Traffic sign classification for autonomous vehicles using convolutional neural networks

Abstract

Recognition of traffic signs is one of the key activities in the development of autonomous vehicles for safe navigation on the roads. This work addresses the study of ConvNet in classifying Turkish traffic signs into two classes: hazard-warning signs and regulatory signs. A dataset of 129 traffic sign images, enriched with hue jitter transformations for data augmentation, was utilized to enhance model performance. The ConvNet, based on a three-convolution-layer architecture, four ReLU layers, and two fully connected layers, is trained to classify the two classes of traffic signs. The attained average accuracy was 97.7% ± 5.2% on the training set, 88.8% ± 1.2% on the validation set, and 96.9% ± 7.2% on the test set. These results underscore the capability of ConvNets in identifying and classifying traffic signs, thus proving that they can be utilized in autonomous vehicle technologies. Future research could use real-world photos of traffic signs to test the model's applicability.

Trafik işaretlerinin tanınması, yollarda güvenli navigasyon için otonom araçların geliştirilmesinde temel faaliyetlerden biridir. Bu çalışma, ConvNet'in Türk trafik işaretlerini tehlike uyarı işaretleri ve düzenleyici işaretler olmak üzere iki sınıfa ayırma çalışmasını ele almaktadır. Model performansını artırmak için renk tonu titreme dönüşümleriyle zenginleştirilmiş 129 trafik işareti görüntüsünden oluşan bir veri kümesi kullanılmıştır. Üç evrişim katmanlı mimariye, dört ReLU katmanına ve iki tam bağlı katmana dayanan ConvNet, iki trafik işareti sınıfını sınıflandırmak üzere eğitilmiştir. Elde edilen ortalama doğruluk, eğitim setinde %97,7 ± %5,2, doğrulama setinde %88,8 ± %1,2 ve test setinde %96,9 ± %7,2 olmuştur. Bu sonuçlar, ConvNet'lerin trafik işaretlerini tanımlama ve sınıflandırma konusundaki yeteneklerini vurgulayarak, otonom araç teknolojilerinde kullanılabileceğini kanıtlamaktadır. Gelecekteki araştırmalarda, modelin uygulanabilirliğini test etmek için trafik işaretlerinin gerçek dünya fotoğrafları kullanılabilir.