Bu tez çalışmasında görüntü işleme uygulamalarından biri olan ve sürücülere görsel olarak yardım sağlamak amacıyla geliştirilmeye çalışılan trafik işareti tanıma problemi üzerinde çalışılmıştır. Bu çalışmada, imge tanımlayıcıların trafik işaret tanımadaki başarımları altuzay temelli sınıflandırıcılar kullanılarak elde edilmiştir. Altuzay yöntemleri sınıflandırma başarımını en iyilerken aynı zamanda özellik uzayında boyut indirgeme de sağlarlar. İmgeler üzerindeki trafik işareti içeren bölgeden imge tanımlayıcıları ile öznitelik vektörleri elde edilir. Bu çalışmada, imge tanımlayıcı olarak griseviye, Yerel Gradyan Histogram (YGH), Yerel İkili Örüntü (YİÖ), Yerel Faz Kuantalama (YFK) ve Gabor imge tanımlayıcıları kullanılmıştır. Öznitelik vektörleri; Temel Bileşen Analizi (TBA), Doğrusal Ayırtaç Analizi (DAA) ve Ayırtedici Ortak Vektör (AEOV) altuzay yöntemlerinde işlenerek trafik işareti tanıma yapılmıştır. Deneysel çalışmada üçgen ve dairesel işaret içeren veri tabanı kullanılmıştır. Veri tabanı ötelenmiş ve dönmüş trafik işaretleri de içermektedir. Altuzay temelli sınıflandırıcılarda tanıma performansları, şablon eşleme yöntemi ile karşılaştırılmıştır. En iyi başarımları AEOV altuzay yöntemi ve YGH imge tanımlaycısı vermiştir. Üçgen ve dairesel işaretler için sırasıyla %98,38 ve %99,25 sınıflandırma başarımları elde edilmiştir.
In this thesis, one of image processing applications and drivers which is being developed to provide a visual aid on the problem of traffic sign recognition has been studied. In this study, the performance of some image descriptors in traffic sign recognition is obtained using the subspace-based classifiers. The subspace methods make both dimension reduction in feature space and maximize the classification rate. The feature vectors are extracted from the images containing a traffic sign by image descriptors. Gray scale, Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), and Local Phase Quantization (LPQ) are used as image descriptors in our study. The feature vectors are processed by the subspace methods, Principle Component Analysis (PCA), Linear Discriminant Analysis (LDA), and Discriminative Common Vector (DCV), for recognizing traffic signs. In the experimental study, the database containing triangular and circular signs was used. The database also includes shifted and rotated traffic signs. The recognition performances of the subspace-based classifiers were compared with the template matching method. The best classification performances are obtained for the HOG features and DCV method. The classification rates for triangular and circular signs are 98.38% and 99.25% respectively.
