📄Работа №133052

Тема: Визуальная система контроля прохождения спортсменом лыжного спуска

Характеристики работы

Тип работы Бакалаврская работа
Нейронные сети
Предмет Нейронные сети
📄
Объем: 36 листов
📅
Год: 2017
👁️
Просмотров: 106
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
ℹ️ Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.

📋 Содержание

Введение 4
1. Постановка задачи 6
2. Обзор методов 8
2.1. Система контроля на основе RFID меток 8
2.2. Визуальная система контроля 11
2.2.1. Методы вычитания фона 11
2.2.2. Использование разности кадров 12
2.2.3. Фильтр среднего (mean filter) 13
2.2.4. Running Gaussian average 14
2.2.5. SIFT, SURF 16
2.2.6. Сверточные нейронные сети 18
2.3. Выводы 22
3. Реализация задачи 23
3.1. Описание системы 23
3.2. Разметка старта, финиша, предварительная обработка 25
3.3. Вычитание фона, поиск контуров объектов переднего плана 26
3.4. Классификация с использованием сверточной нейронной сети 28
3.5. Замер времени 31
3.6. Результаты 32
Заключение 33
Список литературы 34

📖 Введение

Компьютерное зрение является достаточно молодой областью, но динамично развивающейся. Основным предметом изучения в данной области являются методы отслеживания, классификации и обнаруже­ния объектов на изображении. В связи с развитием информационных технологий, увеличения вычислительных мощностей, появлением воз­можности обрабатывать всё большие объемы данных, компьютерное зрение находит применение во всё большем количестве коммерческих продуктов (проверка качества изготавливаемой продукции, диагности­ка заболеваний в медицине, распознавание номерных знаков, самоуправ­ляемые автомобили и тд.). В данной работе мы постараемся приме­нить существующие методы компьютерного зрения для решения задачи замера времени прохождения спуска во время проведения горнолыж­ных соревнований, так как в последнее время широкое распростране­ние получают различные горнолыжные виды спорта, создается огрoмное количество специализированных горнолыжных трасс для трениро­вок спортсменов [9] и количество людей, занимающихся данным видом спорта, растет. Популярностью среди спoртсменов-любителей пользу­ется вид горнолыжного спорта под названием “слалoм”. Слаломом на­зывается спуск спортсменом на лыжах с горы по заранее определен­ной трассе длинной 400-500 метров с установленными на ней ворота­ми, ширина которых обычно составляет 3.5-4.5м, а расстояние между ближайшими воротами 0.7 - 15м [12]. Победителем является участник, прошедший установленную трассу за наименьшее количество времени. Соответственно, для определения времени прохождения спуска необ­ходима некоторая система, которая будет начинать отсчет времени в момент пересечения спортсменом стартовой линии и заканчивать в мо­мент пересечения финишной. На данный момент для решения этой за­дачи используются системы на основе RFID меток, считыватели ко­торых установлены на стартовой и финишной прямых трассы. Данный подход позволяет с высокой точностью засекать время, но оборудование для его реализации является дорогостоящим (3000.00 - 6000.00 USD) и требует специальной подготовки трассы, что порой может доставлять неудобства, а для спортсменов-любителей и вовсе остается единствен­ный вариант ручного замера прохождения спуска, ибо покупка указан­ных наборов не всегда вписывается в бюджет. Мы ставим себе задачу создания системы визуального контроля прохождения спуска, для ра­боты которой необходим лишь ноутбук и получаемый с камеры видео­поток. Данное решение позволит нам превратить практически любой лыжный спуск в трассу, готовую для проведения горнолыжных сорев­нований без огромных затрат на оборудование.

Возникли сложности?

Нужна качественная помощь преподавателя?

👨‍🎓 Помощь в написании

✅ Заключение

Разработанное в данной работе программное обеспечение может ис­пользоваться для контроля времени прохождения спуска спортсменом на различных горнолыжных трассах. При увеличении библиотеки тре­нировочных данных с помощью разработанного помощника и допол­нительном обучении существующей сети есть возможность увеличить производительность разработанной системы. Даже на слабом процес­соре ноутбука разработанный алгоритм позволяет обрабатывать видео­поток с частотой 30 кадров в секунду в реальном времени. В будущем планируется увеличение библиотеки образцов для повышения точности распознавания, а также добавление возможности анализа видеопотоков одновременно с нескольких камер, установленных вдоль трассы. Так же планируется добавить возможность замера времени одновременно для нескольких спортсменов проходящих трассу.
Нужна своя уникальная работа?
Срочная разработка под ваши требования
Рассчитать стоимость
ИЛИ

