ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΑΝΑΤΟΛΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ & ΘΡΑΚΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ

Transcript

1 ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΑΝΑΤΟΛΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ & ΘΡΑΚΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «Αναγνώριση Ελληνικών Σημάτων Κυκλοφορίας με την Χρήση Μεθόδων Τεχνητής Όρασης» ΚΩΝΣΤΑΝΤΟΠΟΥΛΟΣ ΑΘΑΝΑΣΙΟΣ Α.Ε.Μ.:2259 ΚΟΥΤΑΛΑΚΙΔΗΣ ΓΕΩΡΓΙΟΣ Α.Ε.Μ.:1887 ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ : Δρ. ΓΕΩΡΓΙΟΣ Α. ΠΑΠΑΚΩΣΤΑΣ ΚΑΒΑΛΑ

2 Περιεχόμενα ΠΕΡΙΛΗΨΗ... 5 ΠΡΟΛΟΓΟΣ... 6 ΕΥΧΑΡΙΣΤΙΕΣ... 7 ΚΕΦΑΛΑΙΟ 1 O "Ελληνικό Σύστημα Σημάτων Κυκλοφορίας - Βάση Δεδομένων" Εισαγωγή Βάση Δεδομένων... 9 ΚΕΦΑΛΑΙΟ 2 O "ΣΥΓΚΡΙΣΗ ΜΕ ΑΛΛΑ ΣΥΣΤΗΜΑΤΑ ΤΗΣ Ε.Ε." Εισαγωγή Διαφορές σημάτων των άλλων χωρών σε σχέση με αυτά της Ελλάδας ΚΕΦΑΛΑΙΟ 3 O "ΣΥΣΤΗΜΑ ΑΝΑΓΝΩΡΙΣΗΣ ΣΗΜΑΤΩΝ" Ανάλυση συστήματος Στάδια Επεξεργασίας Εικόνας ΚΕΦΑΛΑΙΟ 4 O "ΕΞΑΓΩΓΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ" Περίληψη Εισαγωγή Ορθογώνιες ροπές Fourier-Mellin Μέθοδος Παράρτημα Α

3 ΚΕΦΑΛΑΙΟ 5 Ο "ΜΕΘΟΔΟΙ ΤΑΞΙΝΟΜΗΣΗΣ" Νευρωνικά Δίκτυα Ιδιότητες νευρωνικών δικτύων : Εφαρμογές: Εκπαίδευση Νευρωνικών Δικτύων Ταξινομητής Κ κοντινότερων γειτόνων(k nearest neighbors-knn) ΚΕΦΑΛΑΙΟ 6 Ο "ΠΕΙΡΑΜΑΤΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ" Περίληψη Πείραμα 1 o Πείραμα 2 o Πείραμα 3 o Πείραμα 4 o Πείραμα 5 o Πείραμα 6 o Πείραμα 7 o ΚΕΦΑΛΑΙΟ 7 Ο ΣΥΜΠΕΡΑΣΜΑΤΑ - ΣΥΝΟΨΗ Περίληψη Σύνοψη Συμπεράσματα πειραμάτων Γενικά συμπεράσματα Θέματα προς μελλοντική διερεύνηση ΚΕΦΑΛΑΙΟ 8 Ο 8.1 Εισαγωγή

4 8.2 Απαιτήσεις Εφαρμογής Εγκατάσταση Προβολή εφαρμογής με τη χρήση του Matlab Βήμα Βήμα Βήμα Βασικές λειτουργίες Περιβάλλον εφαρμογής (signal recognition) Imort image Panel source Image Recognize (neural networ) - Recognize (KNN classiier) Γραμμή εργαλείων Communicate with us Σήματα ελληνικού κώδικα οδικής κυκλοφορίας ΒΙΒΛΙΟΓΡΑΦΙΑ

5 ABSTRACT The recognition o traic signs in real road conditions is a very imortant chater in driving saety systems, ocusing articularly on saety and driver comort. The contribution is articularly imortant as it gives the ossibility to create a reliable system to warn the driver about the interretations o signals rom the Gree traic code, as well as additional unctions. The base is made u o images o Gree traic signals and is meant to be used to create a system that can recognize signals in real road conditions. For this reason the method o Fourier-Mellin transorm or eature extraction rom each image is suitable or solving such roblems. Then examined a classiication o images in two dierent ways in order to determine which method is most eective or solving the roblem. Object o this wor is: 1. Research about the imlemented system and i it can wor in other EU countries. 2. Perorming exeriments about which classiication method is most eective. 3. Imlementation o a system in order to be used in a ' smart ' car which will inorm the driver o the vehicle or the interretation o traic signs. 4

6 Περίληψη Η αναγνώριση σημάτων κυκλοφορίας σε πραγματικές συνθήκες δρόμου είναι ένα ιδιαίτερα σημαντικό κεφάλαιο στα συστήματα ασφαλούς οδήγησης, που επικεντρώνεται ιδιαίτερα στην ασφάλεια και την άνεση του οδηγού. Η συμβολή του είναι ιδιαίτερα σημαντική καθώς δίνει τη δυνατότητα να δημιουργηθεί αξιόπιστα ένα σύστημα προειδοποίησης του οδηγού για τις ερμηνείες των σημάτων του ελληνικού κώδικα κυκλοφορίας, όπως επίσης και πρόσθετες λειτουργίες. Η βάση που δημιουργήθηκε αποτελείται από εικόνες των ελληνικών σημάτων κυκλοφορίας και έχει ως στόχο να χρησιμοποιηθεί για τη δημιουργία ενός συστήματος το οποίο μπορεί να αναγνωρίσει σήματα σε πραγματικές συνθήκες δρόμου. Γι' αυτό το λόγο χρησιμοποιήθηκε η μέθοδος του μετασχηματισμού Fourier-Mellin για εξαγωγή χαρακτηριστικών από τη κάθε εικόνα η οποία είναι κατάλληλη για την επίλυση τέτοιου είδους προβλημάτων. Έπειτα έγινε ταξινόμηση των εικόνων με δύο διαφορετικούς τρόπους με σκοπό να διαπιστωθεί ποια μέθοδος είναι πιο αποδοτική για την επίλυση του προβλήματος. Αντικείμενο της εργασίας είναι: 1. Έρευνα για το αν το υλοποιημένο σύστημα μπορεί να λειτουργήσει και σε άλλες χώρες της Ευρωπαϊκής Ένωσης. 2. Εκτέλεση πειραμάτων για το ποια μέθοδος ταξινόμησης είναι πιο αποτελεσματική. 3. Υλοποίηση ενός συστήματος που θα χρησιμοποιηθεί σε ένα 'έξυπνο' αυτοκίνητο το οποίο θα ενημερώνει τον οδηγό του οχήματος για την ερμηνεία των σημάτων κυκλοφορίας. 5

7 ΠΡΟΛΟΓΟΣ Η πτυχιακή αυτή εργασία αποτελεί την κορύφωση των σπουδών μας στο Α.Τ.Ε.Ι. ΑΝΑΤΟΛΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ & ΘΡΑΚΗΣ, Τμήμα Βιομηχανικής Πληροφορικής (Μηχανικών Πληροφορικής) και αποτελεί εργασία έρευνας και καταγραφής, που περιγράφει αναλυτικά τα στάδια αναγνώρισης ελληνικών σημάτων τροχαίας με την χρήση μεθόδων τεχνητής όρασης. Ο στόχος της πτυχιακής μας εργασίας (Αναγνώριση Ελληνικών Σημάτων Κυκλοφορίας με την Χρήση Μεθόδων Τεχνητής Όρασης) είναι να αναπτύξουμε ένα ολοκληρωμένο σύστημα το οποίο να αναγνωρίζει τα ελληνικά σήματα του κώδικα οδικής κυκλοφορίας και ύστερα να τα ερμηνεύει. Η εργασία μας έχει περισσότερο ερευνητικό χαρακτήρα με στόχο να καταφέρουμε να βγάλουμε κάποια συμπεράσματα για το ποια μέθοδος θα είναι πιο αποδοτική στην επίτευξη του παραπάνω στόχου. Κατά τη διάρκεια υλοποίησης αυτού του συστήματος μας ενδιαφέρει αν αυτό μπορεί να λειτουργήσει και σε άλλες χώρες της Ευρώπης. Στο πρώτο κεφάλαιο θα δούμε την αναφορά που έχουμε συντάξει για τα ελληνικά σήματα του Κ.Ο.Κ που αποτελεί και την βάση δεδομένων μας. Στο δεύτερο κεφάλαιο θα κάνουμε μια σύγκριση του ελληνικού συστήματος με άλλα της Ευρωπαϊκής Ένωσης περιγράφοντας τις κύριες διαφορές. Στο τρίτο, θα περιγράψουμε το υλοποιημένο σύστημα αναγνώρισης σημάτων που δημιουργήσαμε και ακολουθεί το τέταρτο, στο οποίο θα αναλύσουμε τη μέθοδο εξαγωγής χαρακτηριστικών που χρησιμοποιήσαμε. Στην συνέχεια στο κεφάλαιο πέντε έχουμε τις μεθόδους ταξινόμησης που μελετήθηκαν και στο έκτο θα καταγράψουμε τα αποτελέσματα από τα διάφορα πειράματα αναγνώρισης. Τέλος, στο έβδομο κεφάλαιο θα συμπεριλάβουμε τα τελικά συμπεράσματα, μια σύνοψη της πτυχιακής, καθώς και θέματα προς μελλοντική διερεύνηση. 6

8 Ευχαριστίες Θα θέλαμε να ευχαριστήσουμε θερμά τον επιβλέποντα καθηγητή μας Δρ. Γεώργιο Παπακώστα κυρίως για την εμπιστοσύνη που μας έδειξε και την υπομονή που έκανε κατά τη διάρκεια υλοποίησης της πτυχιακής εργασίας, όπως επίσης και για την πολύτιμη βοήθεια και την καθοδήγησή του για την επίλυση διάφορων θεμάτων. Θα θέλαμε επίσης να απευθύνουμε τις ευχαριστίες μας στους γονείς μας, οι οποίοι στήριξαν τις σπουδές μας με διάφορους τρόπους, φροντίζοντας για την καλύτερη δυνατή μόρφωσή μας. Τέλος, θέλουμε να ευχαριστήσουμε όλους εκείνους που μας έμαθαν να "προσπερνούμε" και βοήθησαν να γίνουν "ανεκτοί" οι συμβιβασμοί των τελευταίων χρόνων : οικογένεια, φίλοι, συνάδελφοι. Σε αυτούς, που με την καθημερινή τους συμπαράσταση, την υπομονή τους και την θετική τους σκέψη, ιδιαίτερα τις εποχές των μεγάλων διλημμάτων, συνέβαλαν στην εκπλήρωση του στόχου μας, αφιερώνεται η εργασία αυτή. 7

9 Κεφάλαιο 1 o "Ελληνικό Σύστημα Σημάτων Κυκλοφορίας - Βάση Δεδομένων" 1.1 Εισαγωγή Στο πρώτο κεφάλαιο παρουσιάζεται μία πλήρη αναφορά των ελληνικών σημάτων του Κώδικα Οδικής Κυκλοφορίας (Κ.Ο.Κ.) καθώς και την βάση δεδομένων που χρησιμοποιήθηκε. Ο Κ.Ο.Κ αποτελεί το πιο σημαντικό νομικό κείμενο σχετικά με την ασφαλή και εύρυθμη κυκλοφορία στους δρόμους. Η καλή γνώση και η τήρηση των διατάξεων του είναι απαραίτητη όχι μόνο για τους οδηγούς, αλλά και για όλους τους χρήστες των δρόμων, αφού η ασφάλεια επηρεάζεται από τη συμπεριφορά όλων μας. Με αυτή την λογική ο Κ.Ο.Κ δεν είναι απλά ένα νομικό κείμενο αλλά κανόνας ζωής, διότι η τήρηση των διατάξεών του επιβάλλεται επί της ουσίας για την προστασία της ίδιας της ανθρώπινης ύπαρξης. Είναι γνωστό ότι κάθε χρόνο στη χώρα μας εκατοντάδες άνθρωποι χάνουν τη ζωή τους στην άσφαλτο. Το φαινόμενο αυτό αποτελεί ένα δυσβάσταχτο φορτίο για την ελληνική κοινωνία, η οποία χάνει ένα απ' τα παραγωγικότερα μέλη του πληθυσμού της, καθώς τα θύματα είναι κατ' εξοχήν νέοι άνθρωποι. Η αλλαγή αυτής της κατάστασης και η άμεση βελτίωση του επιπέδου της οδικής ασφάλειας στη χώρα αποτελεί βασική προτεραιότητα της πολιτείας. Γι' αυτό και το Υπουργείο Μεταφορών και Επικοινωνιών έχει ξεκινήσει μιας μεγάλης κλίμακας εκστρατεία ενημέρωσης και ευαισθητοποίησης των πολιτών. Ανάμεσα στους παράγοντες που επηρεάζουν την οδική ασφάλεια πρωτεύοντα ρόλο κατέχει ο άνθρωπος. Τα περισσότερα ατυχήματα οφείλονται στον ανθρώπινο παράγοντα και θα μπορούσαν να είχαν αποφευχθεί απλά με την πιο επιμελή τήρηση των διατάξεων του Κ.Ο.Κ.. Όλοι οι χρήστες των δρόμων μπορούν να κάνουν τη διαφορά, μπορούν να σώσουν ζωές εφαρμόζοντας με συνέπεια τους κανόνες ασφαλούς οδήγησης. 8

10 Παρακάτω θα παρουσιαστούν ορισμένα σήματα καθώς και την ερμηνεία τους αφού είναι αυτά που θα χρησιμοποιηθούν στην δημιουργία μίας βάσης σημάτων για τις ανάγκες της πτυχιακής. Θα πρέπει να σημειωθεί ότι οι αρχικές εικόνες των σημάτων έχουν τροποποιηθεί εφαρμόζοντας περιστροφή με βήμα 36 μοίρες, μεγέθυνση και σμίκρυνση κατα 25% και 50%. Η παραπάνω διαδικασία εφαρμόστηκε σε όλες τις 238 διαφορετικές εικόνες σημάτων της βάσης. 1.2 Βάση Δεδομένων Οι για τη σήμανση των οδών τοποθετούμενες πινακίδες είναι κατά κατηγορίες οι εξής: i. Αναγγελίας Κινδύνου (Κ) ii. Ρυθμιστικές της κυκλοφορίας,δηλωτικές(ρ). iii. Πληροφοριακές (Π). iv. Πρόσθετες.(ΠΡ) Η βάση αποτελείται μόνο από τις εικόνες,παρακατω φαίνεται και η ερμηνεία τους. Ι. ΠΙΝΑΚΙΔΕΣ ΑΝΑΓΓΕΛΙΑΣ ΚΙΝΔΥΝΟΥ (Κ) (K - 1α) Επικίνδυνη αριστερή στροφή. (K - 1δ) Επικίνδυνη δεξιά στροφή. 9

11 (K - 2α) Επικίνδυνες δύο αντίρροπες ή διαδοχικές (συνεχείς) στροφές- η πρώτη αριστερά. (K - 2δ) Επικίνδυνες δύο αντίρροπες ή διαδοχικές (συνεχείς) στροφές- η πρώτη δεξιά. (K - 3) Επικίνδυνη κατωφέρεια, (με κλίση όπως η αναγραφόμενη στην Πινακίδα). (K - 4) Απότομη ανωφέρεια, (με κλίση όπως η αναγραφόμενη στην Πινακίδα). (K - 5) Επικίνδυνη στένωση οδοστρώματος και στις δύο πλευρές. (K - 6α) Επικίνδυνη στένωση οδοστρώματος στην αριστερή πλευρά. (K - 6δ) Επικίνδυνη στένωση οδοστρώματος στην δεξιά πλευρά. (K - 7) Κινητή γέφυρα. 10

12 (K - 8) Η οδός οδηγεί σε αποβάθρα ή όχθη ποταμού. (K - 9) Επικίνδυνο ανώμαλο οδόστρωμα, σε κακή κατάσταση, με λάκκους κ.λπ.. (K - 10) Επικίνδυνα υπερυψωμένο οδόστρωμα ή απότομη κυρτή αλλαγή της κατά μήκος κλίσης της οδού. (K - 11) Επικίνδυνο κάθετο ρείθρο (αυλάκι) ή απότομη κοίλη αλλαγή της κατά μήκος κλίσης της οδού. (K - 12) Ολισθηρό οδόστρωμα. (K - 13) Επικίνδυνη εκτίναξη χαλίκων, (ασύνδετο αμμοχάλικο). (K - 14) Κίνδυνος από πτώση βράχων και από την παρουσία τους στο οδόστρωμα. (K - 15) Κίνδυνος λόγω διάβασης πεζών. 11

13 (K - 16) Κίνδυνος λόγω συχνής κίνησης παιδιών (Σχολεία, Γήπεδα κ.λπ.). (K - 17) Κίνδυνος λόγω συχνής εισόδου ή διάβασης ποδηλατιστών. (K - 18) Κίνδυνος από διέλευση οικόσιτων ζώων. (K - 19) Κίνδυνος από διέλευση αγρίων ζώων. (K - 20) Κίνδυνος λόγω εκτελουμένων εργασιών στην οδό. (K - 21) Προσοχή, κόμβος ή θέση όπου η κυκλοφορία ρυθμίζεται με τρίχρωμη φωτεινή σηματοδότηση. (K - 22) Κίνδυνος λόγω χαμηλής πτήσης προσγειωμένων ή απογειωμένων αεροσκαφών. (K - 23) Κίνδυνος λόγω συχνού ισχυρού ανέμου (όπως δείχνει η κατεύθυνση του ανεμουρίου). 12

14 (K - 24) Προαναγγελία διπλής κυκλοφορίας. (K - 25) Προσοχή άλλοι κίνδυνοι (μη δηλούμενοι στις πινακίδες Κ-1 έως Κ-24). (K - 26) Προσοχή, διασταύρωση όπου ισχύει η από δεξιά προτεραιότητα. (K - 27) Διασταύρωση με οδό, οι επί της οποίας κινούμενοι οφείλουν να παραχωρήσουν προτεραιότητα. (K - 28α) Διακλάδωση με κάθετη οδό αριστερά, οι επί της οποίας κινούμενοι οφείλουν να παραχωρήσουν προτεραιότητα. (K - 28δ) Διακλάδωση με κάθετη οδό δεξιά, οι επί της οποίας κινούμενοι οφείλουν να παραχωρήσουν προτεραιότητα. (K - 29α) Διακλάδωση με λοξή οδό αριστερά, οι επί της οποίας κινούμενοι οφείλουν να παραχωρήσουν προτεραιότητα. (K - 29δ) Διακλάδωση με λοξή οδό δε ξιά, πάνω στην οποία οι κι- νούμενοι οφείλουν να παραχωρήσουν προτεραιότητα. 13

15 (K - 30) Προσέγγιση σε κυκλική υποχρεωτική πορεία. (K - 31) Κίνδυνος λόγω ισόπεδης σιδηροδρομικής διάβασης ή διάβασης τροχιοδρόμου με κινητά φράγματα. (K - 32) Κίνδυνος λόγω ισόπεδης σιδηροδρομικής διάβασης χωρίς κινητά φράγματα. (K - 38α) Επικίνδυνο έρεισμα αριστερά. (K - 38δ) Επικίνδυνο έρεισμα δεξιά. (K - 39) Συχνή κυκλοφοριακή συμφόρηση. (K - 40) Σήραγγα. (K - 41) Κίνδυνος λόγω ισόπεδης διάβασης τροχιοδρόμου χωρίς κινητά φράγματα. 14

16 ΙΙ. ΠΙΝΑΚΙΔΕΣ ΡΥΘΜΙΣΤΙΚΕΣ (Ρ) (Ρ - 1) Υποχρεωτική παραχώρηση προτεραιότητας. (Ρ - 2) Υποχρεωτική διακοπή πορείας. (Ρ - 3) Οδός προτεραιότητας. (Ρ - 4) Τέλος οδού προτεραιότητας. (Ρ - 5) Προτεραιότητα της αντιθέτως ερχόμενης κυκλοφορίας λόγω στενότητας οδοστρώματος. (Ρ - 6) Προτεραιότητα έναντι επερχομένης κυκλοφορίας (λόγω στενότητας οδοστρώματος). (Ρ - 7) Απαγορεύεται η είσοδος σε όλα τα οχήματα. (Ρ - 8) Κλειστή οδός για όλα τα οχήματα και προς τις δύο κατευθύνσεις. 15

17 (Ρ - 9) Απαγορεύεται η είσοδος σε μηχανοκίνητα οχήματα εκτός των δίτροχων μοτοσικλετών. (Ρ - 10) Απαγορεύεται η είσοδος στις μοτοσικλέτες. (Ρ - 11) Απαγορεύεται η είσοδος στα ποδήλατα. (Ρ - 12) Απαγορεύεται η είσοδος στα μοτοποδήλατα. (Ρ - 13) Απαγορεύεται η είσοδος σε φορτηγά αυτοκίνητα. (Ρ - 14) Απαγορεύεται η είσοδος σε μηχανοκίνητο όχημα το οποίο σύρει ρυμουλκούμενο πλην ημιρυμουλκουμένου ή ρυμουλκούμενου ενός άξονα. (Ρ - 15) Απαγορεύεται η είσοδος σε πεζούς. (Ρ - 16) Απαγορεύεται η είσοδος σε ζωήλατα οχήματα. 16

