Schválené projekty 2017

Rozdělení přidělené dotace z MŠMT na specifický vysokoškolský výzkum po fakultách se zohledněním celoškolských pracovišť na rok 2017

Celková přidělená částka z MŠMT na specifický vysokoškolský výzkum na VŠB-TUO - 54 573 242 Kč

Z toho 2.5% - 1 364 331 Kč - úhrada způsobilých nákladů spojených s organizací SGS

fakulta přidělená částka v Kč
FBI  1 210 137
EKF  3 929 534
FAST  2 465 732
FS  9 344 630
FEI 13 996 004
HGF  5 272 251
FMMI  7 123 785
VC  8 743 333
CP  1 123 505
CELKEM 53 208 911

KódSP2017/61
Název projektuAlgoritmy pro virtuální, rozšířenou a smíšenou realitu
ŘešitelGaura Jan Ing., Ph.D.
Školitel projektudoc. Dr. Ing. Eduard Sojka<br />
Období řešení projektu01.01.2017 - 31.12.2017
Předmět výzkumuProjekt se zaměřuje na hledání nových algoritmů v oblasti zpracování obrazových, hloubkových a lidarových dat, zejména pak v oblasti detekce objektů, detekce činností a segmentace obrazu (segmentace obrazu je významný a obtížný krok analýzy obrazu, při němž jsou z obrazu extrahovány potenciálně zajímavé útvary, které jsou pak následně rozeznávány). Pozornost bude orientována zejména na další výzkum a uplatnění metod založených na matematických základech, jako jsou například grafové řezy a aplikace difuzních procesů. Dalšími řešenými tématy jsou algoritmy z oblasti nastupující virtuální a rozšířené reality. Zkoumána bude možnost paralelizace vyvíjených algoritmů, zejména s využitím grafických procesorových jednotek (GPU).

Kromě teoretické novosti bude brán zřetel také na aplikační způsobilost vyvíjených algoritmů. Bude preferován vývoj algoritmů použitelných v aplikacích, které jsou pro fakultu prakticky zajímavé, jako jsou například aplikace průmyslové, aplikace v inteligentních systémech řízení dopravy (např. čítání a registrace objektů, sledování trajektorií, vyhodnocování rizikového chování) a aplikace pro rozšířenou realitu. Nedílnou součástí projektu bude prezentace dosažených výsledků na světově uznávaných fórech zabývajících se danou problematikou. Také s ohledem na praktické vyžití nabytých poznatků, lze zkoumané oblastí považovat za perspektivní a naše zkušenost ukazuje prudký nárůst poptávky po výsledcích v této oblasti. Poptávka po praktických výsledcích tak stimuluje také přirozený vývoj v oblasti teoretické. V uvedených oblastech má řešitelský tým tradici a některé úspěchy v získávání průmyslových projektů. Projekt se skládá z následujících částí:

1. Metody segmentace obrazu,
2. algoritmy zpracování obrazu a virtuální reality v průmyslu a dopravě,
3. vývoj algoritmů pro zpracování hloubkových dat (LIDAR, RGBD kamery),
4. analýza a vývoj v oblasti detekce činností.