📕 Список литературы

[1] Adesh Hardas Dattatray Bade Vibha wali. Good Features to Track // IEEE Conference on Copmuter Vision and Pattern recognition (CVPR94). — 1994. — Access mode: http://www.ai.mit.edU/courses/6.891/handouts/shi94good.pdf (online; accessed: 12.05.2017).
[2] Adesh Hardas Dattatray Bade Vibha wali. Moving Object Detection and Tracking for Video Survelliance // International Journal of Engineering Research and General Science Volume 2, Issue 4, June- July, ISSN 2091-2730. — 2014. — Access mode: http://ijergs.org/ files/documents/MOVING-46.pdf (online; accessed: 12.05.2017).
[3] Adesh Hardas Dattatray Bade Vibha wali. Structural Analysis and Shape Descriptors // International Journal of Computer Applications (0975 - 8887), International Conference on Computer Technology (ICCT 2015). — 2015. — Access mode: http: //research.ijcaonline.org/icct2015/number2/icct201538.pdf (online; accessed: 12.05.2017).
[4] Christopher Richard Wren Ali Azarbayejani Trevor Darrell, Pentland Alex Paul. Pfinder: Real-Time Tracking of the Human Body // IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 19, NO. 7. - 1997. - Access mode: https://web.archive.org/web/20070609085400/ http://www.cvmt.dk/education/teaching/e06/CVG9/CV/ CVG9ExercisePapers/pfinder.pdf (online; accessed: 12.05.2017).
[5] Daniel Strigl Klaus Kofler Stefan Podlipnig. Performance and Scalability of GPU-based Convolutional Neural Networks // Distributed and Parallel Systems Group, Institute of Computer Science. — 2010. — Access mode: http://www.dps.uibk.ac.at/ ~klaus/Klaus_Kofler_-_Institute_for_Computer_Science_ files/GPUCNN.pdf (online; accessed: 12.05.2017).
[6] Herbert Bay Tinne Tuytelaars Luc Van Gool. SURF: Speeded Up Robust Features // European Conference on Computer Vision. — 2006. — Access mode: http://www.vision.ee.ethz.ch/ ~surf/eccv06.pdf (online; accessed: 12.05.2017).
[7] Karpathy Andrej, Toderici George, Shetty Sanketh et al. Large- scale Video Classification with Convolutional Neural Networks // Conference on Computer Vision and Pattern Recognition. — 2014. — Access mode: http://vision.stanford.edu/pdf/karpathy14.pdf (online; accessed: 12.05.2017).
[8] Lowe David G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. — 2004. — Access mode: https://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf (online; accessed: 12.05.2017).
[9] NSAA. U.S. Ski Resorts in Operation During 2015/16 Season // NSAA - National Ski Areas Association. — 2016. — Access mode: http://www.nsaa.org/media/275065/Number_of_Ski_Areas_by_ Season_1516.pdf (online; accessed: 12.05.2017).
[10] OpenCV. Structural Analysis and Shape Descriptors // OpenCV Documentation. — 2014. — Access mode: http://docs.opencv.org/ 2.4/modules/imgproc/doc/structural_analysis_and_shape_ descriptors.html (online; accessed: 12.05.2017).
[11] Source code // github. — 2017. — Access mode: https://github.com/ kalininilya/skiers-tracker/tree/master/src (online; accessed: 12.05.2017).
[12] Wikipedia. Slalom skiing // Wikipedia, The Free Encyclopedia.— 2017. — Access mode: https://en.wikipedia.org/wiki/Slalom_ skiing (online; accessed: 12.05.2017).
[13] Zeiler Matthew D., Fergus Rob. Visualizing and Understanding Convolutional Networks // European Conference on Computer Vision. — 2014.—Access mode: https://www.cs.nyu.edu/~fergus/ papers/zeilerECCV2014.pdf (online; accessed: 12.05.2017).
[14] Zoran Zivkovic Ferdinand van der Heijden. Efficient adaptive density estimation per image pixel for the task of background subtraction // Science direct, Faculty of Science, University of Amsterdam, The Netherlands University of Twente. — 2005. — Access mode: http://www.zoranz.net/Publications/zivkovicPRL2006.pdf (online; accessed: 12.05.2017).

🖼 Скриншоты

🛒 Оформить заказ

Работу высылаем в течении 5 минут после оплаты.
Предоставляемые услуги, в том числе данные, файлы и прочие материалы, подготовленные в результате оказания услуги, помогают разобраться в теме и собрать нужную информацию, но не заменяют готовое решение.
Укажите ник или номер. После оформления заказа откройте бота @workspayservice_bot для подтверждения. Это нужно для отправки вам уведомлений.

©2026 Cервис помощи студентам в выполнении работ