تحلیل روابط تنظیم دوربین به کمک MATLAB یا هر محیط برنامه نویسی دیگر
راهنمایی: کد MATLAB برای شروع پروژه ضمیمه شده است. میتوانید از روش پارامتر مستقیم یا ماتریس افکنش، مسئله را حل کنید.
راهنمایی 2: اگر از روش پارامتر مستقیم نتایج را حساب می کنید، مراکز ox و oy را برابر 256 و ثابت در نظر بگیرید
خلاصه تمرین:
الف) پایگاه داده ای شامل 80 تصویر از 40 نفر ضمیمه این تمرین است. 40 تصویر را به عنوان آموزش در نظر بگیرید و 40 تصویر به عنوان آزمون. از تمام این تصاویر ویژگیهای SIFT را استخراج کرده و برای هر تصویر بهترین تصویر Match شده را بیابید به این صورت که اگر فاصله بین بردارهای ویژگی مربوط به نقطاط کلیدی دو تصویر کمتر از یک آستانه مشخص بود، آن بردار را به عنوان تطبیق یافته در نظر بگیرید و در مجموع تصویری که بیشترین تطبیق را داشت به عنوان تصویر برنده در نظر بگیرید. مثلا در تصویر زیر تعداد کل نقاط کلیدی مشترک، 34 مورد است که 25 مورد تطبیق خورده و این تصویر برنده شده است که درست هم هست. در نهایت گزارش کنید که از 40 تصویر چند مورد اشتباه شناسایی شد؟ همین کار را با SURF تکرار کنید.
برای بسیاری از کاربردهای بینایی ماشین، نیازمند حذف پس زمینه و ردیابی اشیاء متحرک هستیم. مثلا در سامانه تردد شمار خودرو، تشخیص سرعت یا سامانه پلاکخوان و مانند اینها، حذف پس زمینه بسیار حیاتی است. در این تمرین باید با استفاده از چند تکنیک از جمله میانگین متحرک MA و مخلوط گاوسی MOG، پس زمینه را از ویدیوی 768x576.avi موجود در پوشه مثالهای OpenCV تخمین زده و با حذف آن، اشیاء متحرک را تشخیص داده و با باینری کردن و برچسب زنی مولفه ها اطراف هر شیء متحرک یک مستطیل ترسیم کنید. (به عنوان نقطه شروع، مثال bgfg.cpp را ببینید)