본문 바로가기

Basic Learning/Computer Vision

Categorization II * 이 포스트는 컴퓨터 비젼에 대한 개인 학습용으로 작성한 포스트입니다. Sliding-Window based Object Detection 물체를 인식하는 것보다, 인식해야할 물체가 어디있는지 탐지(detect)하는 과정이 우선되어야 할 것이다. 어떤 것을 탐지할지 sliding-window를 사용한다. 이미지에서 모든 sub window를 고려하고 각 window에 대해 decision (물체가 포함되어있는지 아닌지) 작업이 필요하다. 결국, 이미지 전체의 feature가 사용되고, feature extraction을 얼마나 잘하느냐가 중요한 문제가 된다. 앞에서 포스팅한 것처럼 color histogram 등의 pixel based representation방법도 있지만 좀더 robust한 결과를 .. Basic Learning/Computer Vision 2020. 11. 23.
Categorization I * 이 포스트는 컴퓨터 비젼에 대한 개인 학습용으로 작성한 포스트입니다. Indexing Local Features 앞서 포스팅 했던 SIFT 등을 이용하여 invariant한 feature를 추출할 수 있다. 각 feature를 128 dimension space에 둔 뒤, 그의 similiarity를 계산하여 feature를 matching할 수 있다. 백과사전에서 단어의 뜻을 찾듯이, feature를 'visual word'로 mapping하는 작업이 필요하다. 다양한 이미지에 대해서 추출한 feature를 descriptor space에 둔 뒤, quantize (clustering)할 수 있다. Clustering의 각 중심을 대표값으로 생각할 수 있으며, 이를 'visual word'라 할 수.. Basic Learning/Computer Vision 2020. 11. 20.
MRF and MAP Inference * 이 포스트는 컴퓨터 비젼에 대한 개인 학습용으로 작성한 포스트입니다. Interactive Segmentation 물체의 foreground, background pixel을 구분하는 프로그램을 구현해보자. 무엇이 foreground인지 알려주지 않으면 어렵기 때문에 아래처럼 사람이 부분적으로 labeling을 한다. 그리고 labeling한 pixel에 대해 color space상에 둬서 distribution을 알 수 있다. 그 다음에 labeling하지 않은 pixel에 대해서 MLE(Maximum likelihood estimation)을 사용하면 pixel마다 classify가 가능하다. 하지만 위의 그림처럼 noise가 많이 나오게 되는데, 위의 방법이 주변 pixel간의 관계를 고려하지 .. Basic Learning/Computer Vision 2020. 11. 18.
Epipolar Geometry and Stereo * 이 포스트는 컴퓨터 비젼에 대한 개인 학습용으로 작성한 포스트입니다. Depth with Stereo 사람의 눈은 두 개로, 각 눈은 두 개의 영상을 투영하여 depth를 추정하게 된다. 카메라도 마찬가지로 두 개의 카메라를 통해서 depth를 추정할 수 있다. Pinhole 카메라 모델에서 depth를 추정하기 위해 다음과 같은 조건이 필요하다. 1. 두 카메라 사이의 calibration을 알아야한다. 2. 3D상의 한 point에 대해 정확한 correspondence를 알아야한다. Stereo reconstruction은 다음과 같은 절차를 따른다. 1. Calibrate cameras 2. Rectify images 3. Compute disparity 4. Estimate depth Epi.. Basic Learning/Computer Vision 2020. 11. 13.
Homography & Alignment * 이 포스트는 컴퓨터 비젼에 대한 개인 학습용으로 작성한 포스트입니다. Image Alignment 하나의 image를 다른 image 카메라 관점으로 align 시킨다. 이 기술은 여러 가지 응용에 사용될 수 있는데, Panorama stitching, Recognition of object instances 등에 사용될 수 있다. 이의 접근법으로 두가지가 있다. Direct (pixel-based) alignment : 이미지의 모든 pixel에 대해 align을 시키는 방법 Feature-based alignment : 이미지의 중요한 feature를 추출하고 feature point를 align 시키는 방법 다른 image로 transform하는 matrix를 T라고 하면 mapping했을 때의.. Basic Learning/Computer Vision 2020. 10. 27.
Fitting * 이 포스트는 컴퓨터 비젼에 대한 개인 학습용으로 작성한 포스트입니다. Least Squares Line Fitting Data가 n개 있을 때, line을 fitting하는 방법으로 least square method를 사용한다. y 값에 대해 square error를 사용하여 fitting한다. 아래식에 대한 cost function을 사용한다. 최종적으로, 아래식 (dagger matrix)를 통해 b를 구할 수 있다. Total Least Squares 위의 방법으로는, line이 수직선에 가까울수록, error가 점점 커진다. 즉, 선의 모양에 따라 error크기가 달라지므로, 점과 직선간의 거리 (직선의 법선 벡터 방향) 으로 error를 측정한다. $ax+by=d$직선과 $(x_i, y_i.. Basic Learning/Computer Vision 2020. 10. 25.
Rotation, Scale, Affine Invariant Features * 이 포스트는 컴퓨터 비젼에 대한 개인 학습용으로 작성한 포스트입니다. Invariant Features 일반적으로 컴퓨터비젼에서는 3개의 문제가 존재한다. 1. Detection : 특징 포인트를 어떻게 찾을 것인가? 2. Description : robust하게 local region을 설명하는가? 3. Matching : 신뢰성있게 각 점을 일치시킬 수 있는가? Feature는 Roation, Scale, Affine, Photometic에 invariant해야함 앞에서 포스팅한 Harris corner detector는 rotation, affine에 invaraint하지만 scale변화에는 그렇지않음 Harris corner detector와 같은 detector를 사용했을 때, scale의 .. Basic Learning/Computer Vision 2020. 10. 22.
Scaled Representations : Image Pyramid * 이 포스트는 컴퓨터 비젼에 대한 개인 학습용으로 작성한 포스트입니다. Fourier Transform & Sampling Continous time FT Discrete time FT Sampling Nyquist theorem Band-limited signal을 완전 복원하기 위해 다음 조건이 필요하다. $f_B$를 signal의 maximum frequency, $f_S$를 sampling frequency라 할 때, $f_S \geq 2f_B$를 만족하면 완전 복원이 가능하다. 위의 조건이 만족되지 않으면 aliasing이 발생한다. Gaussian Pyramid Aliasing 방지 : Sampling전에 low-pass filter를 통해 high frequency를 줄인다. 미리 gaus.. Basic Learning/Computer Vision 2020. 10. 8.

티스토리툴바