Comparison of deep learning and classical methods for traffic signs detection

Abstract

The goal of this thesis is to explore and evaluate classic and deep neural network computer vision methods in the task of detection position of a level crossing barrier. This thesis is based on an initial detection algorithm using a Stable Wave Detector. The initial algorithm is optimized both in performance and quality of the results. Both is crucial, because the best method should be suitable as a component of the real-time level crossing safety system. Then an another approach is implemented using deep neural networks and optimized in the same manner. Throughout the work several datasets are created for both training and testing of the algorithms. Both approaches are finally evaluated on the same test datasets and the results are compared.

Cílem této práce je prozkoumat a vyhodnotit klasické metody počítačového vidění a metody založené na hlubokých neuronových sítích určené pro detekci pozice závory na železničních přejezdech. Tato práce je založena na počátečním detekčním algoritmu, jehož hlavní komponenta používá detektor stabilní vlny. Tento počáteční algoritmus je v práci nejprve zoptimalizován z hlediska výkonosti i kvality jeho výsledků. Obojí je zásadní, jelikož nejlepší metoda by měla být vhodná jako komponenta real-time bezpečnostního systému pro železniční přejezdy. Dále je implementován další přístup založený na hlubokých neuronových sítích, který je také zoptimalizován v obou aspektech. V průběhu této práce je vytvořeno několik datasetů, jak pro trénování, tak i testování detekčních algoritmů. Oba přístupy jsou nakonec vyhodnoceny na stejných datasetech a jejich výsledky jsou porovnány.