Core Concepts
Ein Echtzeit-Verkehrszeichenerkennungssystem, das Verkehrszeichen mit hoher Genauigkeit erkennt und dem Fahrer über eine Sprachausgabe mitteilt, um die Sicherheit auf der Straße zu erhöhen.
Abstract
Das vorgestellte System besteht aus zwei Teilsystemen: Zunächst werden die Verkehrszeichen mithilfe eines trainierten Convolutional Neural Network (CNN) erkannt und klassifiziert. Anschließend wird die Erkennung des spezifischen Verkehrszeichens über eine Text-to-Speech-Engine als Sprachnachricht an den Fahrer übermittelt.
Das CNN-Modell wurde zunächst auf dem GTSDB-Datensatz trainiert und erreichte eine hohe Genauigkeit, allerdings eine sehr niedrige Framerate, die für ein Echtzeitsystem ungeeignet war. Daher wurde das Modell auf Basis des Mapillary Traffic Sign Datensatzes weiterentwickelt, um eine höhere Erkennungsgeschwindigkeit bei gleichbleibender Genauigkeit zu erreichen.
Das optimierte Modell auf Basis von YOLOv4-tiny erreicht eine mittlere Präzision (mAP) von 64,71% bei einer Framerate von 55 FPS, was die Echtzeitfähigkeit des Systems gewährleistet. Durch die Sprachausgabe können Probleme wie das Übersehen von Verkehrszeichen, mangelnde Vertrautheit oder die Komplexität der Verkehrszeichen für den Fahrer gelöst werden.
Stats
Die Erkennung von Verkehrszeichen ist ein wichtiger Bestandteil für die Sicherheit im Straßenverkehr.
Mangelnde Aufmerksamkeit, fehlende Vertrautheit und ablenkende Fahrweisen sind häufige Gründe für die Missachtung von Verkehrszeichen, was zu schweren Unfällen führen kann.
Quotes
"Ignoranz oder Unvertrautheit mit Verkehrszeichen könnte zu schweren Unfällen führen und sogar Menschenleben kosten."
"Ein System dieser Art ist auch wichtig für die Entwicklung autonomer Fahrzeuge."