Část 1: Metody segmentace obrazu

Segmentace je jednou z prvních operací při analýze obrazu. Výsledky segmentace jsou zpracovávány v dalších krocích analýzy, a proto úspěšnost segmentace rozhoduje o úspěšnosti celého procesu rozpoznání. Segmentace obrazů reálného světa v žádném případě není jednoduchou záležitostí a vývoj v této oblasti nelze považovat za ukončený. Kromě segmentace klasických obrazů se stává aktuálním také segmentace hloubkových dat získaných z různých RGBD senzorů, jenž zažívají v posledních letech rozmach (Kinect, RealSense).
Pro oddělení jednotlivých segmentů se využívá řada různých technik. Předmětem našeho výzkumu jsou především techniky založené na měření vzdálenosti v obrazech. Mezi naše dosavadní publikované výsledky patří modifikace tzv. difuzní vzdálenosti. Tuto vzdálenost můžeme vypočítat ze spektra matice, která popisuje vztah mezi jasy jednotlivých pixelů v obraze. Daná metoda je sice výpočetně náročná, poskytuje však zajímavé výsledky, které jsou aktuálně na vrcholu současného poznání. V projektu se budeme zabývat aplikací difuzní vzdálenosti v algoritmech segmentace obrazu.
Druhou naší publikovanou vzdáleností je tzv. k-max vzdálenost jako modifikace klasické geodetické vzdálenosti. Měření geodetické vzdálenosti, tj. nejkratší cesty mezi dvěma body v grafu, je problematické v obrazech obsahujících šum. Námi představená k-max vzdálenost dokáže tento nedostatek částečně potlačit tím, že nejkratší cestu mezi dvěma body grafu definuje pouze k nejvyššími vahami na dané cestě.
Cílem našeho výzkumu je zdokonalování a aplikace již publikovaných vzdáleností, jako např. jejich časová a paměťová optimalizace nebo využití těchto vzdáleností v pokročilejších segmentačních metodách, např. v metodách založených na minimalizaci funkcionálu. Jedním z možných vylepšení algoritmů je jejich urychlení pomocí paralelizace, zejména paralelizace s využitím grafických procesorových jednotek (GPU). Dalším cílem je hledání nových vzdáleností, které by našly uplatnění v oblasti segmentace obrazu.
Zabýváme se také vývojem segmentačních algoritmů, které jsou inspirovány fyzikálními procesy (proudění tekutin apod.).

Část 2: Algoritmy zpracování obrazu a virtuální reality v průmyslu a dopravě

V oblasti průmyslové výroby se velmi často využívá kamerových systémů a to například k rozpoznáváni kvality, typu nebo počtu daných výrobků. V rámci našeho týmu jsme v minulosti spolupracovali s řadou firem, které takové algoritmy potřebovaly pro zlepšení chodu výrobních procesů. V této oblasti i spolupráci máme v plánu nadále pokračovat a vylepšovat dosavadní přístupy. Naší snahou také bude aktuální a nové přístupy publikovat na odpovídajících konferencích a v časopisech.

V oblasti sledovacích dopravních systémů se jedná například o porozumění dopravní situace. V rámci takového systému je nutné aplikovat algoritmy pro detekci automobilů, čtení státních poznávacích značek nebo rozpoznání semaforů. Tato oblast také zahrnuje detekce chodců na křižovatkách a zejména v okolí automobilů. Pro takovou detekci je možné využít klasických obrazových přístupů za pomocí kamer nebo využít RGBD kamery a laserové senzory. V této oblasti jsme v minulosti publikovali celou řadu přístupů zejména pro detekci automobilů a chodců. V rámci projektu bude snaha tyto algoritmy dále vylepšovat a zejména urychlovat, tak aby bylo možné jejich nasazení v reálných situacích.

Naše skupina se v posledních letech velmi intenzivně věnuje také analýzou chování řidiče v automobilu. Tato analýza zahrnuje komplexní detekci únavy řidiče, pro kterou je nutné zajistit nalezení tváře, očí a jejich částí (duhovka, zornice, oční víčka). Funkčnost za snížených světelných podmínek je jeden ze základních požadavků na takovýto detekční systém. Z toho důvodu aktuálně zkoumáme využití RGBD senzorů (Kinect, RealSense, Orbbec) a vyhodnocujeme jejich úspěšnost v takové aplikaci. V rámci projektu bude snaha o publikování dosavadních i nově získaných výsledků v této oblasti.

Další problematika z oblasti automobilového průmyslu, která bude v rámci projektu zkoumána, je sledování a detekce částí těla řidiče (jedná o zjišťování pozice rukou, ramen, nohou a natočení hlavy). Systém pro tuto detekci aktuálně testujeme na různých senzorech (podobně jako systém pro detekci únavy řidiče). Naším cílem je, aby tyto dva systémy v budoucnu fungovaly společně.

