|
|
Connection of algorithms for removal of influence of skin diseases on the process for fingerprint recognition
Heidari, Mona ; Derawi, Mohammad (oponent) ; Gomez-Barrero, Marta (oponent) ; Drahanský, Martin (vedoucí práce)
This thesis focuses on data structures, image processing, and computer vision methods for detecting and recognizing diseases in fingerprint images. The number of developed biometric systems and even used biometric characteristics is increasing. It is widely accepted that an individual's fingerprint is unique and remains relatively unchanged throughout life. However, the structure of these ridges can be changed and damaged by skin diseases. As these systems depend heavily on the structure of an individual's fingertip ridge pattern that positively determines their identity, people suffering from skin diseases might be discriminated against as their ridge patterns may be impaired. Likely, fingerprint devices have not been designed to deal with damaged fingerprints; therefore, after scanning the fingerprint, they usually reject it. The influence of skin disease is an important but often neglected factor in biometric fingerprint systems. An individual might be prevented from using specific biometric systems when suffering from a skin disease that affects the fingertips. Collecting a database of fingerprints influenced by skin diseases is a challenging task. It is expensive and time-consuming, but it also requires the assistance of medical experts and the ability to find willing participants suffering from various skin conditions on fingertips. The raw diseased fingerprint database is first analyzed to provide a solid foundation for future research. Common signs among all fingerprint images affected by the disease are found for every particular disease, and a general description of each disease and its influences is defined. Then we automatically assign the label based on a combination of the known state of the fingerprint image. The proposed solution is integrated with different algorithms focused on image processing libraries and computer vision methods for object detection. The solution has been evaluated on damaged fingerprint datasets and highlights the state of the art implementations using proposed techniques. The state of the art technique for disease detection implementations uses texture analysis and feature detection by comparing the intensity values of pixels in a small neighborhood in an image. Due to the complexity of each disease pattern, the combination of texture analysis algorithms leads to better detection results. The combination of GLCM, LBP, orientation field, and mathematical morphology can detect damage (artifacts) in fingerprint images. Combining these features makes it possible to identify changes in the texture and shape of the fingerprint flow caused by diseases. These techniques capture different aspects of the texture and shape of the damage in fingerprint images and lead to identifying changes in the texture caused by diseases. In the stages of the detection process, mathematical morphology operations are applied to improve the structural details by removing small irregularities in the image and simplify the shape of objects, making it easier to identify and isolate them expanding the boundaries of objects in an image or filling gaps and connect broken parts of objects, leading to better object detection and recognition. At the end of the detection process, coherence is applied to show the quality evaluation of fingerprint image patches into three types healthy, damaged, and background. Overall, the proposed solution showcases the effectiveness of integrating multiple image processing and computer vision algorithms for disease detection in fingerprint images.\ The combination of these algorithms can accurately detect and localize disease patterns in damaged fingerprint datasets, thus providing a reliable solution for disease detection in forensic applications.
|
|
|
Ovládání počítače pomocí gest
Lacko, Peter ; Herout, Adam (oponent) ; Juránek, Roman (vedoucí práce)
Tato práce se zabývá tvorbou systému pro ovládání počítače přes webkameru pomocí gest, přičemž gesto je zde chápáno jako pohyb ruky utvářející nějaký vzor. V úvodu jsou popsány metody pro detekci ruky v obrazu, sledování ruky a pro vyhodnocení pohybu použity v této práci. Následuje popis systému a jeho implementace, provádění a vyhodnocení testů. Výstupem práce je program umožňující jednoduché ovládání prohlížeče dokumentů a multimediálního přehrávače.
|
|
|
Boosting a evoluční algoritmy
Mrnuštík, Michal ; Juránek, Roman (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce představuje kombinaci AdaBoostu a evolučního algoritmu. Evoluční algoritmus je použit pro hledání lineární kombinace Haarových příznaků. Z té je vytvořen slabý klasifikátor pro AdaBoost. Jsou zde popsány základy klasifikace, Haarovy příznaky a Adaboost. Uvedeny jsou také základní informace o evolučních algoritmech. Dále obsahuje teoretický popis spojení AdaBoostu a evolučního algoritmu, doplněný o některé implementační detaily. Implementace je testována na obrazových datech jako součást systému pro detekci obličeje. Výsledky jsou porovnány se samostatnými Haarovými příznaky.
|
|
|
Detekce a rozpoznání SPZ automobilů
Kovaříček, Roman ; Procházka, Boris (oponent) ; Váňa, Jan (vedoucí práce)
Tato bakalářská práce se zabývá nalezením státní poznávací značky v obraze a jejím rozpoznáním. Dále v krátkosti popisuje historii státních poznávacích značek. Také se věnuje současnému stavu poznávacích značek a jejich problematice. Rozebírá postup segmentace obrazu a následné vyhodnocování vybraných oblastí. Součástí práce je návrh a implementace algoritmů, které řeší samotné nalezení kandidátních oblastí nebo znaků. Konečným krokem je rozpoznání jednotlivých znaků a zobrazení výsledků s podrobnostmi uživateli.
