|
|
|
|
| LEADER |
03086na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2019 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid7361
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Pandžić, Franko
|9 40463
|
| 245 |
1 |
0 |
|a Raspoznavanje znakova na registarskim tablicama :
|b završni rad /
|c Franko Pandžić ; [mentor Zoran Kalafatić].
|
| 246 |
1 |
|
|a Recognition of License Plate Characters
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b F. Pandžić,
|c 2019.
|
| 300 |
|
|
|a 27 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b preddiplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 41, datum predaje: 2019-06-14, datum završetka: 2019-07-12
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: U okviru završnog rada obrađeno je raspoznavanje znakova postojećim modelom i raspoznavanje znakova vlastitim naučenim modelom programskim jezikom Python. Za postojeći model korišten je Tesseract OCR uz biblioteku OpenCV. Za izgradnju vlastitog modela korištena je biblioteka scikit-learn, također uz pomoć OpenCV-a. Slike nastale u stvarnom svijetu sadrže mnogo smetnje što nam otežava automatizirano očitavanje. Iz tog se razloga nad slikama vrši više postupaka u nadi eliminacije iste. Za treniranje vlastitog klasifikatora potrebna je baza slika raspoređenih po sadržaju. Nakon uspješnog treniranja, možemo klasifikator i testirati. Slike za testiranje istog su tipa kao i slike namijenjene treniranju klasifikatora. Ulazne slike koje korisnik odabire unutar grafičkog sučelja potrebno je segmentirati kako bi se znak po znak mogao slati klasifikatoru na raspoznavanje. Naposlijetku, usporedba rezultata dvaju modela nad istim ulaznim podacima prikazuje se unutar grafičkog korisničkog sučelja.
|
| 520 |
3 |
|
|a Sažetak na engleskom: In this work, we covered character recognition using an existing model and character recognition using our trained model written in Python programming language. We used Tesseract OCR as an existing model with OpenCV library. scikit-learn library along with OpenCV was used to create our own trained model. Images generated in the real world tend to have a lot of noise which makes recoginiton harder. For this reason, we apply various methods to images in hopes of eliminating image noise.. A database of categorised pictures is needed for training and testing of our classifier. After successful training, we can test our classifier. Images for testing are the same type as images used for training. Input images selected by the user should be segmented so that characters could be sent individually to the classifier for recognition. Finally, comparison of the results of two models over the same input data is displayed within the graphical user interface.
|
| 653 |
|
1 |
|a Računalni vid
|a registarske tablice
|a segmentacija
|a slika
|a klasifikator
|a obrada slike
|a detekcija
|
| 653 |
|
1 |
|a Computer vision
|a license plates
|a segmentation
|a image
|a classifier
|a image processing
|a detection
|
| 700 |
1 |
|
|a Kalafatić, Zoran
|4 ths
|9 8062
|
| 942 |
|
|
|c Z
|
| 999 |
|
|
|c 51187
|d 51187
|