Nuzhny

Avisynth очень известная и мощная штука, но такой хороший сборник алгоритмов я не видел. Спасибо.

Я открыл списки датасетов по лицам: 1. http://www.face-rec.org/databases/ 2. https://www.kairos.com/blog/60-facial-recognition-databases Минуту пощёлкал по ссылкам, что-то похожее открывается: http://arma.sourceforge.net/chokepoint/ http://www.scface.org/ Не скачивал, просто по картинкам на сайте смотрю. Мне кажется, что надо двигаться именно в этом направлении ("face recognition videos dataset" in Google).

Если всё так идеально, то можно и Хафом найти. Но ведь на практике не идеально, да? Тогда надо уже обучать, как это делают для детектора лиц, пешеходов и т.п.

Боюсь, что данная книга безнадёжно устарела. А перевод может быть полезен только тем, кто занимается техническим английским.

Просто круглого? Цвет, размер (хотя бы примерно) известны? Я бы выделял несколько признаков и сделал бы один классификатор поверх. В качестве признаков можно брать и цвет, и яркость, и того же Хафа, а классификатор - наивный байес или SVM. Возможно, что отличным выходом было бы обучение Adaboost с фичами Хаара. Потом что мы имеем: фото или видео? Если видео, то обязательно добавил бы трекинг алгоритмом типа KCF. Надо чётче выделить предметную область.

В смысле тебе нужно видео типа как с камер в метро? Чтобы лица можно было распознавать?

В OpenCV 2.4

Оно?

Это какая-то неправильная бинаризация. И где результат работы CLAHE? У него много параметров, можно их менять.

Возможно, возникла путаница в Debug|Release сборках.

В OpenCV есть примеры.

Оптимизировать можно практически всё и всегда. Но есть ли смысл? Если мяч будет не одноцветным, то все построения могут рассыпаться в минуту.

К сожалению слабо разбираюсь в железе. Что оно даёт? Можно будет аппаратно запускать на ней HOG на видео? Или нейросеть для сегментации? Что для этого надо делать конечному пользователю (т.е. программисту на С++ или Питоне)?

А мне кажется, что совсем не будет.

Мне кажется, что игра не стоит свеч

Зависит от того, что за объекты. Если детали на ленте, то почему бы и нет?

Спасибо! В обоих программах указан минимальный размер детектируемого объекта. Видимо, он больше дальнего нарушителя. Multitarget-tracker использует для трекинга фильтр Кальмана, который надо настраивать, чтобы он лучше "прилипал" к объекту. У feintrack'а стоит ещё период отсеивания ложных сработок. Т.е. если объект детектировался менее какого-то времени, то он не выводится. Похоже, что именно поэтому первый нарушитель определился так поздно. У обоих детекторов много настроек, которые касаются конкретных ситуаций. Видимо, их надо вынески в файл-конфигурации для удобства задания параметров.

Совсем забыл о предложении потестировать: вот детекторы. Первым параметром указывается путь к исходному видео, вторым - имя видео, куда сохранить реультат. Т.к. для захвата используется ffmpeg, то он может проигрывать и папку с картинками, проблем быть не должно. Буду благодарен за тестирование, интересно посмотреть результат.

Можешь показать список изображений (только имена), чтобы научиться его читать?

Слушай, раз пошла такая пьянка с тестированием. Предлагаю из интереса проверить на этом видео ещё два алгоритма. Во-первых, мой, который вынесен в начальное сообщение темы. Во-вторых, ещё один проект - плод труда трёх здешних формучан (Smorodov'a, BeS'a и немножко моего): Multitarget-tracker Раз уж ты не дружишь с С++, то я могу скомпилировать на виртуалке оба проекта и отдать тебе. А ты запустишь их на своих видео и выложишь аналогично своему. Как тебе такой расклад?

Выглядит круто!

Тебе надо научиться делать на С++ dll и экспортировать из них функции в C#. Ты же знаешь, что такое маршалинг и все дела? P.S. Компьютерное зрение сейчас - это С++ и Питон. Можно Матлаб. Но никак не C#.

Неа, я под Убунтой сижу. Но тут С++ программистом и не надо быть: просто скачать оба репозитория, сконфигурировать CMake по инструкции, запустить студию и скомпилировать. Всё. С другой стороны не очень понятно, что ты будешь делать с тем, что кто-то скомпилирует. Ты сейчас Emgu CV используешь? Там же не появится трекинг только потому, что он будет скомпилирован в С++.

Думаю, что VOTR тут так сразу и не поможет. Предлагаю разобраться с тем, как можно исключить объекты на этапе вычитания фона и объединения в объекты. Во-первый, вычитание фона: 1. Раз ты используешь BackgroundSubtractorMOG, то было бы логично начать с его тюнинга. Ты пробовал увеличить число Гауссианов на пиксель? Теоретически это может привести к тому, что в каждом пикселе будет один гауссиан, отвечающий за снег. И, соответственно, этот снег перестанет детектироваться. 2. Можно попробовать динамически менять чувствительность (порог). Например, пользователь выставляет значение х, а ты его можешь автоматически менять в некоторых небольших пределах: +-0.05 * х. Если детектироваться начнёт слишком много объектов, то программа сама автоматически увеличивает порог, немного ухудшая чувствительность. Например, было значение x = 70 +- 10. Всё нормально, объекты детектируются, ложняков нет. Вдруг в течение некоторого времени алгоритм детектирует слишком много всего, порог автоматически повышается +1, +1, +1.... Пока не дойдёт до 80. Когда в течение некоторого времени сработки детектора прекращаются, порог также по одному медленно возвращается к установленному пользователем значению. Объединение в объекты. Что используется? Контуры, четырёх-, восьмисвязность? Предлагаю смотреть не только факт наличия объекта, но и его моменты (под моментами понимаются Ху моменты и другие, описывающие форму и ориентацию). Уверен, что детектор хоть и выделяет большими квадратами огромные куски, но пикселей переднего пла в них мало. Можно посмотреть соотношение площади к периметру объекта, его протяжённость. Качающийся провод тоже может дать ложную сработку, но он длинный и тонкий - легко отсеять. Аналогично для снега: уверен, что снежинки при детектировании представляют собой весьма экзотическую форму и не похожи на типичного нарушителя - человека или автомобиль. P.S. Я бы ещё взглянул на промежуточный результат - бинарную маску после вычитания фона.

Вот же! Как это подключить к OpenCV написано по ссылке.