Jump to content
Compvision.ru

Pavia00

Пользователи
  • Content count

    97
  • Joined

  • Last visited

  • Days Won

    15

Pavia00 last won the day on September 12

Pavia00 had the most liked content!

Community Reputation

26 Эксперт

About Pavia00

  • Rank
    Эксперт
  1. Фильтрация облака точек

    Я бы вот эти методы попробовал бы. http://ceur-ws.org/Vol-2391/paper23.pdf Медианы она когда у вас много кадров. А тут явно по 1 снимку восстанавливают. Нужно отсеявать по аналогии с мат.морфологий,- если точка имеет более 2-х соседний на расстоянии L то оставляем. Если соседний менее или вовсе, нет то удаляем. Можно ещё как тут. При еденичных и малом числе фото. https://vision.in.tum.de/data/datasets/intrinsic3d Нейронные сети https://vision.in.tum.de/research/image-based_3d_reconstruction/singleviewreconstruction
  2. Если у вас фотошоп то используйте кисть восстановления на номере. А так да обрабатывать его отдельно от машины. Вернее я бы его вовсе нетрогал. Выбрать по порогу яркие кляксы(blobs) заполнить внутренние пустоты матморфологией close. Смешать по маске исходное и фильтрованное. source and mask + filtered and (not mask) Лучше конечно маску размыть(blur) и в качестве альфы использовать в блендинге.
  3. Вот что мне тут гугл подбросил. Там ссылки на несколько десятков проектов. https://github.com/timzhang642/3D-Machine-Learning Я бы использовал угловой детектор и обучил бы классификатор так, что-бы каждый объект со своими углами поворота являлся отдельным классом.
  4. Есть метод BRISK - https://www.robots.ox.ac.uk/~vgg/rg/papers/brisk.pdf Сам не пробовал.
  5. На рисунке слипшиеся объекты. Классическим методом для разделения являются НС. Ещё можно через мат. морфологию оператор открытия - open . Ещё можно искать углы и восстанавливать четвёртый по трём другим. Через детектор особых точек(ищем углы). А далее школьная классика перебор точек через 3-и цикла и поиск прямоугольных треугольников.
  6. MIPI CSI-2 это стандарт шины. Тот который идёт от кристалла матрицы и он выдаёт 500 МБит/с не больше. 2592 px x 1944 px х8 бит= 40 Мбит 500/40=12٫5 кадров. Что бы обеспечить заявленные 60 камера выполняет сжатие. Просто оно минимальное по сравнению с остальными. GigE - это IP камера? Скорее нет чем да.
  7. idrua, "человек" - там отлично виден. Чётко видны: глаза, нос, рот - но это обычные jpeg артефакты. Взять траву или песок и там найдётся куча таких же литц. Конечно тут видны руки и шея. Но самом деле это известная фотография, одной фирмы по OCR, с демонстрацией бликов. - человек тут отсутствует. Мы не видим водителя значит и пассажира видеть не должны, следовательно это блик.
  8. На фото Вольво XC90. Россия
  9. Я бы классификатор на тренировал.
  10. Одназначно надо. Дисторсия она всегда большая. Да и углы тоже уплывут из-за афинных преобразований. Не говоря про перспективу. В opencv заложенно решение только для шахмотной доски.
  11. Железо. orange pi pc - оптимизированы для снежения энергопотребления. Поэтому скорости от них ждать не стоит. Что касается 64-битных процессоров то при одинаковой частоте они в 2 раза медленее по умножению. В среднеем по остальным командам на 30-50% медлее чем 32 бита. Вот если бы вы использовали криптографию тогда выигрышь возможен. Fpga сравнимый с pi вам обойдётся в 10 раз дорожи 150-300$. Dsp - как правило заточены под радио и звук. В таких платах просто нехватает памяти и производительности. Нужны специальные видеопроцессоры. А они как правило очень дорогие. Есть ещё процессоры для видеорегистраторов. 4 раз быстрее чем CPU - pi. Одна беда close hardware. Через несколько лет возможно появятся как открытые. Так что после pi берём дешовый комп i3 за 250-300 баксов. И если надо то видеокарту. Или б/у ноутбук, комп можно сэкономить. Код. Вам однозначно надо оптимизировать. Расчёт углов это медленная операция. А вот прр GPU - отпишитесь как удалось завести его или нет?
  12. Почитайте как правильно задавать вопросы. http://www.rsdn.org/Info/howtoask.xml Так как из вашего описания непонятно, что вы хотите? Какую задачу хотите решить? Поэтому и непонятно что отвечать. Вместо описания того, что вы делали вы должны были сказать, что вы хотите получить. Что касается разделения. То есть такая вещь как кляксы Blobs и контуры Conturs. Есть структуры, вернее классы которые их описывают. К примеру контуры описывают цепным кодом. А для клякс обычно матрица закрашенная номером кляксы. Вот используя такие алгоритмы, которые по вашим данным построят эти структуры и по ним вы можете определить моменты и/или координаты своих объектов. А когда найдёте координаты своих объектов далее уже определяйте к какому классу фигур(объектов, изображений) они относятся. Распознавание решается перебором и только перебором. Другое дело что есть ряд оптимизаций: пропуск белых пикселей, пирамида изображений с переходом на более высокий уровень, работа только там где есть особые точки (углы, контуры и др). ещё есть каскады и куча других методов для ускорения перебора.
  13. FPGA это не паноцея. 66 умножителей конечно много, но частота маленькая. Да и задействовать их непросто. По сравнению с DSP процессорами. При тойже цене, FPGA раза в 4 быстрее. Но сейчас взять что-то подороже непроблема.
  14. Проекция --> в 3D

    Обратное преобразование к проекции не имеет однозначного отображения. А если зафиксировать Z. То мы получим аффинное(матричное) преобразование.
  15. Аналог ф-ии bwareaopen MatLab

    Так как IplImage унаследован от Mat то можете смела его использовать как матрицу. Прямое и обратное преобразование будет происходить автомотически. Чтобы явно написать можно сделать так. //Преобразование из IplImage в CvMat, без копирования данных. CvMat cvmat = image; // convert cv::Mat -> CvMat Что касается обратного, то тогда если используете явное преобразование, то надо будет приляпать заголовок. IplImage stub, *dst_img; dst_img = cvGetImage(src_mat, &stub);
×