18 (Ρ - 17) Απαγορεύεται η είσοδος σε χειράμαξες. (Ρ - 18) Απαγορεύεται η είσοδος σε αγροτικά μηχανήματα. (Ρ - 19) Απαγορεύεται η είσοδος σε μηχανοκίνητα οχήματα. (Ρ - 20) Απαγορεύεται η είσοδος σε οχήματα ορισμένων κατη- γοριών (π.χ. σε μηχανοκίνητα και ζωήλατα οχήματα). (Ρ - 21) Απαγορεύεται η είσοδος σε οχήματα συνολικού πλάτους που υπερβαίνει τα... (π.χ. 2) μέτρα. (Ρ - 22) Απαγορεύεται η είσοδος σε οχήματα συνολικού ύψους που υπερβαίνει τα... (π.χ. 3,5) μέτρα. (Ρ - 23) Απαγορεύεται η είσοδος σε οχήματα συνολικού βάρους που υπερβαίνει τους... (π.χ. 5) τόνους. (Ρ - 24) Απαγορεύεται η είσοδος σε οχήματα βάρους ανά άξονα που υπερβαίνει τους... (π.χ. 2) τόνους. 17

19 (Ρ - 25) Απαγορεύεται η είσοδος σε οχήματα ή συνδυασμούς οχη- μάτων μήκους, που υπερβαίνει τα... (π.χ. 10) μέτρα. (Ρ - 26) Απαγορεύεται η οδήγηση οχήματος σε απόσταση μικρότερη των... (π.χ. 70) μέτρων από του προηγούμενου. (Ρ - 27) Απαγορεύεται η αριστερή στροφή. (Ρ - 28) Απαγορεύεται η δεξιά στροφή. (Ρ - 29) Απαγορεύεται η αναστροφή (στροφή κατά 180ο). (Ρ - 30) Απαγορεύεται το προσπέρασμα μηχανοκίνητων οχημάτων, πλην των δίτροχων μοτοσικλετών χωρίς κάνιστρο. (Ρ - 31) Απαγορεύεται στους οδηγούς φορτηγών αυτοκινήτων μεγίστου επιτρεπομένου βάρους, που υπερβαίνει τους 3,5 τόνους, να προσπερνούν άλλα οχήματα. (Ρ - 32) Η μέγιστη ταχύτητα περιορίζεται στον αναγραφόμενο αριθμό των... (π.χ. 50) χλμ/ώρα. 18

20 (Ρ - 33) Απαγορεύεται η χρήση ηχητικών οργάνων προειδοποίησης (εκτός για αποφυγή δυστυχήματος). (Ρ - 34) Απαγορεύεται η διέλευση χωρίς στάση προ του Τελωνείου. (Ρ - 35) Απαγορεύεται η διέλευση χωρίς στάση προ σταθμού Διοδίων. (Ρ - 37) Τέλος ορίου ταχύτητος, που έχει επιβληθεί με απαγορευτική πινακίδα (π.χ. 40 χλμ/ώρα). (Ρ - 38) Τέλος απαγόρευσης προσπεράσματος, που έχει επιβληθεί με απαγορευτική πινακίδα. (Ρ - 39) Απαγορεύεται η στάθμευση. (Ρ - 40) Απαγορεύεται η στάση και η στάθμευση. (Ρ - 41) Απαγορεύεται η στάθμευση επί της πλευράς της πινακί- δας κατά τους μονούς μήνες. 19

21 (Ρ - 42) Απαγορεύεται η στάθμευση επί της πλευράς της πινακί- δας κατά τους ζυγούς μήνες. (Ρ - 43) Περιοχή απαγόρευσης στάθμευσης (στάθμευση περιορισμένης χρονικής διαρκείας). (Ρ - 45) Απαγορεύεται η είσοδος σε οχήματα που μεταφέρουν πάνω από ορισμένη ποσότητα εκρηκτικές ή εύφλεκτες ύλες. (Ρ - 46) Απαγορεύεται η είσοδος σε οχήματα, που μεταφέρουν πάνω από ορισμένη ποσότητα ύλες, που μπορούν να προκαλέσουν μόλυνση υδάτων. (Ρ - 47) Υποχρεωτική κατεύθυνση πορείας προς τα αριστερά. (Ρ - 48) Υποχρεωτική κατεύθυνση πορείας προς τα δεξιά. (Ρ - 49) Υποχρεωτική κατεύθυνση πορείας προς τα εμπρός. (Ρ - 50) Υποχρεωτική κατεύθυνση πορείας με στροφή αριστερά ή δεξιά. 20

22 (Ρ - 50α) Υποχρεωτική κατεύθυνση πορείας με στροφή αριστερά. (Ρ - 50δ) Υποχρεωτική κατεύθυνση πορείας με στροφή δεξιά. (Ρ - 51α) Υποχρεωτική κατεύθυνση πορείας εμπρός ή αριστερά. (Ρ - 51δ) Υποχρεωτική κατεύθυνση πορείας εμπρός ή δεξιά. (Ρ - 52) Υποχρεωτική διέλευση είτε από τη δεξιά είτε από την αριστερή πλευρά της νησίδας ή του εμποδίου. (Ρ - 52α) Υποχρεωτική διέλευση μόνο από την αριστερή πλευρά της νησίδας ή του εμποδίου. (Ρ - 52δ) Υποχρεωτική διέλευση μόνο από τη δεξιά πλευρά της νησίδας ή του εμποδίου. (Ρ - 53) Κυκλική υποχρεωτική διαδρομή. 21

23 (Ρ - 54) Οδός υποχρεωτικής διέλευσης ποδηλάτων (απαγορευμένης της διέλευσης άλλων οχημάτων). (Ρ - 55) Οδός υποχρεωτικής διέλευσης πεζών, (απαγορευμένης της διέλευσης άλλων εκτός από πεζών, οχημάτων άμεσης ανάγκης και οχημάτων για την είσοδο-έξοδο σε παρόδιες ιδιοκτησίες). (Ρ - 56) Οδός υποχρεωτικής διέλευσης εφίππων (απαγορευμένης της διέλευσης άλλων, εκτός εφίππων, που χρησιμοποιούν την οδό). (Ρ - 57) Υποχρεωτική ελαχίστη ταχύτητα που αναγράφεται με λευκούς αριθμούς σε (π.χ. 30 χλμ/ώρα). (Ρ - 58) Τέλος υποχρεωτικής ελαχί- στης ταχύτητας, που έχει επι- βληθεί με την πινακίδα Ρ-57. (Ρ - 59) Υποχρεωτικές αντιολισθητικές αλυσίδες χιονών, σε δύο τουλάχιστον από τους κινητήριους τροχούς του αυτοκινήτου. (Ρ - 60) Ανωτάτη ταχύτητα περιοχής. (Ρ - 61) Έξοδος από περιοχή με ανώτατο όριο ταχύτητας. 22

24 (Ρ - 62) Τέλος απαγόρευσης προσπεράσματος από φορτηγά αυτοκίνητα, που έχει επιβληθεί με απαγορευτική πινακίδα. (Ρ - 63) Απαγορεύεται το ρυμουλκούμενο όχημα να έχει βάρος μεγαλύτερο από (π.χ. 3) τόνους. (Ρ - 64) Απαγορεύεται η είσοδος σε οχήματα, που μεταφέρουν επικίνδυνα υλικά. (Ρ - 65) Η κάθε κατηγορία χρηστών που απεικονίζει το σύμβολο πρέπει να χρησιμοποιεί την πλευρά του αντίστοιχου διαδρόμου που είναι ειδικά επιλεγμένη γι αυτή την κατηγορία. (Ρ - 66) Οι διάφορες κατηγορίες χρηστών που απεικονίζουν τα αντίστοιχα σύμβολα επιτρέπεται να χρησιμοποιούν ταυτόχρονα τον ειδικό διάδρομο. (Ρ - 67) Αποκλειστική διέλευση Λεωφορείων ή Τρόλλεϋ. (Ρ - 68) Τέλος αποκλειστικής διέλευσης Λεωφορείων ή Τρόλλεϋ. (Ρ - 69) Χώρος ελεγχόμενης στάθμευσης. 23

25 (Ρ - 70) Χώρος στάθμευσης ορισμένης κατηγορίας οχημάτων π.χ. ταξί. (Ρ - 71) Χώρος στάθμευσης αποκλειστικά για οχήματα Ατόμων με Αναπηρίες (ΑμεΑ), ύστερα από ειδική άδεια. (Ρ - 72) Χώρος στάθμευσης αποκλειστικά για συγκεκριμένο όχημα Ατόμων με Αναπηρίες (ΑμεΑ), ύστερα από ειδική άδεια και με αριθμό κυκλοφορίας. (Ρ - 76) Αποκλειστική διέλευση τροχιοδρόμου. (Ρ - 77) Τέλος αποκλειστικής διέλευσης τροχιοδρόμου. (Ρ - 73α) Υποχρεωτική κατεύθυνση πορείας οχημάτων μεταφοράς επικίνδυνων φορτίων προς τα αριστερά. (Ρ - 73δ) Υποχρεωτική κατεύθυνση πορείας οχημάτων μεταφοράς επικίνδυνων φορτίων προς τα δεξιά. 24

26 (Ρ - 74α) Υποχρεωτική κατεύθυνση πορείας οχημάτων μετα- φοράς επικίνδυνων φορτίων προς τα αριστερά. (Ρ - 74δ) Υποχρεωτική κατεύθυνση πορείας οχημάτων μεταφοράς επικίνδυνων φορτίων προς τα δεξιά. (Ρ - 75) Επιβάλλει ιδιαίτερη προσοχή σε οχήματα που μεταφέρουν επικίνδυνες ύλες που μπορούν να προκαλέσουν μόλυνση των υδάτων. ΙΙΙ. ΠΙΝΑΚΙΔΕΣ ΠΛΗΡΟΦΟΡΙΑΚΕΣ (Π) (Π - 4) Προειδοποιητική για αδιέξοδο. (Π -5 ) Προειδοποιητική για αδιέξοδο. (Π - 6) Προειδοποιητική υποχρεωτικής διαδρομής για στροφή αριστερά στην επομένη διασταύρωση όπου αυτή απαγορεύεται. 25

27 (Π - 7) Προειδοποιητική πινακίδα προεπιλογής λωρίδας σε διασταύρωση σε οδούς με πολλές λωρίδες κυκλοφορίας. (Π - 11) Κατεύθυνσης προς κατασκήνωση. (Π - 12) Κατεύθυνσης προς Ξενώνα Νεότητας. (Π - 13) Αρίθμηση εθνικών οδών. (Π - 14) Αρίθμηση διεθνών αρτηριών. (Π - 21) Διάβαση πεζών. 26

28 (Π - 22) Νοσοκομείο (για αποφυγή ή μείωση οποιουδήποτε μη αναγκαίου θορύβου). (Π - 23) Μονόδρομος. (Π - 24) Μονόδρομος. (Π - 25) Οδός αδιέξοδη. (Π - 26) Οδός ταχείας κυκλοφορίας. (Π - 26α) Τέλος οδού ταχείας κυκλοφορίας. 27

29 (Π - 27) Αυτοκινητόδρομος. (Π - 27α) Τέλος αυτοκινητοδρόμου. (Π - 28) Στάση Λεωφορείου ή Τρόλλεϋ. (Π - 28α) Στάση τροχιοδρόμου. (Π - 30) Συνιστώνται αλυσίδες ή ελαστικά χιονών (για το πλαίσιο της Π 29). (Π - 31) Χώρος επιτρεπομένης στάθμευσης. 28

30 (Π - 31α) Περιοχή επιτρεπομένης στάθμευσης. (Π - 31β) Έξοδος από περιοχή επιτρεπομένης στάθμευσης. (Π - 31γ) Κατεύθυνσης προς χώρο επιτρεπομένης στάθμευσης. (Π - 32) Σταθμός Πρώτων Βοηθειών. (Π - 33) Συνεργείο επισκευής βλαβών. (Π - 34) Τηλέφωνο. 29

31 (Π - 35) Πρατήριο καυσίμων. (Π - 36) Ξενοδοχείο ή ΜOTEL. (Π - 37) Εστιατόριο. (Π - 38) Αναψυκτήριο ή καφενείο. (Π - 39) Θέση για παραμονή εκδρομέων. (Π - 40) Σημείο έναρξης περιπάτου. 30

32 (Π - 41) Θέση για κατασκηνώσεις. (Π - 42) Θέση για τροχόσπιτα. (Π - 43) Θέση για κατασκηνώσεις και τροχόσπιτα. (Π - 44) Ξενώνας Νεότητας. (Π - 45) Τουριστικές Πληροφορίες. (Π - 46) Περιοχή κολύμβησης. 31

33 (Π - 47) Εγκαταστάσεις υγιεινής. (Π - 48) Ραδιοφωνική συχνότητα πληροφοριών οδικής κυκλοφορίας. (Π - 49) Σήραγγα. (Π - 50) Αεροδρόμιο. (Π - 51) Ελικοδρόμιο. (Π - 52) Εναέρια μεταφορά. 32

34 (Π - 53) Λιμάνι. (Π - 55) Λιμενικός σταθμός ιπταμένων σκαφών. (Π - 56) Λιμενικός σταθμός εμπορικών οχηματαγωγών πλοίων. (Π - 57) Αστυνομία. (Π - 58) Αρχή περιοχής κατοικίας. (Π - 59) Τέλος περιοχής κατοικίας. 33

35 (Π - 60) Άτομα με Αναπηρίες (ΑμεΑ). (Π - 61) Άνω (υπέργεια) διάβαση πεζών. (Π - 62) Κάτω (υπόγεια) διάβαση πεζών. (Π - 63) Ανισόπεδη διάβαση πεζών χωρίς σκαλοπάτια. (Π - 64) Συνιστώμενη ταχύτητα. (Π - 65) Γενικά όρια ταχύτητας. 34

36 (Π - 66) Λωρίδα αποκλειστικής κυκλοφορίας Λεωφορείων ή Τρόλεϊ ή Τροχιοδρόμου ή δικύκλου ή συνδυασμού αυτών. (Π - 67) Ανώτατα όρια ταχυτήτων ανά λωρίδα κυκλοφορίας. (Π - 68) Ελάχιστα όρια ταχυτήτων ανά λωρίδα κυκλοφορίας. (Π - 70 ) Περιορισμός αριθμού κυκλοφοριακών λωρίδων. (Π - 74) Κατεύθυνσης-επισήμανσης επικινδύνων καμπυλών. (Π - 75) Διαδοχικά βέλη κατεύθυνσης τοποθετούμενα σε επικίνδυνες καμπύλες κυρίων αρτηριών. 35

37 (Π - 76) Εμπόδιο κινητό λόγω έργων επί της οδού. (Π - 77) Για υποχρεωτικό πέρασμα από τα δεξιά νησίδας ή εμποδίου. (Συνδυάζεται η τοποθέτησή της π.χ. με τη Ρ- 52δ). (Π - 86) Κατεύθυνση εξόδου από τον αυτοκινητόδρομο. (Π - 90γ) Προειδοποιητικές εξόδου από τον αυτοκινητόδρομο σε αποστάσεις 300, 200, 100 μ. αντίστοιχα προ της αρχής της λωρίδας επιβράδυνσης του κόμβου (όπου η πινακίδα Π-85). IV. ΠΙΝΑΚΙΔΕΣ ΠΡΟΣΘΕΤΕΣ (ΠΡ) (Πρ - 1) Απόσταση από τη θέση της πινακίδας μέχρι την αρχή της επικίνδυνης θέσης ή της περιοχής στην οποία εφαρμόζεται ο καθοριζόμενος μ αυτήν κανόνας ή περιορισμός (π.χ. 200 μ.). (Πρ - 2) Μήκος του επικινδύνου τμήματος ή της περιοχής στην οποία εφαρμόζεται ο καθοριζόμενος με την πινακίδα, περιορισμός (π.χ. 1 χλμ). 36

38 (Πρ - 4δ) Επιτρέπεται μόνο για οχήματα Ατόμων με Αναπηρίες (ΑμεΑ) ύστερα από ειδική άδεια. (Πρ - 5) Πάγος. (Πρ - 6) Βροχή. (Πρ - 7) Προτεραιότητα κατεύθυνσης σε διασταύρωση (π.χ. α-δ). (Πρ - 11) Προτεραιότητα κατεύθυνσης σε διακλάδωση μορφής (π.χ. α-β). (Πρ - 16στ) Επιβατικό όχημα. Για εξοικονόμηση χώρου και χρόνου δεν χρησιμοποιήθηκαν στο βιβλίο όλες οι εικόνεςσήματα. 37

39 Κεφάλαιο 2 o "Σύγκριση με άλλα συστήματα της Ε.Ε." 2.1 Εισαγωγή Τα τελευταία χρόνια, η δραµατική αύξηση του αριθµού των οχηµάτων στους δρόµους, µαζί µε την αύξηση της κινητικότητας του πληθυσµού, έχουν επιβάλλει µία νέα πραγµατικότητα. Στους δρόµους εντός και εκτός των πόλεων κινείται µέγα πλήθος αυτοκινήτων, ενώ το αστικό περιβάλλον στιγµατίζεται πλέον από την παρουσία οχηµάτων -οχηµάτων σε κίνηση και οχηµάτων σταθµευµένων παντού, σε κεντρικούς και στενούς δρόµους, πλατείες, χώρους στάθµευσης, πεζοδρόµια. Κάποτε οι µετακινήσεις ήταν απλές και άνευ όρων. Σήµερα πλέον απαιτείται η είσοδος σε ένα πολύπλοκο σύστηµα κυκλοφορίας, µε πλήθος αλληλεπιδράσεων µεταξύ οδηγών και µεταξύ οδηγών και πεζών, που συνοδεύεται από την αναπόδραστη ανάγκη για κανόνες. Έτσι σ' αυτό το κεφάλαιο παρουσιάζεται μια σύγκριση των ελληνικών σημάτων με τα αντίστοιχα σήματα άλλων ευρωπαϊκών χωρών με στόχο να τονιστούν οι κύριες διαφορές τους. 2.2 Διαφορές σημάτων των άλλων χωρών σε σχέση με αυτά της Ελλάδας Σύμφωνα λοιπόν με την σχετική έρευνα που πραγματοποιήθηκε σχηματίστηκαν τα εξής συμπεράσματα : ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 1α) " Επικίνδυνη δεξιά στροφή ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. 38

40 -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, καμπύλη βέλους προς τα δεξιά(90 μοίρες). -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, καμπύλη βέλους προς τα δεξιά(110 μοίρες),δεν υπάρχει εσοχή στην αρχή του βέλους. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο, καμπύλη βέλους προς τα δεξιά(110 μοίρες), δεν υπάρχει εσοχή στην αρχή του βέλους. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες),άσπρο φόντο στο κέντρο, καμπύλη βέλους προς τα δεξιά(110 μοίρες). Ειδοποίηση :Το ίδιο συμβαίνει και στα σήματα της αντίθετης κατεύθυνσης (Επικίνδυνη αριστερή στροφή). ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 2δ) "Επικίνδυνες δύο αντίρροπες ή διαδοχικές (συνεχείς) στροφές- η πρώτη δεξιά": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, απόσταση μεταξύ των στροφών είναι μεγαλύτερη, δεν υπάρχει εσοχή στην αρχή του βέλους. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο, απόσταση μεταξύ των στροφών είναι μεγαλύτερη, δεν υπάρχει εσοχή στην αρχή του βέλους. 39

41 -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες),άσπρο φόντο στο κέντρο, απόσταση μεταξύ των στροφών είναι μεγαλύτερη. Ειδοποίηση :Το ίδιο συμβαίνει και στα σήματα της αντίθετης κατεύθυνσης (Επικίνδυνες δύο αντίρροπες ή διαδοχικές (συνεχείς) στροφές- η πρώτη αριστερά) ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 3) "Επικίνδυνη κατωφέρεια, (με κλίση όπως η αναγραφόμενη στην Πινακίδα)." : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), κίτρινο φόντο στο κέντρο. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, στην κλίση υπάρχει ένα αυτοκίνητο και το ποσοστό της κλίσης αναγράφεται κάτω από αυτό. 40

42 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 5) "Επικίνδυνη στένωση οδοστρώματος και στις δύο πλευρές".: Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες),άσπρο φόντο στο κέντρο. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 6α) "Επικίνδυνη στένωση οδοστρώματος στην αριστερή πλευρά. ".: Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, οι γραμμές είναι πιο λεπτές. 41

43 -ΑΓΓΛΙΑ -ΣΟΥΗΔΙΑ -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο. : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες),άσπρο φόντο στο κέντρο, οι γραμμές είναι πιο λεπτές. Ειδοποίηση :Το ίδιο συμβαίνει και στα σήματα της αντίθετης κατεύθυνσης (Επικίνδυνη στένωση οδοστρώματος στην δεξιά πλευρά.) ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 7) "Κινητή γέφυρα. " : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, η γέφυρα είναι πιο μικρή σε μήκος και το νερό απεικονίζεται διαφορετικά. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, η γέφυρα είναι πιο μεγάλη σε μήκος και το νερό απεικονίζεται διαφορετικά. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο, η γέφυρα είναι πιο μικρή σε μήκος και το νερό απεικονίζεται διαφορετικά. 42

