|
|
Detekce a rozpoznávání dopravních značek
Číp, Pavel ; Honec, Peter (oponent) ; Horák, Karel (vedoucí práce)
Práce se zabývá diskuzí nad metodami detekce a rozpoznávání dopravních značek v městském i mimoměstkém prostředí. Předpokladem pro realizaci systému je zabudovaná kamera, obvykle ve zpětném zrcátku automobilu, snímající scénu před automobilem. Její obrazová data jsou posléze zpracována připojeným PC, kde dochází k převodu dat na informace a jejich vyhodnocení. O případné nalezené značce je řidič vizuálně či akusticky upozorněn. Úloha vedoucí k úspěšnému cíli je rozdělena do čtyřech samostatných bloků. V první části je předzpracování obrazu jako takového. Pracujeme s barevným obrazem a s využitím znalosti o barevnosti dopravních značek v České republice, lze provést barevnou segmentaci žádaných intervalů. Druhým krokem je detekce geometrických tvarů odpovídajících dopravním značkám v segmentovaných datech. Krokem číslo tři je rozpoznání vnitřního piktogramu a jeho nalezení v databázi. Posledním krokem je vizuální výstup zobrazením nalezené dopravní značky. Práce byla zpracována tak, aby byla zajištěna detekce všech důležitých dopravních značení ve třech základních barevných kombinacích platných dle Ministerstva dopravy České republiky. Výsledkem je zdrojový kód pro program MATLAB.
|
|
|
Obvyklá doba pozorování prvků dopravního značení řidičem
Tlačbabová, Jana ; Sedlák, Robert (oponent) ; Bradáč, Albert (vedoucí práce)
Diplomová práce se zabývá obvyklou dobou pozorování prvků dopravního značení řidičem. V první části je provedena literární rešerše, je zde popsáno měřící zařízení eyetracker, které slouží k zaznamenávání pohybu oka. Dále jsou zde uvedeny druhy eyetrackeru, které se v současné době využívají. Je zde popsáno dopravní značení od roku 1961 až do roku 2009. Druhá část čerpá z videozáznamů z jízdních zkoušek, které byly provedeny v rámci této diplomové práce. Výsledky byly zpracovány a získaná data vyhodnocena za účelem zjištění obvyklé doby pozorování dopravního značení jednotlivých řidičů a jejich srovnání s dobou věnovanou řízení vozidla.
|
|
|
Detekce dopravních značek v obraze a videu
Kočica, Filip ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Tato práce řeší problematiku detekce dopravního značení za pomoci moderních technik zpracování obrazu. K řešení byla použita speciální architektura hluboké konvoluční neuronové sítě zvaná YOLO, tedy You Only Look Once, která řeší detekci i klasifikaci objektů v jednom kroce, což celý proces značně urychluje. Práce pojednává také o porovnání úspěšnosti modelů trénovaných na reálných a syntetických datových sadách. Podařilo se dosáhnout úspěšnosti 63.4% mAP při použití modelu trénovaného na reálných datech a úspěšnosti 82.3% mAP při použití modelu trénovaného na datech syntetických. Vyhodnocení jednoho snímku trvá na průměrně výkonném grafickém čipu ~40.4ms a na nadprůměrně výkonném čipu ~3.9ms. Přínosem této práce je skutečnost, že model neuronové sítě trénovaný na syntetických datech může za určitých podmínek dosahovat podobných či lepších výsledků, než model trénovaný na reálných datech. To může usnadnit proces tvorby detektoru o nutnost anotovat velké množství obrázků.
|
|
|
Čistící zařízení na dopravní značky
Kuře, Radim ; Škopán, Miroslav (oponent) ; Kašpárek, Jaroslav (vedoucí práce)
Hlavním cílem této bakalářské práce je návrh konstrukce čistícího zařízení na dopravní značky za traktor. Rešeršní část obsahuje používané traktory v oblasti údržby komunikací a obdobné používané zařízení v této oblasti. Hlavní část je věnovaná samotnému konstrukčnímu návrhu čistícího zařízení.
|
|
|
Čistící zařízení na dopravní značky
Kuře, Radim ; Škopán, Miroslav (oponent) ; Kašpárek, Jaroslav (vedoucí práce)
Hlavním cílem této bakalářské práce je návrh konstrukce čistícího zařízení na dopravní značky za traktor. Rešeršní část obsahuje používané traktory v oblasti údržby komunikací a obdobné používané zařízení v této oblasti. Hlavní část je věnovaná samotnému konstrukčnímu návrhu čistícího zařízení.
