Перейти к содержимому
Compvision.ru

Вся активность

Этот поток обновляется автоматически     

  1. Today
  2. Детектирование глаз

    я думаю хорошо получилось. Только я бы посоветовал применить ИК, делать анализ закрытия глаза именно по зрачку, а не в момент смыкания век. например как на одном из кадров. Глаз открыт, но детекция закрытости.. + у Вас картинка очень хорошая, в реальности такое наверное не часто будет.
  3. Детектирование глаз

    старая реализация, работа двух камер одновременно, чип rk3399. 1.mp4
  4. Детектирование глаз

    Могу только биометрию показать на расберри. Это серверная реализация нашего модуля https://face.neurocam.com/#/ Это излишне, проще тогда комп. поставить.
  5. Для создания потока h.264 внутри камеры работает кодер на основе детектора движения, который отлавливает изменения между кадрами. Декодер восстанавливает кадры. Как можно получить информацию с декодера об изменениях в кадре?
  6. Детектирование глаз

    А в Raspberry можно же воткнуть тот же Intel compute stick и для запуска на нём сеток?
  7. Детектирование глаз

    нет я просто хотел сравнить со своим без оптимизаций и тд
  8. Детектирование глаз

    Показал, то, что было. Остальное нет смысла показывать, так как там запись с устройства которое поставляется заказчику. Да и толку нет в этом видео., видео можно смонтировать или еще как то....
  9. Детектирование глаз

    самого интересного не увидел детекция глаз открыты\закрыты и ландмарк оптимизированный или он только для скорости?
  10. Yesterday
  11. Детектирование глаз

    На расберри (старое), но тут оценить сложно скорость. Отображение идет через веб браузер, обновление станицы раз в сек.
  12. Последняя неделя
  13. Я просто сомневаюсь в том что нет другого способа оценить шум кроме как опытным путём т.е. после обучения. Мыже можем по выборки случайной последовательности определить статистическую значимость? Можем. Способ наверняка есть а значит не совсем "везде свои рецепты"
  14. О, тут всё зависит от задачи, для каждой свои рецепты. Шум может быть самый разный: если человек стоит на фоне лестницы, то HOG его не задетектит, потому что градиенты на границе будут ужасными. Такой сэмпл в обучающей выборке тоже будет типа выбросом, который сместит разделяющую гиперплоскость в совсем не ту сторону. Линейный SVM используется потому что быстрый. Тут есть два подхода: либо тщательно подобрать features vector (или сделать для него преобразование типа PCA, PLS....) и использовать линейный SVM или использовать SVM с RBF. Для той же детекции пешеходов используют HOG с линейным SVM, потому что скорость критична.
  15. Насколько я понимаю у нас шум ограничен снизу некоторой величиной может быть вследствии допустимой погрешности статистически значимой выборки. Может просто данных побольше ? Я сам давно окончил ВУЗ. Извините если где туплю. Надо повторить всё это. А PCA не самый хорошийалоритм для того исселедования что приведено в статье. SLPP и LPP показают лучшие результаты чем оригинал при детекции глаз и не только. А Умножение матриц должно хорошо распараллеливаться. P.S А RBF ядро уже стало как я понимаю стандартом для SVM. Линейная зависимость только в академических целях используется.
  16. Тут фишка немного в другом. Я уже говорил, что SVM чувствителен к шуму, особенно линейный. Несколько выбросов могут очень сильно сдвинуть разделяющую гиперплоскость в сторону. Как это можно решить? 1. Можно использовать нелинейный SVM (с RBF ядром, например). Он попытается адаптироваться не только к линейно неразделимым данным, но ещё и к выбросам тоже. Минус нелинейного SVM - он очень медленный. 2. Или же устранить выбросы. Например как? Например, перейти в другое пространство, где этих выбросов практически не будет. Самый простой способ - это PCA (метод главных компонент). Обычно берут многомерный вектор, делают PCA, а после берут оттуда только те компоненты, сумма значений которых составляет 95% от всех данных. То есть откидывают 5% самых малозначащих данных, которые чаще всего являются шумами. Часто получается, что эти 95% важных данных содержат в себе 10-20% компонент. Эта штука фактически представляет собой способность к обобщению и отлично работает с линейно разделимыми данными и устраняет исключительно шумы. Что представляет собой PCA в плане изображений - это силуэт, основные черты. То есть своё изображение по нему ты восстановить не сможешь, но будет точно понятно, что это изображение, например, является силуэтом человека. Ты мог видеть такие статьи ге есть усреднённое лицо человека европейской расы или среднее лицо женщины - это всё PCA. Есть и нелинейные преобразования, позводялющие уменьшить размерность данных и при этом улучшить работу классификатора, например PLS (partial least squares). Вот отличная статья по этому поводу: "Vehicle Detection using Partial Least Squares" Они добавляют к HOG кучу других фич типа симметрии, делают огрочный features vector, а потом его сильно сокращают с помощью PLS и подают его на линейный SVM. Посмотри на рисунок 5 в статье, как данные стали намного лучше линейно разделяться. Что получаем по производительности. 1. На этапе обучения нам надо: 1.1. "Обучить" - построить преобразование в новое пространство с помощью PCA или PLS: из картинок извлечь feature vector'а размера N, слепить их в один большой и вычислить параметры нового многомерного пространства размера N. Выделить значимое подпространство размера M < N. Сохранить. 1.2. Обучить уже классификатор (SVM) на новых feature vector'ах размера M: вычисляем по картинке HOG, применяем к нему PCA, берём M первых значений результирующего вектора. Обучаем на этих данных SVM и сохраняем. 2. Этап распознавания: 2.1. Загружаем PCA и SVM. 2.2. Берём изображение, считаем HOG, применяем PCA, берём M первых значений результирующего вектора, подаём в SVM. Профит! У нас получается, что SVM обучается быстрее и работает тоже, но добавляется умножение на матрицу NxN. В каждом конкретном случае можем получить как ускорение, так и замедление процесса.
  17. Потомучто теряется часть информации. Вот взять к примеру дескриптор HOG с картинки 32х32. Размерность вектора будет огого, а чтобы увидеть его хотябы в 3D надо сильно сильно сплющить. И ещё вопрос получиться ли глазами классифицировать такую лепёшку.
  18. Почему удивительно? SVM чувствителен к шуму, тот же PCA или PLS отлично помогают с этим бороться.
  19. Попалась интересная статься о том как можно на глазок прочертить гиперплоскость при классификации через уменьшение размерности вектора. Некотрые методы даже приводят к улучшению точности, что само по себе удивительно. https://docviewer.yandex.ru/view/726924622/?*=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%3D%3D&page=1&lang=en
  20. Детектирование глаз

