🔍 Поиск готовых работ

🔍 Поиск работ

Применение искусственных нейронных сетей в задачах распознавания изображений

Работа №131458

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы39
Год сдачи2019
Стоимость4275 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
48
Не подходит работа?

Узнай цену на написание


Введение
Постановка задачи
ГЛАВА 1. АЛГОРИТМ РАСПОЗНАВАНИЯ АВТОМОБИЛЬНЫХ НОМЕРОВ
1.1 Детектирование автомобиля на изображениях
1.2. Сегментация исходного изображения
1.3. Нормализация изображения
1.4. Распознавание символов
Глава 2. Программная реализация
2.1 Обучающие наборы данных
2.2. Детектирование
2.3. Сегментация изображения
2.4. Нормализация изображения
2.5. Распознавание символов
Выводы
Заключение
Список использованной литературы

Одной из самых популярных практических задач в области компьютерного зрения является распознавание автомобильных номеров. Программное обеспечение, обеспечивающее реализацию этой задачи, может применятся во многих областях, например в контроле за дорожным трафиком, обеспечение безопасности движения и т.д.
Существующие решения уже хорошо применяются в различных службах, но к сожалению, они не всегда показывают удовлетворительные результаты распознавания, в случаях плохих погодных условий, захвата изображения под острым углом или при загрязнениях на номере.
Автоматическое распознавание номера автомобильного номера стало повседневной необходимость из-за увеличения количества автомобилей и транспортных систем, что делает невозможным установить ручной контроль таких вещей, как мониторинг дорожного движения, отслеживание угнанных автомобилей, управление платными стоянками, контроль за нарушением правил, пограничный и таможенный контроль. Хоть проблема не является новой, абсолютного решения в ней не достигнуто, из-за разнообразия форматов пластин, различных масштабов, поворотов и неоднородных условий освещения во время получения изображения.
Обзор существующих решений
Automatic License Plate Recognition
Есть opensource и коммерческая версия. Opensource-версия показывает очень низкий процент распознавания. Коммерческая версия, вернее коммерческий сервис работает хорошо. Умеет работать с русскими и украинскими номерами.
Recognitor
Является коммерческим решением. Стоит отметить, что этот сервис заявляет относительно хорошую работу с изображениями, полученными при плохих погодных условиях. Recognitor предоставляет телеграм-бота, демонстрирующего результаты работы. На практике точность распознавания, которую предлагает этот сервис, не является стабильной и во многом зависит от качества входного изображения.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В ходе работы был исследован алгоритм распознавание автомобильных номеров. На основе предложенных для реализации этого алгоритма архитектур нейронных сетей и способов обработки изображения, была разработана программа, принимающая на вход изображение с камер видеонаблюдения и распознающая номера автомобилей, находящихся на ней.
Высокое качество распознавания (98%), которое она обеспечивает, свидетельствует о том, что предложенный алгоритм является эффективным.



