«Введение в компьютерное

зрение»
Антон Конушин,
Ольга Баринова, Вадим Конушин,
Антон Якубенко, Александр Велижев
МГУ ВМК, Graphics & Media Lab,
Весна 2009
19.03.2009

http://graphics.cs.msu.ru

1

Цель курса
„

Рассмотрение базовых понятий и
методов компьютерного зрения для:
Создания базиса для дальнейшего
образования
„ Помощи в дальнейшей практической
деятельности как в этой области, так и в
смежных областях
„ Расширения кругозора
„

19.03.2009

http://graphics.cs.msu.ru

Slide 2

Кому и как поможет курс?
„

Студентам работающим или собирающимся
работать в области решения задач КЗ

„

Студентам работающим или собирающимся
работать на «творческой» работе
„

„

Не кодерам, а тем, кому прежде решения задачи
приходится придумать как именно ее решать

Второкурсникам, которые хотят попасть в нашу
лабораторию и работать по тематике КЗ
„
„

Станет понятнее что это такое, действительно ли вам
это интересно?
Хорошо работающим на спецкурсе студентам –
charisma +1 при распределении

19.03.2009

http://graphics.cs.msu.ru

Slide 3

Структура курса
„

Лекции
„
„

„

Система оценок
„

„
„

„

12 лекций
Тематика
„ «низкоуровневый» анализ изображений и видео
„ распознавание образов и машинное обучение
„ 3D реконструкция
2-3 практических задания по перечисленным темам
„ Оценки как в школе – 2 - 5
Два задания нужно сделать обязательно
Экзамен в конце (пользоваться можно всем)

Вопросы:
„

В форум – http://forum.graphicon.ru

19.03.2009

http://graphics.cs.msu.ru

Slide 4

Сложность курса
„

Всем подряд ставить оценки не будем
„

„

«Халявы» - не будет

Однако чрезмерной сложности также не
предполагается
Будет проще спецкурса «Сжатие видео»
„ Будет проще курса «Машинная графика»
„ Будет проще спецкурса «Структурные
методы анализа изображений и сигналов»
„

19.03.2009

http://graphics.cs.msu.ru

Slide 5

компьютерное зрение „ Цель компьютерного зрения .Итак.03.ru Slide 6 .cs.принятие решений о реальных физических объектах и сценах.msu. основываясь на воспринимаемых изображениях 19.2009 http://graphics.

03.2009 http://graphics.ru Slide 7 .cs.msu.Карта научного мира 19.

cs.Смежные дисциплины 19.2009 Википедия http://graphics.ru Slide 8 .03.msu.

2009 http://graphics.множество задач компьютерного зрения требуют понимания и учета физических процессов формирования изображения 19.ru Slide 9 .Смежные дисциплины „ Физика .cs.msu.03.

Смежные дисциплины „ Математика – без математики. В первую очередь математическая статистика.cs.msu.03. численные методы и геометрия 19.2009 http://graphics.ru Slide 10 . не обойтись. разумеется.

Смежные дисциплины „ Обработка сигналов – многие методы обработки одномерных сигналов могут быть успешно обобщены на двумерные (изображения) и трехмерные (видео) 19.03.ru Slide 11 .msu.cs.2009 http://graphics.

2009 http://graphics.ru Slide 12 .03.msu.cs. использующих оптические сенсоры 19.Смежные дисциплины „ Искусственный интеллект – в частности решает задачи планирования и принятия решений для систем управления роботами и автономных механизмов.

имитирующих работу мозга и органов чувств человека и животных 19.Смежные дисциплины „ Нейробиология – исследование существующих биологических систем распознавания привело к созданию систем и алгоритмов.msu.cs.03.2009 http://graphics.ru Slide 13 .

03. анализ изображений. Image analysis.msu. зрение роботов.ru Slide 14 . обработка изображений. Robot vision and Machine vision По-русски: „ Компьютерное зрение. машинное зрение 19.cs.2009 http://graphics. Image processing.Множество похожих названий… „ По-английски: „ „ Computer vision.

msu. производственных задач (сложилось исторически) Распознавание образов „ Распознавание. полученных в том числе и из изображений 19.03.cs.2009 http://graphics.Зрение… принятые названия „ Анализ изображений „ „ Компьютерное зрение „ „ Обычно понимается как восстановление 3D структуры по 2D изображениями Машинное зрение.ru Slide 15 . зрение роботов „ „ Фокусируется на работе с 2D изображениями Обычно понимается как решение промышленных. обучение на абстрактных числовых величинах.

03.cs.2009 http://graphics.msu.Зачем изучать компьютерное зрение? „ „ Изображения и видео повсюду Бурно растущая область „ „ „ „ „ „ „ Обработка фотографий с камер Видеонаблюдение Промышленные системы Спецэффекты в кино Моделирование окружающего мира Управление роботами Анализ данных есть везде! 19.ru Slide 16 .

cs.msu.03.2009 http://graphics.ru Slide 17 .Зачем изучать компьютерное зрение? „ „ „ 25% мозга человека отвечает за зрение Как работает распознавание объектов? Что можно узнать из картинки? 19.

ru Slide 18 .03.msu.Темы лекций „ Общая схема распознавания 19.cs.2009 JSEG http://graphics.

