Automatické rozpoznávanie ŠPZ motorových vozidiel v ... - Utc.sk

Automatické rozpoznávanie ŠPZ motorových vozidiel v
obraze a vo videosekvenciách
DIPLOMOVÁ PRÁCA
ERIK MELICHER
ŽILINSKÁ UNIVERZITA V ŽILINE
Elektrotechnická fakulta
Katedra telekomunikácií
Študijný odbor: TELEKOMUNIKÁCIE
Vedúci diplomovej práce: Ing. Miroslav Benčo
Stupeň kvalifikácie: inžinier(Ing.)
Dátum odovzdania diplomovej práce: 18.5.2007
ŽILINA 2007
I

Abstrakt
V tejto práci je popísaná metóda na automatickú detekciu a znakové rozpoznaniue štátnej
poznávacej značky motorových vozidiel. Úlohou je demonštrovať na tomto príklade
z praxe možné využitia v oblastiach, ktoré slúžia na automatizáciu a zjednodušenie
ľudskej činnosti. Pre tento fakt sa jadro práce sústredí nielen na vysvetlenie samostatných
rozpoznávaní objektov v obraze ale, rozoberá aj množstvo teoretických vedomostí
týkajúcich sa preprocesingu obrazu a videosekvencií. Sú vysvetlené mnohé postupy
a metódy, akými sú napríklad hranové deskriptory, charakteristické extremálne regióny,
neurónové siete atď.
II

Žilinská univerzita v Žiline, Elektrotechnická fakulta,
Katedra telekomunikácií
________________________________________________________________________
ANOTAČNÝ ZÁZNAM – DIPLOMOVÁ PRÁCA
Priezvisko, meno: Melicher Erik školský rok: 2006/2007
Názov dipl. práce: Automatické rozpoznávanie ŠPZ motorových vozidiel v obraze a vo
videosekvenciách
Počet strán: 56 Počet obrázkov: 51 Počet tabuliek: 0
Počet grafov: 0 Počet príloh: 1 Použitá lit.: 10
Anotácia
V tejto práci sa prezentuje metóda na automatickú detekciu a znakové
rozpoznávanie štátnej poznávacej značky motorových vozidiel. Spolu s týmto
problémom, práca teoreticky rozoberá metódy k spracovaniu snímkov a videosekvencií.
Zároveň prezentuje množstvo postupov k učeniu a rozpoznaniu objektov v obraze.
Napríklad hranové deskriptory, charakteristické extremálne regióny, neurónové siete atď.
Anotácia v cudzom jazyku ( anglický jazyk ):
This work, present a method to automatic detection and character recognition
Vehicle Licence-Plate. Together with this problem, the work show theoretical method to
processing the images and moves scenes. At the same time it present many advancements
to learn and recognize object category in images. For example edge description,
characteristic extremal regions, neural network etc.
Kľúčové slová: Štátna poznávacia značka, selekcia, detekcia, verifikácia, transformácia,
znakové rozpoznávanie, predspracovanie obrazu, separácia, neurónové siete.
Vedúci práce: Ing. Miroslav Benčo
Recenzent práce:.........................................................
Dátum odovzdania práce:..........................................
III

Obsah
Zoznam obrázkov .......................................................................................................VI
Zoznam použitých skratiek ..................................................................................VIII
Úvod...................................................................................................................................1
1 Teoretické spracovanie problematiky rozpoznávania znakov
a všeobecne objektov v obraze a vo videosekvenciách ....................................3
1.1 Transformácie ..........................................................................................................4
1.1.1 Fourierova transformácia-(používaná napríklad pri rozpoznávaní ŠPZ vo
vieosekvenciách)..........................................................................................................4
1.1.2 Diskrétna Fourierova transformácia ...................................................................5
1.1.3 Radonova transformácia .....................................................................................6
1.2 Predspracovanie obrazu..........................................................................................8
1.2.1 Jasové transformácie (využité v programe).........................................................8
1.2.2 Geometrické transformácie.................................................................................8
1.2.3 Lokálne predspracovanie ....................................................................................9
1.2.3.1 Vyhľadzovanie..............................................................................................9
1.2.3.2 Ostrenie- Hranové detektory (Gradientné operátory).................................9
1.3 Segmentácia obrazu (využité v programe).............................................................10
1.3.1 Prahovanie (využité v programe) ......................................................................10
1.3.2 Segmentácia založená na hranách (využité v programe) ..................................11
1.3.2.1 Prahovanie obrazu hrán (využité v programe)..........................................11
1.3.2.2 Určovanie hranice ako heuristické hľadanie.............................................11
1.3.2.3 Dynamické programovanie........................................................................12
1.3.2.4 Houghova transformácia (využité v programe).........................................12
1.3.3 Segmentácia založená na oblastiach .................................................................14
1.3.3.1 Spájanie oblastí..........................................................................................14
1.3.3.2 Delenie oblastí ...........................................................................................15
1.3.3.3 Delenie-a-spájanie oblastí.........................................................................15
1.4 Porovnávanie so vzorom (matching)....................................................................16
1.5 Rozpoznávacie techniky (využité v programe)......................................................16
1.5.1 Štatistické rozpoznávanie obrazcov..................................................................16
1.5.2 Neurónové siete (využité v programe) ..............................................................16
1.5.2.1 Pracovná fáza umelej neurónovej siete .....................................................18
1.5.2.2 Učenie (trénovanie) ...................................................................................18
1.5.2.3 Vybavenie(testovanie) ................................................................................18
1.5.3 Syntaktické rozpoznávanie obrazcov................................................................18
1.5.4 Rozpoznávanie ako porovnávanie zhody dvoch grafov ...................................19
2 Prehľad a porovnanie dostupných algoritmov automatického
rozpoznávania ŠPZ.....................................................................................................20
2.1 Metódy detekcie ŠPZ motorových vozidiel..........................................................20
2.1.1 Metóda prahovania vstupného obrázka na binárny ..........................................20
2.1.2 Metóda relatívne pravidelného prechodu hrán jasovej úrovne medzi písmenami
a medzerami znakov ŠPZ (Metóda vertikálnych hrán)..............................................21
IV

2.2 Metódy selekcie znakov ŠPZ motorových vozidiel .............................................22
2.2.1 Metóda segmentácie pomocou vertikálnej a horizontálnej projekcie...............22
2.2.2 Metóda CER (Characteristic Extremal Regions)..............................................23
2.2.2.1 Extremálna oblasť......................................................................................23
2.2.2.2 Algoritmus detekcie a selekcie CER ..........................................................24
2.3 Selektor ...................................................................................................................25
2.3.1 Neurónová sieť programovacieho jazyka Matlab.............................................26
2.3.2 Sieťové architektúry ponúkajúce prostredie Matlab.........................................27
2.3.3 Neurónová sieť na znakové rozpoznávanie(Matlab) ........................................29
3 Praktická realizácia programu na automatické rozpoznanie ŠPZ .......31
3.1 Vstupné dáta...........................................................................................................31
3.1.1 Algoritmus na detekciu pohybu ........................................................................31
3.2 Predspracovanie vstupných dát............................................................................32
3.2.1 Prevod farebného RGB formátu do formátu 256 odtieňov sivej farby.............32
3.2.2 Zaistenie dostatočného množstva jasových (kontrastových) úrov....................33
3.2.3 Prevod obrázku 256 odtieňov sivej (grey) na binárny obrázok pozostávajúci
z logických jednotiek a núl pomocou techniky prahovania.......................................34
3.3 Výber kandidátov na ŠPZ značku........................................................................34
3.3.1 Algoritmus číslo 1.............................................................................................34
3.3.1.1 Prvá funkcia trasovania(trace) ..................................................................35
3.3.1.2 Rozšírenie hrán rámiku ŠPZ ......................................................................36
3.3.1.3 Úprava matice vhodnej na odpočet ...........................................................37
3.3.1.4 Po odpočte odstránenie miniatúrnych oblastí ...........................................37
3.3.1.5 Funkcia na zlúčenie čiastkových oblastí....................................................38
3.3.1.6 Odstránenie malých oblastí .......................................................................39
3.3.1.7 Druhá funkcia trasovania (trace) ..............................................................39
3.3.2 Algoritmus číslo 2.............................................................................................40
3.3.2.1 Prvá funkcia trasovania(trace) ..................................................................40
3.3.2.2 Selekcia malých oblastí..............................................................................41
3.3.2.3 Zlúčenie čiastkových oblastí ......................................................................41
3.3.2.4 Druhá funkcia trasovania(trace) ...............................................................42
3.4 Verifikácia a selekcia ŠPZ.....................................................................................43
3.4.1 Spracovanie vstupného objektu ........................................................................44
3.4.2 Verifikátor – podmienky...................................................................................44
3.4.2.1 Prvá časť verifikátoru ................................................................................45
3.4.2.2 Druhá časť verifikátoru .............................................................................48
3.4.3 Preprocesing OCR (Separácia jednotlivých znakov)........................................51
3.4.3.1 Preprocesing značky ŠPZ ..........................................................................51
3.4.3.2 Horizontálna separácia znakov .................................................................51
3.4.3.3 Vertikálne ohraničenie a konverzia znakov ...............................................52
3.4.4 Neurónová sieť ako funkcia rozpoznania znaku...............................................52
Záver................................................................................................................................53
Použitá literatúra ........................................................................................................54
Prílohová časť ..............................................................................................................55
V

Zoznam obrázkov
Obr. 1.1 Dvojrozmerná Fourierova transformácia v diskrétnej podobe...............................5
Obr. 1.2 Fourierova transformácia, a) diskrétne vyjadrenie funkcie f(u,v), b) jej
amplitúdové frekvenčné spektrum........................................................................6
Obr. 1.3 Geometria Radonovej transformácie......................................................................7
Obr. 1.4 Typické hranové profily, a) kroku, b)vrchu, c) priamky, d)šumu ....................10
Obr. 1.5 Aplikácia na využitie Houghovej transformácie, a)určenie konvexného obalu,
b)zistenie uhlu otočenia voči rovine....................................................................14
Obr. 1.6 Stromová segmentácia delenia a spájania oblastí................................................15
Obr. 1.7 Základný model jednoduchého neurónu..............................................................17
Obr. 1.8 Rôzne druhy prenosovej funkcie Neurónovej siete, a)jemná limita, b)tvrdá limita
c)logaritmus signálu ...........................................................................................17
Obr. 2.1 Segmentácia znakov pomocou horizontálnej projekcie (určuje vo vertikálnej
rovine vrch a spodok znakov v ŠPZ) ..................................................................22
Obr. 2.2 Segmentácia znakov pomocou vertikálnej projekcie (určuje v horizontálnej
rovine maximá pre oblasti medzi znakmi) .........................................................23
Obr. 2.3 Rast prahu a spájanie extremálnych oblastí........................................................ 24
Obr. 2.4 Algoritmus detekcie a selekcie CER....................................................................25
Obr. 2.5 Neurón s vektorovým vstupom............................................................................26
Obr. 2.6 Zovšeobecnený vektorový neurón.......................................................................27
Obr. 2.7 Prenosové funkcie používajúce sa v NN..............................................................27
Obr. 2.8 Zobrazenie vrstvy neurónov, a) vrstva neurónov, b) zovšeobecnená vrstva
neurónov..............................................................................................................28
Obr. 2.9 Viacvrstvová neurónová sieť...............................................................................28
Obr. 2.10 Zovšeobecnená viacvrstvová neurónová sieť....................................................29
Obr. 2.11 Príklad metrixu znakov, a) bez šumu, b)zo šumom...........................................29
Obr. 2.12 Architektúra využívaná na znakové rozpoznávanie...........................................30
Obr. 3.1 Funkčnosť algoritmu na detekciu pohybu............................................................31
Obr. 3.2 Prevod RGB (farebného) obrázku na obrázok Gray (256 odtieňov sivej),
a)trojdimenzionálny metrix RGB obrázku, b)RGB obrázok,
c)jednodimenzionálny metrix Gray obrázku, d)obrázok gray............................32
Obr. 3.3 Ilustruje zmeny jasových(kontrastových) úrovní Gray obrázku..........................33
Obr. 3.4 Prevod obrázku 256 odtieňov sivej(gray) na binárny obrázok, a)pôvodný
obrázok gray, b) binárny obrázok po prevode....................................................34
Obr. 3.5 Demonštratívny obrázok auta, a) RGB, b) Gray.................................................35
Obr. 3.6 Názornosť funkcie trasovania na základe hranových detektorov,
a)pred trasovaním, b)po trasovaní.......................................................................35
VI

