Název:
Rozpoznávání registračních značek vozidel
Překlad názvu:
Recognition of Vehicle Number Plates
Autoři:
Martinský, Ondrej ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce) Typ dokumentu: Bakalářské práce
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze][eng]
Práce se zabývá možnostmi využití teoretických poznatků z oblasti umělé inteligence, strojového vidění a neuronových sítí pri konstrukci systémů pro automatické rozpoznávání evidenčních čísel vozidel. Do této problematiky spadají matematické principy a algoritmy, které zabezpečí detekci oblasti evidenčního čísla vozidla, segmentaci, normalizaci a samotné rozpoznání znaků. Práce komparativním způsobem pojednává o možnostech zabezpečení invariance systémů z pohledu světelných podmínek nebo deformace obrazu z pohledu kamery, kterou je obraz snímán. Součástí práce je také implementace demonstracního modelu, který je schopný tyto funkce realizovat nad sadou statických snímků.
This work deals with problematic from field of artificial intelligence, machine vision and neural networks in construction of an automatic number plate recognition system. (ANPR). This problematic includes mathematical principles and algorithms, which ensure a process of number plate detection, processes of proper characters segmentation, normalization and recognition. Work comparatively deals with methods achieving invariance of systems towards image skew, translations and various light conditions during the capture. Work also contains an implementation of a demonstration model, which is able to proceed these functions over a set of snapshots.
Klíčová slova:
ANPR; neurónové sítě; OCR; optické rozpoznávaní znaků; Strojové vidění; umělá inteligence; ANPR; artificial intelligence; machine vision; neural networks; OCR; optical character recognition
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/56224