03.Темы лекций „ Сегментация изображений 19.2009 JSEG http://graphics.msu.cs.ru Slide 19 .

ru Slide 20 .msu.Темы лекций „ Сегментация видео (видеонаблюдение) 19.03.2009 http://graphics.cs.

алгоритм Canny 19.03.ru Slide 21 .Темы лекций „ Извлечение признаков (“features”) из изображения „ Выделение краев.msu.2009 http://graphics.cs.

2009 http://graphics.Темы лекций „ Работа с контурами „ „ „ Цепные коды Полигональная аппроксимация Распознавание контуров 19.cs.ru Slide 22 .03.msu.

окружностей) Деформируемые модели (“snakes”) GVF 19.ru Slide 23 .2009 http://graphics.msu.03.cs.Темы лекций „ Извлечение признаков (“features”) из изображения „ „ Обнаружение структур (прямых.

y) r s θ θ (x0.y0) ρ θ 19.cs.msu.2009 http://graphics.ru Slide 24 .Темы лекций „ Извлечение признаков (“features”) из изображения „ „ Точечные особенности Дескрипторы площадных объектов (x.03.

cs.msu.03.ru Slide 25 .2009 http://graphics.Темы лекций „ Робастная оценка параметров „ M-оценки „ Метод итеративных взвешенных наименьших квадратов „ Семейство алгоритмов RANSAC 19.

cs.2009 http://graphics.03.ru Slide 26 .msu.Темы лекций „ Машинное обучение „ „ „ „ „ Статистические методы Нейронные сети Деревья классификации Бустинг (комитеты) Метод опорных векторов 19.

ru Slide 27 .03.2009 http://graphics.cs.msu.Темы лекций „ Машинное обучение „ Методы экспериментальной оценки классификаторов 19.

ru Slide 28 .2009 http://graphics.Темы лекций „ Обнаружение объектов 19.cs.msu.03.

msu.ru Slide 29 .Темы лекций „ Анализ данных „ Сокращение размерности наблюдаемых данных „ Отбор информативных признаков 19.2009 http://graphics.cs.03.

msu.Темы лекций „ Анализ данных „ Кластерный анализ 19.ru Slide 30 .cs.03.2009 http://graphics.

2009 http://graphics.ru Slide 31 .Темы лекций „ Модель камеры „ „ „ Перспективная проекция Свойства камеры Геометрическая калибровка камеры 19.cs.03.msu.

msu.ru Slide 32 .2009 http://graphics.Темы лекций „ 3-х мерная реконструкция по 1 изображению „ Интерактивные методы 19.03.cs.

03.cs.msu.Темы лекций „ 3-х мерная реконструкция „ „ По нескольким изображениям (стерео) Лазерный сканер 19.2009 http://graphics.ru Slide 33 .

2009 http://graphics.Темы лекций „ Согласование изображений „ „ „ Сопоставление точечных особенностей Сегментация ложных соответствий Решение задачи калибровки камеры 19.msu.ru Slide 34 .cs.03.

03.ru Slide 35 .2009 http://graphics.msu.Примеры задач „ Автоматическая трехмерная реконструкция 19.cs.

msu.ru Slide 36 .cs.Автоматизированная реконструкция 19.2009 http://graphics.03.

Ручное и автоматическое ориентирование изображения и ректификация текстур 37 .

Автоматизированный поиск повторяющихся фасадных элементов и построение сетки структуры фасада 38 .

Моделирование фасада 39 .

Автоматический поиск области шума на текстуре и восстановление текстуры по информации о структуре фасада 40 .

Автоматизированное выделение проводов и автоматическое восстановление текстуры под ними 41 .

Синтез текстур из изображения 42 .

ru Slide 43 .Мониторинг дорог 19.2009 http://graphics.cs.msu.03.

ru Slide 44 .cs.msu.03.Классификация 3д точек 19.2009 http://graphics.

Randomized forests http://graphics.msu.cs.2009 5 фич.ru Slide 45 .Классификация 3д точек „ 19.03.

03.cs.ru Slide 46 .msu.2009 http://graphics.Видеонаблюдение 19.

Видеонаблюдение за мышами Ворота .

The Naked Truth: Estimating Body Shape Under Clothing 48 .

The Naked Truth: Estimating Body Shape Under Clothing 49 .

Light-Efficient Photography 50 .

Flexible Depth of Field Photography 51 .

What Does the Sky Tell Us about the Camera? 52 .

What Does the Sky Tell Us about the Camera? 53 .

Beyond Nouns: Exploiting Prepositions and Comparative Adjectives for Learning Visual Classifiers 54 .

Sign up to vote on this title
UsefulNot useful