Αναγνώριση Πινακίδων Κυκλοφορίας Αυτοκινήτων από Φωτογραφίες με Μεθόδους Μηχανικής Μάθησης και Βαθειάς Μάθησης (Master thesis)
Σελαλμαζίδης, Αναστάσιος
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Σελαλμαζίδης, Αναστάσιος | el |
| dc.date.accessioned | 2022-01-04T13:57:30Z | - |
| dc.date.available | 2022-01-04T13:57:30Z | - |
| dc.identifier.uri | http://195.251.240.227/jspui/handle/123456789/13751 | - |
| dc.description | Μεταπτυχιακή εργασία - Σχολή Τεχνολογικών Εφαρμογών - Τμήμα Μηχανικών Πληροφορικής, 2017 α.α.8815 | el |
| dc.rights | Default License | - |
| dc.subject | Αυτόματη Αναγνώριση Πινακίδων Κυκλοφορίας | el |
| dc.subject | Επεξεργασία εικόνας | el |
| dc.subject | Υπολογιστική Όραση | el |
| dc.subject | Μηχανική Μάθηση | el |
| dc.subject | Δίκτυα Βαθειάς Μάθησης | el |
| dc.subject | Automatic License Plate Recognition | en |
| dc.subject | Machine Learning | en |
| dc.subject | Image Processing | en |
| dc.subject | Computer Vision | en |
| dc.subject | Deep Learning | en |
| dc.title | Αναγνώριση Πινακίδων Κυκλοφορίας Αυτοκινήτων από Φωτογραφίες με Μεθόδους Μηχανικής Μάθησης και Βαθειάς Μάθησης | el |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.generalDescription | Μεταπτυχιακή εργασία | el |
| heal.classification | Deep learning (Machine learning) | en |
| heal.classification | Βαθιά μάθηση (Μηχανική μάθηση) | el |
| heal.classification | Image processing -- Digital techniques | en |
| heal.classification | Επεξεργασία εικόνας -- Ψηφιακές τεχνικές | el |
| heal.classification | Computer vision | en |
| heal.classification | Υπολογιστική όραση | el |
| heal.classification | Automobile licence plates -- Identification | en |
| heal.classification | Πινακίδες κυκλοφορίας αυτοκινήτων -- Αναγνώριση | el |
| heal.identifier.secondary | 8815 | - |
| heal.dateAvailable | 2022-01-04T13:58:30Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Σχολή Τεχνολογικών Εφαρμογών / Τμήμα Μηχανικών Πληροφορικής | el |
| heal.publicationDate | 2017-07-05 | - |
| heal.bibliographicCitation | Σελαλμαζίδης Αναστάσιος, Αναγνώριση Πινακίδων Κυκλοφορίας Αυτοκινήτων από Φωτογραφίες με Μεθόδους Μηχανικής Μάθησης και Βαθειάς Μάθησης, Σχολή Τεχνολογικών Εφαρμογών / Τμήμα Μηχανικών Πληροφορικής, Διεθνές Πανεπιστήμιο Ελλάδος, 2017 | el |
| heal.abstract | Στην παρούσα διπλωματική εργασία γίνεται μια επισκόπηση σε βασικές μεθόδους επεξεργασίας εικόνας, οι οποίες θα χρησιμοποιηθούν για τη δημιουργία αλγορίθμου για τον εντοπισμό πινακίδων κυκλοφορίας αυτοκινήτων και την εξαγωγή των χαρακτήρων από αυτές. Στη συνέχεια αναλύονται δημοφιλείς μέθοδοι μηχανικής μάθησης και βαθειάς μάθησης. Αναφέρονται επίσης τα προβλήματα με τα δημόσια διαθέσιμα σύνολα δεδομένων και για τον λόγο αυτό δημιουργείται νέο σύνολο δεδομένων από φωτογραφίες αυτοκινήτων με εμφανείς τις πινακίδες κυκλοφορίας, πάνω στο οποίο γίνεται η εκπαίδευση και αξιολόγηση των διαφόρων μοντέλων μηχανικής μάθησης. Τα αποτελέσματα έδειξαν πως οι κλασικές μέθοδοι μηχανικής μάθησης υπερίσχυαν των μεθόδων βαθειάς μάθησης. Συγκεκριμένα η μέθοδος SVM με πυρήνα RBF απέδωσε στα πειράματα ακρίβεια 99,4%. Όσο αφορά τον αλγόριθμο εντοπισμού της πινακίδας τα αποτελέσματα δεν ήταν τα αναμενόμενα. Αν και η επεξεργασία ήταν πολύ γρήγορη, η επιτυχία που είχε ήταν μόλις 57,42%. | el |
| heal.abstract | This diploma thesis provides an overview of basic image processing methods, which will be used to create an algorithm for license plate identification and character segmentation. Furthermore, it analyzes popular machine learning and deep learning methods. The problems with publicly available datasets are also reported and for that reason, a new dataset of car photos is created where the license plates are clearly visible. The models are trained and evaluated on this new dataset. The results showed that the classical machine learning methods overcome deep learning methods. Specifically the SVM method with RBF kernel, yielded 99.4% accuracy. The results of the license plate identification algorithm where not as expected. Although the processing was very fast we gained an accuracy of only 57.52%. | en |
| heal.tableOfContents | 1 Εισαγωγή.............................................................................................................................1 1.1 Επεξεργασία εικόνας και αναγνώριση προτύπων........................................................1 1.2 Αντικείμενο διπλωματικής...........................................................................................2 1.2.1 Συνεισφορά ...........................................................................................................3 1.3 Οργάνωση κειμένου.....................................................................................................3 2 Θεωρητικό υπόβαθρο .........................................................................................................4 2.1 Βασικές Μέθοδοι Επεξεργασίας Εικόνας....................................................................4 2.1.1 Δυαδικές πράξεις...................................................................................................4 2.1.2 Μάσκες..................................................................................................................6 2.1.3 Πυρήνες.................................................................................................................7 2.1.4 Μορφολογικές Πράξεις .........................................................................................9 2.1.5 Εξομάλυνση και θόλωμα (Smoothing and Blurring)...........................................14 2.1.6 Χρωματικά Μοντέλα (Color Models) και Χώροι χρωμάτων (Color Spaces)......18 2.1.7 Κατώφλι (Thresholding) .....................................................................................22 2.1.8 Διαβαθμίσεις ή Κλίσεις (Gradients)....................................................................25 2.1.9 Περιγράμματα (Contours)...................................................................................28 2.1.10 Ανάλυση Συνδεδεμένων Συνιστωσών (Connected Component Analysis) ...........35 2.2 Περιγραφείς εικόνων .................................................................................................36 2.3 Μηχανική Μάθηση ....................................................................................................37 2.3.1 Μέθοδοι Μηχανικής Μάθησης ............................................................................37 2.3.2 Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) ......................................................................44 3 Συστήματα Αυτόματης Αναγνώρισης Πινακίδων Κυκλοφορίας (ΣΑΑΠΚ) ............... 