Программный комплекс «Интерактивная информационная...
DESCRIPTION
Программный комплекс «Интерактивная информационная доска». Дроздова Юлия. Текущее состояние доски. 1. Интерактивная информационная доска. 2. Схема программного комплекса. !. 3. Обзор существующих решений. ARToolKit. 4. Обзор существующих решений. 5. - PowerPoint PPT PresentationTRANSCRIPT
Программный комплекс «Интерактивная информационная доска»
Дроздова Юлия
Текущее состояние доски
1
Интерактивная информационная доска
2
Схема программного комплекса
!
3
Обзор существующих решений
ARToolKit
4
Обзор существующих решенийОсновные критерии
сравненияARToolKit Layar
парадигма видеозрение GPS-координаты
Размещаемый доп. контент определяются разработчиком
• текстовая информация;• гиперссылки;• изображения(non free).
Процесс разработки приложения
• возможные трудности при компиляции;• требуются программистские навыки;• свобода действий разработчика.
• существуют спец. приложения для разработки;• не требуется программистских навыков;• ограничение свободы.
Основные недостатки
•Устаревшие алгоритмы•Распознавание монохромных изображений•Неосмысленный выбор изображений
•Точность идентификации положения точек расширения не удовлетворяет требованиям предметной области
5
Компонент обнаружения
Компонент распознавания
Изображение
Эталонные изображения
Сегменты для распознавания
?
Распознанные изображения
эталон
Компоненты обнаружения и распознавания. Принцип работы
6
Компоненты обнаружения и распознавания. Принцип работы
7
Распознаваемые маркеры
Информация о предлагаемых вакансиях (job)
Срочная информация(timed)
Информация о расписании(timetable)
Информация об успеваемости (marks)
Дополнительная информация(inf)
8
Исходное изображение Бинарное изображение Сегмент изображения
Компонент обнаружения маркеров
9
Сравнение алгоритмов бинаризации
Степень освещенности объекта
Адаптивная бинаризация Глобальная бинаризация
Вес пикселей равнозначен
Вес пикселей задан в соотв. с функцией Гаусса
Пороговое значение определенно средней яркостью изображения
Пороговое значение определенно эксперимент. путем
Слабое освещение(до 280 лк)
4,3% 60,5% 11,6% 2%
Офисное освещение(280-800лк)
42,4% 98,4% 36,4% 99,6%
10
Контуры на изображении
1
Дерево контуров
2 354
6
Обнаружение маркеров. Дерево контуров
7
11
Замкнутый контур
4 точки излома
Углы близкие к 90°
Одинаковые сегменты
1 2
4 3
90°
Обнаружение маркеров. Квадратный контур
12
Контуры на изображении
12 3
54
6
Дерево контуров
7
Обнаружение маркеров. Дерево контуров
13
Контуры на изображении
12 3
54
6
Дерево контуров
7
Обнаружение маркеров. Дерево контуров
13
Распознавание маркеров. Задача классификации
Особые точки изображения
Метод потенциальных функций
?
14
…
Распознаваемое изображение Эталонные изображения
Распознавание маркеров. Задача классификации
15
Формула расчета потенциала:
Формула фильтрации:
P
PDF=
Распознавание маркеров. Задача классификации
16
• Язык разработки Java, С++
• Используемая библиотека: OpenCV 2.4.3
• Устройства для тестирования: мобильные устройства на базе Android
• Объем тестовой выборки более 10000 изображений
• Характеристики выборки:▫ Угол обзора(до 80° от перпендикуляра к плоскости)▫ Масштаб (маркера занимает от 10% изображения)▫ Освещенность(офисное освещение и ниже)▫ Разрешающая способность видеокамеры(5mpx, 8mpx)
Реализация и тестирование
17
Тестирование
0 0.1 0.2 0.3 0.4 0.5
0.600000000000001
0.700000000000001 0.8 0.9 105
10152025
0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 1 2
9 11
40 0 0 0 0 0 0
1821 23
50 0 0 0 0 0 0
4
13
300 0 0 0 0 0 0 0 1 0 1
Ошибки первого рода
jobtimedinfmarkstimetable
пороговое значение
мар
керы
, %
0 0.1 0.2 0.3 0.4 0.5
0.600000000000001
0.700000000000001 0.8 0.9 10
20406080
100120
100 100
50
219 0 0 0
100 100
0 0
75
34 38
5 0
100 100 100 10086
63
140
100 10086
60
30
0
100 100 96
4016
3 1 0 0 0 0
Отвергнутые маркеры
jobtimedinfmarkstimetable
пороговое значение
мар
керы
, %
18
0 0.1 0.2 0.3 0.4 0.5
0.600000000000001
0.700000000000001 0.8 0.9 10
20
40
60
80
100
120
0 0 0 0 0 0 0.24.8
8.8 7.42
100 100
79
57.8 59.6
38.4
26.8
91.6 0.2 0
ошибки отвергнутые маркеры
порог
Мар
керы
, %Тестирование. Усредненный результат
19
ОптимизацияПредыдущий кадр
Текущий кадр
?
job
jobmarks
20
Тестирование
0.600000000000001
0.700000000000001 0.8 0.9 10123456
0 0 0 0 00 0 0 0 00 0 0
5
00 0 0 0 00 0 0 0 0
Ошибки первого рода
jobtimedinfmarkstimetable
Пороговое значение
мар
керы
,%
0.600000000000001
0.700000000000001 0.8 0.9 10
4
8
12
16
20 0 0 0
30 0 0 0
6
0 1 0 0
14
02
0 00 0 0 0 0
Отвергнутые с маркеры
jobtimedinfmarkstimetable
Пороговое значение
Мар
керы
, %
0.600000000000001
0.700000000000001
0.8
0.9
1
0 20 40 60 80 100 120
Прирост производительности (в среднем)
отвергнутые маркеры ошибки
прирост, %
поро
г
0.600000000000001
0.700000000000001 0.8 0.9 10123456
1
5
0.600000000000001
Усредненный результат
ошибки отвергнутые маркеры
Пороговое значение
Мар
керы
, %
21
Тестирование
0 0.1 0.2 0.3 0.4 0.5
0.600000000000001
0.700000000000001 0.8 0.9 105
1015202530
0.2 0.20.2
18.2 19.223.4 25
Ошибки первого рода
ORBBRISK
пороговое значение
мар
керы
,%
0 0.1 0.2 0.3 0.4 0.5
0.600000000000001
0.700000000000001 0.8 0.9 10
20406080
100120 100
6082.8
295.4 1.2
0.600000000000001 0.4 0.2 0
100 100 99.688.4 81.4
47.631.2
20.86.6 0.4 0
Отвергнутые маркеры
ORBBRISK
пороговое значение
мар
керы
,%
22
•Были применены:▫Контурный анализ▫Метод потенциальных функций▫Особые точки изображения
•Классификация маркеров с точность до 100%•Отсев маркеров в худшем случае до 9%
Выводы
23
Дроздова ЮлияСтудент 4 курса кафедры МОВС ПГНИУ[email protected]
Спасибо за внимание