Тема доклада является логическим продолжением выступления Александра Бакулина в области робототехники и посвящена актуальной на сегодняшний момент проблеме технического зрения
Тема доклада является логическим продолжением выступления Александра Бакулина в области робототехники и посвящена актуальной на сегодняшний момент проблеме технического зрения
CV2015. Лекция 2. Простые методы распознавания изображений.Anton Konushin
Курс "Введение в компьютерное зрение", читаемый на
ВМК МГУ имени М.В. Ломоносова в весеннем семестре 2015 года. Лектор - Конушин Антон. Лекция 2. Простые методы распознавания изображений. Рассматриваются методы бинаризации изображений, основы математической морфологии, медианная фильтрация, выделение связанных компонент, метод последовательного сканирования, метод К-средних, оценка характеристик сегментов.
Разработка системы контроля доступом на основании системы распознавания номер...Anatoly Simkin
Данная статья посвящена представлению результатов проведения научно-исследовательской работыв области разработки универсальной автоматизированной системы, которая обеспечивает контроль доступа на основании системы распознавания номерных знаков
Development of the access control system based on the recognition of number plates. Bachelor's degree - research of recognition of license plates.
CV2015. Лекция 2. Простые методы распознавания изображений.Anton Konushin
Курс "Введение в компьютерное зрение", читаемый на
ВМК МГУ имени М.В. Ломоносова в весеннем семестре 2015 года. Лектор - Конушин Антон. Лекция 2. Простые методы распознавания изображений. Рассматриваются методы бинаризации изображений, основы математической морфологии, медианная фильтрация, выделение связанных компонент, метод последовательного сканирования, метод К-средних, оценка характеристик сегментов.
Разработка системы контроля доступом на основании системы распознавания номер...Anatoly Simkin
Данная статья посвящена представлению результатов проведения научно-исследовательской работыв области разработки универсальной автоматизированной системы, которая обеспечивает контроль доступа на основании системы распознавания номерных знаков
Development of the access control system based on the recognition of number plates. Bachelor's degree - research of recognition of license plates.
Михаил Корепанов "Скорость рендеринга страниц: исследования, замеры, автомати...Yandex
28 мая 2011, Я.Субботник в Киеве
Михаил Корепанов "Скорость рендеринга страниц: исследования, замеры, автоматизация"
О докладе:
В докладе подробно разобрано, что влияет на скорость отрисовки страниц, как ее измерить и как оптимизировать, включая вопрос автоматизации процесса тестирования скорости отрисовки в разных браузерах.
Действительно ли нужно уделять время оптимизации скорости рендеринга страниц или достаточно оптимизировать только скорость загрузки? Что такое reflow и repaint и как это влияет на время отрисовки страниц? Что использовать для измерения времени reflow и repaint? Как автоматизировать процесс тестирования скорости рендеринга страниц в большом количестве браузеров?
Community detection (Поиск сообществ в графах)Kirill Rybachuk
Моя презентация по кластеризации графов, прочитанная на курсах newprolab в Digital October весной 2015 года. Назначение: ликбез по основным подходам, метрикам и алгоритмам. Также приведено кое-что из наших наработок в DCA.
3. Как найти или сравнить объекты?
• Имеем два изображения, содержащие объекты.
Мы хотим ответить на вопрос «Содержат ли
изображения одинаковые объекты или нет?»
3
5. Прямое сопоставление (корреляция)
• OpenCV
– cv::matchTemplate(x,y,res,CV_TM_CCO
RR_NORMED);
• Matlab
– corr2(x,y)
• Что делать если изображения
имеют разный масштаб?
5
6. Многомасштабное представление
• Строим пирамиду изображений, где
каждое последующее меньше в два
раза предыдущего
• Проводим сопоставление по всем
маштабам
6
12. Требования к особенностям
• Повторяемость
– Особенность находится в том же месте не смотря на
изменения точки обзора и освещения
• Значимость
– У каждой особенности может быть уникальное
описание
• Локальность
– Особенность занимает маленькую площадь и
устойчива к перекрытиям
• Компактность и эффективность
12
15. Углы
• Плоскость. По всем направлениям нет
изменений.
• Край. В двух направлениях нет изменений.
• Угол. В любом направление есть изменение!
15
16. Детектор Харриса
• C.Harris and M.Stephens. "A Combined Corner and Edge
Detector.” Proceedings of the 4th Alvey Vision Conference: pages
147—151, 1988
• Свойства угла
– Градиент имеет
два направления
– Повторимы и различимы
16
17. Основная идея
• Вычисляем производные
• Считаем в области матрицу
ковариации
• По соб. числам матрицы М можем
сказать принадлежит ли область
углу, границе или плоскости
17
19. Алгоритм
1. Считаем производные
2. Для каждого пикселя считаем
матрицу ковариации M в окне
3. Вычисляем dst(x,y)
4. Режим по порогу dst(x,y)
5. Ищем локальные максимумы в
окне
19
27. Чтобы найти пятно
• Чтобы найти пятно надо свернуть
сигнал с Лапласианом
соответствующей дисперсией
• Проблема: при повышении
дисперсии уменьшается отклик на
идеальный край
27
31. Реализация
• OpenCV
– SIFT
• Matlab
– vl_sift(d)
• Считается эффективно, на
пирамиде изображений
31
32. Области MSER
• Сегментировать по порогу яркости
• Для всех областей найти порог,
чтобы рост площади области был
минимален
• Описать эти области эллипсами
32
38. Дескрипторы
• Хотелось бы чтобы каждую точку можно
было отличить от другой
• При этом описание практически не
завесило от геометрических искажений
Slide credit: Антон Конушин
38
40. Дескрипторы должны быть:
• специфичны (отличаем разные
точки)
• локальны (зависеть только от
небольшой окрестности)
• инвариантны (к
искажениям/изменению
освещенности)
• просты в вычислении
40
42. Прямое сопоставление
• Сравниваем как сумма квадратов
или модулей разности
• Работает только простой сдвиг
• Для достижения инвариантности по
яркости надо нормировать
– I=(I-mean(I))/std(I)
• Недостатки?
42
43. SIFT
Scale-Invariant Feature Transform:
• Детектор DoG (быстрая вариация поиска Пятен)
• Определение положения и масштаба особенности
Ориентация
• Определение доминантной ориентации по градиентам
Дескриптор
• Использование статистик по направлению градиентам
• Устойчив к изменениям освещенности и небольшим
• Сдвигам
David G. Lowe. "Distinctive image features from scale-
invariant keypoints.” IJCV 60 (2), pp. 91-110, 2004.
43
46. Гистограмма градиентов
Вычисляем градиент в каждом пикселе
• Строим гистограммы направлений градиентов по
прямоугольным областям
• Вклад каждого пикселя взвешиваем по гауссиане с центром в
центре окрестности
• Обычно – сетка 4x4, в каждой гистограмма с 8ю ячейками
• Стандартная длина вектора-дескриптора – 128 (4*4*8)
• Сравниваем как вектор (разные метрики)
46
50. Итого
• Дескриптор SIFT весьма специфичен, устойчив
к изменениям освещения, небольшим сдвигам
• Вся схема SIFT (детектор, выбор окрестностей,
дескриптор) оказалась очень эффективным
инструментов для анализа изображений
• Очень широко используется
50