Анализ Изображений. Часть 2. Детектирование объектов

Save this PDF as:
 WORD  PNG  TXT  JPG

Размер: px
Начинать показ со страницы:

Download "Анализ Изображений. Часть 2. Детектирование объектов"

Транскрипт

1 Анализ Изображений. Часть 2. Детектирование объектов

2 Материалы Наталья Васильева Антон Конушин

3 Object detection

4 Stuff and Things Объекты Имеют форму и размер Машина Человек Дерево Материалы Некоторая текстура Нет размера и формы Трава Небо Дорога

5 Результат работы Структурныи выход Обычно ограничивающии прямоугольник, а не одна метка как в классификации Положение обычно задае тся при тренировке

6 Основная метрика качества IoU Area of Overlap Area of Union Детекция сработала, если IoU > 0.5

7 Задача многоклассовой детекции Пример - PASCAL Visual Object Classes (VOC) Dataset and Challenge 20 классов: aeroplane, bicycle, boat, bottle, bus, car, cat, chair, cow, dining table, dog, horse, motorbike, person, potted plant, sheep, train, TV Реальные изображения из flickr, не фильтровались по качеству

8 Задача детектирования определенных объектов Пешеходы Лица Дорожные знаки Автомобили

9 Сопоставление шаблонов «Pattern matching» - простеи шии алгоритм для выделения объектов Фиксируем изображение объекта («шаблон») Сканируем шаблоном все целевое изображение, сравнивая фрагменты целевого изображения с шаблоном

10 Сопоставление шаблона

11 Sliding window Сканирующее окно - вариант сегментации изображения на прямоугольники с пересечением Рассматриваем только прямоугольную область (окно) Если выбрали точно, то в эту область попаде т только лицо Можем просмотреть все области, «сканируя» окном изображение

12 Классификация окон Обычная задача классификации

13 Шаблон на картах краев Фича distance transform Классификатор порог по hausdorff distance

14 HOG Карты крае в учитывают только моды градиентов, и ни учитывают слабых градиентов и их ориентации Можем использовать дескриптор SIFT как вектор признак изображения Идея была изначально предложена для пешеходов, но затем стала широко применяться Прямоугольное окно 64 x 128 пикселов разобье м на ячеи ки (cells) 8 x 8 пикселеи В каждои ячеи ке посчитаем гистограмму ориентации градиентов (8 корзин)

15 Примеры HOG

16 Обучение детектора Сколько на изображении объектов «пешеход» и сколько фрагментов фона? Выделение объектов ассиметричная задача: объектов гораздо меньше, чем «не-объектов» Вдобавок, класс «не объект» очень сложныи нужно много разных данных для обучения Нужно большое и равное число сложных примеров объектов и фонов

17 Поиск торса Хотим построить детектор «верхнеи части тела и головы» Воспользуемся схемои HOG + линеи ныи SVM Данные 33 фрагмента фильмов из базы Hollywood кадров с размеченным объектами На каждом кадре отмечены 1-3 человека, всего 1607 людеи, это маловато

18 Положительные окна

19 Размножение данных

20 Jittering/Augmentation Небольшие изменения картинки: Сдвиги Отображения Повороты Изменения масштаба Augmentation наращивание базы данных за счет jittering и других преобразований

21 Искаженные примеры Из 1607 эталонных примеров получили ~32000 искаженных (jittered) примеров Сколько отрицательных примеров можно набрать из 1100 кадров? Гораздо больше 32k. Вспомним SVM нам нужны «трудные примеры» для фона. Как их наи ти, если мы всего можем выбрать ~32k для фона?

22 Hard-negative mining for bootstrapping Выбираем отрицательные примеры случаи ным образом Обучаем классификатор Применяем к данным Добавляем ложные обнаружения к выборке Повторяем

23 Выборка фона не первой итерации

24 Трудные примеры Ищем ложные обнаружения с высоким реи тингом Используем их как трудные отрицательные примеры Затраты: (количество изображении ) x (поиск в каждом)

25 Выборка трудного фона

26 Сравнение Трудные примеры очень важны для обучения детектора Их приходится отдельно искать Но иногда использование только сложных примеров «портит» детектор, поэтому нужны и простые отрицательные примеры

27 Резюме алгоритма Используем скользящее окно Вычисляем вектор-признак на основе HOG Разбиваем окно на ячеи ки В каждои ячеи ке считаем гистограмму ориентации градиентов Обучаемыи линеи ныи SVM Для обучения: Размножаем (шевелим) эталонные примеры объектов Используем схему bootstrapping для выбора примеров фона На первои стадии бере м случаи ные окна для фона На следующих стадиях выбираем ложные срабатывания детектора как «трудные» примеры

28 Проблемы sliding window

29 Проблемы sliding window

30 Разный размер объектов Сканируем окнами разного размера

31 Разный размер объектов Вместо изменения размеров рамки можем построить «пирамиду» изображении разных размеров и сканировать однои рамкои Сколько потребуется масштабов? Часто 50-70, для неи росетеи требуется меньше

32 Разные пропорции объектов Будем сканировать рамками разных пропорции С учетом масштабов нам приде тся сканировать N_рамок x N_масштабов раз Поэтому общее количество сканировании может достигать

33 Множественные отклики В одном масштабе может быть множество откликов разнои силы Мы выберем из них точки, в которых значение достигает локального максимума («Подавление не- максимумов») При наличии нескольких масштабов нужно выбирать максимальные значения по 3х мернои области

34 Перекрытия

35 Требования к детектору (лиц) Для изображения в 1МП нужно просмотреть порядка 1М окон На одном изображении обычно 0-10 лиц Чтобы избежать ложных обнаружении (false positives) ошибка 2го рода должна быть ниже 10-6 Нужно быстро отбрасывать ложные окна

36 Детектор Viola-Jones Основополагающии метод для поиска объектов на изображении в реальном времени Обучение очень медленное, но поиск очень быстр Основные идеи: Признаки Хаара в качестве слабых классификаторов Интегральные изображения для быстрого вычисления признаков Бустинг для выбора признаков Каскад (Attentional cascade) для быстрои отбраковки окон без лица P. Viola and M. Jones. Rapid object detection using a boosted cascade of simple features. CVPR P. Viola and M. Jones. Robust real-time face detection. IJCV 57(2), 2004.

37 Признаки Хаара

38 Слабые классификаторы (чуть лучше монетки)

39 Пример

40 Интегральное изображение Значение каждого пиксела (x,y) равно сумме значении всех пикселов левее и выше пикселя (x,y) включительно Интегральное изображение рассчитывается за один проход cumsum

41 Вычисление суммы в прямоугольнике Пусть A,B,C,D значения интегрального изображения в углах прямоугольника DB Тогда сумма значении пикселов в исходном изображении вычисляется по формуле: sum = A B C + D 3 операции сложения для любого прямоугольника

42 Пример вычисления значения фильтра

43 Количество признаков для 24*24

44 Выбор признаков Для окна поиска 24x24 пиксела, число возможных прямоугольных признаков достигает ~160,000! В процессе поиска вычислять все признаки нереально Хорошии классификатор должен использовать лишь маленькое подмножество всевозможных признаков Будем выбирать нужные признаки и строить из них линеи ные комбинации с помощью бустинга Y. Freund and R. Schapire, A short introduction to boosting, Journal of Japanese Society for Artificial Intelligence, 14(5): , September, 1999.

