AutomatickÃ© rozpoznÃ¡vanie Å PZ motorovÃ½ch vozidiel v ... - Utc.sk

More documents

Recommendations

Info

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
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 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: 3.4.3 Preprocesing OCR (Separácia
Page 63 and 64: Prílohová časť Táto časť sa
Page 65: Poďakovanie Moje poďakovanie patr
show all

AutomatickÃ© rozpoznÃ¡vanie Å PZ motorovÃ½ch vozidiel v ... - Utc.sk

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?