📄Работа №214000
Тема: Обучение каскадного классификатора для распознавания автомобилей из кадров видеопотока
Тип работы
Бакалаврская работа
Предмет
прикладная информатика
Объем:
45 листов
Год:
2020
Просмотров:
5
4450
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
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
Аннотация 2
Введение 5
1 Теоретическое обоснование задачи распознавания автомобилей из кадров
видеопотока 6
1.1 Описание исследуемой задачи по распознаванию автомобилей 6
1.2 Обзор реализованных алгоритмов распознавания автомобилей 7
1.3 Постановка задачи на реализацию программы для распознавания
автомобилей из кадров видеопотока 11
2 Математическая формулировка модели распознавания автомобилей из
кадров видеопотока 12
2.1 Анализ и выбор вычислительного метода для реализации программы
по распознаванию автомобилей из кадров видеопотока 12
2.2 Обучение каскадного классификатора для реализации программы по
распознаванию автомобилей из кадров видеопотока 18
3 Проведение тестирования и анализ эффективности реализованной
программы по распознаванию автомобилей из кадров видеопотока 32
3.1 Описание реализованной программы по распознаванию автомобилей
на базе обученных каскадов 32
3.2 Тестирование реализованной программы по распознаванию
автомобилей с использованием обученных каскадов и анализ
эффективности их работы 34
Заключение 41
Список используемой литературы и используемых источников 42
Приложение А Файловые ресурсы реализованной программы для распознавания автомобилей из кадров видеопотока 45
Введение 5
1 Теоретическое обоснование задачи распознавания автомобилей из кадров
видеопотока 6
1.1 Описание исследуемой задачи по распознаванию автомобилей 6
1.2 Обзор реализованных алгоритмов распознавания автомобилей 7
1.3 Постановка задачи на реализацию программы для распознавания
автомобилей из кадров видеопотока 11
2 Математическая формулировка модели распознавания автомобилей из
кадров видеопотока 12
2.1 Анализ и выбор вычислительного метода для реализации программы
по распознаванию автомобилей из кадров видеопотока 12
2.2 Обучение каскадного классификатора для реализации программы по
распознаванию автомобилей из кадров видеопотока 18
3 Проведение тестирования и анализ эффективности реализованной
программы по распознаванию автомобилей из кадров видеопотока 32
3.1 Описание реализованной программы по распознаванию автомобилей
на базе обученных каскадов 32
3.2 Тестирование реализованной программы по распознаванию
автомобилей с использованием обученных каскадов и анализ
эффективности их работы 34
Заключение 41
Список используемой литературы и используемых источников 42
Приложение А Файловые ресурсы реализованной программы для распознавания автомобилей из кадров видеопотока 45
📖 Введение
Теория распознавания образов — раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, ситуаций и так далее, в целом объектов, которые характеризуются конечным набором некоторых свойств и признаков. Технологии по распознаванию объектов на изображении и тем более на видеопотоке уже давно изобретены и устоялись в повседневной жизни.
Компьютерное зрение проявляется в повседневной жизни довольно часто: будь то поиск преступников по камере наблюдения или угнанный автомобиль. Данное направление крайне перспективно, так как возможность отследить что-либо с помощью компьютерного зрения без использования человеческого ресурса крайне полезна. Именно поэтому и саму цель выпускной квалификационной работы, а именно «Обучение каскадного классификатора для распознавания автомобилей из кадров видеопотока» можно по праву считать актуальной и значимой на сегодняшний день. Целью данной работы является обучение каскадного классификатора и реализация программы для распознавания автомобилей из кадров видеопотока.
Для достижения поставленной цели нужно решить следующие задачи:
1. Проанализировать научную и учебно-методическую литературу, необходимую для понимания процесса по распознаванию объектов.
2. Проанализировать и провести сравнение существующих алгоритмов по распознаванию автомобилей.
3. Выбрать метод реализации распознавания автомобилей.
4. Реализовать распознавание автомобилей из кадров видеопотока.
