Здесь можно найти учебные материалы, которые помогут вам в написании курсовых работ, дипломов, контрольных работ и рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.
Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение оригинальности любого файла в формате MS Word. После такого повышения оригинальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, РУКОНТЕКСТ, etxt.ru. Программа «StudentHelp» работает по уникальной технологии так, что на внешний вид, файл с повышенной оригинальностью не отличается от исходного.
Работа № 129855
Наименование:
Курсовик Разработка системы пропуска авторизованных транспортных средств с помощью анализа видеоизображения
Информация:
Тип работы: Курсовик.
Предмет: Информатика.
Добавлен: 06.06.2022.
Год: 2021.
Страниц: 10.
Уникальность по antiplagiat.ru: < 30%
Описание (план):
УДК 004.5 СИСТЕМА КОНТРОЛЯ УПРАВЛЕНИЯ ДОСТУПОМ НА ТЕРРИТОРИЮ ДЛЯ АВТОМОБИЛЕЙ
Разработана система авторизованного пропуска транспортного средства для совершения проезда при неполном распознавании номерного знака с помощью алгоритмов обработки видео. Система включает программно-аппаратный комплекс с широкой линейкой поддерживаемого оборудования, что позволяет выполнять модернизацию существующих систем ограничения доступа транспортных средств без замены аппаратной базы. Использование в алгоритме сверточ- ных генеративных противоборствующих моделей нейронных сетей позволяет проводить распознавание с различных ракурсов камер. Ключевые слова: автоматизированный пропуск, ограничение въезда, распознавание изображений, машинное обучение, нейронные сети, транспортные средства
CONTROL SYSTEM OF MANAGEMENT OF ACCESS TO THE TERRITORY FOR CARS The system of the authorized admission of the vehicle is developed for commission of journey at incom- plete recognition of the registration plate by means of algorithms of processing of video. The system includes a hardware and software system with a wide line of the supported equipment that allows to carry out modernization of the existing systems of restriction of access of vehicles without replacement of hardware base. Use in an algorithm of svertochny generative contradictory models of neural networks allows to carry out recognition from various fore- shortenings of cameras. Keywords: the automated admission, entrance restriction, recognition of images, machine learning, neural networks, vehicles.
Введение В современном мире активно развива- ются направления машинного обучения и ком- пьютерного зрения [1 – 7]. Появляется множе- ство автоматизированных систем, основанных на интеллектуальной обработке видео. Одним из актуальных направлений являются инфор- мационные транспортные системы, которые требуют решения задач, связанных с определе- нием параметров проезжающих транспортных средств. Существующие автоматизированные системы пропуска рассчитаны на точное опре- деление номерного знака транспортного сред- ства, либо использование бортового устройства или электронного ключа. При этом большой проблемой является невозможность автомати- ческого (авторизованного) пропуска транс- портного средства при неполном распознава- нии номерного знака. Следующая проблема – отсутствие тех- нической возможности организовать автомати- ческий пропуск транспортных средств, имею-
щих право льготного проезда (спецтранспорт), например, в системах ограничения въезда на придомовую территорию или на платных доро- гах. Целью настоящего исследования является решение задачи авторизованного пропуска транспортного средства для совершения проез- да при неполном распознавании номерного знака (с помощью определения дополнитель- ных атрибутов), а также решение задачи авто- матического распознавания специального транспортного средства с помощью алгоритмов обработки видео. Конечный продукт будет представлять собой программно-аппаратный комплекс с ши- рокой линейкой поддерживаемого оборудова- ния, что позволит выполнять модернизацию существующих систем ограничения доступа транспортных средств без замены аппаратной базы. Использование в алгоритме сверточных генеративных противоборствующих моделей нейронных сетей позволит проводить распо- знавание с различных ракурсов камер.
