روش های قطعی با به کارگیری یک روش جستجوی تکراری برای یافتن ماکزیمم محلی تابع هزینه شباهت بین تصویر الگو و تصویر جاری به شدت مورد استفاده قرار می گیرد. معیارهای اندازه گیری بهتر و بهینه تری همچون الگوریتم انتقال میانگین و الگوریتم ردیابی مبتنی بر مدل[3] به عنوان تابع هزینه مورد استفاده قرار می گیرد. روش های قطعی از روش های اکتشافی حرکت کیفی به منظور محدود کردن مشکل تطابق استفاده می کنند و شی ردیابی شده را در هر فریم به وسیله جستجوی تکراری برای یک ناحیه که بیشترین شباهت بین این ناحیه و پنجره شی وجود دارد را نمایش می دهد. این روش ها از نظر محاسباتی کارا هستند و به در هم ریختگی پس زمینه، نویز ، انسداد و حرکت سریع اشیا حساس هستند. از طریف دیگر روش های تصادفی به طور واضح و صریح اندازه گیری شی را انجام می دهند و از فضای حالت به منظور مدلسازی حرکات سیستم های ردیابی استفاده می نمایند. در مدل گوسین و خطی از فیلتر کالمن استفاده می شود که فیلتر کالمن میانگین و کوواریانس توزیعات را منتشر کرده و به روزرسانی می نمایند. برای مسائل غیر خطی و غیرگوسین این امکان وجود ندارد که توزیع ها را به صورت تحلیلی مورد ارزیابی قرار داد به همین دلیل الگوریتم های متعددی برای تخمین این توزیع ها به وجود آمده است. از جمله این الگوریتم ها و روش ها فیلتر ذره یا روش مونت کارلو ترتیبی است.

روش فیلتر ذره یک روش عددی است که اجازه می دهد یک راه حل تقریبی جهت تخمین پی در پی پیدا شود و برای مسائل غیرگوسین و غیرخطی می تواند بسیار موفق باشد. ایده اولیه فیلتر ذره در سال 1949 توسط آقای متروپلیس مطرح شد که بررسی جزییات مجموعه ای از ذره ها را به جای یک ذره را مورد مطالعه قرار داد[4]. اما در سال 1945 یکی از اولین ایده های اصلی تر و پایه و اساس فیلتر ذره با محاسبه و بکارگیری الگوریتم مونت کارلو توسط آقایان همرسلی و مورتون ارائه گردید. فیلتر ذره یک مبحث کاملا آماری می باشد و دلیل مطرح شدن آن این است که بتواند برای مسائلی به کار گرفته شود که تخمین آنها توسط فیلتر کالمن مشکل باشد.

[1] Deterministic method

[2] Scholastic method

[3] Model based tracking

[4] Metropolis, Nicholas, and Stanislaw Ulam. “The monte carlo method.” Journal of the American statistical association 44.247 (1949): 335-341.

لینک دانلود فیلم آموزشی کامل فیلتر ذره

در چند قسمت اول این فیلم آموزشی تئوری فیلتر ذره توضیح داده می شود. اسلایدهای استفاده شده در این آموزش از سیمنار پیاده سازی الگوریتم های مختلف توسط شرکت mathworks در ژاپن استخراج شده اند.

قسمت های پایانی اختصاص به برنامه نویسی متلب فیلتر ذره دارد و چندین مثال از ردیابی شی در ویدئو آورده می شود.

سرفصل مطالب :

حلقه بزرگ در پیاده سازی الگوریتم

فیلتر ذره چیست ؟

چگونه یک شی را در ویدئو ردیابی کنم ؟

چگونه کد فیلتر ذره particle filter را در متلب پیاده سازی کنیم ؟

چرا از معادلات دیفرانسیل برای پیش بینی مکان بعدی شی استفاده نکنیم و از فیلتر ذره استفاده می کنیم ؟

