An Autonomous-Based Learning System Development for Sign and Lane Recognition

Year 2021, Volume: 13 Issue: 3, 19 - 25, 31.12.2021

Ömer Küçük Emrehan Yavşan Barış Gökçe

https://doi.org/10.29137/umagd.1037237

Cited By: 1

Abstract

When we look at the rates of traffic accidents in daily life, it is seen that driver errors are quite high. Newly launched vehicle models come to the market with control methods such as lane tracking, autonomous or semi-autonomous driving support, especially intelligent driving and driving assistant. In this study, it is aimed to develop a system for the correct recognition of traffic signs and warning the driver in order to assist the driver while autonomous vehicles are in traffic. In this study; Recognition and classification of the signs and traffic lights on the roads were made by using the image processing methods of the road image videos taken from a camera mounted on a personal vehicle, and the appropriate classification technique was determined by using different artificial intelligence methods. In this context, a training data set was created to create an artificial neural network (ANN) model and to develop it for this structure. In order to create the training data set, video camera data were obtained from the traffic lights on the roads of Selçuklu and Meram districts in Konya and from the signs on the traffic signs with a road camera placed on the windshield of the personal vehicle. An ANN training was conducted using the data set obtained from the personal tool. In this experimental study, the accuracy rate of 90% was achieved. After the traffic signs and lights recognition system, a lane recognition and a road curve calculation system has been developed for an autonomous vehicle platform. Thus, the steering angle of the vehicle was calculated and it was controlled autonomously with a PID controller.

Keywords

Autonomous Systems, Artificial Intelligence, Embedded System, Sign Recognition

Otonom Tabanlı İşaret ve Şerit Tanımak Amacı ile Bir Öğrenme Sisteminin Geliştirilmesi

Abstract

Günlük hayatta trafik kazaları oranlarına bakıldığında sürücü hatalarının oldukça fazla olduğu görülmektedir. Pazara yeni çıkan araç modelleri sürücüye şerit takibi başta olmak üzere akıllı sürüş ve sürüş asistanı gibi otonom veya yarı otonom sürüş destekleri sunan kontrol yöntemleri ile ortaya çıkmaktadır. Bu çalışmada otonom araçların trafikte iken sürücüye yardımcı olması için trafik işaretlerinin doğru olarak tanınması ve sürücüye uyarıda bulunması adına bir sistemin geliştirilmesi amaçlanmıştır. Sistemin geliştirilmesi sürecinde şahsi araç üzerine montajlanmış bir kameradan alınan yol görüntü videolarıyla özgün bir veri seti oluşturulmuş ve bu verilerle trafikte yollarda bulunan işaretlerin ve trafik lambalarının tanınması sağlanmıştır. Yüksek tanıma doğruluğu için çeşitli yapay zeka algoritmaları birleştirilerek etkili bir sınıflandırma gerçekleştirilmiştir. Eğitim veri setinin oluşturulması için şahsi aracın ön camına yerleştirilmiş olan bir yol kamerası ile Konya ili Selçuklu ve Meram ilçelerinin yollarındaki trafik lambalarından ve trafik levhalarındaki işaretlerden video kamera verileri ede edilmiştir. Şahsi araçtan elde edilen veri seti kullanılarak bir yapay sinir ağı modeli eğitilmiştir. Deneysel olarak yapılan bu çalışmada %90 oranında doğruluk elde edilmiştir. Trafik işaret ve lambalarını tanıma sisteminden sonra otonom bir araç platformu için şerit tanıma ve viraj algılama sistemi geliştirilmiştir. Bu sistem sayesinde aracın direksiyon açısı hesaplanmış ve bir PID kontrolcüyle aracın direksiyonu otonom olarak kontrol edilmiştir.

Keywords

Otonom Sistemler, Yapay Zeka, Gömülü Sistem, İşaret Tanıma

References

• Binangkit, J. L. ve Widyantoro, D. H. (2017). Increasing accuracy of traffic light color detection and recognition using machine learning. Proceeding of 2016 10th International Conference on Telecommunication Systems Services and Applications, TSSA 2016: Special Issue in Radar Technology içinde . doi:10.1109/TSSA.2016.7871074
• Girshick, R. (2015). Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision içinde . doi:10.1109/ICCV.2015.169
• Lasota, M. ve Skoczylas, M. (2016). Recognition of multiple traffic signs using keypoints feature detectors. Proceedings of the 2016 International Conference and Exposition on Electrical and Power Engineering, EPE 2016 içinde . doi:10.1109/ICEPE.2016.7781397 NVIDIA. (2021). Convolutional Neural Network (CNN). 11 Ağustos 2021 tarihinde https://developer.nvidia.com/discover/convolutional-neural-network adresinden erişildi.
• Ren, S., He, K., Girshick, R. ve Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in Neural Information Processing Systems içinde.
• Sermanet, P., Eigen, D., Zhang, X., Mathieu, M., Fergus, R. ve LeCun, Y. (2014). Overfeat: Integrated recognition, localization and detection using convolutional networks. 2nd International Conference on Learning Representations, ICLR 2014 - Conference Track Proceedings içinde .
• Simonyan, K. ve Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. 3rd International Conference on Learning Representations, ICLR 2015 içinde.
• Yavsan, E. ve Ucar, A. (2015). Teaching human gestures to humanoid robots by using Kinect sensor. doi:10.1109/siu.2015.7130053