Taking advantages of the special ch

Taking advantages of the special characteristics of traffic signs, TSR systems typically rely on the color and geometric information in the images to detect the ROIs. Hence, color segmentation is common to most TSR systems, so are edge detection [5] and corner detection techniques [6]. After identifying the ROIs, we extract features of the ROIs, and classify the ROIs using the extracted feature values. Researchers have explored several techniques for classifying the ideographs, including artificial neural networks (ANNs) [7], template matching [8], chain code [9], and matching pursuit methods [10]. Detection and recognition of traffic signs become very challenging in a noisy environment. Traffic signs may be physically rotated or damaged for different reasons.

結果 (中文) 1:

利用交通标志的特殊性，TSR系统通常依靠的颜色和几何信息的图像检测的投资回报率。 [5]因此，颜色分割最TSR系统是常见的，因此是边缘检测和角点检测技术[6]。后确定的投资回报，我们的投资回报率特征提取，和分类使用所提取的特征值的感兴趣区。研究人员还探讨了几种方法可用于分类的表意文字，其中包括人工神经网络（ANN）[7]，模板匹配[8]，链码[9]，匹配追踪方法[10]。检测和识别交通标志，在嘈杂的环境变得非常具有挑战性。交通标志，可能是身体旋转或损坏的原因不尽相同。

結果 (中文) 2:

以交通标志的特色优势，TSR系统通常依赖于图像中的颜色和几何信息来检测到投资回报。因此，颜色分割的大多数TSR系统中是很常见的，所以边缘检测和角点检测技术[ 5 ] [ 6 ]。在确定的投资回报率，我们提取的ROI的特征，和分类区域使用提取的特征值。研究人员还探讨了一些技术分类的表意文字，包括人工神经网络（ANN）[ 7 ]，模板匹配[ 8 ]，链码[ 9 ]，和匹配追踪方法[ 10 ]。交通标志的检测和识别变得非常具有挑战性，在嘈杂的环境。交通标志可能是身体上的旋转或不同的原因损坏。

結果 (中文) 3:

交通标志的特点发挥优势，TSR 系统，通常依赖的颜色和图像来检测回报中的几何信息。因此，彩色分割是常见的大多数 TSR 系统，所以边缘检测 [5]，转角检测技术 [6]。在确定后的回报，我们的回报，特征提取和分类使用提取的功能值的回报。研究人员探讨了几种技术分类的表意文字，包括人工神经网络 （人工） [7]、 模板匹配 [8]、 链代码 [9]，以及匹配的追求方法 [10]。交通标志的检测和识别成为在嘈杂的环境中非常具有挑战性。交通标志可能身体旋转或损坏出于不同的原因。