Computer Vision beherrschen - 8 grundlegende Schritte

Hallo Leser.

Für Sie ist die Tatsache, dass jeder versucht hat, Masken über die Gesichts-App zu altern, keine Neuigkeit mehr. Für Computer Vision gibt es wiederum interessantere Aufgaben. Im Folgenden werde ich 8 Schritte vorstellen, die Ihnen helfen, die Prinzipien des Computer Vision zu beherrschen.



Bevor wir mit den Schritten beginnen, wollen wir verstehen, welche Aufgaben Sie und ich mithilfe von Computer Vision lösen können. Beispiele für Aufgaben können sein:

• Bildsegmentierung
• Objekterkennung
• Bildklassifizierung
• Bewegliche Objekte rechtzeitig verfolgen
• Gesichtserkennung
• Optische Zeichenerkennung
• Bilderzeugung

Das Mindestwissen, das erforderlich ist, um Computer Vision zu beherrschen

• Gute Kenntnisse der Python-Syntax ;
• Mathematische Analyse ;
• Lineare Algebra ;
• OpenCV-Bibliothek
• TensorFlow Deep Learning Framework

Kommen wir nun zu den Stufen.

Schritt 1 - Grundlegende Bildgebungstechniken

In diesem Schritt geht es um die technischen Grundlagen.

Schauen Sie sich diese großartige YouTube-Wiedergabeliste The Ancient Secrets of Computer Vision von Joseph Redmon an.





Lesen Sie das dritte Kapitel von Richard Sheliskis Buch Computer Vision: Algorithmen und Anwendungen.



Bauen Sie Wissen auf - versuchen Sie , Bilder mit OpenCV zu transformieren . Auf der Website finden Sie viele schrittweise elektronische Handbücher , anhand derer Sie alles herausfinden können.

Schritt 2 - Bewegungsverfolgung und optische Durchflussanalyse

Ein optischer Strom ist eine Folge von Bildern von Objekten, die durch Bewegen eines Beobachters oder von Objekten relativ zu einer Szene erhalten werden.

Nehmen Sie an dem Kurs teil - einem Computer Vision-Kurs bei Udacity , insbesondere Lektion 6.
Schauen Sie sich das 8. Video auf der YouTube-Liste an und halten Sie einen Vortrag über optischen Fluss und Tracking.


Lesen Sie die Abschnitte 10.5 und 8.4 des Sheliski-Lehrbuchs.



Finden Sie als Schulungsprojekt heraus, wie Sie mit OpenCV ein Objekt in einem Videorahmen verfolgen können.

Schritt 3 - Grundlegende Segmentierung

In der Bildverarbeitung ist Segmentierung der Prozess der Aufteilung eines digitalen Bildes in mehrere Segmente (Superpixel). Der Zweck der Segmentierung besteht darin, die Darstellung eines Bildes zu vereinfachen und / oder zu ändern, damit es immer einfacher zu analysieren ist.

Mit der Hough-Transformation können Sie also Kreise und Linien finden.

Schauen Sie sich diese Videos an:





Check out - ein ausgezeichnetes Projekt, dessen ähnliche Aufgaben für die Computer Vision von selbstfahrenden Elektrofahrzeugen äußerst wichtig sind.

Schritt 4 - Montage

Unterschiedliche Daten erfordern einen spezifischen Anpassungsansatz und eigene Algorithmen.

Sehen Sie sich das Video an:


Lesen Sie die Abschnitte 4.3.2 und 5.1.1 des Sheliski-Lehrbuchs.

Analysieren Sie als Aufgabe für unabhängiges Arbeiten das Problem der Bestimmung der Koordinaten des Ortes, an dem die Linien am perspektivischen Horizont zusammenlaufen.

Schritt 5 - Kombinieren von Bildern aus verschiedenen Inspektionspunkten

Schauen Sie sich die Youtube-Wiedergabeliste an


Lesen Sie das Anschreiben.

Für das Projekt können Sie Ihre eigenen Daten übernehmen. Nehmen Sie beispielsweise ein Bild von Möbeln von verschiedenen Seiten auf und erstellen Sie in OpenCV ein 3D-Objekt aus einem Album mit flachen Bildern.

Schritt 6 - 3D-Szenen

Wenn Sie 3D-Objekte aus flachen Bildern erstellen können, können Sie versuchen, eine dreidimensionale Realität zu erstellen.

Take - Stereo Vision und Tracking Kurs

Sehen Sie sich das Video an:




Versuchen Sie als Projekt, die Szene zu rekonstruieren oder ein Objekt im dreidimensionalen Raum zu verfolgen .

Schritt 7 - Objekterkennung und Bildklassifizierung

Es ist praktisch, TensorFlow als Rahmen für tiefes Lernen zu verwenden. Dies ist eines der beliebtesten Frameworks, sodass Sie leicht genug Beispiele finden können. Um mit Bildern in TensorFlow zu beginnen, führen Sie dieses Tutorial durch .

Berücksichtigen Sie unter Verwendung der Links die folgenden Themen:

• Semantische Segmentierung : Kategorisierung von Objekten, Szenen, Aktivitäten
• Objekterkennung ( nicht maximale Unterdrückung , Schiebefenster , Begrenzungsrahmen und Anker , Elementzählung)
• YOLO und Darknet , regionale Vorschlagsnetzwerke
• Kontrollierte Klassifizierungsalgorithmen (Lehrerausbildung)
• Visuelle Attribute
• Optische Zeichenerkennung
• Gesichtserkennung

Erstellen Sie als Projekt in TensorFlow ein neuronales Netzwerk, das die Marke des Autos oder die Hunderasse anhand des Bildes bestimmt .

Schritt 8 - Modernes Deep Learning

Lesen Sie - Stanford Course Lectures

Sehen Sie sich das Video an:




Damit endeten unsere Schritte im Studium des Computer Vision. Ich hoffe du hast etwas Neues für dich gelernt. Wie bei Habré üblich, hat mir der Post-Put ein Plus gefallen. Vergessen Sie nicht, mit Kollegen zu teilen. Wenn Sie etwas haben, das Sie selbst teilen können, schreiben Sie es in die Kommentare. Weitere Informationen zu maschinellem Lernen und Data Science auf Habré und im Telegrammkanal Neuron (@neurondata).

Alles Wissen!