45 Бустинг Определяем слабые классификаторы на основе прямоугольных признаков Для каждого этапа бустинга: Вычисляем каждыи прямоугольныи признак на каждом примере Выбираем наилучшии порог для каждого признака Выбираем наилучшии признак / порог Перевзвешиваем выборку Вычислительная сложность обучения: O(MNK) M этапов, N примеров, K признаков

46 Бустинг Первые два признака, выбранные бустингом Эта комбинация признаков дает 100% detection rate и 50% false positive rate

47 Бустинг для поиска лиц Классификатор из 200 признаков дает 95% точность и долю ложноположительных срабатывании 1 из 14084

48 Каскад (Attentional cascade) Начинаем с простых классификаторов, которые отбрасывают часть отрицательных окон, при этом принимая почти все положительные окна Положительныи отклик первого классификатора запускает вычисление второго, более сложного, классификатора, и т.д. Отрицательныи отклик на любом этапе приводит к немедленнои отбраковке окна

49 Каскад Медленные классификаторы применяются только к некоторым окнам существенное ускорение Управляем сложностью/скоростью классификатора: Количество опорных векторов [Romdhani et al, 2001] Количество признаков [Viola & Jones, 2001] Видом ядра SVM [Vedaldi et al, 2009] Маленькая и большая неи росеть

50 Каскад

51 Каскад Уровень обнаружения и доля ложноположительных срабатывании каскада можно оценить как произведение соответствующих уровнеи ошибок каждого этапа Уровень обнаружения 0.9 и доля ложноположительных срабатывании порядка 10-6 достигается с помощью каскада из 10 этапов, если на каждом этапе уровень обнаружения примерно равен 0.99 ( ) и доля ложноположительных примерно 0.30 ( )

52 Обучение каскада Задаем требуемые значения уровня обнаружения и доли ложноположительных срабатывании для каждого этапа Добавляем признаки до тех пор, пока параметры текущего этапа не достигнут заданного уровня Приходится понижать порог AdaBoost для максимизации обнаружения (в противоположенность минимизации общеи ошибки классификации) Тестирование на отдельном наборе (validation set) Если общии уровень ложноположительных срабатывании недостаточно низок, добавляем очереднои этап Ложные обнаружения на текущем этапе используются как отрицательные примеры на следующем этапе

53 Выборка для обучения 5000 лиц 300М отрицательных примеров Все фронтальные, уменьшенные до 24x24 пикселов Все нормированы 9500 изображении без лиц Большая изменчивость Разные люди Освещение Поза лица

54 Процесс обучения Обучение: недели на 466 MHz Sun рабочеи станции 38 этапов, всего 6061 признаков В среднем 10 признаков оцениваются для каждого окна на тестовои выборке На 700 Mhz Pentium III, детектор лиц обрабатывает одно изображение 384x288 пикселов за секунды 15Hz В 15 раз быстрее сравнимого по точности предшествующего метода (Rowley et al., 1998)

55 Пример работы

56 Viola-Jones Прямоугольные признаки как слабые классификаторы Интегральные изображения для быстрого вычисления признаков Бустинг для выбора признаков Каскад классификаторов для быстрого выбраковки отрицательных окон

57 Недостатки Viola-Jones Малое количество используемых каналов изображения и признаков Недостаточная точность Серые изображения, фильтры Хаара 10-6 слишком много ложных срабатывании Множественные отклики у правильных обнаружении «Дискретность» - возможность завершения только в конце этапа Очень долгое время обучения

58 Интегральные канальные признаки Цвет и градиенты очень показательны для многих классов Построим много (10 каналов) Яркость + цвета (LUV, HSV) 3 Норма градиента + отклики по направлениям 1+6 = 7 Признаки сумма значении в прямоугольнои области в заданном канале Быстро считаем через интегральные изображения P. Dolla r, Z. Tu, P. Perona and S. Belongie Integral Channel Features BMVC 2009,

59 Аппроксимация масштабов P. Dolla r, S. Belongie and P. Perona The Fastest Pedestrian Detector in the West BMVC 2010, R. Benenson,M.Mathias,R.Timofte,L.VanGool Pedestrian detection at 100 frames per second,cvpr2013

60 Мягкий каскад

61 Переговаривающиеся каскады

62 Разные ракурсы Качества признаков и классификатора может быть недостаточно для того, чтобы сделать детектор одновременно для всех ракурсов Обучаем набор детекторов для разных ракурсов («компоненты») Проблема сбора данных M. Mathias. et. al. Face detection without bells and whistles. ECCV2014

63 Многокомпонентный детектор Kristina Scherbaum and Hans-Peter Seidel Fast Face Detector Training Using Tailored Views ICCV 2013

64 Проблема с разметкой Разные люди и разные базы размечены немного по-разному Есть лица, которые лучше игнорировать, но за ошибку не считать Проблема «маленьких» лиц

65 Выделение лиц (2014) M. Mathias. et. al. Face detection without bells and whistles. ECCV2014

66 Пример роста точности


Антон Конушин

Антон Конушин Выделение объектов Антон Конушин http://courses.graphicon.ru/main/vision Many slides adopted from Svetlana Lazebnik, Ondra Chum, Alyosha Efros, Mark Everingham, Pedro Felzenszwalb, Rob Fergus, Kristen

Подробнее

Выделение объектов. Антон Конушин

Выделение объектов. Антон Конушин Выделение объектов Антон Конушин Many slides adopted from Svetlana Lazebnik, Ondra Chum, Alyosha Efros, Mark Everingham, Pedro Felzenszwalb, Rob Fergus, Kristen Grauman, Bastian Leibe, Ivan Laptev, Fei-Fei

Подробнее

«Мешок слов» оказался очень эффективным иснтрументов для распознавания изображений Часто используются совместно и разреженная и плотная версии:

«Мешок слов» оказался очень эффективным иснтрументов для распознавания изображений Часто используются совместно и разреженная и плотная версии: Резюме мешка слов «Мешок слов» оказался очень эффективным иснтрументов для распознавания изображений Часто используются совместно и разреженная и плотная версии: Мешок слов по характеристическим точкам

Подробнее

Детектирование объектов. Intel Delta-7 Course Осокин Даниил

Детектирование объектов. Intel Delta-7 Course Осокин Даниил Детектирование объектов Intel Delta-7 Course Осокин Даниил О чём может рассказать изображение? Internet of Things Group 2 О чём может рассказать изображение? Проверка Детектирование Идентификация Категоризация

Подробнее

Детектирование объектов на изображениях

Детектирование объектов на изображениях Нижегородский государственный университет им. Н.И. Лобачевского Высокопроизводительные вычисления и алгоритмы компьютерного зрения Дружков П.Н., аспирант ВМК ННГУ Содержание Задача детектирования объектов

