I projektet detekteras och följs granplantor i spatiospektrala bilder för att därefter skapa en hyperspektral datakub för av varje gran. För att detektera granarna prövas fyra metoder: manuell detektion, detektion med segmentering, detektion med SVM och detektion med neuralt nätverk. Minnesanvändning och körningstid jämförs mellan två implementationer, där hyperspektral rekonstruktion görs med olika metoder.

I projektet detekteras och följs granplantor i spatiospektrala bilder för att därefter skapa en hyperspektral datakub för av varje gran. För att detektera granarna prövas fyra metoder: manuell detektion, detektion med segmentering, detektion med SVM och detektion med neuralt nätverk. Minnesanvändning och körningstid jämförs mellan två implementationer, där hyperspektral rekonstruktion görs med olika metoder.

Today’s digital society is changing the way we learn and educate drastically. Education is being digitalized with the use of online courses and digital lectures. This bachelor thesis solves the problem of how to be able to record a lecture without a camera operator, an Automated Camera Man (ACM), for easier production of high quality education material. It was achieved with a modularized design process, practical testing and a scientific approach. The Automated Camera Man can be placed in the rear of the lecture hall to record or stream the content while it actively adjusts itself and its direction towards the lecturer using image processing and analysis. / I dagens digitala samhälle är sättet som undervisning sker på under ständig förändring. Undervisningen håller på att digitaliseras genom användningen av nätbaserade kurser och digitala föreläsningar. Detta kandidatexamensarbete söker en lösning på frågan om hur man kan filma en föreläsning utan en kameraoperatör, med en automatiserad kameraman, för lättare produktion av högkvalitativt videomaterial. Genom en modulariserad designprocess, praktiska tester och vetenskapliga studier, designades ett sådant system. Det automatiska kamerastativet kan placeras längst bak i en föreläsningssal, på vilket en kamera kan placeras för att spela in eller strömma filmmaterial medan stativet riktar in sig mot föreläsarens position, med hjälp av bildbehandling.

As the use of unmanned aerial vehicles (UAVs) increases in popularity across the globe, their fields of application are constantly growing. This thesis researches the possibility of using a UAV to detect, track, and geolocate a target in a dynamic nonstationary environment as the seas. In this case, different projection and apparent size of the target in the captured images can lead to ambiguous assignments of coordinated. In this thesis, a framework based on a UAV, a monocular camera, a GPS receiver, and the UAV’s inertial measurement unit (IMU) is developed to perform the task of detecting, tracking and geolocating targets. An object detection model called Yolov3 was retrained to be able to detect boats in UAV footage. This model was selected due to its capabilities of detecting targets of small apparent sizes and its performance in terms of speed. A model called the kernelized correlation filter (KCF) is adopted as the visual tracking algorithm. This tracker is selected because of its performance in terms of speed and accuracy. A reinitialization of the tracker in combination with a periodic update of the tracked bounding box are implemented which resulted in improved performance of the tracker. A geolocation method is developed to continuously estimate the GPS coordinates of the target. These estimates will be used by the flight control method already developed by the stakeholder Airpelago to control the UAV. The experimental results show promising results for all models. Due to inaccurate data, the true accuracy of the geolocation method can not be determined. The average error calculated with the inaccurate data is 19.5 meters. However, an in- depth analysis of the results indicates that the true accuracy of the method is more accurate. Hence, it is assumed that the model can estimate the GPS coordinates of a target with an error significantly lower than 19.5 meters. Thus, it is concluded that it is possible to detect, track and geolocate a target in a dynamic nonstationary environment as the seas. / Användandet av drönare ökar i popularitet över hela världen vilket bidrar till att dess tillämpningsområden växer. I denna avhandling undersöks möjligheten att använda en drönare för att detektera, spåra och lokalisera ett mål i en dynamisk icke- stationär miljö som havet. Målets varierande position och storlek i bilderna leda till tvetydiga uppgifter. I denna avhandlingen utvecklas ett ramverk baserat på en drönare, en monokulär kamera, en GPS- mottagare och drönares IMU sensor för att utföra detektering, spårning samt lokalisering av målet. En objektdetekteringsmodell vid namn Yolov3 tränades för att kunna detektera båtar i bilder tagna från en drönare. Denna modell valdes på grund av dess förmåga att upptäcka små mål och dess prestanda vad gäller hastighet. En modell vars förkortning är KCF används som den visuella spårningsalgoritmen. Denna algoritm valdes på grund av dess prestanda när det gäller hastighet och precision. En återinitialisering av spårningsalgoritmen i kombination med en periodisk uppdatering av den spårade avgränsningsrutan implementeras vilket förbättrar trackerens prestanda. En lokaliseringsmetod utvecklas för att kontinuerligt uppskatta GPS- koordinaterna av målet. Dessa uppskattningar kommer att användas av en flygkontrollmetod som redan utvecklats av Airpelago för att styra drönaren. De experimentella resultaten visar lovande resultat för alla modeller. På grund av opålitlig data kan inte lokaliseringsmetodens precision fastställas med säkerhet. En djupgående analys av resultaten indikerar emellertid att metodens noggrannhet är mer exakt än det genomsnittliga felet beräknat med opålitliga data, som är 19.5 meter. Därför antas det att modellen kan uppskatta GPS- koordinaterna för ett mål med ett fel som är lägre än 19.5 meter. Således dras slutsatsen att det är möjligt att upptäcka, spåra och geolocera ett mål i en dynamisk icke- stationär miljö som havet.

