مقاله تشخیص و بازشناسی علایم راهنمایی و رانندگی با استفاده از روش مبتنی بر مکانیزم توجه و روش های طبقه بندی کلاسیک و ماشین بردار پشتیبان

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مقاله تشخیص و بازشناسی علایم راهنمایی و رانندگی با استفاده از روش مبتنی بر مکانیزم توجه و روش های طبقه بندی کلاسیک و ماشین بردار پشتیبان دارای ۲۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تشخیص و بازشناسی علایم راهنمایی و رانندگی با استفاده از روش مبتنی بر مکانیزم توجه و روش های طبقه بندی کلاسیک و ماشین بردار پشتیبان  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تشخیص و بازشناسی علایم راهنمایی و رانندگی با استفاده از روش مبتنی بر مکانیزم توجه و روش های طبقه بندی کلاسیک و ماشین بردار پشتیبان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تشخیص و بازشناسی علایم راهنمایی و رانندگی با استفاده از روش مبتنی بر مکانیزم توجه و روش های طبقه بندی کلاسیک و ماشین بردار پشتیبان :

تعداد صفحات :۲۱

ایجاد و گسترش سیستم های هوشمند درحوزه حمل و نقل و بویژه شناسایی علایم راهنمایی و رانندگی، یکی از چالش‌های مهم در سالهای اخیر بوده است. تشخیص و بازشناسی، دو مرحله اصلی شناسایی علایم ترافیکی هستند. روشهای مختلفی برای انجام این دو مرحله پیشنهاد شده است. در این مقاله، روشی برای مکانیابی، تشخیص و بازشناسی علایم ترافیکی از نوع انتظامی ارایه شده است؛ به کمک روشی مبتنی بر مکانیزم توجه و با بهره‌گیری از جعبه ابزار saliency امکان حضور علایم، در تصاویر تهیه شده از صحنه های ترافیکی، سنجیده و نواحی مهم تصاویر و از جمله علامت ترافیکی در قالب نقشه هایی استخراج شد. برای مرحله بازشناسی و طبقه بندی علایم، تصاویر مربوط به هریک از علامت‌ها، برحسب نوع، در گروه‌های مختلف تقسیم بندی شدند. در مرحله بعد با استفاده از روش استخراج ویژگی SIFT، نقاط کلیدی هر یک از تصاویر استخراج و روندی برای ایجاد هیستوگرام های نشان دهنده بردار ویژگی پیشنهاد شد. مقایسه هیستوگرام‌های به دست آمده از تصاویر تست با هیستوگرامهای تصاویر آموزش منجر به بازشناسی و طبقه بندی تصاویر تست گردید. طبقه بندهای مورد استفاده، روش k نزدیک ترین همسایگی با معیارهای فاصله ی (فاصله اقلیدسی،۲x و منهتن) و نیز روش ماشین بردار پشتیبان (SVM) است. در روش پیشنهادی، تشخیص علایم، بدون نیاز به روش های پیش پردازش اضافی و با دقت بالایی انجام گرفت، علیرغم وجود تنوع در علایم بکار رفته در هر گروه، نرخ بازشناسی مناسب بوده و به دلیل استفاده از روش استخراج ویژگی sift، در برابر تغییر در اندازه و جهت مقاوم بوده و در برابر سایر تغییرات از قبیل تغییر در زاویه دید و روشنایی تا حدودی مقاوم است.