|
|
Rozšířená realita pomocí rovinného objektu a lokálních obrazových příznaků
Bárta, Milan ; Chrápek, David (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato bakalářská práce se zabývá tvorbou aplikace s prvky rozšířené reality umožňující mapování rovinného objektu a následnou lokalizaci pozice kamery nad tímto modelem s možností dokreslování dalších informací do obrazu. Podrobně jsou rozebrány postupy používané při skládání obrazů pomocí lokálních příznaků, které jsou základními technikami využívanými při tvorbě aplikací pracujících s rozšířenou realitou. Práce se dále zaměřuje na návrh a implementaci takové aplikace.
|
|
|
Robustní detekce pohybujících se objektů ve videu
Klicnar, Lukáš ; Herout, Adam (oponent) ; Beran, Vítězslav (vedoucí práce)
Segmentace scény do oblastí s podobným pohybem je důležitá pro oddělení pohybujících se objektů od pozadí. Většina používaných přístupů ale předpokládá pozadí statické, kdy se kamera nehýbe. Existují i jiné, jejich nevýhodou je však obvykle velmi vysoká výpočetní náročnost. Tato práce obsahuje návrh řešení metody pro online segmentaci obrazu do oblastí s podobným pohybem, která nepředpokládá žádné apriorní znalosti o scéně. Základem je opačná aplikace tvrzení, že body, které patří jednomu objektu, se pohybují podobně. Použitý přístup je založen na sledování výrazných bodů a hledání skupin bodů s podobným pohybem pomocí metody založené na algoritmu RANSAC. Pro zvýšení robustnosti sledování je aplikována oprava přerušených trajektorií. Nalezené shluky bodů jsou následně zpracovávány do skupin představující samostatné objekty, které jsou dále sledovány.
|
|
|
Orientace kamery v reálném čase
Župka, Jiří ; Herout, Adam (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato práce se zabývá orientací kamery v reálném čase pomocí záběrů z jediné kamery. Offline metody jsou zde popsány a použity jako reference pro srovnání metod pracujících v reálném čase. Metody pracující v reálném čase MonoSlam a PTAM jsou zde popsány a porovnány. Dále jsou v práci nastíněny pokročilé postupy, na kterých je možné nadále pracovat.
|
|
|
Detekce objektů v obraze na základě hran
Caha, Jaroslav ; Švub, Miroslav (oponent) ; Španěl, Michal (vedoucí práce)
Prezentovaná metoda detekuje ve vstupním obraze dveře na základě jejich hran. Je důležité dveře odlišit od podobných objektů jako okno nebo vzor na podlaze. Proto je snímek rozdělen na části (podlaha, stěna, strop) a potenciální poloha dveří je tak lépe vymezena. Předpokládá se využití v robotech, kteří se pohybují uvnitř budov.
|
|
|
Analýza vlastností stereokamery ZED ve venkovním prostředí
Svoboda, Ondřej ; Věchet, Stanislav (oponent) ; Krejsa, Jiří (vedoucí práce)
Tato diplomová práce je zaměřena na testování ZED kamery a SLAM mapování ve venkovním prostředí. Je zde porovnána funkčnost samotné vizuální odometrie ZEDfu, vyvíjena samotným výrobcem kamery, s běžně používanými metodami pro sledování trajektorie a to pomocí GPS nebo kolové odometrie. Dále se zde testuje SLAM mapování v RTAB-Map v závislosti na proměnných podmínkách prostředí a to za použití dvou metod BRISK a SIFT. Provedená analýza by měla sloužit pro pozdější aplikace ZED kamery v mobilní robotice.
|
|
|
Skládání obrazů a videosekvencí
Krym, David ; Seeman, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato bakalářská práce se zabývá tvorbou panoramat z obrázků a snímků videosekvencí pořízených rotací kamery z jednoho místa. Zahrnuje návrh a implementaci aplikace se zaměřením na kvalitu a výkon. Využity jsou moderní techniky a algoritmy, jako je například SURF, ORB, metody k-nejbližších sousedů a vyrovnání svazku. Navržený nástroj zvládne automaticky skládat obrázky bez jakýchkoliv znalostí o scéně či kameře.