Augmented Reality är ett brett fält med många olika användningsområden. Det hargjorts flera studier om hur AR kan hjälpa oss att lösa olika arbetsuppgifter på ett effektivare sätt samt att det ingjuter självsäkerhet hos användaren som utför en uppgiftmed hjälp av AR. AR har även letat sig in i tillverkningsindustrin som gör det möjligtför ingenjörer att följa en arbetsprocess med hjälp av AR.Kretskort som är en del av ett system som gör det möjligt för oss att exempelvis ha tillgång till datorer och mobiltelefoner och behöver ibland felsökas. Elektronikingenjörerbehöver ibland identifiera testpunkter och komponenter i den krets på kretskortet somska felsökas. Detta kan underlättas med AR. I denna studie kommer ett experimentatt genomförs för att se om kretskort kan lämpa sig väl som ett Marker-based target.Marker-based target är en bild som möjliggör objektspårning för exempelvis en Head-mounted display, i detta fall en HoloLens. Här efter kommer Marker-based target attbenämnas som mönsterbaserad bild.Experimentet kommer att genomföras med en testgrupp om 10 personer där samtliga kommer att få testa att använda en HoloLens i syftet att lokalisera komponentereller testpunkter på ett kretskort. Detta kommer sedan att jämföras med en traditionell metod genom att identifiera samma komponenter eller testpunkter med en PDF.Testpersonerna kommer även att få svara på en enkät som tittar på om denna metodlämpar sig för att identifiera komponenter med hjälp av AR. En applikation kommeratt skapas som möjliggör att implementera metoden och att testpersonerna kommerkunna använda ett gränssnitt i lokaliseringsprocessen. Resultatet visar att med HoloLensen i jämförelse med traditionella metoden är nästan likvärdig tidsmässigt för attlokalisera komponenter men att vanan av användandet av HoloLensen hade inflytandepå resultatet. / Augmented Reality is an broad field with many different areas of applications. Therehave been several studies on how AR can help us solve various tasks in a more efficientway and that it instills self-confidence in the user who performs a task with the help of AR. AR has also found its way into the manufacturing industry, which enables engineers to follow a work process with the help of AR. For example circuit boards that arepart of a system that makes it possible for us to have access to computers and mobilephones, does sometimes need to undergo troubleshooting process by engineers duringmanufacture.Electronics engineers sometimes need to identify test points and components on thecircuit board that needs troubleshooting. AR can help in this process. In this study, anexperiment will be conducted to see if circuit boards can be well suited as a marker-based target. Marker-based target is an image that enables object tracking for examplewith a Head-mounted display, in this case a HoloLens.The experiment will be conducted with a test group of 10 people where all will beallowed to test a HoloLens in order to locate components or test points on a circuitboard. This method will then be compared to a traditional method by identifying thesame components or test points with a PDF. The test persons will also have to answer aquestionnaire that looks at whether this method is suitable for identifying componentsusing AR. An application will be created that implements the method and that the testpersons will be able to use in the localization process. The results show that the traditional method in comparison with the HoloLens is equivalent for locating components,but the habit of using HoloLens had an influence on the result.

