DSpace
    • English
    • Deutsch
    • Eesti
  • English 
    • English
    • Deutsch
    • Eesti
  • Login
View Item 
  •   DSpace @University of Tartu
  • Loodus- ja täppisteaduste valdkond
  • Arvutiteaduse instituut
  • MTAT magistritööd – Master's theses
  • View Item
  •   DSpace @University of Tartu
  • Loodus- ja täppisteaduste valdkond
  • Arvutiteaduse instituut
  • MTAT magistritööd – Master's theses
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Sõidukite tuvastus kasutades konvolutsioonilisi närvivõrke

Thumbnail
View/Open
thesis.pdf (6.372Mb)
Date
2018
Author
Plemakova, Viktoria
Metadata
Show full item record
Abstract
Sõidukite täpne tuvastus ja klassifitseerimine mängib suurt rolli intelligentsete transpordisüsteemide valdkonnas. Sõidukite tuvastus liikluses võimaldab analüüsida autojuhtide käitumist ning lisaks tuvastada liikluseeskirja rikkumisi ja liiklusõnnetusi. Sõidukite tuvastus ja klassifitseerimine on keeruline ülesanne erinevate valgustingimuste, ilmastikunähtuste ja sõidukite mitmekesisuse tõttu. Mitmed olemasolevad lahendused kasutavad tunnuste eraldamise algoritme ning tugivektorklassifitseerijat. Hiljuti on konvolutsioonilised närvivõrgud osutunud paremaks lahenduseks. Antud lõputöö esitleb konvolutsioonilist tehisnärvivõrku, mis suudab liigitada ja tuvastada sõidukeid erinevate nurkade alt. Peale selle eeltöödeldakse andmeid kiire Fourier' teisenduse abil. Välja pakutud eeltöötluse mõju uuritakse selle lõputöö käigus valminud sõidukite tuvastus- ja klassifitseerimisprogrammi abil.
 
Accurate vehicle detection or classification plays an important role in Intelligent Transportations Systems. Ability to detect vehicles in traffic scenes allows analyzing drivers' behavior as well as detect traffic offenses and accidents. Detection and classification of vehicles is a challenging task due to weather and light conditions and vehicle type diversity. Several solutions use feature extraction algorithms along with support vector machine classifier. However, convolutional neural networks have proved to be potentially more effective. In this thesis, we present a convolutional neural network trained to classify and detect vehicles from multiple angles. Moreover, Fast Fourier Transform is used during data preprocessing. The effect of such preprocessing is examined on the developed vehicle classifier and detector.
 
URI
http://hdl.handle.net/10062/66190
Collections
  • MTAT magistritööd – Master's theses [633]

DSpace software copyright © 2002-2016  DuraSpace
Contact Us | Send Feedback
Theme by 
Atmire NV
 

 

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

My Account

Login

DSpace software copyright © 2002-2016  DuraSpace
Contact Us | Send Feedback
Theme by 
Atmire NV