概要 OpenCVでは特徴点抽出,特徴記述,特徴点のマッチングついて様々なアルゴリズムが実装されているが,それぞれ共通のインターフェースが用意されている.共通インターフェースを使えば,違うアルゴリズムであっても同じ書き方で使うことができる. 特徴点抽出はFeatureDetectorインターフェース,特徴記述はDescriptorExtractorインターフェース,マッチングはDescriptorMatcherインターフェースである.いずれのインターフェースも,オブジェクト生成時に文字列によってアルゴリズムを指定することができる. 以下に使い方を簡単にまとめる.(OpenCV2.4.7の情報.バージョンが古いと使えないアルゴリズムがあるので注意.OpenCV3.0.0-alphaでの変更点は「OpenCV3.0.0-alphaの特徴抽出・マッチングまとめ - whoopsidaisies'
About reserved postingIf you register a secret article by the day before the same day, it will be automatically published around 7:00 on the same day. About posting periodOnly articles submitted after November 1 of the year can be registered. (Secret articles can be registered anytime articles are posted.)
この記事はOpenCV Advent Calendar 2015の21日目の記事です。 fps計測の環境が異なったため、再実験して修正しました。(2015.12.22) 再実験してKCFのオリジナルコードを追加しました。(2015.12.26) 概要 OpenCV Tracking APIの導入方法、使い方、パフォーマンス評価のまとめ OpenCV Tracking APIに入っている追跡アルゴリズムのうち、KCF*1はstate-of-the-artと言えるアルゴリズムで、速度・精度共に高パフォーマンスなので有用そう はじめに OpenCV 3.0 になって、opencv_contribというリポジトリが追加された。 Tracking APIはその中に入っているモジュールの1つ。物体追跡を行うモジュールで、Trackerという共通インタフェースを経由して様々な物体追跡アルゴリズムを使うこ
橋本商会: Cで書いたOpenCVのコードをC++/CLIで.NET用DLLにしてC# Formアプリから使う の続き。 FormアプリからOpenCVのHighGUIを別ウィンドウで開いていたが、Bitmapオブジェクトにキャストする事で.NETアプリのPictureBoxなどに読み込む事が出来る。 これにより画像処理だけ高速にC++で行い、アプリケーションのUIやネットワーク部分はC#.NETで実装するといういいとこどりが出来る。 ■出来た物 FormにLoadImageボタンとPictureBoxを追加。 LoadButtonを押すとShadowCamera.dllから呼び出しているOpenCV側のCvImageが変換されてBitmapになって出てくる関数を作った。 今回作っているShadowCameraは背景を蓄積させて統計を取り、差分で人物の影だけを抜き出すライブラリなので、毎フ
その1 その2 その3 その4 その5 その6 OpenCVのhighguiではなくWindowsFormsのウィンドウ上で動画を再生したいということは多いようです。OpenCvSharpに限っても、以下のページなどで試みられています。 http://d.hatena.ne.jp/Guernsey/20081207/1228649067 http://blog.livedoor.jp/embed_life/archives/267250.html C#はGUIアプリケーションの開発の容易さや強力さが大きなウリだと思うので、当然のことです。しかしサンプルには入れてなかった気がするので、ここで様々な方法を試してみます。 前提 「Windows フォーム アプリケーション」でプロジェクトを新規作成し、Form1にPictureBoxを貼り付けます。この時点でのForm1.csのコードはこのように
情報処理学会の学会誌『情報処理』の2008年9月号(Vol.49, No.9)に「3日で作る高速特定物体認識システム」という特集記事があります。OpenCVを用いた面白そうなプロジェクトなのでレポートにまとめてみようと思います。3日でできるかはわからないけど。 残念ながらこの記事はPDFを無料でダウンロードすることができません(CiNiiでオープンアクセス可能になったみたいです)。なので会員以外で元記事が読みたい人は図書館でコピーする必要があるかも・・・また、2009年9月号の人工知能学会誌にも物体認識の解説「セマンティックギャップを超えて―画像・映像の内容理解に向けてー」があります。こちらも非常に参考になりますが同様にPDFが手に入りません・・・。他にもいくつかわかりやすい総説論文へのリンクを参考文献にあげておきます。 物体認識とは 物体認識(object recognition)は、画
ねこと画像処理。 (アイシャ – 池袋 ねころび) 前回のねこと画像処理 part 1 – 素材集めでは猫画像の集め方について整理しました。今回はその集めた猫画像を使って猫検出用の学習モデル(分類器)を作成したいと思います。それにはいろいろと準備が必要です。 モデル(分類器)の配布についてはこのエントリーの後半で説明します。 アノテーションデータの収集 学習モデルを作る前に猫のどの部分を検出するかを決める必要がありますが、今回は猫の顔(頭)部分の検出を行おうと思います。そのためのアノテーションデータ作成補助ツールを作成したのでそれを使ってひたすらデータを集めます。僕一人の作業だと限界があったのですが、クラウドソーシングによりネット上の顔も知らない有志達の協力のおかげであっという間にデータが集まりました。 アノテーションデータ作成補助ツールの作成にあたっては以下のサイトを参考にさせてもらいま