Подробнее

Метод классификации объектов различных классов на видео потоке и на статичных изображениях

Метод классификации объектов различных классов на видео потоке и на статичных изображениях Метод классификации объектов различных классов на видео потоке и на статичных изображениях Роман Захаров СГАУ имени академика С.П. Королѐва, Самара, Россия. roman.zakharovp@yandex.ru Аннотация. Статья

Подробнее

Детектирование объектов, классический подход. Вадим Писаревский, руководитель проекта OpenCV, Intel Corporation

Детектирование объектов, классический подход. Вадим Писаревский, руководитель проекта OpenCV, Intel Corporation Детектирование объектов, классический подход Вадим Писаревский, руководитель проекта OpenCV, Intel Corporation Постановка задачи Определить положение (прямоугольник) и метку для каждого объекта (из определенного

Подробнее

Классификация изображений

Классификация изображений Классификация изображений Анализ изображений и видео II Алексей Артамонов Computer Science Center 21 марта 2017 г Введение Зачем сравнивать изображения? Введение Зачем сравнивать изображения? Хотим классифицировать

Подробнее

Поиск и локализация объектов

Поиск и локализация объектов Поиск и локализация объектов Many slides adopted from Svetlana Lazebnik, Ondra Chum, Alyosha Efros, Mark Everingham, Pedro Felzenszwalb, Rob Fergus, Kristen Grauman, Bastian Leibe, Ivan Laptev, Fei-Fei

Подробнее

Алгоритм детектирования лица

Алгоритм детектирования лица Алгоритм детектирования лица Виолы-Джонса Копелиович Михаил, аспирант Института математики, механики и компьютерных наук, kop@km.ru Алгоритмы детектирования лица На входе: изображение. На выходе: координаты

Подробнее

ПОСТРОЕНИЕ МОДЕЛИ ИЗОБРАЖЕНИЯ И ЕЁ ПРИМЕНЕНИЕ В ЗАДАЧАХ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ 1. Введение

ПОСТРОЕНИЕ МОДЕЛИ ИЗОБРАЖЕНИЯ И ЕЁ ПРИМЕНЕНИЕ В ЗАДАЧАХ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ 1. Введение ПОСТРОЕНИЕ МОДЕЛИ ИЗОБРАЖЕНИЯ И ЕЁ ПРИМЕНЕНИЕ В ЗАДАЧАХ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ 1. Введение Получение признакового описания изображений является одним из главных этапов в таких задачах машинного (технического)

Подробнее

Способ уменьшения вычислительной сложности процедуры обучения детектора лиц на базе метода Виолы-Джонса

Способ уменьшения вычислительной сложности процедуры обучения детектора лиц на базе метода Виолы-Джонса Труды МАИ. Выпуск 93 УДК 004.93'1 www.mai.ru/science/trudy/ Способ уменьшения вычислительной сложности процедуры обучения детектора лиц на базе метода Виолы-Джонса Козыревский В.К.*, Веселов А.И.** Санкт-Петербургский

Подробнее

Обнаружение лиц на цветном растровом изображении с применением модифицированного метода Виолы-Джонса

Обнаружение лиц на цветном растровом изображении с применением модифицированного метода Виолы-Джонса УДК 004.9 Обнаружение лиц на цветном растровом изображении с применением модифицированного метода Виолы-Джонса МГТУ им. Н.Э. Баумана Вязовых М.В (maxvyaz@bmstu.ru), Зайцев К.И. (kirzay@gmail.com), Мухортов

Подробнее

Быстрый Алгоритм Обнаружения Пешеходов по Видеоданным

Быстрый Алгоритм Обнаружения Пешеходов по Видеоданным Быстрый Алгоритм Обнаружения Пешеходов по Видеоданным Алексей Казаков, Александр Бовырин Факультет вычислительной математики и кибернетики Нижегородский государственный университет им. Н.И. Лобачевского,

Подробнее

ВЫДЕЛЕНИЕ ЛИЦА НА СНИМКЕ ИЗ ВИДЕОПОТОКА С ЦЕЛЬЮ ЕГО РАСПОЗНАВАНИЯ Умяров Н.Х., Федяев О.И. Донецкий национальный технический университет, Украина

ВЫДЕЛЕНИЕ ЛИЦА НА СНИМКЕ ИЗ ВИДЕОПОТОКА С ЦЕЛЬЮ ЕГО РАСПОЗНАВАНИЯ Умяров Н.Х., Федяев О.И. Донецкий национальный технический университет, Украина Секция. Искусственный интеллект и нейронные технологии 173 УДК 00.931 ВЫДЕЛЕНИЕ ЛИЦА НА СНИМКЕ ИЗ ВИДЕОПОТОКА С ЦЕЛЬЮ ЕГО РАСПОЗНАВАНИЯ Умяров Н.Х., Федяев О.И. Донецкий национальный технический университет,

Подробнее

Классификация изображений. Many slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba and Svetlana Lazebnik

Классификация изображений. Many slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba and Svetlana Lazebnik Классификация изображений Many slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba and Svetlana Lazebnik На прошлой лекции Задачи Классификация,, регрессия, р, кластеризация Методы классификации

Подробнее

Введение в распознавание изображений, ч. 2

Введение в распознавание изображений, ч. 2 Введение в распознавание изображений, ч. 2 Антон Конушин Slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba, Jean Ponce and Svetlana Lazebnik План Лекция 3 Сопоставление шаблонов Основы сегментации

Подробнее

1. Введение. Ключевые слова: нейронные сети, ADABOOST, признаки Хаара, детекция объектов, обработка изображений.

1. Введение. Ключевые слова: нейронные сети, ADABOOST, признаки Хаара, детекция объектов, обработка изображений. УДК 681.518:004.9 Построение классификаторов с использованием искусственных нейронных сетей и принципа ADABOOST А. В. Стадник, А. В. Кравчук, К. И. Гулина Кафедра прикладной математики и информатики Международный

Подробнее

Алгоритм множественного трекинга пешеходов

Алгоритм множественного трекинга пешеходов Алгоритм множественного трекинга пешеходов Роман Захаров Самарский государственный аэрокосмический университет, Самара, Россия roman.zakharovp@yandex.ru Аннотация В данной работе приводится алгоритм множественного

Подробнее

Уменьшение размерности признаковых описаний 25

Уменьшение размерности признаковых описаний 25 Уменьшение размерности признаковых описаний 25 22. Chang F.-C., Mott H. On the matrix related to the partial fraction expansion of a proper rational function // Proc. of the IEEE. 1974. Vol. 62(8). P.

