|
|
Aplikace pro sledování dopravy
Tesař, Filip ; Zahrádka, Jiří (oponent) ; Španěl, Michal (vedoucí práce)
Tato práce se zabývá detekcí a sledováním pohybujících se objektů ve videosekvenci. Cílem práce je návrh a implementace aplikace, která z videosekvence zachycující dopravní provoz získá statistická data o jednotlivých vozidlech, například odhadne rychlost vozidla a určí jeho jízdní pruh. Vytvořená aplikace používá metodu odečítání pozadí Mixture of Gaussians a umožňuje sledování více dopravních úseků současně nezávislými kamerami, výstupní údaje ukládá do databáze a uživateli umožňuje jejich zobrazení ve formě grafů skrze jednoduché webové rozhraní.
|
|
|
Měření rychlosti automobilů z dohledové kamery
Jaklovský, Samuel ; Juránek, Roman (oponent) ; Sochor, Jakub (vedoucí práce)
Táto diplomová práca sa zaoberá plne automatickou kalibráciou dopravnej dohľadovej kamery, ktorá je následne použitá na meranie rýchlosti prechádzajúcich vozidiel. Práca obsahuje a popisuje teoretické informácie a algoritmy týkajúce sa tejto problematiky. Na ich základe bol postavený komplexný návrh systému pre automatickú kalibráciu a meranie rýchlosti. Navrhnutý systém bol úspešne naimplementovaný. Implementovaný systém je optimalizovaný tak, aby pre automatickú kalibráciu kamery musel spracovať čo najmenší úsek vstupného videa. Kalibračné parametre sú tak získané po spracovaní iba dva a pol minúty vstupného videa. Presnosť implementovaného systému bola vyhodnotená na datasete BrnoCompSpeed. Chyba pri meraní rýchlosti pri použití systému automatickej kalibrácie predstavuje 8,15 km/h. Chyba je spôsobená hlavne nepresným získavaním mierky, pri jej nahradení manuálne získaným údajom sa nepresnosť zníži na 2,45 km/h. Samotný systém merania rýchlosti vykazuje chybu len 1,62 km/h (vyhodnotené použitím manuálne získanými kalibračnými parametrami).
|
|
|
Generátor syntetické datové sady pro dopravní analýzu
Svoreň, Ondrej ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Táto bakalárska práca sa zaoberá vytvorením generátora syntetickej dátovej sady pre do pravnú analýzu. V práci sa venujem problematike analýzy dopravy prostredníctvom počí tačového videnia, spôsobu a podmienkam vytvorenia generátora syntetickej dátovej sady, potenciálnemu využitiu výsledkov na strojové učenie a možnostiam ďalšieho vývoja. Zo za obstaraných fotografií automobilov Českej republiky, Slovenska, Poľska a Maďarska som vytvoril generátor syntetických poznávacích značiek týchto štátov, ktoré tvoria po grafic kých úpravách a po spojení s fotografiami automobilov výslednú dátovú sadu určenú na strojové učenie. Samotné riešenie je rozdelené do troch skriptov v jazyku Python s použi tím knižnice OpenCV. Výsledná dátová sada slúži systému využívajúcemu strojové učenie na reidentifikáciu evidenčných čísel vozidiel z fotografií zachytených v cestnej premávke.
|
|
|
Vehicle Speed Measurement Using Stereo Camera Pair
Najman, Pavel ; Sojka, Eduard (oponent) ; Guillemaut, Jean-Yves (oponent) ; Zemčík, Pavel (vedoucí práce)
This thesis aims to answer the question whether it is currently possible to autonomously measure the speed of vehicles using a stereoscopic method with the average error within 1 km/h, the maximum error within 3 km/h, and the standard deviation within 1 km/h. The error ranges are based on the requirements of the OIML whose Recommendations serve as templates for metrological legislations of many countries. To answer this question, a~hypothesis is formulated and tested. A method that utilizes a stereo camera pair for vehicle speed measurement is proposed and experimentally evaluated. The experiments show that the technique overcomes state-of-the-art results with the mean error of approximately 0.05 km/h, the standard deviation of less than 0.20 km/h, and the maximum absolute error of less than 0.75 km/h. The results are within the required ranges, and therefore the formulated hypothesis holds.