Embodied Conversational Agents (ECAs)’ gestures can enhance human perception in many dimensions during interactions. In recent years, data-driven gesture generation approaches for ECAs have attracted considerable research attention and effort, and methods have been continuously optimized. Researchers have typically used human-agent interaction for user studies when evaluating systems of ECAs that generate rule-based gestures. However, when evaluating the performance of ECAs that generate gestures based on data-driven methods, participants are often required to watch prerecorded videos, which cannot provide an adequate assessment of human perception during the interaction. To address this limitation, we proposed two main research objectives: First, to explore the workflow of assessing data-driven gesturing ECAs through real-time interaction. Second, to investigate whether gestures could affect ECAs’ human-likeness, animacy, perceived intelligence, and humans’ focused attention in ECAs. Our user study required participants to interact with two ECAs by setting two experimental conditions with and without hand gestures. Both subjective data from the participants’ self-report questionnaire and objective data from the gaze tracker were collected. To our knowledge, the current study represents the first attempt to evaluate data-driven gesturing ECAs through real-time interaction and the first experiment using gaze-tracking to examine the effect of ECA gestures. The eye-gazing data indicated that when an ECA can generate gestures, it would attract more attention to its body. / Förkroppsligade konversationsagenter (Embodied Conversational Agents, ECAs) gester kan förbättra människans uppfattning i många dimensioner under interaktioner. Under de senaste åren har datadrivna metoder för att generera gester för ECA:er fått stor uppmärksamhet och stora ansträngningar inom forskningen, och metoderna har kontinuerligt optimerats. Forskare har vanligtvis använt sig av interaktion mellan människa och agent för användarstudier när de utvärderat system för ECA:er som genererar regelbaserade gester. När man utvärderar prestandan hos ECA:er som genererar gester baserat på datadrivna metoder måste deltagarna ofta titta på förinspelade videor, vilket inte ger en adekvat bedömning av människans uppfattning under interaktionen. För att åtgärda denna begränsning föreslog vi två huvudsakliga forskningsmål: För det första att utforska arbetsflödet för att bedöma datadrivna ECA:er för gester genom interaktion i realtid. För det andra att undersöka om gester kan påverka ECA:s människoliknande, animerade karaktär, upplevd intelligens och människors fokuserade uppmärksamhet i ECA:s. I vår användarstudie fick deltagarna interagera med två ECA:er genom att ställa in två experimentella villkor med och utan handgester. Både subjektiva data från deltagarnas självrapporterande frågeformulär och objektiva data från gaze tracker samlades in. Såvitt vi vet är den aktuella studien det första försöket att utvärdera datadrivna ECA:er med gester genom interaktion i realtid och det första experimentet där man använder blickspårning för att undersöka effekten av ECA:s gester. Uppgifterna om blickspårning visade att när en ECA kan generera gester skulle den locka mer uppmärksamhet till sin kropp.

Detection of an underwater target with active sonar in shallow waters such as the Baltic sea is a big challenge. This since the sound beams from the sonar will be reflected on the surfaces, sea surface and sea bottom, and the water volume itself which generates reverberation. Reverberation which will be reflected back to the receiver, is strong in intensity which give rise to many false targets in terms of classifying a target in a surveillance area. These false targets are unwanted and a real target might benefit from these miss-classifications in terms of remaining undetected. It is especially hard if the signal-to-noise ratio (SNR) is approaching zero, i.e. the target strength and the reverberation strength are equal in magnitude. The classical approach to a target detection problem is to assign a threshold value to the measurement, and the data point exceeding the threshold is classified as a target. This approach does not hold for low levels of SNR, since a threshold would not have a statistical significance and could lead to neglecting important data. Track-before-detect (TrBD) is a proposed method for low-SNR situations which tracks and detects a target based on unthresholded data. TrBD enables tracking and detecting of weak and/or stealthy targets. Due to the issues with target detection in shallow waters, the hypothesis of this thesis is to investigate the possibility to implement TrBD, and evaluate the performance of it, when applied on a low-SNR target. The TrBD is implemented with a particle filter which is a recursive Bayesian solution to the problem of integrated tracking and detection. The reverberation data was generated by filtering white noise with an Autoregressive filter of order 1. The target is assigned to propagate according to a constant velocity state space model. Two types of TrBD algorithms are implemented, one which is trained on the background and one which is not. The untrained TrBD is able to track and detect the target but only for levels of SNR down to 4dB. Lower SNR leads to the algorithm not being able to distinguish the target signal from the reverberation. The trained TrBD on the other hand, is able to perform very well for levels of SNR down to 0dB, it is able to track and detect the target and neglect the reverberation. For trajectories passing through areas with high reverberation, the target was lost for a short period of time until it could be retracked again. Overall, the TrBD was successfully implemented on the self-generated data and has a good performance for various target trajectories.

