X
تبلیغات
وکیل جرایم سایبری

CUDA Programming Applications

Learning Image Proccessing with OpenCV

OPenCV مسلما وسیعترین کتابخانه بینایی ماشین شامل صدها توابع پردازش تصویر و بینایی ماشین در امور مختلف  که قابل استفاده برای صنعت و دانشگاه می باشد، با ارزانتر شدن دوربینها و افزایش دسترسی آنها برای عموم مردم طبیعتا تقاضا و انتظارات عموم از تصویربرداری بالا می رود، از این رو تکنیکهای بهبود تصویر و افزایش سرعت تصویر برداری بسیار حائز اهمیت هستند ،بنابراین یادگیری این تکنیکها در دنیای امروز بسیار ضروری می باشد، از این رو کتاب Learning Image Processing With OpenCV چاپ سال 2015 جهت دسترسی آسان کاربران برای یادگیری کتابخانه OpenCV در اینجا معرفی شده است.


computer vision with opencv

هر موجودی برای اینکه با یک محیط معنادار ارتباط برقرار کند نیازمند درک است، انسانها در بسیاری از حواس از قبیل بینایی، صدا ، بویایی و لامسه قدرت درک دارند، در گذشته ماشینها از طریق وسایلی چون صفحه کلید و موس می توانستند داده ها را دریافت و درک کنند ولی امروزه دوربینها و میکروفون به عنوان بخش استاندارد و لاینفک کامپیوترها، موبایلها و ... می باشند که با پردازش سیگنال های صوت و تصو.یر می توانند جهان اطراف خود را بطور خودکار درک نمایند، از این رو علم بینایی ماشین تا چند سال آینده جزء لاینفک زندگی بشر خواهد شد.

کتاب computer vision with opencv  نوشته Dr.Kenneth Dawson-Hawe مدرس دوره ای دانشکده علوم کامپیوتر و آمار دانشگاه Trinty college dublin ایرلند در سال 2014 به چاپ رسید، این کتاب شامل آموزش بینایی ماشین با OpenCV و شرح برخی از برنامه های کاربردی ازقبیل تشخیص چهره، بینایی خود کار خط تولید و ... می باشد.

تشخیص حالت های چهره

پیشرفت علم پردازش تصویر در چند دهه اخیر تا حدی بوده است که استفاده از آن را در علوم و صنایع گوناگون می توان به وضوح حس نمود تا جایی که عدم وجود این علم در بعضی از موارد کاملا آن مورد را بلا استفاده نموده است، یکی از موارد پردازش تصویر که در این پایان نامه به آن پرداخته شده است تشخیص حالت چهره می باشد که  از موارد کاربرد اساسی آن در تشخیص خواب آلودگی راننده، تشخیص حالات روانی بیمار و ... می باشد.
مرجع:بشیری رضایی ، شیما-تشخیص حالتهای چهره-پایان نامه کارشناسی ارشد-مهر94

بخش بندی عنبیه با استفاده از تبدیل هاف بهبودیافته بر پایه پردازنده های گرافیکی

از دیرباز شناسایی افراد از اهمیت بسیار زیادی برخوردار بوده است. یکی از روشهای قابل اطمینان، استفاده از روشهای بیومتریک است. بیومتریک عبارت است از تشخیص هویت افراد با استفاده از فیزیولوژی و رفتار آنها. تشخیص هویت از طریق بافت عنبیه یکی از روشهای بسیار دقیق است. عنبیه به دلیل بافت منحصربه فرد، قابلیت اطمینان، پایداری و سادگی در مقایسه با سایر روشهای بیومتریک مانند اثرانگشت و ... توجه زیادی را به خود جلب کرده است. محبوبترین طرحهای شناسایی بیومتریک برای چند سال گذشته به کارگیری تشخیص عنبیه بوده است. کارایی سیستم تشخیص عنبیه به بخش بندی بستگی زیادی دارد. روشهای پیشنهادی تشخیص عنبیه شامل پیش پردازش، بخش بندی، استخراج ویژگی و شناسایی میباشد.
تبدیل هاف یک روش بسیار مؤثر برای شناسایی اشکال در یک تصویر است. در ابتدا تبدیل هاف برای پیداکردن خط در یک تصویر استفاده می شد سپس برای شناسایی اشکال دیگر مانند دایره و بیضی بهبود پیدا کرد. خروجی یک الگوریتم تشخیص لبه مانند کنی به عنوان ورودی به مرحله تبدیل هاف است، الگوریتم تبدیل هاف برای تصاویری که دارای خطای بالایی باشند (در تصویر نقص وجود داشته باشد)بسیار مؤثر است. تمام این مراحل شامل مقدار زیادی از محاسبات است، که میتوان با استفاده از الگوریتم های موازی بهره وری سیستم را افزایش داد. در حال حاضر به دلیل ساختار موازی شده کارتهای گرافیکی و همچنین ارائه تولکیت هایی برای استفاده بهتر از این کارتها،بهترین گزینه برای پردازشهای سنگین با سرعت بالا و به صورت موازی هستند. بیشتر بار پردازشی شناسایی عنبیه در بخش بندی آن خلاصه می شود. به همین دلیل تبدیل هاف که یکی از قسمتهای اصلی بخش بندی میباشد به صورت موازی بر روی کارت گرافیک اجراشده است. این روش پس از پیاده سازی بر روی مجموعه ای از عکسهای عنبیه بازدهی 50 درصدی در حالت میانگین به دست آورده است .یک روش مناسب برای شناسایی الگو باید نسبت به تغییرات اندازه، محل و جهت الگوی عنبیه مقاوم باشد. این به این معنا است که در مسئله ی شناسایی عنبیه، ما باید نتیجه ای را ارائه نماییم که نسبت به تغییرات نوری اندازه ی عنبیه در عکس که به فاصله از چشم و عامل درشت نمایی دوربین بستگی دارد، نسبت به اندازه ی مردمک درون عنبیه، همچنین نسبت به مکان عنبیه در عکس و نسبت به جهت گیری عنبیه که به کجی سر، چرخش پیچشی چشم ها در جایگاه خود و زاویه دوربین ها همراه با عکسبرداری از درون آینه های یابنده چشم که عوامل چرخش بیشتری را به عنوان تابعی برای محل چشم، محل دوربین و زوایای آینه ها ارائه میکند، بستگی دارد، بدون تغییر بماند. خوشبختانه، عدم تغییر نسبت به تمام این فاکتور ها در حال حاضر امکان پذیر است .


