|
|
Detekce a rozpoznání registrační značky z jedoucího vozidla
Tomovič, Martin ; Sochor, Jakub (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cieľom tejto práce je vytvoriť aplikáciu na detekciu a rozpoznávanie registračných značiek, vhodnú pre spracovanie v reálnom čase. Práca obsahuje rozbor vybraných metód zaoberajúcich sa touto problematikou. Časť práce je venovaná súčasnej podobe registračných značiek v Českej republike. Pri tvorbe práce bola vytvorená nová dátová sada a bola implementovaná počítačová aplikácia. Aplikácia využíva existujúce knižnice určené pre počítačové videnie a strojové učenie. Jej úlohou je detekcia a rozpoznávanie značiek z videa. Detekcia je realizovaná pomocou kaskádového klasifikátora a rozpoznávanie pomocou perceptrónovej neurónovej siete. V závere je zhodnotená úspešnosť implementovaného riešenia.
|
|
|
Automatic Traffic Video Surveillance: Fine-Grained Recognition of Vehicles and Automatic Speed Measurement
Sochor, Jakub ; Elder, James (oponent) ; Svoboda,, Tomáš (oponent) ; Herout, Adam (vedoucí práce)
This thesis presents my contributions to the state-of-the-art in Intelligent Transportation Systems and Computer Vision. Specifically, the work is focused on two tasks -- automatic speed measurement of vehicles and fine-grained recognition of vehicles. The problem of vehicle fine-grained recognition can be defined as a task where the system is supposed to produce exact fine-grained type (e.g. "Škoda Octavia combi mk2") for a presented vehicle. In my first paper on this topic, a method exploiting automatically constructed 3D bounding boxes around vehicles is proposed. The results show that the method significantly improves classification and verification accuracy. Further improvements and analysis of the approach was published in my second paper dealing with the problem. The improved approach eliminates necessity to know vanishing points a priori - it is possible to construct the 3D bounding box of the vehicle from a single image of the vehicle. The results show that our proposed method consistently improves classification accuracy by up to 12 percentage points with different Convolutional Neural Networks. The classification error was also reduced by up to 50 %.The second addressed problem is automatic speed measurement of vehicles. The proposed system should work from a single camera without any manual calibration or input. First, we had to collect a large dataset with precise ground truth speed measurements as there was no such dataset. The dataset contains over 20,000 vehicles with ground truth speed measurement acquired from two synchronized LIDAR optical gates. Furthermore, we proposed a method for fully automatic traffic surveillance camera calibration enabling precise speed measurement of vehicles. The approach is based on vanishing point estimation and 3D model alignment of several common vehicle models. The experimental results show that our method achieves 1.10 km/h mean speed measurement error while outperforming both state-of-the-art methods and manual calibration in the speed measurement task.
|
|
|
Rozpoznání typu vozidla z dohledové kamery
Mencner, Pavel ; Špaňhel, Jakub (oponent) ; Sochor, Jakub (vedoucí práce)
Cílem této práce je detekce vozidel v obraze z dopravní dohledové kamery a jemná klasifikace jejich typu (výrobce a model). V práci je implementována normalizační metoda Unpack, která slouží pro transformaci obrazu vozidla do jeho zdánlivé rovinné reprezentace, za účelem zvýšení úspěšnosti klasifikátoru. Metoda Unpack využívá pro normalizaci 3D bounding box vozidla, který je v testovací fázi sestaven z informací o kontuře a směru k úběžníkům vozidla. Součástí práce je srovnání přesnosti metody přímé a Unpack klasifikace. Řešení se skládá z více na sebe navazujících částí, které využívají konvolučních neuronových sítí. Tyto části jsou: detekce vozidel v obraze, odhad směru k úběžníkům scény řešený jako klasifikační úloha, detekce kontury vozidel s využitím konvoluční Encoder-Decoder sítě a jemná klasifikace typu vozidel. Pomocí klasifikace s využitím metody Unpack bylo dosaženo zvýšení přesnosti systému o 2% proti přímé klasifikaci, dosahujíc výsledné úspěšnosti 86%. Výsledkem práce je systém jemné klasifikace typu vozidel pracující se záznamem z dohledové kamery bez omezení pozorovacích úhlů.
|
|
|
Detekce a rozpoznání registrační značky z fotografie
Janíček, Kryštof ; Sochor, Jakub (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zabývá návrhem a vývojem systému pro detekci a rozpoznání registrační značky vozidla. Tento systém je rozdělen na tři části, kterými jsou detekce registrační značky, segmentace znaků a rozpoznání znaků. Pro detekci registrační značky je použita kaskáda klasifikátorů, která dosahuje úspěšnosti až 95,5% a přesnosti 95,9%. Segmentace znaků je provedena pomocí vyhledávání kontur s úspěšností 93,3% a přesností 96,5%. Pro rozpoznání znaků je využita neuronová síť, která dosahuje úspěšnosti 98,4% pro jednotlivé znaky. Celý systém je schopen detekovat a rozpoznat 81,5% registračních značek v pořízené testovací datové sadě.