Подробнее

Распознавание изображений. Slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba, Jean Ponce and Svetlana Lazebnik

Распознавание изображений. Slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba, Jean Ponce and Svetlana Lazebnik Распознавание изображений Slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba, Jean Ponce and Svetlana Lazebnik План лекции Введение в классификацию образов с помощью машинного обучения Некоторые

Подробнее

Подходы к оптимизации и распараллеливанию вычислений в задаче детектирования объектов разных классов на изображении

Подходы к оптимизации и распараллеливанию вычислений в задаче детектирования объектов разных классов на изображении Подходы к оптимизации и распараллеливанию вычислений в задаче детектирования объектов разных классов на изображении 1. Введение Е.А. Козинов, В.Д. Кустикова, И.Б. Мееров, А.Н. Половинкин, А.А. Сиднев Нижегородский

Подробнее

Построение устойчивых признаков для алгоритма Виолы и Джонса в задаче классификации транспортных средств

Построение устойчивых признаков для алгоритма Виолы и Джонса в задаче классификации транспортных средств Построение устойчивых признаков для алгоритма Виолы и Джонса в задаче классификации транспортных средств Котов А. А. Московский физикотехнический институт (государственный университет) kotov.alex.22@gmail.com

Подробнее

Компьютерное зрение и обработка изображений Лекция 18 Распознавание лиц

Компьютерное зрение и обработка изображений Лекция 18 Распознавание лиц Компьютерное зрение и обработка изображений Лекция 18 Распознавание лиц Я.М.Демяненко dem@math.sfedu.ru Южный федеральный университет Институт математики, механики и компьютерных наук 2017 Я.М.Демяненко

Подробнее

382 Секция 7. Технологии и системы искусственного интеллекта

382 Секция 7. Технологии и системы искусственного интеллекта 382 Секция 7. Технологии и системы искусственного интеллекта УДК 004.931 Ткачук Е.О., Федяев О.И. Донецкий национальный технический университет Кафедра прикладной математики и информатики flaringrep@gmail.com

Подробнее

Использование нейросети и SIFT дескрипторов для сравнения изображений

Использование нейросети и SIFT дескрипторов для сравнения изображений # 06, июнь 2016 УДК 004.932 Использование нейросети и SIFT дескрипторов для сравнения изображений Введение Савонин А.И., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение

Подробнее

Обнаружение и распознавание лиц на изображении

Обнаружение и распознавание лиц на изображении Обнаружение и распознавание лиц на изображении Computer Science Center Анализ Изображений и Видео - 2 Алексей Артамонов, Григорий Рожков 17 марта 2016 г. План Обнаружение лиц Обнаружение кожи Ada Boost

Подробнее

ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 2013 Управление, вычислительная техника и информатика 2(23) Н.Х. Фан, Т.Т. Буй, В.Г.

ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 2013 Управление, вычислительная техника и информатика 2(23) Н.Х. Фан, Т.Т. Буй, В.Г. ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 2013 Управление, вычислительная техника и информатика 2(23) УДК 004.392, 004.93 1 Н.Х. Фан, Т.Т. Буй, В.Г. Спицын РАСПОЗНАВАНИЕ ЖЕСТОВ НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ

Подробнее

Обобщение метода Виолы и Джонса в виде решающего дерева сильных классификаторов для распознавания объектов в видеопотоке в режиме реального времени

Обобщение метода Виолы и Джонса в виде решающего дерева сильных классификаторов для распознавания объектов в видеопотоке в режиме реального времени Обобщение метода Виолы и Джонса в виде решающего дерева сильных классификаторов для распознавания объектов в видеопотоке в режиме реального времени Минкина А.Г. ООО «Визиллект Сервис» minkina@visillect.com

Подробнее

РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА БАЗЕ АЛГОРИТМА ВИОЛЫ-ДЖОНСА

РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА БАЗЕ АЛГОРИТМА ВИОЛЫ-ДЖОНСА УДК 004.93'11 Азаров Д. М. Магистрант инфокоммуникационных технологий и систем связи Санкт-Петербургский государственный университет Аэрокосмического приборостроения Гильмутдинов М. Р. доцент, к.т.н. Санкт-Петербургский

Подробнее

Метод выделения похожих изображений на основе применения SIFT дескрипторов

Метод выделения похожих изображений на основе применения SIFT дескрипторов УДК 004.932 Метод выделения похожих изображений на основе применения SIFT дескрипторов Савонин А.И., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение ЭВМ и информационные

Подробнее

УДК 004.931 Обучение классификатора ВиолыДжонса для локализации автомобильных номерных знаков Таранян А.Р., аспирант Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные Системы и

Подробнее

Разработка компонента системы анализа видеоизображения

Разработка компонента системы анализа видеоизображения Разработка компонента системы анализа видеоизображения Выполнил: Тимиргалиев Роберт Асуатович Руководитель: ст. преподаватель, Заковряшин Юрий Дмитриевич Цели и задачи работы Цель: разработка программного

Подробнее

Н.Н. Алексеева, А.С. Иргит, А.А. Куртова, Ш.Ш. Монгуш

Н.Н. Алексеева, А.С. Иргит, А.А. Куртова, Ш.Ш. Монгуш Н.Н. Алексеева, А.С. Иргит, А.А. Куртова, Ш.Ш. Монгуш Применение методов обработки изображений к задаче распознавания васкулярного рисунка ладони С каждым годом возрастают требования к системам безопасности.

Подробнее

244 Секция 6. Цифровая обработка сигналов и изображений

244 Секция 6. Цифровая обработка сигналов и изображений 244 Секция 6. Цифровая обработка сигналов и изображений УДК 004.93'1 Д. В. Астахов,С. А. Цололо Донецкий национальный технический университет, г. Донецк кафедра компьютерной инженерии ОСОБЕННОСТИ МЕТОДОВ

Подробнее

«Видеонаблюдение» Антон Конушин, Вадим Конушин. Введение в компьютерное зрение Весна

«Видеонаблюдение» Антон Конушин, Вадим Конушин. Введение в компьютерное зрение Весна «Видеонаблюдение» Антон Конушин, Вадим Конушин Введение в компьютерное зрение Весна 2009 1 План лекции Видеонаблюдение со стационарной камеры Вычитание фона Поиск и отслеживание объектов Сравнение шаблонов

Подробнее

Правительство Российской Федерации

Правительство Российской Федерации Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский университет «Высшая школа экономики»

Подробнее

УДК 681.5: Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко

УДК 681.5: Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко УДК 681.5:004.93 Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко Рассмотрен вопрос выделения границ детектором Кенни. Алгоритм реализован

Подробнее

АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV

АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV 66 С.В. Томилов Большинство современных систем распознавания лиц очень чувствительны к характеристикам предъявляемых изображений. Поэтому перед непосредственным

Подробнее

Алгоритм быстрого построения дескрипторов изображения, основанных на технике гистограмм ориентированных градиентов

Алгоритм быстрого построения дескрипторов изображения, основанных на технике гистограмм ориентированных градиентов 84 Информатика, математическое моделирование, экономика ТРУДЫ МФТИ. 2013. Том 5, 3 УДК 004.93 1 Г. Б. Южаков ФГУП ЦНИИХМ Московский физико-технический институт (государственный университет) Алгоритм быстрого

