| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Elektronika |
| Nosaukums |
"Cilvēku skaitīšanas automatizēto metožu un ierīču izpēte" |
| Nosaukums angļu valodā |
"Research of Methods and Devices for an Automatics People Counting" |
| Struktūrvienība |
13300 Mikroviļņu inženierijas un elektronikas institūts |
| Darba vadītājs |
Aleksandrs Ipatovs |
| Recenzents |
D.Pikuļins |
| Anotācija |
Darbā ir veikts pētījums par SVM algoritma apmācības procesu, kā apmācības kopas izvēle un HOG deskriptora darbība ietekmē algoritma apmācību un testēšanas precizitāti. Darbā dots ieskats algoritmu izmantošanā kustīgu objektu skaitīšanai un detektēšana video un uz foto, ka arī izpētītas vairākas cilvēku skaitīšanas datorredzes metodes, kas balstās uz raksturīgo pazīmju izdalīšanu. Pētījuma pamat ir SVM apmācības algoritma modelis, kas apmācas no raksturīgo pazīmju vektora. Raksturīgo pazīmju atrašanai tiek pielietota HOG transformācija. Darbā ir veikti vārāki testi, kas pieradīja attēlu klasificēšanas uzdevuma lineāro sadalījumu. Praktiska darba realizācijai pielietota Python izstrādes vide un ārējas bibliotēkas: OpenCV2, Matplot, Scikit-image, Scikit-learn u.c.
Darbs sastāv no 58 lapām, 33 attēliem, 4 tabulām, 3 pielikumiem, ka arī 17 literatūras avotiem. |
| Atslēgas vārdi |
HOG, SVM, datorredze, cilvēku atpazīšana, rakstrīgo pazīmju izdalīšana, klasificēšana |
| Atslēgas vārdi angļu valodā |
HOG, SVM, computer vision, people detection, feature extraction, classification |
| Valoda |
lv |
| Gads |
2017 |
| Darba augšupielādes datums un laiks |
09.06.2017 14:21:48 |
