|
|
Steps Towards Improvements of Computer Vision Methods for Traffic Analysis
Špaňhel, Jakub ; Sablatnig, Robert (referee) ; Šikudová, Elena (referee) ; Herout, Adam (advisor)
Rostoucí urbanizace a zvyšující se počet vozidel na silnicích přetěžují tradiční systémy řízení dopravy na hranici jejich možností. Řešení nabízejí inteligentní dopravní systémy (ITS), které využívají pokročilé technologie ke zvýšení plynulosti a bezpečnosti dopravy. Zásadní oblastí, kterou je třeba zlepšit, však zůstává robustnost metod počítačového vidění v rámci ITS, které jsou nezbytné pro analýzu dopravy. Tato práce přispívá k této oblasti, konkrétně se zaměřuje na přesné (fine-grained) rozpoznávání vozidel, reidentifikaci vozidel, rozpoznávání registračních značek a monokulární měření rychlosti vozidel. Bylo představeno několik nových datových sad, vysoce ceněných výzkumnou komunitou, které rozšiřují hodnocení a zkoumání v každé z výše uvedených oblastí. Hlavní přínosy lze shrnout následovně: Nové technicky augmentace pro přesné rozpoznávání vozidel & rozšíření dříve publikované datové sady. Nová metoda agregace vizuálních znaků pro re-identifikaci vozidel & datová sada. Inovativní přístup k rozpoznávání registračních značek pomocí zarovnání registrační značky a holistického rozpoznávání & tři publikované datové sady. Největší datová sada pro měření rychlosti vozidel & stanovení výchozího vyhodnocení s dostupnými metodami vizuálního meření rychlosti. Klíčová zjištění této práce prokazují významné zvýšení přesnosti, účinnosti a robustnosti metod počítačového vidění aplikovaných na analýzu dopravy. Přínosy tohoto výzkumu byly oceněny na nejvýznamnějších konferencích a v časopisech v oblasti ITS a stanovují nové standardy pro budoucí práci. Tím, že tato práce posunula současný stav ITS a přispěla cennými zdroji pro probíhající výzkum, představuje zásadní krok směrem k udržitelnějším, efektivnějším a inteligentnějším dopravním systémům. Má důsledky pro řízení dopravy a širší společenský cíl vytvořit citlivější a přizpůsobivější městské prostředí.
|
|
|
Automatic Surveillance Camera Calibration by Observation of Rigid Objects
Bartl, Vojtěch ; Buchholz, Michael (referee) ; Hurtík, Petr (referee) ; Herout, Adam (advisor)
Tato práce je zaměřena na automatickou kalibraci kamery na základě vícečetných pozorování libovolných rigidních předmětů. Na základě pozorování rigidních objektů pohybujících se ve společné rovině jsme schopni kalibrovat kameru vzhledem ke společné rovině, a tak jsme schopni provádět měření ve scéně. Objekty v rovině obrazu jsou detekovány a klasifikovány a význačné body na těchto objektech jsou lokalizovány. Motivací bylo použití těchto metod v dopravním prostředí, proto naše "objekty" jsou nejčastěji vozidla. Navrhujeme tři různé metody, které jsou schopny vypočítat kalibraci kamery na základě těchto lokalizovaných význačných bodů v rovině obrazu s jediným omezením - musí být známy 3D modely, ale ty mohou být známy kalibračnímu systému ještě před samotnou kalibrací. Proces kalibrace kamery je pak plně automatický a žádné další informace nejsou již potřeba. Na rozdíl od předchozích aktuálních metod pro automatickou kalibraci kamery, navržené metody jsou schopny odhadnout všechny parametry kamery (včetně ohniskové vzdálenosti). Vytvořili jsme rovněž nový dataset BrnoCarPark , který obsahuje záznamy různých scén a detekovaná vozidla spolu s lokalizovanými význačnými body. K dispozici jsou měření vzdáleností ve scénách, která mohou být přepočítány pomocí vypočtených parametrů kalibrace kamery. Všechny navrhované metody překonávají současné aktuální metody. Vyhodnotili jsme naše metody na zkonstruovaném datasetu a také dalším datasetu BrnoCompSpeed . Také jsme provedli experimenty na syntetických datech, které prokazují stabilitu a použitelnost navrhovaných metod.
