Dengesiz Veri Setlerinde Trafik İşaretlerini Tanıma
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2016
Tezin Dili: Türkçe
Öğrenci: Yıldız Aydın
Asıl Danışman (Eş Danışmanlı Tezler İçin): Gülşah TÜMÜKLÜ ÖZYER
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Hızla gelişen teknoloji ile birlikte yol güvenliğine verilen önem büyük ölçüde artmış ve insan kaynaklı sorunlara odaklanılmıştır. Sürücülerin göz problemleri, yavaş refleksleri veya telefon gibi elektronik cihazların kullanımından dolayı dikkatlerinin dağılması daha fazla kazanın gerçekleşmesine sebebiyet vermiştir. Bu nedenle trafik işareti otomatik tanıma sistemi (traffic sign recognition (TSR)) günümüzde üzerinde oldukça durulan bir konu olmuştur. Literatürde, TSR sistemi için geliştirilen çalışmalarda kullanılan standart (German, Belgium vs.) veri setlerinin sınıflarında bulunan görüntü sayıları, işaretlerin kullanım sıklıklarından dolayı orantısızdır. Bu tip veri setlerinin üzerinde gerçekleştirilen uygulamalar, yerel öznitelikler ile birlikte kullanılır ise başarılı sonuçlar vermemektedir. Yerel öznitelikler tüm görüntüyü incelemek yerine belirgin noktalara odaklanmakta ve bu sayede işlem ve zaman maliyetini düşürmektedir. Bu çalışmada, işaret levhalarının renk bakımından dış çevreden farklı olmasından dolayı yerel öznitelikler kullanılmış ve dengesiz veri seti ile bu yerel özniteliklerin kullanımı esnasında ortaya çıkan dengesiz veri seti problemi üzerine odaklanılmıştır. Önerilen TSR sistemi öznitelik çıkarımı ve sınıflandırma adımlarından oluşmaktadır. Öznitelik çıkarım adımında ölçeklemeden bağımsız öznitelik dönüşümü ve hızlandırılmış gürbüz özniteliği kullanılarak yeni iki öznitelik elde edilmiştir. Sınıflandırma adımında ise torbalama temelli topluluk sınıflandırıcısı kullanılmıştır. Ayrıca önerilen sitem literatürde sıklıkla kullanılan yönlü eğimlerin histogramı özniteliği, k-en yakın komşu sınıflandırıcısı, karar ağaçları sınıflandırıcısı ve destek vektör makineleri sınıflandırıcısı ile karşılaştırılmıştır. Deneysel çalışmalarda önerilen yöntem ile yerel özniteliklerin dengesiz veri setleri üzerinde %91 doğru sınıflandırma performansı ile başarılı sonuçlar verdiği gözlemlenmiştir.