AndroidとOpenCVで試す特定物体認識 - 遥かへのスピードランナー
6月2日に開催されたDevLOVEさんと弊社の共同開催勉強会で、「Android×ComputerVision」というお題で発表してきました。 要はOpenCVをAndroidアプリに組み込んで特定物体認識を試そう、というもの。 資料は以下です。 20110602_MTI×DevLOVE発表資料「Android×ComputerVision」 View more presentations from Takahiro Horikawa ソースはgithubで公開してます。 https://github.com/thorikawa/AndroidObjectRecognition/ 概要 資料にも記載していますが、カメラのプレビュー画像からSURFの特徴点を検出して、LSHで再近傍検索→特定物体認識というのを毎フレーム行っています。 「物体」はCDのジャケット画像を5枚の内から認識して、それ
bayonを使って画像からbag-of-keypointsを求める - のんびり読書日記
クラスタリングツールbayonとOpenCVを使って、画像からbag-of-keypointsを特徴量として抽出する手順について書きたいと思います。bag-of-keypointsは自然言語処理でよく使用されるbag-of-words(文章を単語の集合で表現したもの)と同じようなもので、画像中の局所的な特徴量(keypoint)の集合で画像の特徴を表します。bag-of-wordsと同じ形式ですので言語処理と同じように、bag-of-keypointsデータを使ってクラスタリングツールに適用したり、転置インデックスに載せたりといったことが可能になります。 今回は画像からbag-of-keypointsを取り出し、そのデータを使ってbayonで画像集合をクラスタリングするところまでやってみます。ちなみに画像処理は完全に素人で、この記事もニワカ知識で書いているので、間違っている箇所やもっと効率
(前回〜12/29) - デー
2009年が終わってしまうし、現状のバージョンを公開しました。 顔によるイラストの検索 変わったところ 特徴点を検出する対象を3画像(髪型をかるく目立たせた画像,顔の画像,髪型をとても目立たせた画像)にした 検出された特徴点の大きさによって大きいほど重みを持たすようにした(顔画像はスケールが大体同じなので) 各画像からの検出数を最大300個に制限. 大きい方から選択 など。 最近気づいたけどやっていないこと 髪の色の分布は均一ではない、例えば緑色の人は少ない、などということがあるんだけど、髪の色での一次候補を固定数(800個)で抽出しているので、緑髪の場合は黒い髪の人が出てきたり、青髪（青髪の人は緑髪の5倍近くいる)の場合は候補の範囲が足りていないといったことが起きている。 髪の色でクラスタリングしてクラスごとのメンバ数を求めて、検索時に1次候補の数を変えるといったことをしてみたけど、あん
3日で作る高速特定物体認識システム (7) 最近傍探索の高速化 - 人工知能に関する断創録
3日で作る高速特定物体認識システム (6) 線形探索を用いた特定物体認識（2009/11/22）のつづきです。今回がこのシリーズの最終回です。 前回の線形探索は遅すぎるので最近傍探索を高速化します。これで表題の高速特定物体認識システムができあがります。高速化にはいくつかの方法がありますが、物体モデルデータベースをなんらかのデータ構造にあらかじめ格納しておくというのがポイントです。今回は、資料でも述べられているkd-treeとLocality Sensitive Hashing (LSH)という手法を試してみます。kd-treeは木構造、LSHはハッシュでデータを構造化（インデキシング）します。kd-treeは、厳密な最近傍を求めますが、LSHは近似最近傍検索と呼ばれ、厳密な最近傍は求められない代わりに計算を大幅に高速化できます。 資料では、ANN (Approximate Nearest
ベクトル量子化 - デー
はてブのコメントを見たのと、僕もbag of keypoints関係の論文を見たときに一瞬で分かったつもりになってそれを信じ続けていたけど不安になったのでググったところ別に間違ってもいなさそうだったので、ここでたまに書いてるベクトル量子化とは何かという話とそれをなぜ使っているのかという話を。（僕なりに） 僕がベクトル量子化と言ったときには、単純には 入力ベクトル→クラスラベル(スカラ) への変換を指している。あらかじめ、K個のクラス(グループ)を定義しておいて、入力ベクトルがどのクラスに属するか推定を行って、属するクラスの番号に変換してしまう。これによって、どんな入力ベクトルも(int)1〜Kのスカラ値に変換できる、というかかなり大雑把だけどそういうことにしてしまう。 具体的な例としては、 まず入力ベクトルとして想定されるデータを適当に集めてそれをk-meansでクラスタリングする。データ
3日で作る高速特定物体認識システム (5) 物体モデルデータベースの作成 - 人工知能に関する断創録
3日で作る高速特定物体認識システム (4) 特徴点のマッチング（2009/11/2）のつづきです。 今回は、高速特定物体認識システムの物体モデルデータベースを作成してみます。クエリとして与えた画像が何かはこの物体モデルデータベースを検索することで認識できるようになります。特定物体認識では、クエリとして与えた画像が物体モデルデータベースにあらかじめ登録されていないとまず認識できません（局所特徴量を用いるので多少のスケール変化や回転などには対応できますが）。忘れてしまった方は物体認識システムの構成（2009/10/18）を参照してください。 画像データセットの準備 自分で撮影した画像を登録できるようにしてもよかったのですが、大量の画像を撮影するのは面倒なのでおなじみのCaltech101の画像セットを用いて物体モデルを作成します。 類似画像検索システムを作ろう（2009/10/3）の画像データ