Подробнее

Анализ принципа распознавания объектов на изображении методом Виолы Джонса

Анализ принципа распознавания объектов на изображении методом Виолы Джонса УДК 004.8/004.93/681.513.8;681.514 Я. О. Великий Анализ принципа распознавания объектов на изображении методом Виолы Джонса Национальный аэрокосмический университет им. Н. Е. Жуковского ХАИ Описан метод

Подробнее

Методы сопровождения объектов. Леонид Бейненсон

Методы сопровождения объектов. Леонид Бейненсон Методы сопровождения объектов Леонид Бейненсон 1 План: Общее описание методов сопровождения объектов Оптический поток и алгоритм Лукаса-Канаде Алгоритм сопровождения объектов Median flow 2 Сопровождение

Подробнее

HOG+HOF+CSS дескриптор в задаче распознавания пешеходов

HOG+HOF+CSS дескриптор в задаче распознавания пешеходов Санкт-Петербургский государственный университет Математико-механический факультет Кафедра системного программирования HOG+HOF+CSS дескриптор в задаче распознавания пешеходов Курсовая работа студента 344

Подробнее

Научный руководитель: Алфимцев А.Н., к.т.н, доцент

Научный руководитель: Алфимцев А.Н., к.т.н, доцент УДК 681.327.1 # 12, декабрь 2015 Проектирование системы распознавания динамического поведения людей Демин Н.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные системы

Подробнее

Свёрточные сети для семантической сегментации изображений. Михаил Фигурнов ВМК МГУ 2014

Свёрточные сети для семантической сегментации изображений. Михаил Фигурнов ВМК МГУ 2014 Свёрточные сети для семантической сегментации изображений Михаил Фигурнов ВМК МГУ 2014 Семантическая сегментация изображений Дано: RGB изображение Найти: метку класса для каждого пикселя Традиционный способ

Подробнее

Известия Томского политехнического университета Т Буй Тхи Тху Чанг, Фан Нгок Хоанг, В.Г. Спицын

Известия Томского политехнического университета Т Буй Тхи Тху Чанг, Фан Нгок Хоанг, В.Г. Спицын Известия Томского политехнического университета. 2012. Т. 320. 5 Выводы Предложен и реализован новый алгоритм для распознавания руки на основе SURF-дескрипторов и нейронной сети. Изложен новый метод генерации

Подробнее

Применение активного обучения к методу Виола-Джонса поиска объектов на изображении

Применение активного обучения к методу Виола-Джонса поиска объектов на изображении Применение активного обучения к методу Виола-Джонса поиска объектов на изображении Александр Жуковский Московский физикотехнический институт (научно исследовательский университет) zhukovsky@phystech.edu

Подробнее

Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами

Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами С.А. Гладилин, А.А. Котов, Д.П. Николаев, С.А. Усилин Аннотация. В работе исследован

Подробнее

Быстрая обработка изображений на основе интегральных матриц изображений

Быстрая обработка изображений на основе интегральных матриц изображений 8М УДК 69.7 А.О. Макаров, В.В. Старовойтов Объединенный институт проблем информатики, г. Минск, Беларусь {makarau,valers}@newman.as-net. Быстрая обработка изображений на основе интегральных матриц изображений

Подробнее

Выделение объектов и глубокие нейронные сети

Выделение объектов и глубокие нейронные сети Выделение объектов и глубокие нейронные сети Александр Сергеев НИУ Высшая школа экономики 26 мая 2016 г. Описание задачи Входные данные Изображение I или видео S = {I k }, k = 1, 2, 3,.... Выходные данные

Подробнее

ОБЗОР МЕТОДОВ РАСПОЗНАНИЯ ЛИЦ ПО 2D-ИЗОБРАЖЕНИЯМ. Элементы системы распознания лиц приведены на рис. 1.

ОБЗОР МЕТОДОВ РАСПОЗНАНИЯ ЛИЦ ПО 2D-ИЗОБРАЖЕНИЯМ. Элементы системы распознания лиц приведены на рис. 1. УДК 004.89 ОБЗОР МЕТОДОВ РАСПОЗНАНИЯ ЛИЦ ПО 2D-ИЗОБРАЖЕНИЯМ Адейкин С.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана кафедра «Системы обработки информации и управления» Научный руководитель:

Подробнее

ПОДХОДЫ К ОПТИМИЗАЦИИ И РАСПАРАЛЛЕЛИВАНИЮ ВЫЧИСЛЕНИЙ В ЗАДАЧЕ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ РАЗНЫХ КЛАССОВ НА ИЗОБРАЖЕНИИ 1

ПОДХОДЫ К ОПТИМИЗАЦИИ И РАСПАРАЛЛЕЛИВАНИЮ ВЫЧИСЛЕНИЙ В ЗАДАЧЕ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ РАЗНЫХ КЛАССОВ НА ИЗОБРАЖЕНИИ 1 УДК 519.6 ПОДХОДЫ К ОПТИМИЗАЦИИ И РАСПАРАЛЛЕЛИВАНИЮ ВЫЧИСЛЕНИЙ В ЗАДАЧЕ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ РАЗНЫХ КЛАССОВ НА ИЗОБРАЖЕНИИ 1 Е.А. Козинов, В.Д. Кустикова, И.Б. Мееров, А.Н. Половинкин, А.А. Сиднев Рассматривается

Подробнее

Машинное обучение. Косатый Дмитрий. 21 ноября 2015 г. Математико-механический факультет СПбГУ

Машинное обучение. Косатый Дмитрий. 21 ноября 2015 г. Математико-механический факультет СПбГУ Машинное обучение Косатый Дмитрий Математико-механический факультет СПбГУ 21 ноября 2015 г. Косатый Дмитрий Машинное обучение 1 / 31 Содержание Введение 1 Введение Пример Диаграмма машинного обучения 2

Подробнее

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ УДК 004.93 12 СОВРЕМЕННЫЕ ТЕХНОЛОГИИ РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МЕТОДА ВИОЛЫ-ДЖОНСА С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ВЫЧИСЛЕНИЙ

Подробнее

Модификация алгоритма Виолы- Джонса для распознавания лиц. Калиниченко Ю.В.