Poslední zkoumanou částí budou algoritmy a zařízení pro rozšířenou a virtuální realitu. Jedná se o rychle se rozvíjející oblast, která postupně nalézá své uplatnění nejen v široké škále průmyslových aplikací, ale rovněž při prezentacích produktů, služeb a samozřejmě v zábavě. Hlavní pozornost bude zaměřena na algoritmy pro rozpoznání pózy zájmového objektu a následné rozšíření scény sledované skrze zařízení s průhledovým displejem o nejrůznější informace.

Část 3: Vývoj algoritmů pro zpracování hloubkových dat

V dnešní době mohou autonomní robotické systémy využívat pro mapování pracovního prostoru a následně pro navigaci cenově dostupné laserové skenery LIDAR a RGBD kamery (Kinect, RealSense, Orbbec, atp.). Výstupem těchto zařízení jsou 3D mračna bodů nebo hloubkové mapy. Zpracování těchto informací vyžaduje jako jednu z prvních fází zpracování provedení segmentace a filtrace změřené oblasti. Na základě získaných informací je pak následně možné provádět spojování jednotlivých změřených oblastí do jednoho celku. Výsledné globální mračno bodů je pak možno zpracovávat do mapy pracovního prostoru.

V současnosti je segmentace mračen bodů prováděna převážně při sledování prostoru před autonomním robotickým systémem. Pro zpracování mračen bodů obklopujících robotický systém je potřeba tyto algoritmy upravit, případně nalézt a vyzkoušet nové způsoby segmentace. V dalším kroku bude potřeba nacházet shody mezi segmenty sousedních mračen bodů a pro tyto účely bude potřeba navrhnout a vyzkoušet nové algoritmy, které budou schopné s jistou mírou pravděpodobnosti tuto shodu nacházet.

Segmentace a spojování mračen bodů bylo ověřeno v budovách. Tato situace představuje nižší stupeň obtížnosti, protože vnitřní prostory mají pravidelné tvary, pravoúhlý systém a rovné stěny i stropy.

Dalším krokem výzkumu bude využití segmentace, a dle potřeby i zájmových bodů, pro spojování mračen bodů v podzemních chodbách. Jako ideální zdrojem dat je v současné době prostředí uhelných dolů. Členité a nepravidelné tvary chodeb představují komplexní problém, který bude dále zkoumán.

Část 4: Detekce činností

V rozšířené realitě je neodmyslitelnou části i detekce činnosti (někdy označovaná jako detekce aktivit), kdy se pomocí různých gest udávají povely případně se získávají různé informace. Základní data se získávají z RGB(D) kamer, laserových skenerů LIDAR, apod. Na získané data je většinou potřeba aplikovat filtr pro odstranění šumu a vylepšení obrazu/dat (například rozmazaní obrazu s uchováním nebo zvýraznění hran). To umožní lepší případně jednodušší následnou segmentaci a analýzu dat.

Nejen pro detekci činnosti je vhodné prozkoumat a případně navrhnout nové techniky i v oblasti neuronových sítí jako je například CNN (konvoluční neuronová síť). CNN mohou totiž zjednodušit a zautomatizovat některé kroky jak se již osvědčilo na poli analýzy obrazu, zejména při detekci objektů.

Finanční náklady na řešení

Náklady na řešení jsou navrženy tak, aby prostředky byly vynaloženy především na realizaci cest na zahraniční i lokální konference a stipendia pro studenty. Pro cestovné předpokládáme náklady cca. 40 tis. Kč na jednu zahraniční konferenci.

