Derin öğrenme yöntemleriyle trafik işaretlerinin gerçek zamanlı sınıflandırılması

Abstract

Günümüzde trafik güvenliği ve sürüş deneyimi, gelişmiş sürücü destek sistemlerini (Advanced Driver Assistance System, ADAS) önemli ölçüde etkilenmektedir. Sürücüler için önemli bilgiler taşıyan, uyarıcı niteliğinde olan ve trafiğin düzenli akışını sağlayan trafik işaretleri çoğu zaman sürücüler tarafından fark edilemez veya trafik işaretine bakma esnasında sürücünün dikkatini dağıtabilir, bunun sonucunda da çeşitli kazalar meydana gelir. Bu sebeple ADAS’ın içinde yer alan trafik işaretlerini algılayan ve sınıflandıran sistemler mevcuttur. Derin öğrenme teknikleri, özellikle de konvolüsyonel sinir ağı (Convolutional Neural Network, CNN) mimarileri üzerinden yapılan çalışmalar, bu alanda önemli ilerlemelere yol açmıştır. Bu tez çalışmasında derin öğrenme yöntemlerinden CNN kullanılarak sınıflandırma işlemleri gerçekleşmiş ve seçilen algoritmalardan hangisinin gerçek zamanlı bir sistemde en iyi performansı gösterdiği tespit edilmiştir. Bu çalışmada veri seti olarak, 43 sınıftan oluşan ve 39209 trafik işareti görüntüsü içeren Alman Trafik İşaretleri Bulma Veri Seti (German Traffic Sign Recognition Benchmark, GTSRB) kullanılmıştır. Veri setinin CNN algoritmalarına etkisini belirleyebilmek için veri arttırma teknikleri kullanılarak yeni veri kümeleri GTSRB’den türetilmiştir. Literatür araştırması sonucu seçilen SqueezeNet, GoogleNet, ResNet50 ve AlexNet algoritmaları için en iyi performansı verecek hiper parametreler sistematik bir yöntemle belirlenmiş, Matlab yazılımıyla oluşturulan kullanıcı arayüzüyle gerçek zamanlı sınıflandırma testleri yapılmıştır. Gerçek zamanlı testlerin sonucunda ResNet50 algoritmasının, %93,49 sınıflandırma doğruluk oranı ile gerçek zamanlı bir sistemde çalışabileceği gösterilmiştir. Nowadays, traffic safety and driving experience are significantly affected by advanced driver assistance systems (ADAS). Traffic signs, which carry important information for drivers, serve as a warning and ensure the orderly flow of traffic, often cannot be noticed by drivers, or may distract the driver while looking at the traffic sign, resulting in various accidents. For this reason, there are systems that detect and classify traffic signs within ADAS. Studies on deep learning techniques, especially convolutional neural network (CNN) architectures, have led to significant advances in this field. In this study, classification processes were carried out using CNN, one of the deep learning methods, and it was determined which of the selected algorithms showed the best performance in a real-time system. In this study, the German Traffic Sign Recognition Benchmark (GTSRB), which consists of 43 classes and contains 39209 traffic sign images, was used as the data set. In order to determine the effect of the dataset on CNN algorithms, new datasets were derived from GTSRB using data augmentation techniques. The hyper parameters that will give the best performance for the SqueezeNet, GoogleNet, ResNet50 and AlexNet algorithms selected as a result of literature research were determined with a systematic method, and real-time classification tests were carried out with the user interface created with Matlab software. As a result of real-time tests, it has been shown that the ResNet50 algorithm can work in a real-time system with a classification accuracy rate of 93.49%.