Počítačové vidění a deep learning

50 IT podpora výroby I služby I CAx technologie T POČÍTAČOVÉ VIDĚNÍ od hledání vzoru po deep learning Počítačové vidění (computer vision) využívá obrazu a videa k detekci, klasifikaci a sledování objektů nebo událostí za účelem pochopení reálné situace. Úlohy počítačového vidění lze řešit různými přístupy – od porovnávání vzoru se snímkem po metodu deep learning, nabízející vysokou přesnost a spolehlivost. MATLAB, jakožto inženýrský nástroj s jazykem a interaktivním prostředím pro vědecké a technické výpočty, poskytuje množství funkcí, které můžete v oblasti počítačového vidění využít. Zpracování obrazu můžeme rozdělit do dvou kategorií – klasické zpracování obrazu a počítačové vidění. Klasické zpracování obrazu se zaměřuje především na úlohy, jako je odstranění šumu v obrazu a filtrace, nastavení kontrastu, práce s barevnými prostory nebo měření a transformace obrazu. Kromě úpravy a předzpracování snímků spadá do klasického zpracování obrazu také detekce objektů založená na barevné informaci, morfologických operacích, prahování a tvorbě masky. Počítačové vidění vnáší do analýzy obrazu hlubší rozměr se zaměřením na detekci, klasifikaci a sledování objektů na základě charakteristických rysů daného objektu. Nástroje prostředí MATLAB obsahují množství specializovaných algoritmů, kterými lze úlohy z oblasti počítačového vidění řešit. Hledání vzorového objektu j Obr.1: Nalezení vzorového objektu na snímku d První skupinu úloh počítačového vidění představuje nalezení vzorového objektu na snímku nebo ve videosekvenci. Úloha využívá algoritmů, které vyhledávají podobné prvky na snímku a v hledaném vzoru. Výsledkem může být poloha hledaného objektu ve scéně nebo transformace, která vzor do snímku scény mapuje. K řešení úlohy v prostředí MATLAB využíváme tzv. příznaky, které popisují klíčová místa v obrazu. Kromě základních příznaků (hrany, rohy, vzory) můžeme využít příznaky SURF, které jsou necitlivé ke změnám měřítka, natočení i změnám jasu a kontrastu. Detekce objektu je tím pádem mnohem robustnější. Nalezené příznaky na snímku a ve vzoru jsou vzájemně porovnány. Umístění párů odpovídajících příznaků pak určuje polohu vzorového objektu na snímku. Hledání příznaků i jejich porovnávání je plně automatické a disponuje množstvím uživatelsky nastavitelných parametrů. Na obrázku 1 je zobrazeno hledání značky „Přechod pro chodce“ ve snímané scéně. Zelené kružnice označují příznaky SURF, žluté linky zobrazují polohu odpovídajících příznaků mezi vzorem a snímkem. Detekce objektů j d Kromě hledání vzorového objektu, popsaného v předcházejících odstavcích, je možné provádět detekci obecnější kategorie objektů pojímajících určitou diverzitu. Vhodnou funkčnost v této oblasti poskytují cascade object detector (využívající algoritmus Viola-Jones) obr.2: Princip fungování konvoluční neuronové sítě b 2 Pi i f á ík l č í é íě Obr.3: Detekce a sledování obličeje a ACF object detector. Detektory je nutné nejprve naučit na konkrétní typ objektů pomocí množiny vzorových dat a poté je aplikovat na nové snímky. V prostředí MATLAB jsou k dispozici předtrénované detektory pro detekci postav (obrázek 2), detekci obličeje (obrázek 3), nosu, očí a dalších častí lidského T+T T e c h n i k a a t r h 1 1 / 2 0 1 8 humosoft_c+siemens_c.indd 50 20.11.2018 15:34:07