44 -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες),άσπρο φόντο στο κέντρο, η γέφυρα είναι πιο μικρή σε μήκος, πιο παχιά και το νερό απεικονίζεται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 8) " Η οδός οδηγεί σε αποβάθρα ή όχθη ποταμού. ".: Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, το αυτοκίνητο είναι σε πιο οριζόντια θέση, η αποβάθρα είναι πιο κοντή σε ύψος και η θάλασσα όπως και το αυτοκίνητο απεικονίζονται διαφορετικά. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο και η θάλασσα απεικονίζεται διαφορετικά. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο και το αυτοκίνητο όπως και η θάλασσα απεικονίζονται διαφορετικά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες),άσπρο φόντο στο κέντρο και η θάλασσα απεικονίζονται διαφορετικά. 43

45 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 9) Επικίνδυνο ανώμαλο οδόστρωμα, σε κακή κατάσταση, με λάκκους κ.λπ.. Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρo,το πάχος του οδοστρώματος είναι πιο παχύ. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο και το πάχος του οδοστρώματος είναι πιο παχύ.. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες),άσπρο φόντο στο κέντρο και το πάχος του οδοστρώματος είναι πιο παχύ. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 10) Επικίνδυνα υπερυψωμένο οδόστρωμα ή απότομη κυρτή αλλαγή της κατά μήκος κλίσης της οδού. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ :Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. -ΑΓΓΛΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. 44

46 -ΣΟΥΗΔΙΑ -ΓΑΛΛΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες),άσπρο φόντο στο κέντρο και το πάχος του οδοστρώματος είναι πιο παχύ. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 10) Επικίνδυνα υπερυψωμένο οδόστρωμα ή απότομη κυρτή αλλαγή της κατά μήκος κλίσης της οδού. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ :Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. -ΑΓΓΛΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. -ΣΟΥΗΔΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. -ΓΑΛΛΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. 45

47 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 12) "Ολισθηρό οδόστρωμα. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, οι γραμμές ολίσθησης διατυπώνονται διαφορετικά και το αυτοκίνητο έχει αντίθετη κλίση. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρo, οι γραμμές ολίσθησης διατυπώνονται διαφορετικά και το αυτοκίνητο έχει αντίθετη κλίση. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο, οι γραμμές ολίσθησης διατυπώνονται διαφορετικά και το αυτοκίνητο έχει αντίθετη κλίση. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες),άσπρο φόντο στο κέντρο, οι γραμμές ολίσθησης διατυπώνονται διαφορετικά και το αυτοκίνητο έχει αντίθετη κλίση. 46

48 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 13) "Επικίνδυνη εκτίναξη χαλίκων, (ασύνδετο αμμοχάλικο). : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, οι γραμμές εκτίναξης χαλικιών διατυπώνονται διαφορετικα. -ΑΓΓΛΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο. -ΓΑΛΛΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 14) 47

49 "Κίνδυνος από πτώση βράχων και από την παρουσία τους στο οδόστρωμα. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, η πτώση βράχων διατυπώνεται διαφορετικά. -ΑΓΓΛΙΑ :Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρo, η πτώση βράχων διατυπώνεται διαφορετικά. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο, η πτώση βράχων διατυπώνεται διαφορετικά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρo, η πτώση βράχων διατυπώνεται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 15) "Κίνδυνος λόγω διάβασης πεζών. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, οι γραμμές της διάβασης διατυπώνεται διαφορετικά. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, οι γραμμές της διάβασης διατυπώνεται διαφορετικά όπως και ο άνθρωπος. 48

50 -ΣΟΥΗΔΙΑ -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο οι γραμμές της διάβασης διατυπώνεται διαφορετικά. : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρo,οι γραμμές της διάβασης διατυπώνεται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 16) "Κίνδυνος λόγω συχνής κίνησης παιδιών (Σχολεία, Γήπεδα κ.λπ.). : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, οι άνθρωποι διατυπώνονται διαφορετικά. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, οι άνθρωποι διατυπώνονται διαφορετικά και έχουν αντίθετη κατεύθυνση. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο οι άνθρωποι διατυπώνονται διαφορετικά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, οι άνθρωποι διατυπώνονται διαφορετικά. 49

51 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 17) "Κίνδυνος λόγω συχνής εισόδου ή διάβασης ποδηλατιστών.. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, χωρίς άνθρωπο πάνω στο ποδήλατο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, χωρίς άνθρωπο πάνω στο ποδήλατο και πιο έντονα διατυπωμένο. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο ο άνθρωπος διατυπώνεται διαφορετικά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, ο άνθρωπος διατυπώνεται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ 50

52 (K - 18) "Κίνδυνος από διέλευση οικόσιτων ζώων. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο,το ζώο διατυπώνεται με αντίθετη κατεύθυνση. -ΣΟΥΗΔΙΑ :Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 19) "Κίνδυνος από διέλευση αγρίων ζώων. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, το ζώο διατυπώνεται με αντίθετη κατεύθυνση. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. 51

53 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 20) "Κίνδυνος λόγω εκτελουμένων εργασιών στην οδό. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, ο άνθρωπος διατυπώνεται διαφορετικά και υπάρχει ένας σωρός από χώματα. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, ο άνθρωπος διατυπώνεται διαφορετικά και έχει αντίθετη κατεύθυνση. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο ο άνθρωπος διατυπώνεται διαφορετικά και έχει αντίθετη κατεύθυνση. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, ο άνθρωπος διατυπώνεται διαφορετικά. 52

54 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 21) "Προσοχή, κόμβος ή θέση όπου η κυκλοφορία ρυθμίζεται με τρίχρωμη φωτεινή σηματοδότηση.). : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, οι χρωματιστοί κύκλοι είναι σε μαύρο περίγραμμα. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο οι άνθρωποι διατυπώνονται διαφορετικά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, οι χρωματιστοί κύκλοι είναι σε μαύρο περίγραμμα. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 22) "Κίνδυνος λόγω χαμηλής πτήσης προσγειωμένων ή απογειωμένων αεροσκαφών. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. 53

55 -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 23) "Κίνδυνος λόγω συχνού ισχυρού ανέμου (όπως δείχνει η κατεύθυνση του ανεμουρίου). : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, πιο κοντό σε μήκος. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, χωρίς ρίγες το ανεμούριο. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο και οι ρίγες δεν έχουν λευκό χρώμα αλλά το χρώμα του φόντου. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο και το ανεμούριο είναι σε κόκκινο χρώμα με άσπρες ρίγες. 54

56 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 24) "Προαναγγελία διπλής κυκλοφορίας. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, τα βέλη είναι πιο λεπτά και οι γραμμές. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο τα βέλη είναι πιο λεπτά. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο τα βέλη είναι πιο λεπτά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο και τα βέλη είναι πιο λεπτά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ 55

57 (K - 25) "Προσοχή άλλοι κίνδυνοι (μη δηλούμενοι στις πινακίδες Κ-1 έως Κ-24). : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο και το θαυμαστικό είναι πιο παχύ διατυπωμένο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, το θαυμαστικό είναι πιο παχύ διατυπωμένο. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο, δεν υπάρχει θαυμαστικό παρά μόνο μια κάθετη προς την βάση γραμμή. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, το θαυμαστικό είναι πιο παχύ διατυπωμένο. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 25) "Προσοχή άλλοι κίνδυνοι (μη δηλούμενοι στις πινακίδες Κ-1 έως Κ-24). : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο. 56

58 -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 27) "Διασταύρωση με οδό, οι επί της οποίας κινούμενοι οφείλουν να παραχωρήσουν προτεραιότητα. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, η κάθετη γραμμή είναι πιο παχιά. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο,η κάθετη γραμμή δεν έχει εσοχή στην βάση της. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο η κάθετη γραμμή είναι πιο παχιά και η κάθετη γραμμή δεν έχει εσοχή στη βάση της. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο η κάθετη γραμμή είναι πιο παχιά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ 57

59 (K - 30) "Προσέγγιση σε κυκλική υποχρεωτική πορεία. : Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Ανάποδο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο,οι κυκλικές γραμμές διατυπώνονται διαφορετικά. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο οι κυκλικές γραμμές διατυπώνονται διαφορετικά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο οι κυκλικές γραμμές διατυπώνονται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 31) "Κίνδυνος λόγω ισόπεδης σιδηροδρομικής διάβασης ή διάβασης τροχιοδρόμου με κινητά φράγματα": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. 58

60 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 32) "Κίνδυνος λόγω ισόπεδης σιδηροδρομικής διάβασης χωρίς κινητά φράγματα. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, το τρένο διατυπώνεται εντελώς διαφορετικά. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, το τρένο διατυπώνεται διαφορετικά και έχει αντίθετη φορά. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο, το τρένο διατυπώνεται διαφορετικά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, το τρένο διατυπώνεται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ 59

61 (K - 32) "Κίνδυνος λόγω ισόπεδης σιδηροδρομικής διάβασης χωρίς κινητά φράγματα. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ :Το ίδιο σχήμα,λευκό με κόκκινες άκρες. -ΑΓΓΛΙΑ : Το ίδιο σχήμα,κόκκινο περίγραμμα και λευκό στο μέσον. -ΣΟΥΗΔΙΑ :Το ίδιο σχήμα, οι λωρίδες χωρίζονται σε κόκκινο και κίτρινο χρώμα. -ΓΑΛΛΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 38α) "Επικίνδυνο έρεισμα αριστερά. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο με θαυμαστικό και από κάτω ξεχωριστή ταμπέλα με το αυτοκίνητο στο έρεισμα. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, το αυτοκίνητο διατυπώνεται διαφορετικά. -ΣΟΥΗΔΙΑ : Ορθογώνιο σήμα με το αυτοκίνητο να διατυπώνεται διαφορετικά. -ΓΑΛΛΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα. 60

62 Ειδοποίηση :Το ίδιο συμβαίνει και στα σήματα της αντίθετης κατεύθυνσης(επικίνδυνο έρεισμα δεξιά.) ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 39) "Συχνή κυκλοφοριακή συμφόρηση. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο, τα αυτοκίνητα διατυπώνονται εντελώς διαφορετικά. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, τα αυτοκίνητα διατυπώνονται εντελώς διαφορετικά. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο, τα αυτοκίνητα διατυπώνονται εντελώς διαφορετικά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, τα αυτοκίνητα διατυπώνονται εντελώς διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ 61

63 (K - 40) "Σήραγγα. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Τετράγωνο μπλε και η σήραγγα διατυπώνεται διαφορετικά. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο και η σήραγγα διατυπώνεται διαφορετικά. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο και η σήραγγα διατυπώνεται διαφορετικά. -ΓΑΛΛΙΑ : Τετράγωνο μπλε και η σήραγγα διατυπώνεται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (K - 41) "Κίνδυνος λόγω ισόπεδης διάβασης τροχιοδρόμου χωρίς κινητά φράγματα.": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Σύμφωνα με την αναζήτησή μας σε έγκυρες πηγές και αναζήτηση μέσω διαδικτύου δεν βρέθηκε παρόμοιο σήμα σε αυτήν την χώρα.. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο, το τραμ διατυπώνεται εντελώς διαφορετικά. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο, το τραμ διατυπώνεται εντελώς διαφορετικά. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο,το τραμ διατυπώνεται εντελώς διαφορετικά. 62

64 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 1) "Υποχρεωτική παραχώρηση προτεραιότητας. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το ίδιο κόκκινο τρίγωνο(μυτερές γωνίες), άσπρο φόντο στο κέντρο. -ΑΓΓΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. -ΣΟΥΗΔΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες),κίτρινο φόντο στο κέντρο. -ΓΑΛΛΙΑ : Το ίδιο κόκκινο τρίγωνο(καμπυλωτές γωνίες), άσπρο φόντο στο κέντρο. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 2) 63

65 "Υποχρεωτική διακοπή πορείας.": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Δεν υπάρχουν διαφορές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. -ΣΟΥΗΔΙΑ : Δεν υπάρχουν διαφορές. -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 3) "Οδός προτεραιότητας. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Δεν υπάρχουν διαφορές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. -ΣΟΥΗΔΙΑ : Δεν υπάρχουν διαφορές. -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ 64

66 (Ρ - 4) "Τέλος οδού προτεραιότητας. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Δεν υπάρχει μαύρη γραμμή αλλά τρεις μικρές λεπτές και παράλληλες γραμμές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. -ΣΟΥΗΔΙΑ : Δεν υπάρχουν διαφορές. -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 5) "Προτεραιότητα της αντιθέτως ερχόμενης κυκλοφορίας λόγω στενότητας οδοστρώματος.. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Τα βέλη διατυπώνονται διαφορετικά. -ΑΓΓΛΙΑ : Τα βέλη διατυπώνονται διαφορετικά. -ΣΟΥΗΔΙΑ : Τα βέλη διατυπώνονται διαφορετικά και το φόντο μέσα είναι κίτρινο. -ΓΑΛΛΙΑ : Τα βέλη διατυπώνονται διαφορετικά. 65

67 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 6) "Προτεραιότητα έναντι επερχομένης κυκλοφορίας (λόγω στενότητας οδοστρώματος). ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Τα βέλη διατυπώνονται διαφορετικά. -ΑΓΓΛΙΑ : Τα βέλη διατυπώνονται διαφορετικά. -ΣΟΥΗΔΙΑ : Τα βέλη διατυπώνονται διαφορετικά. -ΓΑΛΛΙΑ : Τα βέλη διατυπώνονται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 7) "Απαγορεύεται η είσοδος σε όλα τα οχήματα ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Δεν υπάρχουν διαφορές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. 66

68 -ΣΟΥΗΔΙΑ -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές εκτός από το φόντο της γραμμής που είναι κίτρινο. : Δεν υπάρχουν διαφορές. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 8) "Κλειστή οδός για όλα τα οχήματα και προς τις δύο κατευθύνσεις. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Δεν υπάρχουν διαφορές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. -ΣΟΥΗΔΙΑ : Δεν υπάρχουν διαφορές εκτός από το φόντο του κύκλου που είναι κίτρινο. -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 9) 67

69 "Απαγορεύεται η είσοδος σε μηχανοκίνητα οχήματα εκτός των δίτροχων μοτοσικλετών.": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το αυτοκίνητο διατυπώνεται διαφορετικά. -ΑΓΓΛΙΑ : Το αυτοκίνητο διατυπώνεται διαφορετικά. -ΣΟΥΗΔΙΑ : Το αυτοκίνητο διατυπώνεται διαφορετικά το φόντο στο κέντρο είναι κίτρινο και υπάρχει μια γραμμή απαγορευτική. -ΓΑΛΛΙΑ : Το αυτοκίνητο διατυπώνεται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 10) "Απαγορεύεται η είσοδος στις μοτοσικλέτες. ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Η μοτοσυκλέτα διατυπώνεται διαφορετικά. -ΑΓΓΛΙΑ : Η μοτοσυκλέτα διατυπώνεται διαφορετικά. -ΣΟΥΗΔΙΑ : Η μοτοσυκλέτα διατυπώνεται διαφορετικά, στο κέντρο είναι κίτρινο και υπάρχει μια γραμμή απαγορευτική. -ΓΑΛΛΙΑ : Η μοτοσυκλέτα διατυπώνεται διαφορετικά. 68

70 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 11) "Απαγορεύεται η είσοδος στα ποδήλατα.": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Δεν υπάρχουν διαφορές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. -ΣΟΥΗΔΙΑ : Δεν υπάρχουν διαφορές εκτός από το φόντο του κύκλου που είναι κίτρινο και υπάρχει μια γραμμή απαγορευτική. -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 13) 69

71 "Απαγορεύεται η είσοδος σε φορτηγά αυτοκίνητα.": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Το φορτηγό διατυπώνεται διαφορετικά. -ΑΓΓΛΙΑ : Το φορτηγό διατυπώνεται διαφορετικά. -ΣΟΥΗΔΙΑ : Το φορτηγό διατυπώνεται διαφορετικά, στο κέντρο είναι κίτρινο και υπάρχει μια γραμμή απαγορευτική. -ΓΑΛΛΙΑ : Το φορτηγό διατυπώνεται διαφορετικά. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 15) "Απαγορεύεται η είσοδος σε πεζούς..": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Ο άνθρωπος διατυπώνεται διαφορετικά. -ΑΓΓΛΙΑ : Ο άνθρωπος διατυπώνεται διαφορετικά. -ΣΟΥΗΔΙΑ : Ο άνθρωπος διατυπώνεται διαφορετικά, στο κέντρο είναι κίτρινο και υπάρχει μια γραμμή απαγορευτική. -ΓΑΛΛΙΑ : Ο άνθρωπος διατυπώνεται διαφορετικά. 70

72 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 21) "Απαγορεύεται η είσοδος σε οχήματα συνολικού πλάτους που υπερβαίνει τα...": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Δεν υπάρχουν διαφορές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. -ΣΟΥΗΔΙΑ : Δεν υπάρχουν διαφορές εκτός από το φόντο του κύκλου που είναι κίτρινο. -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 22) "Απαγορεύεται η είσοδος σε οχήματα συνολικού ύψους που υπερβαίνει τα... ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. 71

73 -ΓΕΡΜΑΝΙΑ : Δεν υπάρχουν διαφορές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. -ΣΟΥΗΔΙΑ : Δεν υπάρχουν διαφορές εκτός από το φόντο του κύκλου που είναι κίτρινο. -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 23) "Απαγορεύεται η είσοδος σε οχήματα συνολικού βάρους που υπερβαίνει τους... ": Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Δεν υπάρχουν διαφορές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. -ΣΟΥΗΔΙΑ : Δεν υπάρχουν διαφορές εκτός από το φόντο του κύκλου που είναι κίτρινο. -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές. 72

74 ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ (Ρ - 27) "Απαγορεύεται η αριστερή στροφή. ":Παρακάτω βλέπουμε τις διαφορές με το ελληνικό σήμα. -ΓΕΡΜΑΝΙΑ : Δεν υπάρχουν διαφορές. -ΑΓΓΛΙΑ : Δεν υπάρχουν διαφορές. -ΣΟΥΗΔΙΑ : Δεν υπάρχουν διαφορές εκτός από το φόντο του κύκλου που είναι κίτρινο. -ΓΑΛΛΙΑ : Δεν υπάρχουν διαφορές. Παρατήρηση: Σύμφωνα με την παραπάνω καταγραφή παρατηρείται ότι τα σήματα άλλων χωρών θα ήταν δύσκολο να αναγνωριστούν στο υλοποιημένο σύστημα γιατί διαφέρουν αρκετά από τα ελληνικά. 73

75 Κεφάλαιο 3 o "Σύστημα Αναγνώρισης Σημάτων" 3.1 Ανάλυση συστήματος Στο κεφάλαιο αυτό θα αναλυθεί το υλοποιημένο σύστημα Αναγνώρισης Ελληνικών Σημάτων Κυκλοφορίας με την Χρήση Μεθόδων Τεχνητής Όρασης. Όπως ειπώθηκε και σε προηγούμενο κεφάλαιο η βάση των σημάτων που αναπτύχθηκε αποτελείται από 238 εικόνες οι οποίες αντλήθηκαν από τον δικτυακό τόπο [1]. (htt:// ο οποίος περιέχει τα σήματα που παρουσιάζονται στο πρώτο κεφάλαιο. Τα πρότυπα εικόνων ήταν σε μορφή JPEG τα οποία και διευκόλυναν καθώς φτιάχτηκε η εφαρμογή έτσι ώστε να λειτουργεί μόνο με αυτόν τον τύπο εικόνας. Οι εικόνες από το σύνδεσμο επεξεργάστηκαν με τη χρήση ειδικών προγραμμάτων (Photosho,ζωγραφική). Ήταν σε διαφορετικά μεγέθη η κάθε μία και έτσι μετατράπηκαν όλες σε μέγεθος 128x128 ixels για μεγαλύτερη ευκολία. Η μετατροπή αυτή έγινε χειροκίνητα με αυτά τα προγράμματα ώστε να μην αλλάξει το μέγεθος του αντικειμένου στην εικόνα και να αλλάξει μόνο το μέγεθος του φόντου (bacground). Έπειτα, αφού πλέον υπάρχει η βάση με τις εικόνες ίδιου τύπου και ίδιου μεγέθους, βγήκαν για την κάθε μία ξεχωριστά οι διαφορετικές οπτικές της. Για παράδειγμα για την εικόνα sto έγινε περιστροφή, μεγέθυνση και σμίκρυνση όπως φαίνεται παρακάτω: 74

76 Οι εικόνες αυτές είναι αρχικά περιστρεμμένες ανά 36 μοίρες μέχρι και τις 324 μοίρες. Έπειτα είναι μετατοπισμένες σ' όλες τις γωνίες της εικόνας (πάνω αριστερά, πάνω δεξιά, κάτω αριστερά, κάτω δεξιά). Έπειτα είναι σε μεγέθυνση και σμίκρυνση κατά 25% και 50% αντίστοιχα. Το σύνολο πλέον της κάθε εικόνας μαζί με τις διαφορετικές οπτικές της είναι 18 (ίδιο μέγεθος και διάσταση με τη χρήση προγραμμάτων Photosho, ζωγραφική). Αυτό έγινε για να δωθεί στην αρχική εικόνα, στη sto στη προκειμένη περίπτωση, διαφορετικές οπτικές ώστε αργότερα να ταξινομήθούν (χρησιμοποιώντας neural networ ή Κ-ΝΝ classiier όπως αναφέρεται σε επόμενο κεφάλαιο) και να οριστούν σε μία τάξη. Δηλαδή η εικόνα sto, που έχει σύνολο 18 οπτικές, ανήκει στη τάξη 1, ενώ μια άλλη εικόνα που έχει άλλες 18 οπτικές στη τάξη 2 κ.ο.κ. Έπειτα υπάρχει η τελική βάση η οποία έχει 238 εικόνες Χ 18 οπτικές η κάθε μία = 4284 εικόνες μετονομασμένες με νούμερα από 1000 έως και Αυτό έγινε γιατί 75