Obr. 3.7 Zobrazuje jednotlivé kroky rozšírenia hrán, a)pôvodný binárny obrázok
b)prevod obrázku na opačný 1-0, c)roztiahnutie hrán d)spätný prevod............36
Obr. 3.8 Demonštruje kroky odpočtu, a)pôvodný binárny obrázok, b)obrázok na odpočet,
c)výsledný obrázok po odpočte...........................................................................37
Obr. 3.9 Odstránenie miniatúrnych oblastí, a)pred selekciou, b)po selekcií......................38
Obr. 3.10 Zlúčenie čiastkových oblastí, a)pred zlúčením, b)po zlúčení............................38
Obr. 3.11 Odstránenie malých oblastí, a)pred odstránením, b)po odstránení..................39
Obr. 3.12 Druhá funkcia trasovania a zobrazenie oblasti vstupujúcich do verifikátora,
a) jednotlivé oblasti, b)farebné odlíšenie pre lepšiu názornosť..........................40
Obr. 3.13 Demonštratívny obrázok auta, a) RGB, b)Gray ...............................................40
Obr. 3.14 Názornosť funkcie trasovania na základe hranových detektorov algoritmu č.2.,
a) pred trasovaním, b)po trasovaní.....................................................................41
Obr. 3.15 Zobrazuje odstránenie malých oblastí algoritmu č.2.,
a)pred odstránením, b)po odstránení..................................................................41
Obr. 3.16 Zobrazenia zlúčenie čiastkových oblastí algoritmu č.2.,
a)pred zlúčením, b)po zlúčení............................................................................42
Obr. 3.17 Druhá funkcia trasovania a zobrazenie oblastí vstupujúcich do verifikátora
algoritmu č.2., a) jednotlivé oblasti, b)farebné odlíšenie pre lepšiu názornosť42
Obr. 3.18 Oblasti vstupujúce do verifikátoru a ich číslovanie...........................................43
Obr. 3.19 Spracovanie oblastí vstupujúcich do verifikátora s podmienkami.....................44
Obr. 3.20 Podmienka číslo jedna prvej časti verifikátoru..................................................45
Obr. 3.21 Podmienka atribútov..........................................................................................46
Obr. 3.22 Výrez stredného riadku, a) detekovaná oblasť, b)vyrezaná oblasť a jej stredný
riadok...................................................................................................................47
Obr. 3.23 Podmienka intervalu počtu svetlých miest v horizontálnom reze značky.........47
Obr. 3.24 Vystrihnutie ŠPZ značky z pôvodného RGB obrázku, a) detekovaná oblasť,
b)rovnaká oblasť vyrezaná z pôvodného RGB snímku.......................................48
Obr. 3.25 Prevod RGB značky na základe priemerného prahu do BW podoby................49
Obr. 3.26 Odstránenie miniatúrnych oblastí a zistenie uhla otočenia pomocou HT..........49
Obr. 3.27 Rotácia, a)upravenej binárnej matice, b)pôvodnej binárnej matice,
c) pôvodnej RGB matice.................................................................................... 49
Obr. 3.28 Výsledok orezania..............................................................................................51
Obr. 3.29 Preprocesing značky ŠPZ, a) pôvodný výrez značky, b) výrez značky upravený
vyhľadením hrán.................................................................................................51
Obr. 3.30 Horizontálna separácia znakov značky..............................................................52
Obr. 3.31 Vertikálne ohraničenie a konverzia znakov.......................................................52
VII

Zoznam použitých skratiek
ŠPZ Vehicle Licence-Plate Štátna poznávacia značka
WWW World Wide Web Celosvetová internetová sieť
FT Fourier transform Fourierova transformácia
HT Hough transform Houghova transformácia
NN Neural network Neurónová sieť
CER Characteristic Extremal Regions Charakteristické extremálne regióny
RGB (Red-Green-Blue) image Farebné vyjadrenie snímku
Gray (Gray) image Vyjadrenie obrázku v 256 odtieňov
sivej
OCR Optical character recognition Optické rozpoznávanie znakov
VIII

Úvod
Z dôvodu nových technologických možností súvisiacich s vývojom, ale nesporne
aj s nárastom zložitosti a náročnosti riadenia v rôznych odvetviach je potrebné uskutočniť
množstvo nevyhnutných krokov na optimalizáciu a automatizáciu riadiacich procesoch.
Do tohto rámca samozrejme spadajú aj také oblasti, akými sú doprava a spoje. Jednou
z priorít v doprave sa považuje cestná premávka jej riadenie, bezpečnosť a služby.
Riešením rôznych problémov spojených s cestnou premávkou môže byť automatické
spracovanie textu ŠPZ a iných informácií zistiteľných z prostého obrazového vyjadrenia
dopravných prostriedkoch. Tieto metódy automatického spracovania databáz podľa
obrazových informácií môžu byť neskôr využité na rôzne účely od bezpečnosti v cestnej
premávke až po rôzne komerčné využitie napríklad na parkoviskách, alebo rôznych
servisných centrách.
Prostredníctvom rôznych vlastností z obrazového vyjadrenia je možné získať
množstvo hodnotných informácií. Existuje mnoho metód, ktoré na základe týchto
vlastností umožňujú riešiť problémy spojené s cestnou dopravou.
V tejto práci sa prezentuje metóda na automatickú detekciu a znakové rozpoznanie
štátnej poznávacej značky motorových vozidiel. Spolu s týmto problémom, práca
rozoberá teoretické metódy k spracovaniu rôznych snímkoch a videosekvencií. Zároveň
prezentuje množstvo postupov k učeniu a rozpoznaniu objektov v obraze. Napríklad
hranové deskriptory, charakteristické extremálne regióny, neurónové siete atď.
1

Štruktúra práce
• Kapitola 1 obsahuje teoretické spracovanie problematiky rozpoznávania textu a
objektov v obraze a uvádza rôzne využívané metódy a postupy pri spracovaní
obrazu všeobecne.
• Kapitola 2 obsahuje prehľad a porovnanie dostupných algoritmov automatického
rozpoznávania ŠPZ.
• Kapitola 3 popisuje praktickú realizáciu mnou vytvoreného programu na
rozpoznávanie ŠPZ motorových vozidiel.
• V kapitole Záver je zhrnutie.
• Prílohová časť obsahuje zdrojový kód programu a jeho výsledky.
2

1 Teoretické spracovanie problematiky rozpoznávania znakov
a všeobecne objektov v obraze a vo videosekvenciách
Pojem detekcia znakov respektíve textu v obraze a videosekvenciách, môžeme
rozdeliť na niekoľko podúloh:
Detekcia znakov v obraze
• Detekcia za ideálnych podmienok – ide o zisťovanie textu pri jednoduchých
podmienkach, text je na jednoduchom pozadí (zvyčajne sa jedná o tmavé
zobrazenie textu na bielom podklade), text neobsahuje žiadne skreslenia, šumy,
geometrické deformácie, ako afinita a otočenie voči rovine atď.
• Detekcia za normálnych podmienok – zisťovanie textu sa uskutočňuje pri rôznych
zhoršujúcich faktorov, medzi ktoré patria šumy, skreslenia, nedokonalá jasová
úroveň, jemné geometrické deformácie a pod.
• Detekcia za extrémnych podmienok – rozpoznávanie textu sa uskutočňuje za
veľmi nepriaznivých podmienok, veľké šumové skreslenie, silné geometrické
skreslenie, ako afinita a otočenie voči rovine, viacfarebnosť textu, splývanie
s pozadím a pod.
Detekcia znakov vo videosekvenciách
• Detekcia statického textu na pohyblivom pozadí – ide napríklad o detekciu textu
pri filme(titulky).
• Detekcia pohyblivého textu na statickom pozadí – ide o detekciu textu, ktorá sa
využíva na spravodajských kanáloch, alebo pohyblivý text na statických
stránkach(WWW)
• Detekcia pohyblivého textu na pohyblivom pozadí, avšak zo známej pozície – ide
o rozpoznávanie napríklad ŠPZ Furierovou metódou
• Detekcia pohyblivého textu na pohyblivom pozadí bez známej pozície textu
Detekcia za ľubovoľných podmienok
• Ide o detekciu, ktorá sa dokáže vysporiadať s ktoroukoľvek nepríjemnou
situáciou. V reálnych podmienkach je typ takejto detekcie takmer
nedosiahnuteľný.
3

Napriek tomu, že práca je zameraná aj na detekciu ŠPZ motorových vozidiel vo
videosekvenciách, bude sa zaoberať výhradne detekciou znakov v obraze. Ide o podstatu
veci pretože je zrejmé, že každá videosekvencia sa skladá z určitého počtu statických
obrázkov idúcich sériovo za sebou. Úkolom práce bude spracovať niekoľko takýchto
statických snímkov a vytvoriť program na detekciu značky ŠPZ a jej textu.
Z dôvodu, že prínosom tejto práce nieje len samostatné rozpoznanie znakov, je
nutné si priblížiť jednotlivé metódy a postupy, ktoré slúžia už spomínanej problematike.
Vo všeobecnom merítku sa dá povedať, že detekciou znakov (textu) nejde len o detekciu
nejakej formy znakovej komunikácie, ale o zisťovanie ľubovolných objektov v obraze.
Potrebným kritériom toho, aby problematika bola pochopená čo
najzrozumiteľnejšie, je nutné rozobrať teoretický základ, ktorý nám dá aký taký rozhľad.
V ďalšej časti textu uvediem metódy a postupy používajúce sa na spracovanie obrazu,
a už spomínanú detekciu ľubovoľných objektov v obraze. Nieje možné sa venovať
z dôvodu obšírnosti jednotlivým metódam veľmi podrobne, napriek tomu metódy a
postupy, ktoré využíva program na detekciu ŠPZ rozoberiem trošku detailnejšie.
1.1 Transformácie
Do tejto kategórie spracovania patria frekvenčné a obrazové transformácie, ktoré
slúžia na zlepšenie vlastnosti obrazu pre ďalšie spracovanie, ale zároveň poskytujú aj iné
možnosti využitia.
1.1.1 Fourierova transformácia-(používaná napríklad pri rozpoznávaní ŠPZ vo
vieosekvenciách)
Fourierova transformácia je zovšeobecnením komplexného Fourierovho radu.
Fourierov rad je rozšírením periodickej funkcie f(x) na nekonečný súčet sínusov a
kosínusov, využívajúc ortogonalitu týchto funkcií. Výpočet a štúdium Fourierovho radu
je známy ako harmonická analýza funkcie, a je dobre použiteľná na rozklad ľubovolnej
periodickej funkcie na jednoduché časti, ktoré sa dajú jednoducho riešiť, následne získať
riešenie celkového problému, alebo jeho aproximáciu.
Fourierova transformácia je definovaná:
Nech f(x) je spojitá integrovatelná funkcia reálnej premennej x. Fourierovú transformáciu
funkcie f(x) definujeme ako
4

∞
∫
−∞
I( f ( x))
= F(
u)
= f ( x) exp[ −2π ux]
dx ,
kde j = −1
. (1.1)
Nech F(u) je integrovatelná funkcia, potom pre inverznú Fourierovú transformáciu platí:
I
−1
∞
∫
−∞
( F ( x))
= f ( u)
= F(
x) exp[ −2π ux]
dx
(1.2)
Funkcia F(u) získaná Fourierovou transformáciou je komplexná funkcia. Môžeme ju
zapísať v tvare
F ( u)
= R(
u)
+ jI ( u)
, (1.3)
kde R(u) je reálna a I(u) je imaginárna zložka funkcie F(u).
Amplitúdové frekvenčné spektrum funkcie F(u) je
2
2
| F ( u)
| = R ( u)
+ I ( u)
, (1.4)
frekvenčné spektrum je
−1
⎡ I(
u)
⎤
φ ( u)
= tan ⎢ ⎥ , (1.5)
⎣ R(
u)
⎦
a výkonové spektrum je
2 2
2
P ( u)
= | F(
u)
| = R ( u)
+ I ( u)
. (1.6)
Fourierovú transformáciu môžeme rozšíriť na dvojrozmernú. Z toho dôvodu frekvenčné,
fázové a výkonové spektrum je definované ako dvojrozmerná funkciu F(u,v).
1.1.2 Diskrétna Fourierova transformácia
Obr. 1.1 Dvojrozmerná Fourierova transformácia v diskrétnej podobe
5

