roboforum.ru

Для тех кто интересуется разработкой компьютерного зрения - http://pascal.inrialpes.fr/soft/olt/

Расскажу о своем опыте.

Скачал сурсы. Попытался скомпилировать под OpenSuse 10.2, gcc41. Понадобилось также boost++, imlib2 и blitz. Впринципе я не удивился данному ибо привык сначала читать README.

Далее на стадии make полезли ошибки. Их исправлять необходимо в ./configure файле. Они связаны с тем что разработчик не является проффесиональным программистом. Ему простительно.

Я выслал баг репорт по поводу конфигуратора. Кого еще интересует данная тема - могу указать где и что надо править.

Сейчас жду массив картинок для обучения алгоритма. Такчто пока пауза.

Хотелось бы чтобы знающие и понимающие люди подключились к данному проекту. Результатом данного действа вижу доработанный алгоритм реализованый на С++ на основе этого.

Получил массив картинок. Как и ожидалось ето положительные и отрицательные картинки людей в png формате. При попытке разархивации под виндусом получается ошибка ибо там символические ссылки на файлы в нескольких каталогах. По крайне мере мой WinRar от этого кричал и матерился.

Под линуксом особых проблем небыло.

После компилирования приложения взял из бинарев runall.sh (там же описано что с этим делать), поковырял его и понял как вообще это работает. При запуске запросило еще svm_learn - ссылка тамже на сайте. Все это укладывается в удобное место, правится runall.sh и запускается. Тут немного накосячил и забыл про символические ссылки. В итоге долго мучался по поводу того, что картинки не находятся.

Сейчас сижу и наблюдаю процесс обучения. Обкатка и тестирование приложения намечена на завтра.

Чет как-то там все не по-русски.
Кто там обучается, ИИ?

Нет. Классификатор.

Обьясню как смогу. На вход алгоритму обучения подается массив картинок обьекта поиска из которых он вычленяет какиелибо особености. Их много. Из этих особенностей алгоритм формирует классификаторы которые имеют свой рейтинг по шкале точности. Вот эти классификаторы и нужно обучать дабы сформировать несколько довольно сильных.

Обучается досихпор.

Если интересно - смотри работы Viola&Djones, а также pdf по указаному мной адресу. Позже могу выложить описание данного действа и алгоритм с примерным кодом на C++.

И не факт, что после того как обучится будет сильно лучше простой эвристики. =)

Факт. Нужно знать особености формирования классификаторов. Почитайте документацию - она рулез.

Тут все зависит от вычлененых особеностей изображения. На одно изображение лица анфас приходиться около 160 000 особеностей (по материалам Viola&Djones). Какие то из них более характерны для лица какието менее. При компоновке более сильных особенностей в классификатор получаем сгруппированые особености которые обоюдно дают высший процент обнаружения. Вот алгоритм и формирует такие классификаторы. Муторное и долгое это дело скажу я вам.

Незабываем также о подаче негативных изображений (изображений, на которых нет искомого обьекта) на вход алгоритму дабы вычленить особености которые стопроцентно характеризуют изображение как "не является объектом поиска". Таким образом получаем два массива классификаторов. Это даст более устойчивую работу. Но, к сожалению, лишние проверки всегда замедляли работу.

Я понимаю о чем ты говоришь. Это скорее всего комитетный классификатор (бустер).
Ну вот я про эти классификаторы и говорю. Он может переобучиться, недообучиться, еще какие-то косяки, все зависит от тренировочного набора. И в итоге будет не сильно лучше эвристики. =)
Не факт конечно, но такое вполне может случиться.

Да, про него. Думаю что после обучения стоит обкатывать результаты и сравнивать проценты определения с другими. Я взял лучший набор что имелся с высокими показателями.

У тебя есть другие предложения по обнаружению обьектов на видеопотоке?

У тебя есть другие предложения по обнаружению обьектов на видеопотоке?

Нет.
Если нужно обнаруживать, что-то конкретно, а не "объекты", то можно подумать. =)

Задача: идентифицировать человека, группу людей.

С подвижной или неподвижной камерой?

Подвижная. Со статическим изображением и так можно разобраться без всяких классификаторов

Ну чтоже. Провел я опыты с данным алгоритмом. Неочень они и радостные.

Машинка у меня была довольно мощная и обработка 1 картинки 640х480 заняло от 4 до 10 секунд. Это уже показатель плохой.

Если кому интересно также сообщаю что определяет оно не всегда точно. Я бы дал 60-65%. Это если необработаные картинки. Картинки нужно приводить к определенному виду перед обработкой что тоже отнимает время, и что немаловажно - они должны быть хорошего качества.

60% это не круто, это почти случайно 50/50 + простенький алгоритм на 10% =)

Я бы сказал что данному алгоритму требуется доводка до реальных условий. Сама идея замечательная, но к сожалению время обработки уш очень велико. Думаю если переложить это на чтолибо вроде OpenCV получится более быстрее.

Будем ждать более мощных компьютеров. Думаю что через 3-4 года стоит вернуться к данному алгоритму.