77 χρησιμοποιήθηκε η εντολή dir η οποία διαβάζει γενικά με συγκεκριμένη προτεραιότητα ώστε να φτιάχτούν αργότερα οι κλάσεις και οι ερμηνείες όλων των διαφορετικών προτύπων. 3.2 Στάδια Επεξεργασίας Εικόνας 1 ο Στάδιο Οι εικόνες αρχικά είναι έγχρωμες (τύπου RGB). Το πρότυπο χρώματος RGB είναι ένα προσθετικό πρότυπο στο οποίο τα χρώματα κόκκινο, πράσινο και μπλε (χρώματα που χρησιμοποιούνται συχνά σε προσθετικά χρωματικά πρότυπα) συνδυάζονται με διάφορους τρόπους για να αναπαραχθούν άλλα χρώματα. Το όνομα του προτύπου και η σύντμηση RGB προέρχονται από τα τρία βασικά χρώματα, το κόκκινο (Red), πράσινο(green), και το μπλε (Blue). Αυτά τα τρία χρώματα δεν πρέπει να συγχέονται με τα τρία ανακλαστικά χρώματα κόκκινο, μπλε, και κίτρινο, τα οποία αναφέρονται στον χώρο των τεχνών ως βασικά χρώματα. Ο χώρος RGB είναι πολύ ευαίσθητος σε αλλαγές του φωτισμού. Άρα υπάρχουν 3 διαφορετικά layers προς επεξεργασία για αυτό το λόγο διαβάζονται οι εικόνες και έπειτα μετατρέπονται σε κλίμακα του γκρι. Αυτό γίνεται επειδή η επεξεργασία ενός μόνο χρωματικού καναλιού είναι συμφέρουσα από πλευράς υπολογιστικής πολυπλοκότητας και ταχύτητας. Προσοχή η χρωματική πληροφορία θεωρείται εξέχουσας σημασίας στο πρόβλημα αναγνώρισης. Επίσης, θα ήταν εφικτό να βασιστεί ακόμα και στη φωτεινότητα των αντικειμένων ώστε να γίνει αναγνώριση. Σ' αυτή τη πτυχιακή μετατράπηκαν οι εικόνες σε ασπρόμαυρες για το λόγο που αναφέρθηκε παραπάνω καθώς για τη χρήση RGB εικόνων χρειάζεται μεγάλη επεξεργαστική ισχύ.το matlab μπορεί να χρησιμοποιήσει και τους πυρήνες της κάρτας γραφικών. Για 4284 εικόνες οι οποίες υπάρχουν προς επεξεργασία και ταξινόμηση με neural networ οι υπολογιστές που διατέθηκαν δεν έχουν την επαρκή RAM ώστε να το υλοποιήσουν και έχουν γίνει αναγκαστικά λιγότερες. Οι υπολογιστές μας έχουν 4 GB RAM DDR2 800MHz και 8 GB RAM DDR3 2000MHz. 76

78 Παράδειγμα μετατροπής: Αρχική εικόνα(rgb) Τελική εικόνα (ασπρόμαυρη) 2 ο Στάδιο Για να αποφευχθούν τυχόν λάθη που οφείλονται σε θόρυβο της εικόνας ή ανακριβή χρωματικό διαχωρισμό κάνουμε ένα γέμισμα της περιοχής των ασπρόμαυρων εικόνων μας καταλήγοντας σε μία δυαδική εικόνα. Παράδειγμα μετατροπής: Εικόνα(ασπρόμαυρη) Εικόνα(Binary) 77

79 3 ο Στάδιο Εξαγωγή χαρακτηριστικών Fourier Mellin: Σ αυτό το στάδιο υπάρχουν πλέον όλες οι εικόνες σε μορφή binary ασπρόμαυρες 128X128 ανάλυση όπως φαίνεται παραπάνω και τώρα χρησιμοποιείται ο μαθηματικός μετασχηματισμός Fourier Mellin για εξαγωγή χαρακτηριστικών των εικόνων. Τα χαρακτηριστικά της εικόνας δεν είναι τίποτα άλλο παρά νούμερα τα οποία αναπαριστούν τη εικόνα. Αυτά τα νούμερα προκύπτουν όταν εφαρμοστεί στην binary εικόνα μετασχηματισμός Fourier Mellin ο οποίος θα αναλυθεί σε επόμενο κεφάλαιο αναλυτικά. Γενικά ο μετασχηματισμός Fourier Mellin έχει την εξής ιδιότητα: τα νούμερα που εξάγει είναι σχεδόν ίδια σε μία εικόνα όταν σε αυτή γίνεται περιστροφή (rotation), μετακίνηση (translation), μεγέθυνση-σμίκρυνση(scaling). Αυτός ο μετασχηματισμός είναι πολύ βασικός για την επίλυση του προβλήματος καθώς αν δουλέψει σωστά έχει τη δυνατότητα τα νούμερα που θα βγάλει σε μία κουνημένη εικόνα, στραβή κ.ο.κ. να ναι σχεδόν ίδια με την αρχική εικόνα που είναι στη βάση(πίνακας 1). Παράδειγμα : Πίνακας 1 (Εξαγωγή χαρακτηριστικών με μετασχηματισμό Fourier Mellin) 78

80 Στον παραπάνω πίνακα παρουσιάζονται νούμερα εξαγωγής χαρακτηριστικών με Fourier Mellin για διαφορετικές οπτικές της εικόνας. Παρατηρείται πως τα νούμερα είναι πολύ κοντά το ένα στο άλλο πράγμα που σημαίνει πως ο μετασχηματισμός είναι ικανοποιητικός σε μεγάλο βαθμό. 4 ο Στάδιο Ταξινόμηση εικόνων με neural networ ή K-ΝΝ classiier: Σε αυτό το στάδιο πλέον υπάρχουν τα χαρακτηριστικά των εικόνων σε ένα πίνακα όπως φαίνεται παραπάνω στον πίνακα 1 όπου για 4 εικόνες υπάρχει ένας πίνακας διαστάσεων 16 Χ 4. Συνεπώς αφού όλες οι εικόνες είναι 4284 υπάρχει ένας πίνακας 16 Χ Σ' αυτό το στάδιο πρέπει να γίνει η ταξινόμηση των εικόνων. Πρέπει δηλαδή να ταξινομηθούν οι πρώτες 18 εικόνες που ανήκουν όλες σε μία κλάση (γι' αυτό και ονομάστηκαν αρχικά με τη σειρά που προαναφέρθηκαν), τις υπόλοιπες 18 στη δεύτερη τάξη κ.ο.κ. Για να επιτευχθεί αυτό χρησιμοποιήθηκε η τεχνική neural networ ή Κ-ΝΝ classiier. Θα εξηγηθούν σε επόμενο κεφάλαιο αναλυτικά αυτές τις τεχνικές. 5 ο Στάδιο Σ' αυτό το στάδιο εφόσον έχει ολοκληρωθεί και η ταξινόμηση μπορεί να προχωρήσει η αναγνώριση της εικόνας. Στην ουσία γίνεται εισαγωγή της εικόνας προς αναγνώριση και γίνεται η ίδια διαδικασία με αυτές που υπάρχουν στη βάση. Δηλαδή γίνεται resize με κώδικα, σε μέγεθος 128 Χ 128, ασπρόμαυρες, στη συνέχεια binary και τέλος γίνεται εξαγωγή χαρακτηριστικών Fourier Mellin. Έπειτα, με κατάλληλη εντολή η οποία παίρνει τα χαρακτηριστικά της εικόνας που θέλει ο χρήστης να αναγνωριστεί και μέσω του νευρωνικού δικτύου που δημιουργήθηκε, βρίσκει σε ποια κλάση αντιστοιχεί. Έχει δημιουργηθεί σε περιβάλλον matlab gui (grahical interace) γραφικού περιβάλλοντος εφαρμογή, όπου ο χρήστης μπορεί να εισάγει την εικόνα προς αναγνώριση και το σύστημα να του επιστρέψει την αρχική καθώς και την ερμηνεία της, π.χ. επικίνδυνη αριστερή στροφή. 79

81 Στιγμιότυπο εφαρμογής : Η αναγνώριση προτύπων αποτελεί βασικό βήμα για την μετάβαση από τις έξυπνες μηχανές στις νοήμονες. 80

82 Κεφάλαιο 4 o "Εξαγωγή Χαρακτηριστικών" 4.1 Περίληψη Στο κεφάλαιο αυτό θα γίνει περιγραφή της μεθόδου εξαγωγής χαρακτηριστικών που χρησιμοποιήθηκε. Με τον όρο αυτόν εννοούμε ότι μία εικόνα αναπαριστάται από ένα σύνολο αριθμών. Αυτά τα νούμερα προκύπτουν όταν εφαρμοστεί στην binary εικόνα τον μετασχηματισμό Fourier-Mellin. Σύμφωνα με την δημοσίευση [2] παρατηρείται ότι προτείνεται μια γενική προσέγγιση για να κατασκευαστεί ένα πλήρες σύνολο ορθογώνιων σταθερών μεταβλητών Fourier - Mellin (OFMM). Με την καθιέρωση μιας σχέσης OFMM μεταξύ της αρχικής εικόνας και εκείνων που έχουν την ίδια μορφή,με ευδιάκριτο προσανατολισμό και κλίμακα,παράγεται ένα πλήρες σύνολο σταθερών περιστροφής και κλίμακας.η αποδοτικότητα της μεθόδου και η ευρωστία στο θόρυβο για τους στόχους αναγνώρισης παρουσιάζεται με την σύγκρισή της με μερικές υπάρχουσες μεθόδους σε διάφορα σύνολα στοιχείων. 1. Εισαγωγή Ένα βασικό εργαλείο στην αναγνώριση σχεδίων είναι η περιγραφή της σταθεράς αντικειμένων στους γεωμετρικούς μετασχηματισμούς όπως η μετάφραση(translation), η κλίμακα(scaling) και η περιστροφή(rotation). Η απόδοση των συστημάτων αναγνώρισης προτύπων εξαρτάται από την συγκεκριμένη τεχνική εξαγωγής χαρακτηριστικών γνωρισμάτων που χρησιμοποιείται για να αντιπροσωπεύσει ένα πρότυπο. Μια δημοφιλής κατηγορία αμετάβλητων χαρακτηριστικών γνωρισμάτων βασίζεται στις τεχνικές ροπής συμπεριλαμβανομένης της γεωμετρικής ροπής, των σύνθετων ροπών και των ορθογώνιων ροπών [3-11]. Μεταξύ τους, ροπές με ορθογώνιες λειτουργίες βάσης μπορούν να αντιπροσωπεύσουν την εικόνα από ένα σύνολο αμοιβαία ανεξάρτητων περιγραφών και να έχουν έτσι ένα ελάχιστο ποσό πλεονασμού πληροφοριών. Όπως σημειώνεται από Ghorbel κλπ [12.13], οι σημαντικότερες ιδιότητες που αξιολογούν τους περιγραφείς(descritors) εικόνας είναι: (1)σταθερότητα ενάντια σε μερικούς γεωμετρικούς μετασχηματισμούς(μετάφραση(translation), η κλίμακα(scaling) και η περιστροφή(rotation)), (2) σταθερότητα στο θόρυβο, στη θολούρα, στις εύκαμπτες και μικρές τοπικές παραμορφώσεις και (3) πληρότητα. Στις προηγούμενες δεκαετίες, η κατασκευή των σταθερών ροπής και η αίτησή τους στην αναγνώριση σχεδίων έχουν ερευνηθεί εκτενώς [14-17]. Εφόσον οι ροπές Zernie, οι ροπές ψευδο-zernie και οι ορθογώνιες ροπές Fourier-Mellin (OFMMs) είναι όλες αμετάβλητες στην περιστροφή εικόνας, ήταν επιτυχώς χρησιμοποιημένες στους τομείς της ανάλυσης εικόνας και της αναγνώρισης προτύπων [18-26]. Μια 81

83 συγκριτική μελέτη των ροπών Zernie και του OFMMs από την άποψη της ακρίβειας αναγνώρισης έχει παρασχεθεί πρόσφατα από τους Kan και Srinath [27]. Αποδείχθηκε ότι το OFMMs είναι καλύτερο για τους στόχους αναγνώρισης χαρακτήρα. Το σημαντικότερο μειονέκτημα εντούτοις, κατά τη χρησιμοποίηση των ορθογώνιων ροπών, είναι η έλλειψη σταθερής κλίμακας. Για να λυθεί αυτό το πρόβλημα, η διαδικασία κανονικοποίησης [20] χρησιμοποιείται συχνά για να επιτευχτεί η σταθερότητα της κλίμακας. Μια τέτοια διαδικασία μπορεί να οδηγήσει στην ανακρίβεια, δεδομένου ότι η κανονικοποίηση των εικόνων απαιτεί λήψη δείγματος και επαναξιολόγηση. Προκειμένου να βελτιωθεί η ακρίβεια, ο Chong κλπ [28] πρόσφατα πρότεινε μια μέθοδο βασισμένη στις ιδιότητες του πολυωνύμου ψευδο-zernie για να παράγει τις σταθερές κλίμακας των ροπών ψευδο-zernie. Μια παρόμοια προσέγγιση χρησιμοποιήθηκε έπειτα για να κατασκευάσουν τις σταθερές μεταφράσεων(translation) και κλίμακας(scaling) των ροπών Legendre [29]. Το πρόβλημα των σταθερών κλίμακας και μεταφράσεων των ροπών Tchebiche έχει ερευνηθεί από τον Zhu κλπ [30]. Ορθογώνιες ροπές όπως οι ροπές Tchebiche παράγουν την καλύτερη απόδοση από τις συνεχείς ορθογώνιες ροπές, αλλά είναι δύσκολο να παραχθούν οι σταθερές περιστροφής. Οι μέθοδοι που αναπτύσσονται [28-30], δρουν καλύτερα από τις κλασσικές προσεγγίσεις, όπως η μέθοδος κανονικοποίησης εικόνας και η έμμεση μέθοδος. Εντούτοις, φαίνεται δύσκολο να ληφθεί η ιδιότητα πληρότητας με τις προαναφερθείσες μεθόδους δεδομένου ότι καμία ρητή διατύπωση δεν παράγεται για τις σταθερές ροπής. Ένα σύνολο αμετάβλητων περιγραφών λέγεται ότι είναι πλήρες εάν ικανοποιεί την ακόλουθη ιδιότητα: δύο αντικείμενα έχουν την ίδια μορφή εάν και μόνο εάν έχουν το ίδιο σύνολο σταθερών [31]. Διάφορες μελέτες έχουν πραγματοποιηθεί πλήρως. Ο Flusser πρότεινε ένα πλήρες σύνολο σταθερών περιστροφής με την ομαλοποίηση των σύνθετων ροπών [32.33]. Η κατασκευή ενός πλήρους συνόλου αμετάβλητων περιγραφών ομοιότητας (μετάφραση(translation), η κλίμακα(scaling) και η περιστροφή(rotation)) με τη βοήθεια κάποιου γραμμικού συνδυασμού σύνθετων ροπών εξετάσθηκε από τον Ghorbel κλπ [12]. Σε αυτό το έγγραφο, προτείνουμε μια νέα μέθοδο για να κατασκευάσουμε ένα πλήρες σύνολο σταθερών κλίμακας και περιστροφής που εξάγονται από OFMMs. Καθιερώνουμε αρχικά μια σχέση μεταξύ του OFMMs της αρχικής εικόνας και εκείνων της μετασχηματισμένης εικόνας. Έτσι με βάση αυτήν την σχέση, το πλήρες σύνολο κλίμακας και οι σταθερές περιστροφής μπορούν να ληφθούν. Η οργάνωση αυτού του εγγράφου είναι η ακόλουθη. Στην παράγραφο 2, αναθεωρούμε τον καθορισμό OFMMs και την προσέγγιση που προτείνεται από τον Ghorbel για την κατασκευή των σύνθετων σταθερών στιγμής. Η παράγραφος 3 παρουσιάζει τον τρόπο για να παραχθεί ένα πλήρες σύνολο σταθερών κλίμακας και περιστροφής OFMMs. Τα πειραματικά αποτελέσματα για την αξιολόγηση της απόδοσης των προτεινόμενων περιγραφών παρέχονται στην παράγραφο 4. 82

84 2. Ορθογώνιες ροπές Fourier-Mellin Εισάγουμε εν συντομία τον καθορισμό OFMMs και περιγράφουμε τη μέθοδο που αναφέρεται στην παρ. [10]. Το δισδιάστατο (2D) OFMM, Z q, της τάξης με την επανάληψη q μιας λειτουργίας έντασης εικόνας ( r, θ ) ορίζεται ως [9]. (1) Z q Q ( r) e 0 jq ( r, ) rdrd, όπου Q r είναι ένα σύνολο ακτινωτών πολυωνύμων που δίνονται από Q ( r) (2) 0 c, r με (3) c, ( 1) ( 1)!. ( )!!( 1)! Δεδομένου ότι OFMMs καθορίζεται από την άποψη των πολικών συντεταγμένων (r,θ) με r 1, ο υπολογισμός OFMMS απαιτεί έναν κατάλληλο μετασχηματισμό των συντεταγμένων εικόνας σε μια περιοχή μέσα σε έναν μοναδιαίο κύκλο. Εδώ χρησιμοποιούμε το μετασχηματισμό χαρτογράφησης που προτείνεται από τον Chong κλπ [28], ο οποίος παρουσιάζεται στην εικόνα 4.1. Με βάση αυτόν τον μετασχηματισμό, έχουμε την ακόλουθη προσέγγιση Eq. (1): Z q ( 1) ( 1) N 1 N 1 2 jqij Q ( r ) e ( i, j 2 ij i0 j0 ), (4) όπου ο ισότιμος μετασχηματισμός εικόνας στο εσωτερικό του μοναδιαίου κύκλου δίνεται από : r ij ( c i c ) ( c j c2 ) 2, 1 c1 j c2 ij tan ( ) (5) c j c

85 με c 1 2 N 1 c Ένα πλήρες σύνολο σταθερών που εξάγονται από τις σύνθετες ροπές Ο Ghorbel [12] πρότεινε ένα πλήρες σύνολο σταθερών κλίμακας και περιστροφής των σύνθετων ροπών που δόθηκαν από : J (, q) ( 2) e i( q) c (, q), (6) όπου arg( c (1,0)), c (0,0) και (, q) είναι η σύνθετη c ροπή μιας συνάρτησης (x,y) εικόνας που ορίζεται ως c (, q) r e q1 i( q) ( x iy) ( x iy) ( r, ) drd q ( x, y) dxdy (7) Μπορεί εύκολα να ελεγχθεί ότι το σύνολο σταθερών είναι πλήρες από : c (, q) ( q2) i( q) e J (, q). (8) Σημειώστε ότι στη [12], η σταθερότητα των μεταφράσεων(translation) επιτεύχθηκε με το μετασχηματισμό της αρχικής εικόνας στο γεωμετρικό κέντρο πριν από τον υπολογισμό των ροπών. 3. Μέθοδος Σε αυτό το τμήμα, μια γενική προσέγγιση περιγράφεται για να παράγει ένα πλήρες σύνολο σταθερών OFMM. Χρησιμοποιούμε εδώ την ίδια μέθοδο για να επιτύχουμε τη σταθερότητα μεταφράσεων(translation) όπως περιγράφεται στη [12]. Δηλαδή η αρχή του συστήματος συντεταγμένων μεταφέρεται στο κέντρο της μάζας του αντικειμένου για να επιτύχει τη σταθερότητα μεταφράσεων. Αυτό το κέντρο, (x c,y c ),μπορεί να υπολογιστεί από τις πρώτες γεωμετρικές ροπές του αντικειμένου ως εξής: 84

86 x c m m 10 00, y c m m 01 00, (9) όπου m q είναι οι γεωμετρικές ροπές (+q) και καθορίζονται από : m q x y q ( x, y) dxdy. (10) Ας πούμε ότι U ( r),..., Q ( r)) m( r) ( Q0( r), Q1 m T και 0 1 m T M m( r) ( r, r,..., r ) είναι δύο διανύσματα όπου το γραμμένο στο επάνω μέρος Τ δείχνει το ανάστροφο διάνυσμα, έχουμε: U m ( r) C M ( r), m m (11) όπου C ) (, j m c i, μαζί με 0 j i m, είναι ένας κάτω τριγωνικός πίνακας του οποίου c i,j δίνεται από το Eq. 3. ( m 1) ( m 1) διαστάσεων Αφού όλα τα διαγώνια στοιχεία είναι μοναδικός κατά συνέπεια όπου D ) με m ( d i, j ( m 1) ( m 1) C M m, Cl, l m 0 j i m, Εικόνα 4.1. ( r) ( C (2l 1)! l!( l 1)! ) 1 m διαστάσεων κάτω τριγωνικός πίνακας. U m δεν είναι μηδέν, ο πινακας C m δεν ( r) D U m m ( r), (12) είναι ο αντίστροφος πίνακας C m.επίσης είναι Ο υπολογισμός από τα στοιχεία του D m δίνεται στην ακόλουθη πρόταση. 85

