|
|
Steps Towards Improvements of Computer Vision Methods for Traffic Analysis
Špaňhel, Jakub ; Sablatnig, Robert (oponent) ; Šikudová, Elena (oponent) ; Herout, Adam (vedoucí práce)
The rapid urbanization and increasing number of vehicles on the roads have stretched traditional traffic management systems to their limits. Intelligent Transportation Systems (ITS) offer a solution, utilizing advanced technologies to enhance traffic flow and safety. The robustness of computer vision methods within ITS, essential for traffic analysis, remains a crucial area for improvement. This thesis substantially contributes to this field, specifically focusing on Vehicle Fine-Grained Recognition, Vehicle Re-Identification, License Plate Recognition, and Monocular Vehicle Speed Measurement. Several new datasets, highly appreciated by the research community, were introduced, enhancing the evaluation and exploration within each domain mentioned earlier. The main contributions can be summarized as follows: Novel method for aggregation of visual features for vehicle re-identification & dataset. Innovative approach to license plate recognition using alignment of the license plate and holistic recognition & three published datasets. Novel augmentation techniques for vehicle fine-grained recognition & extension of previously published dataset. The biggest dataset for vehicle speed measurement & baseline evaluation with state-of-the-art methods. The key findings of this work demonstrate a significant enhancement in the accuracy, efficiency, and robustness of computer vision methods applied to traffic analysis. This research's contributions have been recognized at top conferences and journals in ITS, setting new standards for future work. By advancing the current state of ITS and contributing valuable resources for ongoing research, this thesis represents a step towards more sustainable and efficient intelligent transportation systems.
|
|
|
Automatic Surveillance Camera Calibration by Observation of Rigid Objects
Bartl, Vojtěch ; Buchholz, Michael (oponent) ; Hurtík, Petr (oponent) ; Herout, Adam (vedoucí práce)
This work is focused on automatic camera calibration based on multiple observations of arbitrary rigid objects. Based on observations of rigid objects moving in a common plane, we are able to calibrate camera w.r.t. the plane, and thus we are able to do measurements in a scene. Objects in the image plane are detected, and classified, and landmarks on these objects are localized. Our motivation was the usage of these methods in traffic scenarios, and thus as our ''objects'' we consider vehicles. We propose three different methods that are able to compute camera calibration based on these localized landmarks in an image plane with the only limitation - 3D models must be provided, but these can be known to the calibration system as a background. The camera calibration process is then fully automatic, and no more information is needed. Contrary to previous state-of-the-art methods for automatic camera calibration, the proposed methods are able to estimate all camera parameters (including focal length). We also collected a new dataset BrnoCarPark , which contains records of different scenes with detected vehicles and localized landmarks. Ground-truth measurements in scenes are available, and these can be re-computed by computed camera calibration parameters. All the proposed methods outperform the recent state-of-the-art method in an accurate manner. We evaluated our methods on the constructed dataset and also another dataset BrnoCompSpeed . We also made experiments on synthetic datasets, which prove the stability and usability of the proposed methods.
|
|
|
Reidentifikace automobilů ve videu
Zapletal, Dominik ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato bakalářská práce se zabývá problémem reidentifikace automobilů ve videu. Reidentifikace automobilů ve videu je založena na porovnávání částí obrazu získaného z různých kamer. Tato práce je zaměřena zejména na reidentifikaci automobilů samotnou a vychází z předpokladu, že problém detekce automobilů ve videu je již vyřešen v podobě vytvořeného 3D ohraničujícího kvádru kolem vozidla. Problém reidentifikace je vyřešen pomocí barevných histogramů, histogramů orientovaných gradientů a lineárního regresoru. Příznaky jsou používány v oddělených modelech za účelem dosažení nejlepších výsledků v nejkratším výpočetním čase procesoru. Navrhovaná metoda pracuje s vysokou přesností (60% opravdu pozitivních rozpoznání s 10% mírou falešně pozitivních případů na náročné datové sadě) s výpočetním časem procesoru (Core i7) 85 milisekund pro jednu reidentifikaci vozidla za předpokladu video vstupu v plném HD rozlišení. Použitím této práce v distribuovaných dopravních monitorovacích systémech je možné zjistit důležité parametry jako doba cestování, směry dopravních toků nebo dopravní informace.