|
|
|
Detekce dopravních značek v obraze a videu
Kočica, Filip ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Tato práce řeší problematiku detekce dopravního značení za pomoci moderních technik zpracování obrazu. K řešení byla použita speciální architektura hluboké konvoluční neuronové sítě zvaná YOLO, tedy You Only Look Once, která řeší detekci i klasifikaci objektů v jednom kroce, což celý proces značně urychluje. Práce pojednává také o porovnání úspěšnosti modelů trénovaných na reálných a syntetických datových sadách. Podařilo se dosáhnout úspěšnosti 63.4% mAP při použití modelu trénovaného na reálných datech a úspěšnosti 82.3% mAP při použití modelu trénovaného na datech syntetických. Vyhodnocení jednoho snímku trvá na průměrně výkonném grafickém čipu ~40.4ms a na nadprůměrně výkonném čipu ~3.9ms. Přínosem této práce je skutečnost, že model neuronové sítě trénovaný na syntetických datech může za určitých podmínek dosahovat podobných či lepších výsledků, než model trénovaný na reálných datech. To může usnadnit proces tvorby detektoru o nutnost anotovat velké množství obrázků.
|
|
|
Traffic sign classification by deep learning
Harmanec, Adam ; Blažek, Jan (vedoucí práce) ; Kratochvíl, Miroslav (oponent)
Klasifikace dopravních značek je zkoumána již řadu letu a bylo dosáhnuto velmi dobrých výsledků. My předkládáme analýzu používaných datasetů jako velmi omezených na použití v reálných situacích. V této tezi analyzujeme dostupné datasety a jejich sloučením a rozšířením o nová data vytvoříme robustnější a obsáhlejší dataset použitelný v České republice. Následně navrhneme architekturu konvoluční neuronové sítě a spolu s několika technikami předzpracování ji otestujeme na novém datasetu dosahujíc přesnosti přes 99%.
|
|
|
Obvyklá doba pozorování prvků dopravního značení řidičem
Tlačbabová, Jana ; Sedlák, Robert (oponent) ; Bradáč, Albert (vedoucí práce)
Diplomová práce se zabývá obvyklou dobou pozorování prvků dopravního značení řidičem. V první části je provedena literární rešerše, je zde popsáno měřící zařízení eyetracker, které slouží k zaznamenávání pohybu oka. Dále jsou zde uvedeny druhy eyetrackeru, které se v současné době využívají. Je zde popsáno dopravní značení od roku 1961 až do roku 2009. Druhá část čerpá z videozáznamů z jízdních zkoušek, které byly provedeny v rámci této diplomové práce. Výsledky byly zpracovány a získaná data vyhodnocena za účelem zjištění obvyklé doby pozorování dopravního značení jednotlivých řidičů a jejich srovnání s dobou věnovanou řízení vozidla.
|
|
|
Detekce a rozpoznávání dopravních značek
Číp, Pavel ; Honec, Peter (oponent) ; Horák, Karel (vedoucí práce)
Práce se zabývá diskuzí nad metodami detekce a rozpoznávání dopravních značek v městském i mimoměstkém prostředí. Předpokladem pro realizaci systému je zabudovaná kamera, obvykle ve zpětném zrcátku automobilu, snímající scénu před automobilem. Její obrazová data jsou posléze zpracována připojeným PC, kde dochází k převodu dat na informace a jejich vyhodnocení. O případné nalezené značce je řidič vizuálně či akusticky upozorněn. Úloha vedoucí k úspěšnému cíli je rozdělena do čtyřech samostatných bloků. V první části je předzpracování obrazu jako takového. Pracujeme s barevným obrazem a s využitím znalosti o barevnosti dopravních značek v České republice, lze provést barevnou segmentaci žádaných intervalů. Druhým krokem je detekce geometrických tvarů odpovídajících dopravním značkám v segmentovaných datech. Krokem číslo tři je rozpoznání vnitřního piktogramu a jeho nalezení v databázi. Posledním krokem je vizuální výstup zobrazením nalezené dopravní značky. Práce byla zpracována tak, aby byla zajištěna detekce všech důležitých dopravních značení ve třech základních barevných kombinacích platných dle Ministerstva dopravy České republiky. Výsledkem je zdrojový kód pro program MATLAB.
|
|
|
Využití GPU výpočtů pro rozpoznání dopravních značek
Zídek, Karel
Tato práce se zabývá problémem GPU akcelerace algoritmů pro rozpoznávání dopravních značek. Teoretická část popisuje metody pro detekci objektů s důrazem na detekci značek. Dále poskytuje porovnání dvou nástrojů pro programování na GPU: CUDA a OpenCL. Na základě těchto zkoumání je navržena vlastní architektura detekce značek. Práce dále obsahuje popis implementace a porovnání výsledků.
|
host ::
RSS.