roboforum.ru

=DeaD= писал(а):А насколько тяжело будет для памяти хранить еще и исходные изображения?

Сейчас реализация алгоритма AVM v0.5 (библиотеки rcg.lib, rcg_vc9.lib) поддерживает три вида данных
(под данными имеется виду пара [образ]->[ассоциированные данные]):

- 32 битовое знаковое целое [long] (.\include\AssociativeMemory32s.h);
- 160 битный массив [CvType160U] (.\include\AssociativeMemory160u.h);
- 192 битный массив [CvType192U] (.\include\AssociativeMemory192u.h).

Так что можно взять, к примеру, тип CvType160U и использовать 16 бит из 160 (тип short) для индекса в массиве указателей на исходные изображения (остальные биты использовать для других нужд).

К примеру, вот так:

Код: Выделить всё • Развернуть

#include "AssociativeMemory160u.h"

#define cAreaImgTotal 1000
IplImage* iAreaImg[cAreaImgTotal]; // Массив указателей на исходное изображение области интереса

IplImage* InputImg; // Входное изображение

CvAssociativeMemory160U* am; // Указатель на ассоциативную память

int iAreaImgIdx = 0; // Текущий индекс изображения
CvRect InterestArea; // Область интереса

// ...
// Загружаем входное изображение в InputImg и устанавливаем координаты области интереса InterestArea

iAreaImg[iAreaImgIdx] = cvCreateImage(cvSize(InterestArea.width,
                                       InterestArea.height), IPL_DEPTH_8U, 1);
// Копируем изображение из области интереса
cvSetImageROI(InputImg, InterestArea);
cvCopy(InputImg, iAreaImg[iAreaImgIdx]);
cvResetImageROI(InputImg);

// Подготавливаем данные
CvType160U Data;
Data.s[0] = iAreaImgIdx;
//...

// Записываем данные в ассоциативную память
am->Write(InterestArea, &Data);

if(iAreaImgIdx < cAreaImgTotal) { iAreaImgIdx++; }

Это понятно, вопрос то был - сколько сейчас пакетов урезанных данных хранится на 1 образ? Если к каждому пакету подцепить картинку - сколько памяти займёт?

Насчёт «пакетов данных» не понял. В поисковом дереве AVM хранятся матрицы распознавания. Для ключа 80x80 используется три уровня декомпозиции (см. FAQ), на верхних уровнях матрицы c меньшей размерностью на нижних уровнях более детальные. Выше я предложил не изображение в дерево запихивать, а только указатели на исходное изображение. Там же (в FAQ) приведена упрощенная процедура поиска объекта с помощью метода Read:

Код: Выделить всё • Развернуть

void SimplyRecognition(CvAssociativeMemory32S* pAM, CvSize aInputImgSize, CvRcgAMFunc32S RcgAMFunc) { 

   if(pAM && RcgAMFunc) { 
      CvRect sRect;int i; 
      printf("<***> Simply recognition -> begin\n"); 
      for(i=0;;i++) { // Цикл поиск, начинаем от 75% от размера ключа и пока не станет больше чем входное изображение
         float Rate = 0.75f + 0.25f*float(i); 
         int SearchStep = int(15.0f*Rate); 
         CvSize KeyImgSize = pAM->GetKeyImageSize(); 
         sRect.width = int(KeyImgSize.width*Rate);// Устанавливаем новый размер окна поиска 
         sRect.height = int(KeyImgSize.height*Rate);
         // Окно больше входного изображение? (если да, то конец поиска)
         if((aInputImgSize.width < sRect.width) || (aInputImgSize.height < sRect.height)) break; 
         int eX = aInputImgSize.width - sRect.width; 
         int eY = aInputImgSize.height - sRect.height; 
         for(int y=0; y < eY; y += SearchStep) {// Сканируем всё входное изображение выбранным окном 
            for(int x=0; x < eX; x += SearchStep) { 
               sRect.x = x; 
               sRect.y = y; 
               long* pData; 
               CvAM_Parameters Param; 
               Param.ppUserTrackingInfo = NULL; 
               Param.TotalABases = pAM->GetTotalABases(); 
               if(pAM->Read(sRect, &Param.ObjRect, &pData, NULL, NULL, &Param.Similarity)) { 
                  RcgAMFunc(cRecognizedObject, pData, &Param, NULL); // Объект найден
               } 
            } 
         } 
      } 
      printf("<***> Simply recognition -> finish\n\n"); 
   } 
}

Сколько изображений будет храниться в среднем на 1 запомненный образ? AVM же запоминает не 1 изображение или его признаки, а целую пачку вроде?

