Перейти к содержимому
Compvision.ru

Flame

Пользователи
 Профиль  Активность

  • Количество публикаций

    34

  • Зарегистрирован

  • Посещение

  • Days Won

    1

Сообщения, опубликованные пользователем Flame

  3. Опубликовано · Report reply

    Идентификация личности с использованием алгоритмов сравнения изображений.

    Короче задача типа следить за студентом который проходит тестовое задание. одна камера постоянно находит его лицо и сравнивает с изображением в бд, вторая смотрит чтобы рядом никого небыло:)

  5. Опубликовано · Report reply

    Для борьбы с разной освещенностью иногда помогает функция cvEqualizeHist.

    JoQeR, свою реализацию придумали или сделали как на хабре?

    я то что в 56м посте писал плохо работает на других базах, переделал, стало лучше :)

    На паспортном контроле вроде используется метод с отношением расстояний между ключевыми точками лица (забыл как называются они); ну типа расстояние между зрачками, носом, ртом, и т п...

  6. Опубликовано · Report reply

    ага, вроде разобрался.

    dctSize - Размер окна в котором будем находить коэффициенты ДКП

    obsSize - Количество значимых коэффициентов.

    delta - А вот это сдвиг (в пикселях?)

    только я не совсем понял, в дефолтных параметрах размер сдвига 4 на 4, тоесть всего лишь по 4 пикселя раждый раз?

    и еще непонятно почему в исходниках #define MAX_DCT_SIZE 32

    тоесть максимум окно может быть 32 х 32 пикселя.

    Тоесть не получится сканировать например прямоугольным окном чисто по вертикали.

    Видимо создатели библиотеки посчитали 32 максимально оптимальным

  7. Опубликовано · Report reply

    Кто может примерно обьяснить что и какой из этих параметров значат и что дают для обучения и распознавания?

    И обязательно ли ставить одинаковые параметры для обучения и распознавания?

    
const int OBS_WIDTH = 12;

const int OBS_HEIGHT = 12;


const int NO_DCT_COEFF_X = 4;

const int NO_DCT_COEFF_Y = 4;


const int STEP_X = 4;

const int STEP_Y = 4;


const int MAX_ITER = 80;

const double STOP_STEP_ITER = 0.01;

  9. Опубликовано · Report reply

    Попробовал так сделать, значения слишком большие получаются

    Вот для изначальной реализации взятой из вашей программы на билдере:

    2WZCfX1h.jpg

    Соответственно минимальные значения для каждой тестовой фотки:

    
Мои:         Хабр:

0.0329157    0.49

0.109273     0.85

0.0582627    0.47

0.16966      2.08
    Если добавить деление на сумму всех чисел для собсвенных векторов: 
    
float summ_eigen = 0;


    for(int i = 0; i < N_People * N_Samples; i++)

    {

        summ_eigen += EigenVals->data.fl[i];

    }


    for(int i = 0; i < N_People * N_Samples; i++)

    {

        EigenVals->data.fl[i] = EigenVals->data.fl[i] / summ_eigen;

    }

    Получается так: (значения min):

    75V2iAXr.jpg

    Видимо буду тогда делать по своему алгоритму с суммами, там все лучше получается

  11. Опубликовано · Report reply

    я тут другое придумал:

    1. Обучаем алгоритм например по 4 фотки для каждого человека. Условие: Фотки одного человека должны идти по порядку.

    2. Загружаем тестовое фото любого человека из выборки, которое не использовалось в обучении, например 7.

    3. Находим расстояния в пространстве от вектора тестовой фотки до всех других объектов по порядку.

    4. Складываем расстояния до обьектов одного человека.

    5. Полученную сумму сравниваем с другими такими суммами. Она будет меньше чем другие.

    А если тестовое фото будет вообще другого человека не из выборки, то сумма будет больше той суммы в пункте 5.