Ak sa aplikuje obrazová transformácia je nutné previesť Fourierovu transformáciu
do diskrétnej podoby. Jednorozmerná diskrétna Fourierova transformácia je definovaná
rovnicou:
1
ux
F(
u)
= f ( x) exp[ −2
jπ ]
(1.7)
N
N
N
∑ − 1
x=
0
pre u = 0, 1, ..., N-1.
Diskrétna inverzná Fourierova transformácia je definovaná vzťahom:
1
ux
f ( x)
= F(
u) exp[ j2π ]
(1.8)
N
N
N
∑ − 1
x=
0
pre x = 0, 1, ..., N-1.
a) b)
Obr. 1.2 Fourierova transformácia, a) diskrétne vyjadrenie funkcie f(u,v), b) jej
amplitúdové frekvenčné spektrum
1.1.3 Radonova transformácia
Ide o integrálnu transformáciu, ktorá reálnej funkcii f definovanej na n-rozmernom
reálnom priestore priradí inú funkciu nesúcu informáciu o integráloch funkcie f cez
všetky afinné nadroviny priestoru na ktorom je definovaná. Tejto novej funkcii sa
niekedy hovorí Radonov obraz funkcie f. Transformácia, ktorá Radonovmu obrazu priradí
pôvodnú funkciu sa nazýva inverzná Radonova transformácia.
Napríklad, ak je f funkcia dvoch premenných, teda ak n = 2, afinné nadroviny
priestoru, na ktorom je definovaná, sú všetky priamky ležiace v rovine. Každá rovinná
priamka je jednoznačne určená uhlom α ktorý zviera jej normála s x-ovou osou a jej
6

vzdialenosťou r od počiatku v smere normály. Radonov obraz funkcie f sa dá potom
definovať ako funkcia týchto dvoch parametrov takto:
∞
R [ f ]( α , r)
= ∫ f ( r sin( α)
− t cos( α),
r cos( α)
+ t sin( α))
dt
−∞
Definícia Radonovej tranformácie:
(1.9)
Afinné nadroviny n-rozmerného priestoru, sú všetky jeho (n − 1)-rozmerné afinné
podpriestory. Tie sú úplne určené svojim jednotkovým normálovým vektorom d ∈ S n− 1 a
vzdialenosťou od počiatku
r ∈ R rátanou v smere vektora d. Radonov obraz funkcie n-
premenných f sa preto najčastejšie definuje ako funkcia definovaná ako funkcia:
R f ]: S
n
× R → R
[ (1.10)
−1
daná vzťahom:
∫
R[ f ]( d,
r)
= fds , (1.11)
L d , r
kde L d,r je afinná nadrovina určená dvojicou parametrov d a r v zmysle uvedenom vyššie
a ds je (n − 1)-rozmerná Lebesgueova miera na tejto nadrovine.
Obr. 1.3 Geometria Radonovej transformácie
Ďalšie typy transformácií:
Diskrétna kosínusová transformácia, Hadamardova transformácia, Wavelety (Vlnková
transformácia), Trace transformácia. Ich teóriou sa z dôvodu limitovania tejto práce
nebudeme zaoberať.
7

1.2 Predspracovanie obrazu
Sú to operácie s obrazmi na najnižšej úrovni abstrakcie – vstup a výstup sú
ikonické dáta, ktoré obsahujú veľkosť jasu v každom obrazovom bode.
Cieľom predspracovania je zlepšenie kvality obrazových dát, ktorá potlačí
neželané deformácie a skreslenia, alebo zlepší niektoré črty obrazu, ktoré sú dôležité z
hľadiska ďalšieho spracovania.
Existujú tri základné typy metód predspracovania:
• Jasové transformácie – transformácia závisí od vlastností pixela samotného
• Geometrické transformácie
• Lokálne predspracovanie – transformácie závisia od samotného pixela a jeho
okolia
1.2.1 Jasové transformácie (využité v programe)
Existujú dve skupiny jasových transformácií:
Jasové korekcie modifikujú jas pixela, berúc do úvahy jeho hodnotu a jeho polohu
v obraze:
• f (i, j) = e (i, j) g (i, j), kde e (i, j) je multiplikatívny koeficient chyby
• obraz s konštantným jasom c, je potom
c.
f ( i,
j)
g(
i,
j)
= (1.12)
f ( i,
j)
c
Šedotónové transformácie menia jasovú úroveň bez ohľadu na pozíciu v obraze..
q = T(p) (1.13)
1.2.2 Geometrické transformácie
Geometrické transformácie umožňujú eliminovať geometrické deformácie, ktoré
sa môžu objaviť pri snímaní obrazu.
x´ = T (x,y) y´ = T (x,y) (1.14)
x y
Geometrická transformácia typicky pozostáva z dvoch základných krokov:
Transformácia pixelových súradníc - mapuje súradnice pixela vstupného obrazu na
obrazový bod výstupného obrazu; často sa používajú afinné a bilineárne transformácie.
x′
=
m m
∑ ∑
− r
r = 0 k = 0
a
rk
x
r
y
k
y′
=
m m
∑ ∑
− r
r = 0 k = 0
b
rk
x
r
y
k
(1.15)
8

Používajú sa polynómy stupňa m = 2 alebo 3, potrebujú 6 až 10 zodpovedajúcich bodov.
Jasová interpolácia – jas sa vypočíta ako interpolácia jasu v niekoľkých bodoch okolia
Súradnice výstupného pixela obyčajne nezodpovedajú digitálnej mriežke a preto sa
používa interpolácia na určenie jasu výstupného pixela; interpolácia najbližšieho suseda,
lineárna interpolácia a bikubická interpolácia sa používajú najčastejšie.
1.2.3 Lokálne predspracovanie
Metódy lokálneho predspracovania používajú malé okolie obrazového bodu
(obyčajne štvorcové) zo vstupného obrazu na vytvorenie novej jasovej hodnoty
obrazového bodu vo výstupnom obraze. Také operácie sa nazývajú filtrácie.
Predspracovaním sledujeme najmä tieto ciele: vyhladzovanie a ostrenie - (zvýraznenie
hrán).
1.2.3.1 Vyhladzovanie
Cieľom vyhladzovania je potlačiť šum, alebo malé fluktuácie v obraze s využitím
redundancie (nadbytočnosti) obrazových dát. Vyhladzovanie je založené na priemerovaní
jasových hodnôt v nejakom okolí pixela. Jeho nevýhodou je rozmazávanie hrán.
1.2.3.2 Ostrenie- Hranové detektory (Gradientné operátory)
Ostrenie obrazu zvýrazňuje hrany – to sú miesta, kde sa obrazová funkcia rýchlo
mení; má rovnaký efekt ako potlačenie nízkych frekvencií v obore Fourierovej
transformácie, čiže zodpovedá použitiu vysokofrekvenčného filtra. Vysokofrekvenčnému
filtru zodpovedá maska.
Hrana je vlastnosť, ktorá je priradená k jednotlivému pixelu a počíta sa z priebehu
obrazovej funkcie v okolí toho pixela. Hrana má dva komponenty, veľkosť, ktorá je
totožná s veľkosťou gradientu a smer, ktorý je kolmý na smer gradientu.
2
2
⎛ ∂g
⎞ ⎛ ∂g
⎞
| grad g ( x,
y)
| = ⎜ ⎟ + ⎜ ⎟
(1.16)
⎝ ∂x
⎠ ⎝ ∂y
⎠
⎛ ∂g ∂g
⎞
ϕ = arg ⎜ , ⎟
(1.17)
⎝ ∂x
∂y
⎠
9

Obr. 1.4 Typické hranové profily, a) kroku, b)vrchu, c) priamky, d)šumu
1.3 Segmentácia obrazu (využité v programe)
Hlavným cieľom segmentácie je rozdeliť obraz na časti, ktoré majú silnú koreláciu
s objektami, alebo oblasťami reálneho sveta zobrazenými v obraze. Pri čiastočnej
segmentácii je cieľom rozdeliť obraz na časti, ktoré sú homogénne z hľadiska vybranej
vlastnosti napr. jasu, farby, odrazivosti, textúry a pod. Pri segmentácii šedoúrovňových
obrazov využívame dve základné vlastnosti týchto obrazov: diskontinuitu a podobnosť.
Segmentačné metódy možno rozdeliť na tri skupiny:
Prahovanie, segmentácia založená na hranách (diskontinuita), segmentácia založená na
oblastiach (podobnosť).
1.3.1 Prahovanie (využité v programe)
Najjednoduchšia segmentačná technika, je výpočtovo nenáročná a rýchla. Na
segmentovanie objektov od pozadia sa používa jasová konštanta, ktorá sa na nazýva prah.
Prahovanie je transformácia, ktorá zobrazuje vstupný obraz f (i, j) na výstupný obraz g(i,j)
následovne:
g (i, j) = 1 ak f (i, j) ≥ T = 0 ak f (i, j) < T (1.18)
10

Prahovanie s jedným prahom možno aplikovať na celý obraz (vtedy ide o globálne
prahovanie), alebo sa prah môže meniť v jednotlivých častiach obrazu (lokálne
prahovanie). Iba za veľmi špeciálnych okolností môže byť prahovanie úspešné s jedným
prahom v celom obraze.
• globálne prahovanie T = T (f )
• lokálne prahovanie T = T( f, f ), kde f je časť obrazu, v ktorej sa určuje prah.
c c
Metódy na určenie prahu sa snažia určiť prah automaticky. Na určenie prahu sa používajú
metóda p-podielu, metóda analýzy tvaru histogramu a optimálne prahovanie.
1.3.2 Segmentácia založená na hranách (využité v programe)
Je založená na lokálnych hranách, ktoré boli detekované hranovými operátormi.
Lokálne hrany zodpovedajú ostrému prechodu v úrovni šedej, vo farbe, v textúre apod.
Najväčšími problémami segmentácie založenej na hranách, ktoré sú spôsobené
obrazovým šumom ,alebo nevhodnou informáciou v obraze, je prítomnosť lokálnych hrán
v miestach, kde neexistuje globálna hranica a naopak neprítomnosť lokálnej hrany tam,
kde globálna hranica existuje.
1.3.2.1 Prahovanie obrazu hrán (využité v programe)
Je založené na vytvorení lokálnych hrán, ktoré sa prahujú vhodným prahom
(predpokladá sa, že silnejšie lokálne hrany sú časťou globálnej hranice).
Relaxácia (optimalizácia) hrán- vlastnosti hrany sa posudzujú v kontexte okolitých
hrán. Ak existujú dostatočné príznaky existencie hranice, lokálna hrana sa posilňuje a
naopak. Napr. slabá hrana medzi dvoma silnými hranami, je veľmi pravdepodobné, že
táto slabá hrana bude súčasťou globálnej hranice. Ak sa použije globálna relaxácia
(optimalizácia), vytvoria sa súvislé hrany.
1.3.2.2 Určovanie hranice ako heuristické hľadanie
Proces určovania hranice sa transformuje na hľadanie optimálnej cesty v
ohodnotenom grafe. Ohodnotenia (ceny) sú spojené s každým vrcholom a vyjadrujú
šancu, že hranica povedie cez tento vrchol (pixel). Cieľom je nájsť optimálnu hranicu
(vzhľadom na určité optimalizačné kritérium), ktorá spája dva špecifikované obrazové
body alebo množiny obrazových bodov, ktoré reprezentujú začiatok a koniec hranice.
11

Definícia ohodnotenia - (ohodnocujúce funkcie) sú kľúčom k úspešnej detekcii
hranice. Zložitosť výpočtu ceny vrcholu môže byť taká, že je to prevrátená hodnota
veľkosti lokálnej hrany v danom bode až po apriórnu znalosť o hľadanej hranici, cieli
segmentácie, obrazových dátach a pod.
f(n) = g(n) + h(n) (1.19)
kde g vyjadruje ohodnotenie cesty a h je heuristicka zložka, ktorá odhaduje ohodnotenie
cesty.
Algoritmus vyberá na ďalšie expandovanie taký vrchol, ktorý má minimálne f(n), pričom
berie do úvahy všetky otvorené vrcholy, t.j. tie, ktoré ešte neboli expandované.
1.3.2.3 Dynamické programovanie
Je založené na princípe optimality a reprezentuje efektívnu cestu simultánneho
hľadania optimálnych ciest z viacerých začiatočných a koncových bodov. Hľadá optimá
funkcií, v ktorých nie všetky premenné sú navzájom závislé. Keď sa používa algoritmus
A* na prehľadávanie grafu, je nutné vytvárať celý graf, čo je protikladom ku
heuristickému hľadaniu.
Myšlienka princípu optimality je:
Ak existuje optimálna cesta z počiatočného do koncového vrcholu, ktorá ide cez E, tak
obidve podcesty z počiatočného vrcholu do E a z E do koncového vrcholu musia byť tiež
optimálne.
1.3.2.4 Houghova transformácia (využité v programe)
Je segmentačná technika použiteľná vtedy, keď treba detekovať objekty so
známym tvarom hranice(ich analitické vyjadrenie). Ide o transformáciu, ktorá mapuje
body, alebo množinu bodov vstupného vektorového priestoru V na parametrický priestor
P parametrov krivky(alebo iného parametricky popísateľného formálneho objektu), ktorý
je analiticky definovaný rovnicou.
Houghova transformácia je definovaná:
Ak máme analitickú rovnicu f (( aˆ
1
,...., aˆ
m
),( x,
y))
= 0 , vyjadrujúcu tvar hľadaných
elementov, v parametroch
a ,...., aˆ
ˆ1
a premenných x,y. Spätná projekcia g sa získa
m
zámenou parametrov a premenných bodov [ x ˆ, yˆ
] na všetky tvary s parametrami
( a 1
,...., a m
) , ktoré tento bod obsahujú.
g(( xˆ,
yˆ),
( a1,..,
am )) = f (( a1,...,
am
), ( xˆ,
yˆ))
(1.20)
12