87 Πρόταση 1. Για τον κάτω τριγωνικό πίνακα C m του οποίου τα στοιχεία C i,j δίνονται από τη Eq.3,τα στοιχεία του αντίστροφου πίνακα D m δίνονται από: (2 j 2) i!( i 1)! i, (13) ( i j)!( i j 2)! d j Η πρόταση 1 είναι αποδεδειγμένη. Έστω και g είναι δύο εικόνες με το ίδιο μοτίβο αλλά με ευδιάκριτο προσανατολισμό (β) και κλίμακα (λ),για παράδειγμα. Το OFMM της συνάρτησης έντασης της εικόνας g(r,θ) δίνεται ως : i. e., g( r, ) ( r /, ). 1 2 g a 0 2 jq 1 e Q ( r) e 0 0 jq Q ( r) e g( r, ) rdrd jq ( r, ) rdrd. (14) Αφήνοντας U )) m( r) ( Q0 ( r), Q1 ( r),..., Qm ( r φαίνεται στην Eq.11 όπου: U m Απ' την άλλη μεριά M m 1 m diag (1,,..., ) M ( r) C M ( r), 1 m ( r) diag (1,,..., )(1, r m m m ( r). 1,..., r m ) T T και 1 m T M m( r) (1,( r),...,( r) ) (15) (16) Αντικαθιστώντας την σχέση 16 και 12 στην σχέση Eq.15 έχουμε : U m 1 m ( r) C diag (1,,..., ) D U ( r). (17) m m m Με την επέκταση της 17,έχουμε : Q l r Q ( r) c, ldl,. 0 (18) l Με την βοήθεια των 18 και 14 μπορούμε να ξαναγράψουμε: 86

88 ), ( ) ( ), ( ) ) ( ( 1 ), ( ) ( 1,, ,, 2 0,, q l l l l jq jq l l l l jq jq l l l l jq jq jq g q Z d c e rdrd r e r Q d c e rdrd r e d c r Q e rdrd r e r Q e Z (19) Η παραπάνω εξίσωση δείχνει ότι σε 2D κλίμακας και περιστρεμμένες OFMMs Z g q, μπορεί να εκφραστεί ως γραμμικός συνδυασμός των αρχικών OFMMs Z j q με 0. Με βάση αυτήν την σχέση, μπορούμε να κατασκευάσουμε ένα πλήρες σύνολο και σταθερών περιστροφής και κλίμακας I q η οποία περιγράφεται στην παρακάτω θεωρία : Θεώρημα 1. Για έναν δεδομένο ακέραιο αριθμό q και οποιοδήποτε θετικό ακέραιο αριθμό, έχουμε :, 1 1,, 2) ( 0 q l l l l jq q Z d c e I (20) με θ = arg(z 11) και Γ = 00. Τότε I q είναι αναλλοίωτο τόσο για την περιστροφή της εικόνας όσο και για την μεγέθυνση. Η απόδειξη του θεωρήματος 1 Eq. (20),μπορεί να εκφράζεται σε μορφή πίνακα :

89 ,..., 2 1 1,,...,, 1) (1,2,..., 1 0 2) ( q q q jq q q q Z Z Z diag D diag C diag e I I I (21) Είναι εύκολο να ελεγχθεί ότι το σύνολο σταθερών είναι πλήρες ξαναγράφοντας τη Eq. (21) όπως:. ) 1 1,..., 2 1 (1,,...,, 1) (1,2,..., 1 0 2) ( q q q jq q q q I I I diag D diag C diag e Z Z Z (22) Έτσι έχουμε :, 1 1,, 2) ( 0 q l l l l jq q I d c e Z (23) Η παραπάνω εξίσωση μας δείχνει ότι το σύνολο των σταθερών είναι ολοκληρωμένο. Παράρτημα Α Απόδειξη της πρότασης 1. Για να αποδειχθεί η πρόταση, πρέπει να καταδειχθεί η ακόλουθη σχέση:

90 89.,, 1, l l s s s d c (A1) Για =l, προκύπτει 1. 2)! (2 1)!!( 2) (2 1)!!( 1)! (2,, d c (A2) Για l<, προκύπτει l s l s s l s s s s l F l l s l s s l s d c ),,, ( 2) (2 1) ( 2)! )!( )!( ( 2) )!(2 1 ( 1) (, 1, (A3) όπου. 2)! )!( )!( ( )! 1 ( 1) ( ),, ( l s l s s s s l F s (A4) Έστω, 2) )( ( ) )( 1 ( 1)! )!( )!( 1 ( )! 1 ( 1) ( ),, ( 1 l l l s s l s l s s s s l G s (A5) μπορεί να ελεγχθεί εύκολα ότι : ).,, ( 1),, ( ),, ( s l G s l G s l F (A6) Κατά συνέπεια 0, ),, ( 1),, ( ),, ( 1),, ( ),, ( l l G l G s l G s l G s l F l s l s (A7) αντικαθιστώντας από την εξίσωση Α3 0,, l s l s s d c για l<. (A8)

91 Ας σημειωθεί ότι η απόδειξη της πρότασης 1 εμπνεύστηκε από μια τεχνική που προτάθηκε από Petovse κλπ [35]. Απόδειξη του θεωρήματος 1. Eq. (20) μπορεί να ξαναγραφεί με μορφή πινάκων όπως : g I 0q g I1q e g I q C D jq diag Z diag(1,2,..., 1) g 2 / 2 00, Z g 3/ 2 00,..., Z g Z0q g 1 1 Z1q diag1,,..., 2 1 g Z q g ( 2) / 2 00 (A9) Χρησιμοποίηση της ίδιας αντιπροσώπευσης, Eq. (19) μπορεί να εκφραστεί ως g Z0q g Z1q e g Z q D jq 2 3 diag( 1,2,..., 1) C diag(,,..., Z0 1 1 Z1 diag1,,..., 2 1 Z q q q 2 ) Ειδικότερα προκύπτει : Z g 00 g 2 00, arg. Z g 1,1 (Α10) Αντικαθιστώντας την Α9 και Α10 στην Α8 προκύπτει : 90

92 91 q q q jq jq jq g q g q g q jq jq g m q q g q q g q q Z Z Z diag D diag C diag e diag D diag Z Z Z diag C diag e e Z Z Z diag D diag Z Z Z diag C diag e e I I I 1 0 2) ( 3 2 2) ( 3 2 2) / 2 ( 00 3/ / ) ( 3 2 2) / 2 ( 00 3/ / 2 00, 2 2,, 1 1,..., 2 1 1,,...,, 1) (1,2,..., 1 1,..., 2 1 1,,...,,,...,, 1) (1,2,..., 1 1,..., 2 1 1,,...,,,...,, 1) (1,2,..., (A11) Έκτοτε, ) ( 3 2 ),...,, ( ),...,, (,, 1) (1,2,..., 1 1,..., 2 1 1, I diag diag I C D I diag diag (A12) Έτσι προκύπτει

93 92 q q q q q q jq g q g q g q I I I Z Z Z diag D Z Z Z diag C diag e I I I ) / ( / / ,..., 2 1 1,,...,, 1) (1,2,..., (A13) Και τέλος προκύπτει. q g q I I (A14)

94 Κεφάλαιο 5 ο "Μέθοδοι Ταξινόμησης" Στο κεφάλαιο αυτό θα γίνει περιγραφή αναλυτικά των μεθόδων ταξινόμησης που χρησιμοποιήθηκαν, τα Τεχνητά Νευρωνικά Δίκτυα (Artiicial Neural Networs) και τον -NN ταξινομητή. 5.1 Νευρωνικά Δίκτυα Σύμφωνα με τις δημοσιεύσεις [36-38] μία βασική ικανότητα του ανθρώπου να σκέφτεται,να θυμάται, να επιλύει προβλήματα εντοπίζεται στον εγκέφαλό του. Κύρια μονάδα δόμησης του εγκεφάλου είναι ένα κύτταρο που ονομάζεται νευρώνας. Ο ανθρώπινος εγκέφαλος αποτελείται από νευρώνες. Κάθε νευρώνας συνδέεται με πολλούς άλλους νευρώνες με συνδέσεις που ονομάζονται συνάψεις. Ένας νευρώνας έχει 10 4 συνάψεις. Οι νευρώνες είναι τα δομικά στοιχεία του δικτύου. Κάθε τέτοιος κόμβος δέχεται ένα σύνολο αριθμητικών εισόδων από διαφορετικές πηγές (είτε από άλλους νευρώνες, είτε από το περιβάλλον), επιτελεί έναν υπολογισμό με βάση αυτές τις εισόδους και παράγει μία έξοδο. Η εν λόγω έξοδος είτε κατευθύνεται στο περιβάλλον, είτε τροφοδοτείται ως είσοδος σε άλλους νευρώνες του δικτύου. Υπάρχουν τρεις τύποι νευρώνων: οι νευρώνες εισόδου, οι νευρώνες εξόδου και οι υπολογιστικοί νευρώνες ή κρυμμένοι νευρώνες. Οι νευρώνες εισόδου δεν επιτελούν κανέναν υπολογισμό, μεσολαβούν απλώς ανάμεσα στις περιβαλλοντικές εισόδους του δικτύου και στους υπολογιστικούς νευρώνες. Οι νευρώνες εξόδου διοχετεύουν στο περιβάλλον τις τελικές αριθμητικές εξόδους του δικτύου. Οι υπολογιστικοί νευρώνες πολλαπλασιάζουν κάθε είσοδό τους με το αντίστοιχο συναπτικό βάρος και υπολογίζουν το ολικό άθροισμα των γινομένων. Το άθροισμα αυτό τροφοδοτείται ως όρισμα στη συνάρτηση ενεργοποίησης, την οποία υλοποιεί εσωτερικά κάθε κόμβος. Η τιμή που λαμβάνει η συνάρτηση για το εν λόγω όρισμα είναι και η έξοδος του νευρώνα για τις τρέχουσες εισόδους και βάρη. Εάν είναι η -οστή είσοδος του νευρώνα, : το -οστό συναπτικό βάρος του νευρώνα και η συνάρτηση ενεργοποίησης του νευρωνικού δικτύου, τότε η έξοδος του νευρώνα δίνεται από την εξίσωση: Στον -οστό νευρώνα υπάρχει ένα συναπτικό βάρος με ιδιαίτερη σημασία, το οποίο καλείται πόλωση ή κατώφλι (bias, threshold). Η τιμή της εισόδου του είναι 93

95 πάντα η μονάδα,. Εάν το συνολικό άθροισμα από τις υπόλοιπες εισόδους του νευρώνα είναι μεγαλύτερο από την τιμή αυτή, τότε ο νευρώνας ενεργοποιείται. Εάν είναι μικρότερο, τότε ο νευρώνας παραμένει ανενεργός. Η ιδέα προέκυψε από τα βιολογικά νευρικά κύτταρα. Όπως είναι φανερό, οι αριθμοί οι οποίοι συναποτελούν το διάνυσμα εισόδου (κάθε στοιχείο του διανύσματος τροφοδοτείται κατά τη λειτουργία του δικτύου σε έναν νευρώνα εισόδου), αλλά και οι αριθμοί οι οποίοι συναποτελούν το διάνυσμα εξόδου (κάθε στοιχείο του οποίου εμφανίζεται, μετά το πέρας του ολικού υπολογισμού, σε έναν νευρώνα εξόδου), περιγράφουν χαρακτηριστικά του προς επίλυση προβλήματος. Συνήθως αυτό που μας ενδιαφέρει είναι το δίκτυο να απεικονίζει με ορθό τρόπο διανύσματα εισόδου σε κατάλληλα διανύσματα εξόδου, το πρόβλημα δηλαδή είναι η υλοποίηση μίας συνάρτησης πολλαπλών μεταβλητών, κατά κανόνα περίπλοκης και με άγνωστο ακριβή τύπο. Τέτοιες απεικονίσεις έχουν εφαρμογή σε ποικιλία τομέων της επιστήμης και της τεχνολογίας, αφού λειτουργούν ως αριθμητικά μοντέλα για πολλά διαφορετικά ζητήματα. Το ίδιο δίκτυο μπορεί να υλοποιήσει άπειρες διαφορετικές απεικονίσεις, μία για κάθε διαφορετική επιλογή συνόλου συναπτικών βαρών. Το κύριο χαρακτηριστικό των νευρωνικών δικτύων είναι η εγγενής ικανότητα μάθησης. Ως μάθηση μπορεί να οριστεί η σταδιακή βελτίωση της ικανότητας του δικτύου να επιλύει κάποιο πρόβλημα (π.χ. η σταδιακή προσέγγιση μίας συνάρτησης). Η μάθηση επιτυγχάνεται μέσω της εκπαίδευσης, μίας επαναληπτικής διαδικασίας σταδιακής προσαρμογής των παραμέτρων του δικτύου (συνήθως των βαρών και της πόλωσής του) σε τιμές κατάλληλες ώστε να επιλύεται με επαρκή επιτυχία το προς εξέταση πρόβλημα. Αφού ένα δίκτυο εκπαιδευτεί, οι παράμετροί του συνήθως «παγώνουν» στις κατάλληλες τιμές και από εκεί κι έπειτα είναι σε λειτουργική κατάσταση. Το ζητούμενο είναι το λειτουργικό δίκτυο να χαρακτηρίζεται από μία ικανότητα γενίκευσης: αυτό σημαίνει πως δίνει ορθές εξόδους για εισόδους καινοφανείς και διαφορετικές από αυτές με τις οποίες εκπαιδεύτηκε Ιδιότητες νευρωνικών δικτύων : Τα τελευταία χρόνια έχει υπάρξει μία έκρηξη ενδιαφέροντος για τα νευρωνικά δίκτυα καθώς εφαρμόζονται με μεγάλη επιτυχία σε ένα ασυνήθιστα μεγάλο φάσμα τομέων της επιστήμης και της τεχνολογίας, όπως τα χρηματοοικονομικά, η ιατρική, η επιστήμη μηχανικού, η γεωλογία, η φυσική, η ρομποτική, η επεξεργασία σήματος κτλ. Στην πραγματικότητα, τα νευρωνικά δίκτυα εισάγονται οπουδήποτε τίθεται θέμα πρόβλεψης, ταξινόμησης ή ελέγχου. Η σαρωτική αυτή επιτυχία, μπορεί να αποδοθεί σε δύο βασικά στοιχεία: την ισχύ και την ευχρηστία. Ισχύς: Τα νευρωνικά δίκτυα είναι πολύ εξελιγμένες τεχνικές μη γραμμικής μοντελοποίησης, ικανές να μοντελοποιήσουν εξαιρετικά πολύπλοκες λειτουργίες. Η γραμμική μοντελοποίηση υπήρξε ευρέως διαδεδομένη για πολύ καιρό, δεδομένου ότι στα γραμμικά μοντέλα εφαρμόζονται πολύ γνωστές στρατηγικές βελτιστοποίησης. Στις συνήθεις, όμως, περιπτώσεις όπου η γραμμική προσέγγιση δεν ήταν έγκυρη, τα μοντέλα αυτά αποτύγχαναν αναλόγως. Τα νευρωνικά δίκτυα βέβαια, αν και επιτρέπουν τη μη γραμμικότητα μέσω χρήσης μη γραμμικών συναρτήσεων ενεργοποίησης, μεταθέτουν με τη σειρά τους το πρόβλημα στο ζήτημα της διάστασης (του πλήθους των διαφορετικών εισόδων και εξόδων), το οποίο αποτελεί αγκάθι στις προσπάθειες μοντελοποίησης μη γραμμικών συναρτήσεων με μεγάλο αριθμό μεταβλητών. 94

96 Ευχρηστία: Τα νευρωνικά δίκτυα εκπαιδεύονται με παραδείγματα. Ο χρήστης συγκεντρώνει αντιπροσωπευτικά δεδομένα και στη συνέχεια, καθώς τα τροφοδοτεί συστηματικά στο δίκτυο μέσω των κατάλληλων αλγορίθμων εκπαίδευσης, το δίκτυο «αντιλαμβάνεται» αυτομάτως τη δομή των δεδομένων και η «γνώση» αυτή εκφράζεται ως κατάλληλες επιλογές συναπτικών βαρών. Επομένως το τελικό αποτέλεσμα της εκπαίδευσης με ένα συγκεκριμένο σύνολο παραδειγμάτων είναι ο προσδιορισμός των κατάλληλων βαρών του δικτύου. Ο χρήστης χρειάζεται να έχει κάποιες ουσιώδεις γνώσεις σχετικά με τον τρόπο επιλογής και προετοιμασίας των δεδομένων, τον τρόπο εκλογής του κατάλληλου νευρωνικού δικτύου και στο πως θα ερμηνευτούν τα αποτελέσματα. Παρά ταύτα, το επίπεδο των γνώσεων του χρήστη που απαιτούνται για μια επιτυχημένη εφαρμογή των νευρωνικών δικτύων, είναι πολύ χαμηλότερο συγκριτικά με κάποια περίπτωση που θα χρησιμοποιούνταν ορισμένες πιο παραδοσιακές, μη γραμμικές στατιστικές μέθοδοι Εφαρμογές: Τα νευρωνικά δίκτυα είναι εφαρμόσιμα σχεδόν σε κάθε κατάσταση στην οποία ισχύει μια σχέση μεταξύ μεταβλητών πρόβλεψης (ανεξάρτητες, εισροές) και προβλεπόμενες μεταβλητές (εξαρτημένες, εκροές), ακόμα και όταν αυτή η σχέση είναι πολύ περίπλοκη για να αποδοθεί με τους συνηθισμένους όρους της «συσχέτισης» ή των «διαφόρων ομάδων». Ενδεικτικά αντιπροσωπευτικά παραδείγματα προβλημάτων στα οποία η ανάλυση των νευρωνικών δικτύων έχει εφαρμοστεί με επιτυχία είναι τα εξής: Ιατρική διάγνωση: Ένα ευρύ φάσμα ιατρικά συσχετιζόμενων ενδείξεων, όπως ο συνδυασμός της καρδιακής συχνότητας, τα επίπεδα των διαφόρων ουσιών στο αίμα, ο ρυθμός της αναπνοής μπορούν να παρακολουθηθούν. Η εκδήλωση μιας συγκεκριμένης ιατρικής κατάστασης, γίνεται να συσχετιστεί με ένα πολύπλοκο συνδυασμό μεταβολών σε ένα υποσύνολο μεταβλητών που παρακολουθούνται. Τα νευρωνικά δίκτυα έχουν χρησιμοποιηθεί για την αναγνώριση αυτού του προτύπου πρόβλεψης, ώστε να χορηγηθεί η κατάλληλη θεραπεία. Χρηματιστηριακές προβλέψεις: Οι διακυμάνσεις των τιμών των μετοχών και των χρηματιστηριακών δεικτών είναι ακόμα ένα παράδειγμα ενός πολύπλοκου, πολυδιάστατου, αλλά και σε ορισμένες περιπτώσεις εν μέρει ντετερμενιστικού φαινομένου. Τα νευρωνικά δίκτυα χρησιμοποιούνται από πολλούς τεχνικούς αναλυτές, ώστε να κάνουν προβλέψεις σχετικά με τις τιμές των μετοχών, βασιζόμενοι σε ένα μεγάλο αριθμό παραγόντων, όπως δηλαδή, τις προηγούμενες επιδόσεις άλλων αποθεμάτων και διαφόρων οικονομικών δεικτών. Πιστωτική ανάθεση: Μια ποικιλία από κομμάτια πληροφοριών, τα οποία είναι συνήθως γνωστά για ένα απαιτούμενο δάνειο. Για παράδειγμα, η ηλικία του αιτούντος, η εκπαίδευση, το επάγγελμα και πολλά άλλα στοιχεία που μπορεί να είναι διαθέσιμα. Μετά την εκπαίδευση ενός νευρωνικού δικτύου σε ιστορικά δεδομένα η ανάλυση μπορεί να εκτοπίσει τα πιο κατάλληλα και σχετικά χαρακτηριστικά και να τα χρησιμοποιήσει για την ταξινόμηση των αιτούντων ως χαμηλού ή υψηλού κινδύνου. Παρακολούθηση της κατάστασης των μηχανημάτων: Τα νευρωνικά δίκτυα μπορούν να συμβάλλουν στη μείωση του κόστους με την εξασφάλιση της 95

