Studentská grantová soutěž

Paralelní architektury a algoritmy pro zpracování obrazu VII

SP2026/021

Krumnikl Michal Mgr. Ing., Ph.D.

01. 01. 2026 - 31. 12. 2026

Projekt „Paralelní architektury a algoritmy pro zpracování obrazu VII“ navazuje na předchozí řešení zaměřená na vývoj a optimalizaci algoritmů pro zpracování obrazových, hloubkových a 3D dat, včetně jejich vizualizace a využití ve virtuální a rozšířené realitě. Dosavadní projekty položily metodický a technologický základ v oblastech detekce objektů, segmentace obrazu a práce s prostorovými daty. V roce 2026 se projekt soustředí především na aplikaci metod umělé inteligence v oblasti zpracování obrazu, analýzy chování a zpracování dat v reálném čase, a to napříč různými hardwarovými platformami – od výkonných výpočetních systémů až po embedded zařízení s omezenými zdroji. Významnou součástí projektu je rovněž interdisciplinární spolupráce v oblasti virtuální reality, včetně studia jejího vlivu na psychiku a fyziologické reakce člověka ve spolupráci s Ostravskou univerzitou a Fakultní nemocnici Ostrava. Stejně jako v předchozích projektech je kladen důraz na aplikační potenciál vyvíjených algoritmů a jejich využitelnost v praxi. Výsledky projektu budou směřovat zejména do oblastí inteligentních dopravních systémů, monitorování chování osob, průmyslových aplikací a systémů virtuální reality, přičemž důležitou součástí řešení je i efektivní implementace algoritmů na reálném hardwaru. Nedílnou součástí projektu je prezentace dosažených výsledků na mezinárodních odborných fórech a jejich další rozvoj směrem k praktickému využití. Řešitelský tým má v uvedených oblastech dlouhodobou tradici, prokazatelné výsledky a zkušenosti se spoluprací s průmyslovými partnery, což potvrzuje perspektivnost a relevance navrhovaného výzkumu. Projekt se skládá z následujících částí: 1. Zpracování obrazových a 3D dat z kabiny vozidla 2. Virtuální realita pro simulaci stresových situací 3. Neuronové sítě na embedded systémech Část 1: Zpracování obrazových a 3D dat z kabiny vozidla Tato část projektu se zaměřuje na oblast sledování a analýzy chování řidiče v kabině vozidla, které se členové řešitelského týmu dlouhodobě a systematicky věnují již několik let. Hlavním cílem je automatizovaná analýza chování a fyziologického stavu řidiče, se zvláštním důrazem na detekci únavy, snížené pozornosti a vybraných zdravotních indikátorů, které mohou mít přímý vliv na bezpečnost silničního provozu. Jádrem řešení je zpracování obrazových a prostorových (3D) dat získaných z kamerových systémů umístěných v interiéru vozidla. Analýza se soustředí zejména na následující oblasti: • Detekce a sledování obličejových a tělesných rysů řidiče Budou identifikovány klíčové anatomické a pohybové charakteristiky, zejména obličej, oči (včetně duhovky, zornice a očních víček), poloha a pohyb hlavy, rukou, ramen a dolních končetin. Tyto informace umožní sledovat směr pohledu, frekvenci mrkání, mikrospánkové projevy, změny držení těla či nestandardní pohybové vzorce. • Robustní funkčnost v reálných provozních podmínkách Zvláštní pozornost bude věnována spolehlivému fungování systému v náročných světelných podmínkách, typických pro reálný provoz, jako je noční jízda, protisvětlo nebo rychlé změny osvětlení. Budou zkoumány přístupy využívající infračervené spektrum, adaptivní předzpracování obrazu a odolné modely neuronových sítí. • Využití RGB-D senzorů a odhadu hloubky Výzkum se zaměří na hodnocení dostupných RGB-D senzorů (např. Microsoft Kinect, Intel RealSense, Orbbec) z hlediska jejich přesnosti, spolehlivosti a vhodnosti pro integraci do vozidla. Paralelně bude zkoumán odhad hloubkové informace z monoculárního obrazu pomocí hlubokých neuronových sítí, což umožní dosáhnout prostorového vnímání i bez nutnosti specializovaných senzorů nebo stereokamer. Pro dosažení uvedených cílů budou vyvíjeny a implementovány algoritmy strojového učení, především hluboké a konvoluční neuronové sítě, případně