Лектор -

Практика -

Лекции

Видеозаписи распространяются с ограниением
Видео 1.1 (см. комментарии)
Видео 2.1 Видео 2.2
Видео 3.0 Видео 3.1 Видео 3.2
Видео 4.1 Видео 4.2 Видео 4.3 (Темы практик, public)

Домашние задания

Задача по определению движения:

Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
Вычислить маску для движения ( |кадр - фон| > T )
Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда: http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации): https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

Вопросы, которые писал один из студентов

Лекция 1

Введение. Задачи и проблемы компьютерного зрения.
Проблемы КЗ: дисторсия, виды шумов.
Соль с перцем, гаусовский шум.
Линейный фильтр.

Лекция 2

Рассказ про Python+OpenСV (не представляет теор. интереса)

Лекция 3

Шумы: optical blur, motion blur, spatial quantization, additive intesity noise.
Свертка. Свертка дискретная. Box фильтр. Медианный фильтр.
Производные изображения.
Оператор Лапласа.

 * Конечно-разностная схема для оп.Лапласа. 
 * Матрицы инвар. к поворотам.h

http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching

 * Повышение резкости.

Повышение резкости с помощью вычитания смазанного изображения.
Преобразование Фурье. Дискретное преобразование Фурье.

 * Низкочасточный фильтр.
 * Свойства преобразования.
 * Теорема о свертке.
 * Восстановление изображения.

Винеровский фильтр

http://aco.ifmo.ru/el_books/image_processing/

Лекция 4

Шум метода фильтрации.
Гаусовский фильтр.
Фильтр Ярославкого (Билетеральный)
Анизатропный фильтр
Total variation
Non-local means
Метрики оценки шума матода. PSNR
Разряженное представление
Block Matching 3dapache admin

 * Цветная фильтрация и видео

Вариационный метод восстановления изображения

http://courses.graphicon.ru/files/courses/vision/2011/lectures/cv2011_04_representation.pdf

Лекция 5

Пирамида гауссианов

 * Восстановление изображения по пирамиде.
 * Возможность локальной обработки изображения.
 * Пирамиды как фильтр нижних частот.

Обзор вейвлет разложений.

 * Локальность представления.
 * Пример детектирование текстуры дерева.

Детектирование "особенностей" изображения

 * Уголки, критерии уголка
 * Разница гаусианов в пирамиде.

SIFT дескриптор. Построение. Свойства.
Дескриптор HOG
Детекторы дескрипторов, kd-деревья для разбиения дискрипторов.

http://robocraft.ru/forum/viewtopic.php?t=227

Лекция 6

Энтропия, Избыточность, связь с сжатием.
Код Хффмана. Арифметическое кодирование, LZW.Ц
Сжатие картинок.
MLP кодирование.
Восприятие человека. Сжатие с потерями.

 * Прогрессирующее декодирование. Пирамиды. Частоты.

Метрики ошибок. PSNR.
Декореляция изображений. Умножение на ортготональную матрицу.
Блочное сжатие. Обзор JPEG. Квантизация.
Обзор сжатия видео.

http://habrahabr.ru/post/180803/

Лекция 7

Контуры

 * Определение детекции краев. Применение.
 * Обзор детекторов краев.
 * Детектор контуров. Кодирование и обработка контуров.
 * Выделение линий. Hough transform.

Проективной геометрия.

 * История и польза.
 * Классы эквивалентности.
 * Соответствие векторов R^n и R^(n+1).
 * Точки и направления.
 * Соответсвие прямых в R^n и точек в R^(n+1).
 * Смысл векторного произведения проективных векторов.
 * Проективные преобразования
   * Гомография
   * Нахождения гомографии по точкам

http://habrahabr.ru/post/126269/

Лекция 8

Нахождение гомографии (детально).
Нахождение гомографии с шумом.

 * Минимизация расстояний
 * Ошибка перепроктирования

Итеративный метод оптимизации

 * Функция стоимости, параметризация.
 * Градиентный спуск.

Проблема неправильного матчинга точек (outliers)

 * Идея метода RanSaC

Проективная модель камеры.

 * Система координат камеры.
 * Проектирование на плоскость камеры. 
    * Матрица проектирования.
    * Проектирование с учетом измерений в пикселях.
    * Учет переноса и поворота камеры.

Лекция 9

Внутренние и внешние параметры камеры, их матрицы.
Алгоритм RanSaC
Модель мира.

 * Проективная камера и плоскость в мире.
 * Линия горизонта.
 * Точка зенита.
 * Угол между двумя прямыми
 * Расстояние между предметами

Определение положения камеры

Лекция 10

Модель двух камер
Нахождение матрицы проектции

 * Запись системы с неизвестными с нормой 1.
 * Обзор SVD разложения.

Триангуляция и определение точки в пространстве.
Ошибка регистрации, максимально правдоподобная гомография
Ризница градиентного метода и метода НЬютона.
Метод 2d реконструкции

 * эпиполярная линия и эпиполюс (эпипол)
 * Матрица вектроного произведения
 * Essential matrix

http://habrahabr.ru/post/130300/

Лекция 11

Нахождение взаимного пложения камер

 * Свойства эпипола
 * Фундаментальная матрица

Возможные положения второй камеры
Выражение essential matrix через матрицы двух камер
Связь essential matrix и фундаментальной матрицы
Положение в пространстве точки по двум проекциям
Machine Learning

 * Определение 
 * C учителем, без учителя

http://rudocs.exdat.com/docs/index-375716.html

Лекция похожа на предыдущую и также непонятна. Читать лучше ссылки выше.

Лекция 12

Ректификация изображений
Disparity

 * Вычисление локальными методами
 * Глобальными
 * Динамическое программирование
 * Scanline подход

http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching

Лекция 13

Постановка задачи обучения с учителем

 * Регрессия, классификация

Персептрон. Определение. Обучение
Feasibility of learning (почему обучение возможно)
Неравенство Хёфдинга

 * Применение в обучении
 * Классификаторы и дихатомии

Линейные классификаторы.
Breakpoint.
VC dimension.
Input\Output ошибка, bias, genaralization error.
Выбор размерности решения в зависимости от тестовых данных.
Пример сведения классификатора "круг" к линейному классификатору.
Cascade Classification

http://work.caltech.edu/library/053.html

Лекция 14

Задачи распозования лиц и pedestrian detection.
Haar-like features.

 * Идея детектирование по частям.

Boosting. Weak classifier.

 * Случай с невыпуклыми множествами

Histograms of Oriented Gradients
SVM. Hard\Soft margin classifier. Нелинейный SVM.

Computer vision 2013

Содержание