はじめに 画像認識の標準的な特徴ベクトル Bag-of-Visual-Words を作成する時に、画像から大量に局所特徴量を抽出します。局所特徴量を抽出する際の特徴点の位置を決める方法、サンプリング方法には、一定の大きさ・角度・間隔で特徴点をとる Dense (Grid) Sampling が一般的です。この Dense Sampling を、OpenCV で再現する際には、DenseFeatureDetector クラスが便利です。 サンプルプログラム 入力された画像ファイルに対して、特徴点の位置を Dense Sampling 法で設定し、結果をファイルに書き出すプログラムです。使用した OpenCV のバージョンは、2.3.1 です。 #include <iostream> #include <opencv2/imgproc/imgproc.hpp> #include <opencv
I am trying to extract features using OpenCV's HoG API, however I can't seem to find the API that allow me to do that. What I am trying to do is to extract features using HoG from all my dataset (a set number of positive and negative images), then train my own SVM. I peeked into HoG.cpp under OpenCV, and it didn't help. All the codes are buried within complexities and the need to cater for differe
IntelのIPPとは、SIMDを使ったベクトル演算で処理を4倍、8倍と言った速度に押し上げたり、 特化された専用命令を使って符号演算や数学的な処理を高速化するパッケージです。 OpenCVではこのIPPパッケージが内部的に使われており、 導入するだけで特定のAPIが高速化することができます。 そこでOpenCVのCMakeでIntelのIPPをLinux/Macに導入手順メモを取る事にしました。 (はて、トライアル過ぎても何故か使えてるのですがどうしてだろう??) IPPインストール Intel IPPページで適当なアカウントの入力と、ダウンロード。 Linux用のパッケージをダウンロード。 tar zxvf l_ipp_8.0.0.061.tgz で解凍。 cd l_ipp_8.0.0.061 ./install.sh でインストール開始。 購入している人はプロダクトキーを入力、
OpenCV is an open source computer vision and machine learning software library. It is free for commercial and research use under a BSD license. OpenCV was built to provide a common infrastructure for computer vision applications and it focuses mainly on real-time image processing. The library is cross-platform, and runs on Mac OS X, Windows and Linux. It is written natively in C++ and it has C, P
今度はさらに複雑な形であるト音記号を認識してみる。複雑な形の認識は(例えば顔認識など)は CascadeClassifier で行う。単純な認識機を多段(カスケード)に組み合わせることで認識精度を上げる手法らしい。機械学習したデータを使って認識を行うわけなので、学習データを作るのがめんどくさい。 と思ってたら素晴らしいページを発見した。まさに神ツール。ありがたく使わせていただきます。このサイトのとおりにやる。っていうと説明が終わってしまう。 とりあえず、opencv_createsamples をインストールする。パッケージがわからないので apt-file で探す。 apt-file search opencv_createsamples libopencv-dev パッケージに含まれている(Ubuntuの場合)ことがわかったのでインストール。 sudo apt-get install
OpenCVの学習ツール(opencv_traincascade)はHAAR/LBP/HOGの検出アルゴリズムがありますが、 その比較と落とし穴、時間のかかったポイントを記述することにしました。 最初ある程度苦労するだろうとは踏んでいました。 しかし、それは苦労どころかとんでもない地獄だったのです。 1. OpenCVの機械学習にかかる時間 2. 導入と検討 3. 学習画像の収集 4. 如何に素早く的確に画像を集められるか? 5. ネイティブの画像クローラー 6. 画像分類と解析器 7. フィルタと除外するツール(VisionClassifier) 8. 学習データの作成と応用 9. 精度テスト 1. OpenCVの機械学習にかかる時間 OpenCVの機械学習は非常に時間がかかり、何もわからない状態から入って一つの学習データ(cascadeファイル)を作るのに相当な時間
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く