|
|
Re-identifikace vozidla pomocí rozpoznání jeho registrační značky
Špaňhel, Jakub ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá návrhem algoritmů detekce a rozpoznání registrační značky vozidla, které by byly použitelné pro re-identifikaci vozidla v obraze, a vytvořením jednoduchého systému analýzy dopravy. Byly navrženy a otestovány jednotlivé části toho systému. Konkrétně se jedná o detekci vozidel, detekci a rozpoznání registrační značky vozidla a systém samotný. Detekce vozidel je prováděna pomocí metody odečítání pozadí a vytváření ohraničení těchto oblastí s úspěšností ~92%. Registrační značka je detekována pomocí kaskády klasifikátoru a dosahuje úspěšnosti 81.72% a přesnosti 94.42%. Rozpoznání poznávací značky pomocí metody Template matching dosahuje úspěšnosti 60.55%. Proto byl představen zcela nový princip rozpoznávání registrační značky vozidla pomocí jejího skenování užitím principu sliding window a rozpoznáváním neuronovou sítí. Neuronová síť dosahuje úspěšnosti 64.47% pro testovací datovou sadu při použití pěti příznaků. Malou úspěšnost neuronové sítě však ovlivňuje nedostatek vzorků některých znaků registrační značky.
|
|
|
Rozpoznání typu vozidla z dohledové kamery
Mencner, Pavel ; Špaňhel, Jakub (oponent) ; Sochor, Jakub (vedoucí práce)
Cílem této práce je detekce vozidel v obraze z dopravní dohledové kamery a jemná klasifikace jejich typu (výrobce a model). V práci je implementována normalizační metoda Unpack, která slouží pro transformaci obrazu vozidla do jeho zdánlivé rovinné reprezentace, za účelem zvýšení úspěšnosti klasifikátoru. Metoda Unpack využívá pro normalizaci 3D bounding box vozidla, který je v testovací fázi sestaven z informací o kontuře a směru k úběžníkům vozidla. Součástí práce je srovnání přesnosti metody přímé a Unpack klasifikace. Řešení se skládá z více na sebe navazujících částí, které využívají konvolučních neuronových sítí. Tyto části jsou: detekce vozidel v obraze, odhad směru k úběžníkům scény řešený jako klasifikační úloha, detekce kontury vozidel s využitím konvoluční Encoder-Decoder sítě a jemná klasifikace typu vozidel. Pomocí klasifikace s využitím metody Unpack bylo dosaženo zvýšení přesnosti systému o 2% proti přímé klasifikaci, dosahujíc výsledné úspěšnosti 86%. Výsledkem práce je systém jemné klasifikace typu vozidel pracující se záznamem z dohledové kamery bez omezení pozorovacích úhlů.
|
|
|
Detekce kolizí vozidel
Kruták, Martin ; Sochor, Jakub (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato bakalářská práce popisuje systém pro detekci a vícenásobné sledování vozidel z dohledových kamer s detekcí kolizí. Práce je zaměřena na detekci a predikci kolize vozidel na dálnicích v jednom směru jízdy. Systém není plně automatický, tudíž vyžaduje počáteční nastavení (např. čáry vymezující pruhy na silnici) pro svou správnou funkčnost. Problém je řešen tak, že je nejdříve získána přesná kontura vozidla. Poté je vypočteno těžiště této kontury. Na základě tohoto těžiště je každému vozidlu přidělen jízdní pruh, ve kterém se pohybuje a každé vozidlo je poté sledováno individuálně. Práce dále představuje metodu predikce a detekce kolize. Pro tuto část je vytvořen obdélník kolem přízemní části vozidla. Tento obdélník je poté zvětšen a vyhodnocován proti obdélníkům jiných vozidel. Objekty, jejichž obdélníky se překrývají jsou předmětem dalšího sledování možné kolize. Experimentální výsledky ukazují 72% přesnost konstrukce přízemního obdélníku jakožto základního stavebního kamene v navrženém systému pro detekci kolizí. Výhody systému jsou v jeho možnostech využití v kamerových systémech, které monitorují provoz na dálnicích.
|
|
|
Detekce automobilů v obraze
Pálka, Zbyněk ; Přinosil, Jiří (oponent) ; Krajsa, Ondřej (vedoucí práce)
Tato práce pojednává o sledování provozu v dopravních komunikacích. Jsou zde rozebrány různé metody extrakce pozadí a čtyři metody detekce vozidel. Dále je zde popsána metoda počítání vozidel. Všechny metody byly realizovány v programovém prostředí Matlab, pro které bylo vytvořeno grafické uživatelské rozhraní. Jedna celá kapitola je věnována postupu při praktickém návrhu programu. Metody jsou porovnávány na sadě testovacích videí. Výsledkem jsou podrobné statistické údaje pojednávající o efektivnosti jednotlivých metod.
