[[searchwing-bilderkennung]]

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
searchwing-bilderkennung [2019/06/17 00:18]
wf68spef
searchwing-bilderkennung [2021/05/31 22:03] (current)
beckmanf added SE2 Projektarbeit Kamera
Line 2: Line 2:
  
 By analysing the image with we receive from the camera, we can detect boats on the sea. To achieve this, different algorithms and approaches from the image processing and deep learning domain can be used. By analysing the image with we receive from the camera, we can detect boats on the sea. To achieve this, different algorithms and approaches from the image processing and deep learning domain can be used.
 +
 +===== Camera =====
 +
 +{{ ::​g2-picam.pdf | S. Keller, K. Dierig, L. Range, "​SearchWing - Messung des Energieverbrauchs eines Raspberry Pi und Charakterisierung des Kamersystems",​ Projektarbeit,​ WS 2020/21}}
 +
 +===== Compression effects on detection =====
 +
 +Does JPEG image compression affect detection? See
 +
 +[[https://​doi.org/​10.1117/​1.JMI.6.2.027501|Farhad Ghazvinian Zanjani, Svitlana Zinger, Bastian Piepers, Saeed Mahmoudpour,​ Peter Schelkens, and Peter H. N. de With "​Impact of JPEG 2000 compression on deep convolutional neural networks for metastatic cancer detection in histopathological images,"​ Journal of Medical Imaging 6(2), 027501 (24 April 2019). https://​doi.org/​10.1117/​1.JMI.6.2.027501]]
  
 ===== Detection by using edgedetector and a 2d tracker in world coordinates ===== ===== Detection by using edgedetector and a 2d tracker in world coordinates =====
Line 97: Line 107:
  
 [[https://​media.freifunk.net/​v/​35c3oio-77-detection-of-refugee-boats-on-the-mediterranean-with-a-drone-by-using-foss|Click to go to the video]] [[https://​media.freifunk.net/​v/​35c3oio-77-detection-of-refugee-boats-on-the-mediterranean-with-a-drone-by-using-foss|Click to go to the video]]
 +
 +===== Anomaly detection using FFT =====
 +
 +{{:​screenshot_from_2020-05-18_09-05-03.png?​600|}}
 +
 +
 +Paper: https://​cloud.hs-augsburg.de/​s/​KNiMLrY5P6H4JXJ
  
 ===== Imagerecognition by using a OpenCV Haar Cascade Classifier ===== ===== Imagerecognition by using a OpenCV Haar Cascade Classifier =====
Line 124: Line 141:
   * [[:​searchwing-flug-virus-20181007|Flug am 7.10.2018 mit der Pipistrel Virus zum Bodensee]]   * [[:​searchwing-flug-virus-20181007|Flug am 7.10.2018 mit der Pipistrel Virus zum Bodensee]]
   * [[https://​captain-whu.github.io/​DOTA/​|DOTA Airial Image Dataset (Wuhan Univ./​Cornell/​DLR)]]   * [[https://​captain-whu.github.io/​DOTA/​|DOTA Airial Image Dataset (Wuhan Univ./​Cornell/​DLR)]]
- 
-===== Kamera kalibrieren (intrinsisch) ===== 
- 
-Um eine Kamera zu kalibriern muss ein Kamera Kalibrier Muster vor die Kamera gehalten werden in unterschiedlichen Positionen und jeweils ein Bild aufgenommen werden. Mithilfe der Bilder können dann die Eigenschaften / Intrinsischen Parameter berechnet werden. Dazu zählen zum Beispiel die Brennweite und Verzerrungsparameter der Kamera. Mithilfe der Parameter können dann prinzipiell 3D Punkte aus einem Kamerabild berechnet werden, die Tiefeninformation fehlt hierfür aber natürlich. 
- 
-Schritt für Schritt Anleitung 
- 
-  - Download und Ausdruck des Musters. 
-      - https://​www.mrpt.org/​downloads/​camera-calibration-checker-board_9x7.pdf 
-      - Wichtig ist das das Pattern so groß wie möglich ausgedruckt wird 
-  - Befestigung ohne Wellen auf einer steifen Unterlage 
-  - Länge einer Zelle ausmessen. Die Größe wird später bei der Berechnung der Kalibrierung benötigt. 
-  - Kamera fest aufstellen aufstellen, sodas man davor etwas Platz hat 
-  - Kalibrierbilder erstellen 
-      - {{:​450329a3af3b6dc669ef40710733da5d.png}} \\ (von http://​www.vision.caltech.edu/​bouguetj/​calib_doc/​htmls/​example.html) 
-      - Das Muster aus verschiedenen Winkeln in die Kamera halten 
-      - Das Muster muss in jedem Bild vollständig zu sehen sein 
-      - Das Muster muss grob jeden Teil des Kamerabildes mehrmals erfassen 
-      - Das Muster darf muss scharf abgebildet werden - Bewegung vermeiden bei der Bildaufnahme um keinen Motionblur zu ereugen 
-      - Das Muster darf nicht über 45° gekippt werden, sodass im Bild die Reihen und Spalten eindeutig unterscheidbar sind anhand der Anordnung 
-      - Wichtig ist das die Auflösung der Bilder in der gleichen Auflösung erfolgen muss, in der man die Kameradaten letztendlich verwenden möchte 
-      - Wichtig ist möglichst Kompressionsfreie Bilder aufzunehmen um Artefakte zu unterbinden,​ welche Kalibrierfehler erzeugen 
-      - Praktische Hinweise für Raspberry Pi 
-        - Videoaufnahme nicht verwenden, da dort starke Komprimierung verwendet wird 
-        - Serienbildfunktion nutzen 
-        - Manuelles Triggern der Kamera 
-        - Aufnahme mittels ROS Toolchain möglich - verharren in jeder Lage für ca. 3 Sekunden 
-  - Berechnung der Kalibrierung 
-      - Tools 
-        - Mittels MATLAB Tool: https://​www.youtube.com/​watch?​v=g8SyzR0jZOA 
-        - Mittels OpenCV Sample Code Tool: 
-          - Anleitung: https://​docs.opencv.org/​3.4.3/​d4/​d94/​tutorial_camera_calibration.html 
-          - Konfiguration der Inputbilder als XML file 
-          - Starten des Kalibriervorgangs indem man die executable in ''​samples/​cpp/​tutorial_code/​calib3d/​camera_calibration/'' ​ mit dem XML file als parameter aufruft 
-      - Der berechnete mittlere Fehler (RMS) der Kalibrierung sollte sich im Bereich <= 1 Pixel bewegen 
  
  
  • searchwing-bilderkennung.1560723524.txt.gz
  • Last modified: 2019/06/17 00:18
  • by wf68spef