jejich kombinace s časovými modely pro analýzu dynamiky chování v čase. Důraz bude kladen na robustnost, interpretovatelnost a možnost nasazení v reálném čase na omezeném výpočetním výkonu. Výsledkem této části projektu bude komplexní systém schopný neinvazivního sledování stavu řidiče, který může významně přispět ke zvýšení bezpečnosti silničního provozu, prevenci nehod způsobených únavou či zdravotní indispozicí a zároveň ke zlepšení komfortu a ochrany zdraví řidičů. Část 2: Virtuální realita pro simulaci stresových situací Druhá část projektu se zaměřuje na využití virtuální reality (VR) jako nástroje pro řízenou simulaci stresových a zátěžových situací a na měření fyziologických a biochemických reakcí účastníků na tyto podněty. Výzkum bude realizován v úzké spolupráci s Fakultní nemocnicí Ostrava a Ostravskou univerzitou, což umožní propojení technického vývoje s klinickou praxí a odborným lékařským dohledem. Hlavním cílem této části je ověřit schopnost virtuální reality realisticky a opakovatelně simulovat situace vyvolávající stres, a to v bezpečném a plně kontrolovaném prostředí. Takto simulované scénáře mohou v reálném světě představovat potenciální riziko pro účastníka (např. ohrožení zdraví, bezpečnosti či psychické pohody), avšak ve VR je možné jejich průběh přesně řídit, modulovat a kdykoliv přerušit. Vedle stresových scénářů se projekt zaměří také na využití virtuální reality v oblasti rehabilitace, zejména u pacientů s omezenou mobilitou. Budou navrhována virtuální prostředí simulující pohyb a interakci, která umožní pacientům bezpečně trénovat motorické schopnosti, orientaci v prostoru či postupný návrat k pohybu, a to i v případech, kdy reálný pohyb není zpočátku možný. V rámci řešení projektu se předpokládá nákup specializovaného VR hardwaru (HMD, sledovací systémy, haptická zařízení) a také pořízení profesionálních 3D modelů a assetů, které budou využity při tvorbě realistických a opakovatelných scénářů. Tyto prostředky umožní rychlejší vývoj, vyšší vizuální kvalitu a lepší standardizaci experimentálních podmínek. Tato část projektu přinese nové poznatky o využitelnosti virtuální reality pro výzkum stresu, diagnostiku i rehabilitaci, a vytvoří technologický a metodický základ pro budoucí klinické i aplikační využití. Část 3: Neuronové sítě na embedded systémech Třetí oblast projektu se zaměřuje na aplikaci neuronových sítí na embedded systémy, které se vyznačují omezeným výpočetním výkonem, pamětí a energetickými zdroji, avšak současně nabízejí zásadní výhody v podobě nízkých nákladů, miniaturních rozměrů a možnosti masového nasazení. Tyto vlastnosti je předurčují pro využití zejména v oblasti internetu věcí (IoT), kde mohou být snadno integrovány do široké škály zařízení a aplikací. Hlavním cílem této části projektu je posunout roli embedded systémů od pasivních senzorických jednotek k autonomním inteligentním uzlům, schopným lokální analýzy dat a rozhodování přímo na místě jejich vzniku. Namísto pouhého sběru a přenosu surových dat do centrálních systémů bude kladen důraz na zpracování dat v reálném čase na okraji sítě (edge computing). Využitím metod strojového učení, zejména neuronových sítí, budou embedded systémy schopny: • Rozpoznávat složité vzorce a struktury v datech Zařízení budou analyzovat časové řady a multimodální senzorická data (např. teplota, tlak, vlhkost, pohyb, fyziologické signály) a identifikovat relevantní vzorce, anomálie nebo změny indikující specifické události, stavy či rizika, a to v reálném čase. • Imitovat expertní rozhodovací procesy Implementované modely umožní embedded systémům poskytovat predikce, doporučení nebo varování na základě naučených vzorců chování, čímž se jejich funkčnost přiblíží expertním systémům, avšak při zachování nízké latence a nezávislosti na cloudové infrastruktuře. • Efektivně fungovat na hardwarově omezených platformách Výzkum se zaměří na optimalizaci neuronových modelů tak, aby bylo možné jejich nasazení na mikrokontrolérech