Účinné metody klasifikace barev vozidel

Viktoriia Lysenko

Efficient Methods for Vehicle Color Classification

Type of document

diplomová práce
master thesis

Author

Viktoriia Lysenko

Supervisor

Fliegel Karel

Opponent

Kufa Jan

Field of study

Audiovizuální technika a zpracování signálů

Study program

Elektronika a komunikace

Institutions assigning rank

katedra radioelektroniky

Rights

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.html
Vysokoškolská 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

Show full item record

Abstract

Práce se zabývá problematikou klasifikace barev dopravních prostředků a segmentace obrazu jako součást problému. Tato práce obsahuje přehled, implementace a porovnání vybraných metod, které byly navíc rozšířeny o algoritmy zvyšující jejich účinnost. Pro segmentaci byla představena nová metoda založená na principu Bayesova klasifikátoru, jejíž výsledky překonaly ostatní srovnávané metody. Práce je zaměřena na klasické i moderní metody strojového učení. Součástí práce je příprava dvou datových sad pro trénování a testování klasifikačních algoritmů.

This thesis deals with the color classification of vehicles and segmentation as a part of the task. It contains overview, implementations, and comparison of the selected methods, which were extended for algorithms improving the accuracy. A new algorithm was introduced for segmentation based on Bayes classifier and the results surpassed other compared methods. This thesis is focussed on classical and modern algorithms of machine learning. Two datasets were prepared for training and testing the classification algorithms.