayıcıları

Griseviye(gri-ölçek) imge tanımlayıcı piksel değerlerinin, renklerin 0 ile 255 arasında değiştiği, siyah rengin 0, beyaz rengin ise 255 ile gösterildiği bir renk skalasıdır. Siyah ve beyaz arasında kalan renkler gri rengin tonları olarak gösterilir. Bir çok araştırmacı tarafından oldukça ilgi gören, imgedeki piksellerin yönelim ve büyüklük değerlerinin karakteristiği olarak da adlandırılan bu YGH yöntemindeki temel amaç, imgeyi bir grup yerel (lokal) histogramlar olarak tanımlamaktır. Bu histogramlar, imgenin yerel bir

bölgesindeki gradyanların (yönlütürev) yönelimlerinin sayısını içermektedir[8] . Işık şiddeti değişimleri karşı etkili olan ve hesaplamalarda kolaylık sağlayan YİÖ yöntemi özellikle doku analizlerinde ve yüz tanıma uygulamalarında kullanılır. YİÖ herhangi bir piksel koordinatı çerçevesindeki sekiz komşulukta kurallı ikili yoğunluk karşılaştırması yapar. Komşuluğunda olan 8 noktayı değerlendiriken merkezdeki piksel değeri kesim noktası kabul edilir ve bu değerden büyük veya eşit olanlara 1, küçük olanlara ise 0 değeri verilerek 8 komşuluk için 8-bitlik ikili bir kod elde edilir. Oluşturulan 8-bitlik ikilik kodun onluk(decimal) değeri, verilen piksel etrafında yerel yapısal bilgileri temsil eder. Tüm pikseller için hesaplanan YİÖ kodlarıyla oluşturulan imgenin histogramı elde edilir[5,7] . YFK genellikle doku tanımlayıcı olarak kullanılan resimleri bölütleyerek bu bölütlerin faz bilgisini kullanan ve gürültü etkisini karşı etkili olan bir özniteliktir. YFK herhangi bir piksel koordinatı çerçevesindeki sekiz komşulukta kurallı ikili fourier faz karşılaştırması yapar. Tüm pikseller için hesaplanan YİÖ kodlarıyla imgenin histogramı elde edilir[7]. Gabor imge tanımlayıcısının trafik işareti imgelerinin ölçek ve dönme sorunlarına dayanıklı olduğu varsayılır[4]. Gabor öznitelikleri, gri seviye değerlerinin iki boyutlu karmaşık Gabor filtreleri ile filtrelenmesiyle oluşturulan özniteliklerdir. İki boyutlu Gabor filtresi, karmaşık üstel fonksiyon ile eliptik Gauss fonksiyonunun çarpımından oluşan bir fonksiyonla temsil edilir. Gauss öznitelikleri 5 farklı ölçek ve 8 farklı yön için elde edilir[4].

2.2.2. Alt Uzay Sınıflandırma Yöntemleri

Trafik işareti tanıma da alt uzay temelli yaklaşımların da kullanıldığı görülmektedir. [2,3]. Alt uzay temelli yöntemlerde ℜ → ℜ ( > ) haritalaması yapılır. Burada öznitelik boyutunu, ise altyuzay boyutunu göstermektedir. Burada, sınıf içi ve sınıflar arası dağılımlar üzerinden tanımlanan amaç fonksiyonu ile sınıflandırmanın en iyilendirilmesi hedeflenmektedir. Alt uzay yöntemleri öznitelik uzayında boyut indirgeme sağlamakta; ve ayrıca sınıflama için ayırtedici özellikleri seçmektedir[2,3,5]. Alt uzay yöntemlerini açıklamadan önce bazı tanımlamalara açıklamak gerekmektedir. Bu tanımlamalar veri tabanı imgelerin piksel değerleri üzerinden elde edilmiş matematiksel istatiksel değerlerdir. Bu tanımlamalar toplam örnek sayısı olan M, sınıf-içi saçılım matrisi , sınıflar-arası saçılım matrisi B ve toplam saçılım matrisi gibi veri tabanı imgelerinin piksel değerleri üzerinden elde edilmiş matematiksel istatiksel değerlerdir. Bu tanımlamalar aşağıdaki gibi matematiksel olarak formülize edilmiştir; Eğitim setinde C sınıf olsun, ve ’nci sınıfın Ni tane örneğe sahip olduğunu düşünelim. Bu durumda, toplam örnek sayısı olan M Eş. (1) ile ifade edilir.

= ∑ (1) Sınıfı olan ’ninci imge örneğini boyutlu uzayda xm

i ile gösterirsek, sınıf-içi saçılım matrisi ve sınıflar-arası saçılım matrisi Eş. (2) ve Eş. (3) kullanılarak hesaplanır.