Spätná projekcia vstupných bodov F ∈ F = {( x , y ) | j 1,..., n}
Houghovej
transformácie (pre tvar f) sa definuje následovne:
HT
f
n
∑
j j j
=
( a1,...,
am
) = h((
x
j
, y
j
), ( a1,...,
am
)
(1.21)
j=
1
kde
⎧1
h (( xˆ,
yˆ),(
a1 ,..., am
)) = ⎨ pro g(( xˆ,
yˆ),
( a1,...,
am
)) = 0
(1.22)
⎩0
Interpretácia tejto definície je následovná. Pri predpoklade, že je daný vstupný obraz,
ktorý sa skladá z bodov a na ňom sa hľadá analytická rovnica vyjadrujúcu objekt(tvar).
Body, ktoré ležia na takomto objekte majú tú vlastnosť, že splňujú jeho analitickú
rovnicu. Houghova transformácia prikazuje každej m-tici parametrov, tzn. každému tvaru
počet bodov vstupného obrazu, ktoré na ňom ležia. Tento princíp sa chápe ako voľba
kandidáta na objekt vstupného obrazu: každý vstupný bod F j tu hlasuje pre všetky
kandidáty o parametroch a ,...., a ) , ktoré sú pre neho prípustné. Taká m-tica
( 1 m
parametrov, ktorá dosiahne medzného počtu hlasov, je považovaná za kandidáta na objekt
vo vstupnom obraze.
Výška tohto prahu je závislá na parametroch samotných, preto sa často hovorí
o adaptívnom prahovaní, kde sa prahová hodnota spočíta so zreteľom na hodnoty
parametrov.
Možná aplikácia:
Houghova transformácia je určená napríklad k detekcií priamok(hrán), alebo lineárnych
oblastí, použitím parametrického vyjadrenia priamky
φ = x*cos(θ) + y*sin(θ), (1.23)
kde φ je vzdialenosť od tejto priamky, a θ je uhol medzi x-rovinou a rovinou vektoru tejto
priamky.
13

a) b)
Obr. 1.5 Aplikácia na využitie Houghovej transformácie, a) určenie konvexného obalu ,
b) zistenie uhlu otočenia voči rovine
1.3.3 Segmentácia založená na oblastiach
Segmentácia založená na oblastiach musí spĺňať následovné kritérium úplnej
segmentácie:
U S
R i
i=1
R = R
iI R
j
i ≠ j
(1.24)
a podmienky maximálnej homogenity:
H ( R i
) = TRUE , pre i=1,2,...,S (1.25)
H ( R I R ) FALSE , pre i ≠ j a R i je susedné s R j (1.26)
i j
=
Kritérium homogenity môže byť priemerná šedá úroveň oblasti, farebné vlastnosti,
textúrne vlastnosti, tvarové vlastnosti a pod.
1.3.3.1 Spájanie oblastí
Obraz sa najskôr rozdelí na malé oblasti s tým, že každá oblasť obrazu je
homogénna. Následne na to sa oblasti spájajú tak, aby spĺňali druhú podmienku, že budú
maximálne za podmienky, že homogenita každej oblasti sa zachová.
14

Na spájanie oblastí sa používajú dve heuristiky:
• dve susedné oblasti sa spoja, keď výrazná časť ich spoločnej hranice pozostáva zo
slabých hrán (napr. počet slabých hrán ku celkovej dĺžke hranice),
• dve susedné oblasti sa spoja, keď výrazná časť ich spoločnej hranice pozostáva zo
slabých hrán, ale bez uvažovania o celkovej dĺžke hranice, táto metóda neberie do
úvahy vplyv rozdielnej veľkosti oblastí.
1.3.3.2 Delenie oblastí
Ide o opačný proces ku spájaniu oblastí. Začína pri podsegmentovanom obraze,
ktorý nespĺňa podmienku homogenity oblasti. Potom sa existujúce oblasti postupne delia
tak, aby spĺňali základné podmienky.
1.3.3.3 Delenie-a-spájanie oblastí
Ide o metódu, ktorá má výhody oboch prístupov. Techniky delenia a spájania
obyčajne požívajú pyramídové obrazové reprezentácie. Pretože je k dispozícii aj delenie
aj spájanie, počiatočný obrázok nemusí spĺňať ani podmienku homogenity oblasti, ani
maximálnosti homogénnej oblasti.
Obr. 1.6 Stromová segmentácia delenia a spájania oblastí
Algoritmus:
Definuj homogenitu a následne na to zisti homogenitu v obraze. Ak niektoré oblasti
nespĺňajú podmienku homogenity rozdeľ ich na 4 podoblasti. Ak niektoré podoblasti
v tejto oblasti je možné na základe homogenity spojiť, dôjde k ich spojeniu. Následne na
15

to zistí, či niektoré podoblasti v oblasti delenej štyrmi, niesu homogénne so susednou
oblasťou nepatriacej danej množine. Ak tomu tak je, opätovne dôjde k spojeniu takýchto
oblastí. V prípade, že treba vylúčiť malé oblasti, spoj ich s najbližšou homogénnou
oblasťou.
1.4 Porovnávanie so vzorom (matching)
Porovnávanie so vzorom možno použiť na lokalizáciu objektov so známym
vzhľadom v obraze, na hľadanie špecifických vzorov, a pod. Najlepšia zhoda je založená
na nejakom kritériu optimality, ktoré záleží na vlastnostiach objektu a vzťahoch objektu.
Algoritmus spočíva vo vyhodnotení kritéria zhody pre každú polohu a otočenie
vzoru v obraze. Tie vyhodnotenia, ktoré presahujú stanovený prah, reprezentujú
umiestnenie vzoru v obraze.
Kritériá zhody možno definovať viacerými spôsobmi; špeciálne, korelácia medzi vzorom
a skúmanými obrazovými dátami sa často používa ako všeobecné kritérium.
1.5 Rozpoznávacie techniky (využité v programe)
Slúžia na detekciu ľubovoľných objektov v obraze. Vyžadujú sa špecifické
znalosti tak o objektoch, ktoré sa rozpoznávajú, ako aj všeobecnejšie znalosti o triedach
objektov.
1.5.1 Štatistické rozpoznávanie obrazcov
Rozpoznanie objektu je založené na priradení triedy k neznámemu objektu a
zariadenie, ktoré vykonáva toto priradenie sa nazýva klasifikátor. Počet tried sa obyčajne
vie dopredu a obvykle sa dá odvodiť zo špecifikácie problému. Klasifikátor nerozhoduje
o zaradení do triedy na základe objektu priamo, ale na základe vlastností objektu, ktoré sa
nazývajú obrazce.
1.5.2 Neurónové siete (využité v programe)
Neurónová sieť vznikla na podklade výskumu mozgu. Vedci sa snažili
matematicky modelovať procesy ktoré v ňom prebiehajú. Neskôr sa umelé neurónové
siete rozšírili do všetkých oborov technickej praxe. Základom je neurónová jednotka, do
ktorej vstupuje veľký počet vstupov a vystupuje iba jeden výstup, ktorý sa zadeľuje. Tie
sa opätovne pripájajú na vstupy. Na základe tohto procesu bol definovaný prvok umelej
neurónovej siete.
16

N
⎛
= S ⎜∑
⎝
w x i i
i=
y 1
⎞
+ Θ⎟
(1.27)
⎠
kde,
• x i – vstupy neurónu celkom N
• w i – synaptické váhy
• S – nelineárna prenosová funkcia neurónu
• – prah
• y – výstup neurónu
Výraz v zátvorke sa označuje ako vnútorný potenciál neurónu. Váhy w i predstavujú
lokálnu pamäť a spojením ostatných neurónov dostávame celkovú pamäť siete . Učenie
siete sa vytvára zmenou váh, ale aj tvarovaním prenosovej funkcie, počtom neurónov
v sieti a ich topologickým rozložením.
Obr. 1.7 Základný model jednoduchého neurónu
Obr. 1.8 Rôzne druhy prenosovej funkcie neurónovej siete, a)jemná limita, b)tvrdá limita,
c)logaritmus signálu
17

1.5.2.1 Pracovná fáza umelej neurónovej siete
Neurónová sieť pracuje v zásade vo dvoch fázach. Prvá je adaptívna a druhá
aktívna. V tej prvej dochádza k učeniu (trénovaniu), a v druhej fáze vykonáva naučenú
činnosť, vybavuje(testuje). Pamäť je reprezentovaná váhovými koeficientami
jednotlivých vstupov neurónov.
1.5.2.2 Učenie (trénovanie)
Pri učení dochádza v neurónovej sieti ku zmenám. Sieť sa prispôsobuje na riešenie
daného problému. Na počiatku sa váham prisúdia počiatočné hodnoty, ktoré sú náhodne
zvolené. Následne nato sa privedie vytvorená trénovacia množina, ktorá bola získaná
z potrebných dát. Sieť poskytne výstup, odozvu.
Učenie s učiteľom – existuje vonkajšie kritérium, ktoré určuje, ktorý vstup je správny
a v sieti sa nastavujú spätné väzby podľa toho, ako blízko je výstup kritériu. Veľakrát je
kritérium definované, ako rozdiel medzi testovaným a žiadaným výstupom. Váhy sa
nastavujú podľa daného algoritmu. Neskoršie sa sieti priloží nový výstup (učiteľ) a cyklus
sa opakuje.
Učenie bez učiteľa – algoritmus je navrhnutý tak, že hľadá vo vstupných vzorkách isté
spoločné vlastnosti.
1.5.2.3 Vybavenie(testovanie)
Na základe vstupu dát vznikne vo vstupnej vrstve nerovnovážny stav. Výstupy
neurónov vo všetkých vrstvách sa začnú pôsobením ostatných neurónov meniť podľa
istého algoritmu a menia sa dovtedy, dokiaľ nenastane opäť nerovnovážny stav. Na ich
výstupoch je požadovaná odozva siete na tento vstup.
1.5.3 Syntaktické rozpoznávanie obrazcov
Pre syntaktické rozpoznávanie obrazcov, je charakteristický kvalitatívny popis
objektov. Syntaktický popis treba použiť vtedy, ak príznakový popis nie je schopný
popísať zložitosť objektu, alebo keď sa dá objekt zapísať, ako hierarchická štruktúra
pozostávajúca z jednoduchších častí, napríklad slovom, alebo grafom. Elementárnymi
vlastnosťami syntakticky popísaných objektov sú primitíva.
Množina všetkých primitív sa nazýva abeceda. Množina všetkých slov
vytvorených z abecedy, ktoré opisujú objekt z jednej triedy, sa nazýva popisný jazyk.
18

Gramatika predstavuje množinu pravidiel, podľa ktorých sa vytvárajú slová nejakého
jazyka z prvkov abecedy.
Algoritmus:
Najskôr sa definuje primitíva a ich vzťahy. Neskôr sa zostrojí gramatika pre každú triedu
objektov. Potom sa vykoná pre každý objekt rozpoznanie primitíva a zostrojenie jeho
reprezentujúceho slova. Na základe analýzy sa zaradí objekt do triedy, ktorej gramatika
ho generuje.
1.5.4 Rozpoznávanie, ako porovnávanie zhody dvoch grafov
Ide o metódu porovnávania zhody (matching) modelu a objektu popísaných
grafom. Podobnosť sa nezakladá na úplnej zhode, ale približnosti grafového vyjadrenia.
19

2 Prehľad a porovnanie dostupných algoritmov automatického
rozpoznávania ŠPZ
Táto práca, sa bude zaoberať rozpoznávaním textu na statických
obrázkoch(framoch). Je dôležité poznamenať, že tieto obrázky by vzhľadom
k dosiahnutiu lepších výsledkov, nemali byť brané kamerou s dvojriadkovým
vykresľovaním.
2.1 Metódy detekcie ŠPZ motorových vozidiel
Z doterajších teoretických a praktických vedomostí sa vychádza, že existujú dve
najznámejšie základné metódy detekovania ŠPZ v obraze. Prvá z nich, je metóda
založená na prahovaní vstupného obrázka na binárny, a druhá na relatívne pravidelného
prechodu hrán jasovej úrovne medzi písmenami a medzerami znakov ŠPZ. V princípe sú
tieto metódy jednoznačne odlišné, ale napriek tomu je možné povedať, že podstata veci
spočíva jak pri jednej, tak pri druhej v jasovej odlišnosti blízkych pixelov. V prvom
prípade je metóda hľadania podstatne viac závislá na kvalite po jasovej a kontrastovej
stránke ako druhá, napriek tomu sa nedá povedať ani o jednej z nich, že by bola naprosto
dokonalá. V rozbore sa uvedú príklady nedokonalosti jednotlivých metód.
2.1.1 Metóda prahovania vstupného obrázka na binárny
Základom tohto procesu je uviesť pôvodný obrázok RGB poprípade Gray na
binárny (BW – black and white) pomocou prahovacích techník. V takto
pretransformovanom obrázku sa následne hľadajú oblasti pomocou hranových
a trasových algoritmoch. Prvotnou oblasťou ktorú treba nájsť, je samostatná značka ŠPZ,
ktorej pozadie je biele a znaky čierne. Pri kroku jedna sa nemusí zaoberať objektami,
ktorými sú práve znaky ŠPZ, ktoré predstavujú v objekte ŠPZ takzvané diery (holes).
Takto definovaná oblasť sa posunie do pravidla, ktoré určuje pomer strán dĺžky a šírky.
Ak takto definovaná oblasť splňuje kritéria, postupuje na ďalšie spracovanie. Pri ďalšom
spracovaní sa z oblasti vystrihne niektorý(spravidla stredný) riadok, zistí sa počet
svetlých a tmavých miest. Ak daný počet spadá do určitého intervalu, dá sa s veľkou
pravdepodobnosťou povedať, že ide o značku ŠPZ.
Základné nevýhody tejto metódy
20