مدل فضای حالت فیلتر ذره

مدل سیستم system

مدل مشاهده observation

هدف از فیلتر ذره چیست؟

تعداد ذرات فیلتر کم یا زیاد خوب است ؟

الگوریتم فیلتر ذره

پیش بینی prediction

فیلتر filtering

میعار انتخاب ذرات چیست؟

شباهت فیلتر ذره و الگوریتم بهینه سازی تجمعی ذرات PSO

معرفی سمبل های مورد استفاده در تئوری فیلتر ذره

میعار likelihood

نحوه تغییر شش ذره در فیلتر ذره به صورت نموداری

رابطه محاسبه موقعیت و سرعت جدید ذرات

فرق بین متغییر state و متغییر observable

برنامه نویسی متلب فیلتر ذره

توضیح خط به خط کد

معرفی پارامترهای خروجی دستور خواندن ویدئو

فرمول update ذرات

تاثیر فاصله دوربین

تاثیر محو شدن هدف در تصویر

تاثیر تعداد ذرات در نتیجه فیلتر ذره

تاثیر انحراف معیار موقعیت و سرعت

پیش نمایش 1 :

لینک دانلود پیش نمایش 1 (کیفیت اصلی)

لینک مشاهده در آپارات

لینک تخته سفید

لینک یوتیوب youtube

پیش نمایش 2 :

لینک دانلود پیش نمایش 2 (کیفیت اصلی)

لینک مشاهده در آپارات

لینک تخته سفید

لینک یوتیوب youtube

نوشته آموزش فیلتر ذره particle filter اولین بار در ايران متلب. پدیدار شد.

زبان برنامه نویسی پایتون یکی از زبان های برنامه نویسی است که به سرعت در حال افزایش محبوبیت و کاربرد در بین برنامه نویسان می باشد.

پردازش تصویر روشی برای تبدیل یک تصویر به صورت دیجیتال و انجام برخی از عملیات بر روی آن، به منظور دریافت یک تصویر بهبود یافته و یا برای استخراج برخی از اطلاعات مفید از آن است. 

سرفصل مطالب :

باز کردن و نوشتن فایلهای تصویری

نمایش تصویر

تغییرات پایه

اطلاعات آماری

تبدیلات هندسی geometrical

فیلتر کردن تصویر

تبدیل فوریه تصویر

بلوری کردن

شفاف سازی

حذف نویز

عملیات مرفولوژی

استخراج ویژگی

لبه یابی

قطعه بندی segmentation

انداه گیری خصوصیات اشیا object داخل تصویر

نوشته پردازش تصویر در پایتون اولین بار در ايران متلب. پدیدار شد.

بعد از وارد کردن داده ها به محیط متلب ، برنامه ای نوشته می شود که بر روی این داده ها بر اساس هدف پروژه ، عملیاتی انجام شود.

به عنوان مقال فرض کنید می خواهید یک مدلسازی با شبکه عصبی انجام دهید. داده های ورودی شما در یک تعداد فایل اکسل جمع آوردی شده اند و شما می خواهید این داده ها را وارد محیط متلب کنید و سپس برنامه شبکه عصبی آن را بنویسید و مدلسازی برای شما انجام شود.

در این فیلم آموزشی ما به شما سه روش را برای وارد کردن داده های یک فایل ورودی به متلب را آموزش می دهیم. این فایل ورودی می تواند فایل اکسل یا متنی و … باشد.

این آموزش را در هیچ جای اینترنت نمی توانید پیدا کنید. بعضی از این روشها ابتکاری می باشد که در هیچ کتابی قابل دسترسی نیست .

در این آموزش هم کدنویسی و هم بدون کدنویسی نحوه وارد کردن فایل اکسل آموزش داده می شود.

مدت زمان : 45 دقیقه

.

.

.

.

لینک دریافت

خلاصه قسمت 1 :

لینک مشاهده خلاصه 1 در یوتیوب

خلاصه قسمت 2 :

لینک مشاهده خلاصه 2 در یوتیوب

خلاصه قسمت 3 :

لینک مشاهده خلاصه 3 در یوتیوب

خلاصه قسمت 4 :

لینک مشاهده خلاصه 4 در یوتیوب

نوشته فیلم آموزشی وارد کردن داده های فایل اکسل به متلب اولین بار در ايران متلب. پدیدار شد.