This bachelor thesis explores the threat of Stingrays, fake cell towers, to the mobile network. The increasing availability of open-source technology and hardware has made it easier to build Stingrays. Stingrays can threaten the privacy and security of individuals and their devices, making it critical to understand the effectiveness and practicalities of the attack. This study evaluates the feasibility and the practical danger of Stingrays using open-source software and available hardware, filling a gap in research on the subject. First, a literature study was made to understand the mobile network, security vulnerabilities and existing countermeasures to achieve this. Thereon, a Stingray was constructed, and attacks were simulated with different settings and scenarios to determine their practical and effective use. The results show the possibility of Stingray attacks with the mentioned equipment, but underline the need for a more advanced system for real-world attacks. / Denna kandidatuppsats utforskar hotet från Stingrays, falska mobiltorn, på mobilnätet. Den ökande tillgängligheten av öppen-källkod teknologi och hårdvara har gjort det lättare att bygga Stingrays. Stingrays kan hota integriteten och säkerheten av individer och deras enheter, vilket gör det avgörande att förstå effektiviteten och praktikaliteter av attacken. Studiens mål är att utvärdera möjligheten och den praktiska faran med Stingrays genom att använda programvara med öppen källkod och tillgänglig hårdvara, vilket fyller en lucka i forskning inom ämnet. Först gjordes en litteraturstudie för att förstå mobila nätverket, säkerhetssårbarheter och befintliga motåtgärder för att uppnå detta. Därefter konstruerade vi en Stingray och simulerade attacker med olika inställningar och i olika scenarier för att avgöra deras praktiska och effektiva användning. Resultaten visar möjligheten av Stingray-attacker med den nämnda utrustningen men understryker behovet av ett mer advancerat system för verkliga attacker.

Augmented reality has been on the rise for some time now and begun making its way onto the mobile market for both IOS and Android. In 2017 Apple released ARKit for IOS which is a software development kit for developing augmented reality applications. To counter this, Google released their own variant called ARCore on the 1st of march 2018. ARCore is also a software development kit for developing augmented reality applications but made for the Android, Unity and Unreal platforms instead. Since ARCore is released recently it is still unknown what particular limitations may exist for it. The purpose of this paper is give an indication to companies and developers about ARCore’s potential limitations. The goal with this paper and work is to map how well ARCore works during different circumstances, and in particular, how its feature detection works and behaves. A quantitative research was done with the usage of the case study method. Various tests were performed with a modified test-application supplied by Google. The tests included testing how ARCore’s feature detection, the process that analyzes the environment presented to the application. This which enables the user of an application to place a virtual object on the physical environment. The tests were done to see how ARCore works during different light levels, different types of surfaces, different angles and the difference between having the device stationary or moving. From the testing that were done some conclusions could be drawn about the light levels, surfaces and differences between a moving and stationary device. More research and testing following these principles need to be done to draw even more conclusions of the system and its limitations. How these should be done is presented and discussed. / Forstarkt verklighet (augmented reality) har stigit under en tid och börjat ta sig in på mobilmarknaden for både IOS och Android. År 2017 släppte Apple ARKit för IOS vilket är en utvecklingsplattform för att utveckla applikationer inom förstärkt verklighet. Som svar på detta så slappte Google sin egna utvecklingsplattform vid namn ARCore, som släpptes den 1 mars 2018. ARCore är också en utvecklingsplattform för utvecklandet av applikationer inom förstarkt verklighet men istället inom Android, Unity och Unreal. Sedan ARCore släpptes nyligen är det fortfarande okant vilka särskilda begränsningar som kan finnas för det. Syftet med denna avhandling är att ge företag och utvecklare en indikation om ARCores potentiella begränsningar. Målet med denna avhandling och arbete är att kartlägga hur väl ARCore fungerar under olika omstandigheter, och i synnerhet hur dess struktursdetektor fungerar och beter sig. En kvantitativ forskning gjordes med användning av fallstudie metoden. Olika tester utfördes med en modifierad test-applikation från Google. Testerna inkluderade testning av hur ARCores struktursdetektor, processen som analyserar miljön runt om sig, fungerar. Denna teknik möjliggor att användaren av en applikation kan placera ett virtuellt objekt på den fysiska miljön. Testen innebar att se hur ARCore arbetar under olika ljusnivåer, olika typer av ytor, olika vinklar och skillnaden mellan att ha enheten stationär eller rör på sig. Från testningen som gjordes kan man dra några slutsatser om ljusnivåer, ytor och skillnader mellan en rörlig och stationar enhet. Mer forskning och testning enligt dessa principer måste göras för att dra ännu mer slutsatser av systemet och dess begränsningar. Hur dessa ska göras presenteras och diskuteras.