Vybrané publikace řešitelského týmu

[1] Fusek, R., Sojka, E.: Energy transfer features combined with dct for object detection. Signal, Image and Video Processing, Volume 10, Issue 3, 1 March 2016, pp. 1-8 (2016)

[2] Davendra, D, Gaura J, Bialic-Davendra, M. and Senkerik, R.: Cuda Based Enhanced Differential Evolution: A Computational Analysis. Proceedings 27th European Conference on Modelling and Simulation. Bye, R and Zhang, H (eds), pp. 386-392. ISBN: 978-0-9564944-6-7 (2012)

[3] Davendra, D and Zelinka, I.: GPU Based Enhanced Differential Evolution Algorithm: A Comparison between CUDA and OpenCL. Handbook of Optimization. Zelinka, I, Snasel, V and Abraham, A (eds). Intelligent Systems Reference Library Volume 38, pp. 845-867. ISBN: 978-3-642-30503-0 (2013)

[4] Davendra, D., Zelinka, I., Bialic-Davendra, M., Senkerik, R. and Jasek, R.: Discrete Self-Organising Migrating Algorithm for Flow Shop Scheduling with No Wait Makespan. Mathematical and Computer Modelling. vol. 65, num 1-2, pp. 100-110. (2013)

[6] Davendra, D. and Bialic-Davendra, M.: Scheduling flow shops with blocking using a discrete self-organising migrating algorithm. International Journal of Production Research, vol. 51, issue 8, pp. 2200-2218. (2013)

[8] Davendra, D., Senkerik, R., Zelinka, I., Pluhacek, M. and Bialic-Davendra, M.: Utilising the chaos-induced discrete self organising migrating algorithm to solve the lot-streaming flowshop scheduling problem with setup time. Soft Computing, vol 18, num. 4, pp. 669-681 (2014)

[13] Davendra, D., Senkerik, R., Zelinka, I. and Pluhacek, M.: Scatter Search Algorithm with Chaos based Stochasticity. In Proceeding of the 2014 IEEE World Congress on Computational Intelligence (WCCI), Beijing, China, 6-11 July, pp. 860 - 866. (2014).

[15] Davendra, D., Zelinka, I., Metlicka, M., Senkerik, R. and Pluhacek, M.: Complex Network Analysis of Differential Evolution Algorithm applied to Flowshop with No-Wait Problem. In Proceeding of the 2014 IEEE Symposium Series on Computational Intelligence (SSCI), Orlando, Florida, USA, 9-12 Dec, pp. 65-72. (2014)

[17] Metlicka, M. and Davendra, D.: Scheduling the Flowshop with Zero Intermediate Storage using Chaotic Discrete Artificial Bee Algorithm. In: Zelinka, I., Suganthan P., Chen G., Snasel V., Abraham A. and Rossler O. (Eds.) Nostradamus 2014: Prediction, Modeling and Analysis of Complex Systems, Advances in Intelligent Systems and Computing, Springer Berlin Heidelberg, pp. 141-152. (2014)

[18] Metlicka, M. and Davendra, D.: Chaos-Driven Discrete Artificial Bee Colony. In Proceeding of the 2014 IEEE World Congress on Computational Intelligence (WCCI), Beijing, China, 6-11 July. pp 2947 - 2954. (2014)

[19] Metlicka, M., Davendra, D., Hermann, F., Meier, M. and Amann, M.: GPU Accelerated NEH Algorithm. In Proceeding of the 2014 IEEE Symposium Series on Computational Intelligence (SSCI), Orlando, Florida, USA, 9-12 Dec, pp. 114-119. (2014)

[20] Gaura, J., Sojka, E.: Normalised Diffusion Cosine Similarity and its Use for Image Segmentation, In Proceedings of the International Conference on Pattern Recognition Applications and Methods, (ICPRAM 2015), pp. 121-129, (2015)

[21] Gaura, J., Sojka, E.: Resistance-Geodesic Distance and its Use in Image Processing and Segmentation, In Proceedings of the 10th International Symposium on Visual Computing (ISVC 2014), LNCS 8887 Part I, pp. 238-249 (2014)

[22] Sojka, E., Gaura, J.: A Modification of Diffusion Distance for Clustering and Image Segmentation, In Proceedings of the Advanced Concepts for Intelligent Vision Systems (ACIVS 2013), LNCS 8192, pp. 480-491 (2013)

[23] Krpec, J., Němec, M.: Face detection CUDA accelerating. In Proceedings of the 5th International Conference on Advances in Computer-Human Interactions (ACHI 2012), pp. 155-160 (2012)

[24] Krumnikl, M., Sojka, E., Gaura, J. Fuzzy C-means stereo segmentation (2015) Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9443, pp. 35-49.