ردیابی افراد در ویدئو با فیلتر ذره و شار نوری

ردیابی اشیا متحرک یکی از مبحاث  چالش برانگیز در حوزه بینایی ماشین دردهه اخیرمی باشد. دلیل نیاز به ردیابی اشیا متحرک آنالیز و فهم داده های موجود در تصویر و یافتن خودکار یک شی مشابه در فریم متوالی است. یک سیستم ردیابی برای کاربردهای مختلف که توانایی پاسخگویی سریع به رویدادها و توانایی مشاهده اشیا را داشته باشد، مورد نیاز می باشد. به همین دلیل از دهه پیش تاکنون توجه زیادی به موضوع ردیابی اشیای متحرک شده است. به منظور آنالیز داده در صحنه ها و محیط های پیچیده می بایست عملیات ردیابی اشیا را توسعه و گسترش داد که به این منظور تحقیقات گسترده ای در حوزه ردیابی اشیای متحرک صورت گرفته است که این تحقیقات گسترده در نتیجه توسعه و گسترش و پیشرفت علم پردازش تصویر ایجاد شده است. همچنین، ردیابی اشیا متحرک به عنوان یک حوزه تحقیقاتی فعال در زمینه بینایی ماشین در سال های اخیر مطرح می باشد که کاربردهای گسترده ای در حوزه ربات های هوشمند ، نظارت و مراقبت، تعامل بین انسان و کامپیوتر، ساختمان های هوشمند، ردیابی وسایل نقلیه، تصویربرداری پزشکی و …. دارد. سیستم های مراقبتی و نظارتی ویدیویی مقاوم می بایست به محل نصب دوربین وابسته نباشند و همچنین این سیستم ها می بایست در مقابل تغییرات روشنایی محیط مقاوم باشند. به علاوه، این سیستم ها می بایست توانایی انطباق با تغییرات روشنایی و تغییرات ناشی از حرکت اشیا را داشته باشند. تحقیات اخیر تلاش بسیار زیادی برای توسعه سیستم ردیابی قابل تطبیق انجام داده اند به گونه ای که این سیستم ها به اندازه کافی برای کنترل تغییرات بیرونی همچون تغییرات روشنایی و انسداد[1] اشیای چندگانه مفید واقع می شوند. بسیاری از کاربردهای ردیابی اشیای متحرک به وجود آمده اند که به صورت خودکار حوادث اتفاق افتاده را تشخیص دهند. به منظور تشخیص و درک بهتر این رخدادها نیازمند به انجام عملیات بینایی ماشین سطح پایین هستیم. از جمله این عملیات سطح پایین می توان به کنترل و مدیریت انسداد و تشخیص حرکات غیر معمول اشاره نمود[2].  در طی چند سال اخیر تحقیقاتی بر روی تکنولوژی آنالیز ویدئویی هوشمند، مخصوصا در حوزه ردیابی مسیر حرکت شی صورت گرفته است. مسیر حرکت شی در واقع توصیفی بر حرکت فیزیکی اشیای در حال حرکت می باشد که در طول زمان تغییر می کنند. ردیابی مسیر اصولا به تخمین ویژگی های عمومی اهمیت می دهد و ویژگی های محلی همچون چرخش و خمیدگی را نادیده می گیرد. علاوه بر آن می توان شکل لبه و رنگ و توصیف گرهای ویژگی بافتی را با هم ترکیب نمود تا مسیرهای مختلف شی تشخیص داده شود.

ردیابی مسیر شی شامل سه قسمت می باشد : شناسایی جهت شی و پیش بینی آن و در نهایت توصیف مسیر. قبل از انجام عمل ردیابی مسیر شی لازم است که شی از پس زمینه و سایر اشیا تشخیص داده شود.

لینک دانلود فیلم آموزشی

نوشته ردیابی افراد در ویدئو با فیلتر ذره اولین بار در ايران متلب. پدیدار شد.

درسالهای اخیر optical flow کاربردهای بسیار زیادی در بینایی ماشین پیدا کرده است.

به صورت کلی تغییرات حرکتی آشکار در شدت روشنایی تصویر را گویند که ناشی از حرکت اهداف باشد. با این حال تغیرات شدت روشنایی حرکتی مشابهی نیز مانند تغیر نور محیط یا وجود سایه هم نتایجی مشابه دارد اما شاملOF نمی شود.

هرچه زمان بین اخذ دو تصویر متوالی کمتر باشد شباهت تصاویر نسبت به هم بیشتر شده و در این صورت می توان تغیرات را به شکل برداری متناسب با سرعت دستگاه مختصات تصویر نمایش داد. در این حالت حرکت دوربین بین تصاویر برابر سرعت و تغیرات تصویر نگاشت سرعت محیط می باشد. این حرکت کوچک در تصویر optical flow  نام دارد. 
OF معمولاً به دو صورت مورد بررسی قرار می گیرد، در حالت متراکم (dense) که بردار حرکت (flow vector) برای تک تک پیکسل ها محاسبه شود و در حالت هدف مبنا (feature based) که برای اهداف خاص که مورد نظرمی باشند محاسبه گردد.
در حالتیکه بخواهیم OF را در مدل کروی محاسبه نماییم یا باید ابتدا محیط را به صورت فضای کروی نمونه برداری کرده و سپس OF محاسبه شود (که امری مشکل و نیازمند محاسبات فراوان است)، یا اینکه OF در فضای معمولی محاسبه گشته و نتیجه از طریق ماتریس ژاکوبین به فضای کروی انتقال یابد.

گروه ایران متلب فیلم آموزشی مختص optical flow در متلب را بعد از ماه ها تحقیق و مطالعه ، جهت استفاده کاربران محترم سایت آماده کرد. 

سرفصل مطالب :

تعریف optical flow
برای محاسبه Optical flow به چند فریم نیاز است؟
مثال تاکسی هامبورگ و تصویر optical flow متناظر
مثال 2 تصویر optical flow
مثال 3 تصویر optical flow
مثال 4 (garden dataset) و تصویر optical flow
در چه ناحیه هایی از تصویر optical flow به مشکل خورده است؟
نمایش ویدئو نمونه و بردارهای optical flow بر روی آن
بررسی موقعیت هایی در ویدئو که optical flow به مشکل می خورد؟
دوری و نزدیکی شی به دوربین و تاثیر آن در محاسبه optical flow
اختلاف شدت نور شی و پس زمینه و تاثیر آن در محاسبه optical flow
کاربردهای optical flow
روش Horn & Schunck
ایده اصلی در optical flow چیست؟
روابط ریاضی ایده اصلی optical flow
تفاوت motion و optical flow
آیا هر حرکتی یک optical flow است؟
تاثیر lightening در محاسبه optical flow
روش Lucas-Kanade
در چه مواقعی Lucas-Kanade خطا می دهد؟
چه مواقعی Keypoint Mataching وارد محاسبه optical flow می شود؟
چه مواقعی Region-Based mataching وارد محاسبه optical flow می شود؟
چه مواقعی Gradient Constant وارد محاسبه optical flow می شود؟

شروع برنامه نویسی متلب optical flow
دستور opticalFlow
برنامه متلب رسم optical flow تصادفی
مفهوم اعداد optical flow
رسم بردار های optical flow
گزینه DecimationFactor
گزینه ScaleFactor
دستور OpticalFlowHS
برنامه متلب دوم
خواندن فایل ویدئویی
توضیح پارامترهای خروجی دستور خواندن video
محاسبه width فریم
محاسبه height فریم
محاسبه کل فریم های ویدئو
دستور hasFrame
دستور readFrame
دستور estimateFlow
فیلدهای خروجی optical flow
مفاهیم Vx و Vy و Orientation و Magnitude
محاسبه مینیمم و ماکزیمم اندازه optical flow
نمایش optical flow بر روی فریم ویدئو
قرار دادن شرط بر روی اندازه optical flow
عملیات مرفولوژی بر روی تصویر
ردیابی شی بر اساس optical flow
قرار دادن bounding box بر روی اشیای متحرک
دستور insertShape
پارامتر smoothness
پارامتر MaxIteration
پارامتر VelocityDifference
شروط توقف optical flow چه مواردی هستند؟
طریقه کنترل شرایط توقف چیست؟
تاثیر هر پارامتر در یک برنامه متلب مثال
دستور opticalFlowLK
گزینه NoiseThreshold
روش Lucas-kanade مشتق روش گایوسین
دستور opticalFlowLKDoG
گزینه NumFrames
گزینه ImageFilterSigma
گزینه GradientFilterSigma
گزینه NoiseThreshold
چرا استفاده از چند فریم در محاسبه optical flow بهتر است؟

لینک دریافت

پیش نمایش 1 :

لینک دانلود پیش نمایش 1

لینک آپارات

لینک تخته سفید

لینک یوتیوب

پیش نمایش 2 :

لینک دانلود پیش نمایش 2

لینک آپارات

لینک تخته سفید

لینک یوتیوب

نوشته فیلم آموزشی فارسی Optical Flow در پردازش تصویر و بینایی ماشین اولین بار در ايران متلب. پدیدار شد.