Asistenční systém pro detekci dopravních pruhů a dopravních značek
Car assistant system for road lanes and traffic signs detection
Typ dokumentu
diplomová prácemaster thesis
Autor
Shreetal Upadhyay
Vedoucí práce
Bušek Jaroslav
Oponent práce
Peichl Adam
Studijní obor
Přístrojová a řídicí technikaStudijní program
Strojní inženýrstvíInstituce přidělující hodnost
ústav přístrojové a řídící technikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Tato diplomová práce je založena na asistenčním systému pro rozpoznávání silnic a německých dopravních značek. Cílem práce je navrhnout architektury CNN pro klasifikaci silničních symbolů pomocí několika knihoven, jako je OpenCV. Keras a Tensorflow. Analýza klasifikace obrázků je založena na německém benchmarku pro rozpoznávání dopravních značek pomocí modelu LeNet pod různými parametry, jako je vrstva převratu, zploštění, výpadek, velikost hloubky. Detekce jízdních pruhů Parametry jsou diskutovány pomocí transformace, na konci je simulován samotný motor automobilu s řízením sběru dat z manuálního režimu a poté vyškolen k tomu, aby se sám řídil v autonomním režimu pomocí různých technik. This master thesis is based on the car assistant system for recognizing road lanes and German traffic signs. The goal of the thesis is to design CNN architectures for classifying road symbols using several libraries like OpenCV. Keras and Tensorflow. The image classification analysis is based on the German Traffic Sign Recognition Benchmark using LeNet model under different Parameters such as Convolutional layer, flatten, Dropout ,Depth size,. Lanes detection Parameters are discussed using hough Transform , at the end udacity self driving car engine is simulated by collecting data from manual mode then trained to drive itself in autonomous mode using different techniques.
Kolekce
- Diplomové práce - 12110 [166]