Модификация алгоритма Виолы- Джонса для распознавания лиц. Калиниченко Ю.В. Модификация алгоритма Виолы- Джонса для распознавания лиц Калиниченко Ю.В. Возникающие проблемы на этапах распознавания эмоций Человек даже не замечает, как он просто справляется с задачами обнаружения

Подробнее

МЕТОДЫ И АЛГОРИТМЫ АВТОМАТИЧЕСКОГО ОПРЕДЕЛЕНИЯ ВОЗРАСТА И ЭМОЦИЙ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЯМ ЛИЦА

МЕТОДЫ И АЛГОРИТМЫ АВТОМАТИЧЕСКОГО ОПРЕДЕЛЕНИЯ ВОЗРАСТА И ЭМОЦИЙ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЯМ ЛИЦА НИЖЕГОРОДСКОЕ РЕГИОНАЛЬНОЕ ОТДЕЛЕНИЕ РОССИЙСКОГО НАУЧНО-ТЕХНИЧЕСКОГО ОБЩЕСТВА РАДИОТЕХНИКИ, ЭЛЕКТРОНИКИ И СВЯЗИ им. А. С. ПОПОВА 58-я Научно-техническая миниконференция МЕТОДЫ И АЛГОРИТМЫ АВТОМАТИЧЕСКОГО

Подробнее

Программный комплекс «Интерактивная информационная доска»

Программный комплекс «Интерактивная информационная доска» Программный комплекс «Интерактивная информационная доска» Дроздова Юлия Александровна ПГНИУ, Пермь, Россия. Аннотация. Статья посвящена вопросу создания программного комплекса «Интерактивная информационная

Подробнее

УДК 004.93 Исследование методов формирования вектора признаков изображения лица с использованием фильтров Габора Лаврова Е.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Биомедицинские

Подробнее

Применение нейронной сети в задаче детектирования железнодорожных светофоров

Применение нейронной сети в задаче детектирования железнодорожных светофоров А. Л. Приоров, М. А. Кулагин ФГБОУ ВО Ярославский государственный университет им. П.Г. Демидова Применение нейронной сети в задаче детектирования железнодорожных светофоров Представлен алгоритм детектирования

Подробнее

Алгоритмы и программная система для выделения и распознавания объектов в видеопоследовательности

Алгоритмы и программная система для выделения и распознавания объектов в видеопоследовательности 1 На правах рукописи Чигорин Александр Александрович Алгоритмы и программная система для выделения и распознавания объектов в видеопоследовательности Специальность 5.13.11 математическое и программное

Подробнее

Вычисление оптического потока для выделения транспортных средств на видеоизображении

Вычисление оптического потока для выделения транспортных средств на видеоизображении УДК.004.01 Вычисление оптического потока для выделения транспортных средств на видеоизображении П. А. Девайкин 1, А. В. Шикуть 1 1 МГТУ им. Н.Э. Баумана, Москва, 105005, Россия Рассмотрены алгоритмы вычисления

Подробнее

ПОДАВЛЕНИЕ ЛОЖНОПОЛОЖИТЕЛЬНЫХ ОБНАРУЖЕНИЙ ЛИЦ В ВИДЕОПОТОКАХ СИСТЕМ ВИДЕОНАБЛЮДЕНИЯ А.Е. Сергеев 1, А.С. Конушин 1, В.С. Конушин 2

ПОДАВЛЕНИЕ ЛОЖНОПОЛОЖИТЕЛЬНЫХ ОБНАРУЖЕНИЙ ЛИЦ В ВИДЕОПОТОКАХ СИСТЕМ ВИДЕОНАБЛЮДЕНИЯ А.Е. Сергеев 1, А.С. Конушин 1, В.С. Конушин 2 ПОДАВЛЕНИЕ ЛОЖНОПОЛОЖИТЕЛЬНЫХ ОБНАРУЖЕНИЙ ЛИЦ В ВИДЕОПОТОКАХ СИСТЕМ ВИДЕОНАБЛЮДЕНИЯ А.Е. Сергеев 1, А.С. Конушин 1, В.С. Конушин 2 1 НИУ Высшая школа экономики, Москва, Россия, 2 ООО «Технологии видеоанализа»

Подробнее

Фильтрация ложных соответствий описателей особых точек изображений

Фильтрация ложных соответствий описателей особых точек изображений Фильтрация ложных соответствий описателей особых точек изображений Сергей Белоусов 1, Александр Шишков 2 1 ННГУ им. Н.И. Лобачевского, Нижний Новгород, Россия. belbes122@yandex.ru 2 Itseez, Нижний Новгород,

Подробнее

МЕТОД УЛУЧШЕНИЯ АЛГОРИТМА ВИОЛЫ-ДЖОНСА

МЕТОД УЛУЧШЕНИЯ АЛГОРИТМА ВИОЛЫ-ДЖОНСА Математические структуры и моделирование 2014. 4(32). С. 83 88 УДК 519.711.3 МЕТОД УЛУЧШЕНИЯ АЛГОРИТМА ВИОЛЫ-ДЖОНСА А.Р. Нургатин аспирант, e-mail: nurgatin@csu.ru Челябинский государственный университет

Подробнее

АВТОМАТИЗАЦИЯ РАСПОЗНАВАНИЯ ЛИЦ ЛЮДЕЙ ПО ФОТОГРАФИИ И.В. Тимохин, Н.Б. Осипенко

АВТОМАТИЗАЦИЯ РАСПОЗНАВАНИЯ ЛИЦ ЛЮДЕЙ ПО ФОТОГРАФИИ И.В. Тимохин, Н.Б. Осипенко Проблемы физики, математики и техники, 3 (32), 2017 УДК 004.93 ИНФОРМАТИКА АВТОМАТИЗАЦИЯ РАСПОЗНАВАНИЯ ЛИЦ ЛЮДЕЙ ПО ФОТОГРАФИИ И.В. Тимохин, Н.Б. Осипенко Гомельский государственный университет им. Ф.

Подробнее

ИНФОРМАЦИЯ и КОСМОС 2

ИНФОРМАЦИЯ и КОСМОС 2 Метод идентификации человека по изображению лица в системах видеонаблюдения на основе научно методического аппарата иммунокомпьютинга Method of person identification by the facial image in video surveillance

Подробнее

Машинное обучение в компьютерном зрении

Машинное обучение в компьютерном зрении Машинное обучение в компьютерном зрении Содержание Постановка задачи МО Подходы к решению задачи МО в компьютерном зрении 19741980 зима для Искусственного интеллекта Наивный оптимизм: 1954 через 3 5 лет

Подробнее

ДОКЛАДЫ БГУИР (93) ОБНАРУЖЕНИЕ ЛИЦА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ В БИОМЕТРИЧЕСКОЙ СИСТЕМЕ КОНТРОЛЯ ДОСТУПА И.И. ФРОЛОВ

ДОКЛАДЫ БГУИР (93) ОБНАРУЖЕНИЕ ЛИЦА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ В БИОМЕТРИЧЕСКОЙ СИСТЕМЕ КОНТРОЛЯ ДОСТУПА И.И. ФРОЛОВ ДОКЛАДЫ БГУИР 2015 7 (93) УДК 681.3 ОБНАРУЖЕНИЕ ЛИЦА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ В БИОМЕТРИЧЕСКОЙ СИСТЕМЕ КОНТРОЛЯ ДОСТУПА И.И. ФРОЛОВ Белорусский государственный университет информатики и радиоэлектроники

Подробнее

Разработка системы видеодетектирования транспортных средств

Разработка системы видеодетектирования транспортных средств Разработка системы видеодетектирования транспортных средств Валентина Кустикова 1, Николай Золотых 2, Евгений Козинов 3, Иосиф Мееров 4, Алексей Половинкин 5 1 Нижегородский государственный университет

