Машинное зрение; трекинг мячаМетоды, применяемые для определения объектов на картинке

Кроме того, высочайшие скорости некоторых методов позволяют искать изображения в режиме реального времени даже на мобильных устройствах, позволяя использовать дополненную реальность на телефонах и планшетах обычных пользователей. Практически все другие существующие движки дополненной реальности работают по тому же принципу (например, от компании Qualcomm библиотека Vuforia). Для достижения максимально возможного уровня отслеживания объектов (маркеров) необходимо иметь достаточно большое количество уникальных (измеренных) ключевых точек, которые библиотека дополненной реальности сможет быстро выделить на вашем видеопотоке и сравнить с имеющимся у вас набором шаблонов. Для этого следует как можно чаще использовать детектор, дескриптор и матчер, а также следует разработать алгоритм, способный без колебаний сообщать о том, что объект найден. Если первые три компоненты выбираются путем измерения скорости работы и оценки инвариантности различных преобразований, то крайняя компонента требует более детальной проработки. Причина этого в том, что не существует стандартных программных средств, которые могли бы уверенно сообщить о факте нахождения маркера. Такие фильтры следует внедрять самостоятельно с учетом задач проекта, в котором они будут использоваться.Программныйкод# import the necessary packagesfrom imutils.video import VideoStreamfrom collections import dequeimport numpy as npimport argparseimport imutilsimport timeimport cv2args = {    "video": "ball_tracking_example.mp4",    "output" : "output.avi",    "buffer": 64}greenLower = (29, 86, 6)greenUpper = (64, 255, 255)pts = deque(maxlen=args["buffer"])# grab a reference to the video file and initialize pointer to output# video fileprint("[INFO] opening video file...")vs = cv2.VideoCapture(args["video"])writer = None# keep loopingwhile True:    # grab the current frame    frame = vs.read()[1]    # if we are viewing a video and we did not grab a frame,    # then we have reached the end of the video    if frame is None:        break    # resize the frame, blur it, and convert it to the HSV    # color space    frame = imutils.resize(frame, width=600)    blurred = cv2.GaussianBlur(frame, (11, 11), 0)    hsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)    # construct a mask for the color "green", then perform    # a series of dilations and erosions to remove any small    # blobs left in the mask    mask = cv2.inRange(hsv, greenLower, greenUpper)    mask = cv2.erode(mask, None, iterations=2)    mask = cv2.dilate(mask, None, iterations=2)    # find contours in the mask and initialize the current    # (x, y) center of the ball    cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,        cv2.CHAIN_APPROX_SIMPLE)    cnts = imutils.grab_contours(cnts)    center = None    # only proceed if at least one contour was found    if len(cnts) > 0:        # find the largest contour in the mask, then use        # it to compute the minimum enclosing circle and        # centroid        c = max(cnts, key=cv2.contourArea)        ((x, y), radius) = cv2.minEnclosingCircle(c)        M = cv2.moments(c)        center = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"]))        # only proceed if the radius meets a minimum size        if radius > 10:            # draw the circle and centroid on the frame,            # then update the list of tracked points            cv2.circle(frame, (int(x), int(y)), int(radius),                (0, 255, 255), 2)            cv2.circle(frame, center, 5, (0, 0, 255), -1)    # update the points queue    pts.appendleft(center)    # loop over the set of tracked points    for i in range(1, len(pts)):        # if either of the tracked points are None, ignore        # them        if pts[i - 1] is None or pts[i] is None:            continue        # otherwise, compute the thickness of the line and        # draw the connecting lines        thickness = int(np.sqrt(args["buffer"] / float(i + 1)) * 2.5)        cv2.line(frame, pts[i - 1], pts[i], (0, 0, 255), thickness)    # if the video writer is None *AND* we are supposed to write    # the output video to disk initialize the writer    if writer is None and args["output"] is not None:        fourcc = cv2.VideoWriter_fourcc(*"MJPG")        writer = cv2.VideoWriter(args["output"], fourcc, 20,            (frame.shape[1], frame.shape[0]), True)      # if the writer is not None, write the frame with recognized    # faces to disk    if writer is not None:        writer.write(frame)# do a bit of cleanupvs.release()# check to see if the video writer point needs to be releasedif writer is not None:    writer.release()!ffmpeg -i output.avi output.mp4#@title Display video inlinefrom IPython.display import HTMLfrom base64 import b64encodemp4 = open("output.mp4", "rb").read()dataURL = "data:video/mp4;base64," + b64encode(mp4).decode()HTML("""      """ % dataURL)Список использованной литературыАлгоритмы выделения контуров изображений // Хабрахабр. URL: https://habrahabr.ru/post/114452/ Ансамблевый метод машинного обучения, основанный на рекомендации классификаторов — URL: http://lib.knigi-x.ru/23raznoe/212318–1-v-state-daetsya-kratkoe-vvedenie-ansambli-klassifikatorov-mashinnom-obuchenii-opisivaet.phpИскусственный интеллект с примерами на Python (Джоши Р. - 2019)Компьютерное зрение. Современный подход (Форсайт Д., Понс Ж. - 2004)Интегральное представление изображений — URL: https://studfiles.net/preview/6234768/page:3/Обработка и анализ изображений в задачах машинного зрения (Визильтер Ю.В., и др. - 2010) Обработка изображений с помощью OpenCV (Г.Б. Гарсия, О.Д. Суарес, Х.Л.Э. Аранда, Х.С. Терсеро, И.С. Грасиа, Н.В. Энано – 2016)Основные термины (генерируются автоматически): USAN, SUSAN, изображение, классификатор, XML, детектор границ, оператор, оригинальное изображение, формула, компьютерное зрение. Canny Edge Detection — URL: https://docs.opencv.org/ 3.3.1/da/d22/tutorial_py_canny.htmlAdaBoost в OpenCV — Распознавание образов для программистов. — URL: http://recog.ru/blog/ opencv/page2/Canny Edge Detection — URL: https://docs.opencv.org/3.3.1/da/d22/tutorial_py_canny.html SUSAN Principle for Feature Detection // Oxford University. Wellcome Centre for Integrative Imaging. — URL: https://users.fmrib.ox.ac.uk/~steve/susan/susan/ node2.html The SUSAN Edge Detector in Detail // Oxford University. Wellcome Centre for Integrative Imaging. — URL: https:// users.fmrib.ox.ac.uk/~steve/susan/susan/node6.html#SECTION00042000000000000000 «Молодойучёный» .№ 7 (193) 18 Информатика . Февраль 2018 г. The SUSAN Principle for Feature Detection // Oxford University. Wellcome Centre for Integrative Imaging. — URL: https://users.fmrib.ox.ac.uk/~steve/susan/susan/node2.html