|
|
AdaBoost v počítačovém vidění
Hradiš, Michal ; Zemčík, Pavel (oponent) ; Potúček, Igor (vedoucí práce)
V této diplomové práci jsou představeny nové obrazové příznaky "local rank differences" (LRD). Tyto příznaky jsou invariantní vůči změnám osvětlení a jsou vhodné k implementaci detektorů objektů v programovatelném hardwaru, jako je například FPGA. Chování klasifikátorů s LRD vytvořených pomocí algoritmu AdaBoost bylo otestováno na datové sadě pro detekci obličejů. LRD v těchto testech dosáhly výsledků srovnatelných s výsledky klasifikátorů s Haarovými příznaky, které jsou používány v nejlepších současných detektorech objektů pracujících v reálném čase. Tyto výsledky ve spojení s faktem, že LRD je možné v FPGA vyhodnocovat několikanásobně rychleji než Haarovy příznaky, naznačují, že by LRD příznaky mohly být řešením pro budoucí detekci objektů v hardwaru. V této práci také prezentujeme nástroj pro experimenty s algoritmy strojového učení typu boosting, který je speciálně uzpůsoben oblasti počítačového vidění, je velmi flexibilní, a přitom poskytuje vysokou efektivitu učení a možnost budoucí paralelizace výpočtů. Tento nástroj je dostupný jako open source software a my doufáme, že ostatním ulehčí vývoj nových algoritmů a příznaků.
|
|
|
Automatic Face Recognition in Real Environment
Kičina, Pavol ; Šmirg, Ondřej (oponent) ; Přinosil, Jiří (vedoucí práce)
This master‘s thesis describes the identification faces in real terms. It includes an overview of current methods of detection faces by the classifiers. It also includes various methods for detecting faces. The second part is a description of two programs designed to identify persons. The first program operates in real time under laboratory conditions, where using web camera acquires images of user's face. This program is designed to speed recognition of persons. The second program has been working on static images, in real terms. The main essence of this method is successful recognition of persons, therefore the emphasis on computational complexity. The programs I used a staged method of PCA, LDA and kernel PCA (KPCA). The first program only works with the PCA method, which has good results with respect to the success and speed of recognition. In the second program to compare methods, which passed the best method for KPCA.
|
|
|
Optimalizace algoritmů pro zpracování obrazu v C++ pomocí šablon
Čepl, Radek ; Vyskočil, Michal (oponent) ; Španěl, Michal (vedoucí práce)
Bakalářská práce se zabývá optimalizací algoritmu AdaBoost pro zpracování obrazu v C++ pomocí šablon. Zaměřuje se především na efektivní vyhodnocení Haarových příznaků pevné velikosti. Je zde porovnána rychlost detekce při klasickém a šablonovém vyhodnocení příznaků. Celá aplikace je vytvořena pomocí jazyka C++ s vyuţitím grafické knihovny OpenCV a knihovny TinyXML a je testována v prostředí operačního systému Windows XP.
|
|
|
Rozpoznávání objektů a gest v obraze
Johanová, Daniela ; Beran, Vítězslav (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce je zaměřena na rozpoznávání gest ve videu. Cílem práce bylo vytvořit aplikaci, která by umožnila pomocí obyčejné webové kamery rozpoznávání malého množství gest za účelem ovládání počítače. Pro tento účel bylo použito vybraných metod pro získávání deskriptorů z obrazu, pro sledování určitých oblastí ve videu a strojového učení.
|
|
| |
|
|
Processing of Video Records
Čerešňák, Michal ; Drahanský, Martin (oponent) ; Zemčík, Pavel (vedoucí práce)
This thesis presents a system for video processing focused on face detection and recognition. This system processes a video stream from camera in real time. System uses Viola-Jones detector for face detection. For face recognition is used SURF method. Software is implemented in C# language and uses OpenCV library and Emgu CV wrapper.
|
|
| |
|
|
Lokalizace obličejů ve video sekvencích v reálném čase
Juráček, Aleš ; Přinosil, Jiří (oponent) ; Richter, Miloslav (vedoucí práce)
Má diplomová práce se zabývá detekcí obličeje v obraze. Snažím se nastínit problematiku počítačového vidění, umělé inteligence a strojového učení. Popsal jsem zde podrobně detekci navrženou Violou a Jonesem, která pro sestavení klasifikátoru využívá algoritmus AdaBoost. Tato metoda byla záměrně vybrána z důvodu rychlosti detekce. Tento detektor byl realizován v programovacím jazyce C/C++ s využitím knihovny OpenCV. K celkovému natrénování byla využita databáze obličejových obrazů „MIT CVCL Face Database“. Cílem byla možnost nasazení detektoru tváří ve videosekvencích.
|
|
|
Ovládání počítače pomocí gest
Charvát, Jaroslav ; Beran, Vítězslav (oponent) ; Bartoň, Radek (vedoucí práce)
Diplomová práce "Ovládání počítače pomocí gest" zpracovává teoretické poznatky z oblasti problematiky počítačového vidění, rozpoznávání gest a podrobněji popisuje jednotlivé metody, použité k vývoji programu. Praktickou část této práce tvoří popis funkčnosti vyvinuté aplikace, pomocí které je možné ovládat počítač gesty pravé i levé ruky a hlavy. Program funguje na základě prvotní detekce kůže, následně pracuje na vyhledávání gest dlaní a hlavy. Pro tyto činnosti byly mimo jiné využity metody AdaBoost a PCA.
|
|
|
Acceleration of Object Detection Using Classifiers
Juránek, Roman ; Kälviäinen, Heikki (oponent) ; Sojka, Eduard (oponent) ; Zemčík, Pavel (vedoucí práce)
Detection of objects in computer vision is a complex task. One of most popular and well explored approaches is the use of statistical classifiers and scanning windows. In this approach, classifiers learned by AdaBoost algorithm (or some modification) are often used as they achieve low error rates, high detection rates and they are suitable for detection in real-time applications. Object detection run-time which uses such classifiers can be implemented by various methods and properties of underlying architecture can be used for speed-up of the detection. For the purpose of acceleration, graphics hardware, multi-core architectures, SIMD or other means can be used. The detection is often implemented on programmable hardware. The contribution of this thesis is to introduce an optimization technique which enhances object detection performance with respect to an user defined cost function. The optimization balances computations of previously learned classifiers between two or more run-time implementations in order to minimize the cost function. The optimization method is verified on a basic example -- division of a classifier to a pre-processing unit implemented in FPGA, and a post-processing unit in standard PC.
|
host ::
RSS.