Подробнее

Формирование однородных обучающих выборок в задачах классификации

Формирование однородных обучающих выборок в задачах классификации Формирование однородных обучающих выборок в задачах классификации Ефимова Ирина Московский физико-технический институт Факультет управления и прикладной математики Кафедра интеллектуальных систем Научный

Подробнее

2014 г. О.С. Амосов, д-р техн. наук, Ю.С. Иванов (Комсомольский-на-Амуре государственный технический университет)

2014 г. О.С. Амосов, д-р техн. наук, Ю.С. Иванов (Комсомольский-на-Амуре государственный технический университет) Информатика и системы управления, 2014, 1(39) Автоматизированные системы и комплексы УДК 004.8 2014 г. О.С. Амосов, д-р техн. наук, Ю.С. Иванов (Комсомольский-на-Амуре государственный технический университет)

Подробнее

Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP. Лабораторная работа Детектирование пешеходов

Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP. Лабораторная работа Детектирование пешеходов Нижегородский государственный университет им. Н.И. Лобачевского Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP Лабораторная работа Дружков П.Н., кафедра математической логики

Подробнее

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА МАГИСТРА

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА МАГИСТРА «Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И.Ульянова (Ленина)» (СПбГЭТУ"ЛЭТИ") Направление Программа Факультет Кафедра 11.04.01 Радиотехника Инфокоммуникационные

Подробнее

СИСТЕМА ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ВИДЕОМАРКЕРОВ ДЛЯ ОБЕСПЕЧЕНИЯ НАВИГАЦИИ РОБОТА. Введение

СИСТЕМА ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ВИДЕОМАРКЕРОВ ДЛЯ ОБЕСПЕЧЕНИЯ НАВИГАЦИИ РОБОТА. Введение УДК 531.1 СИСТЕМА ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ВИДЕОМАРКЕРОВ ДЛЯ ОБЕСПЕЧЕНИЯ НАВИГАЦИИ РОБОТА А.В.Калиниченко (tooboos@mail.ru) Институт прикладной математики им. М.В. Келдыша РАН, Москва В работе описывается

Подробнее

Машинное обучение в компьютерном зрении. Сверточные Нейронные Сети

Машинное обучение в компьютерном зрении. Сверточные Нейронные Сети Машинное обучение в компьютерном зрении. Сверточные Нейронные Сети Катаев Александр Ведущий инженер-программист, к.т.н. Алексеев Алексей Инженер-программист Singularis Lab, Ltd. Найди кота! 22-24 октября,

Подробнее

СИСТЕМА ОБНАРУЖЕНИЯ И СОХРАНЕНИЯ ЛИЦА ЧЕЛОВЕКА В КАДРЕ

СИСТЕМА ОБНАРУЖЕНИЯ И СОХРАНЕНИЯ ЛИЦА ЧЕЛОВЕКА В КАДРЕ УДК 004.3 СИСТЕМА ОБНАРУЖЕНИЯ И СОХРАНЕНИЯ ЛИЦА ЧЕЛОВЕКА В КАДРЕ В. Г. Ляликова, М. М. Безрядин, А. К. Шатаев Воронежский государственный университет Поступила в редакцию 11.07.2017 г. Аннотация. Рассмотрен

Подробнее

Свёрточные сети в задачах компьютерного зрения

Свёрточные сети в задачах компьютерного зрения Свёрточные сети в задачах компьютерного зрения Антон Осокин ФКН ВШЭ 29.09.2017 Recap: классификация Задача классификации изображение решена! (почти) Вход сети изображение Выходы сети соответствуют классам

Подробнее

Сравнительный анализ алгоритмов распознавания лиц в задаче визуальной идентификации

Сравнительный анализ алгоритмов распознавания лиц в задаче визуальной идентификации УДК 004.93 Сравнительный анализ алгоритмов распознавания лиц в задаче визуальной идентификации О.В. Рогозин, С.А. Кладов МГТУ им. Н.Э. Баумана, Москва, 105005, Россия Статья посвящена двум подходам к распознаванию

Подробнее

Трекинг объектов на видео при помощи фильтра частиц

Трекинг объектов на видео при помощи фильтра частиц Трекинг объектов на видео при помощи фильтра частиц Нижибицкий Евгений Алексеевич научный руководитель: д.ф.-м.н. Дьяконов А.Г. Московский государственный университет имени М. В. Ломоносова Факультет Вычислительной

Подробнее

Получение глубины из движения камеры

Получение глубины из движения камеры Получение глубины из движения камеры Зачесов Антон Video Group CS MSU Graphics & Media Lab 30.03.2015 Содержание Введение Iterative Depth Estimation Live Scene Reconstruction Real-time Depth Estimation

Подробнее

ВЫДЕЛЕНИЕ ПРЯМОЛИНЕЙНЫХ КРОМОК НА ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЯХ

ВЫДЕЛЕНИЕ ПРЯМОЛИНЕЙНЫХ КРОМОК НА ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЯХ УДК 621.397:621.396.96 ВЫДЕЛЕНИЕ ПРЯМОЛИНЕЙНЫХ КРОМОК НА ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЯХ В. Ю. Волков, доктор техн. наук, профессор Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.

Подробнее

Анализ изображений и видео. Часть 1. Параметрические модели.

Анализ изображений и видео. Часть 1. Параметрические модели. Анализ изображений и видео. Часть 1 Параметрические модели. Материалы Наталья Васильева Антон Конушин Сравнение изображений при помощи локальных признаков: основные шаги 1. Локализация особых точек 2.

Подробнее

Обработка изображений радужной оболочки глаза в целях идентификации границ радужной оболочки глаза

Обработка изображений радужной оболочки глаза в целях идентификации границ радужной оболочки глаза УДК 629.7 Ю.И. Монич, В.В. Старовойтов Объединенный институт проблем информатики Национальной академии наук Беларуси, г. Минск, Беларусь monich@newman.bas-net.by Обработка изображений радужной оболочки

Подробнее

Как компьютерное зрение и машинное обучение помогают автоматизировать видеонаблюдение

Как компьютерное зрение и машинное обучение помогают автоматизировать видеонаблюдение Как компьютерное зрение и машинное обучение помогают автоматизировать видеонаблюдение Антон Конушин Доцент НИУ ВШЭ, академический руководитель ОП ПМИ Доцент ВМК МГУ, заведующий лабораторий компьютерной

Подробнее

Лабораторная работа Оптимизация и распараллеливание вычислений в задаче детектирования объектов на изображениях с использованием алгоритма Latent SVM

Лабораторная работа Оптимизация и распараллеливание вычислений в задаче детектирования объектов на изображениях с использованием алгоритма Latent SVM Нижегородский государственный университет им. Н.И. Лобачевского Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP Лабораторная работа Оптимизация и распараллеливание вычислений

Подробнее

распознавание объектов

распознавание объектов Методы сопоставления изображений Чернявский Алексей Введение в компьютерное зрение МГУ ВМК, весна 2009 Мотивация распознавание объектов Мотивация классификация Мотивация поиск в базе изображений Мотивация

Подробнее

ISSN Интеллектуальные системы в производстве (13)