• Pri prevode RGB poprípade Gray obrázku na binárny BW je nutné mať dobré
jasové a kontrastové podmienky, aby bolo možné značku jednoznačne definovať.
• Značka musí byť relatívne s vysokým rozlíšením, aby pri nízkom osvetlení
nedošlo k spojeniu znaku s vrchom a so spodkom rámu, čo by narušilo atribúty
daného objektu v tomto prípade značky. Podobne by nemal obsahovať
nedokonalosti v podobe zašpinenia, čo je dôležité aj v samostatnom rozpoznávaní
znakov.
• Značka nesmie obsahovať cez tmavý rámik biele miesta, napríklad v podobe
zasneženia.
• Značka by mala byť v relatívnej rovine s rovinou obrázka.
Pretože zdrojový kód je založený na tejto metóde, bolo snahou odstraniť už
spomínané mnohé nedostatky. Nnohé riešenia sa v mnohých týchto aspektoch podarili,
napriek tomu ostali oblasti, ktoré boli vyriešené čiastočne, alebo vôbec. Ďalšie priblíženie
riešení zadaných problémov sa uvedú v kapitole [3].
2.1.2 Metóda relatívne pravidelného prechodu hrán jasovej úrovne medzi
písmenami a medzerami znakov ŠPZ (Metóda vertikálnych hrán)
Základom tejto metódy je vzhľad v horizontálnom reze ŠPZ. Priamo v značke
dochádza k relatívne pravidelnému prechodu oblastí tmavých miest, čo predstavujú znaky
a svetlých miest, čo predstavujú medzery ŠPZ. V praxi ide o vertikálne hrany
vyznačujúce sa pravidelnými skokmi v jasovej úrovni. Jasová úroveň je odlíšená nejakou
prahovou hodnotou. V prípade, že sú nájdené tieto skoky v určitých intervaloch daných
parametrov, dokáže sa usúdiť, v ktorom riadku môže existovať ŠPZ značka. Ak je
nájdený takýto riadok, postupuje sa po kroku o jeden horizontálny bod hore a dole.
V prípade, že daný riadok spĺňa opätovne podmienky, krok sa opakuje až dovtedy, kým
sa pravidelnosť jasových skokov neobmedzí, poprípade úplne nestratí. Riadky, v ktorých
k tomuto dôjde, sa určia ako horizontálne maximá a minimá.
Základné nevýhody tejto metódy
• Je nutné vedieť, alebo mať aspoň predpoklad, aká je šírka značky, pretože je
potrebné značku pretnúť v horizontálnom reze aspoň raz. Ak táto podmienka nieje
splnená, môže nastať prípad, že riadok, kde existuje ŠPZ sa nemusí vôbec objaviť.
21

• Nieje možné mať natočenie značky prevyšujúce relatívnu rovinu voči rovine
obrázku.
• Je nutné zvoliť prijateľnú prahovú hodnotu, aby nedochádzalo k tomu, že ak je
značka pomerne zanesená, nebude skok spadať do daného intervalu, zároveň ,ak
by prahová hodnota bola v moc úzkom pásme, môže dôjsť k tomu, že sa vyskytnú
oblasti podobné oblastiam ako je ŠPZ aj v iných miestach obrázku.
2.2 Metódy selekcie znakov ŠPZ motorových vozidiel
V tomto prípade sa bude stručne zaoberať dvoma metódami na detekciu
jednotlivých znakov v obraze. Prvá je založená na priemernej jasovej úrovni značky ŠPZ
a vhodným ošetrením znakov do takej podoby, aby bola vhodná na selekciu pomocou
neurónovej siete. Hovorí sa o tzv. metóde segmentácie pomocou vertikálnej
a horizontálnej projekcie. Druhou náročnejšou je CER (Characteristic Extremal
Regions), ktorá je založená na výpočte prahovo oddeliteľných extrémálnych oblastí a ich
popisom.
2.2.1 Metóda segmentácie pomocou vertikálnej a horizontálnej projekcie
Začiatkom tejto metódy je zvoliť vhodnú jasovú úroveň. V praxi môže táto voľba
podstatne ovplyvniť výsledky. Bez ohľadu na tento fakt vysvetlí sa podstata tejto metódy
následovne.
Vie sa že, značka ŠPZ obsahuje jak v horizontálnom, tak vo vertikálnom smere svetlé
a tmavé miesta. Uvažuje sa, že znaky sú tmavé a plochy okolo písmen svetlé. Keďže sa
pracuje so značkou v binárnej podobe, je možné jednoducho spočítať svetle, alebo tmavé
miesta v riadku(šírky), alebo v stĺpci(výšky) značky. Takto získané hodnoty sa posunú do
podmienok s intervalmi. Jednoduchým porovnaním týchto hodnôt sa zistia maximá, čo
v horizontálnom smere predstavuje medzery medzi znakmi a vo vertikálnom smere
predstavuje vrchnú a spodnú hranu znakov.
Obr. 2.1 Segmentácia znakov pomocou horizontálnej projekcie (určuje vo vertikálnej
rovine vrch a spodok znakov v ŠPZ)
22

Obr. 2.2 Segmentácia znakov pomocou vertikálnej projekcie (určuje v horizontálnej
rovine maximá pre oblasti medzi znakmi)
Základné nevýhody tejto metódy:
• Značka ŠPZ musí byť v relatívnej rovine voči rovine obrázka.
• Značka nesmie obsahovať nedokonalosti v podobe zanesených, alebo rôzne
poškrabaných, poprípade zhrdzavených plôch.
Program pracoval pomocou tejto metódy, ale v mnohých ohľadoch bol zdokonalený na
uroveň imunity voči rotácii a nedokonalostiam. Zdokonalenia sa uvedú v kapitole [3].
2.2.2 Metóda CER (Characteristic Extremal Regions)
Ide o metódu, ktorá vyhľadáva extremálne oblasti, ktoré charakterizujú daný
objekt. V prípade, že ide o oblasť ktorú hľadáme, hovoríme o Charakteristickej
extremálnej oblasti.
2.2.2.1 Extremálna oblasť
Máme zobrazenie I a množinu bodov D v ňom ležiacom. Zároveň sa definuje
pojem súsedstvo, čo v praxi znamená, že dva body p a q (pixely množiny D) sú od seba
vzdialené menej ako jedna.
n
pAq ⇔ ∑|
p i
− qi
| ≤ 1
(2.1)
i=
1
Ak sa označia bodovo súvislé množinové zobrazenia R(T), pre ktorého oblasť M = R(T)
platí:
• ∀ ∈
( q)
≤ T
q
M
I
• ∀ ∈
( q)
T
I q δ M
>
Potom existuje rozklad R(T) na podmnožiny R p(i) (T).
Každú oblasť R p(i) (T) sa nazýva extremálnou oblasťou v počiatku p(i). Extremálne oblasti
sú najväčšie súvislé oblasti oddelené prahom T. Ak sa označí množina všetkých oblastí
23

R T ) = { R ( )}, (2.2)
(
p( i)
T
rozkladu, kde R(T) je množina všetkých extremálnych oblastí, ktoré na I pre daný prah T
existujú. Zjednotenie
tot
U
T
R = ( T ) R(
T ) , (2.3)
je množina všetkých prahovo oddeliteľných oblastí, ktoré v obraze vzniknú.
2.2.2.2 Algoritmus detekcie a selekcie CER
Pomocou dynamického prahovania a priebežnej klasifikácie vzniknutých R(T)
oblastí sa zvolí jedna z tried (1.ponechaj, 2.zahoď). Oblasti v prvej triede sú posunuté na
ďalšiu klasifikáciu.
Je potrebné, aby množina extremálnych R(T) oblastí bola generovaná v reálnom čase. Pri
tejto podmienke sa spolieha na to, že každý prah
T ∈ S {0….255 odtieňov jasu}.
∀
r ∈ R( T )
∃R
∈R(
T + 1)
: r1
⊆
2 . (2.4)
! r
1 2
Tento fakt je zobrazený na nasledujúcom obrázku (obr. 2.3). Vidíme, že s rastúcim
prahom dochádza k spojovaniu oblastí a pripojovaniu menších oblastí k väčším. Oblasť,
ktorá vznikne pri nejakom prahu T 1 narastá, alebo sa pri nejakom T 2 pripojí k inej oblasti,
ale jej body pre všetky T > T1 patria R(T).
Obr. 2.3 Rast prahu a spájanie extremálnych oblastí
Pre každý prvok
r
= φ( r(
T ))
F r
r ∈ R(T) sa určí vektor náznakov.
(2.5)
Každý takýto vektor sa oklasifikuje na už vyššie zmienené dve triedy (ponechaj, zahoď).
Tie ktoré spadnú z množiny C do množiny ponechaj pripojíme na
R
CER
= R ∪ C .
Tento druh klasifikátoru nazývame selektor. Tento algoritmus je popísaný na obr.(2.4).
CER
24

Ďalšími počítanými výrazmi použitými v tejto metóde sú moment otočenia,
kompaktnosť objektov, počet dier v oblasti atď. Napriek tomu sa nebude hlbšie zaoberať
ich definovaním a podstatou. Môže sa len stručne povedať, že využívajú metódy
zmienené v kapitole[1]. Napríklad moment otočenia zvláda Houghova transformácia atď..
Obr. 2.4 Algoritmus detekcie a selekcie CER
2.3 Selektor
Ako selekčné metódy sa volia techniky porovnávania so vzorom (matching), alebo
optimalizačne techniky rozpoznávania. Ich podstatou sa zaoberá iná kapitola, takže
podrobne sa sústredíme na vysvetlenia mnou zvoleného selektoru neurónovej siete
prostredia Matlab.
Neurónová sieť sa využíva vo väčšine prípadov zadanej problematiky. Rozdielom
môže byť len zvolený programovací jazyk. Jej základ tvorí trénovacia a testovaná
množina . Pri popise neurónovej siete sa vychádza viac menej z typu, ktorý sa použil
v zdrojovom kóde programu.
25

2.3.1 Neurónová sieť programovacieho jazyka Matlab
Z dôvodu, že program na detekciu znakov ŠPZ používa programovací jazyk
Matlab je namieste, aby sa priblížili základy neurónovej siete práve v tomto jazyku.
Matlab je známy tým, že pracuje v metrickom systéme. Z toho dôvodu neurónová sieť
programu matlab využíva množiny vektorov, ktoré predstavujú vstupy do neurónu
poprípade siete.
Túto alternatívu demonštrujú nasledujúce obrázky:
Obr. 2.5 Neurón s vektorovým vstupom, (p 1 ,p 2 ,p 3 .....p R predstavujú vstupy,
w 1,1 ,w 1,2 a w 1,3 .....w 1,R predstavujú váhy a f je prenosová funkcia)
Neurón predstavuje funkcia
n = w p + w p + ... + w p b . (2.6)
1,1 1 1,2 2
1,R R
+
Matematicky sa môže vyjadriť zápisom
n = W * p + b . (2.7)
26

Obr. 2.6 Zovšeobecnený vektorový neurón
Obr. 2.7 Prenosové funkcie používajúce sa v NN
2.3.2 Sieťové architektúry ponúkajúce prostredie Matlab
Jednotlivé neuróny môžu byť kombinovane spájané do jednotlivých vrstiev
a rozšírené siete pozostávajú z jednej alebo viacerých vrstiev. Jednotlivé príklady sa
prezentujú na obrázkoch.
27

Obr. 2.8 Zobrazenie vrstvy neurónov, a) vrstva neurónov,
b) zovšeobecnená vrstva neurónov
Vzorec pre vrstvu neurónov sa dá vyjadriť vzťahom:
n{1} = net.IW{1,1}* p + net.b{1}
(2.8)
Obr. 2.9 Viacvrstvová neurónová sieť
28

