Studijní materiály

Haar Features:

    Publikace:

  1. - Rapid Object Detection using a Boosted Cascade of Simple Features.
  2. - Robust Real-Time Face Detection.
  3. - Pedestrian Detection Approach Based on Modified Haar-Like Features and AdaBoost.
  4. - Informed Haar-like Features Improve Pedestrian Detection.
  5. - Fast car detection using image strip features.
  6. Prezentace:

  7. - Robust Real-time Face Detection.

HOG:

    Publikace:

  1. - Histograms of Oriented Gradients for Human Detection.
  2. Prezentace:

  3. - Object Detection using Histograms of Oriented Gradients.
  4. - Pedestrian Detection.

LBP:

    Publikace:

  1. - Multiresolution gray-scale and rotation invariant texture classification with Local Binary Patterns.
  2. - A Discriminative Feature Space for Detecting and Recognizing Faces.
  3. - Face detection based on multi-block lbp representation.
  4. - Face Recognition with OpenCV.
  5. Prezentace:

  6. - Image and Video Description with Local Binary Pattern Variants.

Cascade Classifier Training:

  1. - OpenCV User Guide.
  2. - FAQ: OpenCV Haartraining.
  3. - OpenCV Detector Tutorial.

SIFT:

  1. - wiki.
  2. - David G. Lowe: Distinctive Image Features from Scale-Invariant Keypoints.
  3. - OpenCV - SIFT.

Hough Circle Transform:

  1. - Prezentace.
  2. - Hough Circle Transform.

LIDAR:

  1. - Prezentace.
  2. - C++ library for communication with the Neato XV robot.

Cvičení

  1. - Seznámení se s kostrou detektoru (načtení obrazu parkoviště, načtení souřadnic parkovacích míst, zobrazení jednotlivých parkovacích míst).
  2. - Využití detekce hran v rozpoznání (zamyslete se nad pokračováním, jak vhodně uložit informace o hranách do vektoru příznaků).
  3. - Uložení informací o hranách do vektoru příznaků (vyzkoušení prvního detektoru obsazených/volných míst bez učitele).
  4. - Využití vícerozměrného vektoru příznaků (jak získat do vektoru příznaků detailnější informace o parkovacím místě).
  5. - Seznámení se s SVM klasifikátorem v OpenCV.
  6. - Využití SVM v rozpoznání (natrénujte klasifikátor SVM a otestujte ho pro detekci obsazeným a volných míst).
  7. - Experimentování s parametry SVM (natrénujte více SVM klasifikátorů s různými parametry a otestujte jejich rychlost a přesnost.)
  8. - Experimentování s parametry SVM a parametry detektoru (jaký vliv má velikost (dimensionalita) vektoru příznaků na dobu detekce, na dobu trénování, na kvalitu detekce?).
  9. - Využití histogramu v rozpoznání (lze pro popis jednotlivých obrazových buněk využit histogram a jak?).
  10. - Experimentování s parametry histogramu (porovnání s řešeními, vytvořenými na předchozích cvičeních).
  11. - Využití hloubkových 3D senzorů (RealSense, Kinect) v rozpoznávání.
  12. - Segmentace a detekce objektů v hloubkových datech. zadani