Для решения задачи планируется применять методы глубокого обучения, противоборству- ющего обучения и трансфер знаний. Глубокое обучение активно применяется для распознава- ния изображений и демонстрирует на этой за- даче передовые результаты (Razzak, 2017). Фактически, все современные исследования в области обработки изображений ведутся в па- радигме глубокого обучения. Объяснением такой результативности и, как следствие, популярности, является зало- женная в архитектуру сверточных нейронных сетей способность обучаться распознаванию высокоуровневых признаков изображения, а также наличие больших баз размеченных изоб- ражений. Противоборствующие сети (Goodfellow et al., 2015) получили широкое распространение в первую очередь в задачах генерации мульти- медиа (изображений, видео, музыки). В основе работы генеративных противоборствующих сетей лежит синхронное обучение двух моде- лей: генератора, который по спецификации объекта (параметрам распределения) воспроиз- водит признаковое описание объекта, а также дискриминатора, который по объекту (и, воз- можно, спецификации), восстанавливает ис- точник объекта (генеративная сеть или реаль- ность), а также, возможно, спецификацию. Ге- неративные противоборствующие сети отлично зарекомендовали себя в генерации проекций 3d объектов (Zhao et al., 2017). Многие методы машинного обучения хорошо работают только в предположении о том, что данные для обучения и тестирования используют одно и то же пространство призна- ков и подчиняются одному распределению. Ко- гда изменяется распределение, большинство статистических моделей необходимо строить с нуля, используя недавно собранные данные обучения. Сбор размеченных изображений для различных классов автомобилей и положений камер является крайне трудоемким и, фактиче- ски, невозможным. В таких случаях используется обучение переносом знаний или трансфер знаний (Vinyals et al., 2016). Суть подхода состоит в оптимизации мер согласованности распределе- ний классов для объектов целевой области мо- дели, обученной на вспомогательных данных других областей (характеризуемых иными рас- пределениями). Языком реализации ПО проек- та является Python, библиотеки sklearn, tensorflow/keras. Цель исследования – разработка систе- мы пропуска авторизованных транспортных средств с помощью анализа видеоизображения,
включающая возможность распознавания спе- циальных транспортных средств (скорых по- мощей). Схема работы системы приведена на рис.1.
Рисунок 1 – Схема работы системы
1. Определение характеристик системы Существующие на рынке системы позволяют решать следующий набор задач: 1) определение номерного знака транс- портного средства, поиск распознанного номе- ра в списке авторизованных для проезда; 2) управление шлагбаумом; 3) визуализация изображений с камер; 4) запись видеоархива; 5) поиск проездов по номерному знаку ли по времени; 6) голосовая связь с диспетчером; 7) возможность удаленного открытия шлагбаума диспетчером. Разрабатываемый прог аммно- аппаратный комплекс будет позволять допол- нительно решать следующие задачи: 1) автоматическое распознавание допол- нительных параметров транспортного средства (марка, цвет и т. п.), которые позволят прини- мать решение о возможности проезда даже в случае частично распознанного номера, а также информирование водителей о загрязненном номере; 2) автоматическое распознавание специ- альных транспортных средств, включая скорые помощи; 3) в зависимости от набора задач, которые стоят перед конечным пользователем, могут быть установлены различные уровни эскала- ции: уведомление диспетчера об обнаружении авторизованного для проезда транспортного средства; регистрация факта распознавания ав- торизованного для проезда транспортного...
Литература
1. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. – М.: ДМК Пресс, 2015 – 400 с. 2. Академия Intel: Введение в разработку мульти- медийных приложений с использованием библиотек OpenCV и IPP. Лекция 3: Детекторы и дескрипторы ключевых точек. Алгоритмы классификации изоб- ражений. Задача детектирования объектов на изоб- ражениях и методы её решения. URL: studies/courses/ 10621/1105/ lecture/ 17983? page=1 3. Пару слов о распознавании образов. – URL: post/208090/ 4. Машинное обучение – URL: wiki/ машинное_обучение 5. Теория распознавания образов – URL: wiki/теория_распознав ния_образов
6. Компьютерное зрение – URL: wiki/ компьютерное_зрение 7. Математическая морфология–URL: wiki/математическая_м рфология 8. Marko Borazio, Eugen Berlin, Nagihan Kucukyildiz, Philipp Scholl and Kristof Van Laerhoven “Towards Benchmarked Sleep Detection with Inertial Wrist-worn Sensing Units”, 2014 IEEE International Conference on Healthcare Informatics 9. Lawrence R. Rabiner “A tutorial on hidden Markov models and selected applications in speech recognition”, Proceeding of the IEEE, pages 257-286, February 1989 10. Yoshua Bengio, Paolo Frasconi “An input output HMM architecture”, Neural Networks, IEEE Transac- tions on, pages 1231-1249, September 1996 11. Eugene Hsu, Kari Pulli, Jovan Popovic «Style Translation for Human Motion», SIGGRAPH 2005
* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.