 مراحل اصلی تشخیص هویت با استفاده از تصاویر عنبیه

1-محلی سازی 2- نرمال سازی 3- استخراج ویژگی 4- انطباق


محلی سازی
در این مرحله مرزهای داخلی و خارجی عنبیه استخراج میشوند. تصویر گرفتهشده از عنبیه فقط شامل ناحیه مورد نظر نیست و شامل قسمتهای غیرمفید مانند پلک و مردمک نیز میباشد، بنابراین به طور مستقیم نمیتوان از این تصاویر استفاده کرد، علاوه برآن موقعیت چشم و دوربین خیزمی تواند در کیفیت آن تأثیر بگذارد. بهعنوانمثال اگر فاصله شخص با دوربین کم یا زیاد گردد، اندازه عنبیه تغییر میکند؛ همچنین نویزهای موجود در محیط نیز تأثیر فراوانی در کیفیت عکس خواهند داشت، برای تشخیص هویت افراد در مکانهای عمومی مثلاً در فرودگاهها معمولاً از مدارکی مانند گذرنامه که حاوی مشخصات صاحب آن است استفاده میشود. این نوع معیارهای شناسایی قابلیت اطمینان پایینی دارند چون میتوان آنها را بهراحتی جعل کرد. به همین دلیل لازم است که از یک روش که بر مبنای بدن انسان است برای شناسایی استفاده کرد. روشی که هم منحصربهفرد باشد هم بهراحتی قابلاندازهگیری باشد و در طول زمان تغییر نکند. به این منظور باید یک پردازش اولیه برای تنظیم عکس گرفتهشده ازلحاظ مشخص کردن محل عنبیه، نرمالیزه کردن عنبیه و کاهش نویزهای ذکرشده، انجام شود. روشهای گوناگونی در مقالات مرتبط با تشخیص عنبیه وجود دارد. با توجه به اینکه در مقوله شناسایی هویت از طریق تصویر عنبیه، کارهای اصلی در رابطه با قسمت کدینگ آن تصویر و استخراج ویژگیهایی است که بهراحتی قابل پیادهسازی میباشند و میتوان از آنها بهمنظور تطابق استفاده کرد. بعد از استخراج عنبیه، به دست آوردن مرزهای خارجی و داخلی و مشخصات دیگر آن، با مقایسه آنها با دادههای بانک اطلاعاتی که مشخصات افراد موردنظر را ثبت میکنند، نتیجه پردازش تصویر خود را اعلام مینماید؛ بهعنوانمثال آیا شخص اجازه ورود یا خروج را دارد یا خیر.
نرمالسازی
عنبیه برای افراد مختلف ممکن است دارای اندازه متفاوتی باشد. اندازه عنبیه یک فرد نیز میتواند به دلیل تغییر در نورپردازی محیطی و عوامل دیگر تغییر کند؛ بنابراین، نرمالسازی برای دستیابی به تصاویردر یک شکل به صورت یکسان است .
استخراج ویژگی
عنبیه به اطلاعات بافت کمک فراوانی میکند. درواقع باعث ایجاد بردار عنصری تولیدشده خواهد شد که مرکب از توالی ساختار یافته عناصر استخراج شده از یک طیف نمایش های تصاویر عنبیه است .
انطباق
بردارهای عناصر تولیدشده با روش آستانه مختلف مانند بردار وزن و انتخاب برنده، فاصله همینگ ، تابع عدم شباهت و غیره، طبقهبندیشدهاند. بهمحض آنکه محلی سازی انجام گرفت، پلکها و مژهها که ممکن است عنبیه را بپوشانند، حذف میشوند. سیم زنده  یکی از روشهایی است که برای محلی سازی مرزهای پلک بر اساس نقاط تقاطع بین پلک و مرز بیرونی عنبیه ایجادشده است. در مرحله بعد، نرمالسازی تصویر عنبیه را از مختصات کارتسین به مختصات قطبی تبدیل میکند.

 مرجع:امامی میبدی رامین -بخش بندی عنبیه با استفاده از تبدیل هاف بهبودیافته بر پایه پردازنده های گرافیکی-پایان نامه کارشناسی ارشد-سال1395
<< 1 2 3 4 5 ... 15 >>