47 3.1 Λήψη της φωτογραφίας.............................................................................................48 3.2 Εντοπισμός της πινακίδας..........................................................................................48 3.3 Κατακερματισμός των χαρακτήρων ..........................................................................49 3.4 Αποκοπή των χαρακτήρων ........................................................................................50 3.5 Αναγνώριση των χαρακτήρων ...................................................................................50 4 Το πρόβλημα με τα Σύνολα δεδομένων (datasets) ......................................................... 52 4.1 Σύνολα δεδομένων (datasets).....................................................................................53 4.1.1 CALTECH 2001 (Rear) ......................................................................................53 4.1.2 CALTECH 1999 (Rear) 2 ...................................................................................54 4.1.3 Oxford VGG Car Datasets..................................................................................54 4.1.4 UCSD..................................................................................................................55 4.1.5 Medialab.............................................................................................................55 4.2 Δημιουργία δικής μας συλλογής................................................................................56 5 Εντοπισμός της πινακίδας κυκλοφορίας.........................................................................57 5.1 Μελέτη του προβλήματος..........................................................................................58 5.2 Δομή του συστήματος ΑΑΠΚ ...................................................................................59 5.3 Εντοπισμός της πινακίδας..........................................................................................59 5.4 Κατακερματισμός των χαρακτήρων ..........................................................................65 5.4.1 Εντοπισμός των χαρακτήρων ..............................................................................66 5.5 Αποκοπή των χαρακτήρων ........................................................................................69 5.5.1 Αφαίρεση περιττών περιοχών από την πινακίδα..................................................70 5.6 Εξαγωγή χαρακτήρων................................................................................................73 6 Αναγνώριση χαρακτήρων ................................................................................................ 76 6.1 Επεξεργασία δεδομένων ............................................................................................76 6.1.1 Δημιουργία και Επισήμανση Δεδομένων .............................................................78 6.1.2 Εξαγωγή χαρακτηριστικών (FeatureExtraction )................................................80 6.2 Εκπαίδευση ................................................................................................................81 6.2.1 Διαχωρισμός Αριθμών και Χαρακτήρων .............................................................81 6.2.2 Διαχωρισμός δεδομένων .....................................................................................82 6.2.3 Αναζήτηση βέλτιστων Υπερ-παραμέτρων.............................................................83 7 Αξιολόγηση........................................................................................................................ 86 7.1 Σύστημα αξιολόγησης................................................................................................86 7.2 Επιλογή υπερ-παραμέτρων .......................................................................................86 7.3 Αποτελέσματα............................................................................................................87 7.3.1 Αποτελέσματα συνόλου δεδομένων αριθμών .......................................................88 7.3.2 Αποτελέσματα συνόλου δεδομένων χαρακτήρων .................................................98 7.4 Σύνοψη συμπερασμάτων αξιολόγησης....................................................................107 8 Τεχνικές λεπτομέρειες ....................................................................................................109 8.1 Πλατφόρμες και προγραμματιστικά εργαλεία .........................................................109 8.1.1 OpenCV 2.4.13.2...............................................................................................110 8.1.2 Python...............................................................................................................110 8.1.3 Scikit-learn........................................................................................................110 8.1.4 Keras.................................................................................................................110 8.1.5 Περιβάλλον Εργασίας Python 2 ........................................................................111 8.1.6 Περιβάλλον Εργασίας Python 3.5 .....................................................................111 9 Επίλογος .......................................................................................................................... 113 9.1 Σύνοψη και συμπεράσματα......................................................................................113 9.2 Μελλοντικές επεκτάσεις και σχετικές εργασίες ......................................................114 10 Βιβλιογραφία................................................................................................................... 116 | el |
| heal.advisorName | Γουλιάνας, Κωνσταντίνος | el |
| heal.committeeMemberName | Γουλιάνας, Κωνσταντίνος | el |
| heal.academicPublisher | Σχολή Τεχνολογικών Εφαρμογών / Τμήμα Μηχανικών Πληροφορικής | el |
| heal.academicPublisherID | ihu | - |
| heal.numberOfPages | 137 | - |
| heal.fullTextAvailability | true | - |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| Appears in Collections: | Μεταπτυχιακές Διατριβές | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μεταπτυχιακή Αναστάσιος Σελαλμαζίδης.pdf | Σελαλμαζίδης, Μεταπτυχιακή | 8.88 MB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/13751
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
