Разработка системы "Попутчик". Технология распознавания дорожных знаков в реа...RSATU-UMNIK
Разработка адаптированной к российским условиям и относительно недорогой технологии распознавания дорожных знаков (TSR), применяемой в российских автомобилях и в автомобилях российской сборки
Разработка системы "Попутчик". Технология распознавания дорожных знаков в реа...RSATU-UMNIK
Разработка адаптированной к российским условиям и относительно недорогой технологии распознавания дорожных знаков (TSR), применяемой в российских автомобилях и в автомобилях российской сборки
Устойчивый к искажениям алгоритм распознавания штрих-кода EAN-13Zheka Kozlov
Цель работы заключалась в разработке алгоритма, эффективно распознавающего штрих-коды EAN-13 с возможностью дефокусировки и яркостно-геометрических искажений. Анализ ряда существующих алгоритмов показал, что все они не в полной мере отвечают представленным требованиям. Алгоритм, описанный в http://users.soe.ucsc.edu/~orazio/barcodes.html, дает впечатляющие результаты как в плане эффективности, так и в плане производительности, но он не способен распознавать сильно дефокусированные штрих-коды.
В процессе работы была разработан алгоритм распознавания искаженного штрих-кода, который получает на входе изображение, содержащее уже локализованный ненаклоненный штрих-код.
Суть алгоритма заключается в минимизации функционала вида J = sum(h_i - g_i(P))^2, где h_i - измерения сигнала, P - вектор оцениваемых неизвестных параметров, g_i(P) - модель дискретного сигнала. Для минимизации J используется итеративная процедура оценивания. В первой итерации модель сигнала использует положения границ штрихов, полученных с помощью алгоритма http://users.soe.ucsc.edu/~orazio/barcodes.html. После минимизации в случае успешного декодирования выдается результат, в противном случае выводится сообщение о невозможности распознавания.
Испытания показали, что реализованный алгоритм способен быстро и эффективно распознавать штрих-коды на сильно дефокусированных изображениях с высоким уровнем шума и различными яркостно-геометрическими искажениями при количестве пикселей области штрих-кода от 200 и более. Среднее время распознавания на смартфоне HTC Legend составило приблизительно 1 секунду, что позволяет в случае неуспеха быстро повторить попытку распознавания.
Разработка системы контроля доступом на основании системы распознавания номер...Anatoly Simkin
Данная статья посвящена представлению результатов проведения научно-исследовательской работыв области разработки универсальной автоматизированной системы, которая обеспечивает контроль доступа на основании системы распознавания номерных знаков
Development of the access control system based on the recognition of number plates. Bachelor's degree - research of recognition of license plates.
ДЕТЕКТОРЫ ОСОБЕННОСТЕЙ В МЕТОДЕ ВИОЛЫ–ДЖОНСА, ПОСТРОЕННЫЕ НА ОСНОВЕ КОНЕЧНЫХ ...ITMO University
Рассматривается модификация метода Виолы–Джонса – одного из самых эффективных методов классификации изображений. Вместо детекторов прямоугольных особенностей в предложенной модификации используются детекторы особенностей, построенные на конечных автоматах. Применение автоматов позволяет сократить число уровней в каскаде и число детекторов на каждом уровне за счет того, что детектор, управляемый автоматом, может обнаружить более сложные особенности, нежели простые прямоугольники.
Для эффективной борьбы с большими данными одних технологий недостаточно. Необходим правильный настрой по отношению к ним, позволяющий видеть перспективы и особенности их использования. В данном рассказе предлагается точка зрения на совокупность проблем больших данных и их возможные пути разрешения. Рассказ построен на конкретных примерах из личной практики.
Целевая аудитория доклада, ее примерный уровень: аналитики, менеджеры ИТ, CTO.
Распознавание лиц с помощьюэкстремального обучения нейроновАнастасия Вязьмина
Лабороторная работа
Выполнили:
Д.С. Анисимов, 425м
А.Н. Вязьмина, 425м
Научный руководитель:
к.ф.-м.н., доцент,
С.И. Жилин
Барнаул, Алтайский государственный университет
2013 год
Основано на работе*: Вязьмина, А.Н. разработка метода распознавания лиц, устойчивого к вариациям освещения и геометрических характеристик. Курсовая работа / А.Н. Вязьмина // АлтГУ — Барнаул, 2013.
Нейросетевые системы автоматического распознавания морских объектовNatalia Polkovnikova
Полковникова Н.А. Нейросетевые системы автоматического распознавания морских объектов // Эксплуатация морского транспорта. Гос. морской университет им. адмирала Ф.Ф. Ушакова, Новороссийск. – 2020, №1(94). – C. 207-219.
Исследование и разработка алгоритмов распознавания номерных знаковAnatoly Simkin
Статья описывает результаты проведенных исследований алгоритмов распознавания автомобильных номерных знаков. Представлены процедуры распознавания номерных знаков, их особенности и результаты верификации.
The article describes the results of the research of pattern recognition algorithms of license plates. Describes the procedures for license plate recognition, their features and the results of verification.
Завершающий доклад дня будет посвящён реализации и верификации разработанных алгоритмов обработки сигналов на конечных целевых платформах. Мы продемонстрируем современный подход к решению этой задачи в рамках концепции МОП, подразумевающий активное использование поведенческой модели алгоритма, а также автоматизацию многих этапов разработки и тестирования.
More Related Content
Similar to Обработка изображений в задаче распознавания номерных знаков автомобилей
Устойчивый к искажениям алгоритм распознавания штрих-кода EAN-13Zheka Kozlov
Цель работы заключалась в разработке алгоритма, эффективно распознавающего штрих-коды EAN-13 с возможностью дефокусировки и яркостно-геометрических искажений. Анализ ряда существующих алгоритмов показал, что все они не в полной мере отвечают представленным требованиям. Алгоритм, описанный в http://users.soe.ucsc.edu/~orazio/barcodes.html, дает впечатляющие результаты как в плане эффективности, так и в плане производительности, но он не способен распознавать сильно дефокусированные штрих-коды.