|
|
|
Vehicle Location Detection and Distribution from Camera Images
Stryk, Filip ; Götthans, Jakub (oponent) ; Götthans, Tomáš (vedoucí práce)
This bachelor's thesis deals with vehicle location detection and tracking. Basic principles of deep learning and convolutional networks are presented. Deep learning based object detectors are described with a focus on YOLO and then compared in terms of accuracy and speed. A system for vehicle location detection and tracking using YOLOv4-tiny and SORT is designed, implemented and evaluated.
|
|
|
Serverové řešení pro komunikaci dat mezi drony
Herrgott, Jiří ; Materna, Zdeněk (oponent) ; Bambušek, Daniel (vedoucí práce)
Tato diplomová práce se věnuje přenosu letových a multimediálních dat mezi operátory a drony pro lepší plánování a koordinaci misí v reálném čase. Byl vytvořen program, který primárně poskytuje tyto služby. V práci je kladen důraz na robustnost, znovupoužitelnost a rozšiřitelnost, což umožňuje vytvoření modulů například pro detekci nebo 3D rekonstrukci z přenášených dat. V rámci této práce byly navíc vytvořeny moduly pro ukládání letových i multimediálních dat a modul pro detekci vozidel ze sdíleného obrazu. Byly provedeny experimenty pro vyhodnocení odezvy, potřebných výpočetních zdrojů a využité šířky pásma připojení.
|
|
|
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.
|
|
|
Detekce pohybujících se objektů ve videu s využitím neuronových sítí
Mikulský, Petr ; Sikora, Pavel (oponent) ; Myška, Vojtěch (vedoucí práce)
Tato diplomová práce řeší detekci pohybujících se objektů ve videu s využitím neuronových sítí. Cílem práce byla detekce účastníků silničního provozu na video záznamech. Pro praktické řešení práce byl použit předtrénovaný detekční model YOLOv5. V rámci řešení byla vypracována vlastní datová množina ze záběrů dopravní komunikace s třídami: osobní automobil, autobus, dodávkový automobil, motocykl a kamion. Celkově finální podoba datové množiny čítá 5404 snímků a 6467 anotovaných objektů. Dotrénovaný model YOLOv5 dosáhl na testovací množině úspěšnosti detekce vozidel mAP 0,995, preciznosti 0,995 a úplnosti odhadu predikce 0,986. V závěru jsou popsány kroky, které vedly ke konečné podobě vlastního datasetu.
|
|
|
Detekce vozidla v obraze
Petráš, Adam ; Zemčík, Pavel (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato bakalářská práce je zaměřena na detekci vozidel v obraze. V práci je rozebrána metoda detekce vozidel pomocí konvolučních neuronových sítí, jejich struktury a modely. Všechny skripty byly realizovány v programovacím jazyce Python s rozhraním Tensorflow Object Detection API. První část bakalářské práce jsem věnoval strukturám populárních neuronových sítí a modelům detekčních neuronových sítí. Další kapitola se zabývá nejznámějšími frameworky, které se používají pro strojové učení. Byly vybrány tři modely neuronové sítě, jež byly natrénovány na datasetu COD20K. Výsledkem jsou statistické údaje, které pojednávají o efektivitě a výkonu jednotlivých modelů na natrénovaném datasetu a porovnání výkonu bez zobrazení videa na zařízeních Nvidia RTX 2060, kdy výkon dosažený sítí SDD MobileNet V2 byl 300FPS a Nvidia Tegra TX2 8GB, jehož výkon dosahoval téměř 44FPS.
|
|
|
Systém pro asistenci při nepřehledných dopravních situacích
Podola, David ; Janáková, Ilona (oponent) ; Petyovský, Petr (vedoucí práce)
Nepřehledné dopravní křižovatky typu T představují místa s častou nehodovostí. Možné řešení nabízí instalace inteligentního dopravního zrcadla, které snímá a vyhodnocuje situaci v okolí křižovatky a podává řidičům přijíždějícím z vedlejší komunikace jednoznačně srozumitelný signál, zdali mohou v jízdě pokračovat či je třeba vyčkat. Práce se zabývá studií dosažitelnosti spolehlivé detekce nestacionárních objektů pomocí optických metod (kamerového vstupu). Navržený detekční algoritmus, tvořící jádro zamýšleného zařízení, detekoval objekty poměrně spolehlivě, nicméně vykázal horší výsledky se stoupající vzdáleností objektů od křižovatky. Jelikož lze zlepšení detekce na delší vzdálenosti dosáhnout poměrně jednoduše, například pomocí kamery s větším fokusem, byla v závěru práce potvrzena realizovatelnost daného úkolu pomocí zvolené metody optické detekce.
|
host ::
RSS.