Zpracování rastrového obrazu pomocí FPGA
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se zabývá návrhem a implementací hardwarové jednotky pro detekci objektů ve videu. Návrh jednotky je optimalizován pro rychlé proudové zpracování. Detekce objektů se provádí pomocí příznakových klasifikátorů. Jako slabé klasifikátory jsou využity lokální obrazové příznaky. Je navržena a implementována nová metoda pro detekci objektů různé velikosti. Detektor používá algoritmy pro zrychlení detekce využívající sousední pozice. Má dostatečný výkon pro souběžnou detekci až dvou různých tříd objektů. Funkčnost detektoru byla ověřena simulací a některé části byly implementovány na vývojovém kitu.
This thesis describes the design and implementation of hardware unit to detect objects in the image. Design of unit is optimized for fast streaming processing. Object detection is performed by the trained classifiers using local image features. It describes a new technique for multi-scale detection. Detector used accelerating algorithm based on neighboring positions. The correct functionality of the detector is verified by simulation and part of a whole is implemented on development kit.
This thesis describes the design and implementation of hardware unit to detect objects in the image. Design of unit is optimized for fast streaming processing. Object detection is performed by the trained classifiers using local image features. It describes a new technique for multi-scale detection. Detector used accelerating algorithm based on neighboring positions. The correct functionality of the detector is verified by simulation and part of a whole is implemented on development kit.
Description
Citation
MUSIL, P. Zpracování rastrového obrazu pomocí FPGA [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2012.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Počítačová grafika a multimédia
Comittee
doc. RNDr. Pavel Smrž, Ph.D. (předseda)
doc. Dr. Ing. Dušan Kolář (místopředseda)
doc. Ing. Vladimír Drábek, CSc. (člen)
prof. Ing. Adam Herout, Ph.D. (člen)
prof. Ing. Jan Holub, Ph.D. (člen)
doc. Mgr. Adam Rogalewicz, Ph.D. (člen)
Date of acceptance
2012-06-21
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se pak seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: V práci je uvedeno, že průměrný počet vyhodnocení slabých klasifikátorů je 5 a toto číslo je určeno na základě trénovací množiny. Bude tento poměr stejný i na reálných datech? Jak bude systém pracovat, pokud bude rozpoznávat obličeje a na vstupu bude obraz (video) davu lidí? Jaký bude poté průměrný počet vyhodnocení slabých klasifikátorů? Jak ovlivní délka klasifikační kaskády průměrný počet vyhodnocení slabých klasifikátorů? Data jsou v práci ukládána s oříznutím z 8 bitů na 6 bitů (z 256 úrovní šedi na 64 úrovní šedi). Tvrdíte, že zhoršení je jen na úrovni 1,5%. Je toto tvrzení podloženo nějakými testy? Případně proč je možné si toto dovolit u AdaBoostu? Jak do systému vstupuje natrénovaný klasifikátor? Co všechno je nutné provést pro změnu klasifikátoru (změna instrukcí + tabulek -> generuje to nějaký program nebo je to ruční práce)?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení