Tool for semi autonomous building of traffic sign images repositories
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | https://hdl.handle.net/1822/80053 |
Resumo: | Dissertação de mestrado em Engenharia Informática |
id |
RCAP_981d769727e898fe3a28fa2688b24fc9 |
---|---|
oai_identifier_str |
oai:repositorium.sdum.uminho.pt:1822/80053 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Tool for semi autonomous building of traffic sign images repositoriesTraffic signs detection and recognitionKey-point featuresMachine learningConvolutional neural networksSinais de trânsitoDeteção e reconhecimento de objectosKey-point featuresEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado em Engenharia InformáticaEither to improve the drivers knowledge about the road, or focusing on the current development of autonomous vehicles, most car manufacturers began offering driving assistance systems in their vehicles. A crucial part of the monitoring task performed by those systems is the detection and reaction over found traffic signs. Since the decision flow of those solutions is reliant on the information gathered from the found signs, these systems deeply rely on their recognition stage. To achieve high-accuracy classification rates at nearly real-time, recognition is usually implemented using machine learning techniques, such as state of the art Convolution Neural Networks (CNNs). However, these methods demand a large amount of data for their learning process. Due to the lack of large traffic signs repositories, these systems are restricted to one of the few available datasets. A significant decrease in accuracy was observed when using a recognition model trained with samples from a given country and latter used to classify signs from another country, thus supporting the need for country-specific repositories and trained models. Traffic signs reveal several differences when compared to the same functional sign over different countries. Those changes, although similar for the human perception, cause a significant disturbance in the classification abilities learned by a given machine learning model. Aiming to overcome this issue, this dissertation proposes a semi autonomous tool to create traffic sign repositories, for almost any given country. The created dataset is intended to later be applied to train country-specific models, with traffic sign images from the country where the recognition model is going to be used. To achieve this, a pipeline based on an Ensemble architecture joining several computer vision techniques is proposed. The combination of various methods allows to improve the recognition rates and, more importantly, decrease the number of false positives gathered in the produced repositories. Finally, the pipeline was used to create the first Portuguese traffic sign repository, having currently around 33000 labelled signs.Focando o atual desenvolvimento de carros autónomos ou, procurando aumentar o conhecimento do condutor face ao ambiente rodoviário, a maioria dos fabricantes automóveis tem introduzido sistemas auxiliares de condução nos seus veículos. Uma parte crucial da monitorização feita por estes sistemas encontra-se na deteção e reação perante os sinais de trânsito encontrados. Para alcançar taxas de classificação elevadas, esta tarefa é normalmente feita utilizando modelos de reconhecimento como redes neuronais convolucionais. Contudo, estes algoritmos requerem uma elevada quantidade de imagens para o seu processo de aprendizagem. Devido à falta de repositórios de sinais de trânsito, estes sistemas são habitualmente treinados utilizando imagens sintéticas ou um dos datasets publicamente disponibilizados. Um decréscimo acentuando na precisão é verificado quando se utliza um modelo treinado com imagens de um determinado pais e posteriormente usado para reconhecer sinais de outro país distinto. Este impacto suporta a necessidade de utilizar imagens e modelos de reconhecimento específicos para cada país. Os sinais revelam várias diferenças visuais quando comparados a sinais equivalentes mas pertencentes a outro país. Estas variações causam um impacto significativo nas capacidades de classificação de um algoritmo pré-treinado. Esta dissertação propõe assim um pipeline semi automático para a criação de repositórios de imagens de sinais de trânsitos, disponível para praticamente qualquer país. Os repositórios criados são destinados ao treino de métodos de machine Learning, específicos para o país sobre o qual as imagens foram recolhidas e onde o modelo de classificação será usado. A ferramenta baseia-se num conjunto de estruturas Ensemble, integrando técnicas de visão por computador. A combinação de vários métodos aumenta as taxas de reconhecimento e permite garantir um rácio reduzido de imagens incorretamente classificadas. A ferramenta desenvolvida é, por fim, utilizada para criar o primeiro repositório de sinais de trânsito para Portugal, tendo atualmente cerca de 33000 imagens classificadas.Fernandes, António RamiresUniversidade do MinhoMiranda, Miguel Dias2020-01-092020-01-09T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/80053eng203020707info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-12-09T01:19:46Zoai:repositorium.sdum.uminho.pt:1822/80053Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:54:12.572500Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Tool for semi autonomous building of traffic sign images repositories |
title |
Tool for semi autonomous building of traffic sign images repositories |
spellingShingle |
Tool for semi autonomous building of traffic sign images repositories Miranda, Miguel Dias Traffic signs detection and recognition Key-point features Machine learning Convolutional neural networks Sinais de trânsito Deteção e reconhecimento de objectos Key-point features Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
title_short |
Tool for semi autonomous building of traffic sign images repositories |
title_full |
Tool for semi autonomous building of traffic sign images repositories |
title_fullStr |
Tool for semi autonomous building of traffic sign images repositories |
title_full_unstemmed |
Tool for semi autonomous building of traffic sign images repositories |
title_sort |
Tool for semi autonomous building of traffic sign images repositories |
author |
Miranda, Miguel Dias |
author_facet |
Miranda, Miguel Dias |
author_role |
author |
dc.contributor.none.fl_str_mv |
Fernandes, António Ramires Universidade do Minho |
dc.contributor.author.fl_str_mv |
Miranda, Miguel Dias |
dc.subject.por.fl_str_mv |
Traffic signs detection and recognition Key-point features Machine learning Convolutional neural networks Sinais de trânsito Deteção e reconhecimento de objectos Key-point features Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
topic |
Traffic signs detection and recognition Key-point features Machine learning Convolutional neural networks Sinais de trânsito Deteção e reconhecimento de objectos Key-point features Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
description |
Dissertação de mestrado em Engenharia Informática |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-01-09 2020-01-09T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/1822/80053 |
url |
https://hdl.handle.net/1822/80053 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
203020707 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799132323665412096 |