Objektien tunnistus on tärkeä osa Computer Vision -ohjelmaa, jossa tavoitteena on tunnistaa ja paikantaa kohteita kuvassa. Yksi menetelmistä objektin sijainnin ilmaisemiseksi kuvassa on rajauslaatikko. Rajauslaatikko on suorakaiteen muotoinen laatikko, joka voidaan laskea yksinkertaisella mekanismilla, joka sisältää matematiikan perusminimointi- ja maksimointifunktiot.
Lisäksi laatikko voidaan esittää kahdella koordinaatilla, vasemman yläkulman (x, y) ja oikean alakulman (x, y) koordinaatilla. Tämä tieto osoittautuu ratkaisevan tärkeäksi erilaisissa tosielämän sovelluksissa, jotka palvelevat ammattilaisia valvonnasta itse ajavien autojen teollisuuteen.
Ongelmailmoitus ja ratkaisu
Suurin ongelma kuvien ja esineiden havaitsemisessa on kuinka tunnistaa kohteen sijainti kuvassa tarkasti. Ratkaisu on käyttää rajoituslaatikkoa, joka voidaan laskea yksinkertaisella mekanismilla, joka sisältää erilaisia python-kirjastoja.
Python on erinomainen valinta tähän tehtävään, koska siinä on runsaasti kirjastoja ja työkaluja, jotka yksinkertaistavat prosessia tehden siitä tehokkaan ja yksinkertaisen. Yleisesti käytetään kahta pääkirjastoa – OpenCV ja Matplotlib.
OpenCV- ja Matplotlib-lähestymistapa
OpenCV tarkoittaa Open Source Computer Vision -kirjastoa ja sisältää useita satoja tietokonenäköalgoritmeja. Matplotlib puolestaan on Python-ohjelmointikielen ja sen numeerisen matematiikan laajennuksen NumPy piirtokirjasto. Se tarjoaa sekä erittäin nopean tavan visualisoida Pythonin dataa että julkaisulaatuisia lukuja monissa muodoissa.
import cv2
import matplotlib.pyplot as plt
# read image
image = cv2.imread('input.jpg')
# our bounding box coordinates
box = (x1, y1, x2, y2)
# Draw rectangle (bounding box)
cv2.rectangle(image, (box[0], box[1]), (box[2], box[3]), (0, 255, 0), 2)
# Display the image with bounding box
plt.imshow(image)
plt.show()
Kuva ladataan imread-menetelmällä cv2:sta ja sitten piirretään rajoitusruutu käyttämällä cv2.rectangle-funktiota, joka ottaa kuvan ja kaksi koordinaattia, joita edustaa 'box'. Kaksi viimeistä parametria ovat väri ja paksuus. Tämä koodi esittelee kuvasi objektit kokonaan laatikolla sidottuina.
Rajoituslaatikoiden käyttö
Yhteenvetona voidaan todeta, että rajauslaatikoilla on keskeinen rooli tietokonenäkötehtävissä, mukaan lukien kohteen havaitseminen, tietokonenäkö ja kuvankäsittely. Ne tarjoavat tehokkaan ja tehokkaan ratkaisun kohteiden ja metatietotietojen paikantamiseen kuvissa. Rajoituslaatikoiden tarkan toteuttamisen oppiminen Pythonissa voi hyödyttää suuresti kaikkia ohjelmistokehityksessä, koneoppimisessa tai tekoälyn urassa mukana olevia. Se ei ole hyödyllinen vain turvallisuuteen ja valvontaan, vaan se auttaa myös suuresti sovelluksissa, kuten kasvojentunnistuksessa ja jalankulkijoiden tunnistuksessa sekä edistyneissä kuljettajan apujärjestelmissä (ADAS) itseohjautuvissa autoissa.