575

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

= ∑ ∑ − −

= (2)

= ∑ ( − )( − ) = (3) Toplam saçılım matrisi ise Eş. (4)’deki gibi bulunur,

= ∑ ∑ − −

= = + (4) Bu eşitliklerde, eğitim setindeki tüm örneklerin ortalama vektörünü, ise i’nci sınıfın ortalama vektörünü ifade etmektedir. Matrisler ∈ ℜ × , ∈ ℜ × , ∈ ℜ × hesaplanmasına ilişkin denklemeler [5]’de verilmektedir.

2.2.3. Temel Bileşenler Analizi

TBA standart boyut indirgeme yöntemidir. Bu yöntem, büyük boyutlu orijinal trafik işareti uzayından doğrusal olarak daha düşük boyutlu bir özellik alt uzayına dönüşümü gerçekleştirir. Asıl amaç, örnek uzayda en iyi iz düşüm yönlerini bularak JTBA(WWopt) =max ׀WTSTW׀ ifadesini sütün matrisi W’nin birimdik olduğu kısıt için en iyileştirmektir. Özellik çıkarımında iz düşüm vektörü olarak en büyük öz değerlere karşılık gelen öz vektörler seçilirse JTBA en iyilenmiş olur[5].

matrisinin öz vektörleri temel bileşenler olarak adlandırılırlar. Bunun yanında ’nin bütün öz vektörleri birimdik ve sıfıra eşit veya sıfırdan büyüktür. Öz değerler

1≥ 2≥⋯≥ şeklinde sıralansın, burada ( ≤ ) ’nin rankını ifade eder. Örnek uzayın boyutu d büyük olursa, saçılım matrisinin boyutu ∈ ℜ × çok büyük olacaktır. ∈ ℜ × sayısal kararsızlık içerir. Öz değerlere karşılık gelen öz vektörler daha küçük boyutlu olan × matrisinin öz vektörleri hesaplanarak bulunabilir. = olarak tanımlanır. Bu durumda optimal iz düşüm vektörleri × boyutlu büyük bir matris yerine × boyutlu daha küçük bir matris kullanılarak bulunmuş olur.

2.2.4. Doğrusal Ayırtaç Analizi

DAA yönteminde iz düşüm yönleri; aynı sınıfa ait örneklerin birbirlerine uzaklıklarını en küçük, farklı sınıflara ait örneklerin birbirlerine uzaklıklarını ise en büyük yapacak şekilde belirlenir. Yani seçilen iz düşüm yönleri sayesinde sınıflar arası saçılım matrisi büyültülmeye çalışılırken, sınıf içi saçılım matrisi küçültülmeye çalışılır[5]. Ortak saçılım matrisi W ,

=| |

, = [ … ] (5) şeklinde olur. Burada { i=1,2,…,m} , ve saçılım matrisleri için λi i=1,2,…,m genelleştirilmiş öz değerlerine karşılık gelen m tane genelleştirilmiş öz vektörlerdir.

saçılım matrisi genelleştirilmiş öz değer problemi çözülerek bulunur. matrisi, yetersiz veri olduğu durumlarda tekil olacaktır. matrisinin tekil olmasından kaynaklanan problem verilerin daha düşük boyuta TBA kullanılarak indirgenmesiyle ortadan kaldırılabilir [5]. Sınıflandırma sırasında bütün resimlerin alt uzaya izdüşümü saçılım matrisinden elde edilen matrisi kullanılarak

bulunur. Test imgesinin de aynı şekilde alt uzaya izdüşümü alınır. Daha sonra aralarındaki öklid uzaklıklar bulunur ve test imgesi en küçük uzaklığı veren sınıfa atanır.

2.2.5. Ayırt Edici Ortak Vektör Yöntemi

AEOV yöntemi örnek sayısının yeterli olmadığı durumlarda uygulanır ve sınıf içi saçılım matrisinin sıfır alt uzayını kullanır. Denklemlerde , boyut azaltmak için kullanılan izdüşüm matrisi ifade eder. Sınıf içi saçılım matrisi boyutların büyümesi ile birlikte matrisi sıfır alt uzayını doğuran birimdik vektör setini bulmak oldukça zordur. Fakat,

matrisinin sıfır alt uzayındaki izdüşümlerini bulmak için, matrisinin erim alt uzayını doğuran vektör setinden

yararlanılabilir[5].

matrisinin erim alt uzayı (range space) , sıfır alt uzayı (null space) ise ⊥ ile ifade edilir. Bu iki uzayın toplamı d-boyutlu örnek uzayı verir.

