460-4107/01 – Analýza obrazu II (ANO II)
| Garantující katedra | Katedra informatiky | Kredity | 4 |
| Garant předmětu | Ing. Radovan Fusek, Ph.D. | Garant verze předmětu | Ing. Radovan Fusek, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | Povinnost | povinně volitelný |
| Ročník | 2 | Semestr | zimní |
| Odkaz na web | | Jazyk výuky | čeština |
| Rok zavedení | 2015/2016 | Rok zrušení | |
| Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem předmětu je seznámit posluchače s moderními metodami analýzy obrazu, které mohou být využity zejména pro
detekci a rozpoznání objektů. Nedílnou součástí je také aplikace těchto technik do reálného prostředí (například
detekce lidských tváří, lokalizace chodců nebo detekce automobilů v obrazech).
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
Jsou probírána následující témata: Moderní metody detekce a rozpoznání objektů v obrazech. Typicky se jedná o postupy
založené na obrazových příznacích v kombinaci s metodami strojového učení. Probírány budou také principy hlubokého
učení a konvolučních neuronových sítí a jejich aplikace v problémech obrazové detekce automobilů, chodců, lidských
tváří.
Povinná literatura:
Doporučená literatura:
1. E. Sojka, J. Gaura, and M. Krumnikl, Matematické základy digitálního zpracování obrazu. Ostrava, Plzeň: VŠB-TU
Ostrava (Fakulta elektrotechniky a informatiky), Západočeská univerzita v Plzni, 2. vydání ed., 2011.
2. Burger, W., Burge, M., J.: Principles of Digital Image Processing: Fundamental Techniques, Springer, ISBN-10:
1848001908, ISBN-13: 978-1848001909, 2011
3. Brahmbhatt, S.: Practical OpenCV (Technology in Action), Apress, ISBN-10: 1430260793, ISBN-13: 978-1430260790,
2013
4. Gary Bradski, Adrian Kaehler: Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library, O'Reilly Media,
2017
Způsob průběžné kontroly znalostí během semestru
Podmínky udělení zápočtu:
Vypracování úloh, které jsou součástí programu cvičení.
Zkouška - písemný test.
E-learning
Další požadavky na studenta
Další požadavky na studenta nejsou kladeny.
Minimální znalostní požadavky
Prerekvizity
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
1. Základní pojmy z oblasti detekce objektů v obrazech, metoda posuvného okna.
2. Metody detekce tváří v obrazech, příznaky typu Haar.
3. Lokální binární vzory a jejich využití pro detekci objektů.
4. Metody detekce chodců v obrazech, histogramy orientovaných gradientů.
5. Obrazové deskriptory, detektory zájmových bodů v obrazech (metoda SIFT).
6. Základní pojmy a metody z oblasti rozpoznání objektů v obrazech.
7. Konvoluční neuronové sítě.
8. Metoda AdaBoost pro rozpoznávání objektů v obraze.
9. Metoda Support Vector Machines a její využití ke klasifikaci objektů.
10. Metoda Mix Gaussiánů pro detekci pozadí.
11. Zpracování obrazů v IR spektru a multispektrálních obrazů.
12. Analýza hloubkových obrazů, využití 3D senzorů (RealSense, Kinect).
13. Zpracování LIDARových obrazů.
14. Rezerva
Cvičení (PC učebna):
1. Vytvoření základní kostry detektoru pro zvolený zájmový objekt.
2. Implementace metody posuvného okna.
3. Příprava dat pro trénovací a testovací fázi detektoru.
4. Detekce založená na příznacích typu Haar.
5. Detekce pomocí lokálních binárních vzorů.
6. Detekce pomocí obrazových deskriptorů (metoda SIFT).
7. Detekce a rozpoznání objektů pomocí konvolučních neuronových sítí.
8. Rozpoznání objektů pomocí metody AdaBoost.
9. Rozpoznání objektů metodou Support Vector Machine v kombinaci s histogramem orientovaných gradientů.
10. Odečet pozadí pomocí metody Mix Gaussiánů a její akcelerace na GPU.
11. Detekce objektů v IR obrazech. Úprava obrazu a jeho následné zpracování.
12. Segmentace a detekce objektů v hloubkových obrazech, využití 3D senzorů
(RealSense, Kinect).
13. Rezerva.
14. Zápočet.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích