460-4131/01 – Optické systémy pro autonomní jízdu (OSAJ)
| Garantující katedra | Katedra informatiky | Kredity | 5 |
| Garant předmětu | Ing. Radovan Fusek, Ph.D. | Garant verze předmětu | Ing. Radovan Fusek, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | Povinnost | povinný |
| Ročník | 1 | Semestr | letní |
| | Jazyk výuky | čeština |
| Rok zavedení | 2019/2020 | Rok zrušení | 2022/2023 |
| Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Předmět posluchače seznamuje s tématy z oblasti analýzy obrazu, které zapadají do problematiky autonomní jízdy a optických systémů. Absolvováním předmětu získají posluchači přehled o moderních metodách, které se využívají v samo-řiditelných vozidlech.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Projekt
Anotace
V předmětu budou probírána zejména následující témata: Metody a pojmy z oblasti detekce a rozpoznání objektů pomocí obrazů s důrazem pro samo-řiditelné vozidlo. To zahrnuje analýzu objektů v okolí automobilu pomocí metod strojového učení (obrazové příznaky, konvoluční neuronové sítě, hluboké učení, SVM). Principy obrazové detekce automobilů, chodců, vodorovného a svislého dopravního značení, semaforů, analýza objektů za pomocí lidarových a hloubkových dat.
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. Gonzalez, R., C., Woods, R., E.: Digital Image Processing, Prentice Hall, ISBN-10: 013168728X, ISBN-13: 978-0131687288, 2007
3. Michael Beyeler: Machine Learning for OpenCV, Packt Publishing, ISBN-13: 978-1783980284, 2017
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
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.
Prerekvizity
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
1. Základní pojmy z oblasti detekce objektů v obrazech, metoda posuvného okna.
2. Detekce objektů pomocí příznaků typu Haar (Viola-Jones detektor).
3. Lokální binární vzory a jejich využití pro detekci objektů.
4. Metody detekce chodců a automobilů v obrazech, histogramy orientovaných gradientů.
5. Analýza jízdních pruhů pomocí obrazů.
6. Konvoluční neuronové sítě.
7. Obrazové deskriptory, detektory zájmových bodů v obrazech (metody SIFT, SURF).
8. Klasifikátory AdaBoost a Support Vector Machines a jejich využití pro rozpoznávání objektů v obraze.
9. Metody pro detekci a rozpoznání dopravních značek a semaforů
10. Detekce objektů v IR obrazech. Úprava obrazu a jeho následné zpracování.
11. Analýza hloubkových obrazů, využití 3D senzorů (RealSense, Kinect).
12. Zpracování LIDARových obrazů a obrazů pořízených za pomocí sférické kamery.
13. Spojení dílčích detektorů do jednoho celku pro samo-řiditelné vozidlo.
14. Rezerva.
Cvičení:
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 histogramů orientovaných gradientů.
7. Detekce objektů pomocí konvolučních neuronových sítí.
8. Práce s metodou Support Vector Machine a s metodou AdaBoost.
9. Detekce objektů v IR obrazech. Úprava obrazu a jeho následné zpracování.
10. Segmentace a detekce objektů v hloubkových obrazech, využití 3D senzorů (RealSense, Kinect).
11. Analýza objektů v obrazech pořízených pomocí sférické kamery a LIDAR senzoru.
12. Spojení dílčích detektorů do jednoho celku pro samo-řiditelné vozidlo.
13. Rezerva.
14. Zápočet.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky