Перейти к содержимому
Compvision.ru

iskees

Пользователи
  • Количество публикаций

    181
  • Зарегистрирован

  • Посещение

  • Days Won

    18

iskees last won the day on May 15

iskees had the most liked content!

Репутация

29 Эксперт

О iskees

  • Звание
    Эксперт
  1. У меня подозрение на Sleep(), попробуйте просто засунуть его в бесконечный цикл и посмотреть нагрузку.
  2. Нет, эффект дисторсии не зависит от расстояния до объекта, но он больше проявляется на краях изображение поэтому лучше что бы тестовое изображение занимало весь кадр. Если вы не видите дисторсию глазами значит для вашей задачи она не имеет значения. Кроме того, на дорогих фиксах ее практически может и не быть, и сама камера может ее исправлять на "борту".
  3. Сделайте снимок на котором есть вретиакальный и горизонтальные прямые, та-же шахматная доска подойдет. И проверьте являются ли эти линии прямыми на изображении , можно в любом графическом редакторе начертить линию между двумя крайними точками и посмотреть совпадет ли она с изображением. Если искоренения есть то линии будут кривыми.
  4. Автономное движение робота.

    Таких функций нет. Все намного сложнее чем вам кажется и с одной камерой практически не реализуемо. Смотрите в сторону стерео ну или дальномеров\ледаров.
  5. Есть учебник А. Н. Лобанов "Фотограмметрия" 1984 год. Глава 9. Анализ одиночного снимка. Как раз на эту тему
  6. Модель конечно странная, мало того что жутко избыточная так еще и цветная хотя примеры одноканальные. ошибки у вас при тестировании. В этом месте # Преобразуем изображением в массив numpy x = image.img_to_array(img) x = 255 - x #Нормализуем изображение x = np.expand_dims(x, axis=0) вместо x=255-x это же инвертирование у вас там нужно делить на 255 что бы привести в диапазон 0-1 x =x/255.0 x = np.expand_dims(x, axis=0) это не нормализация а просто добавление одного изменения в массив ну и loaded_model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"]) делать не нужно сеть же уже готовая import numpy as np from keras.preprocessing import image from keras.models import model_from_json json_file = open("D:\\neuro\\NS.json", "r") loaded_model_json = json_file.read() json_file.close() loaded_model = model_from_json(loaded_model_json) loaded_model.load_weights("D:\\neuro\\NS.h5") img_path = 'D:\\neuro\\test\\circle\\2986.png' img = image.load_img(img_path, target_size=(150, 150), grayscale=False) x = image.img_to_array(img) x =x/255.0 x = np.expand_dims(x, axis=0) prediction = loaded_model.predict(x) if prediction<0.5: print('circle') else: print('square') img_path = 'D:\\neuro\\test\\square\\2976.png' img = image.load_img(img_path, target_size=(150, 150), grayscale=False) x = image.img_to_array(img) x =x/255.0 x = np.expand_dims(x, axis=0) prediction = loaded_model.predict(x) if prediction<0.5: print('circle') else: print('square') вывод: circle square Да и число эпох сделал 10 и батчсайз 128 что бы не ждать "пол часа"
  7. судя по svm.setKernel(SVM.RBF); у вас RBF функция, а HOGDescriptor принимает только линейную (https://docs.opencv.org/3.4.1/d5/d33/structcv_1_1HOGDescriptor.html). virtual void cv::HOGDescriptor::setSVMDetector ( InputArray _svmdetector ) virtual Sets coefficients for the linear SVM classifier. Ну и вызовите getDescriptorSize да сравните с размером вашего детектора.
  8. Вообще все книги на данную тему довольно однотипные, берите первую какую найдете. Есть хороший курс для начинающих "Введение в компьютерное зрение и глубокое обучение", читаемого на факультете ВМК МГУ в весеннем семестре 2017 года. На ютубе лежит.
  9. Пo C# OpenCV и linux: принципиальных сложностей там нет, emgu есть в Xamarin версии и спокойно запускается на Linux, Unix. Если проект написан только с использованием emgu, то ничего переписывать не придется. По в целом ANPR системам: на рынке(российском) есть несколько хороших продуктов, но все они рассчитаны больше на корпоративных клиентов (основной заказчик госсектор). Для "частников" особо ничего нет, связано это частично с высокой стоимостью и сложностью таких систем и частично с низким спросом. Под требования vash_sa (unix, русские номера, и железо типа малинки) вообще ничего нет, ни в виде сдк ни в виде готовых продуктов. В OpenSource нормального тоже ничего нет, есть много поделок типа: нашли номер соболем ( хааром, cnn) натравили на него tesseract и получили номер. Точность у них в лучшем случае 80-90%. Что бы выйти на хоты бы 95%, нужно потратить очень много времени и ресурсов, соответственно в отрытый доступ никто это не выложит.
  10. [Help] Работа с видео

    CopyFromScreen это пример метода который "встроен" в C#, в питоне есть аналоги. Можно вообще на заморачиватся, и взять vlc запустить там захват экрана и пустить все это в rtsp поток, который уже без проблем подхватит opencv.
  11. [Help] Работа с видео

    В opencv нет методов для захвата картинки с экрана, да и не должно их там быть. Используйте другие библиотеки или winapi(в том же C# из коробки есть метод CopyFromScreen), по скорости 10fps у вас точно будет, нужно будет больше потом перепишете это место. Проблемы у вас возникнут явно не с этим. И подумайте 10 раз над выбором языка, с++ не самый просто язык.
  12. Для начала глубокое знание теории не обязательно. Достаточно общего представления. Можете пройти курс на stepik.org потратив пару дней. По практике: Используйте более высокоуровневые фреймворки типа Keras (есть учебник с примерами на русском "библиотека Керас - инструмент глубокого обучения"). Там все довольно просто.
  13. Тренировка (haar cascade training)

    1. количество примером чем больше тем лучше. Количество положительных и отрицательных должно быть примерно равным. 2. Положительный пример - это фотография где есть искомый объект. Т.е. это целая фотография, в которой указывается область где есть объект. Обрезать ничего не нужено. Сам размер области и всей фотографии не важен. Но каскад у вас 20 на 20, т.е. квадрат и область желательно делать тоже квадратной. И да надо будет руками отмечать области. 3. Отрицательный пример - это фонография где нет искомого объекта. ЕЕ размер тоже не важен. 4. Качество телефона вполне хватит.
  14. Работа с камерами

    Была такая же проблема, помогла установка частоты опорных кадров на 1.
  15. Распознавание лиц

    Hog + нейронная сеть мягко говоря ну лучший вариант для распознавания лиц. Напишите зачем вам эту нужно, какие требования к качеству, как планируете использовать и почему именно hog.
×