Modèn vizyon òdinatè. Travay ak teknoloji vizyon òdinatè. Programmation Odinatè Vizyon an Piton

Ki jan yo anseye yon òdinatè a konprann ki sa se montre nan foto a oswa foto? Sa a sanble senp, men pou yon òdinatè sa a se jis yon matris ki fòme ak zewo ak moun yo ki soti nan ki ou vle ekstrè enfòmasyon ki enpòtan.

Ki sa ki se vizyon òdinatè? Li se kapasite nan "wè" òdinatè w lan

Vizyon - se yon sous enpòtan nan enfòmasyon pou moun nan lè l sèvi avèk li, nou jwenn, dapre estimasyon divès kalite, ki soti nan 70 a 90% nan tout enfòmasyon. Epi, nan kou, si nou vle kreye yon machin entelijan, nou bezwen aplike ladrès yo menm ak òdinatè.

ka Pwoblèm nan nan vizyon òdinatè dwe deklare trè klè. Ki sa ki se "wè"? Mwen konprann ke kote gen jis pa kap. Sa konkli diferans ki genyen nan vizyon òdinatè ak vizyon imen. Vizyon pou nou - li se yon sous konesans sou mond lan, osi byen ke yon sous enfòmasyon metrik - ki se, kapasite nan konprann distans yo ak tout gwosè.

Semantik imaj Kernel

Gade nan foto a, nou ka dekri li pa yon kantite atribi, se konsa pale, yo ekstrè enfòmasyon semantik.

Pou egzanp, gade nan foto sa a, nou ka di ke li se deyò. Ki sa ki se trafik la vil la. Ke gen machin. nou ka devine ke sa a se sid-Azi de Lès sou configuration la, te nan bilding nan ak yewoglifik. pòtrè a nan Mao Zedong konprann ke sa a se Beijing, epi si nenpòt moun te wè ap viv videyo oswa tèt li te la, ta devine ke sa a se pi popilè Tiananmen Square la.

Kisa nou ka di plis enfòmasyon sou foto a, wè li? Nou ka idantifye objè ki nan imaj la, yo di, ke gen moun isit la pi pre - kloti. Isit la parapli, postè ke bilding lan. Sa yo se egzanp nan klas se objè ki enpòtan anpil, ki fè yo angaje nan rechèch pou moman sa a.

Toujou nou ka aprann kèk nan karakteristik yo oswa atribi nan objè yo. Pou egzanp, isit la nou kapab detèmine ke sa a se pa yon pòtrè yon Chinwa òdinè, savwa, Mao Zedong.

Dapre machin nan ka detèmine ke li se yon objè k ap deplase, epi li se difisil, ki pa defòme pandan mouvman an. Sou drapo ka di ke li objè yo, yo yo tou k ap deplase, men yo pa difisil, toujou ap defòme. Ak nan sèn nan gen van an, sa ki ka dwe detèmine pa devlope drapo, e yo ka menm detèmine yon direksyon ki nan van an, pou egzanp, li se mouche de gòch a dwat.

distans yo ak longè nan vizyon òdinatè

Trè enpòtan se enfòmasyon ki metrik sou syans vizyon òdinatè. Sa a se tout kalite distans. Pou egzanp, pou rover a se patikilyèman enpòtan paske ekip yo yo soti nan tè a apeprè 20 minit epi reponn kòm anpil. An konsekans, lyen ki ak tounen lakay ou - 40 minit. Men, si nou fè yon plan pou kòmandman mouvman nan Latè a, ou bezwen pran sa a nan kont.

Avèk siksè entegre teknoloji a nan vizyon òdinatè nan jwèt videyo. Dapre videyo a, ou ka bati modèl ki genyen twa dimansyon nan objè, moun, ak foto sou itilizatè a kapab retabli modèl yo ki genyen twa dimansyon nan vil yo. Lè sa a, mache sou yo.

vizyon òdinatè - yon seri olye lajè. Li se byen mare ak divès kalite lòt syans. Pati nan vizyon òdinatè Li kaptire zòn nan pwosesis imaj epi pafwa repati vizyon òdinatè, istorikman.

Analiz, modèl rekonesans - chemen ki mennen nan kreyasyon an nan entèlijans siperyè

Annou egzamine sa yo konsèp separeman.

