Smorodov

На мой взгляд неплохая коллекция ресурсов: здесь .

Да, плотно налегли на глубокие сети.

Ну тут все еще зависит от того что мы хотим. И классов может быть больше, и задача может быть не классификация, а обработка изображения, например, но в простейшем случае да, бинарная классификация, близкая к той что провел бы человек, работает лучше в HSV или CIELaB чем с RGB или BGR.

Ну так потому же что и для художников и дизайнеров, можно манипулировать цветами в более человеческом восприятии. Цвет люди воспринимают отдельно от его насыщенности и светлоты, а в RGB все перемешано. В основном, HSV применяют когда хотят выбирать что то определенного цвета (имею ввиду длину волны). "Красное" и "Красно-зеленое" стоят рядом, то же с "Красное" и "Красно-синее", причем на одной оси, и абстрагировано от насыщенности и светлоты, которые часто могут быть эффектами освещения. CIELaB более сложное пространство, и требует больше вычислений, но зато более точно отображает восприятие расстояния между цветов по отношению к человеческому восприятию. RGB - удобное машинное представление, наиболее быстрое, годится для большинства задач, кроме случаев описанных выше и аналогичных где надо работать с человекопонятными цветовыми осями. В любом случае, переход в другую систему координат не добавляет количество информации в изображении, однако может перевести цвет в форму, более линейно разделимую что ли, где необходимый вам цвет с его вариациями, представлен более компактным объемом, легко отделимым от всего остального.

Посмотрите здесь:

Тут вроде хорошо написано: О цветовых пространствах

Ну так добавляете немного шума, измеряете, если меньше чем надо добавляете еще. Так получите желаемое с точностью до шага добавления шума.

PSNR не то что Вы ищете?

Нашел интересный список: http://avisynth.nl/index.php/Image_Processing_Algorithms

Выкладывал на форуме в теме про распознавание текста.

Вышла еще одна книжка (см. №3) и я решил для удобства собрать эти книжки вместе: 1)"Learning OpenCV. Computer Vision in C++ with the OpenCV Library. 2nd Edition" http://shop.oreilly.com/product/0636920022497.do Благородная попытка перевода ее на русский язык первого издания этой книги: http://locv.ru/wiki/%D0%93%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 2)"OpenCV 2 Computer Vision Application Programming Cookbook" ссылка на исходный код на сайте http://www.laganiere.name/opencvCookbook/ 3)"Mastering OpenCV with Practical Computer Vision Projects" очень интересные проекты с исходниками. http://www.packtpub.com/cool-projects-with-opencv/book исходники здесь: https://github.com/MasteringOpenCV/code Еще одна книжка с opensouce исходниками: Practical OpenCV By Samarth Brahmbhatt Список книг по Opencv от opencv.org: http://opencv.org/books.html Еще бесплатная книжка: "Modern Robotics with OpenCV" здесь: http://www.sciencepublishinggroup.com/book/B-978-1-940366-12-8.aspx

Вот кривые RGB на opencv, С++ правда. http://stackoverflow.com/questions/23641208/how-to-draw-curve-on-control-points-using-opencv/23659732#23659732

Посмотрите тут, может что пригодится: https://github.com/caesar0301/awesome-public-datasets

FPGA плата для обработки изображений. (Open hardware): https://hackaday.io/project/15696-rggber-a-open-hardware-for-image-processing

В DLIB встроен неплохой обучаемый детектор на основе HOG. Можно попробовать OpenCV-шный cascade detector.

Можно тут взять базовый пример: http://docs.opencv.org/2.4/doc/tutorials/imgproc/imgtrans/hough_circle/hough_circle.html Только что то не сильно я верю, что это будут хорошо работать в данном случае, но попробовать можно. Посмотрите еще такой вариант: http://fox.ino.it/home/cosimo/public/ICIAP2013_CR.pdf Ну и трекер здесь нужен.

Немного радикально, но как вариант : https://devblogs.nvidia.com/parallelforall/detectnet-deep-neural-network-object-detection-digits/ А вообще, неплохо было бы изображения добавить в вопрос.

Можно на OpenCL программить была статейка на хабре: https://habrahabr.ru/post/269009/ . Сложный последовательный код тащить на FPGA не резон, ну а так, все что можно параллелить пойдет очень хорошо.

Вот неплохая статейка с кодом для начала. http://www.learnopencv.com/image-recognition-and-object-detection-part1/

Лучше не использовать старый интерфейс, используйте cv::Mat вместо IplImage и функции cv::Функция вместо CvФункция. Относительно доступа к пикселам посмотрите здесь: http://docs.opencv.org/2.4/doc/tutorials/core/how_to_scan_images/how_to_scan_images.html Может еще это будет интересно:

Ну наверное я перепутал ее с той что в примерах к CUDA была.

DenseCut : http://mmcheng.net/densecut/ Есть еще любопытная библиотека: http://research.project-10.de/dgm/doc/index.html , но я пока не тестил. Вроде в OpenCV была GPU-шная версия gpubcut, или ее тоже удалили ?

Последовательность простая: 1) Детектировать лицо. 2) Вырезать найденный фрагмент изображения с лицом. 3) Масштабировать под заданный размер (128х128 например) 4) Создать список меток, например 1 и 0 5) Использовать распознавалку лиц. (самые простые это PCA и LDA ) можете посмотреть еще OpenBR.

Камеры резервируют поток при подключении, а не при захвате кадра, и вышибают друг друга если потока не хватает. USB все таки осуществляют синхронный обмен данными, и кадры с камеры идут постоянным потоком, независимо от того как часто Вы их запрашиваете.

Скорее всего это связано с нехваткой пропускной способности порта. Камеры, как и цифровые колонки и микрофоны кстати, резервируют для себя определенной (довольно большой) ширины канал, поэтому обычно больше одной камеры на один usb-хост не вешают. Ну еще может быть питания не хватает, хотя это менее вероятно чем первое.