Frank's 資訊科技潮流站

主要介紹幾個方法 順便備忘

Template Matching
給予一系列的同類型物件，於辨識時，將每一個Frame和這些同類物件做Template Matching，主要是用Correlation的方式來辨識，當一個區域的Correlation大到一定的門檻值，我們即假設該部分是我們所要偵測的物件。OpenCV有Template Matching相關的Function。使用這個方法的優點是簡便，但缺點是計算量過大，恐怕不適合Real-time的應用。

Training
使用機器學習的方法，將同類物件的樣本作訓練，讓往後電腦看到該物體時即可辨認該物件。這種方法需要機器學習的相關知識，以及需要大量的同類物件圖片當作樣本，而且提供的訓練樣本是否適宜，也是相當大的問題。

Background modeling
假設辨識的畫面範圍是固定的，我們先取得所有背景的資料(即沒有任何瓶罐的情況)。往後要進行偵測時，再將抓取到的畫面和其比對(通常是使用背景相減法)，即可取得前景畫面。此方法具有幾個缺點，例如背景的光照若和偵測時不同(一個白天一個晚上..etc..)，則無法適用。而且必須將每一張背景圖所在的座標編號。使用這種方法最大的問題是，機器人只能在有建好背景圖區域行走，如果超出則無法正確適用。

另外一種構想是使用統計的方式，將攝影機固定住一段時間，記錄一段時間的影片，固定不變的像素會被判別為背景，其他的則是前景。但此種方法顯然被限制在攝影機固定不動的情況下，並非對所有狀況皆為適當。

Kinect
Microsoft XBOX 360上有紅外線裝置，可以利用OpenNI的SDK，抓取Depth Map深度圖。而Kinect是目前所需成本最少的深度圖抓取儀器。其優點在於容易抓取物體相對距離，但缺點在於其原設計為遊戲使用，限制頗多，例如其抓取的遠近範圍有限，如果標的物太近或太遠，則無法順利被抓取。