Сколько конкретно матриц будут соответствовать конкретному образу, сложно ответить, всё зависит насколько хорошо этот образ поддаётся декомпозиции, насколько он контрастный, какова частота его текстуры, какие образы были записаны в дерево ранее. В принципе это всё можно увидеть в виде диаграммы, если в приложении Recognition.exe вызвать из главного меню: Распознавание/Показать ассоциативное дерево.

Ну примерно то можно сказать? Чтобы оценить порядок чисел

Ну вот, я сейчас взял, очистил дерево поиска AVM, и обучил его на объект «Лицо» и вот что получилось:

Итого оно запомнило 177 снимков размером 80х80 пикселей под 1 образ, так?

Нет, не так, запомнило 144 матрицы в дереве поиска.

Total bases/clusters: bases – ассоциативные ядра, clusters – дополнительные «кластерные» матрицы, нужны для большего «ветвления» дерева поиска.

Общее количество (и кластерных и матриц ассоциативных ядер) 177.

Если картинки мы бы еще запоминали - запомнили бы под 1 наш образ 144 картинки?
Кстати, а алгоритм выдаст номер картинки ведь, которую потом искать?

Метод Write может не только создавать новые матрицы в дереве поиска, но и использовать уже существующие. Так что пред записью лучше попробовать посмотреть с помощью метода Read, возможно нашей «области интереса» уже соответствует какое то ассоциативное ядро, и тогда или ничего не делаем или корректируем его содержимое.

>> Если картинки мы бы еще запоминали - запомнили бы под 1 наш образ 144 картинки?
Ну, это если каждому ассоциативному ядру ставить в соответствие уникальную картинку области интереса (а если картинки очень похожие?).

>> Кстати, а алгоритм выдаст номер картинки ведь, которую потом искать?
В том варианте, что я выше рассматривал, именно так, должен выдать индекс картинки в массиве указателей.

Хм, ну при малых количествах картинок нормально должно быть (144 картинки по 80х80 пикселей, 24 бита цветов - это чуть меньше 3Мб на образ).

Кстати, алгоритм AVM работает в ч/б или в цвете?

И еще - а получается все 144 картинки если их тупо запоминать могут оказаться со смещениями? Или если их нормально запоминали - они будут 1 в 1 только с разными видео-помехами?

>> Кстати, алгоритм AVM работает в ч/б или в цвете?
Алгоритма AVM работает с черно-белыми изображениями (цвета не видит).

Что бы в приложении Recognition.exe посмотреть исходное изображение для алгоритма AVM, нужно из главного меню выбрать: Распознавание/Показать входное изображение.

>> И еще - а получается все 144 картинки если их тупо запоминать могут оказаться со смещениями?
Ну, думаю, если объект в кадре дергали туда-сюда, и поворачивали под разными углами, то мы именно это на картинках и увидим (смещение в кадре/поворот изображения).

Считаю целесообразно использовать AVM не в качестве распознавателя, а в качестве фильтра. Т.е. быстро и неточно находить образы, а потом хоть корреляцией уточнять позицию "маяка".

Так я это и предлагаю, просто выясняю сейчас, как оно работает, в какое место лучше подцепиться

Добавлено спустя 2 минуты 41 секунду:

EDV писал(а):>> И еще - а получается все 144 картинки если их тупо запоминать могут оказаться со смещениями?
Ну, думаю, если объект в кадре дергали туда-сюда, и поворачивали под разными углами, то мы именно это на картинках и увидим (смещение в кадре/поворот изображения).

А вот это хуже в этом случае не ясно, что считать правильными координатами образа, особенно если его поворачивали... Надо подумать. А если не крутить и не трясти - оно нормально распознаётся? То есть можно ли для начала считать, что образ во время обучения неподвижен? Не сильно хуже результаты будут?