Intelligent Image Processing Report
平成２１年度・知的画像処理 講義資料は，東工大OCWのページから，あるいは以下の所からダウンロードする ことが可能である．各自で準備をしておくこと. 知的画像処理講義資料 注意事項 課題として出されたレポートは，プログラムと結果および簡単な考察を簡潔に まとめたうえで，できるだけ指定された期日までに R２棟１階，像情報工学研究施設の郵便ポストR２-５１に 提出すること． なお，レポート課題で使用する画像は，２５６階調までの白黒階調画像で，その 画像ファイル形式はPGMフォーマット(ファイルの拡張子として".pgm"がついてい る)である．これ以外のフォーマット，あるいは画像の種類については，本課題 の中では扱わない． PGM画像フォーマットの取扱例を サンプルプログラム１(sample1.cc)に示す． 画像の入出力は，マイクロソフト社製のWindows系OSとLinuxの双方で実行できる
物体認識のための局所特徴量 SIFTと最近のアプローチ
物体認識のための局所特徴量 SIFTと最近のアプローチ http://www.vision.cs.chubu.ac.jp/SIFT/ 藤吉 弘亘 中部大学工学部情報工学科 概要 1. SIFT(Scale-Invariant Feature Transform) 2. SIFTアプローチの高精度化 - PCA-SIFT - GLOH(Gradient Location and Orientation) 3. SIFTアプローチの高速化 - SURF(Speeded Up Robust Features) 4. 学習を用いた高速化 - Randomized Trees 5. SIFTと一般物体認識(画像分類) 1. SIFT(Scale-Invariant Feature Transform) ステレオ画像 Related Work 回転・スケール変化 照明変化等に頑健 特徴点検出 スケー
デー
学習済みモデルファイルを更新しています。 まだ今後の準備のためにソースコードを更新するついでに手元のモデルを更新しただけなので、そのうちまた更新されます。 デモサーバーには反映しているので少し変換結果が変わっています。 サードパーティのローカルソフトウェアを使っている方は、modelsフォルダにあるjsonファイルを上書きすれば使えるのではないかと思いますが、ソフトによっては動かないかもしれません。 何が変わっているかは画像によりますが、自分の意図としては、 ノイズ除去でできるだけ細部が消えないようにする（ほとんど変わっていないけど、頬の///は消えにくくなった） 拡大時に線画の線が太くなり過ぎないようにする（画像によってはかなり変わっている） 漫画のことは諦めた（スクリーントーンは前のバージョンよりひどくなっている場合が多い） 学習データとその生成方法から間接的に調節しているので、変更は
Vuforia Developer Portal |
Vuforia Engine offers advanced computer vision and a wide range of functionality to help power some of the most innovative AR applications. As the expectations for AR grows, so does the demand on the technology. We strive to provide our customers and the developer community not only with new ways to create AR experiences, but also to improve on the features we have now. That’s why the Vuforia Engi
SURF: Speeded Up Robust Features
"SURF: Speeded Up Robust Features" is a performant scale- and rotation-invariant interest point detector and descriptor. It approximates or even outperforms previously proposed schemes with respect to repeatability, distinctiveness, and robustness, yet can be computed and compared much faster. This is achieved by - relying on integral images for image convolutions - building on the strengths of th
1
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
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
learncv on USTREAM: meeting to learn major computer vision algorithms.
FLabStream on USTREAM: This channel is Fujiyoshi laboratory's stream.. Conference
SURFの特許についての議論
blog.inspirit.ru/?p=386 - Сервис регистрации доменов и хостинга *.RU-TLD.RU