|
|
Face Detection
Štrba, Miroslav ; Juránek, Roman (referee) ; Hradiš, Michal (advisor)
This bachelor thesis contains overview of actual face detection methods using classifier. It also contains description of creating system for face detection. There are described different methods for classifier training in first part. There is analysis, which preceded creation of system focused on black-and-white picture, in second part. Implemented system is using WaldBoost algorithm and Haar features. There is option to use particle filter in video.
|
|
|
Similarity Measure of Points of Interest in Image
Křehlík, Jan ; Beran, Vítězslav (referee) ; Herout, Adam (advisor)
This document deals with experimental verifying to use machine learning algorithms AdaBoost or WaldBoost to make classifier, that is able to find point in the second picture that matches original point in the first picture. This work also depicts finding points of interest in image as a first step of finding correspondence. Next there are described some descriptors of points of interest. Corresponding points could be useful for 3D modeling of shooted scene.
|
|
|
Detecting Objects in Images
Kubínek, Jiří ; Beran, Vítězslav (referee) ; Hradiš, Michal (advisor)
This work is dedicated to methods used for object detection in images. There is a summary of several approaches and algorithms to solve this matter, especially AdaBoost algorithm with its improvement, WaldBoost and several features used for object detection. Vital part of this work is dedicated to extending training datasets for classifier training and extending the current object detection framework with histogram of gradients features implementation. Integral part of this work is analysis of results by experiments evaluation.
|
|
|
Evaluation of Object Detection in Image
Černošek, Bedřich ; Behúň, Kamil (referee) ; Zemčík, Pavel (advisor)
The main goal of this bachelor's thesis was to propose the evaluation method of object detection. Result of this work was to create a program which performs the evaluation of object detection on suitable data sample and intuitively displays result to user. The task was to propose suitable experiments and dataset for proving correctness of evaluation. Part of this work was to find optimal parameters for face detection and optimal photo preprocessing before the face detection.
|
|
|
Exploitation of Graphics Processor as Accelerator - OpenCL Technology
Hrubý, Michal ; Jošth, Radovan (referee) ; Zemčík, Pavel (advisor)
This work deals with the OpenCL technology and its use for the task of object detection. The introduction is devoted to description of OpenCL fundamentals, as well as basic theory of object detection. Next chapter of the work is analysis, with design proposal which takes into consideration the possibilities of OpenCL. Further, there's description of implementation of detection application and experimental evaluation of detector's performance. The last chapter summarizes the achieved results.
|
|
|
Hardware acceleration of object detection in images
Musil, Petr ; Chalmers, Alan (referee) ; Kadlec, Jiří (referee) ; Zemčík, Pavel (advisor)
V dnešní době je patrný nárůst počtu kamer a dohledových systémů ve veřejném prostoru. Množství informací které tato zařízení produkují je enormní a není v lidských silách je všechny vyhodnotit a interpretovat. Použití výpočetních technologií je nezbytné. Moderní algoritmy počítačového vidění již dosahují skvělých výsledků, jejich širšímu použití v praxi zatím brání nízký výkon zařízení a vysoké požadavky na výpočetní zdroje a energii. Jednou z možností je využití vysokého paraelního výkonu FPGA pro efektivní zpracování těchto algoritmů. Cílem této disertační práce je představit navržené metody optimalizace detektoru objektů v obraze běžících na FPGA. Tyto detektory využívají boostovatelné soft kaskády klasifikátorů spolu s lokálními obrazovými příznaky, které slouží jako slabé klasifikátory. Navržené postupy využívají sekvenční vyhodnocení slabých klasifikátoru. Pro zvýšení výkonu detekce je vyhodnocováno současně více pozic v obraze. Je navržen nový přístup pro detekci objektů různé velikosti nevyžadující externí paměť. Vytvořené detektory byly experimentálně ověřeny na úlohách detekce obličejů a poznávacích značek automobilů. Dosažená výsledky překonávají současný stav poznání, umožňují vytvořit detektory objektů s vyšším detekčním výkonem, lepším poměrem výkonu a spotřebovaných zdrojů FPGA a s lepší přesností detekce.
|
|
|
Pattern Recognition Using AdaBoost
Wrhel, Vladimír ; Hradiš, Michal (referee) ; Herout, Adam (advisor)
This paper deals about AdaBoost algorithm, which is used to create a strong classification function using a number of weak classifiers. We familiarize ourselves with modifications of AdaBoost, namely Real AdaBoost, WaldBoost, FloatBoost and TCAcu. These modifications improve some of the properties of algorithm AdaBoost. We discuss some properties of feature and weak classifiers. We show a class of tasks for which AdaBoost algorithm is applicable. We indicate implementation of the library containing that method and we present some tests performed on the implemented library.
|
|
|
AdaBoost in Computer Vision
Hradiš, Michal ; Zemčík, Pavel (referee) ; Potúček, Igor (advisor)
In this thesis, we present the local rank differences (LRD). These novel image features are invariant to lighting changes and are suitable for object detection in programmable hardware, such as FPGA. The performance of AdaBoost classifiers with the LRD was tested on a face detection dataset with results which are similar to the Haar-like features which are the state of the art in real-time object detection. These results together with the fact that the LRD are evaluated much faster in FPGA then the Haar-like features are very encouraging and suggest that the LRD may be a solution for future hardware object detectors. We also present a framework for experiments with boosting methods in computer vision. This framework is very flexible and, at the same time, offers high learning performance and a possibility for future parallelization. The framework is available as open source software and we hope that it will simplify work for other researchers.
|
|
|
Object Detection on GPU
Macenauer, Pavel ; Polok, Lukáš (referee) ; Juránek, Roman (advisor)
This thesis addresses the topic of object detection on graphics processing units. As a part of it, a system for object detection using NVIDIA CUDA was designed and implemented, allowing for realtime video object detection and bulk processing. Its contribution is mainly to study the options of NVIDIA CUDA technology and current graphics processing units for object detection acceleration. Also parallel algorithms for object detection are discussed and suggested.
|
|
|
Acceleration of Object Detection Using Classifiers
Juránek, Roman ; Kälviäinen, Heikki (referee) ; Sojka, Eduard (referee) ; Zemčík, Pavel (advisor)
Detekce objektů v počítačovém vidění je složítá úloha. Velmi populární a rozšířená metoda pro detekci je využití statistických klasifikátorů a skenovacích oken. Pro učení kalsifikátorů se často používá algoritmus AdaBoost (nebo jeho modifikace), protože dosahuje vysoké úspěšnosti detekce, nízkého počtu chybných detekcí a je vhodný pro detekci v reálném čase. Implementaci detekce objektů je možné provést různými způsoby a lze využít vlastnosti konkrétní architektury, pro urychlení detekce. Pro akceleraci je možné využít grafické procesory, vícejádrové architektury, SIMD instrukce, nebo programovatelný hardware. Tato práce představuje metodu optimalizace, která vylepšuje výkon detekce objektů s ohledem na cenovou funkci zadanou uživatelem. Metoda rozděluje předem natrénovaný klasifikátor do několika různých implementací, tak aby celková cena klasifikace byla minimalizována. Metoda je verifikována na základním experimentu, kdy je klasifikátor rozdělen do předzpracovací jednotku v FPGA a do jednotky ve standardním PC.
|
guest ::
