Automatické rozpoznávanie ŠPZ motorových vozidiel v ... - Utc.sk
Automatické rozpoznávanie ŠPZ motorových vozidiel v ... - Utc.sk Automatické rozpoznávanie ŠPZ motorových vozidiel v ... - Utc.sk
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
- Page 1 and 2: Automatické rozpoznávanie ŠPZ mo
- Page 3 and 4: Žilinská univerzita v Žiline, El
- Page 5 and 6: 2.2 Metódy selekcie znakov ŠPZ mo
- Page 7 and 8: Obr. 3.7 Zobrazuje jednotlivé krok
- Page 9 and 10: Úvod Z dôvodu nových technologic
- Page 11 and 12: 1 Teoretické spracovanie problemat
- Page 13 and 14: ∞ ∫ −∞ I( f ( x)) = F( u) =
- Page 15 and 16: vzdialenosťou r od počiatku v sme
- Page 17 and 18: Používajú sa polynómy stupňa m
- Page 19 and 20: Prahovanie s jedným prahom možno
- Page 21 and 22: Spätná projekcia vstupných bodov
- Page 23: Na spájanie oblastí sa používaj
- Page 27 and 28: Gramatika predstavuje množinu prav
- Page 29 and 30: • Pri prevode RGB poprípade Gray
- Page 31 and 32: Obr. 2.2 Segmentácia znakov pomoco
- Page 33 and 34: Ďalšími počítanými výrazmi p
- Page 35 and 36: Obr. 2.6 Zovšeobecnený vektorový
- Page 37 and 38: Obr. 2.10 Zovšeobecnená viacvrstv
- Page 39 and 40: 3 Praktická realizácia programu n
- Page 41 and 42: 3.2.2 Zaistenie dostatočného mno
- Page 43 and 44: sa jedná o tmavé, alebo svetlé a
- Page 45 and 46: 3.3.1.3 Úprava matice vhodnej na o
- Page 47 and 48: 3.3.1.6 Odstránenie malých oblast
- Page 49 and 50: a) b) Obr. 3.14 Názornosť funkcie
- Page 51 and 52: 3.4 Verifikácia a selekcia ŠPZ Je
- Page 53 and 54: 3.4.2.1 Prvá časť verifikátoru
- Page 55 and 56: a) b) Obr. 3.22 Výrez stredného r
- Page 57 and 58: Obr. 3.25 Prevod RGB značky na zá
- Page 59 and 60: 3.4.3 Preprocesing OCR (Separácia
- Page 61 and 62: Záver: Podstatou tejto práce bolo
- Page 63 and 64: Prílohová časť Táto časť sa
- Page 65: Poďakovanie Moje poďakovanie patr
N<br />
⎛<br />
= S ⎜∑<br />
⎝<br />
w x i i<br />
i=<br />
y 1<br />
⎞<br />
+ Θ⎟<br />
(1.27)<br />
⎠<br />
kde,<br />
• x i – vstupy neurónu celkom N<br />
• w i – synaptické váhy<br />
• S – nelineárna prenosová funkcia neurónu<br />
• – prah<br />
• y – výstup neurónu<br />
Výraz v zátvorke sa označuje ako vnútorný potenciál neurónu. Váhy w i predstavujú<br />
lokálnu pamäť a spojením ostatných neurónov dostávame celkovú pamäť siete . Učenie<br />
siete sa vytvára zmenou váh, ale aj tvarovaním prenosovej funkcie, počtom neurónov<br />
v sieti a ich topologickým rozložením.<br />
Obr. 1.7 Základný model jednoduchého neurónu<br />
Obr. 1.8 Rôzne druhy prenosovej funkcie neurónovej siete, a)jemná limita, b)tvrdá limita,<br />
c)logaritmus signálu<br />
17