Otomatik Imaj - sa a se yon zòn nan algoritm, nan ki D 'a ak pwodiksyon - imaj, epi nou gen l' fè yon bagay.

imaj analiz - se zòn nan nan vizyon òdinatè, ki konsantre sou travay ak imaj la ki genyen de dimansyon, epi fè konklizyon sa a soti nan.

Modèl Rekonesans - yon abstrè disiplin matematik ki rekonèt done nan fòm lan nan vektè. Sa se, nan papòt - vektè la epi nou gen yon bagay yo fè ak li. Ki kote vektè a se, nou se pa tèlman enpòtan yo konnen.

vizyon Odinatè - li orijinal te retabli estrikti a nan imaj yo ki genyen de dimansyon. Jodi a gen zòn sa a vin pi laj e li kapab entèprete kòm akseptasyon nan tout nan objè yo fizik fè, ki baze sou imaj la. Ki se, se li se travay la nan entèlijans atifisyèl.

Nan paralèl ak vizyon òdinatè nan yon jaden konplètman diferan, nan jeodezi, fotogrametri te evolye - yon mezi nan distans ki genyen ant objè sou imaj ki genyen de dimansyon.

Robo ka "wè"

Epi finalman - sa a se vizyon machin. Anba vizyon nan machin vle di yon vizyon nan robo. Sa se desizyon an nan kèk pwoblèm pwodiksyon an. Nou ka di ke vizyon òdinatè - se youn syans gwo. Li konbine kèk nan pati nan syans ak lòt. Lè vizyon nan òdinatè vin nenpòt aplikasyon patikilye, li vin nan yon vizyon machin.

rejyon vizyon Odinatè gen yon mas nan aplikasyon pratik. Li se ki asosye ak automatisation a nan pwodiksyon an. Nan antrepwiz yo vin pi efikas yo ranplase travay manyèl pa machin. Machin nan pa jwenn fatige, pa dòmi, li te gen iregilye orè travay, li se dispoze travay 365 jou nan yon ane. Se konsa, lè l sèvi avèk travay la machin, nou ka jwenn yon rezilta garanti nan yon sèten tan, epi li se trè enteresan. Tout travay gen yon sèvi ak klè pou sistèm vizyon òdinatè. Apre sa, se pa gen anyen pi bon pase yo wè rezilta yo imedyatman sou foto a sèlman nan etap nan kalkil.

Yo lonje sou papòt la nan mond lan nan entèlijans atifisyèl

Plus zòn nan - li difisil! Yon pati enpòtan nan sèvo a ki responsab pou vizyon, epi li se kwè ke si w ap anseye òdinatè ou a "wè", se sa ki, plen vizyon an itilize òdinatè, li se youn nan objektif yo nan plen entèlijans atifisyèl. Si nou ka rezoud pwoblèm nan sou nivo imen an, gen plis chans nan menm tan an, nou pral rezoud pwoblèm nan nan lavil Ayi. Sa se yon bagay ki bon! Oswa ou pa trè bon, si ou gade, "Terminator 2".

Poukisa se vizyon - li se difisil? Paske imaj la nan objè a menm ka varye anpil tou depan de faktè ekstèn. Tou depan de objè a nan pwen obsèvasyon gade diferan.

Pou egzanp, youn ak figi a menm, te pran nan men ang diferan. Ak sa ki pi enteresan nan figi la pouvwa gen yon sèl grenn je, de je ak mwatye nan yon. E li depan de kontèks la (si imaj sa a nan kè yon nonm nan yon chemiz ak pentire je), je a ka gen plis pase de.

Òdinatè a toujou pa konprann, men li "wè"

Yon lòt faktè ki fè li difisil - li nan ekleraj la. sèn nan menm ak diferan ekleraj pral gade diferan. gwosè objè kapab varye. Anplis, objè yo nan nenpòt ki klas la. Ki jan ou fè ka di sou yon nonm ki wotè li nan 2 mèt? Pa gen anyen. kwasans imen epi yo ka 2.3 m, ak 80 cm. Menm jan ak lòt kalite objè, sepandan, yo bagay ki gen klas la menm.

Patikilyèman k ap viv objè sibi yon varyete de tansyon. Cheve moun, atlèt, bèt yo. Gade nan foto nan chwal kouri, detèmine kisa ki k ap pase ak krinyè yo ak ke se tou senpleman enposib. Yon sipèpoze objè ki nan yon imaj? Si ou bouskile yon imaj òdinatè, menm machin nan pi pwisan jwenn difikilte bay desizyon an dwa.

