Determination of the type and the color of a vehicle using image processing and machine learning

Hasanvand, Mohamad and Nooshyar, Mahdi and Akbarimajd, Adel and Karimi, Salman (2019) Determination of the type and the color of a vehicle using image processing and machine learning. Masters thesis, University of Mohaghegh Ardabili.

[img] Text
Faculty of Engineering_Thesis_format.pdf

Download (762kB)
Official URL: http://uma.ac.ir/

Abstract

Reasearch aim:One of the most important priorities of the developed countries of the world is to use machine decision instead of human decision. One of the fields that needs this is prevention of trafficrules violation.For this purpose determining the type of vehicle can largely prevent from trafficrules violation. Reasearch method:Images of vehicleare prepared in several different environments as research databases and the distance between the camera and the vehicle is the same in all. Then the background image is removed using background subtraction. The image features include image morphological characteristics, extraction and classification perform using those features by four classifier algorithm. The research focuses on seven types of Iranian cars, including Peugeot 405, Peugeot Pars,L90, Pride, Nissan Saipa,Peakan and Samand LX. Also, to determine the color of the car, the average numerical value of the image pixels is counted and then determined using fuzzy logic in preset colors. Findings: In this research, four algorithm of classification(SVM,KNN,MLP and Bayesin)are applied to three types of nonfiltered, filtered and noisy image sets.The images were filtered using a Gaussian lowpass filter method with different frequencies. The images are noisy using two methods of pepper and salt noise and Gaussian noise.The highest accuracy in the three datasets (nonfiltered, filtered,noisy) is related to the SVM classifier, which was 97.1% for the non-filtered images and 78.6% for filtered images and 82.9% for noisy images. The accuracy of KNN is 88.6% for nonfiltered images, 74.28% for filtered images and 82.7% for noisy images, and accuracy of classification based on Bayesian decisionis90.9% for nonfiltered images, for filtered images of 77.7%, and for images noisy images is 66.7%. The classification accuracy based on MLP neural networks is 92.9% for for nonfiltered images and 74.3% for filtered images and for noisy images 82.9In order to determine the color,average values of color of the car images are extracted and using fuzzy logic, 69% of the cars' colors are correctly identified in the nine colors (Black,White,Blue,Red,Green,Yellow,Silver,Beige,Dark gray). Conclusion:The results of this study showed that the proposed method, being able to classification for Iranian vehicle and is more accurate than most of the methods presented so far. According to the solutions and results of this research, with the increase of vehicle count and vehicle type, in addition to raising the accuracy, will become more functional.

Item Type: Thesis (Masters)
Persian Title: تعیین نوع و رنگ خودرو با استفاده از پردازش تصویر و یادگیری ماشین
Persian Abstract: هدف:یکی از مهم‌تریناولویت‌های کشورهای پیشرفته دنیا استفاده از تصمیم گیری ماشین به‌جای انسان است.یکی از حوزه‌هایی که نیازمند این زمینه است، پیشگیری از تخلفات راهنمایی و رانندگی است. به این منطور مشخص کردن نوع خودرو می‌تواند تا حد زیادی از تخلفات راهنمایی و رانندگی جلوگیری به عمل آورد. روش¬شناسی پژوهش:تصاویر خودروها به عنوان پایگاه داده پژوهش از چند محیط مختلف که فاصله دوربین و خودرو در تمامی آن‌ها یکسان بوده تهیه شده‌اند. سپس پس‌زمینه تصویر با استفاده از تفریق پس‌زمینه حذف می‌شودویژگی‌های تصویر که ویژگی‌های مورفولوژیکی تصویر را شامل می‌شوداز تصویر استخراج شده و به چهار کلاس بندداده می‌شود تا عملیات دسته‌بندی صورت پذیرد.لازم به ذکر است که در این پژوهش، بر روی هفت نوع خودروی ایرانی شامل پژو405، پژوپارس، تندر 90، پراید، نیسان سایپا، پیکان و سمند LX تمرکز شده است. همچنین برای تعیین رنگ خودرو میانگین عددی پیکسل¬های تصویر یافته می‌شود و سپس با استفاده از منطق فازی در رنگ‌های از پیش تعیین شده دسته‌بندیمی‌شود. یافته¬ها:در این پژوهش، چهار دسته¬بند ماشین بردار پشتیبان،K-نزدیک‌ترین همسایه، شبکه عصبی پرسپترون و تئوری تصمیم گیری بیزین بر روی سه نوع مجموعه تصویر خام، فیلتر شده و نویزدار شده اعمال شده است.تصاویر با استفاده از روش فیلتر پایین گذر گاوسین با فرکانسهای مختلف فیلتر شده با استفاده از دو روش نویز فلفل نمک و نویز گاوسین نویز دار شده اند.بالاترین دقت در سه مجموعه داده (خام، فیلتر شده،نویزدارشده)مربوط به دسته¬بند ماشین بردار پشتیبان بود که برای مجموعه تصاویر فیلتر نشده (خام) 1/97 %و برای تصاویر فیلتر شده 6/78% وبرای تصاویر نویزدار شده نیز 9/82% می‌باشد و دقتکلاس بندKNN برای تصاویر خام 6/88 %،برای تصاویر فیلترشده 28/74 % و برای تصاویر نویزی 7/82 %داشته است و دقت دسته¬بندی مبتنی بر تئوری تصمیم¬گیری بیزین برای تصاویر خام 90.9%،برای تصاویر /فیلترشده 7/77 %و برای تصاویر نویزدار شده 7/66 % را داشته است و دقتدسته‌بندی مبتنی بر شبکه¬های عصبی ¬MLP برای تصاویر خام 92.9% و برای تصاویر فیلتر شده 3/74 % و برای تصاویر نویزدار شده 9/82 % را داشته است. در تعیین رنگ ابتدا از میانگین مقادیر رنگ خودرو استخراج شده و با استفاده از منطق فازی 69 درصد از رنگ خودروها در 9 رنگ مورد بحث(سیاه، سفید، آبی، قرمز، سبز، زرد، نقره¬ای، بژ، نوک مدادی) درست تشخیص داده شد. ننتیجه¬گیری: نتایج حاصل از این پژوهش نشان داد که با روش پیشنهادی ارائه شده علاوه بر اینکه می‌توان برای خودروهای موجود در سطح کشور ایران دسته‌بندی مناسبی را ارائه کردبه دقت بالاتری نسبت به بیشتر روش‌هایی که تا کنون ارائه شده‌اند، رسید. با توجه به راهکارها و نتایج این پژوهش با افزایش خودروها در تعداد و نوع علاوه بر بالا بردن دقت به سطح کاربردی‌تریخواهد رسید.
Supervisor:
SupervisorE-mail
Nooshyar, MahdiUNSPECIFIED
Advisor:
AdvisorE-mail
Akbarimajd, AdelUNSPECIFIED
Karimi, SalmanUNSPECIFIED
Subjects: Faculty of Engineering > Department of Electrical & Computer Engineering
Divisions > Faculty of Engineering > Department of Electrical & Computer Engineering
Divisions: Subjects > Faculty of Engineering > Department of Electrical & Computer Engineering
Faculty of Engineering > Department of Electrical & Computer Engineering
Date Deposited: 26 Jun 2019 04:25
Last Modified: 26 Jun 2019 04:25
URI: http://repository.uma.ac.ir/id/eprint/7026

Actions (login required)

View Item View Item