Obr. 2.10 Zovšeobecnená viacvrstvová neurónová sieť
Vzorec pre sieť neurónov sa dá vyjadriť vzťahom:
3
a
3,2
2,1 1,1 1 2 3
3
2
1
= f (LW f (LW f (IW p + b ) + b ) + b = y
(2.9)
2.3.3 Neurónová sieť na znakové rozpoznávanie(Matlab)
Trénovacia množina obsahuje N počet znakov. N je tvorená číslicami a abecedou
bez diakritiky. Každý znak je reprezentovaný maticovými hodnotami. Je ľubovľné, akú
dimenziu bude matica popisujúca znak obsahovať. Napriek tomu, v programe sa vyjadrilo
matrixom 7*5 hodnôt. Z takto definovanej matice sa vytvorí vektor o veľkosti 35.
Obr. 2.11 Príklad metrixu znakov a) bez šumu b) so šumom
Neurónová sieť pozostáva z 35 vstupných bolean hodnôt na znak a podľa počtu znakov
obsahuje aj poradový vektor, ktorý udáva celkový počet trénovaných číslic a znakov.
29

Architektúra:
Zdokonalená Neurónová sieť používajúca sa na znakové rozpoznávanie obsahuje
dvojvrstvovú log-sig log-sig neurónovú sieť. Log-sig prenosová funkcia je výhodná
vzhľadom na to, že výstup je v intervale (0,1) čo je výhodné na naučenie výstupných
hodnôt.
Obr. 2.12 Architektúra využívaná na znakové rozpoznávanie
Skrytá vrstva obsahuje desať neurónov a využíva sa vtedy keď má sieť problémy
s naučením.
Inicializácia je uskutočnená nasledovným príkazom:
net = newff(minmax(P) , [S1 S2] , {‘logsig’ ‘logsig’, ‘traingdx’);
trénovanie:
[netn, tr] = train(netn, P, T);
30

3 Praktická realizácia programu na automatické rozpoznanie ŠPZ
Táto časť diplomovej práce sa zaoberá samostatným popisom vytvoreného
programu. Popisuje jednotlivé kroky uskutočnené v procese prechodu vstupných dát od
vstupu, až po výstup programu. Zreteľ kladie jak na popisnú, tak na obrazovú ilustráciu.
Vyhýba sa teoretickému vysvetleniu jednotlivých procedúr, pretože väčšina bola
podrobne rozobratá.
3.1 Vstupné dáta
V tejto časti je stručne popísané štádium vstupných dát. Zároveň sa rozoberie
úprava akej sa predchádzalo, kým sa vstupné dáta dostali do programu. Bodom, že
jednotlivé obrázky sú buď snímky z fotoaparátu, alebo jednotlivé snímky videa sa nebude
zaoberať.
3.1.1 Algoritmus na detekciu pohybu
Vzhľadom k tomu, že sa uvažuje o istých objektov na karosérii áut, je veľmi
výhodné, keď pomocou dostupných algoritmov pohybu sa ošetria jednotlivé framy videa
tak, aby výsledný obraz obsahoval výlučne, alebo z väčšej časti karosériu auta. Keďže sa
nevie, na akom mieste sa získajú videa, alebo obrázky auta, je zrejmé, že týmto spôsobom
sa predíde možným nepresnostiam v podobe objektov okolia, ktoré sa s veľkou
pravdepodobnosťou môžu javiť ako možné ŠPZ motorových vozidiel. Pomocou
algoritmu na detekciu pohybu sa dokázalo dostatočne upraviť jednotlivé obrázky na
vyhovujúcu formu. Cieľom tohoto predspracovania, bolo dopomôcť nasledujúcemu
algoritmu k výberu a verifikácie v podobe zníženia uvažovaných objektov. Tento
algoritmu funguje na videosekvenciách.
Obr. 3.1 Funkčnosť algoritmu na detekciu pohybu
31

3.2 Predspracovanie vstupných dát
Cieľom predspracovania, bolo upraviť a konkretizovať vstupné dáta do takej
podoby, aby boli vhodné na ďalšie spracovanie s ohľadom na výber a verifikáciu
kandidátov vhodných na separáciu ŠPZ motorového vozidla.
Pri tomto spracovaní sa postupne zobral v úvahu sled náhodne vybratých ľubovoľne
vzdialených za sebou idúcich frámov jednotlivých áut.
3.2.1 Prevod farebného RGB formátu do formátu 256 odtieňov sivej farby
Je jasne dané, že na vyjadrenie obrázku, ktorý obsahuje zlúčenie troch základných
farieb červenej, zelenej a modrej potrebujeme trojvrstvový model. Dôsledkom toho sa
v prípade programovacieho jazyka Matlab dostávame do trojrozmerného priestoru
vyjadrenia troch matíc. Pomocou funkcie na prevod farebného RGB štandardu do 256
odtieňov sivej sa docieli výraznejšie zjednodušenie práce. Týmto prevodom sa uskutoční
prechod do dvojrozmerného priestoru matice, ktorý je výhodný na ďalšie spracovanie.
Súčastne s týmto krokom sa implementovala funkciu zmenšenia na rozlíšenie 800*600.
PREVOD
Obr. 3.2 Prevod RGB (farebného) obrázku na obrázok Gray (256 odtieňov sivej),
a)trojdimenzionálny matrix RGB obrázku, b)RGB obrázok, c)jednodimenzionálny matrix
Gray obrázku, d)obrázok gray
32

3.2.2 Zaistenie dostatočného množstva jasových (kontrastových) úrovní
Vplyvom toho, že navrhnutá metóda je založená na prahovaní vstupného obrázku,
bola snaha odstrániť nedostatok v podobe nevyrovnaných jasových a kontrastových
podmienok v reálnom nasadení. Z tohto dôvodu je implementovaný cyklický algoritmus,
ktorý zabezpečí zmenu jasových úrovní. Postupným testovaním sa dospelo k záveru, že
bude dobré použiť približne deväť jasových úrovní, ktoré s veľkou pravdepodobnosťou
zreteľne vyjadria jak značku s vysokým kontrastom tak aj s nízkym kontrastom.
Obr. 3.3 Ilustruje zmeny jasových(kontrastových) úrovní Gray obrázku
33

3.2.3 Prevod obrázku 256 odtieňov sivej (grey) na binárny obrázok pozostávajúci
z logických jednotiek a núl pomocou techniky prahovania
Po jasovom spracovaní sa obrázok konvertuje do podoby, ktorá bude
najvhodnejšia a zároveň najjednoznačnejšia na hľadanie objektov v obraze.
Najjednoduchší spôsob tohto vyjadrenia je práve binárny obrázok, ktorý vznikne
prahovaním jasovej intenzity gray obrazku. Táto funkciu sa môže pomerne dobre
menežovať, podobne ako jas v gray obrázku a to tým, že manuálne sa zvolí prah
v intervale (0-255), od ktorého sa budú jednotlivé jednotky a nuly rozlišovať. Druhou
možnosťou je využiť funkciu na spriemerovanie, ktorá automaticky zvolí vhodný prah na
vyjadrenie binárneho obrázku.
a) b)
Obr. 3.4 Prevod obrázku 256 odtieňov sivej(grey) na binárny obrázok, a)pôvodný
obrázok gray, b) binárny obrázok po prevode
3.3 Výber kandidátov na ŠPZ značku
Zohľadnením vlastností transformácií, bolo nútené vytvoriť cyklický skript, ktorý
by zahŕňal a fungoval na veľkom množstve testovaných áut. Dlhodobým testovaním
a zároveň skúmaním sa dospelo k záveru, že je lepšie kvôli funkčnosti použiť dva sériové
skripty, ktoré jak z logického, tak funkčného hľadiska skvalitňujú výsledky programu.
V tomto prípade sa použilo dvojcyklu. S tým, že druhý vykompenzoval nedostatky
prvého. Dôvody viacerých možností budú popísané ďalej.
3.3.1 Algoritmus číslo 1.
Je efektívny vo väčšine prípadov a nemá nejaké výrazné obmedzenia. Algoritmus
číslo jedna sa vyznačuje tým, že dokáže rozpoznávať značky vo väčšine prípadov, či už
34

sa jedná o tmavé, alebo svetlé auta. Čiastočnú nedokonalosť kompenzuje algoritmus číslo
dva, ktorý hľadá ešte s vyššou úspešnosťou na tmavších autách, avšak jeho obmedzením
je nemožnosť hľadania na svetlých autách z dôvodu splývania pozadia ŠPZ s karosériou
auta.
a) b)
Obr. 3.5 Demonštratívny obrázok auta, a) RGB, b) Gray
3.3.1.1 Prvá funkcia trasovania(trace)
Ide o funkciu ktorá umožní v binárnom obrázku rozlíšiť hrany alebo vnútro
bielych jednotlivých objektov, nachádzajúcich sa na tmavom podklade a priradiť im isté
poradové číslo, ktoré reprezentujú jednotlivé pixely daného objektu. Toto číslo môže byť
priradené podľa zvolenej funkcie buď na okraj (hranu), alebo na celé vnútro daného
objektu. Zároveň umožňuje identifikovať objekty nachádzajúce sa v už definovaných
objektoch (diery) atď. Tato funkcia je založená na princípe vektorového rozdielu dvoch
pixelov v ôsmich smeroch posunu a využíva hranových detektorov.
a) b)
Obr. 3.6 Názornosť funkcie trasovania na základe hranových detektorov,
a)pred trasovaním, b)po trasovaní
35

3.3.1.2 Rozšírenie hrán rámiku ŠPZ
V dôsledku nedokonalostí značek ŠPZ, akými sú splývania znakov ŠPZ
s orámovaním je potrebné spájať čiastkové elementy jednotlivých značiek. Nevýhodou
tohoto kroku je, že ak je z pravej, alebo ľavej strany značky oblasť so svetlou intenzitou
jasu dôjde k splynutiu tejto oblasti s oblasťou značky. Preto sa pristúpilo ku kroku,
ktorým je rozšírenie hrán rámiku ŠPZ.
Postup, ktorým sa docielilo tohoto účinku je nasledovný. Pôvodná binárna matica
obrázku sa prevedie na opačnú. To znamená, binárna jednotka bude nulou a naopak.
Následne pomocou funkcie, ktorá je založená na zmene nulových pixelov v okolí
jednotkových na jednotkové s tým, že smer aj počet sa manuálne definuje, upravia sa
všetky svetlé miesta tak, že sa pridá do všetkých strán niekoľko pixelov jednotkovej
hodnoty. Takto upravená binárna matica sa opätovne prevedie naspať na opačnú ,avšak
zdrojovú s rozšírenými hranami.
Obr. 3.7 Zobrazuje jednotlivé kroky rozšírenia hrán, a)pôvodný binárny obrázok
b)prevod obrázku na opačný 1-0, c)roztiahnutie hrán, d)spätný prevod
36

3.3.1.3 Úprava matice vhodnej na odpočet
Z takto získanej matice sa odstránia všetky malé objekty. Získaná matica sa odráta
od pôvodnej matice obrázku. Na výslednej matici zostanú len objekty, ktoré sú veľké
približne ako značka ŠPZ a menšie.
Obr. 3.8 Demonštruje kroky odpočtu, a)pôvodný binárny obrázok, b)obrázok na odpočet,
c)výsledný obrázok po odpočte
3.3.1.4 Po odpočte odstránenie miniatúrnych oblastí
Z dôvodu pokračujúceho procesu sa muselo pristúpiť na odseparovanie
nepotrebných oblastí. Jedným zo spôsobov ako to dosiahnúť, je využitie funkcie na
odstránenie oblastí, ktorých súčet pixelov je menší ako dopredu definovaná hodnota.
Preto pred zlučovaním čiastkových objektov sa pristúpi k odstráneniu malých oblastí,
ktorých súčet sa rovná menej ako tretina ŠPZ.
37

a) b)
Obr. 3.9 Odstránenie miniatúrnych oblastí, a) pred selekciou, b) po selekcií
3.3.1.5 Funkcia na zlúčenie čiastkových oblastí
Vplyvom toho, že vo väčšine prípadov je značka snímaná zvrchu, dochádza
k tomu, že vrch jednotlivých znakov splynie s karosériou, alebo s tmavým tieňom, ktorý
vrhá karoséria na danú značku. Ak sú značky fotené v zlej kvalite, pri veľmi zlom
osvetlení, prahovaním môže dôjsť k prípadu, že niektorý znak, alebo viac znakov rozdelí
značku na viac častí. Túto korekciu vykonáva už spomínaná funkcia, ktorá zlúči ŠPZ
značku do opäť pôvodného tvaru respektíve veľkosti a tým zachová atribúty potrebné k
selekcii. Jej funkcia je založená na zmene nulových pixelov na jednotkové s tým, že smer
a počet je manuálne definovaný. Samozrejme, že táto funkcia má aj svoje úskalia,
pretože umožňuje zlúčenie aj iných čiastkových objektov, alebo objektov značky s iným
okolím.
a) b)
Obr. 3.10 Zlúčenie čiastkových oblastí, a)pred zlúčením, b)po zlúčení
38

