전체 글 (43) 썸네일형 리스트형 SIFT와 SURF 이후의 Feature Descriptors들(딥러닝 이전까지), 그리고 SIFT와 SURF의 간단한 비교 실험 제 기억에 의하면 SIFT가 Lowe 교수에 의해서 제안된게 2004년이고 SURF가 Bay 교수에 의해서 제안된게 2006년이니 벌써 14년이상의 시간이 흘렀습니다. 당연히 이들 보다 좋은 feature descriptor를 만들기 위한 연구들은 계속 되었겠죠? (물론 요즘 딥러닝 시대에는 어떤 식으로 연구가 되고 있는지 모르겠지만..) SIFT보다 SURF보다 정확도(처리 속도는 배제)를 높이기 위한 목적으로 나온 알고리즘도 있고, SIFT와 SURF처럼 유사한 정확도를 보이면서도 처리 속도를 빠르게 하기 위한 목적으로 나온 알고리즘도 있습니다(스마트폰 시장이 커진 것도 한몫 했겠죠?). 아래는 딥러닝 이전까지의 SIFT와 SURF 이후에 유명 저널 및 컨퍼런스에 출판된 feature descript.. [ADAS] 날씨에 따른 정상 및 열화 판단 결과 ADAS 알고리즘 개발 시 장면 이해를 통해 각 장면에 대해 최적의 알고리즘을 적용하는 것은 좋은 접근법이라고 생각한다. 아래는 상용화에는 실패했지만 나름대로 가능성을 봤던 결과들이다. 맑은 날씨: 정상 판단 비오는 날씨: 열화로 판단 안개 낀 날씨: 열화로 판단 적분 영상(integral image)의 쉬운 구현 #define IMAGE_WIDTH 4 #define IMAGE_HEIGHT 6 #define IMAGE_SIZE (IMAGE_WIDTH*IMAGE_HEIGHT) #define INTEGRAL_IMAGE_SIZE ((IMAGE_WIDTH+1)*(IMAGE_HEIGHT+1)) void MakeIntegralImage(float *image, float *integralImage, int width, int height) { register int x, y; integralImage[0] = image[0]; for(x=1; x The Inefficiency of C++, Fact or Fiction? link: http://caxapa.ru/thumbs/213960/iar_fact.pdf 일반적으로 임베디드 소프트웨어를 개발하는 개발자들 사이에서 널리 알려진 진실은 코드 크기 및 속도의 관점에서 C언어 보다 C++이 나쁘다고 합니다. 위의 링크는 이에 대한 허와 실에 대해 이야기한 문서인데 한번쯤 읽어보면 좋겠다는 생각이 듭니다. 읽어봤더니 결론은 아래와 같습니다. 참고로 여기서의 비용은 코드의 크기에 대한 비용을 말합니다. 아시겠지만 코드 최적화는 크기에 대한 최적화와 속도에 대한 최적화로 나뉘며, 일반적으로 이 둘의 관계는 trade-off 를 유지하기 마련이죠. 평가 지수: - FREE: C와 C++은 별 차이 없음. - CHEAP: C++이 C 보다 약간 더 비용이 듬. - EXPENSIVE:.. Computer Vision 연구자들이 알아야 할 20개 이상의 techniques MS의 Richard Szeliski 박사님과 옥스포드의 Andrew Zisserman 교수님이 이야기하는 "모든 컴퓨터 비젼 연구자들이 알아야 할 20개 이상의 techniques" 1. Image formation and optics 2. Image processing, filtering, Fourier analysis 3. Pyramids and wavelets 4. Feature extraction 5. Image matching 6. Bag of words 7. Optical flow 8. Structure from motion 9. Multi view stereo 10.Segmentation 11.Clustering 12.Viola-Jones 13.Bayesian techniques 14.Ma.. Computer Vision 십계명 예전에 심심해서 적어본 CV 십계명 Indoor Vision만을 다룬자여, Outoor Vision을 쉽게 논하지 마라. Fixed Camera만을 다룬자여, Moving or Hand-held Camera를 쉽게 논하지 마라. Signle Object만을 다룬자여, Multiple Object를 쉽게 논하지 마라. Single View만을 다룬자여, Multiple View를 쉽게 논하지 마라. Rigid Object만을 다룬자여, Deformable Obejct를 쉽게 논하지 마라. Simple Background만을 다룬자여, Background clutter를 쉽게 논하지 마라. Detection만을 다룬자여, Tracking을 쉽게 논하지 마라. Non-Occluded Obejct만을 다룬자여,.. [논문 읽기/2004] Robust Real-Time Face Detection link: https://www.face-rec.org/algorithms/Boosting-Ensemble/16981346.pdf OpenCV 에 구현된 Viola&Jones의 face detector 결과 Abstract: 본 논문에서는 높은 검출률을 달성하면서도 극도로 빠르게 영상처리를 할 수 있는 얼굴 검출 프레임워크를 제안함. 본 논문의 주요 기여 1. Integral Image: Integral Image로 image를 표현함으로써, 본 논문의 detector에서 사용하는 features들의 계산을 매우 빠르게 함. 2. AdaBoost learning algorithms: 다수의 잠재적인 feature들의 set으로부터 소수의 중요한 visual feature를 선택하기 위해 AdaBoost를.. [논문 읽기/2007] Adaptive Thresholding Using the Integral Image link: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.420.7883&rep=rep1&type=pdf 결과 영상: Abstract: adaptive thresholding은 조명에 따른 spatial variation를 고려하는 이진화 기법을 말함. 제안한 방법은 입력 영상에 대해 integral image를 이용한 실시간 적응적 이진화 기법을 제안함. 제안한 방법은 조명 변화에 강건하며, 단순하고 구현이 쉽고 실시간 처리에 적합함. 1. Introduction 고정된 이진화 임계값을 사용하면 비디오 스트림 내에서 조명이 spatial하게 변화하는 경우에 실패하게 됨. 조명 변화를 고려하기 위한 일반적인 솔루션은 adaptive threshold.. 이전 1 2 3 4 5 6 다음
