const testData = [ { image: '../data/aaa.jpg', label: 'aaa' }, { image: '../data/bbb.jpg', label: 'bbb' }, { image: '../data/ccc.jpg', label: 'ccc' } ] 認識の結果 まず、これは、winterとか、woman, gloves, snowとかを期待していましたが fur coatなどが出て、なるほどと納得しました。 しかし、military uniformというのは、軍隊制服は、その色のせいなのかな 次に、わざと、古いタイプライターの写真を見つけて、認識してもらったのですが ちゃんとtypewriter 42パーセントの自信で認識しています。 space barが49パーセントが面白かったです。 次、女の子の後ろ姿、ここではsea, girl,

​GR-LYCHEEのカメラとOpenCVを使って3Dスキャナーを作りました。GR-PEACHで作ることもできます。 ボタンを1つ押すだけで3次元形状の取得から3Dデータの出力までを行います。出力されるファイルはSTLファイルであるため3Dプリンターなどでそのまま使うことができます。冒頭の写真はスキャンしたものと出力された3Dデータを3Dプリンターで実際に印刷したものです。 制作手順は複雑ですが、部品数も少なく比較的簡単に作ることができると思います。ぜひ作ってみてください。 3Dスキャナーとは対象物体の形状を3次元データとして取得するための機械です。市販されているものはレーザーなどのセンサーを使うものが一般的ですが、この作品では特別なセンサーは使わずに、GR-LYCHEEやGR-PEACHのカメラで撮影する画像とコンピュータービジョンのアルゴリズムを使い3次元データを取得します。GR-PE

前回は、HLSについてご紹介いたしました。 今回は、ffmpegでHLS形式に書き出すについてご紹介します。 ffmpegのコマンド自体は調べるとでてくるので省略します。m3u8ファイルの中に書いてある内容について説明します。 基本的な部分は変わりませんが私たちが行おうとしているライブ配信をするにあたっていくつか、注意する点があります。 ライブ配信では、定期的に動画を作成する必要があるため、その都度m3u8ファイルが作成されることになります。 しかし、複数のm3u8ファイルを順番に再生してしまうと、動画が途切れて再生されてしまいます。 それを防ぐため、最初に書き出されたm3u8ファイルに、２回目以降に書き出されたファイルの内容を追加することで、スムーズに動画が再生されるように行いたいと思います。 とここまではよいのですが、TSファイルを再生させ、次のTSファイルを再生させると一瞬止まったよ

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

ちょっと前からロボット関係で話題(？)になっていたROS(Robot Operating System)というものについて調べ始めた。名前からしてロボット用のOSなのかと思ったらそうじゃなくて、Linux(Ubuntu)上で動くミドルウェア... ロボット自身の移動量を計測する手法全般を”Odometry“と言うらしい。 中でも1番簡単なやり方は、車輪などの駆動装置の回転数を加算して移動距離とみなす方法。これはWheel Odometryとか呼ばれるらしい。この手法は手軽だがもちろん欠点もあって、車輪が滑るなどして空転した分も移動量として加算されてしまう。そのため、Wheel Odometryではロボットが遠くへ移動するほど、どんどん誤差が溜まってしまう。 これに対して、カメラ画像を使って自己位置認識を行うのがVisual Odometry(VO)という分野。ロボットの自己位置認識では、ス

機械学習を行うために、画像から特定の物体(領域)だけ切り出して認識したり学習データを作りたい、ということがよくあると思います。 本稿では非常に多くの機能を持つOpenCVの中から、そうした機械学習のために利用する機能にフォーカスしてその利用方法を紹介していきたいと思います。具体的には、下記のモジュールを中心に扱います。 CVPR 2015 Tutorials 基本的な切り出しの手順は以下のようになります。以下では、このプロセスに則り解説を行っていこうと思います。 前処理: 物体検出が行いやすいように、画像の前処理を行います 物体検出: 物体の検出を行い、画像から切り出します 輪郭検出: 画像上の領域(輪郭)を認識することで、物体を検出します 物体認識: OpenCVの学習済みモデルを利用して対象の物体を認識し、検出を行います 機械学習の準備: 切り出した画像を用い、予測や学習を行うための準

(2013/08/14) この間、物は試しとKobo Gloを買ってみた。コミックを読むにはツラいが、文字ベースの小説などを読むには遜色ない。E-Inkなのでバッテリーも持つしね。んで、肝心の中身だが、青空文庫なんかはそのまま読めばいい。文庫本は・・そのまま読めばいいでしょ、KoboGloより軽いんだし。自炊とかめんどくさーい。と今まで思っていたんだが、自炊する意味も色々出てきた。１つには文庫本でも終わり近くなると、２冊持ち歩かないと続けて読めない。KoboGloに入れてしまえば本の数は気にならない。それともう一つ。文庫じゃない本の扱いだ。ハードカバーの本は重いので持ち歩きたくない。すると積み上げてある本から、次何を読もうかなと思った時に文庫本を選んでしまい、ハードカバーの本は積み上がってゆく・・。これをなんとかしたい！。これが始まり。 次に、自炊をするとなると、scansnapとアマゾン

