Detekce a rozpoznávání dopravních značek (TSDR) zde hraje klíčovou roli tím, že detekuje a rozpoznává symbol, a tak upozorňuje na hnací sílu všech nadcházejících značek. to může nejen zajistit bezpečnost silničního provozu, ale také umožňuje, aby byla hnací síla při jízdě na komplikovaných nebo nových silnicích o něco klidnější. S pomocí tohoto systému detekce dopravních značek (TSDR) budou řidiči schopni porozumět tomu, co značka říká. Protože po provedení metody klasifikace dopravní značky se ten výstup přenese v rámci druhu řeči. v tomto systému navrhujeme způsob detekce a rozpoznávání dopravních značek pomocí zpracování obrazu pro detekci symbolu a souboru konvolučních neuronových sítí (CNN) pro rozpoznání značky. Vzhledem k tomu, že CNN má vysokou míru rozpoznávání, používá se k implementaci různých úloh počítačového vidění. Pro implementaci CNN obecně používáme Tensor Flow.
Detekce dopravních značek je často považována za zvláštní případ detekce třídy objektů. Při detekci tříd objektů je úkolem vyhledat umístění a velikosti všech objektů na obrázku, které patří do dané třídy. Algoritmy detekce dopravních značek se specializují na detekci dopravních značek i z poškozených dopravních značek. Detekce určuje umístění signálů během daného rámce, zatímco klasifikace určuje třídu signálů, které procházejí krokem detekce. Problematika klasifikace znaků z detekovaných snímků je vysoce strhující, ale také náročná. Pro neúspěšný systém však zůstává mnoho problémů, protože výkon těchto systémů značně trpí okolními podmínkami, které ovlivňují viditelnost dopravních značek.
Dopravní značka nám pomáhá interpretovat stav vozovky, regulovat provoz a také pomáhá při varování a navádění chodců a řidičů. Algoritmy detekce dopravních značek se specializují na detekci dopravních značek i z poškozených dopravních značek. Je prezentována kombinace barvy a algoritmu založeného na tvaru, který bude použit k detekci a rozpoznání použitého algoritmu SVM.
Problém ve stávajícím systému:
Systém detekce dopravních značek má velký potenciál při snižování počtu dopravních nehod tím, že upozorňuje řidiče ve složitém scénáři a řidiče v bezvědomí v důsledku mnoha psychologických faktorů. Algoritmus SVM v zásadě není vhodný pro velké soubory dat. Nefunguje příliš dobře, když jsou data velká.
Krok 2: Detekuje dopravní značku.
Krok 3: Klasifikuje rozpoznaný znak.
Krok 4: Získejte informace týkající se znamení.
Krok 5: Informace se zobrazí a přehrají jako zvuk.
Krok 6: Výsledkem je, že řidič obdrží informace o značce.
V reálném světě používáme pro detekci a rozpoznávání dopravních značek zpracování obrazu pro detekci symbolu a soubor konvolučních neuronových sítí (CNN) pro rozpoznání značky. Vzhledem k tomu, že CNN má vysokou míru rozpoznávání, používá se k implementaci různých úloh počítačového vidění. Pro implementaci CNN obecně používáme Tensor Flow. Po rozpoznání dopravní značky je následně převeden text do řečového formátu. Pro převod textu na řeč používáme Překladač Google.
K vytvoření neuronové sítě potřebujeme:
Numpy: Numpy je numerické zpracování v Pythonu.
Vrstva: Plně propojené vrstvy jsou definovány pomocí třídy Dense.
Model: Sekvenční model je lineární zásobník vrstev.
V konvoluční neuronové síti:
Konvoluční neuronové sítě mohou být konkrétním případem neuronových sítí hlubokého učení. CNN je velmi podobná neuronové síti. Tvoří je základní jednotky zvané NEURONY.
Vstupní vrstvy: Model očekává řádky dat. Obsahuje obrázky o šířce 32, výšce 32 a hloubce 3.
Aktivační funkce: Určuje výstup modelu hlubokého učení, jeho přesnost a také výpočetní efektivitu tréninku.
Typy aktivačních funkcí:
ReLU (Rectified Linear Units)
Nejčastěji používanou aktivační funkcí je ReLU (Rectified Linear Units)
Skryté vrstvy: Nachází se mezi vstupní vrstvou a výstupní vrstvou, kde vytváří novou vrstvu, která není výstupní, ale snaží se předvídat obraz na základě aktivačních funkcí, které máme.
Konvoluční vrstvy se aplikují na vstupní data pomocí konvolučního filtru, aby se vytvořila mapa prvků, která pomáhá při predikci.
Jeho funkcí je postupně zmenšovat prostorovou velikost reprezentace, aby se snížil počet parametrů a výpočtů v síti.
Plně propojené vrstvy:
Vstupem do plně propojené vrstvy je výstup z finální sdružovací nebo konvoluční vrstvy, který je zploštěn a poté přiváděn do plně propojené vrstvy.
Import požadovaných knihoven
Rozdělení dat na školení a testování:
Balíček h5py je rozhraní Pythonic pro binární datový formát HDF5.
Klasifikace obrázku a předpovídání obrázku a hlasu předvídání obrázku.
