Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Adaptation Approaches in Unsupervised Learning: A Survey of the State-of-the-Art and Future Directions Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

A Comparative Study of Vision-Based Traffic Signs Recognition Methods

verfasst von : Nadra Ben Romdhane, Hazar Mliki, Rabii El Beji, Mohamed Hammami

Erschienen in: Image Analysis and Recognition

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Traffic signs recognition is an important component in driver assistance systems as it helps driving under safety regulations. The aim of this work is to propose a vision based traffic sign recognition. In the recognition process, we detect the potential traffic signs regions using monocular color based segmentation. Afterwards, we identify the traffic sign class using its HoG features and the SVM classifier. As shown experimentally, compared to leading methods from the literature under complex conditions, our method has a higher efficiency.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Effectiveness of Camouflage Make-Up Patterns Against Face Detection Algorithms
Nächstes Kapitel A Copy-Move Detection Algorithm Using Binary Gradient Contours
Literatur
1.
2.
Berkaya, S.K., Gunduz, H., Ozsen, O., Akinlar, C., Gunal, S.: On circular traffic sign detection and recognition. J. Expert Syst. Appl. 48, 67–75 (2016)CrossRef
3.
Han, Y., Virupakshappa, K., Oruklu, E.: Robust traffic sign recognition with feature extraction and k-NN classification methods. In: International Conference on Electro/Information Technology, pp. 484–488 (2015)
4.
Malik, Z., Siddiqi, I.: Detection and recognition of traffic signs from road scene images. In: Frontiers of Information Technology (FIT), pp. 330–335 (2014)
5.
Sermanet, P., LeCun, Y.: Traffic sign recognition with multi-scale convolutional networks. In: The International Joint Conference on Neural Networks, pp. 2809–2813 (2011)
6.
Chen, L., Li, Q., Li, M., Mao, Q.: Traffic sign detection and recognition for intelligent vehicle. In: IEEE Intelligent Vehicles Symposium (IV) (2011)
7.
Peker, A.U., Tosun, O., Akin, H.L., Acarman, T.: Fusion of map matching and traffic sign recognition. In: Proceedings of the Intelligent Vehicles Symposium, pp. 867–872 (2014)
8.
Ben Romdhane, N., Hammami, M., Ben-Abdallah, H.: A lane detection and tracking method for driver assistance system. In: Knowledge-Based and Intelligent Information and Engineering Systems, Germany, pp. 407–417 (2011)
9.
Andrey, V., Kang Hyun, J.: Automatic detection and recognition of traffic signs using geometric structure analysis. In: SICE-ICASE, pp. 1451–1456 (2006)
10.
Felzenszwalb, P., McAllester, D., Ramanan, D.: A discriminatively trained, multiscale, deformable part model. In: Computer Vision and Pattern Recognition, pp. 1–8 (2008)
11.
Vapnik, V.N.: Statistical Learning Theory. Wiley, New York (1998)MATH
12.
Stallkamp, J., Schlipsing, M., Salmen, J., Igel, C.: The German traffic sign recognition benchmark: a multi-class classification competition. In: Proceedings of the IJCNN, pp. 1453–1460 (2011)
13.
Menze, M., Geiger, A.: Object scene flow for autonomous vehicles. In: Conference on Computer Vision and Pattern Recognition (CVPR) (2015)
14.
David, O., Dursun, D.: Advanced Data Mining Techniques, 1st edn, p. 138. Springer, Heidelberg (2008)MATH
15.
Aly, S., Deguchi, D., Murase, H.: Blur-invariant traffic sign recognition using compact local phase quantization. In: 16th International IEEE Annual Conference on Intelligent Transportation Systems (2013)
16.
Haloi, M.: A novel pLSA based traffic signs classification system. In: APMediaCast (2015)
17.
Zaklouta, F., Stanciulescu, B., Hamdoun, O.: Traffic sign classification using Kd-trees and random forests. In: International Joint Conference on Neural Networks, pp. 2151–2155 (2011)
18.
Haloi, M.: Traffic sign classification using deep inception based convolutional networks. CoRR (2015)
19.
Jack, G., Majid, M.: Real-time detection and recognition of road traffic signs. IEEE Trans. Intell. Transp. Syst. 13(4), 1498–1506 (2012)CrossRef
20.
Zaklouta, F., Stanciulescu, B.: Warning traffic sign recognition using a HOG-based K-d tree. In: Proceedings of IEEE Intelligent Vehicles Symposium (IV), pp. 1019–1024 (2011)
21.
Greenhalgh, J., Mirmehdi, M.: Traffic sign recognition using MSER and random forests. In: Proceedings of 20th European Signal Processing Conference (EUSIPCO), pp. 1935–1939 (2012)
Metadaten
Titel
A Comparative Study of Vision-Based Traffic Signs Recognition Methods
verfasst von
Nadra Ben Romdhane
Hazar Mliki
Rabii El Beji
Mohamed Hammami
Copyright-Jahr
2016
Buch
Image Analysis and Recognition

Print ISBN: 978-3-319-41500-0

Electronic ISBN: 978-3-319-41501-7

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-41501-7_39