but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Ing. František Zbořil, CSc. (místopředseda) Ing. Vladimír Bartík, Ph.D. (člen) RNDr. Vlasta Krupková, CSc. (člen) Ing. Josef Strnadel, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: Jaké hyperparametry byly zvoleny při trénování detektoru/klasifikátoru vozidel oproti verzím ze zdrojových článků? V práci v sekci 4.5 popisujete konstrukci bodů P1, P2 a P3 3D bounding boxu pomocí "pomocných tečen". Jedná se skutečně o tečny? Prezentujte prosím princip konstrukce 3D bounding boxu ilustrativním příkladem krok po kroku.	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Sochor, Jakub	cs
dc.contributor.author	Mencner, Pavel	cs
dc.contributor.referee	Špaňhel, Jakub	cs
dc.date.created	2018	cs
dc.description.abstract	Cílem této práce je detekce vozidel v obraze z dopravní dohledové kamery a jemná klasifikace jejich typu (výrobce a model). V práci je implementována normalizační metoda Unpack, která slouží pro transformaci obrazu vozidla do jeho zdánlivé rovinné reprezentace, za účelem zvýšení úspěšnosti klasifikátoru. Metoda Unpack využívá pro normalizaci 3D bounding box vozidla, který je v testovací fázi sestaven z informací o kontuře a směru k úběžníkům vozidla. Součástí práce je srovnání přesnosti metody přímé a Unpack klasifikace. Řešení se skládá z více na sebe navazujících částí, které využívají konvolučních neuronových sítí. Tyto části jsou: detekce vozidel v obraze, odhad směru k úběžníkům scény řešený jako klasifikační úloha, detekce kontury vozidel s využitím konvoluční Encoder-Decoder sítě a jemná klasifikace typu vozidel. Pomocí klasifikace s využitím metody Unpack bylo dosaženo zvýšení přesnosti systému o 2% proti přímé klasifikaci, dosahujíc výsledné úspěšnosti 86%. Výsledkem práce je systém jemné klasifikace typu vozidel pracující se záznamem z dohledové kamery bez omezení pozorovacích úhlů.	cs
dc.description.abstract	The aim of this thesis is image based detection of vehicles from traffic surveillance camera and fine-grained vehicle type recognition (manufacturer and model). In the thesis the Unpack normalization method is implemented which transforms the vehicle image into its apparent flat representation in order to increase the classifier's success rate. The Unpack method make use of 3D bounding box of the vehicle. This bounding box is constructed during test period using the information of vehicle contour and direction toward vanishing points. The thesis involve accuracy comparison between direct and Unpack classification methods. The proposed solution is based on several related parts that benefit from convolutional neural networks. These parts are: vehicle detection from image data, estimation of the directions towards vanishing points solved as classification task, vehicle contour detection using convolutional Encoder-Decoder network and fine-grained vehicle type classification. Using Unpack based classification the 2% accuracy improvement against direct classification has been achieved, resulting in 86% overall success rate. The outcome of this thesis is fine-grained vehicle classification system that works with traffic surveillance video without any viewpoint limitations.	en
dc.description.mark	B	cs
dc.identifier.citation	MENCNER, P. Rozpoznání typu vozidla z dohledové kamery [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114542	cs
dc.identifier.uri	http://hdl.handle.net/11012/85253
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	zpracování obrazu	cs
dc.subject	konvoluční neuronové sítě	cs
dc.subject	analýza dopravy	cs
dc.subject	dopravní dohledová kamera	cs
dc.subject	detekce vozidel	cs
dc.subject	jemná klasifikace typu vozidel	cs
dc.subject	odhad kontury objektu	cs
dc.subject	odhad směru k úběžníkům	cs
dc.subject	3D bounding box	cs
dc.subject	Unpack	cs
dc.subject	Tensorflow	cs
dc.subject	Keras	cs
dc.subject	Python	cs
dc.subject	OpenCV	cs
dc.subject	image processing	en
dc.subject	convolutional neural network	en
dc.subject	traffic analysis	en
dc.subject	traffic surveillance camera	en
dc.subject	vehicle detection	en
dc.subject	fine-grained vehicle type recognition	en
dc.subject	object contour estimation	en
dc.subject	vanishing point estimation	en
dc.subject	3D bounding box	en
dc.subject	Tensorflow	en
dc.subject	Keras	en
dc.subject	Python	en
dc.subject	OpenCV	en
dc.title	Rozpoznání typu vozidla z dohledové kamery	cs
dc.title.alternative	Fine-Grained Vehicle Recognition from Traffic Surveillance Camera	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2018-06-11	cs
dcterms.modified	2020-05-10-16:12:52	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114542	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:08:56	en
sync.item.modts	2025.01.15 16:56:47	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Rozpoznání typu vozidla z dohledové kamery

Files

Original bundle

Collections