3.3.1.6 Odstránenie malých oblastí
Z dôvodu výpočtovej náročnosti pokračujúceho procesu sa muselo pristúpiť na
odseparovanie nepotrebných oblastí. Dosiahlo sa to funkciou na odstránenie oblastí,
ktorých súčet pixelov je menší ako vopred definovaná hodnota. V tejto fáze sa využilo
dynamicky počítanej hodnoty, ktorá bola zisťovaná už v predspracovaní vstupných dát.
Vychádzalo sa z predpokladu, že oblasť bude mať určitú veľkosť vzhľadom na
vzdialenosť snímaného objektu (karosérie áut). Táto hodnota (Pmin), je dynamicky sa
meniaca s tým, že jej veľkosť je stopercentne menšia ako cca tretina ŠPZ (záleží od
nastavenia parametrov). Jej hodnota súvisí so spracovaním detektora pohybu, keďže
prostredníctvom výstupného obrázku je umožnené približné identifikovanie vzdialenosti,
šírky a výšky karosérie. Týmto spôsobom sa odstránilo nespočetné množstvo oblastí,
ktoré by následne vstupovali do verifikátora a spomalovali tak proces.
a) b)
Obr. 3.11 Odstránenie malých oblastí, a)pred odstránením, b)po odstránení
3.3.1.7 Druhá funkcia trasovania (trace)
Po predchádzajúcich úkonoch selekcie a zlúčenia sa pristúpi k tomu, že sa
opätovne trasujú hrany oblastí už oblastí vyselektovaných predchádzajúcimi cyklami.
Výsledkom tohto kroku je získanie malého množstva objektov, ktoré sú vhodné na
spracovanie a testovanie verifikátorom.
39

a) b)
Obr. 3.12 Druhá funkcia trasovania a zobrazenie oblasti vstupujúcich do verifikátora,
a) jednotlivé oblasti, b)farebné odlíšenie pre lepšiu názornosť
3.3.2 Algoritmus číslo 2.
Jeho obmedzením je hľadanie len na tmavých autách, zato však s väčšou
pravdepodobnosťou ako v algoritme č.1.
Hľadá sa ŠPZ áut, ktoré okolo jasnej značky nemajú vo veľkej vzdialenosti žiadny
iný objekt rovnakej, alebo podobnej jasovej intenzity.
a) b)
Obr. 3.13 Demonštratívny obrázok auta, a) RGB, b)Gray
3.3.2.1 Prvá funkcia trasovania(trace)
Jedná sa o totožný postup ako algoritme číslo jedna. Ide o funkciu, ktorá ohraničí
a priradí hodnotu jednotlivým svetlým objektom nachádzajúcim sa na obrázku.
40

a) b)
Obr. 3.14 Názornosť funkcie trasovania na základe hranových detektorov algoritmu č.2.,
a) pred trasovaním, b)po trasovaní
3.3.2.2 Selekcia malých oblastí
Ide o postup ktorý bol popisovaný už v predchádzajúcom algoritme. Podstata
spočíva v odseparovaní objektov, ktorých hodnota súčtu pixelov nezodpovedá dopredu
definovanej hodnote na základe predspracovania pomocou detekcie pohybu.
a) b)
Obr. 3.15 Zobrazuje odstránenie malých oblastí algoritmu č.2.,
a)pred odstránením, b)po odstránení
3.3.2.3 Zlúčenie čiastkových oblastí
Z dôvodu zlepšenia algoritmu je potrebné zlúčiť čiastkové oblasti ŠPZ a tým
zachovať atribúty, ktoré sú potrebné pri daľšom spracovaní programom.
41

a) b)
Obr. 3.16 Zobrazenia zlúčenie čiastkových oblastí algoritmu č.2.,
a) pred zlúčením, b) po zlúčení
3.3.2.4 Druhá funkcia trasovania(trace)
Konečnou fázou algoritmu č.2. je ako v predchádzajúcom algoritme opätovne
funkcia trasovania, ktorá trasuje hrany oblastí už vyselektovaných v predchádzajúcich
úkonov. Malé množstvo objektov vstupuje do verifikátoru.
a) b)
Obr. 3.17 Druhá funkcia trasovania a zobrazenie oblasti vstupujúcich do verifikátora
algoritmu č.2., a) jednotlivé oblasti, b)farebné odlíšenie pre lepšiu názornosť
42

3.4 Verifikácia a selekcia ŠPZ
Jednotlivé oblasti sú posunuté z predchádzajúceho cyklu a sú importované do
verifikátoru. Jeho úlohou je jednoznačne určiť, s akou pravdepodobnosťou ide o značku
ŠPZ. V prípade, že oblasť po prechode zlyhá, je automaticky preskočená a cyklus začne
testovať oblasť, ktorej číslo je ďalšie v poradí. Takto sa cykluje dovtedy, kým sa nenarazí
na správnu oblasť, poprípade k dispozícii niesu ďalšie vstupy na testovanie.
Podmienky a pravidlá na selekciu sa môžu vhodne upravovať podľa typu kvality
obrázku, rozlíšenia a iných vonkajších podmienok. Z dôvodu robustnosti je namieste, keď
systém vyzistí čo najviac správnych výsledkov. Každopádne, závislosť na kvalite
vstupných dát je nepopierateľná. V niektorých prípadoch, kedy ide o veľmi kvalitné
snímky je lepšie nastaviť verifikátor prísnejšie, poprípade pridať podmienky, ktoré sa
veľmi ľahko implementujú do systému. V opačnom prípade, kedy ide o veľmi nekvalitné
snímky a hodnota vstupných dát je veľmi nízka, je nanajvýš rozumné podmienky
zjemňovať, aby nedochádzalo k zlyhaniu systému. Najlepšou alternatívou vytvárania
a práce s podmienkami je priamo na mieste, kde by bol daný systém umiestnený.
V zásade platí, že prax je najlepší školiteľ a to samozrejme platí aj pre automatizované
systémy. Pri vývoji programu bolo vytvorených viacero alternatív detekcie vzhľadom na
kvalitu vstupných dát. Konkrétne tri.
Obr. 3.18 Oblasti vstupujúce do verifikátoru a ich číslovanie
43

3.4.1 Spracovanie vstupného objektu
Cyklus bol navrhnutý, aby dopredu poznal množstvo testovaných objektov, ktoré
budú prechádzať jeho telom. Demonštruje obrázok (obr. 3.18).
Základom tohto systému je, že v úvode sa spracujú atribúty daného objektu. Zistia
sa dva vektory, ktoré predstavujú jednotlivé pixely pre horizontálny a vertikálny smer.
Z takto vytvorených vektorov sa určia jednotlivé maximá a minimá pre daný objekt. Platí,
že pre minimum vertikálneho vektora ide o vrchnú hranu uvažovaného objektu a pre
maximum o spodnú hranu objektu. Tento istý spôsob sa použije aj pre horizontálny
vektor z ktorého minima sa zistí ľavá hranu objektu a z maxima pravá hranu objektu
v celkovom obraze. Následne na to klasickým odčítaním vzdialeností maxím a miním, sa
určí veľkosť jednotlivých strán objektu. V podstate výstupom spracovania je štvorsten,
v ktorom je umiestnený uvažovaný objekt a ktorého hrany sa dotýkajú.
Po tomto kroku sa vypočíta pomer strán tohto štvorstena. Výsledkom je reálne číslo
delenia dĺžky (horizontálneho smeru), a šírky objektu(vertikálneho smeru). Toto číslo sa
využije pri implementácií do podmienok.
Ďalším krokom je zistenie veľkosti testovaného obrázku respektíve výšky a šírky
rozlíšenia.
Obr. 3.19 Spracovanie oblastí vstupujúcich do verifikátora s podmienkami
Nasleduje vstup do podmienok (verifikácia), ktorý vykonáva testovanie rôznych
parametrov objektu.
3.4.2 Verifikátor – podmienky
Bol vytvorený cyklus, ktorý uvažuje aj v rovine kvality obrazu. Preto sa vytvoril
sériový verifikátor pozostávajúci z dvoch častí. Pri prechode prvou časťou je umožnené
uložiť výrez ŠPZ, ale nieje umožnená detekcia znakov, keďže sa jedna o nekvalitné
snímky. Detekciu znakov umožní až prechod aj druhou časťou verifikátora.
44

3.4.2.1 Prvá časť verifikátoru
Pozostáva z týchto častí:
Maximálne prípustná hodnota šírky objektu
Vstupným argumentom je už vyššie spomínaná šírka uvažovaného objektu
a dynamicky meniaca sa hodnota maximálnej prístupnej šírky. Jej hodnota sa mení na
základe predspracovania pomocou detektora pohybu. Táto dynamická hodnota je
navrhnutá tak, aby šírka objektu bola menšia ako polovica šírky obrysu karosérie auta. To
zabezpečí vyselektovanie objektov, ktoré sú zbytočne veľké, ale ich atribúty majú
náznaky podobnosti s ŠPZ značkou.
Ak
šírka(objektu) < šírka(polovica šírky obrysu auta) pokračuj ďalej.
Obr. 3.20 Podmienka číslo jedna prvej časti verifikátoru
45

Pomer dĺžky a šírky objektu (uvažovanej ŠPZ) je v nejakom intervale
Vstupným argumentom je reálne číslo, ktoré sa získalo delením šírky a výšky
objektu. Keďže sa zaoberá Európskym štandardom ŠPZ značky, vie adekvátne
odpovedať, koľko by mal pomer skutočnej ŠPZ značky obsahovať. Napriek tomu je šanca
na rovnosť takýchto dvoch čísel nulová. V žiadnych reálnych podmienkach sa nedocieli,
aby značka bola skutočne vodorovná a neobsahovala aj nejaké pridružené oblasti.
Vzhľadom k týmto okolnostiam sa pristúpilo na možnosť intervalu, ktorý sa volí podľa
vyhotovenia snímkov.
V tomto prípade sa použil dostatočne otvorený interval , ktorý umožňuje
detekovať aj ŠPZ s uhlom otočenia do 30 stupňov.
Ak pomer (strán uvažovaného objektu) > reálne číslo(3) a súčastne pomer(strán
uvažovaného objektu < reálne číslo(6) ide s veľkou pravdepodobnosťou o značku
a pokračuj ďalej.
Obr. 3.21 Podmienka atribútov
Medzipodmienkové spracovanie
Po tomto kroku sa postupuje tak, že daný objekt sa vystrihne z pôvodného
binárneho obrázku, ktorý nieje postihnutý postupnými úpravami a transformáciami. Takto
vyrezaný obdĺžnikový objekt sa uloží do pamäte. Následnými krokmi sa zistí ľubovolný
riadok (spravidla stredný) daného objektu, ktorý sa využije na ďalšie spracovanie.
V našom prípade stredný. Nieje problémom zistiť viacero takýchto riadkov. Cieľom
tohoto kroku, je zistiť počet tmavých a svetlých miest v danom riadku. Na uskutočnenie
tohto zistenia sa využije opätovne funkciu trasovania, ktorá spočíta počet svetlým miest
v danom riadku. Následne na to táto hodnota vstupuje do ďalšieho pravidla.
46

a) b)
Obr. 3.22 Výrez stredného riadku, a) detekovaná oblasť, b) vyrezaná oblasť a jej stredný
riadok
Stredný, alebo niekoľko riadkov okolo stredu šírky objektov, má určitý počet
svetlých a tmavých miest
Vstupnou hodnotou tohoto pravidla je počet svetlých miest v horizontálnom reze
objektu, ktorého zistenie bolo vysvetlené vyššie.
Na základe vedomosti zo štandardu Európskej ŠPZ značky je možné povedať, že
dochádza k striedaniu svetlých a tmavých miest. Tmavé miesta predstavujú znaky,
značky a svetlé priestory medzi nimi, alebo vnútra znakov. Z tohoto dôvodu sa
formuloval istý interval hodnôt, ktorý s veľkou pravdepodobnosťou hovorí, či sa skutočne
jedná o ŠPZ značku. Nevýhodou je, že otočenie nemôže byť prílišne veľké. Čím
vodorovnejšie značka je ,tým sa dosahuje lepších výsledkov. Napriek tomu systém
funguje tak aby bolo možné značku do 30 a viac stupňov otočenia detekovať. Interval sa
zvolil hodnôt.
Ak počet (svetlých miest v reze značky) > reálne číslo(6) a súčastne počet(svetlých
miest v reze značky) < reálne číslo(14). Pokračuj ďalej.
Obr. 3.23 Podmienka intervalu počtu svetlých miest v horizontálnom reze značky
47