[25] Olivka, P., Krumnikl, M., Moravec, P., Seidl, D. Process of point clouds merging for mapping of a robot’s working environment (2016) Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9842 LNCS, pp. 251-264.

[26] Olivka, P., Krumnikl, M., Moravec, P., Seidl, D. Calibration of Short Range 2D Laser Range Finder for 3D SLAM Usage (2016) Journal of Sensors, 2016, art. no. 3715129, .

[27] Kuncicky, R., Licev, L., Krumnikl, M., Feberova, K., Hendrych, J. Sine inverter controller with 8 bit microcontroller (2016) Advances in Electrical and Electronic Engineering, 14 (3), pp. 287-294.

[28] Stebel, J., Krumnikl, M., Moravec, P., Olivka, P., Seidl, D. Neural network classification of SDR signal modulation (2016) Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9842 LNCS, pp. 160-171.

[29] Fusek, R., Sojka, E.: Distance-based descriptors and their application in the task of object detection. Lecture Notes in Computer Science, 8753, pp. 488-498. Springer International Publishing (2014)

[30] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: An Improvement of Energy-Transfer Features Using DCT for Face Detection. Lecture Notes in Computer Science, vol. 8509, pp. 511-519. Springer International Publishing (2014)

[31] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: Hierarchical Energy-Transfer Features. In: Proceedings of the 3rd International Conference on Pattern Recognition Applications and Methods, pp. 695-702. SciTePress, (2014)

[32] Fusek, R., Sojka, E.: Gradient-DCT (G-DCT) Descriptors. In: Image Processing Theory, Tools and Applications (IPTA), pp. 134-139 (2014)

[33] Mozdřeň, K., Sojka, E., Fusek, R., Šurkala, M.: Layered rc circuit model for background subtraction. In: Bebis, G., Boyle, R., Parvin, B., Koracin, D., Li, B., Porikli, F., Zordan, V., Klosowski, J., Coquillart, S., Luo, X., Chen, M., Gotz, D. (eds.) Advances in Visual Computing, Lecture Notes in Computer Science, vol. 8034, pp. 199-209. Springer Berlin Heidelberg (2013)

[34] Mozdren, K., Styskala, V.: Cameras as a Tool for Minimalization of Damage on Railway Electrication and Safety System. 12th International Scientifc Conference on Electric Power Engineering (EPE), pp. 558-560 (2011)

[35] Fusek, R., Mozdren, K., Surkala, M., Sojka, E.: AdaBoost for parking lot occupation detection. Advances in Intelligent Systems and Computing, vol. 226, pp. 681-690 (2013)

[36] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: Energy-Transfer Features and their Application in the Task of Face Detection. In Proceedings of the 10th International Conference on Advanced Video and Signal-Based Surveillance (AVSS), pp. 147-152 (2013)

[37] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: Energy-transfer features for pedestrian detection. In: Bebis, G., Boyle, R., Parvin, B., Koracin, D., Li, B., Porikli, F., Zordan, V., Klosowski, J., Coquillart, S., Luo, X., Chen, M., Gotz, D. (eds.) Advances in Visual Computing, Lecture Notes in Computer Science, vol. 8034, pp. 425-434. Springer Berlin Heidelberg (2013)

[38] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: Energy Based Descriptors and their Application for Car Detection. In VISAPP 2014 – Proceedings of the 9th International Conference on Computer Vision Theory and Applications, 1, pp. 492-499, (2014)

[39] Surkala, M., Mozdren, K., Fusek, R., Sojka, E.: Layered mean shift methods. In: Kuijper, A., Bredies, K., Pock, T., Bischof, H. (eds.) Scale Space and Variational Methods in Computer Vision, Lecture Notes in Computer Science, vol. 7893, pp. 465-476. Springer Berlin Heidelberg (2013)

[40] Surkala, M., Mozdren, K., Fusek, R., Sojka, E.: Hierarchical evolving meanshift. In: Image Processing (ICIP), 2012 19th IEEE International Conference on. pp. 1593-1596 (2012)

