Analysis of traffic signs and traffic lights for autonomously driven vehicles

Abstract

Os Advanced Driver Assistance Systems(ADAS) estão relacionados a vários sistemas nos veículos que se destinam a melhorar a segurança do tráfego rodoviário, ajudando os condutores a terem melhor consciência da estrada e dos seus perigos inerentes, bem como de outros motoristas nas proximidades. A deteção e o reconhecimento de sinais de trânsito são parte integrante do ADAS. Os sinais de trânsito fornecem informações sobre as regras de trânsito, condições das estradas, direções de rotas e auxiliam os motoristas para uma condução segura. Isto garante que o limite de velocidade atual e outros sinais de trânsito sejam exibidos para o motorista continuamente. O projeto de reconhecimento de sinais de trânsito tem sido um problema desafiador por muitos anos e, portanto, tornou-se um tópico de pesquisa importante e ativo na área de sistemas de transporte inteligentes. Esta tecnologia está a ser desenvolvida por uma variedade de fornecedores automóveis. Esta pode usar técnicas de processamento de imagem para detetar sinais de trânsito. Uma abordagem do problema de deteção e reconhecimento de sinais/semáforos usando Su pervised Learning é apresentada nesta dissertação para dois cenários diferentes. Nesta disser tação, para cada objetivo, são apresentadas duas abordagens diferentes de Supervised Learning, bem como um estudo estendido dos hiperparâmetros. Para os dois primeiros objetivos, foram de senvolvidas as abordagens para um robô produzido pela equipa de Condução Autónoma do Labo ratório de Automação e Robótica. O robô deve detetar e classificar corretamente o sinal/semáforo de trânsito apresentado. O terceiro objetivo é para a via pública e a abordagem desenvolvida deve detetar e classificar corretamente o sinal/semáforo de trânsito apresentado no conjunto de dados restritos.

Advanced Driver Assistance Systems (ADAS) relate to various in-vehicle systems that are intended to improve road traffic safety by supporting and improve drivers awareness of the road and its dangers as well as other drivers in the vicinity. Traffic sign detection and recognition is part of ADAS. Traffic signs give knowledge about the traffic rules, road conditions, route directions and assist drivers for safe driving. This ensures that the current speed limit and other road signs are displayed to the driver on an ongoing basis. The design of traffic sign recognition has been a challenging problem for many years and therefore became an important and active research topic in the area of intelligent transport systems. This technology is being developed by a variety of automotive suppliers. Typically it uses classical image processing techniques to detect traffic signs. An approach to the problem of Traffic Sign/Light detection and recognition using Supervised Learning is presented in this dissertation for two different scenarios. Two different Supervised Learning approaches are presented for each objective as well as an extended hyperparameter study. For the first two objectives, the approaches were developed for a robot produced by the Autonomous Driving team from the Laboratório de Automação e Robótica fom University of Minho. The robot must correctly detect and classify the presented Traffic Sign/Light. The third objective is for the public road and the developed approach must correctly detect and classify the presented Traffic Sign/Light in the restrained dataset.