    таким образом можно и отбрасывать левых человек получается

    Вроде так алгоритм должен лучше работать, как думаете?

  12. Опубликовано · Report reply

    Ребята, подскажите, вот у меня получается максимальное расстояние от вектора до других обьектов не превышает 2, а вот в статье на хабре

    15.png

    тут получается аж 21, если мы подаем незнакомое лицо.

    с чем это может быть связано? у меня если даже незнакомое подаешь на проверку всеравно там не больше 2х...

    Если много фоток взять в обучающую выборку, то соответственно и расстояния уменьшаются до вектора...

    Никак не могу понять как задать порог для отсеивания неизвестных лиц, может кто нибудь делал?

    Ну тоесть с увеличением обучающей выборки порог всегда разный..

  14. Опубликовано · Report reply

    А кто нибудь реализовывал порог отсечения левых лиц в этой проге? по статье на хабре там порог 2.2 у него а у меня что то расстояния редко больше 2х получаются...

    или в данном коде 

    
for (i=0; i < nEigens; i++)

        {

            float d_i = projectedTestFace[i] - coeffs[iTrain][i];

            distSq += d_i * d_i/EigenVals->data.fl[i];

        }

    считается эвклидово расстояние? а в статье я так понял расстояние Махаланобиса. Кто знает как его посчитать?

    Я так понял что по PCA проще сделать порог отсечения, чем по марковским моделям

  16. Опубликовано · Report reply

    Да там надо просто директорию указать, там будет что то типа Include files или типа того, указываешь ему директории где заголовочные файлы лежать и все.

    Либо кинь все заголовочные файлы *.h в директорию где у тебя экзешник будет уже скомпилированый, а в обьявлении заменяешь

    #include <highgui.h> на #include "highgui.h"

  21. Опубликовано · Report reply

    скомпилил на с++ в студии, скорость сравнима с тем что на линуксе :) правда не сразу понял как файлы из папки грузить, но вот сделал так, вдруг кому интересно станет:

    
char a[] = "C://faces//s";

char b[] = "//";

char c[] = ".pgm";


char filenames[20];


for (int j=0;j<N_People;j++) // Цикл по разным людям

	{

		for (int i=0;i<N_Samples;i++) // Цикл по фотографиям

		{

			sprintf(filenames, "%s%d%s%d%s", a, j+1, b, i+1, c);

			img_load = cvLoadImage(filenames);

    Я в итоге реализовал на С++, а на С# написал враппер на некоторые функции. На плюсах действительно все быстрее работает, главное избегать утечек памяти

    А я с тем ковырялся добавил тока ему нейм спейс еще чтобы использовать совместно с враппером OpenCVSharp потому как у последнего все удобнее сделано но там нет марковских моделей почему то. а добавить их туда я че-то не осилил. Там есть PCA, он работает быстро. может если туда добавить Марковские модели будет быстрее :)

    Вы писали с нуля враппер именно для марковских моделей чтобы использовать их в С#?

    Кстати по поводу утечек памяти в студии есть такая штука gcnew, для борьбы с утечками

  23. Опубликовано · Report reply

    Smorodov, щас ваш проект билдеровский скомпилировал под рабочим компом с линуксом (opensuse 12.1 kde 4.8)в консольном QT проекте на чистом C++, и что то оно гораздо быстрее работает с теми же самыми выборками, чем у меня дома в винде на си шарпе с использованием того враппера что ShurikEV предлагал. Прям в разы.

    А дома комп гораздо быстрее :) что то тут не то :) попробую дома скомпилить под C++ в студии.

    Правда под линем библиотека 2.4 а дома 2.3.1, и и на лине консольный проект а дома виндовый под GUI.

    Неужели сишный код настолько быстрее :)

    может еще дело в том что на винде используются динамические библиотеки а в линухе статические :) или может то что я под линухом сам библиотеку собрал а в винде уже собраные использую, но это врятли так то

×