[41] Surkala, M., Mozdren, K., Fusek, R., Sojka, E.: Hierarchical blurring meanshift. In: Blanc-Talon, J., Kleihorst, R., Philips, W., Popescu, D., Scheunders, P. (eds.) Advances Concepts for Intelligent Vision Systems, Lecture Notes in Computer Science, vol. 6915, pp. 228-238. Springer Berlin Heidelberg (2011)

[42] Krumnikl, M., Sojka, E., Gaura, J.: A new level-set based algorithm for bimodal depth segmentation. In Proceedings of the 14th International Conference on Advanced Concepts for Intelligent Vision Systems (ACIVS), pp. 225-236 (2012).

[43] Krumnikl, M., Olivka, P.: PWM nonlinearity reduction in microstepping unit firmware. Przeglad Elektrotechniczny, 88 (3 A), pp. 232-236 (2012).

[44] Milata, M., Krumnikl, M., Moravec, P.: On the usability of vehicle-to-roadside communications using IEEE 802.11b/g unplanned wireless networks. In Proceedings of the International Conference on Digital Information Processing and Communications (ICDIPC), pp. 167-177 (2011)

[45] Holusa, M., Sojka, E.: Object Detection from Multiple Images based on the Graph Cuts. In Proceedings of the 8th International Symposium on Visual Computing (ISVC 2012), Lecture Notes in Computer Science, vol. 7431, pp. 262-271 (2012)

[46] Holusa, M., Sojka, E.: Image Segmentation Using Iterated Graph Cuts with Residual Graph. In Proceedings of the 9th International Symposium on Visual Computing (ISVC 2013), Lecture Notes in Computer Science, vol. 8033, pp. 228-237 (2013)

[47] Fabian, T.: Parking lot occupancy detection using computational fluid dynamics. In Proceedings of the 8th International Conference on Computer Recognition Systems (CORES), Advances in Intelligent Systems and Computing, vol. 226, pp. 733-742 (2013)

[48] Fabian, T.: A vision-based algorithm for parking lot utilization evaluation using conditional random fields. In Proceedings of the 9th International Symposium on Visual Computing (ISVC), Lecture Notes in Computer Science, vol. 8034, pp. 222-233 (2013)

[49] Fabian, T., Gaura, J., Kotas, P.: Iris localization and extraction algorithm from an eye image. International Journal of Signal and Imaging Systems Engineering (IJSISE), 5(2):69–77 (2012)

[50] Seidl, D., Koštial, P., Jančíková, Z., Ružiak, I., Rusnáková, S., Farkašová, M.: Modal analysis - Measurements versus FEM and artificial neural networks simulation, Communications in Computer and Information Science, Volume 188 CCIS, Issue PART 1, s. 170-175, ISSN 18650929, ISBN 978-364222388-4 (2011)

[51] Seidl, D., Koštial, P., Jančíková, Z., Rusnáková, S.: Vibration of composite plate – Mathematical modelling and experimental verification by ESPI, Communications in Computer and Information Science, Volume 188 CCIS, Issue PART 2, s. 322-328, ISSN 18650929, ISBN 978-364222409-6 (2011)

[52] Olivka, P., Novak, P.: 3D Mapping OF Rooms Using 2D Laser Scanner. In Sborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava. Řada strojní. Vol. 2, pp. 155-160, Vysoká škola báňská - Technická univerzita Ostrava (2010)

[53] Olivka, P., Krumnikl, M.: Software controlled high efficient and accurate microstepping unit for embedded systems. In Communications in Computer and Information Science, Part 2, pp. 138-146. Springer Berlin (2011)

[54] Michalek, L., Moravec, P., Scherer, P., Sebesta, R., Dvorsky, M., Martinovic, J., Kapicak, L.: Visualization improvement of best servers areas in GSM networks. Przeglad Elektrotechniczny, 89 (2 B), pp. 261-265 (2013)

[55] Dvorsky, M., Michalek, L., Moravec, P., Sebesta, R.: Improved GSM-based localization by incorporating secondary network characteristics. Lecture Notes in Computer Science, 7291 LNCS, pp. 139-144 (2012)

[56] Gajdoš, P., Moravec, P.: Intruder data classification using GM-SOM. Lecture Notes in Computer Science, 7564 LNCS, pp. 92-100 (2012)

[57] Dohnálek, P., Gajdoš P., Moravec, P., Peterek, T., Snášel, V.: Application and comparison of modified classifiers for human activity recognition, Przeglad elektrotechniczny,89,11,pp. 55-58 (2013).