|
|
|
Skládání snímků sítnice oka
Hladyuk, Vadym ; Semerád, Lukáš (oponent) ; Drahanský, Martin (vedoucí práce)
Cílem této práce je sestavení kompletního snímku sítnice, z několika dílčích snímků. Do této doby neexistuje způsob, jakým by bylo možné zachytit celou sítnici v jednom snímku, proto je důležité, se touto problematikou zabývat. Text představí a detailně popíše metody, algoritmy a knihovny, které byly použity k dosažení požadovaných výsledků. Na závěr textu jsou poté demonstrováný dosažené výsledky. Problém skládání snímků sítnice byl vyřešen extrakcí cév ve snímcích sítnice, vyhledáním klíčových bodů ve snímcích, nalezením společných klíčových bodů, vypočítáním transformační matice a transformací jednoho snímku na druhý. Výsledky celé práce byly také konzultovány s očním lékařem a na základě jeho doporučení byly navrženy další možné kroky, kterými by se práce mohla dále ubírat, které jsou rozebrány v textu. Text poskytne čtenáři znalosti o očním aparátu a také představí oblast barevných modelů, formátů snímků, algoritmů pro hledání klíčových bodů, transformace snímků, dále poskytne možný způsob jak poskládat snímky sítnice a navrhne možné vylepšení.
|
|
|
Detekce dopravních přestupků na křižovatkách
Karpíšek, Miroslav ; Bartl, Vojtěch (oponent) ; Špaňhel, Jakub (vedoucí práce)
Předložená bakalářská práce se zabývá navržením vhodného postupu pro detekci jízdy na červenou. V rámci teoretické části práce jsou popsány aktuální postupy využívané pro zpracování obrazu. Praktická část práce se zabývá vlastním návrhem programu pro automatickou detekci jízdních pruhů, sledování vozidel a určení aktuálního stavu semaforu. V práci jsou též diskutovány výsledky získané experimentováním s vytvořeným programem a diskutovány další možnosti jeho dalšího zlepšení.
|
|
|
Panoramatické snímky automaticky
Motáček, Vladimír ; Španěl, Michal (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato práce se zabývá automatickým skládáním panoramatických snímků. Snímky nemusí být pořízeny pouze v horizontálním směru ani nemusí být seřazeny. Využívá základních technik jako detekce bodů v obraze Harrisovým rohovým detektorem, nalezení korespondencí těchto bodů pomocí korelace a počítání homografie metodou RANSAC. Obrázky jsou mapovány do roviny dané referenčním snímkem.
|
|
|
Deep Neural Networks for Landmark Detection on 3D Models
Kubík, Tibor ; Kodym, Oldřich (oponent) ; Španěl, Michal (vedoucí práce)
Landmark detection is a frequent step during medical data analysis. More and more often, these data are represented in the form of 3D models. An example is a 3D intraoral scan of dentition. Deep neural networks are an appropriate way of detecting landmarks in images. In terms of 3D data, the processing comes with high memory requirements and computational time, which does not meet the needs of medical applications. In this work, I propose a method that eliminates this problem and detects landmarks on the surface of polygonal models of jaws. Different architectures of neural networks, all of which are based on the U-Net architecture, are used in this work. The multi-view approach transforms the task into a 2D domain, where the suggested networks detect landmarks by heatmap regression from several viewpoints. Using a consensus method, final estimates from multiple views are predicted in 3D space. This work introduces experiments with two consensus methods: a centroid of predictions and a geometric approach based on the RANSAC algorithm and least-squares fit. Experiments have shown that a combination of Attention U-Net, 100 viewpoints, and RANSAC consensus method, is able to detect landmarks with an error of 1.20 +- 1.81 mm, while 94.01% of landmarks is predicted with an error of less than 2 mm.
|
host ::
RSS.