|
|
|
Detekce kolizí vozidel
Kruták, Martin ; Sochor, Jakub (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato bakalářská práce popisuje systém pro detekci a vícenásobné sledování vozidel z dohledových kamer s detekcí kolizí. Práce je zaměřena na detekci a predikci kolize vozidel na dálnicích v jednom směru jízdy. Systém není plně automatický, tudíž vyžaduje počáteční nastavení (např. čáry vymezující pruhy na silnici) pro svou správnou funkčnost. Problém je řešen tak, že je nejdříve získána přesná kontura vozidla. Poté je vypočteno těžiště této kontury. Na základě tohoto těžiště je každému vozidlu přidělen jízdní pruh, ve kterém se pohybuje a každé vozidlo je poté sledováno individuálně. Práce dále představuje metodu predikce a detekce kolize. Pro tuto část je vytvořen obdélník kolem přízemní části vozidla. Tento obdélník je poté zvětšen a vyhodnocován proti obdélníkům jiných vozidel. Objekty, jejichž obdélníky se překrývají jsou předmětem dalšího sledování možné kolize. Experimentální výsledky ukazují 72% přesnost konstrukce přízemního obdélníku jakožto základního stavebního kamene v navrženém systému pro detekci kolizí. Výhody systému jsou v jeho možnostech využití v kamerových systémech, které monitorují provoz na dálnicích.
|
|
|
Rychlá re-kalibrace PTZ kamery pro analýzu dopravy
Dřevo, Aleš ; Juránek, Roman (oponent) ; Sochor, Jakub (vedoucí práce)
Tato diplomová práce se zabývá problematikou re-kalibrace PTZ kamery při jejím pohybu. Cílem práce je udržet kameru ve zkalibrovaném stavu z výchozího stavu, kdy jsou známé pozice úběžníků v obraze. Jejich pozice jsou při pohybu kamery udržovány, a to pomocí dvou implementovaných metod. První metoda je založena na principu homografie, druhá pak na principu dvojpoměru. Výsledky ukazují, že obě tyto metody fungují především pro udržení pozice prvních úběžníků. V případě druhých úběžníků vznikají různé problémy a výsledky jsou často poměrně nepřesné.
|
|
|
Cloudová aplikace pro analýzu dopravy
Valchář, Vít ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Cílem této práce je vytvořit cloudovou aplikaci pro analýzu videa bez znalosti jakýchkoliv parametrů kamery. Jediným vstupem je tak adresa webové kamery. Aplikace je postavena na již existujícím řešení. To je vylepšeno přidáním nového modulu pro odstranění překážek, jako je např. sloup veřejného osvětlení zastiňující část vozovky, a modulu pro rozdělení dvou blízko sebe jedoucích vozidel. Výsledné cloudové řešení je tvořeno soustavou dílčích aplikací, které spolu komunikují pomocí HTTP zpráv a jsou ovládány přes webové rozhraní.
|
|
|
Paralelní trénování hlubokých neuronových sítí
Šlampa, Ondřej ; Sochor, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je navrhnou způsob jak zhodnotit výhodnost použití paralelního trénování neuronových sítí. V této práci jsem provedl analýzu paralelního trénování se zaměřením na délku trénování. Vycházím ze sekvenční délky trénování a délky přenosu vah po síti. Výsledkem této práce je návrh vzorců, které slouží k odhadu zrychlení na více výpočetních jednotkách. Tyto vzorce je možné použít na zjištění ideálního počtu pracovních jednotek pro trénování.
|
|
|
Systém automatického přístupu na parkoviště pomocí rozpoznání registrační značky
Václavek, Patrik ; Sochor, Jakub (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce bylo navrhnout a implementovat systém pracující v reálném čase, schopný detekovat příjezd vozidla k terminálu parkoviště, rozpoznat registrační značku a automaticky rozhodnout o jeho vpuštění. Systém pro detekci příjezdu automobilu využívá algoritmus Gaussian Mixture Model. Pro spolehlivou lokalizaci registrační značky jsou použity dvě metody. V první jsou extrahovány Maximálně Stabilní Extrémní Regiony (MSER), zatímco ve druhé je použita transformace Top-Hat. Pro určení, zda se u nalezených regionů jedná o registrační značku, je využito klasifikátoru Support Vector Machine (SVM). Klasifikace znaků je provedena použitím umělé neuronové sítě. Pro implementaci byla použita knihovna OpenCV. Extrakce MSER byla díky navržené optimalizaci zrychlena až sedmkrát. Při lokalizaci registrační značky se podařilo dosáhnout úspěšnosti 92,47% a spolehlivost klasifikace dosahuje 90,03%.
|
|
|
Detekce, sledování a klasifikace automobilů
Vopálenský, Radek ; Sochor, Jakub (oponent) ; Juránek, Roman (vedoucí práce)
Cílem této diplomové práce je navrhnout a implementovat v jazyce C++ systém pro detekci, sledování a klasifikaci automobilů ze streamů nebo záznamů dopravních kamer. Systém běží na platformě robotického operačního systému a využívá knihovny OpenCV, FFmpeg, TensorFlow a Keras. Pro detekci je využit kaskádový klasifikátor, pro sledování Kalmanův filtr a pro klasifikaci konvoluční neuronová síť. Z celkového počtu 627 automobilů bylo správně sledováno 479. Z toho bylo klasifikováno celkem 458 (nejsou zahrnuty kamiony nebo nákladní automobily). Výsledný systém je možné využívat pro analýzu dopravy.
|
host ::
RSS.