1. You Only Look Once: Unified, Real-Time Object Detection. Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi; The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 779-788
2. Sang J., Wu Z., Guo P., Hu H., Xiang H., Zhang Q., Cai B. An Improved YOLOv2 for Vehicle Detection. Sensors. 2018;18:4272. doi: 10.3390/s18124272
3. A. Neubeck ; L. Van Gool. Efficient Non-Maximum Suppression. 18th International Conference on Pattern Recognition (ICPR'06). 18 September 2006. DOI: 10.1109/ICPR.2006.479
4. Joseph Redmon, Ali Farhadi. YOLOv3: An Incremental Improvement https://pjreddie.com/media/files/papers/YOLOv3.pdf
5. KaimingHe Georgia Gkioxari Piotr Dollar Ross Girshick. Mask R-CNN. Facebook AI Research (FAIR). 24 Jan 2018. arXiv:1703.06870v3
6. Shaoqing Ren∗Kaiming He Ross Girshick Jian Sun. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks .Microsoft Research. 2017.f
7. Shaoqing Ren∗Kaiming He Ross Girshick Jian Sun. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks .Microsoft Research. 2017
8. Pedro O. Pinheiro∗ Ronan Collobert Piotr Dollar. Facebook AI Research. Learning to Segment Object Candidates. NIPS. 2017
9. Jifeng Dai, Kaiming He, Jian Sun. Instance-aware Semantic Segmentation via Multi-task Network Cascades. arXiv:1512.04412. 2015
10. Ross Girshick. Microsoft Research. Fast R-CNN arXiv:1504.08083v2. 2015
11. Ross Girshick. Microsoft Research. Fast R-CNN arXiv:1504.08083v2. 2015
12. Evan Shelhamer , Jonathan Long. Fully Convolutional Networks for Semantic Segmentation. arXiv:1605.06211v1. 2016.
13. Kaiming He Georgia Gkioxari Piotr Dollar Ross Girshick. Mask R-CNN. Facebook AI Research (FAIR). 24 Jan 2018. arXiv:1703.06870v3.
14. Begin tutorial in contours. OpenCV Documentation. https://docs.opencv.org/trunk/d4/d73/tutorial_py_contours_begin.html
15. Ramer-Peucker Algorithm. https://en.wikipedia.org/wiki/Ramer%E2%80%93Douglas%E2%80%93Peucker_algorithm
16. Introduction to image segmentation with k-means clusteringhttps://towardsdatascience.com/introduction-to-image-segmentation-with-k-means-clustering-83fd0a9e2fc3
17. Fucheng You. Combination of CNN with GRU for Plate Recognition. J. Phys.: Conf. Ser. 1187 032008. 2019.
18. Convolutional Networks. http://www.deeplearningbook.org/contents/convnets.html
19. Understanding LSTMs. https://colah.github.io/posts/2015-08-Understanding-LSTMs/
20. Baoguang Shi. n End-to-End Trainable Neural Network for Image-Based Sequence Recognition and Its Application to Scene Text Recognition.  IEEE Transactions on Pattern Analysis and Machine Intelligence. DOI: 10.1109/TPAMI.2016.2646371. 2015
21. Baoguang Shi. n End-to-End Trainable Neural Network for Image-Based Sequence Recognition and Its Application to Scene Text Recognition.  IEEE Transactions on Pattern Analysis and Machine Intelligence. DOI: 10.1109/TPAMI.2016.2646371. 2015
22. Fucheng You. Combination of CNN with GRU for Plate Recognition. J. Phys.: Conf. Ser. 1187 032008. 2019.
23. COCO Dataset. http://cocodataset.org/#home
24. YOLO for car detection. https://github.com/tejaslodaya/car-detection-yolo
25. Mask R-CNN. https://github.com/matterport/Mask_RCNN
26. Miscellaneous Image Transformations. OpenCV Documentation. https://docs.opencv.org/3.4/d7/d1b/group__imgproc__misc.html#ggaa9e58d2860d4afa658ef70a9b1115576a147222a96556ebc1d948b372bcd7ac59
27. Begin tutorial in contours. OpenCV Documentation.
28. Alex Graves, Abdel-Rahman Mohamed and Geoffrey Hinton. SPEECH RECOGNITION WITH DEEP RECURRENT NEURAL NETWORKS. arXiv:1303.5778v1. 2013.
29. Heng Sun, Meixia Fu. License Plate dectection and recognition based on YOLO Detector and CNN-12. Signal and Information Processing, Networking and Computers. 66-74.
30. Alex Graves1 Santiago Fernandez Faustino Gomez Jurgen Schmidhuber. Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks. https://www.cs.toronto.edu/~graves/icml_2006.pdf
31. YOLO Markup GUI. https://github.com/AlexeyAB/Yolo_mark
32. PalaiahnakoteShivakumara, Dongqi Tang, Maryam Asadzadehkaljahi. CNN-RNN based method for license plate recognition. Selected Papers from The 4th Asian Conference on Pattern Recognition. doi: 10.1049/trit.2018.1015. 2017.
33. Sergey Zherzdev Alexey Gruzdev. LPRNet: License Plate Recognition via Deep Neural Networks. arXiv:1806.10447v1. 2018
34. Задача нахождения объектов на изображении. Вики-конспекты ИТМО. https://neerc.ifmo.ru/wiki
35. How to build a recognition system lecture. https://towardsdatascience.com/lecture-on-how-to-build-a-recognition-system-part-1-best-practices-46208e1ae591

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.