Phát hiện mèo một cách trực quan bằng phương pháp phát hiện dị thường

Tôi có một dự án sở thích mà tôi đang dự tính cam kết như là một cách để tăng kinh nghiệm hạn chế cho đến nay của tôi về học máy. Tôi đã thực hiện và hoàn thành Coursera MOOC về chủ đề này. Câu hỏi của tôi liên quan đến tính khả thi của dự án.

Nhiệm vụ như sau:

Những con mèo hàng xóm thỉnh thoảng đến thăm khu vườn của tôi, điều mà tôi không thích vì chúng có xu hướng đại tiện trên bãi cỏ của tôi. Tôi muốn có một hệ thống cảnh báo để thông báo cho tôi khi có một con mèo để tôi có thể đuổi nó đi bằng cách sử dụng siêu soaker của tôi. Để đơn giản, hãy nói rằng tôi chỉ quan tâm đến một con mèo với màu đen và trắng.

Tôi đã thiết lập một raspberry pi với mô-đun máy ảnh có thể quay video và / hoặc hình ảnh của một phần của khu vườn.

Hình ảnh mẫu:

Ý tưởng đầu tiên của tôi là huấn luyện một bộ phân loại để xác định các vật thể giống mèo hoặc mèo, nhưng sau khi nhận ra rằng tôi sẽ không thể có được số lượng mẫu dương tính đủ lớn, tôi đã từ bỏ việc ủng hộ phát hiện dị thường.

Tôi ước tính rằng nếu tôi chụp một bức ảnh mỗi giây trong ngày, tôi sẽ kết thúc với khoảng năm bức ảnh có chứa mèo (trong số khoảng 60.000 ánh sáng mặt trời) mỗi ngày.

Điều này có khả thi khi sử dụng phát hiện bất thường? Nếu vậy, những tính năng bạn sẽ đề nghị? Ý tưởng của tôi cho đến nay chỉ đơn giản là đếm số pixel với màu sắc nhất định; thực hiện một số loại phát hiện / phân đoạn hình ảnh blob (mà tôi không biết cách thực hiện và do đó muốn tránh) và thực hiện phân tích màu tương tự trên chúng.

Bạn có thể đơn giản hóa vấn đề của mình một cách đáng kể bằng cách sử dụng phương pháp phát hiện chuyển động / thay đổi. Ví dụ: bạn có thể so sánh từng hình ảnh / khung hình với một hình ảnh từ thời gian đầu (ví dụ: một phút trước đó), sau đó chỉ xem xét các pixel đã thay đổi kể từ thời điểm trước đó. Sau đó, bạn có thể trích xuất vùng thay đổi hình chữ nhật và sử dụng đó làm cơ sở cho phân loại hoặc phát hiện bất thường.

Thực hiện kiểu tiếp cận này có thể đơn giản hóa đáng kể phân loại của bạn và giảm tỷ lệ mục tiêu sai của bạn bởi vì bạn có thể bỏ qua bất cứ thứ gì không có kích thước gần bằng một con mèo (ví dụ: người hoặc chim). Sau đó, bạn sẽ sử dụng các vùng thay đổi được trích xuất không được lọc để tạo thành tập huấn luyện cho trình phân loại của bạn (hoặc trình phát hiện dị thường).

Chỉ cần chắc chắn để có được tỷ lệ mục tiêu sai của bạn đủ thấp trước khi lắp tháp pháo laser vào hệ thống phát hiện xâm nhập của mèo.

Đây là một dự án thú vị và cũng khá tham vọng :)

Tôi không chắc chắn phát hiện bất thường (ít nhất là theo nghĩa được mô tả trong khóa học bạn theo dõi) sẽ là một thuật toán rất phù hợp trong trường hợp này.

Tôi sẽ xem xét một cách tiếp cận khả thi hơn là những gì đã được thảo luận ở cuối khóa học nơi trình diễn quy trình Photo OCR.

Cách tiếp cận sẽ bao gồm phân đoạn hình ảnh của bạn theo các "khối" nhỏ hơn và lần lượt đi qua chúng bằng thuật toán học có giám sát và cố gắng phân loại từng khối theo liệu nó có chứa một con mèo hay không. Nếu một khối chứa một con mèo, báo thức sẽ tắt. Như một phần thưởng, bạn cũng có được vị trí của con mèo, do đó bạn có thể nghĩ đến việc kết hợp một số phản hồi "tự động" như một bước trong tương lai cho dự án của bạn.

Lợi ích ở đây là bạn sẽ không phải huấn luyện thuật toán của mình bằng cách sử dụng bộ dữ liệu cụ thể cho khu vườn của bạn (mà bạn đề cập là khó tạo), nhưng bạn có thể sử dụng hình ảnh của những chú mèo bị lấy ra khỏi mạng (ví dụ: có lẽ bạn có thể tìm kiếm "Con mèo trên cỏ" hoặc một cái gì đó), và có lẽ là những mảng ảnh từ khu vườn của bạn (hoặc khác). Do đó, bạn không phải dành thời gian để thu thập ảnh từ máy ảnh của mình và bạn tránh được nguy cơ có một mẫu dương tính rất nhỏ (có thể so sánh) (ví dụ như mèo).

Bây giờ, tất nhiên việc dễ dàng để xây dựng một máy dò mèo chính xác là một chủ đề khác ..

Chiến lược phát hiện chuyển động / thay đổi chắc chắn là đủ, nhưng tôi sẽ thêm một hoạt động bổ sung. Tôi sẽ phát hiện những khu vực có nhiều khả năng bị thay đổi, ví dụ, chiếc thang dường như là nơi con người có thể (cũng là mèo) và cỏ nơi có thể có chó, mèo hoặc người.

Tôi sẽ chụp một bản đồ với kích thước của vật thể và quỹ đạo và với điều này tôi sẽ tạo ra một cụm với mục đích phát hiện một vật thể (với kích thước cụ thể trong ảnh theo pixel) di chuyển với tốc độ và quỹ đạo nhất định.

Bạn có thể đạt được điều này bằng cách sử dụng R hoặc tôi sẽ đề xuất OpenCV để phát hiện chuyển động và theo dõi các đối tượng khác nhau.

Phép trừ nền của OpenCV sẽ tìm thấy các đối tượng chuyển động về độ cứng của bạn. Sau đó, bạn có thể sử dụng phân loại hoặc phân tích hình dạng để phân biệt giữa mèo, người, cây và vv

Có phải là một con chim? Đó là một con mèo? Chúng tôi có kích thước con mèo đen trắng! chó con ở đây. vì vậy sẽ thất bại.

Điều đầu tiên sẽ là loại trừ tất cả các khu vực có màu xanh lá cây, mèo hiếm khi có màu xanh lá cây.

Sau đó so sánh phần còn lại với hình ảnh tham chiếu để loại bỏ những thứ tĩnh như đá và cầu thang.

Có thể phát hiện các đối tượng có kích thước tối thiểu, nhưng để phân loại thì độ phân giải quá thấp. Cũng có thể là hàng xóm của bạn thử nghiệm máy bay không người lái điều khiển từ xa mới của mình.

Với hai camera, bạn có thể thực hiện bản đồ 3d của các vật thể và loại bỏ các vật thể bay.