a specializovaných IoT čipech. Zkoumány budou metody jako kvantizace, pruning, distilace znalostí, případně využití architektur navržených přímo pro embedded prostředí. Důraz bude kladen na kompromis mezi přesností, výpočetní náročností, paměťovými požadavky a energetickou spotřebou. Výsledkem této části projektu budou konkrétní funkční prototypy inteligentních embedded zařízení a ověřené postupy pro jejich efektivní využití, které mohou tvořit základ pro další výzkum i komerční aplikace. Vybrané publikace řešitelského týmu [1] Fusek, R., Sojka, E., Gaura, J. Driver Anomaly Detection Using 3D Human Pose Estimation. Lecture Notes in Computer Science, 15927 LNCS, 2026, pp. 3–14. [2] Vašinková, M., Krumnikl, M., Gharibian, A., Mičulek, O., Kriegová, E., Gajdoš, P. A novel method for evaluating and visualizing scratch wound healing assays using level-set and image sector analysis. PNAS Nexus, vol. 4, no. 11, November 2025, pgaf355. [3] Koštial, P., Špička, I., Machů, L., Jančíková, Z. K., Seidl, D., Blažek, V., Prokop, L., Špičková, D., Machů, M. A Patented Noncontact Method for Measuring Tread Deformation at the Tire–Road Interface. IEEE Sensors Journal, 2025, vol. 25, no. 20, pp. 38664–38674. [4] Klein, L., Zelinka, I., Seidl, D. Optimizing parameters in swarm intelligence using reinforcement learning: An application of Proximal Policy Optimization to the iSOMA algorithm. Swarm and Evolutionary Computation. Elsevier, 2024, vol. 85, article 101487. ISSN 2210-6502. [5] Klein, L., Dvorský, J., Seidl, D., Prokop, L. Novel lossy compression method of noisy time series data with anomalies: Application to partial discharge monitoring in overhead power lines. Engineering Applications of Artificial Intelligence, 2024, vol. 133, article 108267. [6] Krumnikl, M., Maiwald, V. Facial Emotion Recognition for Mobile Devices: A Practical Review. IEEE Access, 2024, vol. 12, pp. 15735–15747. ISSN 2169-3536. [7] Jain, A., Ulman, V., Krumnikl, M., Pietzsch, T., Preibisch, S., Tomančák, P. Image Processing and Analysis of Light Sheet Microscopy Data. In: Reynaud, E. G., Tomančák, P. (eds.), Light Sheet Fluorescence Microscopy, 2024. [8] Fusek, R., Halman, J., Sojka, E., Gaura, J. Detection of Dangerous Driver Health Problems Using HOG-Autoencoder. Lecture Notes on Data Engineering and Communications Technologies, vol. 182, ISCV 2023, 2023, pp. 454–464. [9] Vašinková, M., Krumnikl, M., Mikulková, Z., Gajdoš, P., Kriegová, E. Simple Approach for Dynamics Evaluation of Scratch Wound Healing Assay. In: Barolli, L., Miwa, H. (eds.), Advances in Intelligent Networking and Collaborative Systems. INCoS 2022. Lecture Notes in Networks and Systems, vol. 527. Springer, Cham, 2022. [10] Fusek, R., Krömer, P. A Neural System for Acute Disease Detection from Facial Images. In: Barolli, L., Miwa, H. (eds.), Advances in Intelligent Networking and Collaborative Systems. INCoS 2022. Lecture Notes in Networks and Systems, vol. 527. Springer, Cham, 2022. [11] Šimoník, M., Krumnikl, M. Optimized hand pose estimation CrossInfoNet-based architecture for embedded devices. Machine Vision and Applications, 2022, vol. 33, no. 5. [12] Seidl, D., Ruziak, I., Jančíková, Z. K., Koštial, P. Sensitivity analysis: A tool for tailoring environmentally friendly materials. Expert Systems with Applications, 2022, vol. 208, article 118039. [13] Fusek, R., Sojka, E., Gaura, J., Halman, J. Driver State Detection from In-Car Camera Images. In: Advances in Visual Computing. ISVC 2022. Lecture Notes in Computer Science, vol. 13599. Springer, Cham, 2022. [14] Valuchová, S., Mikulková, P., Pecínková, J., Klimová, J., Krumnikl, M., Bainar, P., Heckmann, S., Tomančák, P., Říha, K. Imaging plant germline differentiation within Arabidopsis flowers by light sheet microscopy. eLife, 2020, vol. 9, article e52546. [15] Fusek, R., Dobeš, P. Pupil localization using self-organizing migrating algorithm. Lecture Notes in Electrical Engineering, vol. 554, 2020, pp. 207–216.

