Počítání vozidel v obraze a videu

Analýza silničního provozu je stále náročnou úlohou. V průběhu této úlohy se vyskytují mnohá úskalí, která je třeba brát na vědomí. Například malé rozlišení obrazu, vysoký počet překrývajících se objektů, úhel kamery, rozmazání objektů v důsledku jejich pohybu nebo povětrnostní podmínky. Tato práce adresuje tato úskalí použitím konvolučních neuronových sítí. V této práci představuji novou architektu založenou na principu počítání regresí (Counting by Regression). Navržená architektura je inspirována některými state-of-the-art architekturami a vylepšuje přesnost na různých datasetech. Například na velmi malém PUCPR+ datasetu byla odmocnina ze střední kvadratické chyby (RMSE) snížena z 34.46 na 6.99 vozidel (měřeno na test setu). Dosažené výsledky ukázaly, že je zde stále prostor ke zlepšení a možný další výzkum v oblasti počítání regresí.
Traffic analysis is still a challenging task. During such task there are many pitfalls to be aware of. Such as small image resolution, high number of overlapping objects, angle of camera, blurred objects due to their motion or weather conditions. This thesis addresses these issues by using the convolutional neural network approach. In this thesis I propose a new architecture which adheres to Counting by Regression principle. The proposed architecture is inspired by some state-of-the-art architectures and improves accuracy on various datasets. For instance on the very small PUCPR+ dataset the Root Mean Square Error between expected and predicted vehicle counts was reduced from 34.46 to 6.99 vehicles (measured on the test set). Results achieved showed that there is still space for improvements and a possible further research in Counting by Regression principle.