Решение проблемы низкой FPS на некоторых USB камерах

Столкнулся с проблемой в Windows, что камеры на новых ноутбуках и некоторые новые камеры при разрешениях выше 640x480 дают низкое значение FPS использованием видеопотока OpenCV (неважно Си или Си++ интерфейс).
В моем случае было 3 камеры (2 внешние и одна ноутбука), которые ставили разрешение 1280x760, но только одна при этом давала 30 FPS, остальные две камеры давали значение 10 FPS.

Естественно первая идея — установить FPS с помощью CV_CAP_PROP_FPS, но оно не работает для камер. Тогда пришлось смотреть исходники OpenCV и выяснять в каких режимах работает камера.


( Читать дальше )

DataMatrix Windows FREE Reader

После распознавания кода происходит эмуляция нажатий клавиш клавиатуры (так работает часть сканеров бар-кодов), поэтому встроить данное решение в свое программное обеспечение не вызовет трудностей. Поскольку результат распознавания будет выдаваться в активное окно. Программа распознает код и с интервалом в 5 секунд эмулирует нажатие клавиш клавиатуры, передавая декодированную информацию (с символом конца строки в конце) в находящееся в фокусе окне.

Cкачать здесь:
http://intbusoft.com/download/products/DataMatrixReader.exe

Распознавание и слежение за знаком скорости

Распознавание знака скорости и слежение за ним. Все выполняется довольно быстро — на 1 ядре процессора AMD FX(tm)-6100 Six-Core выделенная зона распознается за 0.017с. (полное FullHD изображение где-то в среднем на одном ядре за 0.032с — но анализ всего изображения не нужен. Достаточно распознавать указанную область).

iANPR SDK 1.4

Вышла версия SDK для распознавания автомобильных номеров версии 1.4
Изменения:
— добавление распознавания двухстрочных номеров Российской Федерации;
— добавление возвращения типа номера для номеров Российской Федерации;
— исправление ошибок утечки памяти в функциях anprPlateMatRect и anprPlateMatRectXML.

Перейти к странице продукта

Контурный анализ - детектирование зашумленного бинарного объекта

Бинарный объект

Бинарный объект – это объект, созданный человеком, и находящийся в поле зрения камеры. К таким объектам относятся дорожные знаки, автомобильные номера, баркоды и т.п. Часто эти объект имеют контур, по которому они достаточно хорошо детектируются. Однако возникают ситуации, когда объекты серьезно наклонены к оси камеры в нескольких плоскостях, а при этом на них накладывается шум:

Здесь: (а) исходный объект, (б) искаженный объект в результате поворота к камере, (в) зашумленный объект
Для правильного распознавания объекта необходимо провести перспективное преобразование. Но для этого необходимо получить 4 точки бинарного объекта.
Цель данной публикации: определить 4 точки в зашумленном объекте изначальной прямоугольной формы.


( Читать дальше )

iANPR SDK 1.3 Linux

Вышла версия 1.3 iANPR SDK для Linux
Страница продукта:
http://intbusoft.com/rus/products/iANPR/
Страница скачивания:
http://ianpr.org/download.htm

Пример iANPRcapture_motion на C# для iANPR SDK

1 О предназначении программы

Программа iANPRcapture_motion_CShrp предназначена для демонстрации возможностей iANPR SDK в вычислении траектории движения автомобильного номера и детектирования пересечения номером заранее заданных линий, т.е. для демонстрации возможности реализации функционала детектирования въезда-выезда автомобилей с помощью iANPR SDK. Эта программа написана на языке C# и является аналогом программы iANPRcapture_motion, написанной на языке С++. Эти и другие примеры использования распространяются в составе iANPR SDK.

2 Пример использования

Пример работы программы показан в следующем ролике.




( Читать дальше )

iANPR SDK 1.3 Windows

Вышла новая версия iANPR SDK для Windows, что нового:
— добавлено распознавание базовых номеров Казахстана, Туркменистана, грузовых автомобилей Беларуси в одну версию с распознаванием номеров Российской Федерации;
— немного повышено качество распознавания номеров Российской Федерации;
— исправлены примеры и добавлены новые.

http://intbusoft.com/rus/products/iANPR/

Пройти курсы по глубокому обучению от NVIDIA на английском языке

Deep Learning Courses


Deep learning is a rapidly growing segment of artificial intelligence. It is increasingly used to deliver near-human level accuracy for image classification, voice recognition, natural language processing, sentiment analysis, recommendation engines, and more. Applications areas include facial recognition, scene detection, advanced medical and pharmaceutical research, and autonomous, self-driving vehicles.

Free Deep Learning Course
Join NVIDIA’s deep learning experts for a free online course. This introductory course is comprised of five instructor-led classes that include interactive lectures, hands-on exercises, and office hours with the instructors.

You’ll learn everything you need to design, train and integrate neural network-powered artificial intelligence into your applications with widely-used open source frameworks and NVIDIA software. During the hands-on exercises, you will use GPUs and deep learning software in the cloud.

Register: nvda.ly/PUVYV

NVIDIA удваивает скорость обучения глубоких нейронных сетей

NVIDIA объявила об обновлении библиотек с алгоритмами глубокого обучения (deep learning) с поддержкой GPU-ускорения. Новая версия ПО позволяет удвоить скорость обучения нейронных сетей.

Более точные нейронные сети благодаря ускоренному обучению моделей и их более сложной структуре позволят ученым и исследователям ускорить работу над проектами, связанными с глубоким обучением.

Система глубокого обучения NVIDIA DIGITS™ Deep Learning GPU Training System версии 2 (DIGITS 2) и библиотека NVIDIA CUDA® Deep Neural Network library версии 3 (cuDNN 3) обеспечивают значительно более высокую производительность и предоставляют новые возможности для исследователей.

DIGITS 2 теперь позволяет автоматически масштабировать обучение нейронных сетей на несколько высокопроизводительных графических процессоров. Для задач классификации изображений это позволит сократить время обучения сети вдвое (по сравнению с системой на базе одного GPU).

cuDNN 3 позволяет оптимизировать хранение данных в памяти GPU при обучении более сложных нейронных сетей. cuDNN 3 также обеспечивает прирост производительности по сравнению с версией cuDNN 2, позволяя исследователям обучать нейронные сети до двух раз быстрее, чем на системах с одним GPU.

Ожидается, что новая библиотека cuDNN 3 будет интегрирована в новые версии фреймворков глубокого обучения Caffe, Minerva, Theano и Torch, которые широко применяются для обучения глубоких нейронных сетей.

Подробнее