|
|
Rozpoznávání pozic a gest
Jiřík, Leoš ; Hradiš, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Práce se zabývá studiem současného stavu v problematice zpracování obrazu, zvláště s ohledem k rozpoznávání gest. Zmiňuje vybrané postupy jiných autorů a podrobuje je kritickému pohledu. V druhé části se věnuje návrhu algoritmu, který by umožnil spolehlivé rozpoznávání gest v datech z projektů AMI a M4. Navrhují se prostředky zpřesnění informace o poloze účastníků a zpracování dynamických dat za účelem jejich přípravy k rozpoznávání. Je navržena možnost rozpoznávání gest pomocí směsi Gaussových funkcí a analýzy periodičnosti. Zkoumaná třída gest jsou gesta podporující řeč účastníka záznamu. Poslední část demonstruje výsledky a diskutuje další možný postup.
|
|
|
Minimalistický objektově orientovaný "ray tracer"
Roženský, Mário ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Práce podává přehled o vykreslování scény pomocí metody ray tracing. Zabývá se jednotlivými aspekty při tvorbě aplikace využívající tuto metodu, jako jsou výpočty průsečíků, výpočet osvětlení apod. Je zde popsán základní algoritmus výpočtu jednoho snímku scény. Detailně jsou rozebrány jednotlivé třídy objektového návrhu. U každé je podrobný popis co daná třída dělá, proč byla do modelu zařazena a jsou vysvětleny důležité metody, které daná třída používá. Součástí je také ukázková aplikace demonstrující využití modelu v praxi a jeho snadnou použitelnost.
|
|
|
Identifikace osob pro kamerový systém
Hopjan, Tomáš ; Juránek, Roman (oponent) ; Hradiš, Michal (vedoucí práce)
Práce se zabývá sledováním osob kamerovým systémem a jejich identifikací. Jsou popsány metody detekce pohybu a identifikace jednotlivých osob. Hlavním tématem je sledování pohybu osob pomocí více kamer. Identifikace osob je prováděna s využitím histogramů jednotlivých barev. Na základě experimentů jsou uvedeny přínosy a problémy, které je nutné řešit.
|
|
|
Biologicky inspirované metody rozpoznávání objektů
Truhlář, Martin ; Hradiš, Michal (oponent) ; Juránek, Roman (vedoucí práce)
V tomto dokumentu je vysvětlena metoda pro biologicky inspirované rozpoznávání obrazů. Dále v práci jsou objasněny postupy zpracování obrazů a jednotlivé fáze extrakce informací pro klasifikaci. Pro klasifikaci je použita klasifikační metoda Support Vector Machine, ale jsou zde popsány i další klasifikační metody. Je vysvětlen způsob testování a samotná práce s metodou. V závěru jsou shrnuty výsledky pro jednotlivá nastavení modelu klasifikátoru a jejich výhody i nevýhody.
|
|
|
Rozpoznávání hudebních stylů
Behúň, Kamil ; Polok, Lukáš (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním hudebních stylů. V úvodu je přehled aktuálních metod používaných při rozpoznávání hudebních stylů. Další kapitoly jsou věnovány vytvořenému systému pro rozpoznávání hudebních stylů. Výsledný systém obsahuje dvě metody extrakce příznaků. První využívá extrakci Mel-frekvenčních kepstrálních koeficientů z~nahrávek a~druhá extrakci příznaků ze spektrogramu nahrávek. Pro klasifikaci výsledný systém využívá Support Vector Machine.
|
|
|
Rozpoznávání písmen pomocí neuronové sítě
Kluknavský, František ; Hradiš, Michal (oponent) ; Šilhavá, Jana (vedoucí práce)
Práca sa na úlohe rozpoznávania rukou písaných písmen zaoberá implementáciou viacvrstvovej perceptrónovej siete, učením metódou spätného šírenia chyby, hľadaním ich optimálnych parametrov, šírkou skrytej vrstvy, rýchlosťou a dĺžkou učenia, zvládaním poškodených dát. Výsledky vznikli opakovaným simulovaním a testovaním neurónovej siete použitím 52 152 malých písmen anglickej abecedy. Najlepšie výsledky pri čo najmenšej sieti a najkratšom čase tréningu dosiahla sieť so 60 neurónmi v skrytej vrstve a učenie rýchlosťou 0,01. Siete so širšou skrytou vrstvou dosiahli približne rovnakú úspešnosť pri testoch na neznámych písmenách, ale vyššiu úspešnosť na silne poškodených písmenách.
|
|
|
Aplikace algoritmu AdaBoost
Wrhel, Vladimír ; Šilhavá, Jana (oponent) ; Hradiš, Michal (vedoucí práce)
V této práci jsou uvedeny základy klasifikace a rozpoznávání vzorů. Zaměříme se především na algoritmus AdaBoost, který slouží k vytvoření silné klasifikační funkce pomocí několika slabých klasifikátorů. Seznámíme se taktéž s některými modifikacemi AdaBoostu. Tyto modifikace zlepšují některé z vlastností AdaBoostu. Podíváme se taktéž na slabé klasifikátory a příznaky k nim použitelné. Zvláště se podíváme na Haarovy příznaky. Probereme možnosti použití zmíněných algoritmů a příznaků při rozpoznávání výrazu obličeje. Popíšeme si situaci mezi databázemi výrazů obličejů. Nastíníme možnou implementaci aplikace rozpoznávání výrazů obličeje.
|
|
|
Evaluace texturních příznaků
Průša, Petr ; Hradiš, Michal (oponent) ; Šiler, Ondřej (vedoucí práce)
Tato bakalářská práce se zabývá statistickým popisem textur metodami LBP a maticemi souslednosti. Obsahem je také vyhodnocení matic souslednosti pomocí Haralickových příznaků. Implementace je v jazyce C++ a byla využita knihovna CImg.h
|
|
|
Rozpoznávání gest myší
Král, Jiří ; Zuzaňák, Jiří (oponent) ; Hradiš, Michal (vedoucí práce)
Práce se zabývá rozpoznáváním gest myší. Pro modelování gest je v systému využito Skrytých markovových modelů, které popisují gesto jako časovou posloupnost vlastností. V práci je provedeno srovnání různých typů parametrizací trajektorie. Nejlepší parametrizace gest (pozice normalizovaná těžištěm a velikostí) dosáhla sensitivity 98 %.
|
|
|
Odhad parametrů objektů z obrazů
Přibyl, Bronislav ; Hradiš, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Rapidní rozvoj komunikačních technologií v posledním desetiletí zapříčinil zvýšení objemu informací, které lidé a organizace generují a sdílejí. V současné spleti je stále těžší identifikovat relevantní zprávy, protože ještě neexistují nástroje a techniky pro inteligentní správu informace v masovém měřítku. Obrazová informace je vzhledem k multimediální povaze dnešních médií stále frekventovanější a důležitější. Tato práce popisuje software pro automatický odhad předem definovaných vlastností objektů v obraze. Je také popsána implementace tohoto algoritmu v jazyce C++.
|
host ::
RSS.