roboforum.ru

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

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?

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

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.

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

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)

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

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