⨁ = (6) Bu yöntemde özellik uzayındaki öznitelik vektörleri matrisinin sıfır alt uzayına gönderilir. Bu izdüşümden sonra, eğitim kümesindeki her sınıfa ait öznitelik vektörleri, o sınıfının ortak özelliklerini gösteren tek bir vektörle temsil edilir .

= − = , = 1, 2, … , , = 1, 2, … , (7) Diğer bir ifade ile, Eşitlik (7) yardımıyla eğitim setinde her sınıfa ait örnek, o sınıfı temsil eden ortak bir vektör üretir [6]. Burada matrisi uzayının, matrisi ise ⊥ uzayının izdüşüm matrisleridir. Eş.(8)’in çözümünden optimal izdüşüm vektörleri elde edilir. Bu vektörler ortak vektörlerin toplam saçılımını en büyükleyen vektörlerdir.

= | | = | | (8)

Ortak vektörlere ait saçılım matrisi ise Eş. (9) yardımıyla bulunur.

= ∑ ( − )( − ) , = 1, 2, … , (9) Bu eşitlikte ’nci sınıfın ortak vektörü, ise her sınıftan elde edilen ortak vektörlerin ortalamasıdır. Bu durumda matrisinin sıfırdan farklı öz değerlerine karşılık gelen öz vektörler, optimal iz düşüm vektörlerini verir. Bu vektörlerin sayısı r ≤ −1’dir ve matrisinin kertesine eşittir [5]. Daha sonra optimal projeksiyon matrisleri ler kullanılarak her bir sınıf için ayırt edici ortak vektörler Eş. (10) ile bulunur.

= ∀ (10) Sınıflamada önce Eş.(11) ile bilinmeyen öznitelik vektörü alt uzaya haritalanır.

= (11) Daha sonra Eş.(11) bilinmeyen işaretin alt uzaya haritalanmış öznitelik vektörü ile her sınıfın öznitelik vektörleri arasındaki

576

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

öklid uzaklığı hesaplanır ve bilinmeyen işaret en küçük uzaklığı veren sınıfa(c*) atanır[6].

∗ = argmin‖ − ‖ (13)

3. DENEYSEL ÇALIŞMA Deneysel çalışmalarda bilgisayar ortamında oluşturulmuş dönmüş ve ötelenmiş işaretleri de içeren 36 farklı sınıftan 1620 üçgen trafik işareti ve 34 farklı sınıftan 1530 dairesel trafik işaretinden oluşan bir veri tabanı kullanılmıştır [1]. Uygulamada eğitim seti ile test setinindeki örnek sayısı oranı 2:1 olarak alınmıştır. Veri tabanından rastgele 10 farklı seçimle eğitim ve test setleri elde edilerek ortalama tanıma sonuçları bulunmuştur. Deneysel çalışma Pentium-4 3.0 GHz 8GB RAM bilgisayar kullanılarak Matlab ortamında gerçekleştirilmiştir. Trafik işaretlerini betimlemek için Griseviye, YGH, YİÖ, YFK ve Gabor imge tanımlayıcıları kullanılmıştır. Uygulanmada imge betimleyicilerin nasıl elde edildiği bölüm 2.1.1’de anlatılmıştır. Tablo 1-4’de üçgen ve dairesel trafik işaretleri tanıma sonuçları gösterilmektedir. en iyi tanıma sonucu veren alt uzay yöntemi ve imge betimleyiciye karşılık gelen değerler koyu yazılmıştır. Tablo 1: Üçgen İşaretler için Eğitim Seti Tanıma Sonuçları Altuzay Yöntemi

İmge Tanımlayıcıları Griseviye YGH YİÖ YFK YİÖ&YFK Gabor

AEOV 99,44 99,97 96,10 99,05 99,97 98,52 TBA 86,89 94,41 27,75 21,86 64,20 59,01 DAA 99,95 99,69 100,00 100,00 100,00 100,00 ŞE 100,00 100,00 100,00 100,00 100,00 100,00

Tablo 2: Dairesel İşaretler için Eğitim Seti Tanıma Sonuçları

Altuzay Yöntemi

İmge Tanımlayıcıları Griseviye YGH YİÖ YFK YİÖ&YFK Gabor

AEOV 99,93 100,00 99,99 100,00 100,00 99,55 TBA 89,51 97,23 65,20 67,35 69,56 71,30 DAA 99,80 100,00 100,00 100,00 99,99 100,00 ŞE 100,00 100,00 100,00 100,00 100,00 100,00

