Sledovací system pro modely aut

Abstract

Tato bakalářská práce se věnuje problému sledování pohybu aut nebo jiných modelů na podlaze laboratoře inteligentních vestavných systémů v reálném čase pomocí statické kamery. Cílem bylo kromě lokalizace modelů na základě jednoduchých značek umožnit sofistikované sledování s využitím hlubokých neuronových sítí s důrazem na rychlou adaptaci sledovacího systému na nové modely. K lokalizaci pomocí značek jsem využil ArUco Markers. K detekci objektů s využitím hlubokých neuronových sítí jsem využil model YOLO. Navrhl a implemenotval jsem způsob automatického označování dat pomocí metody odečítání pozadí, který značně urychlil adaptaci sledovacího systému na nové modely.

This bachelor thesis addresses the problem of tracking the movement of cars or other models on the floor of an intelligent embedded systems laboratory in real time using a static camera. The goal was to enable sophisticated tracking using deep neural networks in addition to model localization based on simple markers, with an emphasis on fast adaptation of the tracking system to new models. I used ArUco Markers for localization using markers. For object detection using deep neural networks, I used the YOLO model. I designed and implemented a method of automatic data labeling using background subtraction, which greatly accelerated the adaptation of the tracking system to the new models.