|
|
|
Detekce objektů v obraze
Vaľko, Tomáš ; Motlíček, Petr (oponent) ; Švub, Miroslav (vedoucí práce)
Detekce objektů v obraze je velmi populární téma už několik let. Značí o tom mnoho prací v této oblasti počítačové vědy. V této práci se věnujeme klasifikaci objektů, konkrétně lidských obličejů, jako jedním z nejzajímavějších objektů na zpracování. Ke klasifikaci používáme neuronové sítě, naučené na databáze obličejů. Zkoumá se vplyv velikosti databáze a předzpracovaní digitálního obrazu na učení neuronové sítě. Práce implementuje jednoduchý detektor a lokalizátor obličejů. Obsahuje shrnutí úspěšných i méně úspěšných výsledků a naznačuje další možný vývoj systému v budoucnu.
|
|
|
Strojové učení pro analýzu MR obrazů mozku
Král, Jakub ; Říha, Ivo (oponent) ; Provazník, Ivo (vedoucí práce)
Diplomová práce se věnuje metodám strojového učení v rozpoznávání první fáze schizofrenie na obrazech získaných z nukleární magnetické rezonance. Úvod práce je zaměřen především na fyzikální princip magnetické rezonance. V práci se dále pozornost věnuje registračním metodám, redukci dat a strojovému učení. V části klasifikace jsou popsány míry podobnosti, metoda podpůrných vektorů, nejbližších sousedů a metoda K-means. Závěr teoretické části se věnuje hodnocení klasifikátorů. V praktické části práce jsou uvedeny výsledky redukce dat metodou PCA, CRLS-PCA a subjektové PCA. Dále je praktická část zaměřena na rozpoznávání tvarů metodou K-NN a K-means a testování klasifikátoru K-NN na reálných datech. Abnormality rozpoznané některou z klasifikačních metod pak mohou umožnit rozlišení pacientů se schizofrenií od zdravých dobrovolníků.
|
|
|
Rozpoznávání ručně psaného písma pomocí neuronových sítí
Smejkal, Vojtěch ; Fapšo, Michal (oponent) ; Plchot, Oldřich (vedoucí práce)
Práce se zabývá rozpoznáváním velkých písmen a číslic hůlkového písma pomocí neuronových sítí. Rozebírá použité algoritmy pro segmentaci textu, metody extrakce příznaků a problematiku učení sítě pomocí zpětného šíření chyb. Jsou zde také popsány provedené experimenty s různými konfiguracemi nad datovými sadami. Pro trénování nových sítí a testování jejich úspěšnosti byla vytvořena demonstrační aplikace s grafickým rozhraním s možností interaktivního rozpoznávání myší psaného textu.
|
|
|
Aplikace algoritmu AdaBoost
Wrhel, Vladimír ; Šilhavá, Jana (oponent) ; Hradiš, Michal (vedoucí práce)
V této práci jsou uvedeny základy klasifikace a rozpoznávání vzorů. Zaměříme se především na algoritmus AdaBoost, který slouží k vytvoření silné klasifikační funkce pomocí několika slabých klasifikátorů. Seznámíme se taktéž s některými modifikacemi AdaBoostu. Tyto modifikace zlepšují některé z vlastností AdaBoostu. Podíváme se taktéž na slabé klasifikátory a příznaky k nim použitelné. Zvláště se podíváme na Haarovy příznaky. Probereme možnosti použití zmíněných algoritmů a příznaků při rozpoznávání výrazu obličeje. Popíšeme si situaci mezi databázemi výrazů obličejů. Nastíníme možnou implementaci aplikace rozpoznávání výrazů obličeje.
|
|
|
Rozpoznání vzorů v obraze pomocí klasifikátorů
Juránek, Roman ; Španěl, Michal (oponent) ; Herout, Adam (vedoucí práce)
V této práci bude představen algoritmus AdaBoost, který slouží k vytvoření silné klasifikační funkce z několika slabých hypotéz. Bude vyloženo teoretické pozadí algoritmu a způsob konstrukce silného klasifikátoru. Dále bude popsáno rozšíření algoritmu o sekvenční rozhodovací strategii nazývané WaldBoost. Práce se zabývá také obrazovými příznaky, které jsou v mnoha případech základem slabých klasifikátorů. Kromě popisu zmíněných algoritmů bude uveden základ rozpoznávání vzorů v kontextu počítačového vidění a budou uvedeny některé často používané metody trénování klasifikátorů. Součástí práce bylo vytvoření knihovny pro detekci objektů založené na klasifikátorech trénovaných metodou AdaBoost. Tato knihovna byla následně využita v implementaci programu, který prakticky demonstruje detekce obejktů ve videosekvencích. Poslední část práce popisuje nástroj pro trénování AdaBoost klasifikátorů.
|
|
|
Detekce Elliottových vln pomocí neuronové sítě
Grega, Martin ; Vašíček, Zdeněk (oponent) ; Minařík, Miloš (vedoucí práce)
Bakalářská práce se zabývá využitím umělých neuronových sítí pro detekci Elliottových vln ve statické časové řadě. Použitá je konkrétně jednoduchá committee machine sestávající z vícevrtsvých perceptronů, trénovaných pomocí algoritmu pružného zpětného šíření chyby. Práce obsahuje návrh a implementaci apikace pro detekci impulzních vln na vstupních datech.
|
host ::
RSS.