97 πρόσθετης εμπειρογνωμοσύνης για τον προγραμματισμό προληπτικής συντήρησης των μηχανημάτων. Ένα νευρωνικό δίκτυο, λοιπόν, μπορεί να εκπαιδευτεί με τέτοιο τρόπο, ώστε να διακρίνει από τους ήχους τους οποίους παράγει μια μηχανή είτε αν εκτελεί κανονικά τις λειτουργίες της, είτε βρίσκεται στα πρόθυρα εμφάνισης οποιασδήποτε δυσλειτουργίας. Μετά από αυτήν την περίοδο εκπαιδευτικής κατάρτισης, η εμπειρία του ίδιου δικτύου είναι δυνατό να χρησιμοποιηθεί με σκοπό την προειδοποίηση ενός τεχνικού για κάποια επικείμενη βλάβη προτού συμβεί και ενδεχομένως προκαλέσει πολυδάπανες και απρόβλεπτες χρονικές καθυστερήσεις. Συστήματα διαχείρισης κινητήρα: Τα νευρωνικά δίκτυα έχουν χρησιμοποιηθεί για την ανάλυση των εισροών που δέχονται οι αισθητήρες ενός κινητήρα. Το νευρωνικό δίκτυο ελέγχει μια ποικιλία παραμέτρων με τις οποίες λειτουργεί ο κινητήρας, προκειμένου να επιτευχθεί ένας συγκεκριμένος στόχος. Για παράδειγμα, το δίκτυο αυτό επιχειρεί την ελαχιστοποίηση της κατανάλωσης των καυσίμων Εκπαίδευση Νευρωνικών Δικτύων Μια από τις πιο βασικές ιδιότητες των Νευρωνικών Δικτύων είναι η ικανότητά τους για εκπαίδευση. Η εκπαίδευση αυτή επιτυγχάνεται μέσω της ανταλλαγής τιμών και βαρών, που αποσκοπεί στη βαθμιαία σύλληψη της πληροφορίας η οποία στη συνέχεια θα είναι διαθέσιμη προς ανάκτηση. Υπάρχουν, βέβαια, πολλοί αλγόριθμοι που η εφαρμογή τους έχει στόχο την προσαρμογή των τιμών των βαρών ενός Τεχνητού Νευρωνικού Δικτύου. Όλες οι μέθοδοι μάθησης μπορούν να καταταχτούν σε δύο κατηγορίες : τη μάθηση με επίβλεψη (suervised learning) και τη μάθηση χωρίς επίβλεψη (unsuervised learning). Μάθηση με επίβλεψη: Η μάθηση αυτή είναι μια διαδικασία η οποία συνδυάζει έναν εξωτερικό εκπαιδευτή και τη συνολική ή γενικευμένη πληροφορία. Κάποιες από τις μεθόδους οι οποίες συγκαταλέγονται σε αυτή την κατηγορία είναι η μάθηση με διόρθωση σφάλματος, η στοχαστική μάθηση. Παραδείγματα τα οποία αντιπροσωπεύουν την μάθηση με επίβλεψη συμπεριλαμβάνουν αποφάσεις για το πότε θα πρέπει να σταματήσει η διαδικασία εκπαίδευσης, αποφάσεις αναφορικά με τη συχνότητα παρουσίασης στο δίκτυο τα πρότυπα εκπαίδευσης και η παρουσίαση προόδου του δικτύου. Η μάθηση με επίβλεψη χωρίζεται σε δύο ακόμα κατηγορίες: στη δομική (structural) και στην προσωρινή (temoral) εκμάθηση. Οι αλγόριθμοι οι οποίοι βρίσκονται στην πρώτη κατηγορία, χρησιμοποιούνται για την εύρεση της βέλτιστης σχέσης μεταξύ εισόδων και εξόδων για κάθε ξεχωριστό ζευγάρι προτύπων. Παραδείγματα της δομικής εκμάθησης αποτελούν η αναγνώριση και η κατηγοριοποίηση προτύπων, ενώ παραδείγματα της προσωρινής εκμάθησης η πρόβλεψη και ο έλεγχος. Μάθηση χωρίς επίβλεψη: Οι αλγόριθμοι της εν λόγω μάθησης αναφέρονται ως αυτόοργανώμενοι (sel-organized) και είναι διαδικασίες οι οποίες δεν απαιτούν να είναι παρών ένας «εξωτερικός» δάσκαλος ή επιβλέπων. Βασίζονται, μάλιστα, μόνο σε τοπική πληροφορία καθ όλη τη διάρκεια της εκπαίδευσης του Τεχνητού Νευρωνικού Δικτύου. Οι συγκεκριμένοι αλγόριθμοι οργανώνουν τα δεδομένα και ανακαλύπτουν τις σημαντικές συλλογικές ιδιότητες. Για παράδειγμα, αλγόριθμοι εκπαίδευσης χωρίς επίβλεψη είναι ο αλγόριθμος Hebbian, ο διαφορικός αλγόριθμος Hebbian και ο Min- Max αλγόριθμος. 96

98 Κατά κύριο λόγο οι περισσότερες διαδικασίες εκπαίδευσης είναι o line. Όταν χρησιμοποιείται όλο το δείγμα προτύπων για την τροποποίηση των τιμών των βαρών, πριν την τελική χρήση του δικτύου ως εφαρμογή, τότε ονομάζεται o line εκπαίδευση. Οι αλγόριθμοι εκπαίδευσης o line έχουν την απαίτηση να βρίσκονται στην εκπαίδευση του δικτύου παρόντα όλα τα πρότυπα. Το γεγονός αυτό αποκλείει την πιθανότητα εισαγωγής νέων πληροφοριών μέσω νέων προτύπων. Βέβαια, υπάρχουν και Τεχνητά Νευρωνικά Δίκτυα τα οποία δεν αποκλείουν την εισαγωγή νέας πληροφορίας, μετά την τελική τους μοντελοποίηση. Αν παρουσιαστεί ανάγκη εισαγωγής νέου προτύπου στο δίκτυο, μπορεί να γίνει απευθείας χωρίς τον κίνδυνο να χαθεί κανένα μέρος της αρχικής πληροφορίας. Το πλεονέκτημα των δικτύων που χρησιμοποιούν o line διαδικασίες εκπαίδευσης επικεντρώνεται κυρίως στη δυνατότητα να δίνουν καλύτερες λύσεις σε δύσκολα προβλήματα. 5.2 Ταξινομητής Κ κοντινότερων γειτόνων(k nearest neighbors-knn) Ο αλγόριθμος Κ-ΝΝ είναι ένας από τους καλύτερους και πιο χρησιμοποιήσιμους αλγορίθμους ταξινόμησης που χρησιμοποιείται ευρέως σε διαφορετικές εφαρμογές. Ένα από τα προβλήματα αυτού του αλγορίθμου είναι η ίση επίδραση όλων των χαρακτηριστικών στον υπολογισμό της απόστασης μεταξύ των νέων δεδομένων και των διαθέσιμων παραδειγμάτων εκπαίδευσης, ωστόσο, μπορεί μερικά από αυτά τα χαρακτηριστικά να είναι λιγότερο σημαντικά στην ταξινόμηση και μερικά από αυτά σημαντικότερα. Αυτό οδηγεί στην παραπλάνηση της διαδικασίας ταξινόμησης και τη μείωση της ακρίβειας του αλγορίθμου ταξινόμησης. Μια σημαντική προσέγγιση για να αντιμετωπίσει αυτό το πρόβλημα είναι να χρησιμοποιήσουμε διαφορετικά βάρη στα χαρακτηριστικά κατά τον υπολογισμό της απόστασης μεταξύ δύο παραδειγμάτων. Ο αλγόρυθμος ΚΝΝ προτάθηκε αρχικά από τους Cover και Hart[39], και σήμερα είναι ο πιο χρησιμοποιήσιμος αλγόριθμος ταξινόμησης.είναι ένας οκνηρός (lazy) αλγόριθμος, έτσι έχει την λιγότερη δυνατότητα χρησιμοποίησης όταν το σύνολο δεδομένων εκπαίδευσης είναι μεγάλο[40]. Η λειτουργία του αλγορίθμου αυτού είναι βασισμένη στη σύγκριση ενός καινούριου δεδομένου με τα δείγματα εκπαίδευσης και στην εύρεση των παραδειγμάτων εκπαίδευσης που είναι παρόμοια μ' αυτό. Κάθε παράδειγμα με n χαρακτηριστικά αντιπροσωπεύει ένα σημείο σε ένα n-διάστατο χώρο. Επομένως, όλα τα δείγματα εκπαίδευσης αποθηκεύονται σ ένα n-διάστατο χώρο. Όταν δίνεται ένα νέο παράδειγμα, ο αλγόριθμος ΚΝΝ ψάχνει τον χώρο αυτό για τα Κ δείγματα εκπαίδευσης που είναι κοντινότερα στο νέο παράδειγμα (ως γείτονες του νέου παραδείγματος) και προβλέπει έπειτα την κατηγορία του νέου παραδείγματος με χρήση της κατηγορίας αυτών των γειτόνων. Γενικά δύο τύποι συναρτήσεων συνδυασμού υπάρχουν : αζύγιστη ψηφοφορία (unweighted voting) και σταθμισμένη ψηφοφορία (weighted voting ). Στην πρώτη περίπτωση,η κατηγορία που έχει την πλειοψηφία μεταξύ των γειτόνων του νέου παραδείγματος επιλέγεται ως κατηγορία του νέου παραδείγματος χωρίς εξέταση της προτίμησης κάθε γείτονα (εικόνα 5.1). Στο παράδειγμα της εικόνας χρησιμοποιούνται τα τρία πιο κοντινά δείγματα για ταξινόμηση. Αρχικά βρίσκουμε τα τρία πιο κοντινά 97

99 δείγματα από το νέο πρότυπο. Το νέο παράδειγμα είναι πιο κοντά στο παράδειγμα 1, μετά πιο κοντά στο παράδειγμα 2 και τέλος στο παράδειγμα 3. Διακρίνουμε ότι το νέο παράδειγμα βρίσκεται πιο κοντά σε δύο δείγματα της κατηγορίας 1 και σε ένα της κατηγορίας 2. Άρα το νέο παράδειγμα ταξινομείται στην κατηγορία 1. Εικόνα 5.1:Παράδειγμα ΚΝΝ ταξινομητή με ψηφοφορία χωρίς βάρη Στη δεύτερη περίπτωση περισσότερο βάρος δίνεται σε μερικούς γείτονες, δηλαδή σε αυτούς που είναι πιο κοντά στο νέο παράδειγμα, ή με άλλα λόγια σε αυτό με το οποίο μοιάζει περισσότερο(εικόνα 5.2 ). Στην περίπτωση αυτή το νέο παράδειγμα ταξινομείται στην κατηγορία 2 γιατί σχεδόν ταυτίζεται με το πρότυπο 1. Εικόνα 5.2 :Παράδειγμα ΚΝΝ ταξινομητή με ψηφοφορία με βάρη 98

100 Ένας τρόπος για να ορίσουμε βάρη στους γείτονες είναι ο ακόλουθος: Όπου distance (γείτονα, νέο παράδειγμα) είναι η απόσταση μεταξύ του νέου παραδείγματος και ενός από τους γείτονες. Τέλος πρέπει να αναφέρουμε ότι υπάρχουν πολλών ειδών συναρτήσεων απόστασης όπως: η ευκλείδεια απόσταση,η οποία ορίζεται ως: η γενικευμένη ευκλείδια απόσταση ή Minowsi και αποτελεί γενίκευση της ευκλείδειας απόστασης και ορίζεται ως : η σταθμισμένη ευκλείδεια απόσταση. Η συνάρτηση αυτή είναι παραλλαγή της ευκλείδειας απόστασης στην οποία εισέρχονται και πολλαπλασιαστικοί όροι οι οποίοι είναι σταθερές ή αποτελούν χαρακτηριστικό γνώρισμα κάθε μιας κατηγορίας. Η συνάρτηση αυτή ορίζεται ως : Υπάρχουν και άλλες συναρτήσεις και τις αναφέρουμε γιατί η επιλογή τους επηρεάζουν σημαντικά την αξιοπιστία του ταξινομητή χωρίς να υπάρχει ένας γενικός κανόνας που να μας υποδηλώνει ποια συνάρτηση είναι καλύτερη σε κάθε ξεχωριστό πρόβλημα. 99

101 Κεφάλαιο 6 ο "Πειραματικά Αποτελέσματα" 6.1 Περίληψη Σ' αυτό το κεφάλαιο θα πραγματοποιηθούν ορισμένα πειράματα προκειμένου να εξαχθούν κάποια συμπεράσματα για την απόδοση του συστήματος που αναπτύχθηκε. Για την υλοποίηση των πειραμάτων δημιουργήθηκαν ορισμένες βάσεις με εικόνες στις οποίες εφαρμόστηκαν αλγόριθμοι ταξινόμησης και εξαγωγής χαρακτηριστικών που αναφέρθηκαν παραπάνω. Χρησιμοποιήθηκαν οι ίδιες εικόνες για τα αντίστοιχα πειράματα με νευρωνικό δίκτυο και με KNN ταξινόμηση με στόχο να εξαχθούν καλύτερα συμπεράσματα. 6.2 Πείραμα 1 o Στο 1 ο πείραμα δοκιμάστηκαν 13 εικόνες οι οποίες δεν έχουν μεγάλες ομοιότητες μεταξύ τους. Όπως έχει αναφερθεί σε προηγούμενο κεφάλαιο για τη κάθε μία εικόνα εξήχθησαν 18 διαφορετικές οπτικές(1 εικόνα η αρχική, 9 περιστρεφόμενες ανά 36 μοίρες, 4 όπου το αντικείμενο της εικόνας είναι τοποθετημένο στις γωνίες της, 2 μεγεθυμένες κατά 25%, 50% αντίστοιχα, 2 σμικρύνσεις -25%,-50% αντίστοιχα)με στόχο τη καλύτερη εκπαίδευση του συστήματος. Έπειτα, όπως έχει αναφερθεί σε προηγούμενο κεφάλαιο εξήχθησαν χαρακτηριστικά με το μετασχηματισμό Fourier- Mellin στις 234 εικόνες και στη συνέχεια ταξινομήθηκαν με δύο διαφορετικές μεθόδους. Η πρώτη μέθοδος ταξινόμησης είναι με νευρωνικό δίκτυο και η δεύτερη μέθοδος με ταξινομητή KNN. Οπότε η βάση αποτελείται από 13 εικόνες Χ 18 διαφορετικές οπτικές για τη κάθε μία εικόνα = 234 εικόνες. Στο 1 ο πείραμα χρησιμοποιούνται για εκπαίδευση 234 εικόνες και δοκιμάζονται προς αναγνώριση οι ίδιες 234 εικόνες. Παρακάτω παρουσιάζονται οι εικόνες(διαφορετικές μεταξύ τους)που δοκιμάστηκαν στο 1 ο πείραμα: 100

102 Στον πίνακα 6.1 παρουσιάζονται τα αποτελέσματα αφού τέθηκαν προς αναγνώριση οι 234 εικόνες. Τα αποτελέσματα είναι τα εξής: Αποτελέσματα Neural Networ KNN classiier Σωστά Λάθη 0 0 Ποσοστό επιτυχίας 100% 100% Ποσοστό αποτυχίας 0% 0% Σύνολο εικόνων Πίνακας 6.1 Σκοπός του 1 ου πειράματος είναι να εξεταστούν τα αποτελέσματα αναγνώρισης όταν στη βάση υπάρχουν εικόνες οι οποίες έχουν διαφορές μεταξύ τους με σκοπό να κατανοηθεί καλύτερα το πρόβλημα. Όπως φαίνεται παραπάνω και οι 2 μέθοδοι ταξινόμησης έχουν 100% επιτυχία και διαπιστώνεται πως όταν οι εικόνες παρουσιάζουν διαφορές μεταξύ τους και οι 2 τρόποι ταξινόμησης λειτουργούν ορθά. Στον πίνακα 6.2 παρουσιάζονται ορισμένα από τα χαρακτηριστικά του υπολογιστή στον οποίο εκτελέστηκε το 1 ο πείραμα: Βασικά μέρη υπολογιστή Χαρακτηριστικά υπολογιστή Επεξεργαστής AMD Phenom(tm) II X GHz Μνήμη RAM 4 GB DDR2 400 MHz Κάρτα γραφικών NVDIA GeForce GTX 460 Λειτουργικό σύστημα Πρόγραμμα δημιουργίας και εκτέλεσης πειράματος 64-bit Windows 8 Pro MATLAB (R2011a) Πίνακας 6.2 Στο παρακάτω πίνακα παρουσιάζεται ο χρόνος προσομοίωσης που χρειάστηκε για το 1 ο πείραμα: 101

103 Αλγόριθμοι πειράματος Χαρακτηριστικά μετασχηματισμού Fourier-Mellin(τάξη πολυπλοκότητας =3) Νευρωνικό δίκτυο KNN classiier Χρόνος προσπέλασης s s 1.25 s Πίνακας 6.3 Στο παρακάτω πίνακα παρουσιάζονται οι παράμετροι του νευρωνικού δικτύου που τέθηκαν και τα αποτελέσματα για το 1 ο πείραμα: Παράμετροι Νευρωνικού δικτύου Αποτελέσματα Inut 16 Hidden layer 13 Outut layer 13 Outut 13 Training Eochs 76 MU error Πίνακας 6.4 Το Inut είναι 16 επειδή έχει οριστεί η τάξη πολυπλοκότητας του μετασχηματισμού Fourier-Mellin =3. Αυτό σημαίνει πως για κάθε εικόνα, ο μετασχηματισμός εξάγει 16 νούμερα τα οποία αναπαριστούν την εικόνα και είναι τα χαρακτηριστικά της: ((3+1) 2 =16). Το hidden layer έχει οριστεί 13 επειδή όλες οι εικόνες που δοκιμάστηκαν σε αυτό το πείραμα είναι 13 και το ίδιο ισχύει και για τα outut. Mean Squared Error (mse): 102

104 6.3 Πείραμα 2 o Γράφημα 6.1 Στo 2 ο πείραμα χρησιμοποιήθηκαν οι εικόνες από το 1 ο πείραμα και αφαιρέθηκε τυχαία το 50 % από τις διαφορετικές οπτικές της κάθε εικόνας. Το πρώτο μισό της βάσης χρησιμοποιήθηκε για το training και τη δημιουργία του δικτύου, ενώ το δεύτερο μισό για αναγνώριση με βάση το δημιουργημένο δίκτυο. Οι υπόλοιπες ενέργειες που ακολούθησαν είναι ίδιες με το 1 ο πείραμα και η μόνη διαφορά είναι πως οι εικόνες που τέθηκαν προς αναγνώριση δεν είναι στη βάση όπως το 1 ο πείραμα. Οπότε η βάση στο 2 ο πείραμα αποτελείται από 13 εικόνες Χ 9 διαφορετικές οπτικές (αφού έχει αφαιρεθεί όπως προαναφέρθηκε το 50% των διαφορετικών οπτικών) για τη κάθε μία εικόνα = 117εικόνες. Επομένως η βάση αποτελείται από τις μισές εικόνες του 1 ου πειράματος και είναι 117. Στον πίνακα 6.5 παρουσιάζονται τα αποτελέσματα αφού τέθηκαν προς αναγνώριση οι 117 εικόνες οι οποίες δεν ανήκουν στη βάση. Τα αποτελέσματα είναι τα εξής: Αποτελέσματα Neural Networ KNN classiier Σωστά Λάθη 0 1 Ποσοστό επιτυχίας 100% 99.15% Ποσοστό αποτυχίας 0% 0.85% Σύνολο εικόνων Πίνακας 6.5 Σκοπός του 2 ου πειράματος είναι να εξεταστεί το πώς θα συμπεριφερθεί το σύστημα αν χρειαστεί να αναγνωρίσει εικόνες που έχουν αρκετές διαφορές μεταξύ τους 103

105 οι οποίες δεν έχουν χρησιμοποιηθεί στην εκπαίδευση του νευρωνικού δικτύου και δεν είναι στην αρχική βάση. Το 2 ο πείραμα είναι εξέχουσας σημασίας γιατί οι συνθήκες που τέθηκαν είναι παρόμοιες με αυτές που παρουσιάζονται σε πραγματικές συνθήκες σε φωτογραφίες δρόμου. Ο τελικός σκοπός της εργασίας είναι να δημιουργηθεί ένα σύστημα το οποίο θα είναι ικανό να αναγνωρίζει εξωτερικές φωτογραφίες με τις οποίες δεν είναι εκπαιδευμένο το σύστημά και δεν είναι στη βάση. Τα αποτελέσματα φαίνονται στο παραπάνω πίνακα και όπως διαπιστώνεται και οι 2 μέθοδοι ταξινόμησης λειτουργούν αποδοτικά όταν πρόκειται για διαφορετικές εικόνες. Στο παρακάτω πίνακα παρουσιάζονται ορισμένα από τα χαρακτηριστικά του υπολογιστή στον οποίο εκτελέστηκε το 2 ο πείραμα: Βασικά μέρη υπολογιστή Χαρακτηριστικά υπολογιστή Επεξεργαστής AMD Phenom(tm) II X GHz Μνήμη RAM 4 GB DDR2 400 MHz Κάρτα γραφικών NVDIA GeForce GTX 460 Λειτουργικό σύστημα Πρόγραμμα δημιουργίας και εκτέλεσης πειράματος 64-bit Windows 8 Pro MATLAB (R2011a) Πίνακας 6.6 Στο παρακάτω πίνακα παρουσιάζεται ο χρόνος προσομοίωσης που χρειάστηκε για το 2 ο πείραμα: Αλγόριθμοι πειράματος Χαρακτηριστικά μετασχηματισμού Fourier-Mellin(τάξη πολυπλοκότητας =3) Νευρωνικό δίκτυο KNN classiier Χρόνος προσπέλασης 8,01 s 3.45 s 1.25 s Πίνακας 6.7 Στο παρακάτω πίνακα παρουσιάζονται οι παράμετροι του νευρωνικού δικτύου που τέθηκαν και τα αποτελέσματα για το 2 ο πείραμα: Παράμετροι Νευρωνικού δικτύου Αποτελέσματα Inut

106 Hidden layer 13 Outut layer 13 Outut 13 Training Eochs 34 MU error Πίνακας 6.8 Mean Squared Error (mse): 6.4 Πείραμα 3 o Γράφημα 6.2 Στο 3 ο πείραμα δοκιμάστηκαν 13 εικόνες(18 διαφορετικές οπτικές για τη κάθε μία εικόνα) οι οποίες έχουν ομοιότητες μεταξύ τους. Η διαδικασία που ακολουθήθηκε είναι ίδια με του 1 ου πειράματος. Οπότε η βάση αποτελείται από 13 εικόνες Χ 18 διαφορετικές οπτικές για τη κάθε μία εικόνα = 234 εικόνες. Στο 3 ο πείραμα χρησιμοποιούνται για εκπαίδευση όλες οι 234 εικόνες και δοκιμάστηκαν προς αναγνώριση οι ίδιες 234 εικόνες. Παρακάτω παρουσιάζονται οι εικόνες (με αρκετές ομοιότητες μεταξύ τους) που δοκιμάστηκαν στο 3 ο πείραμα: 105

