roboforum.ru

2EDV: А какая точность определения образа в кадре? И может ли этот алгоритм выдавать линейные размеры образа с достаточной точностью?

Метод классификации контрастных пятен (ККП) позволит проанализировать множество «особенностей» (features) входного изображения и ассоциировать их с текущим местоположением. В «ККП» анализируется не конкретный «маяк» а множество особенностей изображения. Этот алгоритм можно использовать как вспомогательный, для подстраховки AVM. А вот алгоритм AVM уже более точен, и находит конкретные «маяки», в направлении которых можно будет переместиться. Эти алгоритмы могут дополнять друг друга.

=DeaD= писал(а):2EDV: И может ли этот алгоритм выдавать линейные размеры образа с достаточной точностью?

«ККП» не сможет, AVM сможет. В AVM масштабирование производится с шагом 25% от размера ключевого изображения на каждом шаге (этот параметр можно изменить, см. «AssociativeMemory.h» -> ptSearchScaleStep, // Scale step of searching for recognition (0.25)).

Добавлено спустя 6 минут 51 секунду:

EdGull писал(а):а на МК например на ARM9 это переносится?

Пока что всё ПО разрабатывается на C++ под PC. На данном этапе важно отработать (создать) саму технологию навигации робота по визуальным ориентирам. Ну а там уже видно будет...

2EDV: Если просто менять этот параметр - производительность должна упасть вроде прямо пропорционально количеству шагов. А можно добить алгоритм, чтобы он мог уже распознанные фрагменты дораспознавать с высокой точностью определения положения в кадре и масштаба? Это вроде не должно сильно снизить производительность?

Хорошая идея, я попробую реализовать...

Траектория, полученная по визуальным ориентирам (AVM + "ККП"):



Демонстрационная версия с исходными текстами:
http://edv-detail.narod.ru/Navigator_Tool_Kit.zip
Navigator_Tool_Kit\samples\LocationTree

Это круто, а какая-нибудь оценка точности будет? типа точность +/- 5см от реальной или +/- 15см или как?

Для этого нужно будет провести отдельные эксперименты, разработать методику проверки и т. д. Пока я этим не занимался, это всего лишь первый вариант, сейчас важно развить идею, потом будем оценивать и улучшать.

А как же разбираться - улучшили мы идею или нет, если точность не меряем?

Добавлено спустя 35 секунд:
В сторону SLAM-ов всяких пока не смотрели?

Интересно Мой танк почти готов (исправить питание камеры). И видео-ввод уже есть.
Вы еще не пробовали сделать порт под линукс?

=DeaD= писал(а):А как же разбираться - улучшили мы идею или нет, если точность не меряем?

Для тестирования алгоритма «Location tree» обязательно нужно будет разработать методику для оценки точности (ну или поискать готовую методику).

=DeaD= писал(а):В сторону SLAM-ов всяких пока не смотрели?

А смысл? Там махровая математика (высшая), а у меня все решения простые и математика попроще (немного тригонометрии и решение квадратных уравнений и всё пожалуй).

2Vooon:
Пока что порта под Linux не предвидится, сейчас важно развить технологию (идею) самой навигации по визуальным ориентирам. Но я не вижу никаких препятствий использовать текущие наработки под Windows. Ну а когда технология более-менее сформируется, можно будет и порт под Linux сделать.

В базовом SLAM вроде обычное умножение и обращение матриц, не более... в общем к чему пустые слова - скоро возьмусь пожалуй и попробую сам этот SLAM прикрутить. У вас интерфейсы к выделялке хороших примечательных образов открытые ведь? (к распознавалке ясно, что открытые)

Всё что касается алгоритма «Location tree» и программного пакета «Navigator Tool Kit» представлено исходными текстами программ, с примерами, и подробными комментариями на русском языке.

Исключением является только «закрытая» технология AVM, которая представлена в бинарном виде (библиотека). Но для любителей развивать свои собственные алгоритмы распознавания я предоставляю альтернативный «распознаватель образов» в исходниках.

Алгоритм «Классификации контрастных пятен»:
Navigator_Tool_Kit\include\ImageIdentification.h

Пример:
http://edv-detail.narod.ru/Navigator_Tool_Kit.zip
Navigator_Tool_Kit\samples\LocationSearching

Добавлено спустя 50 минут 14 секунд:
У некоторых посетителей форума, начали появляться вопросы по использованию библиотек навигации. Поэтому я создал новую тему «Использование Navigator Tool Kit».

Так что если есть вопросы, спрашивайте.

Ребята, кто нить юзал этот проект? Мне кажется тут можно кое что полезное найти по этой теме. Если у кого есть опыт, поделитесь впечатлениями
http://www.numenta.com/vision/vision-toolkit.php

Предлагаю всякие другие проекты в отдельных темах обсуждать. А тут это оффтопик. Таких проектов по зрению с десяток легко за полчаса найти. RoboRealm тот же.

Попробую ещё раз объяснить идею

Идея: Location tree

Создаём первый экземпляр AVM для хранения в качестве ассоциации двух координат (P[0], P[1]) в формате float (точка, куда мы можем отправиться).



Файл: AssociativeMemory192u.h

Код: Выделить всё • Развернуть

// Definition of coordinate structure
struct CvXYZ32F {
   float x,y,z;
    // Set a coordinate
   void Set(float aX, float aY, float aZ) { x = aX; y = aY; z = aZ; }
};

// Definition of data type
#define cType192U_c 24
#define cType192U_s 12
#define cType192U_f 6
#define cType192U_p 2

union CvType192U {
   char  c[cType192U_c];
   short s[cType192U_s];
   float f[cType192U_f];
   CvXYZ32F p[cType192U_p];
};

Запоминаем центральную часть экрана в AVM как начало отсчёта. Если расстояние от центра этого распознаваемого маркера превысит некое пороговое значение, то создаём новый маркер, в который записываем координаты смещения относительно начала отсчёта. Если расстояние от центра ближайшего маркера превысит порог, то снова создаём новый маркер и т.д. Таким образом, создаём экранные привязки (маркеры), наблюдение за которыми (как в случае с энкодерами) поможет дать ответ на вопросы: На какой угол повернулась камера? Сколько проехали от последнего сохранённого местоположения?

Создаём второй экземпляр AVM для хранения в качестве ассоциации текущего местоположения видеокамеры (точка, где мы находимся).

Файл: AssociativeMemory160u.h

Код: Выделить всё • Развернуть

// Definition of location structure
struct CvLocation {
   CvXYZ32F p; // Location point
   float   hA; // Horizontal survey angle
   float   vA; // Vertical survey angle
};

// Definition of data type
#define cType160U_c 20
#define cType160U_s 10
#define cType160U_f 5

union CvType160U {
   char  c[cType160U_c];
   short s[cType160U_s];
   float f[cType160U_f];
   CvLocation l;
}; 

Изначально указываем наше местоположение, как начало отсчёта (x=0,y=0, z=0; горизонтальный угол hA=0, вертикальный угол vA=0), и ассоциируем изображение с камеры с текущим местоположением (пишем во второй экземпляр AVM). Как только положение камеры изменится настолько, что новый вид из камеры уже не будет распознаваться AVM, формируем новую запись местоположения (координаты и угол наблюдения камеры определяем согласно пройденных привязок на этом интервале) и т.д.

Демонстрационная версия с исходными текстами (обновил):
http://edv-detail.narod.ru/Navigator_Tool_Kit.zip

Проект: Navigator_Tool_Kit\samples\src\LocationTree