Jooo's life story

o GLCM ( Gray-Level Co-occurrence Matrix) 항상 느끼는 것이지만 알고리즘은 공부하고 사용하지 않다보면 잘 잊어버리게되네요. 이것도 예전에 공부했던 내용인데, 다시 보니 기억이.... 그래서 결국 이참에 정리를 하게 됩니다. 먼저 GLCM 구하는 방법을 보면 다름과 같습니다. 위의 그림 하나면 설명이 끝납니다. 좌측 메트릭스는 영상이라고 생각해봅시다. 영상의 픽셀 값은 설명을 위해 0~3까지 총 4단계로 구성되죠. 따라서 GLCM 도 4 * 4 메트릭스가 나오는 것입니다. 먼저 가로로 두개씩 보는 것입니다. 예를들어, 좌측 그림에서 가장 상단의 좌측 픽셀 두개는 0, 1 입니다. 이것의 의미는 (0, 1) 이라는 의미, 즉, x = 0, y= 1 이라는 의미입니다. 이 좌표..

사람들이 모여있는 부분을 세그멘테이션 해주는 것 관련 연구 : Crowd people

논문 링크 : http://www.google.co.kr/url?sa=t&rct=j&q=fast%20crowd%20segmentation%20using%20shape%20indexing&source=web&cd=1&ved=0CDIQFjAA&url=http%3A%2F%2Fciteseerx.ist.psu.edu%2Fviewdoc%2Fdownload%3Fdoi%3D10.1.1.120.586%26rep%3Drep1%26type%3Dpdf&ei=kZgfUeCyLKrkmAWq24D4Aw&usg=AFQjCNGckOPAa4kwpzX5yNLYH5yFWe3r6A&bvm=bv.42553238,d.aGc&cad=rjt 보행자가 겹쳐 있는 경우 이를 분리하여 인식하는 방법에 관한 논문이다. 형태 정보를 사용하는 것 같은데, 그..

논문 링크 : http://www.gris.informatik.tu-darmstadt.de/~sroth/pubs/cvpr08andriluka.pdf 사람 검출 알고리즘으로, 확률 기반, 부분적으로 모델링을 하여 검출하는 방법을 사용하는 듯하다. 이건 기회가 되면 꼭 봐야겠다.

객체 추적 시, 폐색에 관한 논문 http://www.google.co.kr/url?sa=t&rct=j&q=appearance%20models%20for%20occlusion%20handling&source=web&cd=1&ved=0CDMQFjAA&url=http%3A%2F%2Fciteseerx.ist.psu.edu%2Fviewdoc%2Fdownload%3Fdoi%3D10.1.1.140.6058%26rep%3Drep1%26type%3Dpdf&ei=f5YfUfvOG4bomAWR1oCgDA&usg=AFQjCNH2zwp511Jg41vtpHwKNO5oRYaCAQ&bvm=bv.42553238,d.aGc&cad=rjt 볼만한 가치가 있어서 일단 정리함.

TLD에 의해 주장된 long-term Tracking의 문제는 얼굴에 적용할 경우, 억제할 수 있다. 하나의 프레임으로부터 시작하고, 전체 검출기는 온라인으로 학습된다. 효율적인 분류기는 객체와 배경의 결정 경계를 표현한다.(랜덤 포레스트) 얼굴 추적의 경우, 다양한 얼굴 검출기를 쉽게 이용할 수 있기 때문에 전체 검출기의 집합?은 필요치않다. 따라서 validator로 구성된 학습기는 얼굴 패치가 타겟인지 아닌지를 결정한다. 이러한 판정은 적은 후보 영역만을 판단하면 되기 때문에, 얼굴 검출보다 상당히 작은 시간을 요구한다( 연산량이 작다), 반면에, TLD Homepage : http://kahlan.eps.surrey.ac.uk/featurespace/tld/ c code : https://git..

이홍락 교수 논문 제목 : Unsupervised Feature Learning via Sparse Hierarchical Representations a Dissertation http://web.eecs.umich.edu/~honglak/thesis_final.pdf 파워포인트 자료 http://icml2011speechvision.files.wordpress.com/2011/06/visionaudio.pdf - 매우 좋은 발상 같다. 이건 꼭 공부해야할 듯하다. 매우 유용한 아이디어를 얻을 수 도 있겠다.ㅋㅋ Deep Learning Methods for Vision CVPR 2012 Tutorial http://cs.nyu.edu/~fergus/tutorials/deep_learning_cvpr1..

특징은 모든 컴퓨터 비전에서 정말 가장 중요하다고 해도 과언이 아닐 것입니다. 사실 이 부분은 직접 무슨 문제를 풀어보지 않는다면, 크게 와닿지 않을 수도 있겠군요. 저도 평소에는 중요하다는 것은 알았지만, 최근에 몸 소 느끼에 되어 특징으로 사용할 수 있는 방법들에 대해 정리가 필요하단 생각을 하게 되어 이렇게 정리를 하게 되었습니다. 처음부터 다 정리는 못하니, 이미 알고있는 특징과, 새로 공부해서 얻는 특징들을 차근 차근 정리해야겠네요. 1. Haar-like Feature - Adaboost 얼굴 검출에 빠질 수 없는 특징이죠. 의미를 보자면, 미분의 특성을 갖는데, 결국, 에지의 양 정보랄까요? 에지가 주위 이웃한 것에 대해 구한다면, haar-like는 영역을 기반으로 하기 때문에, 대충~대충..

정의 : F = F(x1,x2, .. , xn) = F(x) F에 대한 level set은 F=C를 만족하는 점들의 집합 x가 Level set이다. 예제 F(x,y) = x^2 - y^2 F = 1, F =2, F= -1, F=0 일떄 그래프를 그리면 다음과 같다. S(x,y,z) = x^2 + y^2 + z^2 1) S = C 0 경우 루트(C)를 반지름으로 하는 구의 경계

1. Snakes : Active Contour Models - 목적 : 이미지에서 사용자가 설정한 경계를 기준으로 (스네이크 에너지 최소화를 향한 반복계산을 통해) 가장 적합한 컨투어를 찾는 것 - 스네이크는 외부 억제 힘과 이미지 힘에 영향을 받아 에지와 같은 특징을 향해 에너지를 최소화하는 것이다. - 스네이크 에너지 함수는 내부 에너지, 이미지 에너지, 외부 제약 에너지로 구성된다. 내부 스플라인 힘 : Snake의 Smoothness 정도 조정. 이미지 힘 : Snake를 라인이나, edge, contour와같은 이미지 feature로 미는 역할. 외부 제약의 힘 : 초기값 설정과 같이 사용자에 의해 이루어 지는 항으로 Snake를 edge주변에 두는 것이 유리. 2. Condensation :..