|
|
|
Fine-Grained Recognition and Re-Identification of Vehicles Using Advanced Feature Extraction
Doseděl, Ondřej ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
The aim of this theses was to analyze and improve methods used for fine-grained vehicle recognition and vehicle re-identification. The proposed method can be used both for recognition and re-identification. It was based on 3D bounding boxes, which were used to detect the vehicle on the image and then the vehicle was normalized by unpacking into 2D. Improvement of this method was done by determining direction of the vehicle and distinguishing between front and rear while unpacking the vehicle. This proposed method improved the existing method based on 3D bounding boxes for recognition, reducing error up to 13 % in single sample accuracy and up to 17 % track accuracy. However, no improvement was gained for vehicle re-identification using LFTD aggregation.
|
|
|
Re-identifikace vozidel pomocí vision transformerů
Jelínek, Zdeněk ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Hlavním cílem této práce bylo zjištění možností vision transformerů při re-identifikaci vozidel. V této oblasti počítačového vidění doposud dominují konvoluční neuronové sítě. Celkem byly vyzkoušeny dva modely - TransReID a CMT. TransReID je model založený čistě na vision transformerech a byl vytvořený přímo pro re-identifikaci vozidel. Hlavní část experimentů s tímto modelem jsem věnoval využití klíčových bodů na vozidle. Při správné extrakci oblastí okolo klíčových bodů a využití postprocessingu jsem dosáhl state-of-the-art výsledků. Model CMT je kombinací konvolučních sítí a transformerů, který nebyl vytvořen pro re-identifikaci vozidel. Model jsem upravil a provedl s ním rozsáhlé experimenty pro získání nejlepší konfigurace pro re-identifikaci vozidel. Modely jsem vyhodnotil na standardních datasetech VeRi-776, VehicleID, CityFlowV2-ReID a CarsReId74k a porovnal se state-of-the-art modely. S modelem CMT jsem dosáhl na datasetu VeRi-776 nejlepšího výsledku 0,860 na metrice mAP a na datasetu VehicleID jsem dosáhl nejlepšího výsledku 97,6% na metrice Rank5.
|
|
|
Fine-Grained Recognition and Re-Identification of Vehicles Using Advanced Feature Extraction
Doseděl, Ondřej ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
The aim of this theses was to analyze and improve methods used for fine-grained vehicle recognition and vehicle re-identification. The proposed method can be used both for recognition and re-identification. It was based on 3D bounding boxes, which were used to detect the vehicle on the image and then the vehicle was normalized by unpacking into 2D. Improvement of this method was done by determining direction of the vehicle and distinguishing between front and rear while unpacking the vehicle. This proposed method improved the existing method based on 3D bounding boxes for recognition, reducing error up to 13 % in single sample accuracy and up to 17 % track accuracy. However, no improvement was gained for vehicle re-identification using LFTD aggregation.
|
|
|
Reidentifikace automobilů ve videu
Zapletal, Dominik ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato bakalářská práce se zabývá problémem reidentifikace automobilů ve videu. Reidentifikace automobilů ve videu je založena na porovnávání částí obrazu získaného z různých kamer. Tato práce je zaměřena zejména na reidentifikaci automobilů samotnou a vychází z předpokladu, že problém detekce automobilů ve videu je již vyřešen v podobě vytvořeného 3D ohraničujícího kvádru kolem vozidla. Problém reidentifikace je vyřešen pomocí barevných histogramů, histogramů orientovaných gradientů a lineárního regresoru. Příznaky jsou používány v oddělených modelech za účelem dosažení nejlepších výsledků v nejkratším výpočetním čase procesoru. Navrhovaná metoda pracuje s vysokou přesností (60% opravdu pozitivních rozpoznání s 10% mírou falešně pozitivních případů na náročné datové sadě) s výpočetním časem procesoru (Core i7) 85 milisekund pro jednu reidentifikaci vozidla za předpokladu video vstupu v plném HD rozlišení. Použitím této práce v distribuovaných dopravních monitorovacích systémech je možné zjistit důležité parametry jako doba cestování, směry dopravních toků nebo dopravní informace.
|
host ::
RSS.