|
|
|
Re-Identification of Vehicles in Video
Zapletal, Dominik ; Sochor, Jakub (referee) ; Herout, Adam (advisor)
This thesis deals with the vehicle re-identification in video problem. Vehicle re-identification is based on matching image parts obtained from different cameras. This work is focues on the re-identification itself assuming that the vehicle detection problem is already solved including extraction of a full-fledged 3D bounding box. The re-identification problem is solved by using color histograms, histograms of oriented gradients by a linear regressor. The features are used in separate models in order to get the best results in the shortest CPU computation time. The proposed method works with a high accuracy (60% true positives retrieved with 10% false positive rate on a challenging subset of the test data) in 85 milliseconds of the CPU (Core i7) computation time per one vehicle re-identification assuming the Full HD resolution video input. The applications of this work include finding important parameters like travel time, traffic flow, or traffic information in a distributed traffic surveillance and monitoring system.
|
|
|
Fine-Grained Recognition and Re-Identification of Vehicles Using Advanced Feature Extraction
Doseděl, Ondřej ; Hradiš, Michal (referee) ; Špaňhel, Jakub (advisor)
Práce se zabývala analýzou a následným vylepšením metod užívaných k rozpoznávání typů vozidel a jejich re-identifikace. Navržená metoda může být využita jak pro rozeznání, tak pro re-identifikaci. Byla založena na používání tzv. 3D bounding boxes. Pomocí těchto boxů docházelo k detekci vozidla na obraze. Vozidlo bylo následně normováno rozbalením do dvojrozměrné interpretace. Tato metoda byla vylepšena určením směru vozidla a rozlišováním mezi čelní a zadní stranou vozidla během rozbalení třírozměrného modelu. Představená metoda vylepšuje stávající metodu pro rozpoznávání a snižuje její chybovost až o 13 % pro jeden vzorek a o 17% pro přesnost trati. Pro re-identifikaci nedošlo k zlepšení při použití LFTD agregovaní.
|
|
|
Vehicle Re-Identification Using Vision Transformers
Jelínek, Zdeněk ; Hradiš, Michal (referee) ; Špaňhel, Jakub (advisor)
The main objective of this thesis was to investigate the potential of vision transformers in vehicle re-identification. Convolutional neural networks have so far dominated this area of computer vision. In total, two models have been tested - TransReID and CMT. TransReID is a model based purely on vision transformers and was created specifically for vehicle re-identification. The main part of the experiments with this model was devoted to the use of key points on the vehicle. With proper extraction of the regions around the key points and the use of post-processing, I achieved state-of-the-art results. The CMT model is a combination of convolutional networks and transformers that was not designed for vehicle re-identification. I modified the model and conducted extensive experiments with it to obtain the best configuration for vehicle re-identification. I evaluated the models on the standard datasets VeRi-776, VehicleID, CityFlowV2-ReID and CarsReId74k and compared with state-of-the-art models. With the CMT model, I achieved the best result of 0.860 on the mAP metric on the VeRi-776 dataset and the best result of 97.6% on the Rank5 metric on the VehicleID dataset.
|
|
|
Fine-Grained Recognition and Re-Identification of Vehicles Using Advanced Feature Extraction
Doseděl, Ondřej ; Hradiš, Michal (referee) ; Špaňhel, Jakub (advisor)
Práce se zabývala analýzou a následným vylepšením metod užívaných k rozpoznávání typů vozidel a jejich re-identifikace. Navržená metoda může být využita jak pro rozeznání, tak pro re-identifikaci. Byla založena na používání tzv. 3D bounding boxes. Pomocí těchto boxů docházelo k detekci vozidla na obraze. Vozidlo bylo následně normováno rozbalením do dvojrozměrné interpretace. Tato metoda byla vylepšena určením směru vozidla a rozlišováním mezi čelní a zadní stranou vozidla během rozbalení třírozměrného modelu. Představená metoda vylepšuje stávající metodu pro rozpoznávání a snižuje její chybovost až o 13 % pro jeden vzorek a o 17% pro přesnost trati. Pro re-identifikaci nedošlo k zlepšení při použití LFTD agregovaní.
|
|
|
Re-Identification of Vehicles in Video
Zapletal, Dominik ; Sochor, Jakub (referee) ; Herout, Adam (advisor)
This thesis deals with the vehicle re-identification in video problem. Vehicle re-identification is based on matching image parts obtained from different cameras. This work is focues on the re-identification itself assuming that the vehicle detection problem is already solved including extraction of a full-fledged 3D bounding box. The re-identification problem is solved by using color histograms, histograms of oriented gradients by a linear regressor. The features are used in separate models in order to get the best results in the shortest CPU computation time. The proposed method works with a high accuracy (60% true positives retrieved with 10% false positive rate on a challenging subset of the test data) in 85 milliseconds of the CPU (Core i7) computation time per one vehicle re-identification assuming the Full HD resolution video input. The applications of this work include finding important parameters like travel time, traffic flow, or traffic information in a distributed traffic surveillance and monitoring system.
|
guest ::
