در این مطلب، ویدئو تشخیص ویژگی (SIFT، SURF، ORB) – OpenCV 3.4 with python 3 Tutorial 25 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,350 –> 00:00:03,210
به همه خوش آمدید به این ویدیوی جدید ما
2
00:00:03,210 –> 00:00:05,940
در این ویدیو می خواهیم
3
00:00:05,940 –> 00:00:09,530
ببینیم که ویژگی های یک تصویر چیست
4
00:00:09,530 –> 00:00:13,080
ویژگی های این قسمت از اطلاعات است
5
00:00:13,080 –> 00:00:15,030
که تصویر را توصیف می کند به عنوان مثال
6
00:00:15,030 –> 00:00:20,490
ویژگی می تواند لبه ها گوشه ها دایره های
7
00:00:20,490 –> 00:00:25,710
بیضی حباب ها و غیره باشد به عنوان مثال
8
00:00:25,710 –> 00:00:31,439
اگر ما این کتاب چه ویژگی هایی
9
00:00:31,439 –> 00:00:35,670
می تواند داشته باشد این گوشه این گوشه های دیگر
10
00:00:35,670 –> 00:00:41,129
این لبه و در واقع تقریباً همه چیز
11
00:00:41,129 –> 00:00:42,600
در اینجا می تواند یک ویژگی باشد زیرا
12
00:00:42,600 –> 00:00:44,789
همه چیز در این صفحه بسیار متفاوت است
13
00:00:44,789 –> 00:00:50,100
بنابراین هر حرف می تواند یک ویژگی باشد
14
00:00:50,100 –> 00:00:54,739
حتی فقط بخش های کوچکی از یک حرف
15
00:00:54,739 –> 00:00:58,829
در اینجا لبه ها بین پسزمینه
16
00:00:58,829 –> 00:01:03,149
و پیشزمینه این نقاشی،
17
00:01:03,149 –> 00:01:09,930
این چیزی است که یک روح است، در حالی که در اینجا اگر
18
00:01:09,930 –> 00:01:12,360
صفحه سفید داشته باشید، البته
19
00:01:12,360 –> 00:01:13,830
رفت و آمد یک ویژگی است به دلیل
20
00:01:13,830 –> 00:01:16,110
رعد و برق و این سایه، اما معمولاً
21
00:01:16,110 –> 00:01:18,659
وقتی چیزی فقط سفید دارید، چیزی
22
00:01:18,659 –> 00:01:20,790
وجود ندارد. واقعاً که میتوانید روی آن کار کنید
23
00:01:20,790 –> 00:01:27,390
و بنابراین چرا وقتی
24
00:01:27,390 –> 00:01:30,119
یک ویژگی را شناسایی میکنید، ویژگیها مهم هستند،
25
00:01:30,119 –> 00:01:35,610
مثلاً فرض کنید این حرف M یک ویژگی
26
00:01:35,610 –> 00:01:38,009
با ویژگی y است. همچنین توصیفگر را دریافت کنید که توصیفگر
27
00:01:38,009 –> 00:01:40,229
با
28
00:01:40,229 –> 00:01:43,979
استفاده از رایانه برای توصیف آن ویژگی ها اجتناب می شود، بنابراین برای
29
00:01:43,979 –> 00:01:48,079
مثال اگر می خواهیم دو تصویر را با هم مقایسه
30
00:01:48,079 –> 00:01:50,850
کنیم، بیایید به این تصویر
31
00:01:50,850 –> 00:01:53,460
که جلد اصلی کتاب است و
32
00:01:53,460 –> 00:01:54,619
کتابی که من در اختیار دارم
33
00:01:54,619 –> 00:02:01,170
اگر مقایسه کنیم نگاهی بیندازیم. مستقیم پیکسل این
34
00:02:01,170 –> 00:02:04,950
M با این تصویر البته قرار است
35
00:02:04,950 –> 00:02:07,920
متفاوت به نظر برسد زیرا
36
00:02:07,920 –> 00:02:11,129
رنگ کتاب کمی متفاوت است
37
00:02:11,129 –> 00:02:12,209
رعد
38
00:02:12,209 –> 00:02:15,269
و برق و موقعیت چرخش اگر
39
00:02:15,269 –> 00:02:16,799
چرخش متفاوت باشد نمی توانید
40
00:02:16,799 –> 00:02:19,109
این را در پیکسل مقایسه کنید همان برای
41
00:02:19,109 –> 00:02:23,459
پرسپکتیو و غیره اما
42
00:02:23,459 –> 00:02:29,340
توصیفگرها ویژگی ها را تعریف می کنند
43
00:02:29,340 –> 00:02:32,579
بدون توجه به جهت گیری
44
00:02:32,579 –> 00:02:35,760
موقعیت چرخش و غیره بنابراین ما
45
00:02:35,760 –> 00:02:39,299
می توانیم برای مثال این تصویر
46
00:02:39,299 –> 00:02:42,180
را که روی صفحه دارم با کتاب مقایسه کنیم
47
00:02:42,180 –> 00:02:44,430
مهم نیست که چگونه کتاب را می توانم نگه دارم.
