Виокремлення об`єктів на відеокадрах
Вантажиться...
Дата
2019-12
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Структура і обсяг дипломної роботи Магістерська дисертація складається зі вступу, п`яти розділів і висновку. Робота містить в собі 18 джерела за переліком посилань, 26 ілюстрацій, 24 таблиць. Крім того, в кінці розміщено 1додаток. Основна частина роботи викладена на 91 сторінках.
Актуальність теми Комп'ютерний зір існує вже більше 50 років, але останнім часом ми спостерігаємо велике виникнення інтересу до того, як машини "бачать" і як комп'ютерне бачення можна використовувати для створення продуктів для споживачів та бізнесу. Кілька прикладів таких додатків — Amazon Go, Google Lens, автономні транспортні засоби, розпізнавання обличчя.
Ключовим рушійним фактором, що стоїть у всьому цьому, є комп'ютернийзір. Простіше кажучи, комп'ютерний зір — це дисципліна в рамках широкої області штучного інтелекту, яка вчить машини бачити. Його мета -витягнути значення з пікселів. З біологічної точки зору, його метою є створення обчислювальних моделей зорової системи людини. З інженерної точки зору, комп’ютерний зір має на меті побудувати автономні системи, які могли б виконувати деякі такі завдання, які може виконувати візуальна система людини (і навіть перевершувати її у багатьох випадках). Дана робота присвячена розробці схеми етапів розв'язання задачі виокремлення об'єктів на відекадрах.
Метою дослідження є створення схеми етапів розв'язання задачі виокремлення об'єктів на відеопотоках, на прикладі тестових задач визначення та підрахунок машин на дорогах різними способами. Для досягнення поставленої мети потрібно виконати наступні задачі дослідження:
— провести аналіз існуючих методів і досліджень, що були проведені по вибраній темі виокремлення об`єктів на відеокадрах;
— на основі проведеного раніше аналізу запропонувати схему етапів вирішення задачі вищначення об`єктів на зображенні за допомогою бібліотеки OpenCV та фреймворку Tensorflow;
— розглянути програмні засоби, що можуть вирішувати задачу виокремлення об`єктів на відеокадрах;
— проаналізувати методи виокремлення об`єктів на відеокадрах такі як нейронні мережі та каскадні класифікатори;
— перевірити роботу обох методів на тестових даних і порівняти результати для визначення кращого з них;
Об’єкт дослідження: узагальнений підхід до розв’язування задач виокремлення об`єктів на відеокадрах з використанням бібліотеки OpenCV та фреймворку Tensorflow.
Предмет дослідження: розпізнавання об`єктів за допомогою використання нейронних мереж та каскадних методів.
Методи дослідження: каскадні методи класифікації та нейронні мережі.
Наукова новизна: було розроблено схему етапів розв'язання задачі виокремлення об'єктів на відеопотоках різними методами. Практичне значення: запропонований зрозумілу схему етапів розв'язання задачі визначення об'єктів на відеокадрах, що дає змогу розробникам значно скоротити та спростити час розробки власних програмних забезпечень.
Опис
Ключові слова
сегментація, каскадні класифікатори, виокремлення об’єктів, регіонально-згорткова нейронна мережа, методи сегментації, segmentation, cascade classifiers, object strength, regional-converting neural network
Бібліографічний опис
Круглик, Д. С. Виокремлення об`єктів на відеокадрах : магістерська дис. : 121 Інженерія програмного забезпечення / Круглик Діана Сергіївна. – Київ, 2019. – 91 с.