|
|
|
Rekonstrukce 3D informací o automobilech z průjezdů před dohledovou kamerou
Dobeš, Petr ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato diplomová práce se zabývá 3D rekonstrukcí vozidel projíždějících před dohledovou kamerou. V práci je nejprve představena kalibrace dohledové kamery a souvislost automatické kalibrace s 3D informacemi o sledované dopravě. Dále jsou představeny algoritmy Structure from Motion a SLAM, společně s metodami pro odhad optického toku. Za účelem prozkoumání chování pro snímky projíždějících vozidel jsou provedeny experimenty s výpočtem korespondencí a algoritmem Structure from Motion. Následně je postup algoritmu Structure from Motion upraven. SIFT příznaky jsou nahrazeny algoritmem DeepMatching za účelem získání hustých bodových korespondencí pro následnou fázi rekonstrukce. Rekonstruované modely jsou dále zpřesněny aplikováním dodatečných omezení, která jsou specifická pro rekonstrukci projíždějících vozidel. Získané modely jsou poté vyhodnoceny. Veškeré zjištěné poznatky a informace o rekonstrukci vozidel jsou pak využity k navržení dalších modifikací, které by vedly k vytvoření zcela vlastního rekonstrukčního postupu, specializovaného přímo pro 3D rekonstrukci projíždějících vozidel.
|
|
|
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.
|
|
|
Detection and Classification of Vehicles for Embedded Platforms
Skaloš, Patrik ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
This paper evaluates the performance trade-offs of state-of-the-art YOLOv8 object detectors for vehicle detection in surveillance-type images on embedded and low-performance devices. YOLOv8 models of varying sizes, including one with the lightweight MobileNetV2 backbone and YOLOv8-femto with fewer than \num{60000} parameters, were benchmarked across six devices, including three NVIDIA Jetson embedded platforms and the low-performance Raspberry Pi 4B. Various factors influencing performance were considered, such as weight quantization, input resolutions, inference backends, and batch sizes during inference. This study provides valuable insights into the development and deployment of vehicle detectors on a diverse range of devices, including low-performance CPUs and specialized embedded platforms.
|
|
|
Vehicle Speed Measurement Using Stereo Camera Pair
Najman, Pavel ; Sojka, Eduard (oponent) ; Guillemaut, Jean-Yves (oponent) ; Zemčík, Pavel (vedoucí práce)
This thesis aims to answer the question whether it is currently possible to autonomously measure the speed of vehicles using a stereoscopic method with the average error within 1 km/h, the maximum error within 3 km/h, and the standard deviation within 1 km/h. The error ranges are based on the requirements of the OIML whose Recommendations serve as templates for metrological legislations of many countries. To answer this question, a~hypothesis is formulated and tested. A method that utilizes a stereo camera pair for vehicle speed measurement is proposed and experimentally evaluated. The experiments show that the technique overcomes state-of-the-art results with the mean error of approximately 0.05 km/h, the standard deviation of less than 0.20 km/h, and the maximum absolute error of less than 0.75 km/h. The results are within the required ranges, and therefore the formulated hypothesis holds.
|
|
|
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.
|
|
|
Generátor syntetické datové sady pro dopravní analýzu
Svoreň, Ondrej ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Táto bakalárska práca sa zaoberá vytvorením generátora syntetickej dátovej sady pre do pravnú analýzu. V práci sa venujem problematike analýzy dopravy prostredníctvom počí tačového videnia, spôsobu a podmienkam vytvorenia generátora syntetickej dátovej sady, potenciálnemu využitiu výsledkov na strojové učenie a možnostiam ďalšieho vývoja. Zo za obstaraných fotografií automobilov Českej republiky, Slovenska, Poľska a Maďarska som vytvoril generátor syntetických poznávacích značiek týchto štátov, ktoré tvoria po grafic kých úpravách a po spojení s fotografiami automobilov výslednú dátovú sadu určenú na strojové učenie. Samotné riešenie je rozdelené do troch skriptov v jazyku Python s použi tím knižnice OpenCV. Výsledná dátová sada slúži systému využívajúcemu strojové učenie na reidentifikáciu evidenčných čísel vozidiel z fotografií zachytených v cestnej premávke.
|
host ::
RSS.