    а ктати у вас нет демо ролика работы вашего приложения на плате?
  21. Детектирование глаз

    Нет. Попробую проверить, интересно как у меня поведет данное решение. Спасибо PS В поиске глаз, больше всего времени уходит на нахождение головы, а сам глаз найти уже проще путем расчет пропорции его положения на голове.
  22. Детектирование глаз

    LexaP, а этот проект не смотрел? Концепция выглядит очень разумно
  23. Детектирование глаз

    "поиск инвариантов, исключение лишних звеньев в анализе", "изучение проблем мультиколлинеарности в регрессионных моделях" и так далее.... В итоге получаем быструю модельку, потребляющею минимум ресурсов.
  24. Детектирование глаз

    Моделька для рисования точек взята из DLIB с "оптимизацией слоев". А что такое "оптимизацией слоев" и что это дает?
  25. Детектирование глаз

    Собственная разработка, в свободном доступе нет, так как коммерческий продукт. Моделька для рисования точек взята из DLIB с "оптимизацией слоев". Попробуйте этот вариант https://github.com/freesouls/face-alignment-at-3000fps Но мне не понравилось, так как нужно обучать всегда (как я помню)
  26. Детектирование глаз

    "Например этот алгоритм c адаптацией под ARM выдает 100-150 fps на i5 процессоре" Это ваш алгоритм или он есть в свободном доступе?
  27. Детектирование глаз

    1. У меня по тз минимум 25 fps 2. На каком фраймворке YOLO используете, через opencv dnn можно ее загрузить? 3. svm есть для глаз из "коробки"? 4. ик тоже есть, но зрачок это не позволяет найти аналитически, слижком много разных ситуаций, да и детализация не позволяет блики находить или окружность зрачка
  1. Загрузить больше активности
×