Tablo 3: Üçgen İşaretler İçin Test Seti Tanıma Sonuçları

Altuzay Yöntemi

İmge Tanımlayıcıları Griseviye YGH YİÖ YFK YİÖ&YFK Gabor

AEOV 84,58 98,38 86,27 90,01 93,92 85,63 TBA 78,09 90,72 24,09 20,15 56,48 50,89 DAA 58,46 33,36 89,84 91,23 77,43 82,37 ŞE 95,31 98,03 81,64 78,96 90,93 86,11

Tablo 4: Dairesel İşaretler için Test Seti Tanıma Sonuçları

Altuzay Yöntemi

İmge Tanımlayıcıları Griseviye YGH YİÖ YFK YİÖ&YFK Gabor

AEOV 91,16 99,25 97,35 99,50 98,82 90,42 TBA 82,11 95,44 59,81 62,55 64,73 62,26 DAA 83,78 97,57 96,55 98,20 95,53 80,13 ŞE 93,04 98,94 94,28 97,39 95,77 83,70

Tablo 5’te üçgen test seti için alt uzay yöntemleri ve şablon eşleme yönteminin sınıflama hızı sonuçları ms (milisaniye) olarak verilmektedir.

Tablo 5: Alt Uzay Yöntemleri ve Şablon Eşleme Yöntemi Sınıflama Süreleri

Altuzay Yöntemi

Sınıflama Süreleri Griseviye

(ms) YGH (ms)

YİÖ (ms)

YFK (ms) YİÖ&YFK

(ms) Gabor (ms)

AEOV 62 50 48 51 54 61 TBA 47 28 30 25 28 39 DAA 59 50 46 49 51 59 ŞE 12.455 2.150 1.793 1.805 2.982 11.672

3.1. Sonuçlar

Deney sonuçlarına göre Griseviye özniteliği hariç en iyi tanıma sonuçları alt uzay yöntemleri ile elde edilmiştir. En yüksek tanıma sonucunu veren alt uzay yöntemi hem üçgen hem de dairesel işaretler için AEOV yöntemidir.. En iyi tanıma sonuçları YGH öznitelikleri ile elde edilmiştir. Deneysel çalışmalarda altuzay yöntemlerinin dairesel trafik işaretlerini üçgen trafik işaretlerine göre daha iyi sınıflandırdığı görülmektedir. AEOV ve DAA yöntemleri eğitim seti tanımada %100 yakın başarım vernektedir. Alt uzay yöntemlerinin tanıma hızları Şablon Eşleme yöntemine göre çok hızlıdır. DAA yöntemi Griseviye ve YGH öznitelikleri için üçgen şekillerin tanınmasında ayırıcı öznitelik bulamaması nedeniyle kötü sonuçlar vermektedir. Bu temel sebebi üçgen test setindeki işaretlerin birbirine yakın piktogramlara sahip olmasıdır. Deneysel sonuçlardan da görüleceği gibi alt uzay yöntemleri hız ve performans açısından Şablon Eşleme yöntemine çok daha iyidir. Bu yöntemlerin gerçek zamanlı trafik işaret tanıma sisteminde kullanılabilmesi için gürültülü durumlardaki başarımlarının da iyileştirilmesi gereklidir.

4. KAYNAKÇA [1] Gürbüz A., “Otomatik Trafik İşaret Tanıma”, Yüksek

Lisans Tezi, Eskişehir Osmangazi Üniversitesi, 2010. [2] Fleyeh H., Davami E., “ Eigen-based Traffic Sign

Recognition “, Dalarna University, 2011. [3] Lim K.H., Seng K.P., Ang L.M., ”Intra Color-Shape

Classification for Traffic Sign Recognition”, Faculty of Engineering The University of Nottingham, Malaysia Campus, 2010.

[4] Mariut F., Foşalau C., Avila M. and Petrişor D., “Detection and Recognition of Traffic Signs Using Gabor Filters ”, IEEE , 2011.

[5] Gündüz H., “Alt Uzay Temelli Yaklaşımlar Kullanarak Gerçek Zamanlı Yüz Tanıma”, Yüksek Lisans Tezi, Eskişehir Osmangazi Üniversitesi, 2010.

[6] Edizkan R., Çevikalp H., and Yavuz H.S. “DCV-based Face Recognition System and Its Application on the Embedded Development Board”, AWERProcedia Information Technology & Computer Science.[online]. 2013, 05, pp 734-738.

[7] Akarslan E. and Edizkan R.,” Combining Local Binary Pattern and Local Phase Quantization for Object Classification”, AWERProcedia Information Technology & Computer Science.[Online]. 2013, 04, pp 1102-1108.

[8] Alparslan, N., 2013, Gradyan Tabanlı Heterojen Öznitelik Çıkarma Yöntemlerine Yeni Yaklaşımlar, Yüksek Lisans Tezi, İnönü Üniversitesi, 91s.

577

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)