Automatické rozpoznávanie ŠPZ motorových vozidiel v ... - Utc.sk
Automatické rozpoznávanie ŠPZ motorových vozidiel v ... - Utc.sk Automatické rozpoznávanie ŠPZ motorových vozidiel v ... - Utc.sk
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
- 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 and 24: Na spájanie oblastí sa používaj
- Page 25 and 26: N ⎛ = S ⎜∑ ⎝ w x i i i= y 1
- 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: Obr. 2.10 Zovšeobecnená viacvrstv
- 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
Architektúra:<br />
Zdokonalená Neurónová sieť používajúca sa na znakové rozpoznávanie obsahuje<br />
dvojvrstvovú log-sig log-sig neurónovú sieť. Log-sig prenosová funkcia je výhodná<br />
vzhľadom na to, že výstup je v intervale (0,1) čo je výhodné na naučenie výstupných<br />
hodnôt.<br />
Obr. 2.12 Architektúra využívaná na znakové rozpoznávanie<br />
Skrytá vrstva obsahuje desať neurónov a využíva sa vtedy keď má sieť problémy<br />
s naučením.<br />
Inicializácia je u<strong>sk</strong>utočnená nasledovným príkazom:<br />
net = newff(minmax(P) , [S1 S2] , {‘logsig’ ‘logsig’, ‘traingdx’);<br />
trénovanie:<br />
[netn, tr] = train(netn, P, T);<br />
30