107 Στον πίνακα 6.9 παρουσιάζονται τα αποτελέσματα αφού τέθηκαν προς αναγνώριση οι 234 εικόνες. Τα αποτελέσματα είναι τα εξής: Αποτελέσματα Neural Networ KNN classiier Σωστά Λάθη 7 0 Ποσοστό επιτυχίας 97.01% 100% Ποσοστό αποτυχίας 2.99% 0% Σύνολο εικόνων Πίνακας 6.9 Σκοπός του 3 ου πειράματος είναι να εξεταστεί το υλοποιημένο σύστημα στις πιο δύσκολες συνθήκες, δηλαδή με εικόνες οι οποίες παρουσιάζουν πολλές ομοιότητες μεταξύ τους και να μελετηθούν τα αποτελέσματα που θα προκύψουν. Σύμφωνα με το παραπάνω πίνακα διαπιστώνεται πως ο KNN classiier είναι καλύτερος στο να ταξινομεί τις 234 εικόνες σε κατηγορίες (classes) με τις οποίες έχει εκπαιδευτεί και προϋπάρχουν στη βάση του. Με το νευρωνικό δίκτυο έχουμε ένα μικρό σφάλμα της τάξεως του 2.99%. Στο παρακάτω πίνακα παρουσιάζονται ορισμένα από τα χαρακτηριστικά του υπολογιστή στον οποίο εκτελέστηκε το 3 ο πείραμα: Βασικά μέρη υπολογιστή Χαρακτηριστικά υπολογιστή Επεξεργαστής AMD Phenom(tm) II X GHz Μνήμη RAM 4 GB DDR2 400 MHz Κάρτα γραφικών NVDIA GeForce GTX 460 Λειτουργικό σύστημα Πρόγραμμα δημιουργίας και εκτέλεσης πειράματος 64-bit Windows 8 Pro MATLAB (R2011a) Πίνακας

108 Στο παρακάτω πίνακα παρουσιάζεται ο χρόνος εκτέλεσης που χρειάστηκε για να πραγματοποιηθεί το 3 ο πείραμα: Αλγόριθμοι πειράματος Χαρακτηριστικά μετασχηματισμού Fourier-Mellin (τάξη πολυπλοκότητας =3) Νευρωνικό δίκτυο KNN classiier Χρόνος προσπέλασης s 3.35 s 1.25 s Πίνακας 6.11 Στο παρακάτω πίνακα παρουσιάζονται οι παράμετροι του νευρωνικού δικτύου που τέθηκαν και τα αποτελέσματα για το 3 ο πείραμα: Παράμετροι Νευρωνικού δικτύου Αποτελέσματα Inut 16 Hidden layer 13 Outut layer 13 Outut 13 Training Eochs 19 MU error Πίνακας 6.12 Mean Squared Error (mse): 107

109 6.5 Πείραμα 4 o Γράφημα 6.3 Στo 4 o πείραμα χρησιμοποιήθηκαν οι εικόνες από το 3 o πείραμα και αφαιρέθηκε τυχαία το 50 % από τις διαφορετικές οπτικές της κάθε εικόνας. Το πρώτο μισό της βάσης χρησιμοποιήθηκε για το training και τη δημιουργία του δικτύου, ενώ το δεύτερο μισό για αναγνώριση με βάση το δημιουργημένο δίκτυο. Οι υπόλοιπες ενέργειες που ακολούθησαν είναι ίδιες με το 3 o πείραμα και η μόνη διαφορά είναι πως οι εικόνες που τέθηκαν προς αναγνώριση δεν είναι στη βάση όπως στο 3 o πείραμα. Οπότε η βάση αποτελείται από 13 εικόνες Χ 9 διαφορετικές οπτικές (αφού έχει αφαιρεθεί όπως αναφέρθηκε παραπάνω το 50% των διαφορετικών οπτικών) για τη κάθε μία εικόνα = 117εικόνες. Επομένως η βάση αποτελείται από τις μισές εικόνες του 3 oυ πειράματος και είναι 117. Στο παρακάτω πίνακα παρουσιάζονται τα αποτελέσματα αφού τέθηκαν προς αναγνώριση οι 117 εικόνες οι οποίες δεν ανήκουν στη βάση. Τα αποτελέσματα είναι τα εξής: Αποτελέσματα Neural Networ KNN classiier Σωστά Λάθη Ποσοστό επιτυχίας 87.18% 66.67% Ποσοστό αποτυχίας 12.82% 33.33% Σύνολο εικόνων Πίνακας

110 Σκοπός του 4 oυ πειράματος είναι να εξεταστεί το πως θα συμπεριφερθεί το σύστημα αν κληθεί να αναγνωρίσει εικόνες που παρουσιάζουν αρκετές ομοιότητες μεταξύ τους οι οποίες δεν έχουν χρησιμοποιηθεί στην εκπαίδευση του νευρωνικού δικτύου και δεν είναι στην αρχική βάση. Το 4 o πείραμα είναι εξέχουσας σημασίας γιατί οι συνθήκες που τέθηκαν είναι παρόμοιες με αυτές που παρουσιάζονται σε πραγματικές συνθήκες δρόμου. Ο τελικός σκοπός της εργασίας είναι το σύστημα να αναγνωρίζει εξωτερικές φωτογραφίες με τις οποίες δεν είναι εκπαιδευμένο και δεν είναι στη βάση. Τα αποτελέσματα φαίνονται στο παραπάνω πίνακα και όπως διαπιστώνεται το νευρωνικό δίκτυο λειτουργεί πολύ καλύτερα από τον KNN classiier. Στο παρακάτω πίνακα παρουσιάζονται ορισμένα από τα χαρακτηριστικά του υπολογιστή στον οποίο εκτελέστηκε το 4 o πείραμα: Βασικά μέρη υπολογιστή Χαρακτηριστικά υπολογιστή Επεξεργαστής AMD Phenom(tm) II X GHz Μνήμη RAM 4 GB DDR2 400 MHz Κάρτα γραφικών NVDIA GeForce GTX 460 Λειτουργικό σύστημα Πρόγραμμα δημιουργίας και εκτέλεσης πειράματος 64-bit Windows 8 Pro MATLAB (R2011a) Πίνακας 6.14 Στο παρακάτω πίνακα παρουσιάζεται ο χρόνος προσομοίωσης που χρειάστηκε για το 4 o πείραμα: Αλγόριθμοι πειράματος Χαρακτηριστικά μετασχηματισμού Fourier-Mellin(τάξη πολυπλοκότητας =3) Νευρωνικό δίκτυο KNN classiier Χρόνος προσπέλασης 9.27 s 2.25 s 1.25 s Πίνακας

111 Στο παρακάτω πίνακα παρουσιάζονται οι παράμετροι του νευρωνικού δικτύου που τέθηκαν και τα αποτελέσματα για το 4 o πείραμα: Παράμετροι Νευρωνικού δικτύου Αποτελέσματα Inut 16 Hidden layer 13 Outut layer 13 Outut 13 Training Eochs 15 MU error Πίνακας 6.16 Mean Squared Error (mse): 6.6 Πείραμα 5 o Γράφημα 6.4 Στο 5 o πείραμα δοκιμάστηκαν όσο το δυνατόν περισσότερες εικόνες ήταν εφικτό να δοκιμαστούν με στόχο να βγει ένα γενικό συμπέρασμα για τη λειτουργία του συστήματος. Όλες οι εικόνες συνολικά είναι 238 όμως επειδή οι υπολογιστές που ήταν στη διάθεση μας είναι αδύνατον να τρέξουν τον αλγόριθμο της ταξινόμησης με νευρωνικό δίκτυο για έναν τέτοιο αριθμό εικόνων λόγω μνήμης RAM, επιλέχθηκαν 56 από αυτές. Άρα επιλέχθηκαν 56 εικόνες (18 διαφορετικές οπτικές για τη κάθε μία 110

112 εικόνα) οι οποίες αποτελούν ένα καλό δείγμα ολόκληρης της βάσης και έτσι τα αποτελέσματα που θα βγουν είναι ένας μέσος όρος απόδοσης συστήματος. Οπότε η βάση αποτελείται από 56 εικόνες Χ 18 διαφορετικές οπτικές για τη κάθε μία εικόνα = 1008 εικόνες. Στο 5 o πείραμα χρησιμοποιούνται για εκπαίδευση 1008 εικόνες και δοκιμάζουμε προς αναγνώριση τις ίδιες 1008 εικόνες. Παρακάτω παρουσιάζονται όλες οι εικόνες που δοκιμάστηκαν στο 5 o πείραμα: 111

113 Στο παρακάτω πίνακα παρουσιάζονται τα αποτελέσματα αφού τέθηκαν προς αναγνώριση οι 1008 εικόνες. Τα αποτελέσματα είναι τα εξής: Αποτελέσματα Neural Networ KNN classiier Σωστά Λάθη 26 0 Ποσοστό επιτυχίας 97.42% 100% Ποσοστό αποτυχίας 2.58% 0% Σύνολο εικόνων Πίνακας 6.17 Σκοπός του 5 oυ πειράματος είναι να δοκιμαστούν από το σύστημα όσο το δυνατόν περισσότερες εικόνες γίνεται (οι οποίες παρουσιάζουν και ομοιότητες και διαφορές) με σκοπό να προκύψει ένας μέσος όρος απόδοσης του συστήματος και με τις 2 μεθόδους ταξινόμησης. Τα αποτελέσματα παρουσιάζονται στο παραπάνω πίνακα όπου και διαπιστώνεται πως ο ΚNN classiier είναι καλύτερος στο να ταξινομεί εικόνες με τις οποίες έχει εκπαιδευτεί το σύστημα και προϋπάρχουν στη βάση του. Στο παρακάτω πίνακα παρουσιάζονται ορισμένα από τα χαρακτηριστικά του υπολογιστή στον οποίο εκτελέστηκε το 5 o πείραμα: Επεξεργαστής Μνήμη RAM Βασικά μέρη υπολογιστή Χαρακτηριστικά υπολογιστή INTEL CORE I7-4770K 3.50GHZ 8 GB DDR MHz Κάρτα γραφικών NVDIA GeForce GTX 480 Λειτουργικό σύστημα Πρόγραμμα δημιουργίας και εκτέλεσης πειράματος 64-bit Windows 8 Pro MATLAB (R2011a) Πίνακας 6.18 Στο παρακάτω πίνακα παρουσιάζεται ο χρόνος προσομοίωσης που χρειάστηκε για το 5 o πείραμα: Αλγόριθμοι πειράματος Χαρακτηριστικά μετασχηματισμού Fourier-Mellin(τάξη πολυπλοκότητας =3) Χρόνος προσπέλασης 24 minutes 112

114 Νευρωνικό δίκτυο KNN classiier 35 minutes 2 s Πίνακας 6.19 Στο παρακάτω πίνακα παρουσιάζονται οι παράμετροι του νευρωνικού δικτύου που τέθηκαν και τα αποτελέσματα για το 5 o πείραμα: Παράμετροι Νευρωνικού δικτύου Αποτελέσματα Inut 16 Hidden layer 56 Outut layer 56 Outut 56 Training Eochs 45 MU error Πείραμα 6 o Πίνακας 6.20 Στo 6 o πείραμα χρησιμοποιήθηκαν οι εικόνες από το 5 o πείραμα και αφαιρέθηκε τυχαία το 50 % από τις διαφορετικές οπτικές της κάθε εικόνας. Το πρώτο μισό της βάσης χρησιμοποιήθηκε για το training και τη δημιουργία του δικτύου, ενώ το δεύτερο μισό για αναγνώριση με βάση το δημιουργημένο δίκτυο. Οι υπόλοιπες ενέργειες που ακολούθησαν είναι ίδιες με τα προηγούμενα πειράματα και η μόνη διαφορά είναι πως οι εικόνες που τέθηκαν προς αναγνώριση δεν είναι στη βάση όπως το 5 o πείραμα. Οπότε η βάση αποτελείται από 56 εικόνες Χ 9 διαφορετικές οπτικές (αφού έχει αφαιρεθεί όπως αναφέρθηκε παραπάνω το 50% των διαφορετικών οπτικών) για τη κάθε μία εικόνα = 504 εικόνες Επομένως η βάση στο 6 o πείραμα αποτελείται από τις μισές εικόνες από ότι στο 5 o πείραμα και είναι 504. Στο παρακάτω πίνακα παρουσιάζονται τα αποτελέσματα αφού τέθηκαν προς αναγνώριση οι 504 εικόνες οι οποίες δεν ανήκουν στη βάση. Τα αποτελέσματα είναι τα εξής: Αποτελέσματα Neural Networ KNN classiier Σωστά Λάθη Ποσοστό επιτυχίας 91.87% 78.77% 113

115 Ποσοστό αποτυχίας 8.13% 21.23% Σύνολο εικόνων Πίνακας 6.21 Σκοπός του 6 oυ πειράματος είναι να διαπιστωθεί το πως θα συμπεριφερθεί το σύστημα αν καλεστεί να αναγνωρίσει εικόνες που παρουσιάζουν αρκετές ομοιότητες και διαφορές μεταξύ τους οι οποίες δεν έχουν χρησιμοποιηθεί στην εκπαίδευση του νευρωνικού δικτύου και δεν είναι στην αρχική βάση. Το 6 o πείραμα είναι εξέχουσας σημασίας γιατί οι συνθήκες που τέθηκαν είναι παρόμοιες με αυτές που παρουσιάζονται σε πραγματικές συνθήκες δρόμου. Ο τελικός σκοπός της εργασίας είναι να υλοποιηθεί σύστημα το οποίο θα είναι ικανό να αναγνωρίζει εξωτερικές φωτογραφίες με τις οποίες δεν είναι εκπαιδευμένο και δεν είναι στη βάση. Τα αποτελέσματα φαίνονται στο παραπάνω πίνακα και διαπιστώνεται πως το νευρωνικό δίκτυο αποδίδει καλύτερα σε σύγκριση με το KNN classiier. Στο παρακάτω πίνακα παρουσιάζονται ορισμένα από τα χαρακτηριστικά του υπολογιστή στον οποίο εκτελέστηκε το 6 o πείραμα: Επεξεργαστής Μνήμη RAM Βασικά μέρη υπολογιστή Χαρακτηριστικά υπολογιστή INTEL CORE I7-4770K 3.50GHZ 8 GB DDR MHz Κάρτα γραφικών NVDIA GeForce GTX 480 Λειτουργικό σύστημα Πρόγραμμα δημιουργίας και εκτέλεσης πειράματος 64-bit Windows 8 Pro MATLAB (R2011a) Πίνακας 6.22 Στο παρακάτω πίνακα παρουσιάζεται ο χρόνος προσομοίωσης που χρειάστηκε για το 6 o πείραμα: Αλγόριθμοι πειράματος Χαρακτηριστικά μετασχηματισμού Fourier-Mellin(τάξη πολυπλοκότητας =3) Νευρωνικό δίκτυο KNN classiier Χρόνος προσπέλασης 13 minutes 15 minutes 1.25 s 114

116 Πίνακας 6.23 Στο παρακάτω πίνακα παρουσιάζονται οι παράμετροι του νευρωνικού δικτύου που τέθηκαν και τα αποτελέσματα για το 6 o πείραμα: Παράμετροι Νευρωνικού δικτύου Αποτελέσματα Inut 16 Hidden layer 56 Outut layer 56 Outut 56 Training Eochs 37 MU error Πίνακας Πείραμα 7 o Στo 7 o πείραμα το υλοποιημένο σύστημα το οποίο περιέχει σα βάση τα 56 ελληνικά σήματα κυκλοφορίας που παρουσιάζονται στο 5 o πείραμα, καλείται να αναγνωρίσει φωτογραφίες σημάτων κυκλοφορίας από άλλες προηγμένες ευρωπαϊκές χώρες με σκοπό να διαπιστωθεί για το αν το σύστημα μπορεί να λειτουργήσει ορθά και σε άλλες χώρες εκτός της Ελλάδας. Οι φωτογραφίες που επιλέχθηκαν να δοκιμαστούν, για πιο ορθά αποτελέσματα είναι οι ίδιες για κάθε χώρα και παρουσιάζονται παρακάτω: Ελλάδα Αγγλία Γαλλία Γερμανία Σουηδία 115

117 Στον πίνακα 6.25 παρουσιάζονται τα αποτελέσματα αφού τέθηκαν προς αναγνώριση 7 εικόνες από 5 διαφορετικές χώρες. Τα αποτελέσματα είναι τα εξής: Ελλάδα Αγγλία Γαλλία Γερμανία Σουηδία Αποτελέσμα τα Neural Netwo r KNN classii er Neural Netwo r KNN classii er Neural Netwo r KNN classii er Neural Netwo r KNN classii er Neural Netwo r KNN classii er Σωστά Λάθη Ποσοστό επιτυχίας Ποσοστό αποτυχίας Σύνολο εικόνων 100% 42,9% 14,3% 0% 14.3% 14.3% 28.6% 14.3% 14.3% 0% 0% 57,1% 85.7% 100% 85.7% 85.7% 71.4% 85.7% 85.7% 100% Πίνακας 6.25 Σύμφωνα με τα αποτελέσματα του πειράματος που αναγράφονται στο παραπάνω πίνακα διαπιστώνεται πως το υλοποιημένο σύστημα το οποίο είναι εκπαιδευμένο με τα ελληνικά σήματα κυκλοφορίας δεν μπορεί να λειτουργήσει με τα ίδια ποσοστά επιτυχίας και σε άλλες χώρες όπως λειτουργεί στην Ελλάδα. 116

118 Κεφάλαιο 7 ο 7.1 Περίληψη Συμπεράσματα - Σύνοψη Σ αυτό το κεφάλαιο θα περιγραφεί συνοπτικά η εργασία, θα αναλυθούν τα αποτελέσματα από τα πειράματα και θα τεθούν κάποια θέματα προς μελλοντική διερεύνηση. 7.2 Σύνοψη Ο στόχος της πτυχιακής εργασίας (Αναγνώριση Ελληνικών Σημάτων Κυκλοφορίας με την Χρήση Μεθόδων Τεχνητής Όρασης) ήταν να λυθεί το πρόβλημα αναγνώρισης αντικειμένων σε δύσκολες συνθήκες όπως π.χ. όταν υπάρχει στη φωτογραφία θόρυβο, κουνημένες εικόνες, περιστρεμμένες εικόνες κλπ. Η εργασία έχει περισσότερο ερευνητικό χαρακτήρα με στόχο να βγούν κάποια συμπεράσματα για το ποια μέθοδος είναι πιο αποδοτική στη λύση του προβλήματος. Σε πρώτο στάδιο χρησιμοποιήθηκαν σήματα κυκλοφορίας από 5 προηγμένες χώρες της ευρωπαϊκής ένωσης μαζί και της Ελλάδας και έγινε σύγκριση με σκοπό να παρατηρηθεί αν μπορεί το σύστημα αναγνώρισης που θα υλοποιηθεί να δουλέψει για όλες τις χώρες. Παρακάτω παρουσιάζεται ένα παράδειγμα από ένα σήμα σε 5 διαφορετικές χώρες. ΕΛΛΑΔΑ ΓΕΡΜΑΝΙΑ ΑΓΓΛΙΑ ΣΟΥΗΔΙΑ ΓΑΛΛΙΑ Όπως παρατηρήθηκε υπάρχουν διαφορές στα σήματα και σύμφωνα με αυτό το υλοποιημένο σύστημα δε θα έχει τα ίδια αποτελέσματα και για τις άλλες χώρες γιατί η βάση σύμφωνα με την οποία θα έχει εκπαιδευτεί θα είναι η ελληνική. Οπότε και το ποσοστό επιτυχίας θα είναι σαφώς μικρότερο για τις άλλες χώρες. Σε προηγούμενο κεφάλαιο υπάρχουν όλα τα σήματα από όλες τις χώρες αναλυτικά. Έπειτα χρησιμοποιήθηκαν τα σήματα του Ελληνικού κώδικα οδικής κυκλοφορίας και υλοποιήθηκε το σύστημα όπως περιγράφεται σε προηγούμενα κεφάλαια. Η εξαγωγή χαρακτηριστικών έγινε με το μετασχηματισμό Fourier-Mellin και οι ταξινομητές που δοκιμάστηκαν είναι ο KNN classiier και το νευρωνικό δίκτυο. 117