Multiple-object tracking is a task within the field of computer vision. As the name stated, the task consists of tracking multiple objects in the video, an algorithm that completes such task are called trackers. Many of the existing trackers require supervision, meaning that the location and identity of each object which appears in the training data must be labeled. The procedure of generating these labels, usually through manual annotation of video material, is highly resource-consuming. On the other hand, different from well-known labeled Multiple-object tracking datasets, there exist a massive amount of unlabeled video with different objects, environments, and video specifications. Using such unlabeled video can therefore contribute to cheaper and more diverse datasets. There have been numerous attempts on unsupervised object tracking, but most rely on evaluating the tracker performance on a labeled dataset. The reason behind this is the lack of an evaluation method for unlabeled datasets. This project explores unsupervised pedestrian tracking on video taken from a stationary camera over a long duration. On top of a simple baseline tracker, two methods are proposed to extend the baseline to increase its performance. We then propose an evaluation method that works for unlabeled video, which we use to evaluate the proposed methods. The evaluation method consists of the trajectory completion rate and the number of ID switches. The trajectory completion rate is a novel metric proposed for pedestrian tracking. Pedestrians generally enter and exit the scene for video taken by a stationary camera in specific locations. We define a complete trajectory as a trajectory that goes from one area to another. The completion rate is calculated by the number of complete trajectories over all trajectories. Results showed that the two proposed methods had increased the trajectory completion rate on top of the original baseline performance. Moreover, both proposed methods did so without significantly increasing the number of ID switches. / Spårning av flera objekt är en uppgift inom området datorseende. Som namnet angav består uppgiften av att spåra flera objekt i videon, en algoritm som slutför en sådan uppgift kallas trackers. Många av de befintliga spårarna kräver övervakning, vilket innebär att platsen och identiteten för varje objekt som visas i träningsdata måste märkas. Proceduren för att generera dessa etiketter, vanligtvis genom manuell anteckning av videomaterial, är mycket resurskrävande. Å andra sidan, till skillnad från välkända märkta uppsättningar för spårning av flera objekt, finns det en enorm mängd omärkt video med olika objekt, miljöer och videospecifikationer. Att använda sådan omärkt video kan därför bidra till billigare och mer varierande datauppsättningar. Det har gjorts många försök med oövervakad objektspårning, men de flesta förlitar sig på att utvärdera spårningsprestandan på en märkt dataset. Anledningen till detta är avsaknaden av en utvärderingsmetod för omärkta datamängder. Detta projekt utforskar oövervakad fotgängarspårning på video som tagits från en stillastående kamera under lång tid. Utöver en enkel baslinjespårare föreslås två metoder för att utöka baslinjen för att öka dess prestanda. Vi föreslår sedan en utvärderingsmetod som fungerar för omärkt video, som vi använder för att utvärdera de föreslagna metoderna. Utvärderingsmetoden består av banans slutförandegrad och antalet ID-växlar. Banans slutförandegrad är ett nytt mått som föreslås för spårning av fotgängare. Fotgängare går vanligtvis in och lämnar scenen för video tagna med en stillastående kamera på specifika platser. Vi definierar en komplett bana som en bana som går från ett område till ett annat. Färdigställandegraden beräknas av antalet kompletta banor över alla banor. Resultaten visade att de två föreslagna metoderna hade ökat graden av fullbordande av banan utöver den ursprungliga baslinjeprestandan. Dessutom gjorde båda de föreslagna metoderna det utan att nämnvärt öka antalet ID-växlar.