TRAFFIC SIGN RECOGNITION IN CONDIZIONI AVVERSE DAL MACHINE LEARNING AL DEEP LEARNING CON RETI CONVOLUZIONALI

This thesis project aims to explore and mitigate the vulnerabilities of visual perception systems for autonomous driving (ADAS) in adverse weather conditions. Specifically, the analysis compares the performance of traditional computer vision (Machine Learning) with deep learning architectures (Convolutional Networks) applied to traffic sign recognition (Traffic Sign Recognition). Starting from a hybrid approach based on chromatic segmentation (HSV), Blob Analysis and lightweight extractors, the project demonstrates the ineffectiveness of manual descriptors in the face of the introduction of photorealistic climatic noise (fog, rain, snow). To restore system robustness, the architecture evolves towards training and optimizing a deep neural network (ResNet-18). The paper culminates with the innovative implementation of a hybrid decision-making approach: a deterministic "Logic Supervisor" that works alongside the statistical classifier to correct its predictions in real time. By entrusting classical heuristics with the task of validating the network abstraction, the system manages to overcome the uncertainties of the probabilistic model. This mutual control logic mitigates the confidence drops and false negatives typical of purely statistical models, giving the classifier the robustness needed to maintain high operational reliability even when optical degradation reaches maximum intensity.

Il presente progetto di tesi ha l'obiettivo di esplorare e mitigare le vulnerabilità dei sistemi di percezione visiva per la guida autonoma (ADAS) dinanzi a condizioni meteorologiche avverse. Nello specifico, l'analisi confronta le prestazioni della Computer Vision tradizionale (Machine Learning) con le architetture di Deep Learning (reti convoluzionali) applicate al riconoscimento della segnaletica stradale (Traffic Sign Recognition). Partendo da un approccio ibrido basato su segmentazione cromatica (HSV), Blob Analysis ed estrattori leggeri, il progetto dimostra l'inefficacia dei descrittori manuali di fronte all'introduzione di rumore climatico fotorealistico (nebbia, pioggia, neve). Per ripristinare la robustezza del sistema, l'architettura evolve verso l'addestramento e l'ottimizzazione di una rete neurale profonda (ResNet-18). L'elaborato culmina con l'implementazione innovativa di un approccio decisionale ibrido: un "Supervisore Logico" deterministico che si affianca al classificatore statistico per correggerne le predizioni in real-time. Affidando alle euristiche classiche il compito di validare l'astrazione della rete, il sistema riesce a scavalcare le incertezze del modello probabilistico. Questa logica di mutuo controllo argina i cali di confidenza e i falsi negativi tipici dei modelli puramente statistici, conferendo al classificatore la robustezza necessaria per mantenere un'elevata affidabilità operativa anche quando il degrado ottico raggiunge la massima intensità.