Učení a detekce objektů různých tříd v obraze

Abstract

Tato práce je zaměřena na učení a detekci objektů v obraze a v sekvenci po sobě jdoucích obrazů. Konkrétněji na učení a rozpoznávání lidí nebo jejich částí v případě, že jsou částečně zastíněni, s ohledem na možné využití detektoru na robotických platformách. Práce se zaměřuje na využití obrazových příznaků nazývaných Histogramy Orientovaných Gradientů (HOG), které jsou schopny docela dobře pracovat s různými pózami lidí v obraze. Člověk je rozdělen na několik částí a tyto části jsou detekovány samostatně. Následně je použit systém hlasování jednotlivých částí, které byly detekovány, který určuje výsledné pozice osob v obraze. Pro potřeby natrénování tohoto detektoru je využito lineárního SVM. Dále je při detekci ze sekvence po sobě jdoucích snímků použit Kalmanův filtr, který se stará o stabilizaci výsledné detekce.This paper is focused on object learning and recognizing in the image and in the image stream. More specifically on learning and recognizing humans or theirs parts in case they are partly occluded, with possible usage on robotic platforms. This task is based on features called Histogram of Oriented Gradients (HOG) which can work quite well with different poses the human can be in. The human is split into several parts and those parts are detected individually. Then a system of voting is introduced in which detected parts votes for the final positions of found people. For training the detector a linear SVM is used. Then the Kalman filter is used for stabilization of the detector in case of detecting from image stream.