Next View - li nan yon degize. Gen kèk objè, bèt maske tankou anviwònman an, ak afè abilman. Ak tach yo menm ak koloran. Men, nou wè yo, byenke pa toujou soti byen lwen.

Yon lòt pwoblèm - mouvman an. Objè an mouvman inimajinabl sibi deformation.

Anpil nan objè yo yo trè varyab. Isit la, pou egzanp, nan de foto ki anba objè yo nan "chèz la".

Yo, epi sou sa a ou ka chita. Men, yo anseye yon machin, sa yo ki bagay sa yo diferan nan fòm, koulè, materyèl, tout bagay se yon objè "chèz" - se trè difisil. Sa a se defi a. Yo entegre metòd nan vizyon òdinatè - se anseye yon machin yo konprann, analize, espekile.

Entegrasyon nan vizyon òdinatè nan tribin divès kalite

Mas la nan vizyon òdinatè yo te kòmanse antre plis nan lane 2001, lè li te kreye detektè a figi an premye. Nou te fè li de otè: Viola, Jones. Li te premye algorithm nan vit ak serye ase, ki demontre pouvwa a nan metòd aprantisaj machin.

Koulye a, vizyon òdinatè gen ase nouvo aplikasyon pratik - rekonesans nan figi imen an.

Men, yo rekonèt nonm sa a tankou nan fim sa yo - nan ang o aza, kondisyon ekleraj diferan - li se enposib. Men, yo rezoud pwoblèm nan, oswa yon sèl sa a, se moun diferan ak diferan ekleraj oswa nan yon poze diferan, menm jan an kòm nan foto a nan paspò a, li se posib ki gen yon wo degre de konfyans.

yon kondisyon paspò foto lajman akòz karakteristik la nan algoritm yo rekonesans figi.

Pou egzanp, si ou gen yon paspò byometrik yo, nan kèk èpòt modèn, ou ka itilize sistèm kontwòl la paspò otomatik yo.

Suspann pwoblèm nan vizyon òdinatè - kapasite nan yo rekonèt nenpòt tèks

Petèt yon moun itilize OCR sistèm. Youn nan sa yo - yon Reader Fine, se trè popilè nan RuNet sistèm. Gen anpil fòm ki kote ou ranpli nan done yo, yo yo parfe tcheke, se enfòmasyon ki rekonèt pa sistèm la trè byen. Men, avèk nenpòt tèks nan foto a sitiyasyon an se pi vin pi mal. Pwoblèm sa a toujou rete suspann.

Jwèt ki genyen vizyon òdinatè, mouvman kaptire

Separe zòn gwo - se kreyasyon an nan modèl ki genyen twa dimansyon ak kaptire mouvman (ki se byen avèk siksè aplike nan jwèt sou òdinatè). Pwogram nan premye, ki sèvi ak vizyon òdinatè - yon sistèm nan entèraksyon ak òdinatè a lè l sèvi avèk jès. Lè li te kreye li te yon bann bagay sa yo louvri.

se algorithm a fèt byen tou senpleman, men nan konfigirasyon li te pran yo kreye yon dèlko nan imaj sentetik nan moun yo ka resevwa yon milyon dola foto yo. Supèr ak yo yo chwazi paramèt yo nan algorithm nan, pou ki li kounye a ap travay byen.

Sa se yon milyon dola imaj, ak semèn tan kontab supèr posib yo kreye yon algorithm ki manje 12% nan kapasite a nan yon sèl processeur ak pèmèt yon moun yo wè pozisyon nan nan tan reyèl. Sistèm sa a Microsoft Kinect (2010).

Search pou imaj pa kontni pèmèt ou Upload foto nan sistèm nan, ak rezilta yo nan li pral ba tout foto yo ak kontni an menm ak te fè soti nan ang la menm.

Men kèk egzanp sou vizyon òdinatè: ki genyen twa dimansyon ak ki genyen de dimansyon kat yo kounye a se te fè ak li. Kat pou machin navigasyon yo mete ajou regilyèman dapre DVR la.