Mgr. Ing. Michal Krumnikl, Ph.D.
Ing. Martin Němec, Ph.D.
Ing. Petr Olivka, Ph.D.
Ing. David Seidl, Ph.D.
Ing. Daniel Stříbný
doc. Dr. Ing. Eduard Sojka
Ing. Jan Gaura, Ph.D.
Ing. Tomáš Fabián, Ph.D.
Ing. Radovan Fusek, Ph.D.
Ing. Pavel Moravec, Ph.D.
Bc. Ondřej Foldyna
Bc. Jan Dymáček
Bc. Patrik Ječmínek
Bc. Patrik Mintěl
Bc. Adam Pach
Bc. Maxim Sýkora
Bc. Matěj Prudil
Bc. Filip Hort
Bc. Pavel Mikula
Bc. Filip Huser
Bc. Roman Slanina
Ing. Lukáš Klein
Bc. Denisa Krištanová
Bc. Radek Melčák
Bc. Sofia Michailidu
Bc. Jan Přindiš
Bc. Tomáš Svoboda

Projekt se zaměřuje na výzkum a vývoj metod umělé inteligence pro analýzu obrazových, prostorových a fyziologických dat s důrazem na jejich praktickou využitelnost v reálných aplikacích. Hlavními tematickými oblastmi jsou sledování chování a zdravotního stavu řidiče pomocí obrazových a 3D dat z kabiny vozidla, využití virtuální reality pro simulaci stresových a rehabilitačních scénářů a aplikace neuronových sítí na embedded systémech s omezenými výpočetními zdroji.

Co se týče výstupů projektu, plánuje řešitelský tým publikaci minimálně dvou odborných článků v mezinárodních recenzovaných časopisech hodnocených v Q1/Q2. Na základě dosažených výsledků budou dále připravovány další publikace určené do indexovaných odborných časopisů, zejména v oblastech zpracování obrazu, virtuální reality, strojového učení a embedded systémů.

Součástí výstupů projektu budou rovněž příspěvky na mezinárodních konferencích, které budou sloužit k prezentaci dílčích a průběžných výsledků, ověření navržených metod v širší odborné komunitě a k navazování nových výzkumných spoluprací. Přesný počet konferenčních příspěvků nelze předem stanovit, neboť budou odrážet průběh experimentální práce a zapojení studentů, zejména v doktorském studijním programu.

Vedle publikačních výstupů projekt povede také k vzniku funkčních prototypů, experimentálních scénářů ve virtuální realitě, které budou využitelné jak pro další výzkum, tak pro výuku a spolupráci s aplikační sférou.