5. Протестировать реализованный алгоритм.
6. Определить эффективность реализованного алгоритма.
7. Основываясь на полученных данных сделать вывод об эффективности работы реализованных алгоритмов.
Компьютерное зрение проявляется в повседневной жизни довольно часто: будь то поиск преступников по камере наблюдения или угнанный автомобиль. Данное направление крайне перспективно, так как возможность отследить что-либо с помощью компьютерного зрения без использования человеческого ресурса крайне полезна. Именно поэтому и саму цель выпускной квалификационной работы, а именно «Обучение каскадного классификатора для распознавания автомобилей из кадров видеопотока» можно по праву считать актуальной и значимой на сегодняшний день. Целью данной работы является обучение каскадного классификатора и реализация программы для распознавания автомобилей из кадров видеопотока.
Для достижения поставленной цели нужно решить следующие задачи:
1. Проанализировать научную и учебно-методическую литературу, необходимую для понимания процесса по распознаванию объектов.
2. Проанализировать и провести сравнение существующих алгоритмов по распознаванию автомобилей.
3. Выбрать метод реализации распознавания автомобилей.
4. Реализовать распознавание автомобилей из кадров видеопотока.
5. Протестировать реализованный алгоритм.
6. Определить эффективность реализованного алгоритма.
7. Основываясь на полученных данных сделать вывод об эффективности работы реализованных алгоритмов.
✅ Заключение
Во время исследования вопроса по распознаванию автомобильного транспорта в рамках выпускной квалификационной работы были достигнуты следующие результаты:
- были изучены принципы распознавания объектов;
- было обучено два каскада;
- была реализована программа на языке Python, которая может работать с любыми обученными каскадами на поиск чего-либо на кадрах видеопотока;
- были протестированы обученные каскады на различных фото и видео материалах;
- была собрана статистика об эффективности и проведен ее анализ.
Как было сказано ранее, основная проблема всего обучения заключается в том, что при работе над выпускной квалификационной работой использовался компьютер, технических характеристик которого недостаточно для более детального обучения каскадов на большой выборке с ужесточенными параметрами ложного срабатывания и добавлениями дополнительных условий. Если каскад будет обучен на выборке, которая минимум в 10 раз превышает текущую, а обучение будет запущено с более низким коэффициентом ложных срабатываний, то вероятность верного распознавания автомобиля на кадрах видеопотока будет гораздо выше, чем у обученных ранее каскадов.
Таким образом, подводя итоги по выполненным этапам в данной работе, можно сделать вывод о том, что была выполнена поставленная цель, а именно была реализованная программа, использующая обученный каскад для распознавания автомобилей из кадров видеопотока. Был произведен анализ эффективности, после чего были выявлены недостатки и выделен оптимальный способ обучения каскадных классификаторов.
- были изучены принципы распознавания объектов;
- было обучено два каскада;
- была реализована программа на языке Python, которая может работать с любыми обученными каскадами на поиск чего-либо на кадрах видеопотока;
- были протестированы обученные каскады на различных фото и видео материалах;
- была собрана статистика об эффективности и проведен ее анализ.
Как было сказано ранее, основная проблема всего обучения заключается в том, что при работе над выпускной квалификационной работой использовался компьютер, технических характеристик которого недостаточно для более детального обучения каскадов на большой выборке с ужесточенными параметрами ложного срабатывания и добавлениями дополнительных условий. Если каскад будет обучен на выборке, которая минимум в 10 раз превышает текущую, а обучение будет запущено с более низким коэффициентом ложных срабатываний, то вероятность верного распознавания автомобиля на кадрах видеопотока будет гораздо выше, чем у обученных ранее каскадов.
Таким образом, подводя итоги по выполненным этапам в данной работе, можно сделать вывод о том, что была выполнена поставленная цель, а именно была реализованная программа, использующая обученный каскад для распознавания автомобилей из кадров видеопотока. Был произведен анализ эффективности, после чего были выявлены недостатки и выделен оптимальный способ обучения каскадных классификаторов.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.