Μελέτη και υλοποίηση συστήματος οπτικής υποβοήθησης οδηγού σε αντίξοες συνθήκες : ανίχνευση και αναγνώριση φωτεινών σηματοδοτών
| dc.contributor.advisor | Δερματάς, Ευάγγελος | |
| dc.contributor.author | Συμεωνίδης, Γεώργιος | |
| dc.contributor.committee | Κούσουλας, Νικόλαος | |
| dc.contributor.other | Symeonidis, Giorgos | |
| dc.date.accessioned | 2018-12-15T17:53:05Z | |
| dc.date.available | 2018-12-15T17:53:05Z | |
| dc.date.copyright | 2018-09-14 | |
| dc.degree | Διπλωματική Εργασία | el |
| dc.description.abstract | Σκοπός της παρούσας εργασίας είναι η δημιουργία συστήματος για την ανίχνευση και αναγνώριση φωτεινών σηματοδοτών (ΦΣ) σε καρέ, που λαμβάνονται από ψηφιακή βιντεοσκόπηση μέσω στερεοσκοπικής κάμερας που βρίσκεται κεντρικά στην οροφή κινούμενου οχήματος. Το σύστημα αυτό υπάγεται στα συστήματα που μελετώνται και υλοποιούνται τα τελευταία χρόνια και αποσκοπούν στην οπτική υποβοήθηση του οδηγού σε συνθήκες που μπορεί να είναι και αντίξοες. Το πρώτο στάδιο είναι η ανίχνευση και πραγματοποιείται με τεχνικές επεξεργασίας εικόνας, με στόχο την εύρεση των λαμπτήρων των ΦΣ. Το δεύτερο στάδιο, αυτό της αναγνώρισης, αναφέρεται στην κατάσταση που βρίσκονται την δεδομένη στιγμή οι ΦΣ και λύνεται μέσω της βαθιάς μάθησης χρησιμοποιώντας ένα συνελικτικό νευρωνικό δίκτυο (ΣΝΔ). Συγκεκριμένα, εκπαιδεύεται ένα ΣΝΔ με δεδομένα από εικόνες λαμπτήρων ΦΣ και κατηγοριοποιεί τις καταστάσεις λειτουργίας τους. Η αναγνώριση της κατάστασης του ΦΣ επέρχεται δίνοντας σαν είσοδο το αποτέλεσμα της ανίχνευσης στο ΣΝΔ. | el |
| dc.description.translatedabstract | The purpose of this diploma thesis is the development of a system, that will detect and recognise traffic lights in frames taken from a stereo camera placed in the centre of a moving vehicle's roof. This system is a part of some recently developed systems, designed to provide drivers with visual assistance in adverse conditions. The first stage is the detection, which is accomplished through image processing technics and its purpose is to decect the traffic lights' bulbs. The second stage is the recognition, whose purpose is to identify the color of the traffic light and is accomplished through deep learning, using a convolutional neural network (CNN). Specifically, a CNN is trained with images of traffic lights' bulbs in order to determine the light's different operational states. The recognition is accomplished after the output of the detection is inserted in the CNN. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/11809 | |
| dc.language.iso | gr | el |
| dc.rights | 0 | el |
| dc.subject | Ανίχνευση φωτεινού σηματοδότη | el |
| dc.subject | Αναγνώριση φωτεινού σηματοδότη | el |
| dc.subject.alternative | Traffic light detection | el |
| dc.subject.alternative | Traffic light recognition | el |
| dc.subject.ddc | 006.37 | el |
| dc.title | Μελέτη και υλοποίηση συστήματος οπτικής υποβοήθησης οδηγού σε αντίξοες συνθήκες : ανίχνευση και αναγνώριση φωτεινών σηματοδοτών | el |
| dc.title.alternative | Study and development of a visual assistant system for drivers in adverse conditions : traffic light detection and recognition | el |
| dc.type | Thesis | el |