|
|
Počítání lidí ve videu
Kuřátko, Jiří ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Cílem této práce je vytvořit program schopný sledovat trajektorie pohybu lidí a~na základě toho vytvářet různé statistiky. V praxi se jedná o efektivní marketingový nástroj, který lze využít například pro analýzy toku zákazníků, optimální vyhodnocení prodejních hodin, analýzy typu návštěvnost a mnoho dalších. Tato práce používá k řešení histogramy orientovaných gradientů, SVM klasifikátor, sledování optického toku a pro asociaci dat byla zvolena metoda multiple hypothesis tracking. Kvalita systému byla vyhodnocena na videu z ulice, kde byla velká koncentrace chodců, a na školním kamerovém systému, kde program sledoval pohyb na chodbě, a tak počítal celkový počet prošlých lidí.
|
|
| |
|
|
Detekce rasistických symbolů z obrazu
Klapal, Matěj ; Říha, Kamil (oponent) ; Povoda, Lukáš (vedoucí práce)
Cílem této práce je vytvořit detektor rasistických symbolů z obrazu za použití funkcí open source knihovny OpenCV. V textu je shrnut základní proces zpracování obrazových dat pomocí počítačů. Text dále obsahuje popis jednotlivých metod z této knihovny umožňujících natrénovat a poté v obraze zaznamenat a lokalizovat požadovaný objekt. Součástí tohoto textu je také porovnání úspěšností detekce za použití Haarových příznaků, LBP a histogramu orientovaných gradientů. V textu jsou také shrnuty výsledky testu detekce pro trojici podporovaných symbolů, svastiku, znaky SS a triskelion.
|
|
|
Rozpoznání obličeje
Keršner, Martin ; Mlích, Jozef (oponent) ; Juránek, Roman (vedoucí práce)
Tato bakalářská práce se zabývá problematikou rozpoznání obličeje. Cílem práce bylo nastudovat různé metody extrakce příznaků a zjistit jejich vliv na úspěšnost rozpoznání. Mezi zkoumané metody extrakce příznaků patří Local Binary Pattern, Histogram orientovaných gradientů a Gaborovy filtry. Dále práce vysvětluje způsoby rozpoznání obličejů podle podobnosti obrazových dat. Jako klasifikátor obličejů byl při experimentech použit Support Vectore Machines. Experimentálně zjištěné nejúspěšnější kombinace parametrů metod extrakce příznaků a klasifikátoru byly využity v systému pro jednoduché rozpoznávání obličejů.
|
|
|
Podpora tvorby map pomocí metod zpracování obrazu
Jaroš, Ján ; Herman, David (oponent) ; Váňa, Jan (vedoucí práce)
Tato bakalářská práce se zabývá metodami detekce vybraných objektů ve videu a importováním těchto objektů do centrální databáze OpenStreetMap na základě jejich geografické poloze. Zaměřena je z velké části na rozpoznávání dopravních značek. První část stručně popisuje některé nejpoužívanější metody a samotný projekt OpenStreetMap. V nasledujících kapitolách je uveden podrobnější přehled použitých metod navrhnutého systému, jeho implementace a testování. Závěr obsahuje zhodnocení celé práce a jsou zde uvedené možné rozšíření.
|
|
|
Detekce, lokalizace a rozpoznání dopravních značek
Svoboda, Tomáš ; Juránek, Roman (oponent) ; Herout, Adam (vedoucí práce)
Tato diplomová práce se zabývá lokalizací, detekcí a rozpoznáním dopravních značek. Jsou zde rozebírány možnosti výběru oblastí s pravděpodobným výskytem značek. Dále jsou řešeny vlastnosti různých příznaků se zaměřením na příznaky založené na histogramu orientovaných gradientů. Z možných klasifikátorů se práce zabývá především kaskádami klasifikátorů typu support vector machines, které jsou použity ve výsledném systému. Součástí zprávy je dále popis implementace systému a popis datových sad pro 5 typů dopravních značek. Systém je rozsáhle testován, výsledky testování jsou velmi dobré. Zpracováním téměř 9 hodin videozáznamu byly získány nové datové sady. Tyto sady zahrnují přibližně 13 500 obrazů.
|
|
|
Učení a detekce objektů různých tříd v obraze
Chrápek, David ; Hradiš, Michal (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato práce je zaměřena na učení a detekci objektů v obraze a v sekvenci po sobě jdoucích obrazů. Konkrétněji na učení a rozpoznávání lidí nebo jejich částí v případě, že jsou částečně zastíněni, s ohledem na možné využití detektoru na robotických platformách. Práce se zaměřuje na využití obrazových příznaků nazývaných Histogramy Orientovaných Gradientů (HOG), které jsou schopny docela dobře pracovat s různými pózami lidí v obraze. Člověk je rozdělen na několik částí a tyto části jsou detekovány samostatně. Následně je použit systém hlasování jednotlivých částí, které byly detekovány, který určuje výsledné pozice osob v obraze. Pro potřeby natrénování tohoto detektoru je využito lineárního SVM. Dále je při detekci ze sekvence po sobě jdoucích snímků použit Kalmanův filtr, který se stará o stabilizaci výsledné detekce.
|
|
|
Detekce dopravních značek z kamery ve vozidle
Dušek, Jan ; Sochor, Jakub (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato bakalářská práce se zabývá detekcí dopravních značek v obraze nebo videu. Nejprve budou popsány algoritmy běžně využívané k tvorbě obecného detektoru dopravních značek. Následně popíšu detekci dopravních značek využívající metod histogram orientovaných gradientů a support vector machines. Nakonec zhodnotím výsledky, kterých se podařilo dosáhnout.
|
|
|
Detekce a rozpoznání dopravního značení
Dvořák, Michal ; Richter, Miloslav (oponent) ; Honec, Peter (vedoucí práce)
Cílem práce je vytvoření algoritmů pro detekci a rozpoznání dopravních značek v obraze. Výsledný program bude zpracovávat reálná data z kamery zabudované v automobilu. Z tohoto důvodu je důraz kladen na spolehlivost detekce a optimalizaci, která povede k minimalizaci využití výpočetních prostředků a schopnost rozpoznávání v reálném čase.
|
|
|
Vyhledávání objektů v obraze na základě předlohy
Novák, Pavel ; Mašek, Jan (oponent) ; Burget, Radim (vedoucí práce)
Tato práce se zabývá detekcí objektů v obraze na základě předlohy. Hlavním přínosem práce je nová metoda extrakce příznaků histogramu orientovaných gradientů používající sadu komparátorů pro extrakci dat. V práci jsou popsány použité metody komparace a extrakce. Hlavní část je věnována především metodě histogramu orientovaných gradientů, ze které vycházíme. V práci je užita malá sada trénovacích obrazů (celkem 100) ověřená křížovou validací, následně ověřená na reálných scénách. Dosažená úspěšnost křížové validace je až 98% pro SVM algoritmus.
|
host ::
RSS.