В процессе работы была разработан алгоритм распознавания искаженного штрих-кода, который получает на входе изображение, содержащее уже локализованный ненаклоненный штрих-код.
Суть алгоритма заключается в минимизации функционала вида J = sum(h_i - g_i(P))^2, где h_i - измерения сигнала, P - вектор оцениваемых неизвестных параметров, g_i(P) - модель дискретного сигнала. Для минимизации J используется итеративная процедура оценивания. В первой итерации модель сигнала использует положения границ штрихов, полученных с помощью алгоритма http://users.soe.ucsc.edu/~orazio/barcodes.html. После минимизации в случае успешного декодирования выдается результат, в противном случае выводится сообщение о невозможности распознавания.
Испытания показали, что реализованный алгоритм способен быстро и эффективно распознавать штрих-коды на сильно дефокусированных изображениях с высоким уровнем шума и различными яркостно-геометрическими искажениями при количестве пикселей области штрих-кода от 200 и более. Среднее время распознавания на смартфоне HTC Legend составило приблизительно 1 секунду, что позволяет в случае неуспеха быстро повторить попытку распознавания.
Разработка системы контроля доступом на основании системы распознавания номер...Anatoly Simkin
Данная статья посвящена представлению результатов проведения научно-исследовательской работыв области разработки универсальной автоматизированной системы, которая обеспечивает контроль доступа на основании системы распознавания номерных знаков
Development of the access control system based on the recognition of number plates. Bachelor's degree - research of recognition of license plates.
ДЕТЕКТОРЫ ОСОБЕННОСТЕЙ В МЕТОДЕ ВИОЛЫ–ДЖОНСА, ПОСТРОЕННЫЕ НА ОСНОВЕ КОНЕЧНЫХ ...ITMO University
Рассматривается модификация метода Виолы–Джонса – одного из самых эффективных методов классификации изображений. Вместо детекторов прямоугольных особенностей в предложенной модификации используются детекторы особенностей, построенные на конечных автоматах. Применение автоматов позволяет сократить число уровней в каскаде и число детекторов на каждом уровне за счет того, что детектор, управляемый автоматом, может обнаружить более сложные особенности, нежели простые прямоугольники.
Для эффективной борьбы с большими данными одних технологий недостаточно. Необходим правильный настрой по отношению к ним, позволяющий видеть перспективы и особенности их использования. В данном рассказе предлагается точка зрения на совокупность проблем больших данных и их возможные пути разрешения. Рассказ построен на конкретных примерах из личной практики.
Целевая аудитория доклада, ее примерный уровень: аналитики, менеджеры ИТ, CTO.
Распознавание лиц с помощьюэкстремального обучения нейроновАнастасия Вязьмина
Лабороторная работа
Выполнили:
Д.С. Анисимов, 425м
А.Н. Вязьмина, 425м
Научный руководитель:
к.ф.-м.н., доцент,
С.И. Жилин
Барнаул, Алтайский государственный университет
2013 год
Основано на работе*: Вязьмина, А.Н. разработка метода распознавания лиц, устойчивого к вариациям освещения и геометрических характеристик. Курсовая работа / А.Н. Вязьмина // АлтГУ — Барнаул, 2013.
Нейросетевые системы автоматического распознавания морских объектовNatalia Polkovnikova
Полковникова Н.А. Нейросетевые системы автоматического распознавания морских объектов // Эксплуатация морского транспорта. Гос. морской университет им. адмирала Ф.Ф. Ушакова, Новороссийск. – 2020, №1(94). – C. 207-219.
Исследование и разработка алгоритмов распознавания номерных знаковAnatoly Simkin
Статья описывает результаты проведенных исследований алгоритмов распознавания автомобильных номерных знаков. Представлены процедуры распознавания номерных знаков, их особенности и результаты верификации.
The article describes the results of the research of pattern recognition algorithms of license plates. Describes the procedures for license plate recognition, their features and the results of verification.
Завершающий доклад дня будет посвящён реализации и верификации разработанных алгоритмов обработки сигналов на конечных целевых платформах. Мы продемонстрируем современный подход к решению этой задачи в рамках концепции МОП, подразумевающий активное использование поведенческой модели алгоритма, а также автоматизацию многих этапов разработки и тестирования.
Similar to Обработка изображений в задаче распознавания номерных знаков автомобилей (20)
Обработка изображений в задаче распознавания номерных знаков автомобилей
1. Обработка изображений в задаче распознавания номерных знаков автомобилей Ярославский государственный университет им. П.Г. Демидова физический факультет, лаборатория «Цифровые цепи и сигналы» Петров В.А., студент гр. РФ-51 Кралин А. Е., студент гр. ТК-31 научный руководитель к.т.н., доцент Приоров А.Л.
2.
3.
4.
5.
6.
7.
8.
9. Решение задачи распознавания символов методами машинного обучения ? Данные Ответ! Алгоритм обучения Обученная машина Вопрос 9
14. Результаты работы рассматриваемого алгоритма. Распознавание символов детектированной номерной пластины 14 с060ом199 e635 рм199 а163хх90 Удачные попытки Неудачные попытки р141мо е2т107 т479тут77
23. Обработка изображений в задаче распознавания номерных знаков автомобилей Ярославский государственный университет им. П.Г. Демидова физический факультет, лаборатория «Цифровые цепи и сигналы» Петров В.А., студент гр. РФ-51 Кралин А. Е., студент гр. ТК-31 научный руководитель к.т.н., доцент Приоров А.Л.