Создайте изображение, которое легче всего обнаружить с помощью алгоритмов компьютерного зрения.

Работаю над небольшим побочным проектом, связанным с Computer Vision, в основном для того, чтобы попробовать поиграть с OpenCV. Это привело меня к интересному вопросу:

Использование обнаружения признаков для поиска известных объектов на изображении не всегда просто — найти объекты сложно, особенно если характеристики целевого объекта невелики.

Но если бы я мог заранее выбрать, что именно я ищу, то теоретически я мог бы создать для себя оптимальное изображение для обнаружения. Любое качество, затрудняющее обнаружение признаков, будет отсутствовать, а все качества, облегчающие его, будут существовать.

Я подозреваю, что такого рода мысли касались таких вещей, как QR-коды, но с ограничениями, которые заключались в том, что они хотели, чтобы QR-коды были простыми и маленькими.

Итак, мой вопрос к вам: как бы вы сгенерировали оптимальное изображение для последующего распознавания камерой? Что делать, если вы уже знаете, что могут возникнуть определенные проблемы, такие как перекос или частичное затемнение?

Большое спасибо


computer-vision feature-extraction feature-detection
person Mabbo    schedule 29.06.2014    source источник
comment
Похоже, вы спрашиваете о метках координат.   -  person Sneftel    schedule 30.06.2014
comment
@Sneftel: Довольно много. Можно ли создать действительно оптимальный реперный маркер, чтобы справиться со многими проблемами, обычно связанными с использованием камер для поиска вещей в реальном мире?   -  person Mabbo    schedule 30.06.2014
comment
да. Один полагается на надежность обнаружения углов и относительных ориентаций, по сути, создавая реперную информацию, информация которой не зависит от поворота и перекоса. Это огромная тема, объединяющая тригонометрию с теорией информации.   -  person Sneftel    schedule 30.06.2014
comment
Вы правы, когда думаете о QR-кодах, кстати. Они слишком детализированы, чтобы сделать хорошие реперные знаки для большинства целей, но большинство реперных знаков выглядят как QR-коды с низким разрешением, потому что они разделяют большинство одинаковых потребностей.   -  person Sneftel    schedule 30.06.2014

Ответы (3)


arrow_upward
2
arrow_downward

Я думаю, вам нужно что-то вроде маркеров AR. Взгляните на ArToolkit, ArToolkitPlus или библиотеки Aruco, в них есть генераторы маркеров и детекторы. И статья о создании маркеров: http://www.uco.es/investiga/grupos/ava/sites/default/files/GarridoJurado2014.pdf

person Andrey Smorodov    schedule 30.06.2014
comment
Я думаю, это именно то, что мне нужно - особенно эта бумага действительно фантастическая. Он работает только с реперными маркерами, состоящими из черных и белых ящиков, но у него есть идея, которая пришла мне в голову: максимальная энтропия между различными маркерами для облегчения распознавания. - person Mabbo; 30.06.2014

arrow_upward
0
arrow_downward

  1. Если вы планируете использовать обнаружение признаков, то маркер должен быть специфичным для используемого детектора признаков. Обычной практикой проектирования детектора является хороший отклик на «углы» или области с высокими градиентами x, y. Также следует обратить внимание на масштабирование цели.

  2. Простейшее обнаружение можно выполнить с помощью BLOBS. Это может быть быстрее и надежнее, чем Feature Points. Например, вы можете обнаружить круглые или прямоугольные капли.

person minorlogic    schedule 30.06.2014

arrow_upward
0
arrow_downward

В зависимости от расстояния, с которого вы хотите видеть свои маркеры, условий просмотра/фона, которые вы обычно используете, и разрешения/шумов камеры, вы должны выбирать разные изображения/мишени. При умеренном ракурсе с большого расстояния цветовая мишень довольно уникальна, см. это:

https://surf-it.soe.ucsc.edu/sites/default/files/velado_report.pdf

на близких расстояниях хорошим выбором могут быть различные штриховые/QR-коды. Кроме того, любой плоский текстурированный объект будет легко отслеживать с помощью гомографии, в отличие от 3D-объектов. http://docs.opencv.org/trunk/doc/py_tutorials/py_feature2d/py_feature_homography/py_feature_homography.html

Даже различные виды 3D-объектов можно быстро изучить и отследить такими системами, как Predator:

https://www.youtube.com/watch?v=1GhNXHCQGsM

затем идет все поле оборудования, структурированный свет, синхронизированные маркеры и т. д., и т. д. Kinect, например, использует предопределенный шаблон, проецируемый на поверхность, для воспроизведения стерео. Это означает, что он распознает и сопоставляет миллионы микропаттернов в секунду, создавая карту глубины из сопоставленных соответствий. Обратите внимание, что одна камера видит паттерн, а другое устройство — проектор генерирует его, работая как виртуальная камера, см. ="nofollow">http://article.wn.com/view/2013/11/17/Apple_to_buy_PrimeSense_technology_from_the_360s_Kinect/

Самый быстрый способ продемонстрировать хорошее отслеживание стандартного шаблона шахматной доски — использовать функцию pNp открытого cv:

http://www.juergenwiki.de/work/wiki/lib/exe/fetch.php?media=public%3acameradication_detecting_fieldcorners_of_a_chessboard.gif

это буквально можно сделать, вызвав всего две функции

found = findChessboardCorners(src, chessboardSize, corners, camFlags);
drawChessCornersDots(dst, chessboardSize, corners, found);

Подводя итог, ваш вопрос очень широк, и есть несколько ответов и решений. Сформулируйте свои условия просмотра, характеристики камеры, фон, расстояния, количество движения и перспективу, которую вы ожидаете получить в помещении по сравнению с улицей и т. д. В компьютерном зрении нет такой вещи, как общий средний случай!

person Vlad    schedule 01.07.2014