|
|
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.
|
|
|
Vehicle classification using inductive loops sensors
Halachkin, Aliaksei ; Klečka, Jan (referee) ; Honec, Peter (advisor)
This project is dedicated to the problem of vehicle classification using inductive loop sensors. We created the dataset that contains more than 11000 labeled inductive loop signatures collected at different times and from different parts of the world. Multiple classification methods and their optimizations were employed to the vehicle classification. Final model that combines K-nearest neighbors and logistic regression achieves 94\% accuracy on classification scheme with 9 classes. The vehicle classifier was implemented in C++.
|
|
|
Object Classification Using Radar
Přívara, Jan ; Zemčík, Pavel (referee) ; Maršík, Lukáš (advisor)
The aim of this bachelor's thesis is to design and implement classification system using radar, specifically vehicle classification system. The first part describes both radar principles and radar signal processing methods. A brief introduction to machine learning is provided, with emphasis on Support Vector Machines classification model. Feature extraction methods from radar signal are discussed as well. The next part describes concept and implementation of system for vehicle classification. In the end, the implemented classification system is evaluated and the possible continuation of this work is stated.
|
|
|
Vehicle classification using inductive loops sensors
Halachkin, Aliaksei ; Klečka, Jan (referee) ; Honec, Peter (advisor)
This project is dedicated to the problem of vehicle classification using inductive loop sensors. We created the dataset that contains more than 11000 labeled inductive loop signatures collected at different times and from different parts of the world. Multiple classification methods and their optimizations were employed to the vehicle classification. Final model that combines K-nearest neighbors and logistic regression achieves 94\% accuracy on classification scheme with 9 classes. The vehicle classifier was implemented in C++.
|
|
|
Object Classification Using Radar
Přívara, Jan ; Zemčík, Pavel (referee) ; Maršík, Lukáš (advisor)
The aim of this bachelor's thesis is to design and implement classification system using radar, specifically vehicle classification system. The first part describes both radar principles and radar signal processing methods. A brief introduction to machine learning is provided, with emphasis on Support Vector Machines classification model. Feature extraction methods from radar signal are discussed as well. The next part describes concept and implementation of system for vehicle classification. In the end, the implemented classification system is evaluated and the possible continuation of this work is stated.
|
|
|
car in business
Urban, Pavel ; Müllerová, Libuše (advisor)
This treatise deals with cars in business. Cars and taxes are inseparable part of life of almost everybody. From my point of view the car in the system of taxation in the Czech Republic is the area, which is the most complicated field at all. On the other hand it is the most used method for tax optimisation. For these reasons I focused my work on problems of cars and taxes, especially income taxes. In the first section of this dissertation some important expressions are explained -- for example I could mention: owner, possessor, lessor, leaseholder, road motor vehicle, segmentation and classification of vehicles etc. This part also includes legislative resources concerning the vehicles. There are explained possibilities of tax optimisation as well -- e.g. problems of depreciations, timing of selling the car and inclusion of the car into the business property. To conclude, I would like to point out the methods presenting financial data and car depreciations from accounting view.
|
guest ::
