roboforum.ru

Там используется следующий алгоритм:
Сканируем входное изображение окном 80x80 с шагом 32 пикселя. По каждой области подсчитываем оценку возможности обучения (EstimateOpportunityForTraining) и если она больше 0.15, тогда проверяем, назначен ли этой области идентификатор, если нет, то обучаем AVM на эту область и назначаем для неё идентификатор.

В исходном изображении могут встречаться похожие фрагменты (к примеру, текстуры обоев) просто нужно найти способ как обработать эти классифицированные фрагменты изображения.

Тут всё похоже на фильм «Матрица» когда вместо изображений мы видим символы, которые ассоциируются с тем или иным фрагментом изображения.

А может и не нужно их (чёрно-белые линии) пытаться отличать друг от друга, достаточно знать, что определённая зона входного изображения заполнена маяками, которые ассоциируются с чёрно-белыми полосами.

Тут, скорее всего, нужно придумать ещё один способ распознавания соотношений центров и размеров маяков относительно друг друга, что бы суметь идентифицировать текущую привязку к месту, на которое смотрит камера.

Это хорошо бы работало с «искусственными» (уникальными) маяками. А на практике получатся, что если поставить высокий уровень точности распознавания (3-х уровневое AVM дерево с ключём 80x80), то получим слишком много уникальных маяков и громадное дерево поиска, что убьёт быстродействие. Напротив, если использовать менее качественное распознавание (2-х уровневое AVM дерево, ключ 80x80), то в этом случае будут допускаться «ложные» срабатывания, что позволит обобщать большее количество изображений в один класс (символ), который закрепится за этой группой изображений.

Эти классифицированные символы изображения местами будут образовывать скопления (кластеры). Так вот кластеры, в этом случае, и можно принимать за маяки. То есть маяк – это не отдельный распознанный участок изображения, а группа распознанных участков объединённых по некому признаку.

Вот такое моё предложение

Добавлено спустя 12 минут 51 секунду:
Если маяк – это один распознанный фрагмент, то он может быть не очень устойчив (немого условия поменялись, и он не распознаётся). А вот если маяк – это группа распознанных изображений, то тут уже статистика, и если пару фрагментов и выпадет из распознавания, то не страшно.

я вам вот что скажу.. вам нада то что я видел на видео чуть выше соединить с картой глубины, и выделять объекты отталкиваясь от нее... тогда гладкая зебра могет вообще не подойти под объект, если она большая.. со стену...

имхо - зря...

Я тут на выходных ещё раз попробовал возможности управлять роботом, используя при этом входное видео с разрешением 320x240. Вдобавок я немного изменил алгоритм управления роботом (модуль Navigator.cpp) и результат получился просто замечательный. Итак, если у кого-то ещё нет электронного питомца, советую завести, так как алгоритм преследования для электронной «собачки» уже разработан, и лежит тут:
http://edv-detail.narod.ru/Navigator_src.zip

Всё оборудование, которое нужно для экспериментов, а именно: радиоуправляемая модель, видеокамера с радиопередатчиком и приёмником, аккумулятор (для видеокамеры), USB TV тюнер (для оцифровки сигнала от видеокамеры) общей стоимостью всего 150$. Так что если у кого то после просмотра видео появится желание присоединится к экспериментам по навигации, тогда бегом в ближайший магазин электроники и будем развивать идею дальше. Вместе веселее, а всё самое интересное ещё впереди.



Я обратил внимание на то, что у AVM на разрешении 320x240 достаточно большой запас по быстродействию, и у меня появилась достаточно интересная идея. Назовем это пока что «Location tree». Более подробно поговорим об этой идее, когда я проведу некоторые эксперименты, и у меня появятся первые результаты.

А это как раз и есть танк

Добавлено спустя 3 минуты:
И ведение «цели» приблизительно так и сделано (поворот башни/корпуса).