ISSN Интеллектуальные системы в производстве (13) 106 УДК 519.68: 681.513.7 С. А. Пучинин, аспирант кафедры «Прикладная математика и информатика» Ижевский государственный технический университет 1 ОБЗОР МАТЕМАТИЧЕСКИХ МЕТОДОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

Подробнее

ИДЕНТИФИКАЦИЯ ПОЛЬЗОВАТЕЛЯ ПО ГЕОМЕТРИИ ЛИЦА В УПРАВЛЕНИИ ДОСТУПОМ К ДИСТАНЦИОННОМУ ОБРАЗОВАТЕЛЬНОМУ ИНФОРМАЦИОННОМУ РЕСУРСУ

ИДЕНТИФИКАЦИЯ ПОЛЬЗОВАТЕЛЯ ПО ГЕОМЕТРИИ ЛИЦА В УПРАВЛЕНИИ ДОСТУПОМ К ДИСТАНЦИОННОМУ ОБРАЗОВАТЕЛЬНОМУ ИНФОРМАЦИОННОМУ РЕСУРСУ УДК 004.021, 004.93 12 Любовь Владимировна Пешнина преподаватель, каф. Автоматики и телемеханики Вятского государственного университета (ВятГУ) тел.: (953) 698-31-65 Эл.почта: dtnthdjkmysq@mail.ru Андрей

Подробнее

Слежение за выделенными объектами на протяжении видеоряда

Слежение за выделенными объектами на протяжении видеоряда Слежение за выделенными объектами на протяжении видеоряда # 07, июль 2015 Волосатова Т. М. 1, Яблоков В. Е. 1,* УДК: 004.93`12 1 Россия, МГТУ им. Н.Э. Баумана Введение Технология автоматизированного распознавания

Подробнее

Компьютерное зрение и обработка изображений Лекции Детекторы и дескрипторы

Компьютерное зрение и обработка изображений Лекции Детекторы и дескрипторы Компьютерное зрение и обработка изображений Лекции 15-16 Я.М.Демяненко dem@math.sfedu.ru Южный федеральный университет Институт математики, механики и компьютерных наук 2017 Я.М.Демяненко (Мехмат ЮФУ)

Подробнее

Секция 3 «ЭЛЕКТРОТЕХНИЧЕСКИЕ КОМПЛЕКСЫ И СИСТЕМЫ НА АВТОТРАНСПОРТНЫХ СРЕДСТВАХ»

Секция 3 «ЭЛЕКТРОТЕХНИЧЕСКИЕ КОМПЛЕКСЫ И СИСТЕМЫ НА АВТОТРАНСПОРТНЫХ СРЕДСТВАХ» СИСТЕМА ОБНАРУЖЕНИЯ ОБЪЕКТА В ЗОНЕ ДВИЖЕНИЯ АВТОМОБИЛЯ, С ИСПОЛЬЗОВАНИЕМ ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЯ к.т.н. Девочкин О.В., Сегеда С.В. МГТУ «МАМИ» Для снижения числа аварий на дорогах очень важно, что

Подробнее

ВЫДЕЛЕНИЕ КОНТУРОВ ИЗОБРАЖЕНИЯ ДВИЖУЩЕГОСЯ ОБЪЕКТА. И.О.Титов, Г.М.Емельянов Институт электронных и информационных систем НовГУ,

ВЫДЕЛЕНИЕ КОНТУРОВ ИЗОБРАЖЕНИЯ ДВИЖУЩЕГОСЯ ОБЪЕКТА. И.О.Титов, Г.М.Емельянов Институт электронных и информационных систем НовГУ, 00 ВЕСТНИК НОВГОРОДСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 55 УДК 598765 ВЫДЕЛЕНИЕ КОНТУРОВ ИЗОБРАЖЕНИЯ ДВИЖУЩЕГОСЯ ОБЪЕКТА ИОТитов, ГМЕмельянов Институт электронных и информационных систем НовГУ, TitovIlya@yandexru

Подробнее

Прикладные вопросы математики. Распознавание символов на электронных изображениях

Прикладные вопросы математики. Распознавание символов на электронных изображениях Краевая научно-практическая конференция учебно-исследовательских работ учащихся 6-11 классов «Прикладные и фундаментальные вопросы математики» Прикладные вопросы математики Распознавание символов на электронных

Подробнее

Л.В. АНТОНОВ, А.А. ОРЛОВ

Л.В. АНТОНОВ, А.А. ОРЛОВ 3 Л.В. АНТОНОВ, А.А. ОРЛОВ Экспериментальное исследование алгоритмов обработки снимков промышленных изделий УДК 004.942 Муромский институт (филиал) ФГБОУ ВПО «Владимирский государственный университет имени

Подробнее

СНИЖЕНИЕ РАЗМЕРНОСТИ ВЕКТОРОВ ПРИЗНАКОВ ПО КРИТЕРИЯМ МУЛЬТИКОЛЛИНЕАРНОСТИ Н.Е. Козин 1, В.А. Фурсов 2

СНИЖЕНИЕ РАЗМЕРНОСТИ ВЕКТОРОВ ПРИЗНАКОВ ПО КРИТЕРИЯМ МУЛЬТИКОЛЛИНЕАРНОСТИ Н.Е. Козин 1, В.А. Фурсов 2 008 Компьютерная оптика, том 3, 3 СНИЖЕНИЕ РАЗМЕРНОСТИ ВЕКТОРОВ ПРИЗНАКОВ ПО КРИТЕРИЯМ МУЛЬТИКОЛЛИНЕАРНОСТИ НЕ Козин, ВА Фурсов Самарский государственный аэрокосмический университет имени академика СП

Подробнее

Комбинированный метод обнаружения и распознавания лиц в реальном режиме

Комбинированный метод обнаружения и распознавания лиц в реальном режиме УДК 004.93'1 Комбинированный метод обнаружения и распознавания лиц в реальном режиме Введение Волынец М.Ю., магистр Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение ЭВМ

Подробнее

Постулат ISSN УДК 004. Королёв Борис Евгеньевич Дальневосточный государственный университет путей и сообщений студент

Постулат ISSN УДК 004. Королёв Борис Евгеньевич Дальневосточный государственный университет путей и сообщений студент УДК 004 Разработка информационной системы распознавания дорожных знаков Королёв Борис Евгеньевич Дальневосточный государственный университет путей и сообщений студент Аннотация В данной статье рассмотрена

Подробнее

Исследование методов сегментации изображений

Исследование методов сегментации изображений Исследование методов сегментации изображений Артем Скребков, Владислав Виноградов, Дмитрий Кручинин, Евгений Долотов Руководитель: Козинов Е.А. Сегментация изображения Сегментация процесс разделения изображения

Подробнее

Построение карт глубины и сопоставление стерео

Построение карт глубины и сопоставление стерео Построение карт глубины и сопоставление стерео Сергей Матюнин Video Group CS MSU Graphics & Media Lab Содержание Введение Connectivity-slant AdaptingBP Cooperative Optimization Сравнение 2 Введение Вход:

Подробнее