haku: @keyword computer vision / yhteensä: 23
viite: 9 / 23
| Tekijä: | Kontturi, Matias |
| Työn nimi: | Computer vision system for tracking in-app purchases in mobile devices |
| Sovelluksen kautta tehtäviä hankintoja mobiililaitteissa tunnistava tietokonenäköjärjestelmä | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2014 |
| Sivut: | vi + 63 Kieli: eng |
| Koulu/Laitos/Osasto: | Sähkötekniikan korkeakoulu |
| Oppiaine: | Informaatiotekniikka (T-61) |
| Valvoja: | Oja, Erkki |
| Ohjaaja: | Laaksonen, Jorma |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201406262253 |
| OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
| Sijainti: | P1 Ark Aalto 1596 | Arkisto |
| Avainsanat: | computer vision pattern recognition market research image processing hahmontunnistus tietokonenäkö markkinatutkimus kuvankäsittely |
| Tiivistelmä (fin): | Sovelluksen kautta tehtävät hankinnat muodostavat merkittävän tulonlähteen monille mobiilialan sovelluskehittäjille. Niiden automaattinen seuraaminen ei kuitenkaan ole mahdollista mediamittauksen nykyisillä menetelmillä, joten käyttäjien rahankäytön arvioimiseen tarvitaan vaihtoehtoisia lähestymistapoja. Tässä diplomityössä tutkitaankin, voiko ongelman ratkaista tehokkaasti tietokonenäöllä etsimällä maksutapahtumia tietyin väliajoin otetuista kuvakaappauksista. Työn ensimmäinen tavoite oli selvittää, millä menetelmillä voisi nopeasti ja tarkasti tunnistaa näytöllä olevat maksutietoja sisältävät ponnahdusikkunat iOS- ja Android-käyttöjärjestelmissä. Lisäksi selvitettiin, voisiko olemassaolevalla Tesseract-nimisellä tekstintunnistusjärjestelmällä ottaa talteen oleelliset ostokseen liittyvät tiedot ja olisiko tarpeen pyrkiä poistamaan renderoinnin vaikutukset. Selvityksen jälkeen PC-ympäristössä kehitettiin neljä menetelmää ponnahdusikkunan tunnistamiseen: kynnystäminen, reunantunnistus intensiteettiprojektioista, alueenkasvatus ja mallineensovitus. Testeissä alueenkasvatus osoittautui nopeimmaksi ja tarkimmaksi menetelmäksi kummankin käyttöjärjestelmien maksutapahtumien kanssa, ja se toimi myös diplomityön tekemisen aikana julkaistussa iOS7-käyttöjärjestelmässä tarvittavien muokkausten jälkeen. Toinen tavoite oli järjestelmän toteuttaminen mobiililaitteissa. Pienimuotoisissa käyttäjätesteissä selvisi, että järjestelmät kykenevät havaitsemaan enimmät sovelluksen kautta tehtävät hankinnat. Osa käyttäjistä valitti akun nopeutuneesta tyhjentymisestä testin aikana, joten järjestelmän toiminta-ajan rajoittamiseen on kiinnitettävä jatkossa huomiota. On myös tarkoitus lisätä seula, joka määrittää, onko kuvakaappauksen tutkiminen tarpeellista. |
| Tiivistelmä (eng): | In-app purchases, purchases made inside applications, are a major source of revenue for mobile applications. Since they cannot be tracked automatically using current methods of media content consumption measuring, new approaches must be taken in order to estimate how mobile users use money on in-app purchases. In this thesis, a computer vision approach is taken. The idea is to capture the contents of the screen at defined moments, search the capture for an in-app purchase window and record the title and the price of the purchased product. The first goal was to determine efficient and accurate methods for detecting if a pop-up window involving dialogue about the transaction is on the screen on iOS and Android operating systems. It was also studied if an existing optical character recognition system called Tesseract could be used in extracting the relevant information from the window and whether it is necessary to take into account the effects caused by screen rendering. After the studies, methods for detecting the window were developed and tested on PC environment. The chosen approaches were thresholding, edge detection from intensity projections, region growing and template matching. With both operating systems, region growing turned out to be the most efficient and accurate method. It was also successfully adopted to work with the new iOS7 operating system, which was released during this project. The second goal was to implement the computer vision systems on actual devices. Prototypes were developed for both Android and iOS and tested on small-scale user tests. Based on the tests, the systems are able to detect most of the in-app purchases. However, a part of the users reported that the battery life of their device was shortened. Thus, future work includes improving the battery life by limiting the amount of time the system is running by using information about the application that is active on the screen and adding an initial filtering step that would determine whether contents of the screen should be analyzed by the system. |
| ED: | 2014-08-03 |
INSSI tietueen numero: 49422
+ lisää koriin
INSSI