SCOSC حسین ترحمی اردکانی Research Letters on Management in Organizations مجله بین‌المللی مهندسی برق، الکترونیک، مخابرات و رباتیک 1 2 (زمستان) 2026 03 13 Detection of Iranian Traffic Signs Using HOG Features and Sparse Classification Based on Fisher Criterion and Locally Linear Embedding (LLE) Detection of Iranian Traffic Signs Using HOG Features and Sparse Classification Based on Fisher Criterion and Locally Linear Embedding (LLE) 20 37 FA Amir bahador bayat Master of Electronics, Iran, Tehran امیر بهادر بیات کارشناسی ارشد الکترونیک، تهران، ایران، 2026 02 24 The detection and recognition of traffic signs is a fundamental component of advanced driver assistance systems (ADAS), contributing significantly to road safety, driving comfort, and the development of autonomous driving technologies. Despite extensive research in this domain, accurate and real-time traffic sign recognition remains challenging due to varying illumination conditions, occlusions, scale variations, complex backgrounds, and the diversity of traffic sign appearances in real-world environments. To address these challenges, this study proposes a novel two-stage approach for efficient and real-time traffic sign detection and recognition under actual traffic conditions. In the first stage, traffic sign detection and initial classification are performed using Histogram of Oriented Gradients (HOG) features combined with a sparse classification framework, enabling robust feature representation and efficient discrimination between sign and non-sign regions. In the second stage, a more fine-grained recognition process is applied, where traffic signs are further categorized into subclasses using sparse classification enhanced by the Fisher criterion and Locally Linear Embedding (LLE), which improves intra-class compactness and inter-class separability. The proposed method is evaluated using the Iranian Traffic Sign Detection Benchmark Dataset, which contains 2,182 annotated traffic sign images spanning multiple categories. Experimental results demonstrate that the proposed framework achieves a high recognition accuracy of 99.2%, while maintaining significantly lower computational complexity compared to existing approaches in the literature. Moreover, the system demonstrates strong real-time performance, with an average processing time of 138 milliseconds per frame, corresponding to approximately 7.2 frames per second. Overall, the results indicate that the proposed two-stage method provides an effective balance between accuracy and computational efficiency, making it suitable for real-time ADAS applications and potential deployment in intelligent transportation systems. تشخیص و شناسایی علائم راهنمایی و رانندگی، جزء اساسی سیستم های پیشرفته کمک به راننده (ADAS) است که به طور قابل توجهی در ایمنی جاده، راحتی رانندگی و توسعه فناوری های رانندگی خودکار نقش دارد. با وجود تحقیقات گسترده در این حوزه، تشخیص دقیق و بلادرنگ علائم راهنمایی و رانندگی به دلیل شرایط روشنایی متغیر، انسدادها، تغییرات مقیاس، پس زمینه های پیچیده و تنوع ظاهر علائم راهنمایی و رانندگی در محیط های دنیای واقعی، همچنان چالش برانگیز است. برای پرداختن به این چالش ها، این مطالعه یک رویکرد دو مرحله ای جدید برای تشخیص و شناسایی کارآمد و بلادرنگ علائم راهنمایی و رانندگی در شرایط ترافیکی واقعی ارائه می دهد. در مرحله اول، تشخیص علائم راهنمایی و رانندگی و طبقه بندی اولیه با استفاده از ویژگی های هیستوگرام گرادیان های جهت دار (HOG) همراه با یک چارچوب طبقه بندی پراکنده انجام می شود که امکان نمایش قوی ویژگی ها و تمایز کارآمد بین مناطق دارای علامت و بدون علامت را فراهم می کند. در مرحله دوم، یک فرآیند تشخیص دقیق تر اعمال می شود که در آن علائم راهنمایی و رانندگی با استفاده از طبقه بندی پراکنده که توسط معیار فیشر و جاسازی خطی محلی (LLE) بهبود یافته است، به زیرکلاس ها طبقه بندی می شوند، که فشردگی درون کلاسی و تفکیک پذیری بین کلاسی را بهبود می بخشد. روش پیشنهادی با استفاده از مجموعه داده های معیار تشخیص علائم راهنمایی و رانندگی ایران، که شامل ۲۱۸۲ تصویر علامت راهنمایی و رانندگی حاشیه نویسی شده در چندین دسته است، ارزیابی می شود. نتایج تجربی نشان می دهد که چارچوب پیشنهادی به دقت تشخیص بالای ۹۹.۲٪ دست می یابد، در حالی که پیچیدگی محاسباتی قابل توجهی کمتری را در مقایسه با رویکردهای موجود در ادبیات حفظ می کند. علاوه بر این، این سیستم عملکرد قوی در زمان واقعی را با میانگین زمان پردازش ۱۳۸ میلی ثانیه در هر فریم، معادل تقریباً ۷.۲ فریم در ثانیه، نشان می دهد. به طور کلی، نتایج نشان می دهد که روش دو مرحله ای پیشنهادی، تعادل موثری بین دقت و کارایی محاسباتی ایجاد می کند و آن را برای کاربردهای ADAS در زمان واقعی و استقرار بالقوه در سیستم های حمل و نقل هوشمند مناسب می سازد. https://ijeetr.ir/downloadfilepdf/28057