[55] Gajdoš, P., Moravec, P., Dohnálek, P., Peterek, T.: Mobile Sensor Data Classification Using GM-SOM, Advances in Intelligent Systems and Computing. Volume 210, 12, pp. 487-496 (2013).

[58] Holusa, M., Sojka, E.: A k-max Geodesic Distance and its Application in Image Segmentation. In Proceedings of the 16th International Conference on Computer Analysis of Images and Patterns, pp. 618-629 (2015)

[59] Gaura, J., Sojka, E.: Resistance-Geodesic Distance and Its Use in Image Segmentation . International Journal on Artificial Intelligence Tools, Volume 25, Issue 5, 1 October 2016, Article number 1640002 (2016)

[60] Šurkala, M., Fusek, R., Holuša, M., Sojka, E.: Hierarchical fast mean-shift segmentation in depth images. In Proceedings of the 17th International Conference on Advanced Concepts for Intelligent Vision Systems, ACIVS 2016, pp. 441-452 (2016)
Členové řešitelského týmuBc. David Buček
doc. MSc. Donald David Davendra, Ph.D.
Bc. Petr Dobeš
Ing. Tomáš Fabián, Ph.D.
Ing. Jan Gaura, Ph.D.
Ing. Branislav Holý
Ing. Josef Hrabal
Bc. Jakub Kolder
Mgr. Ing. Michal Krumnikl, Ph.D.
Bc. Pavel Kutáč
Bc. Petr Martínek
Bc. Luboš Matejčík
Ing. Pavel Moravec, Ph.D.
Ing. Martin Němec, Ph.D.
Ing. Petr Olivka, Ph.D.
Bc. Jan Papik
Ing. David Seidl, Ph.D.
Bc. Jakub Ševčík
Ing. Radek Simkanič, DiS
Bc. Jan Šimeček
doc. Dr. Ing. Eduard Sojka
Bc. Martin Vaněk
Bc. Tanasis Vlachopulos
Specifikace výstupů projektu (cíl projektu)Nové algoritmy pro segmentaci obrazu, zejména algoritmy založené na měření vzdáleností v obrazech. Segmentace LIDARových mračen a hloubkové mapy z RGBD kamer, paralelní varianty výše uvedených algoritmů. Vizualizace v prostředí virtuální reality. Publikace ve výše uvedených oblastech. Algoritmy pro řešení virtuální reality v průmyslových a dopravních systémech.

Rozpočet projektu - uznané náklady

NávrhSkutečnost
1. Osobní náklady
Z toho
60300,-57300,-
1.1. Mzdy (včetně pohyblivých složek)45000,-42761,-
1.2. Odvody pojistného na veřejné zdravotně pojištění a pojistného na sociální zabezpečení a příspěvku na státní politiku zaměstnanosti15300,-14539,-
2. Stipendia115000,-119000,-
3. Materiálové náklady0,-0,-
4. Drobný hmotný a nehmotný majetek71700,-141848,-
5. Služby66000,-141713,-
6. Cestovní náhrady200000,-53139,-
7. Doplňkové (režijní) náklady max. do výše 10% poskytnuté podpory57000,-57000,-
8. Konference pořádané VŠB-TUO k prezentaci výsledků studentského grantu (max. do výše 10% poskytnuté podpory)0,-0,-
9. Pořízení investic0,-0,-
Plánované náklady570000,-
Uznané náklady570000,-
Celkem běžné finanční prostředky570000,-570000,-