追記 lbpcascade_animeface · GitHub githubに置きました。 追記前 かなりいい。http://j.mp/oMVViM http://j.mp/pKZC4Y イロイロ試すと丸っこいものに対する誤検出がちょっと気になるくらい。 http://twitter.com/#!/ultraistter/status/92775087635312640 金曜日から何度か学習していたLBP版のアニメ顔検出ができていた。前回のOpenCVでアニメ顔を検出するためのXML v2 - デーに比べるとかなりよくなっていると思います。検出速度もこっちのほうが速い。 ダウンロード http://anime.udp.jp/data/lbpcascade_animeface.xml (デカイので右クリックで保存) 使い方 OpenCVのサンプルに入っているfacedetectというプログ

今年の多摩美のopenFrameworksの授業(Media art II)では、プロジェクション・マッピングをとりあげていこうという方針になった。ところが、実は今まで知識としてはプロジェクション・マッピングについて知っていても、自分でゴリゴリとプログラムを書いてこなかった。主な理由としては、身近にプロジェクションしながら試す環境が無いというのが大きい。これではいかんということで、奮発して小型プロジェクターを購入してみた。 TwitterとFacebookでおすすめの小型プロジェクターを募ったところ、複数の方からQUMI Q5が良いという評判が寄せられた。それではということで、amazonで購入。あわせて、SLIKのミニ三脚も買ってみた。 数日で届いたので早速試してみたところ、期待していた以上に明るい。そして小さくて軽い。評判が良いだけあると実感。手元にあったNexus 7と大きさを比較し

2. 解析動機 2013年5月18日Tokyo WebMining #26 2 最後の春だし画像処理の勉強でもしとくか 後輩からAV女優の類似画像検索の話を聞く （ぱろすけ 2012） DMMにはアフィリエイトあったよな これでウェブサービス作れば儲かるかも 決して下半身からの要望で解析したのではありません http://blog.parosky.net/archives/1506 3. 計算環境 2013年5月18日Tokyo WebMining #26 3 使用言語：Python ２．７ （少しだけR） 使用モジュール：Numpy, Scipy, OpenCV 科学技術計算用のライブラリ MATLABにできることは大体できる  numpy.ndarray 型付き多次元配列  numpy.linalg 線形代数計算  scipy.cluster 今回はこれのk-means法を使用

ARに使えるOpenCVで作る画像認識Androidアプリ：モバイルARアプリ開発“超”入門（6）（2/3 ページ） ORB特徴量検出器を用いた画像認識アプリの実行 筆者が作成したサンプルについて簡単に説明します。 「ORB特徴量検出器」を選択した理由 画像の特徴量検出アルゴリズムとして代表的なものとしては、「SIFT」「SURF」が挙げられます。また、これらのアルゴリズムはOpevCVにも実装されており、利用可能です。 SIFTやSURFは画像が拡縮や回転した場合でも、あまり影響を受けないため、画像認識を行う際によく利用されます。しかし、モバイル端末で利用するには計算量が多く、処理に時間がかかります。 また、どちらも特許が取得されているため、SIFTやSURFに比べると精度は落ちますが、今回は完全にパテントフリーで軽快な「ORB」を利用しました。OpenCVはオープンソースのライブラリで

結構大変だったのでメモ。 例によって私の環境ではこうすればうまくいきました、というメモです。 私の環境 Mac OS X SnowLeopard 10.6.4 OpenCVの導入 OpenCVをダウンロードして展開 実は最初Macportsでいれたんだけど、当然ながら/opt下にインストールされてしまうので、各種サイトの情報とパスが違って面倒。Macportsだと失敗したという情報もあるし。 なので普通にダウンロード。 Browse Open Computer Vision Library Files on SourceForge.netからOpenCV-2.0.0.tar.bz2をダウンロードして展開。 場所はどこでもいいと思うが、以下では説明の都合上~/Downloadsとする CMakeをインストール CMake - Cross Platform Make 普通にインストール。最後に

3日で作る高速特定物体認識システム (2) SIFT特徴量の抽出（2009/10/24）の続きです。あっ、3日経っちゃいました。 今回は、SIFTとは別の局所特徴量であるSURF（Speeded Up Robust Features）を抽出してみます。SURFのFはFeaturesなのでSURF特徴量とは言わないのかな？SIFTとは抽出方法は違いますが、画像からキーポイントと特徴ベクトルを抽出する点では同じです。抽出速度はSIFTより数倍高速だそうですが、精度は多少落ちるとのこと。リアルタイム処理したいときはこっちのほうがよさそうです。また、OpenCVにもすでに実装されています。SURFの詳しいアルゴリズムは後で論文を読むとしてとりあえず試してみます。 画像からSURFを抽出する 以下のプログラムは、画像からSURFを抽出して特徴点を描画し、特徴量をファイルへ格納するプログラムです。この

情報処理学会の学会誌『情報処理』の2008年9月号（Vol.49, No.9）に「3日で作る高速特定物体認識システム」という特集記事があります。OpenCVを用いた面白そうなプロジェクトなのでレポートにまとめてみようと思います。3日でできるかはわからないけど。 残念ながらこの記事はPDFを無料でダウンロードすることができません（CiNiiでオープンアクセス可能になったみたいです）。なので会員以外で元記事が読みたい人は図書館でコピーする必要があるかも・・・また、2009年9月号の人工知能学会誌にも物体認識の解説「セマンティックギャップを超えて―画像・映像の内容理解に向けてー」があります。こちらも非常に参考になりますが同様にPDFが手に入りません・・・。他にもいくつかわかりやすい総説論文へのリンクを参考文献にあげておきます。 物体認識とは 物体認識（object recognition）は、画