119 7.3 Συμπεράσματα πειραμάτων KNN classiier Πλεονεκτήματα: Ο ΚΝΝ classiier σε όλα τα πειράματα παρουσιάζει 100% επιτυχία όταν καλείται να ταξινομήσει τις εικόνες που υπάρχουν στη βάση σε κατηγορίες (classes). Σύμφωνα με αυτό ο ΚΝΝ classiier είναι κατάλληλος στο να ταξινομεί τις εικόνες μιας βάσης σε κατάλληλες τάξεις (class) που ο χρήστης έχει ορίσει. Αν π.χ. υπήρχαν σε ένα φάκελο 1000 εικόνες οι οποίες περιέχουν θάλασσα, αεροπλάνα, πρόσωπα και γινόταν ταξινόμηση βάσει αυτών των 3 κατηγοριών ο ΚΝΝ classiier θα ήταν ο κατάλληλος ταξινομητής. Επίσης ο χρόνος που απαιτείται για να εκτελεστεί είναι μερικά δευτερόλεπτα. Μειονεκτήματα: Ο ΚΝΝ classiier σε όλα τα πειράματα που δοκιμάστηκαν με εικόνες οι οποίες ήταν εξωτερικές και δεν έχει εκπαιδευτεί με αυτές παρουσίαζε αρκετά σφάλματα (μικρή ικανότητα γενίκευσης) αντιθέτως με το νευρωνικό δίκτυο. Στο πείραμα 2 (αναφέρεται αναλυτικά στο κεφάλαιο 6) όπου δοκιμάστηκε να γίνει αναγνώριση σε εξωτερικές εικόνες οι οποίες παρουσιάζουν κοινά χαρακτηριστικά ο ΚΝΝ classiier είχε ποσοστό επιτυχίας 66,67% ενώ το νευρωνικό δίκτυο 87,18%. Πλεονεκτήματα: Neural networ Η αναγνώριση με τη χρήση νευρωνικού δικτύου στα πειράματα τα οποία αφορούν αναγνώριση εξωτερικών εικόνων είναι πολύ καλύτερη (αυξημένη ικανότητα γενίκευσης) σε σχέση με τον KNN classiier. Αυτό αποδεικνύεται στα πειράματα και συμβαίνει επειδή τα τεχνητά νευρωνικά δίκτυα έχουν πολύ ισχυρές δυνατότητες αναγνώρισης προτύπων (attern recognition) και προσομοιάζουν τη λειτουργία των νευρώνων των έμβιων όντων. Στο πείραμα 6 δοκιμάζεται το σύστημα με 56 εικόνες εξωτερικές και τα αποτελέσματα δείχνουν την ανωτερότητα του νευρωνικού δικτύου. Το ποσοστό επιτυχίας του νευρωνικού δικτύου είναι 91,87% ενώ του KNN classiier είναι 78,77%. 118

120 Μειονεκτήματα: Το μεγάλο μειονέκτημα του νευρωνικού δικτύου είναι η μεγάλη διάρκεια που απαιτείται για να γίνει η εκπαίδευση (training) των εικόνων. Για 56 εικόνες (18 διαφορετικές οπτικές για τη κάθε μία εικόνα) χρειάστηκαν 35 λεπτά εκπαίδευσης. Επίσης ο αλγόριθμος του νευρωνικού δικτύου για να εκτελεστεί απαιτεί μεγάλη μνήμη RAM στον υπολογιστή. Όταν η μνήμη δεν είναι επαρκής εμφανίζεται μήνυμα λάθους (out o memory). Γι' αυτό το λόγο και χρησιμοποιήθηκαν μόνο 56 εικόνες. Αυτό το πρόβλημα δε το αντιμετωπίζει ο KNN classiier. Τέλος το νευρωνικό δίκτυο έχει πάρα πολλές παραμέτρους προς ρύθμιση και είναι αρκετά δύσκολο να ρυθμιστεί σωστά ώστε να υπάρχουν τα βέλτιστα αποτελέσματα και χρειάζονται πολλά πειράματα μέχρι να καταλήξει στην σωστή ρύθμιση των απαραίτητων παραμέτρων. 7.4 Γενικά συμπεράσματα Παραπάνω παρουσιάστηκαν αναλυτικά τα πλεονεκτήματα και τα μειονεκτήματα της κάθε μεθόδου ταξινόμησης. Βάση αυτών βγαίνει το συμπέρασμα πως το νευρωνικό δίκτυο είναι η καλύτερη μέθοδος ταξινόμησης για τη λύση του προβλήματος. Η εργασία αφορά την αναγνώριση σημάτων κυκλοφορίας σε κανονικές συνθήκες, δηλαδή έχει ως στόχο την αναγνώριση σημάτων μέσα από ένα αυτοκίνητο καθώς αυτό κινείται. Το σύστημα θα είναι εκπαιδευμένο με τα ελληνικά σήματα κυκλοφορίας και θα προσπαθεί να αναγνωρίσει τις εξωτερικές φωτογραφίες. Σύμφωνα με αυτό και με τα αποτελέσματα από τα πειράματα το νευρωνικό δίκτυο είναι το πιο κατάλληλο εργαλείο ταξινόμησης. 7.5 Θέματα προς μελλοντική διερεύνηση Η αναγνώριση σημάτων κυκλοφορίας και γενικά προτύπου (attern recognition) είναι μια προσπάθεια η οποία βρίσκεται ακόμα σε πρώιμο στάδιο. Ελπίζουμε στο μέλλον άλλοι συμφοιτητές να επιλέξουν αυτό το θέμα με σκοπό να διερευνήσουν και να εξελίξουν ακόμα παραπάνω αυτή την εργασία. Υπάρχουν κάποια θέματα προς διερεύνηση που μπορούν να εξεταστούν με σκοπό την εξέλιξη της εργασίας μας και τη βελτίωση των ποσοστών επιτυχίας. 1. Βελτίωση της αρχικής μας βάσης. Οι εικόνες οι οποίες εκπαιδεύτηκαν και χρησιμοποιήθηκαν σα βάση επεξεργάστηκαν χειροκίνητα με τη βοήθεια προγραμμάτων (Photosho) ώστε να βγούν όλες τις διαφορετικές οπτικές. Το πρώτο θέμα προς διερεύνηση λοιπόν είναι αυτές οι εικόνες να μη προκύψουν χειροκίνητα αλλά με τη χρήση αλγόριθμου στο matlab. Με αυτό το τρόπο θα μειωθεί ο φόρτος εργασίας για τις μελλοντικές εικόνες που θα δοκιμαστούν. Αν 119

121 ο αλγόριθμος είναι σωστός οι εικόνες που θα προκύψουν θα είναι πιο καλά επεξεργασμένες άρα θα υπάρχει καλύτερη βάση και κατά συνέπεια ίσως και καλύτερα αποτελέσματα και ποσοστά επιτυχίας. 2. Διαφορετικός τρόπος εξαγωγής χαρακτηριστικών εικόνας. Η εξαγωγή των χαρακτηριστικών των εικόνων έγινε με το μετασχηματισμό Fourier-Mellin. Σα δεύτερο θέμα προς διερεύνηση είναι να μελετηθούν και να αναπτυχθούν αλγόριθμοι τρόπων εξαγωγής άλλων χαρακτηριστικών όπως μετασχηματισμός RFM [41], μετασχηματισμός trace κτλ. Έπειτα πρέπει να εκτελεστούν παρόμοια πειράματα με αυτά που υλοποιήθηκαν σε προηγούμενο κεφάλαιο και να συγκριθούν μεταξύ τους ώστε να διευκρινιστεί το ποια μέθοδος εξαγωγής χαρακτηριστικών είναι πιο αποδοτική, πιο γρήγορη και ακριβέστερη. 3. Υλοποίηση συστήματος με σκοπό να λειτουργεί για εξωτερικές εικόνες. Το υλοποιημένο σύστημα λειτουργεί με εικόνες οι οποίες περιέχουν σαν φόντο (bacground) το χρώμα άσπρο. Όταν όμως το σύστημα θα πρέπει να αναγνωρίσει εικόνες δρόμου σε πραγματικές συνθήκες οι οποίες περιέχουν το σήμα αλλά σαν φόντο έχουν άλλα πράγματα π.χ. δέντρα, ουρανός, πολυκατοικίες κτλ τότε το σύστημα δε μπορεί να λειτουργήσει. Σα τρίτο θέμα προς διερεύνηση είναι να μελετηθεί και να αναπτυχθεί αλγόριθμος ο οποίος με τη χρήση φίλτρων να αφαιρεί από την εικόνα τα περιττά στοιχεία και να προσθέτει φόντο χρώμα άσπρου ώστε να μπορεί να λειτουργήσει σωστά. Στο αρχείο υπάρχουν εικόνες δρόμου οι οποίες έχουν τραβηχτεί σε διάφορες πόλεις της Ελλάδας οι οποίες συλλέχθηκαν με σκοπό να δοκιμαστεί το σύστημα σε πραγματικές συνθήκες. Τα αποτελέσματα δεν ήταν θετικά για τον λόγο που περιγράφηκε παραπάνω. 4. Βελτιστοποίηση gui. Το υλοποιημένο σύστημα gui (grahical user interace) έχει τη δυνατότητα με το πάτημα ενός κουμπιού να δέχεται εικόνες από τον υπολογιστή, να τις θέτει προς αναγνώριση και να εμφανίζει τα αποτελέσματα. Πέμπτο θέμα διερεύνησης αφού έχουν ολοκληρωθεί όλα τα παραπάνω είναι να βελτιωθεί το gui και να έχει τη δυνατότητα να δέχεται εικόνες προς αναγνώριση χωρίς τη χρήση κουμπιών αλλά με μία κάμερα αυτόματα να εμφανίζει αποτελέσματα. Το τελικό σύστημα θα πρέπει να έχει αυτή τη μορφή γιατί ο οδηγός του αυτοκινήτου δε θα βρίσκεται σε τέτοια θέση που να μπορεί εύκολα να χειρίζεται κουμπιά. Θα πρέπει να υπάρχει μία κάμερα η οποία θα φωτογραφίζει στιγμιότυπα και κάποιος υπολογιστής ο οποίος θα εμφανίζει τα αποτελέσματα της αναγνώρισης. 5. Μεταγλώττιση αλγορίθμου. Η εφαρμογή αναπτύχθηκε σε περιβάλλον Matlab και έχει σαν αποτέλεσμα να εκτελείται μόνο σε υπολογιστή. Έκτο θέμα προς διερεύνηση είναι να μεταγλωττιστεί ο αλγόριθμος σε κάποιο άλλο περιβάλλον π.χ. java με σκοπό να μπορεί να δουλέψει σε άλλες συσκευές όπως κινητές συσκευές. Αν μεταγλωττιστεί σε περιβάλλον java η εφαρμογή θα μπορεί να δουλέψει σε android συσκευές. Αυτό θα είναι πολύ βολικό για τον οδηγό γιατί 120

122 απλά θα στηρίζει το κινητό του τηλέφωνο σε μια βάση στήριξης στο αυτοκίνητο και η εφαρμογή (Αναγνώριση Ελληνικών Σημάτων Κυκλοφορίας με την Χρήση Μεθόδων Τεχνητής Όρασης) θα λειτουργεί. 6. Βελτίωση νευρωνικού δικτύου. Βάσει των πειραμάτων, ο καλύτερος τρόπος ταξινόμησης είναι με τη χρήση νευρωνικού δικτύου. Όμως με αυτόν τον τρόπο ταξινόμησης υπάρχει πρόβλημα στην εκπαίδευση πολυάριθμων εικόνων, λόγω μνήμης RAM. Ένα ακόμη θέμα διερεύνησης είναι να μελετηθεί σε βάθος ο αλγόριθμος του νευρωνικού δικτύου με στόχο, αν είναι δυνατόν, την εκπαίδευση περισσότερων εικόνων. Αυτό το πρόβλημα θα μπορούσε να αντιμετωπιστεί με έναν υπολογιστή με πολύ περισσότερες δυνατότητες. 7. Παράλληλη και κατανεμημένη επεξεργασία αλγορίθμων. Παράλληλη και κατανεμημένη επεξεργασία σε πολυ-επεξεργαστικά συστήματα, αλλά και σε cluster υπολογιστών. Διανομή και εκτέλεση παρόμοιων ανεξάρτητων προβλημάτων σε διαφορετικούς επεξεργαστές. Διαχείρηση μεγαλύτερου όγκου δεδομένων, με την χρήση της διαθέσιμης μνήμης από πολλούς επεξεργαστές όπως και της κάρτας γραφικών. 121

123 Κεφάλαιο 8 ο Εγχειρίδιο χρήσης εφαρμογής (signal recognition) 8.1 Εισαγωγή Το signal recognition είναι ένα πρόγραμμα το οποίο μπορεί να λύσει το πρόβλημα αναγνώρισης αντικειμένων σε δύσκολες συνθήκες όπως π.χ. όταν υπάρχει στη φωτογραφία θόρυβος, κουνημένες εικόνες, περιστρεμμένες εικόνες κλπ. Είναι υλοποιημένο με σκοπό να αναγνωρίζει ελληνικά σήματα κυκλοφορίας και στις πιο δύσκολες συνθήκες. Το πρόγραμμα έχει στηθεί με τέτοιο τρόπο ώστε να εξυπηρετεί άμεσα τις ανάγκες του χρήστη καθώς και ο τρόπος χρήσης του είναι απλουστευμένος σε τέτοιο βαθμό που θα εξυπηρετούσαν και τον πιο αρχάριο χρήστη, αλλά συνάμα να του δίνουν τη δυνατότητα να μάθει το πρόγραμμα γρήγορα και να το χρησιμοποιεί όπως ένας έμπειρος χρήστης. Οι οδηγίες που μπορείτε να διαβάσετε σε αυτό το κείμενο βρίσκονται τοποθετημένες και μέσα στο πρόγραμμα, ώστε με τη χρήση ενός κλικ να μπορείτε να λάβετε την απαιτούμενη βοήθεια για όποια ανάγκη σας παρουσιαστεί σε πραγματικό χρόνο. Για επιπλέον υποστήριξη μπορείτε να επικοινωνήσετε μαζί μας καθώς το πρόγραμμα παρέχει δυνατότητα αποστολής στους δημιουργούς του. Μια σημαντική πληροφορία για το ξεκίνημα σας: Το πρόγραμμα δεν εγκαθίσταται στον υπολογιστή σας και λειτουργεί με τη χρήση του Matlab για αυτό το λόγο θέλει προσοχή προς τη χρήση του. 8.2 Απαιτήσεις Εφαρμογής Οι ελάχιστες απαιτήσεις του συστήματος: Επεξεργαστής core 2 Duo 1 GB RAM Εγκατάσταση Matlab 6 GB ελεύθερου χώρου στο δίσκο Microsot Windows XP/Vista/7/8/ Εγκατάσταση Για τη λειτουργία του signal recognition απαιτείται η εγκατάσταση του Matlab. 122

124 8.4 Προβολή εφαρμογής με τη χρήση του Matlab Σ αυτή την ενότητα περιγράφεται ο τρόπος με τον οποίο ανοίγει το signal recognition μέσω του Matlab και η φόρτωση της βάσης η οποία περιέχει τα 56 ελληνικά σήματα κυκλοφορίας. Η βάση είναι έτοιμη και απλά φορτώνεται από το χρήστη. Δε δημιουργείται από το χρήστη γιατί θα ήταν πολύ χρονοβόρο Βήμα 1 0 Ανοίγετε την εφαρμογή Matlab την οποία έχετε εγκαταστήσει προηγμένως και από τη γραμμή εργαλείων επιλέγετε File Oen και ανοίγεται το φάκελο με την εφαρμογή signal recognition που σας έχει δοθεί και επιλέγετε το matlabtest.mat και Oen. Τώρα έχετε φορτώσει τη βάση με τα 56 ελληνικά σήματα κυκλοφορίας στο Matlab καθώς και τις απαραίτητες πληροφορίες που χρειάζεται για να λειτουργήσει η εφαρμογή Βήμα 2 0 Επιλέγετε το κουμπί με το όνομα Start το οποίο βρίσκεται κάτω αριστερά στο Matlab και έπειτα Start MATLAB GUIDE(GUI Builder) και θα σας εμφανιστεί το παρακάτω παράθυρο: Επιλέγετε τη καρτέλα Oen Existing GUI αν αυτή δεν είναι ήδη επιλεγμένη και στη συνέχεια το πλήκτρο Browse και ανοίγετε το φάκελο με την εφαρμογή signal recognition που σας έχει δοθεί και από εκεί επιλέγετε το signal_recognition.ig και Oen Βήμα 3 0 Σ' αυτό το στάδιο θα πρέπει να έχει εμφανιστεί στην οθόνη σας το ακόλουθο παράθυρο: 123

125 Από τη γραμμή εργαλείων επιλέγετε Tools Run και Change Folder. Η εφαρμογή τώρα θα πρέπει να έχει ξεκινήσει Βασικές λειτουργίες Περιβάλλον εφαρμογής (signal recognition) 124

126 Εδώ παρουσιάζεται το περιβάλλον της εφαρμογής signal recognition. Τα κουμπιά τα οποία διαθέτει είναι τα εξής: Imort image - (Εισαγωγή εικόνας προς αναγνώριση σε προεπιλεγμένη μορφή.jg) Recognize (neural networ) - (Αναγνώριση εικόνας με τη χρήση νευρωνικού δικτύου) Recognize (KNN classiier) - (Αναγνώριση εικόνας με τη χρήση ΚΝΝ ταξινομητή) File - (Περιέχει τον κώδικα οδικής κυκλοφορίας της Ελλάδας καθώς και το βιβλίο θεωρητικής εκπαίδευσης για υποψήφιους οδηγούς) Hel - (Περιέχει το εγχειρίδιο χρήσης της εφαρμογής καθώς και δύο τρόπους επικοινωνίας με τους δημιουργούς της εφαρμογής) Imort image Όταν πατηθεί το κουμπί Imort image θα σας εμφανιστεί ένας φάκελος με όνομα Image Selector όπως φαίνεται παραπάνω. Εδώ έχετε τη δυνατότητα να εισαγάγετε οποιαδήποτε εικόνα από τον υπολογιστή σας, την οποία και θέλετε να αναγνωρίσετε. Προσοχή η εφαρμογή δέχεται οποιαδήποτε εικόνα αλλά αναγνωρίζει μόνο τα 56 ελληνικά σήματα κυκλοφορίας για τα οποία έχει φτιαχτεί να λειτουργεί. Ο προεπιλεγμένος τύπος εισαγωγής εικόνας είναι.jg αλλά αν επιλέξετε All iles μπορείτε να εισάγετε οποιοδήποτε τύπο εικόνας επιθυμείτε. 125

127 8.5.3 Panel source Image Σ' αυτό το στάδιο έχει γίνει η εισαγωγή της εικόνας που θέλετε να αναγνωρίσετε και εμφανίζεται στην εφαρμογή. Στο Panel αριστερά (Source image) αναγράφονται τα εξής χαρακτηριστικά από την εικόνα που έχετε εισάγει: Το πλήρες όνομα της εικόνας Ο τύπος του αρχείου της εικόνας(πχ.jg) Το μέγεθος της εικόνας σε byte Το πλάτος της εικόνας σε ixel To ύψος της εικόνας σε ixel Η θέση στην οποία βρίσκεται αποθηκευμένη στον υπολογιστή 126

128 8.5.4 Recognize (neural networ) - Recognize (KNN classiier) Η εφαρμογή διαθέτει δύο τρόπους αναγνώρισης με neural networ το πρώτο κουμπί και με KNN classiier το δεύτερο κουμπί. Εφ όσον έχετε πατήσει ένα από τα δύο κουμπιά η αναγνώριση της εικόνας που έχετε εισάγει έχει πραγματοποιηθεί όπως φαίνεται παραπάνω. Στο Panel Exlanation εμφανίζεται η ερμηνεία του πλέον αναγνωρισμένου σήματος. 127

129 8.5.5 Γραμμή εργαλείων Στη γραμμή εργαλείων υπάρχουν δύο επιλογές το File και το Hel. Το File περιέχει: Gree signals - (Περιέχει σε μορφή d τον ελληνικό κώδικα οδικής κυκλοφορίας) Theoretical or candidates motorists - (Περιέχει σε μορφή d το βιβλίο θεωρητικής εκπαίδευσης των υποψήφιων οδηγών της Ελλάδας) 128

130 Το Hel περιέχει: Manual - (Περιέχει το εγχειρίδιο της εφαρμογής) Mail us - (Οδηγεί στα των δημιουργών της εφαρμογής για την υποστήριξη των χρηστών) Communicate with us - (Εμφανίζεται ένα καινούργιο περιβάλλον για άμεση επικοινωνία με τους δημιουργούς της εφαρμογής) Communicate with us Το παράθυρο gmail θα σας εμφανιστεί αν πατήσετε Hel Communicate with us και έχει τη δυνατότητα να στείλει απευθείας στο δημιουργό της εφαρμογής. Αρχικά ο χρήστης πρέπει να κάνει είσοδο στον λογαριασμό του για να μπορέσει να στείλει το μήνυμα του. Στο πεδίο Tye your mail ο χρήστης πρέπει να εισάγει το username του, για παράδειγμα ΧΧΧΧ@gmail.com. Στο πεδίο Tye your assword ο χρήστης πρέπει να εισάγει τον προσωπικό του κωδικό για να κάνει log in στο λογαριασμό του. Έπειτα στο πεδίο Tye your message ο χρήστης μπορεί να γράψει οτιδήποτε επιθυμεί να στείλει στο δημιουργό της εφαρμογής. Αφού τελειώσει με το μήνυμά του πατάει το κουμπί Send to develoer. Αν το μήνυμα παραδοθεί επιτυχώς θα εμφανιστεί νέο παράθυρο που θα ενημερώνει τον χρήστη για την επιτυχή αποστολή του . Παρατήρηση: Ο χρήστης μπορεί να στείλει μόνο αν είναι κάτοχος Google λογαριασμού(@gmail.com). Αυτό συμβαίνει επειδή μπορούμε να χρησιμοποιήσουμε ορισμένες υπηρεσίες του Google δωρεάν. Για άλλο τύπου λογαριασμό θα έπρεπε να πληρώσουμε ένα ποσό ώστε να λειτουργήσει. 129