Original title: Detekce registrační značky vozidla ve videu
Translated title: Detection of Vehicle License Plates in Video
Authors: Líbal, Tomáš ; Hradiš, Michal (referee) ; Herout, Adam (advisor)
Document type: Bachelor's theses
Year: 2019
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [cze] [eng]
Tato práce se zabývá přípravou trénovací datové sady a trénováním konvoluční neuronové sítě pro detekci registrační značky vozidla ve videu. Pro detekce byla použita technologie Darknet, konkrétně model neuronové sítě YOLOv3-tiny. Řešení bylo zaměřeno na co nejpřesnější detekce a na co nejmenší počet falešných detekcí na obrázek, a tím dosáhnout co nejmenší celkové chyby modelu. Datová sada byla připravena z již existujících volně dostupných datových sad, z datové sady poskytnuté výzkumnou skupinou GRAPH@FIT a z vlastnoručně anotovaných obrázků vytvořených ze stažených videí ze serveru YouTube. Tato datová sada byla dále také zpracována pomocí augmentace dat, čímž byla rozšířena na dvojnásobnou velikost. Pro vytvoření anotací byl použit nástroj YOLO Mark. Pro vizualizaci chybovosti modelu byla použita ROC křivka. Vytvořené řešení dosahuje minimální celkové chyby 10,849%. Součástí řešení je i již zmiňovaná datová sada. This thesis deals with preparation of training dataset and training of convolutional neural network for licence plate detection in video. Darknet technology was used for detection, specifically the YOLOv3-tiny neural network model. The solution was focused on the most accurate detection and the smallest number of false positives per image, thus minimizing overall model error. Dataset was prepared from existing freely available datasets, from the dataset provided by the GRAPH@FIT research group, and from self-annotated images created from downloaded YouTube videos. Furthermore, this dataset has been processed using data augmentation, extending it to twice the size. The YOLO Mark tool was used to create annotations. An ROC curve was used to visualize the detection success. Created solution reaches minimum total error 10,849%. Part of the solution is already mentioned dataset.
Keywords: CNN; Convolutional neural network; Darknet; Deep learning; licence plate detection; Object Detection; ROC; YOLO; YOLOv3; YOLOv3-tiny; CNN; Darknet; detekce objektů; detekce registračních značek; Hluboké učení; Konvoluční neuronová síť; ROC; YOLO; YOLOv3; YOLOv3-tiny

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/180101

Permalink: http://www.nusl.cz/ntk/nusl-547639


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses