Введение 5
1 Анализ проблемы совмещения видеопотоков 6
2 Применение методов машинного обучения для поиска общих
паттернов двух кадров разных видеопотоков 9
2.1 Методы синхронизации видеопотоков 9
2.2 Методы наложения изображений 10
2.3 Методы поиска общих паттернов между двумя изображениями 13
2.4 Процесс совмещения кадров 23
3 Программная реализация модуля для совмещения нескольких
видеопотоков в общий поток 28
3.1 Подготовка данных 28
3.2 Средства разработки программного обеспечения 28
3.3 Структура программы 32
3.4 Графический интерфейс программы 33
3.5 Результаты тестирования программного модуля 34
Заключение 37
Список используемой литературы 38
С каждым годом появляется все больше сфер человеческой деятельности, в которых машинное обучение находит свое применение. Как пример, для управления крупногабаритным транспортом необходим особый контроль за слепыми зонами при вождении.
Это удобный инструмент, облегчающий процесс рутинной разработки тяжеловесных программ, задачей которых является решение сложных узконаправленных задач. Алгоритмы анализа изображений, например, ежедневно помогают не только самим программистам, облегчая их работу, но и обычным людям, предлагая им дешевый и доступный продукт. Многие компании вкладывают огромные суммы денег в разработку нового программного обеспечения, основанного на моделях машинного обучения, и эти инвестиции приносят прибыль этим субъектам. Именно поэтому область разработки с элементами систем искусственного интеллекта остается актуальной.
В данной бакалаврской работе исследуются способы совмещения нескольких видеопотоков в единый видеопоток на основе методов машинного обучения, а объектом исследования являются алгоритмы для выполнения операции склейки кадров и синхронизации видеопотоков.
Цель работы - разработка программы, которая позволяла бы совмещать несколько видеопотоков в один.
На языке программирования Python разработан программный модуль, который демонстрирует возможности методологий машинного обучения при решении задачи совмещения двух подвижных изображений. Работа программы была протестирована на различных видеорядах и изображениях.
В ходе выполнения выпускной квалификационной работы были получены следующие результаты:
— Был проведен анализ методов машинного обучения и выбрана основная модель для решения поставленной задачи.
— В ходе выполнения работы был изучен и представлен материал об основных методах наложения изображений друг на друга.
— В ходе анализа теоретических материалов выяснилось, что при решении задачи поиска общих паттернов на изображениях наиболее эффективными являются сверточные нейронные сети.
— Синхронизация двух видеопотоков достигалась за счет анализа звуковой дорожки двух видеофайлов и последующим поиском общих паттернов в выделенных сигнатурах.
— Основным методом наложения кадров видеопотоков друг на друга выбран поиск разницы по темнейшему или светлейшему пикселю, поскольку данный метод позволяет выполнить наложение с меньшими визуальными искажениями.
— Был разработан программный модуль на языке программирования Python, позволяющий производить склейку нескольких видеопотоков в один поток с использованием методов машинного обучения, а в частности с применением сверточной нейронной сети.
— Программный модуль был протестирован на базе нескольких входных видеопотоках и изображений. Результаты тестирования считаются положительными, что доказывает эффективность применения нейронных сетей в решении проблемы совмещения видеопотоков
Помощь студентам и аспирантам в выполнении работ от наших партнеров