Vystrihnutie ŠPZ značky z pôvodného RGB obrázku
V prípade, že je obraz v tele programu konvertovaný na menší, je potrebné tento
problém odstrániť.
Spraví sa to tým, že sa zistí reálne číslo prevodu obrázku na menší. Takto získané
číslo sa postupne násobí s okrajmi objektu. Takto sa zistí skutočné umiestnenie značky
ŠPZ v pôvodnom nekonvertovanom farebnom obrázku.
Pomocou atribútov umiestnenia sa uloží objekt vo forme matice. V prípade, že sa
zvolí najhoršia kvalita, pri spracovaní dôjde k uloženiu takto vystrihnutej značky do
obrázku *.png. Pri ukladaní dochádza aj k rozpoznaniu v akej jasovej úrovni bola
detekovaná ŠPZ značka. Jasová úroveň je zaznamenaná v podobe čísla v názve súboru.
a) b)
Obr. 3.24 Vystrihnutie ŠPZ značky z pôvodného RGB obrázku, a) detekovaná oblasť,
b)rovnaká oblasť vyrezaná z pôvodného RGB snímku
3.4.2.2 Druhá časť verifikátoru
Značka sa spracuje, upravia sa geometrické deformácie a v poslednom rade sa
uskutoční prechod k znakovému rozpoznávaniu.
Pozostáva z týchto častí:
Otočenie
Je založené na detekcií uhla pomocou Houghovej transformácie.
Otočenie obsahuje kroky:
• zistenie priemerného prahu vystrihnutej značky ŠPZ získanej v prvej časti
verifikátoru a prevod na binárny obrázok (Obr. 3.25)
• odstránenie miniatúrnych oblastí (Obr. 3.26)
• na základe Houghovej transformácie zistenie uhla otočenia značky (Obr. 3.26)
• otočenie binárnej, binárnej upravenej, a v poslednom rade RGB matice (Obr.
3.27)
48

Obr. 3.25 Prevod RGB značky na základe priemerného prahu do BW podoby
Obr. 3.26 Odstránenie miniatúrnych oblastí a zistenie uhla otočenia pomocou HT
a)
b)
c)
Obr. 3.27 Rotácia, a) upravenej binárnej matice, b)pôvodnej binárnej matice,
c) pôvodnej RGB matice
49

Maticové vyjadrenie binárneho upraveného obrázku (obr. 3.27a) slúži na zistenie
hrán ŠPZ, zároveň maticové vyjadrenie binárneho rotovaného obrázku (obr. 3.27b) je
použité na výrez pre OCR spracovanie a maticové vyjadrenie rotovaného RGB obrázku
(obr. 3.27c) je použité na orezanie a uloženie výslednej značky ŠPZ.
Otočenie obsahuje jedno z pravidiel, ktoré umožňuje prechod ďalej. Jeho podstata
spočíva v tom, že v ošetrenej binárnej matici (obr. 3.26) musí existovať určitý počet
svetlých pixelov. Ich súčet musí byť väčší, ako počet pixelov štyroch riadkov v matici
(môže sa ľubovolne voliť). Ak nesplňuje toto pravidlo oblasť je zahodená z dôvodu, že sa
pravdepodobne nejedná o značku ŠPZ.
Ak suma(svetlých pixelov značky) > suma (štvornásobku súčtu pixelov v riadku).
Pokračuj ďalej.
Orezanie
Ide o zisťovaciu metódu, ktorá sa vytvorí na základe sumy svetlých pixelov
v riadkoch a stĺpcoch. Ak je nájdená istá suma detekuje sa hrana ŠPZ. Zlepšenie sa
vykonalo pri určovaní vrchnej a spodnej hrany, ktorá sa nezisťuje len na základne prvého
pixelu od vrchu a spodku matice, ale aj na základe intervalového maxima v rozmedzí
blízkeho okolia prvotne detekovanej hrany. Detekciu vykonáva v matici (obr. 3.27a),
a samostatný výrez uskutoční na maticiach (obr. 3.27b, obr. 3.27c).
V tejto časti obsahuje tri podmienky, ktoré musí značka ŠPZ splniť pokiaľ chce byť
posunutá na uloženie a v poslednom rade detekciu samostatných znakov.
• Výška vyrezaného objektu musí byť väčšia, ako jedna tretina výšky upravenej
binárnej matice (obr. 3.27a).
• Šírka vyrezaného objektu musí byť väčšia, ako jedna polovica šírky upravenej
binárnej matice (obr. 3.27a).
• Pomer počtu svetlých (plocha medzi znakmi) a tmavých (znaky) pixelov
vyrezaného objektu musí byť väčší, ako tri pätiny.
Pri splnení všetkých týchto podmienok postupuje na znakové spracovanie.
Obr. 3.28 Výsledok orezania
50

3.4.3 Preprocesing OCR (Separácia jednotlivých znakov)
3.4.3.1 Preprocesing značky ŠPZ
Obsahuje tri kroky:
• V prvom kroku sa vykoná zväčšenie značky.
• V druhom kroku sa odstránia nepotrebné objekty(zanesenia a pod.).
• Pri treťom kroku sa vykonajú metódy na vyhladenie hrán jednotlivých znakov,
výsledkom je zosílenie znakov a ich jednoduchšia separácia.
Obr. 3.29 Preprocesing značky ŠPZ, a) pôvodný vyrez značky,
b) výrez značky upravený vyhľadením hrán
3.4.3.2 Horizontálna separácia znakov
V prípade, že hodnota stĺpcového súčtu pixelov znaku je väčšia ako istá hodnota,
vykoná sa hranovanie. Táto hodnota je v tomto prípade niekoľko pixelov, čo zaručí
dostatočnú schopnosť imunity na rôzne zanesenia medzi znakmi.
Obr. 3.30 Horizontálna separácia znakov značky
51

3.4.3.3 Vertikálne ohraničenie a konverzia znakov
Cieľom tohto kroku je vertikálne ohraničenie znaku a konverzia na metrix 30*20
pixelov.
Pri vertikálnom ohraničení je podobný postup ako pri horizontálnom členení.
Program je upravený tak ,aby rozlišoval medzi úzkymi znakmi, ako sú I a 1 a ostatnými
a prispôsobil veľkosť vhodnú na vstup do neurónovej siete.
Obr. 3.31 Vertikálne ohraničenie a konverzia znakov
Táto časť programu obsahuje separátor na základe vlastnosti výšky. To znamená,
ak je nejaký znak v nevhodnej forme, alebo značka obsahuje nejaké zanesenie, je
automaticky odstránené a nepostupuje ďalej na rozdpoznanie do neurónovej siete.
Ak výška(znaku) > výška (päť osmín (5/8) výšky značky). Pokračuj ďalej.
3.4.4 Neurónová sieť ako funkcia rozpoznania znaku
Základom je vytvorenie vektorov jednotlivých znakov. Zvolil sa vektorový systém
pozostávajúci z 7*5 bolean prvkov. Neurónová sieť bola natrénovaná na množine
vektorov zo znakov získaných priamo na značkách ŠPZ. Ako testovaciu množinu sa
privedie metrix vektorov písmen značky. Bližšie sa vytvorenej neurónovej sieti venuje
kapitola[2].
52

Záver:
Podstatou tejto práce bolo vytvorenie a zdokonalenie už existujúcich algoritmov
na detekciu ŠPZ motorových vozidiel a ich znakov. Bola využitá známa metóda
prahovania s tým, že prah sa prispôsoboval aktuálnym požiadavkám daného osvetlenia. Je
zrejmé, že týmto spôsobom sa čiastočne kompenzovala nedokonalosť, ktorá je tomuto
postupu vyčítaná. Napriek tomu je jasné, že za žiadnych podmienok sa nedá docieliť
stopercentnej úspešnosti. Z tohto hľadiska je zaujímavé, že práve úspešnosť sa stala
prvotným cieľom na zlepšenie. Snahou bolo program priviesť do takého stavu , aby bol
robustný a schopný odpovedať na akékoľvek požiadavky. Boli využité rôzne metódy
a postupy, ktoré zlepšujú jeho prácu. Po ich odtestovaní bol zostavený algoritmus
(program), ktorý je imúnny voči miernemu natočeniu k rovine obrázku, ďalej dokáže
pracovať aj v prípade, že jednotlivé znaky splývajú s okolím ŠPZ a taktiež nereaguje na
drobné nečistoty.
Je ťažké zhodnotiť, ktoré systémy sa lepšie hodia do reálnej prevádzky. V každom
prípade je nanajvýš zrejmé, že jak v prahovacích metódach založených na hranových
detektoroch, tak aj v metódach založených na vertikálnych hranách spolu s CER, je
priestor na zlepšovanie. Je dobré, že existuje množstvo testov pre jednotlivé metódy, ale
napriek tomu málokde je uvádzaná aj podmienka kvality, ktorá je v celej problematike
veľmi dôležitá. Aj tento fakt nás nabuduzuje k tomu, aby sa zodpovedne pristúpilo
k otázke rozpoznávania objektov v obraze.
Absolútnym záverom tejto práce, by sa mala stať motivácia, ktorá prináša už
samotný cieľ tejto práce. Jej úlohou je uľahčenie človeku vytvoriť si priestor na to, aby sa
mohol spoľahnúť na prostriedky, ktoré má k dispozícii a tým si výrazne zjednodušil prácu
a venoval sa veciam len nevyhnutelným, ktoré sa za žiadnych okolností nemôžu vytvárať
automatizovanými systémami.
53

Použitá literatúra:
[1] Žára J., Beneš B., Felkel P.: Moderní počítačová grafika. Computer Press, Praha,
1998.
[2] MILAN FTACNIK-Department of Applied Informatics, Faculty of Mathematics,
Physics and Informatics, Comenius University, - prednášky z teórie spracovania
obrazu(dostupné na webe)
[3] Karel Zimmermann, Diplomová práce -Detekce a rozpoznávání znakú v obraze a
vidoesekvencích
[4] Jun-Wei Hsieh, Shih-Hao Yu, Yung-Sheng Chen, “Morphologybased,License
Plate Detection from Complex Scenes”, 16th International Conference on Pattern
Recognition (ICPR'02) Vol 3,2002.
[5] Intl. Conf. in Computer Science – RIVF’05 February 21-24, 2005, Can Tho,
Vietnam-Building an Automatic Vehicle License-Plate Recognition Systém(Web)
[6] A. Rahman, Ahmad Radmanesh, “A Real Time Vehicle’s Licence Plate
Recognition”, Proceedings of the IEEE on Advanced Video and Signal Based
Surveillance, AVSS’03, 2003.
[7] Schlesinger M., Hlaváč V.: Deset přednášsek z teorie statistického a strukturního
rozpoznávání. ČVUT, Praha, 1999.
[8] Klapka P.: Diplomová práce – Rozpoznávání státních poznávacích značek. ČVUT
v Praze,fakulta elektrotechnická, katedra kybernetiky, Praha, 2001.
[9] Janošek V.: Diplomová práce – Detekce a rozpoznávání státních poznávacích
značek. ČVUT v Praze, fakulta elektrotechnická, katedra kybernetiky, Praha,
2001.
[10] M.Rousson, T.Brox, R.Deriche Active Unsupervised Texture Segmentation on a
Diffusion Based Feature Space. CVPR’03 v.2, pp.699, 2003.
54

Prílohová časť
Táto časť sa nachádza na priloženom médiu CD. Obsahuje samostatný zdrojový kód
programu a jeho popis. Ďalej množstvo experimentálnych výsledkov a v neposlednom
rade jeho samostatnú prezentáciu.
Výpis obsahu CD:
• Diplomová práca
o Diplomová_práca.pdf
• Zdrojové kódy(program)
o Neurónová sieť
edu_imgresize.m
neural_pismena.m
neuraln_komplet.m
test.m
uc_neuronky.m
o area_min.m
o edu_imgresize.m
o finding_1.m
o finding_2.m
o finding_3.m
o load_pic.m
o orezanie.m
o otocenie.m
o preprocesing_OCR.m
o program.m
o program_komplet.m
o rospoznanie.m
o separator_znakov.m
o ulozenie_k3.m
o ulozenie_k12.m
• Vstupné dáta
• Programy
o Matlab 7.0.1 with SP1
55

Čestné prehlásenie
Prehlasujem, že som zadanú diplomovú prácu vypracoval samostatne, pod
odborným vedením vedúceho diplomovej práce Ing. Miroslava Benča a používal som len
literatúru uvedenú v práci.
Súhlasím so zapožičiavaním diplomovej práce.
V Žiline, dňa 18.5.2007
______________________
Podpis diplomanta
56

Poďakovanie
Moje poďakovanie patri panu inžinierovi Miroslavovi Benčovi, za jeho odborné vedenie,
ale najmä za pomoc a morálnu podporu, ktorú mi prejavoval počas celého obdobia
tvorby diplomovej práce.
57