Перейти к содержимому
Compvision.ru

Smorodov

Главные администраторы
  • Количество публикаций

    3 873
  • Зарегистрирован

  • Посещение

  • Days Won

    346

Smorodov last won the day on January 26 2023

Smorodov had the most liked content!

Репутация

579 Эксперт

7 подписчиков

О Smorodov

  • Звание
    Администратор
  • День рождения 04.02.1978

Profile Information

  • Пол
    Мужской
  • Расположение
    Ленинградская область, п. Вырица.

Посетители профиля

14 354 просмотра профиля
  1. Запись видео из исходных данных

    Может быть из-за кодеков. Поставьте, например K-Lite Mega codec pack.
  2. C:\opencv\build\include

    pch это precompiled headers , заголовки импользуемые для ускорения компиляции, их использование можно отключать. Я не ставлю обычно openCV из бинарников, а собираю из исходников, так надежнее и настроить можно как надо, плюс примеры тоже собрать можно. Ни разу не подводило. Ну и на рабочем столе держать, лучще не надо, там структура директорий довольно глубокая и с пробелами, плюс русские буквы. Сделайте путь попроще, желательно без пробелов и латиноцей, предупредите потенциальные проблемы в будущем.
  3. Привет! Отмасштабировать в видимый спектр, и отрисовать, преобразовав в RGB, например как здесь: https://gist.github.com/friendly/67a7df339aa999e2bcfcfec88311abfc Ну или напрямую, через https://docs.opencv.org/4.x/d3/d50/group__imgproc__colormap.html Нормировав к диапазону 0-255.
  4. Здравствуйте, вам нужны не нейронки а вероятностные графовые модели (PGM), посмотрите редактор который я прикрепил для примера: samiam30_windows_amd64.zip Их как раз используют для вывода вероятностей по заданным факторам, причем эта штука обучаемая по данным.samiam30_windows_amd64.zip На coursera есть курс Probabilistic graphical models, там как раз на этой софтинке упражнения были, правда я проходил его давно, может что то поменялось.
  5. Интересная тема, но юридически неоднозначная. Кстати из видео прото нарезался датасет. Затем училась сеть, прогонялась по видео, вырезались ошибочные срабатывания, добавлялись в датасет и все по новой. А с психическими отклонениями думаю без динамики сложно будет точность приемлемую получить. Хотя, обратите внимание на морщины, они должны отражать статистику движений.
  6. Но даже простая нейронка, типа LeNet, по ощущениям работает лучше. Правда данных много надо было, я 5 териков видео скормил, работало очень четко, эмоции пропорионально выводило, даже с самых слабых. Вход был всего 64х64, в серых тонах, работало в реалтайме на мобиле. Видел на гитхабе подобные. FACS все теки на человека больше расчитана, как можно сократили количество признаков для удобства использования.
  7. Ну так если проверять, то должны быть известны эталонные контуры. Вот находите в базе эталонов тот, с которым в данный момент работаете и сравнивайте с ним по ключевым точкам. Простейший метод скавнения контуров - по моментам контура. Выровняйте оси и центры, и найдите точки на контуре, ближайшие к точкам на эталоне.
  8. Всегда ли одинаковая форма детали? Если да, то упростите контур, найдите какую то начальную точку, отсчитайте от нее нужные отрезки и будут вам координаты. По поводу упрощения контуров: https://pyimagesearch.com/2021/10/06/opencv-contour-approximation/
  9. Посмотрите еще: cv.minAreaRect собственные оси и этот метод рабртают немного по раному, смотрите сами какой больше подходит. Описание здесь: https://docs.opencv.org/3.4/dd/d49/tutorial_py_contour_features.html
  10. Ищите собственные оси и центр масс. Тут пример: https://robospace.wordpress.com/2013/10/09/object-orientation-principal-component-analysis-opencv/
  11. Так в программе, которую Вы приводите выше, координаты прямоугольника, ограничивающего контур, x,y - это верзнй левый угол, w, h - ширина и вытота. Центр - x+w/2, y+h/2 Как выводить текст, см. пример по ссылке в моем предыдущем ответе. Русские буквы стандартный cv2.outText не выведет, используйте латиницу.
  12. Я не уверен понял пробблему, проблема с выводом текста в заданные координаты? https://www.geeksforgeeks.org/python-opencv-cv2-puttext-method/
  13. А зачем карту глубины? Если надо найти координату на дороге, или скорость, то дорога плоская, координата и направление камеры известны. Точнее получится просто использовать 2D рамку. 3D генерируемые координаты, от монокулярных сеток, весьма приблизительные, вычисления тяжелые. Ну если очень надо, можно использовать 3D на основе оптического потока, думаю оно точнее будет. Ну если очень-очень хочется нейронкой, просто вычисляйте скользящее среднее по кадрам глубины, и используйте его, там конечно нужна будет коррекция с учетом скорости удаления/приближения, но это вроде должно аналитически выводиться аналитически.
  14. нахождение характеристик дуги

    Да возьмите или все координаты пикселей дуги, или каждую N-нную, или точки, и прогоните рансаком https://github.com/aerolalit/RANSAC-Algorithm , или скелетизируйие, например так: https://github.com/LingDong-/skeleton-tracing или https://stackoverflow.com/questions/22058485/how-to-implement-an-function-equivalent-to-bwmorph-matlab-function-in-opencv/22060992#22060992 MSE более чувствителен к шуму и равномерности плотности семплирования точек, чем рансак, но если данные чистые, то большой разницы не будет. Но чистые данные, это обычно большая редкость )
×