Tag: image processing

After playing with lane lines detection and traffic signs recognition, it's time to feed a Deep Neural Network with a video recorded during human driving. The model will be trained afterwards to act "humanlike" and predict correct steering angles while driving autonomously. Such procedure is also called Behavioral Cloning. For simplicity (and public safety 馃檪 ) I will collect video data and test the resulting DNN in a game-like simulator developed by Udacity. This project stands as a third assignment in "Self-Driving Car Engineer" course.
More Teaching a Deep Neural Network to steer a car - Behavioral Cloning

Self-Driving Cars

I'm going to describe a complete pipeline for Traffic Sign Recognition problem posed in Udacity course "Self-Driving Cars Engineer". Traffic Sign Recognition is a basic, day by day task for self-driving cars. That's why it has to be covered in the series about Self-Driving Cars where I present different projects related to this field. The recognition system processes a traffic sign image extracted from the road scene. Eventually, it should classify that sign into one of 43 categories. In order to make it happen, a Convolutional Neural Network is applied, being trained with 50.000 images beforehand.
More Traffic Sign Recognition using Convolutional Neural Network

Self-Driving Cars

Hough Lines Transform is the key method used in the previous project where lane lines are detected. It is very helpful in many Computer Vision applications. The original form of Hough Transform aimed to identify straight lines. And that's what I'm going to explain today. Furthermore, this technique was later generalized to detect also other shapes like circles, ellipses etc. [1].

More Hough Lines Transform Explained

Self-Driving Cars

Although Deep Neural Networks play bigger and bigger role in scene recognition, classic Computer Vision methods are still valid and are applied to problems from autonomous cars industry. I'm going to present how to perform lane lines detection using OpenCV library and Python language using image processing techniques. It's the first project in the series about Self-Driving Cars.
More First step to stay on track - lane lines detection

Self-Driving Cars

Data preprocessing is a very important and quite underestimated step in Machine Learning pipelines. It provides cleaned and relevant datasets which then can be used in further steps like classification or regression. I will describe a study case for data which is fed to the SVM classifier to predict if a given image segment belongs to foreground or background. This is a second article about Support Vector Machine which is used for image segmentation in my flower species recognition project Flover.

More Data preprocessing for SVM classifier

Flover Project

Ze wzgl臋du na to, 偶e przy operacji oddzielania t艂a od obrazu w projekcie Flover u偶ywam algorytmu Support Vector Machine (SVM), postaram si臋 go dzisiaj przyst臋pnie opisa膰. To bardzo popularna metoda znana ze swojej skuteczno艣ci w dziedzinie Machine Learning. Ma za zadanie jak najlepiej odseparowa膰 od siebie elementy r贸偶nego typu ze zbioru ucz膮cego, czyli umie艣ci膰 je w optymalnie oddzielonych grupach.
More Support Vector Machine

Flover Project

Dzi艣 zamieszczam wyniki oddzielania t艂a od obiektu w moim projekcie Flover. Opisz臋 procedur臋 i jako艣膰 ekstrakcji samego kwiata od reszty obrazu. Metoda opiera si臋 na wcze艣niej opisanym algorytmie generacji superpikseli SLIC. Wykorzystuj臋 r贸wnie偶 klasyfikator SVM, kt贸ry generuje odpowied藕 czy superpiksel jest t艂em czy obiektem na podstawie bazy zdj臋膰 kwiat贸w. Rezultat nie jest mo偶e na razie osza艂amiaj膮cy, ale wa偶ne, 偶e mam ju偶 napisany jako taki framework do tego typu operacji. Teraz pozostanie podkr臋ci膰 jego parametry lub doda膰 kolejn膮 metod臋 wspomagaj膮c膮 ca艂y proces eliminacji t艂a.

More Eliminacja t艂a obrazu

Flover Project

W rozpoznawaniu obraz贸w cz臋sto mamy do czynienia聽segmentacj膮. Przeprowadzamy j膮 gdy chcemy聽zmieni膰 reprezentacj臋 obrazu na 艂atwiejsz膮 do analizy - zamiast obrazu w postaci pikseli otrzymujemy regiony, kt贸re s膮 w jaki艣 spos贸b jednorodne, np. pod wzgl臋dem koloru, odcieni szaro艣ci czy tekstury. Te wydzielone obszary nazywamy r贸wnie偶 superpikselami. Jest ich zazwyczaj o wiele mniej od normalnych pikseli,聽dlatego algorytmy przetwarzaj膮ce dalej dany obraz maj膮 bardziej og贸lne informacje o obrazie i s膮 szybsze. Jednym z lepszych a zarazem 艂atwych algorytm贸w segmentacji jest metoda SLIC.

More SLIC-zne superpiksele

Flover Project

Dzisiaj postaram si臋 okre艣li膰 jak b臋dzie wygl膮da艂a procedura rozpoznawania obraz贸w moim projekcie Flover. B臋dzie sk艂ada膰 si臋 z paru g艂贸wnych etap贸w, kt贸re s膮 bardzo powszechne w tej dziedzinie i ca艂y czas udoskonalane. Nie ukrywam, 偶e b臋d臋 mocno posi艂kowa艂 si臋 prac膮 M. Nilsback, kt贸ra raportuje jedne z najlepszych wynik贸w rozpoznawania rodzaj贸w kwiat贸w spo艣r贸d wymienionych w moim opisie projektu. Wynajdywanie nowych algorytm贸w w tej tematyce nie jest g艂贸wnym za艂o偶eniem projektu, wi臋c czemu mia艂bym wywa偶a膰 otwarte drzwi. W miar臋 zg艂臋biania konkretnych metod by膰 mo偶e…

More Metodyka rozpoznawania obraz贸w

Flover Project