Gen yon baz done ak dè milya de foto geotagged. Pa Téléchargez foto a nan baz done a, ou ka detèmine kote li te fè a, li menm ak kèk pèspektiv. Natirèlman, depi ke kote a se popilè ase ke nan yon sèl fwa touris yo yo e te fè gen yon nimewo nan foto nan zòn nan te a.

robo yo tout kote

Robotics nan moman sa a, tout kote, san yo pa li nan okenn fason. Koulye a, gen machin ki gen kamera espesyal ki rekonèt pyeton ak siy wout transmèt kòmandman nan chofè a (sa a nan yon fason yon pwogram òdinatè yo wè, ede otomobilist a). Apre sa, se yon machin konplètman otomatize Robotics, men yo pa ka konte sèlman sou sistèm nan kamera videyo san yo pa itilize a nan yon gwo kantite lajan nan plis enfòmasyon.

kamera modèn - sa a se yon nwar analogique kamera

Se pou nou pale sou imaj la dijital. Modèn kamera dijital yo ranje sou prensip la nan nwar la kamera. Se sèlman olye pou yo twou a nan ki limyè antre nan gwo bout bwa a ak projetée sou miray la tounen nan chanm lan nan kous la sijè, nou gen yon espesyal sistèm optik rele lantiy la. objè li yo se kolekte yon gwo bout bwa gwo limyè ak konvèti li pou ke tout demidwat yo ki te pase nan mitan yon pwen vityèl nan lòd yo jwenn pwojeksyon a ak fòme yon imaj sou fim oswa matris.

Modèn kamera dijital (matris) se konpoze ak eleman endividyèl - piksèl. Chak pixel ka mezire enèji a nan limyè ki se ensidan sou total la pixel, ak bay yon sèl nimewo pwodiksyon. Se poutèt sa, nan yon kamera dijital, nou jwenn olye pou yo imaj klète mezi yo mete limyè, kenbe nan yon pixel sèl - òdinatè jaden an de vi. Se poutèt sa, lè imaj la nou wè se pa ap koule tankou dlo liy ak kontou klè, ak yon kadriyaj nan kare ki gen koulè pal nan koulè diferan - piksèl.

Piba a, w wè premye imaj la dijital nan mond lan.

Men, nan foto sa a se pa? Koulè. Ki sa ki se koulè?

Sikolojik pèsepsyon nan koulè

Koulè - sa a se sa nou wè. Koulè a nan yon sèl la ak menm bagay la pou moun ak chat yo pral diferan. Depi nou (moun) ak bèt sistèm optik - vizyon an se diferan. Se poutèt sa, koulè a - li a bon jan kalite sikolojik nan vizyon nou ki fèt lè obsève objè ak limyè. Men, pa yon pwopriyete fizik nan objè a ak limyè a. Koulè - se rezilta nan entèraksyon an nan eleman limyè, ak sèn nan nan sistèm vizyèl nou an.

Programmation Odinatè Vizyon an Piton lè l sèvi avèk bibliyotèk

Si ou te deside angaje seryezman nan etid la nan vizyon òdinatè, ta dwe imedyatman prepare yo pou yon kantite difikilte, syans sa a se pa pi fasil la ak kache yon kantite enkonvenyans. Men, "Pwogramasyon konpitè Vizyon sou Piton nan" patènite a nan Jan Erik Solema - yon liv ki esplike tout lang ki pi senp. La a ou pral jwenn konnen ak metòd yo nan rekonesans nan plizyè objè nan 3D, aprann yo travay avèk imaj la stereo, reyalite vityèl ak anpil aplikasyon pou lòt nan vizyon òdinatè. Nan liv la yo se egzanp ase nan Piton. Men, esplikasyon yo yo prezante, se konsa pale, jeneralize, se konsa yo pa mete twòp bwa twòp rechèch ak done difisil. Travay apwopriye pou elèv yo, amater, ak amater. Download liv sa a ak lòt moun sou vizyon òdinatè (pdf-fòma) ka nan rezo a.

Nan moman sa a, gen yo louvri bibliyotèk sous algoritm vizyon òdinatè ak pwosesis imaj ak algoritm nimerik OpenCV. Li se aplike sou pi fò nan lang programmation modèn, la louvri sous. Si nou pale sou vizyon òdinatè, Piton sèvi ak kòm yon lang pwogramasyon, li tou te gen sipò an nan bibliyotèk la, nan adisyon, li se toujou ap en ak gen yon gwo kominote a.

Konpayi a "Microsoft" bay sèvis li yo Api-kapab nan tren rezo a nè yo travay yo ak imaj nan moun. Genyen tou opòtinite pou pou aplike pou vizyon òdinatè, Piton sèvi ak kòm yon lang programmation.