|
|
Detection and Recognition of License Plates
Tykva, Jiří ; Zemčík, Pavel (oponent) ; Juránek, Roman (vedoucí práce)
The goal of this Bachelor's thesis is to design, implement, and test a system that can detect and recognize license plates in real-time by using neural networks. The collected data will be saved into the database. The system's architecture is divided into three main parts. The first part handles the license plate detection in the image by making use of the TensorFlow Object Detection API. The detector reaches the accuracy of 98.15 % AP with a speed of roughly 14 fps. The second part deals with license plate tracking by using the algorithm SORT. The third part holistically recognizes the text of the license plate and can reach up to 0.6% character error rate and 2% word error rate. The system may be used by law enforcement for purposes such as for keeping track of stolen vehicles or for the automatic road tolling.
|
|
|
Software pro detekci a rozpoznání registrační značky vozidla
Masaryk, Adam ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cieľom tejto bakalárskej práce je navrhnúť a vyvinúť softvér, ktorý dokáže detegovať a rozpoznávať registračné značky z obrázkov. Softvér je rozdelený na 3 časti - detekcia značky, spracovanie výstupu detektora a rozpoznanie znakov na registračnej značke. Detekciu a rozpoznanie sme sa rozhodli implementovať pomocou moderných metód využitím konvolučných neurónových sietí.
|
|
|
Generátor syntetické datové sady pro dopravní analýzu
Svoreň, Ondrej ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Táto bakalárska práca sa zaoberá vytvorením generátora syntetickej dátovej sady pre do pravnú analýzu. V práci sa venujem problematike analýzy dopravy prostredníctvom počí tačového videnia, spôsobu a podmienkam vytvorenia generátora syntetickej dátovej sady, potenciálnemu využitiu výsledkov na strojové učenie a možnostiam ďalšieho vývoja. Zo za obstaraných fotografií automobilov Českej republiky, Slovenska, Poľska a Maďarska som vytvoril generátor syntetických poznávacích značiek týchto štátov, ktoré tvoria po grafic kých úpravách a po spojení s fotografiami automobilov výslednú dátovú sadu určenú na strojové učenie. Samotné riešenie je rozdelené do troch skriptov v jazyku Python s použi tím knižnice OpenCV. Výsledná dátová sada slúži systému využívajúcemu strojové učenie na reidentifikáciu evidenčných čísel vozidiel z fotografií zachytených v cestnej premávke.
|
|
|
Holistické rozpoznání registrační značky pomocí konvolučních neuronových sítí
Le, Hoang Anh ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem práce bylo vytvořit holistický rozpoznávač registračních značek, kde byl kladen důraz na dosáhnutí co nejvyšší přesností na snímcích horší kvality. Byla navrhnuta a implementována kombinace konvoluční a rekurentní neuronové sítě, implementované pomocí LSTM a CTC, kde vstupem jsou výřezy získané z celé značky. Dále byly také implementovány konkurenční sítě pro porovnání výsledků. Sítě byly porovnány na celkem 4 datových sadách, a výsledkem bylo, že vlastní návrh dosáhl nejlepších výsledků s celkovou přesností rozpoznávání 97.6%.
|
|
|
Detekce poznávací značky v obraze
Vacek, Michal ; Hradiš, Michal (oponent) ; Beran, Vítězslav (vedoucí práce)
V první části se práce zabývá již známými metodami detekce značek. Jsou zde popsány metody využívající zpracování obrazu, AdaBoost, či detekci extrémních regionů. Následuje návrh a implementace vlastního přístupu k detekci poznávacích značek využívající lokální detektory k vytvoření slovníku vizuálních slov. V závěru je metoda vyhodnocena.
|
|
|
Rozpoznávání registračních značek
Trkal, Ondřej ; Hynčica, Tomáš (oponent) ; Jirsík, Václav (vedoucí práce)
Tato práce se zabývá rozpoznáváním státních poznávacích značek pomocí neuronových sítí s typem učení backpropagation. V teoretické části textu je stručně shrnuta teorie principu vytváření nových registračních značek, počítačového vidění a vícevrstvých neuronových sítí se způsobem učení typu backpropagation. V praktické části je popsán návrh metod sloužících k rozpoznávání jednořádkových registračních značek osobních automobilů v České republice. V práci bylo vyzkoušeno několik způsobů popisu značek a byl zkoumán vliv těchto popisů a topologie neuronové sítě na kvalitu rozpoznávání registračních značek.
|
|
|
Detekce a rozpoznání registrační značky vozidla
Řepka, Michal ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí a rozpoznáním objektů ze snímků s využitím metod počítačového vidění. Předmětem detekce jsou české registrační značky vozidel. Cílem práce bylo vytvořit algoritmus pro jejich automatickou anotaci. K tomu navrhované řešení využívá detekci hran a kaskádové klasifikátory vytvořené pomocí strojového učení. Implementace tohoto návrhu byla následně testována nad pořízenou datovou sadou za pomoci vytvořené testovací aplikace.
|
|
|
Detekce a lokalizace registrační značky vozidla
Šlosár, Peter ; Beran, Vítězslav (oponent) ; Herout, Adam (vedoucí práce)
Tato bakalářská práce se zabývá detekcí a lokalizací registračních značek motorových vozidel. Teoretická část pojednává o vlastnostech a vzhledu registračních značek v České republice a na Slovensku a také o současných metodách používaných na detekci a lokalizaci registračních značek. Hlavní částí práce je návrh a implementace vlastní metody pro detekci a lokalizaci využívající detektor rohových bodů, jejich zhlukování a kaskádovou klasifikaci. V závěru je popsáno testování na pořizené datové sadě a zhodnocení úspěšnosti navrhnutého systému.
|
|
| |
|
|
Detekce a rozpoznání registrační značky z fotografie
Janíček, Kryštof ; Sochor, Jakub (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zabývá návrhem a vývojem systému pro detekci a rozpoznání registrační značky vozidla. Tento systém je rozdělen na tři části, kterými jsou detekce registrační značky, segmentace znaků a rozpoznání znaků. Pro detekci registrační značky je použita kaskáda klasifikátorů, která dosahuje úspěšnosti až 95,5% a přesnosti 95,9%. Segmentace znaků je provedena pomocí vyhledávání kontur s úspěšností 93,3% a přesností 96,5%. Pro rozpoznání znaků je využita neuronová síť, která dosahuje úspěšnosti 98,4% pro jednotlivé znaky. Celý systém je schopen detekovat a rozpoznat 81,5% registračních značek v pořízené testovací datové sadě.
|
host ::
RSS.