48
00:02:44,430 –> 00:02:47,159
کتاب را به این ترتیب نگه دارید این روش
49
00:02:47,159 –> 00:02:51,959
می تواند رعد و برق قوی باشد نه رعد و برق قوی
50
00:02:51,959 –> 00:02:55,500
می تواند تاریک باشد، اما به
51
00:02:55,500 –> 00:02:58,590
احتمال زیاد ویژگی که آنها قرار
52
00:02:58,590 –> 00:03:01,819
است شناسایی شوند در اینجا و اینجا یکسان است.
53
00:03:01,819 –> 00:03:04,379
تصویر پس واقعا مهم
54
00:03:04,379 –> 00:03:09,389
است برای تشخیص اشیا بگوییم پس بیایید
55
00:03:09,389 –> 00:03:14,000
ابتدا ببینیم چگونه ویژگیها را شناسایی کنیم و
56
00:03:14,000 –> 00:03:16,440
در ویدیوی دیگری نحوه
57
00:03:16,440 –> 00:03:18,569
مقایسه آنها را برای مقایسه ویژگیها
58
00:03:18,569 –> 00:03:27,629
بین تصاویر بیشتری که برای این الگوریتم تغییر میبینیم و حفظ میکنیم، خواهیم دید.
59
00:03:27,629 –> 00:03:32,729
60
00:03:32,729 –> 00:03:34,590
در نظر داشته باشید که الگوریتم
61
00:03:34,590 –> 00:03:39,239
sift با کتابخانه استاندارد OpenCV ارائه نمی شود،
62
00:03:39,239 –> 00:03:44,549
بنابراین ما باید چیز دیگری را نصب کنیم، بنابراین
63
00:03:44,549 –> 00:03:48,060
بیایید به تنظیمات پروژه
64
00:03:48,060 –> 00:03:50,759
مترجم پروژه برویم و سپس می خواهیم
65
00:03:50,759 –> 00:03:57,169
OpenCV contrib python را نصب
66
00:04:01,900 –> 00:04:04,820
کنیم، اکنون می توانیم شروع به تایپ کد let’s
67
00:04:04,820 –> 00:04:10,220
import کنیم. سوپ جلبک دریایی بیایید وارد کنیم numpy
68
00:04:10,220 –> 00:04:14,480
US و T بیایید تصویر را بارگذاری کنیم ببینیم ما حتی نمی
69
00:04:14,480 –> 00:04:19,149
خوانیم در این مورد خالکوبی
70
00:04:19,149 –> 00:04:25,730
دزد کتاب است نقطه jpg من می خواهم آن را بارگذاری کنم در
71
00:04:25,730 –> 00:04:30,730
مقیاس خاکستری آن را از طریق نقطه M الک کنم
72
00:04:30,730 –> 00:04:38,830
درست بخوان خوب امیدوارم درست باشد. و
73
00:04:38,830 –> 00:04:41,210
شما می توانید این تصویر را از
74
00:04:41,210 –> 00:04:42,770
لینک در توضیحات دانلود کنید یا حتی بهتر
75
00:04:42,770 –> 00:04:45,680
می توانید از تصویر خود استفاده کنید.
76
00:04:45,680 –> 00:04:49,610
77
00:04:49,610 –> 00:04:57,260
78
00:04:57,260 –> 00:05:01,850
ویندوز اجازه دهید کد را اجرا کنیم
79
00:05:01,850 –> 00:05:06,490
و تا زمانی که همه چیز درست شد،
80
00:05:06,490 –> 00:05:09,530
بیایید الگوریتم sift را بارگذاری
81
00:05:09,530 –> 00:05:11,780
کنیم، بیایید یک شی را ایجاد کنیم sift
82
00:05:11,780 –> 00:05:20,320
برابر با جلبک دریایی است، بنابراین نقطه X فوت
83
00:05:20,320 –> 00:05:24,940
فقط این یکی از ویژگی های X را در d dot
84
00:05:24,940 –> 00:05:34,910
shift underscore create کپی کنید و می توانی