컬라 오브젝트 이미지를 hue 값 범위를 주어 HSV(hue, saturation, value) 즉 색상, 채도, 명도 처리를 하게 되면 오브젝트 부분이 흰색으로 처리되고 나머지는 검정색 배경으로 처리된다. 하지만 오브젝트 뿐만 아니라 주위 환경에서 비슷한 색상의 하지만 오브젝트는 아닌 수준의 물건 나부랭이들이 있거나 좀 먼 위치에 창을 통해 들어오는 빛의

Pi카메라에서 입력되는 캠코더 영상으로부터 Haarcascade 라이브러리 모듈을 사용하여 사람의 얼굴과 신체 부위들, 고양이 얼굴 및 자동차를 인식할 수 있다. 도로 주행에서 주행 중인 자동차들을 제대로 인식했으면 안전 운전이 가능할까? 우선 차선을 벗어나지 않으면서 주행하려면 반드시 중앙선 포함 차선 인식이 가능해야 하며 앞차를 추월해야할 경우에도 차선

라즈베리 파이 OpenCV에서 오브젝트를 인식하기 위해서 haarcascade 라이브러리 모듈을 사용하였다. 하지만 haarcascade 모듈의 적용 대상 범위는 사람 얼굴 및 신체 부위, 고양이 얼굴 및 자동차에 한정되고 있는 듯하며 대단히 제한적으로 보인다. 그렇다면 삼라만상dml 그 많은 오브젝트들을 과연 어떻게 인식할 것인가가 큰 문제다. 하다못해 자율

자율주행 RC 카를 만들기 위해서 Computer Vision 분야의 어떠한 오브젝트 트래킹 기법이 필요한지 생각해 본지 벌써 일년 반이 넘었다. Daum 사이트에서 아래의 인터넷 주소를 검색 해보면 PixyMon에 대한 필자의 블로그를 읽어 볼 수 있을 것이다. 혹 아래의 인터넷 주소를 클릭할 경우에 경로가 막혀 있다면 따로 인터넷을 열어 url에서 주소를

Opencv에서 오브젝트를 인식하는 대표적인 방법중의 하나는 Haarcascade 라이브러리 모듈을 사용하는 방법이다. Haarcascade 라이브러리를 사용하여 인식할 수 있는 오브젝트는 사람의 정면 얼굴, 얼굴 안의 눈, 고양이 얼굴, 사람의 몸 각 부분들, 컬러 및 차량을 포함한다. 사람의 얼굴을 인식하기위한 Haarcascade 방식의 알고리듬은 머신

앞으로도 출현하게 될 머신 러닝 재품은 단지 컴퓨터 속에서만 활동하는 유령같은 존재가 아니라 자신의 학습 결과를 외부로 표출시켜야 할 필요가 있다. 자율주행 자동차만 해도 주변 환경에 대한 학습 즉시 제어 신호를 생성 하여 인터페이스 되어 있는 자동차 주행 장치를 능숙하게 제어해야 할 필요가 있다. 마찬가지로 실제로 어슬렁 거리는 고양이들을 영상 frame

자연계의 신경망은 이론적인 신경망 보다 말할 수 없이 복잡한 양상을 보이겠지만 특히 2개의 입력 문제를 다뤄야 하는 AND, OR 또는 XOR 로직 계산 문제를 생각할 때 최대한 간략하게 모델링 해보면 2개의 입력에 대하여 4개의 웨이트 2개의 바이아스와 아울러 Firing 효과를 주기 위한 Sigmoid로 구성이 가능할 것이다. 역으로 이 신경망 모델 NN(Neural

OpenCV를 haarcascade를 사용하여 고양이 얼굴을 인식하여 찾아보자. 일반적으로 동물의 얼굴 인식이 사람보다 어렵다고 알려져 있다. 종류도 많을뿐 더러 특히 털가죽으로 모습을 포장하고 있어 그 진면목을 알아내기 힘들 수도 있을 것이다. 이 작업을 위해 필요한 Haarcascade 파일은 haarcascade_frontalcatface.xml 파일이다.

왼쪽 녀석은 미션 임파서블에 나오는 수법으로 고무플라스틱 가죽으로 얼굴을 성형한 듯 하고 게다가 오른 쪽은 눈깔인지 뭔지 도대체 혹 LED? 그렇다면 왼쪽과 가죽을 싹 벗겨버린 해골형 터미네이터인 오른쪽 녀석은 동일 범인 듯한데 ! 사람이라고 단정짓기 어려운 얘네들 과연 라즈베리 Face_Detect_01.py 가 보면 뭐라고 할까? 아주 쌩 쇼를 하는군요!.

OpenCV를 haarcascade를 사용하여 얼굴과 눈을 인식하여 찾아보자. 이 작업을 위해 필요한 라이브러리 모듈은 PiRGBArray 와 PiCamera, cv2 이다. PiRGBArray 와 PiCamera는 PiCamera 설치 시에 깔리게 된며 cv2는 OpenCV3.3 지원 라이브러리 모듈이다. 그밖에 sys와 time은 파이선 지원 일반 라이브러리

라즈베리 파이 PiCamera+OpenCV3.3+Python3 ⇨ Face_Detection 라즈베리 파이 B/B+ 모델에서 SD 카드를 포맷하여 OS인 Stretch 버전을 깐 이후 즉시로 OpenCV3.3 설치 작업을 수행하였다. 예전 같았으면 OpenCV 설치 작업이 지옥과 같았겠지만 지금은 단지 싸움 닭처럼 시간과의 싸움을 인내할 뿐이다. 아울러 Pi

#신경망의 뉴론 모델링 2개의 웨이트와 1개의 바이아스를 사용하는 퍼셉트론으로 XOR 논리 문제를 풀 수 없으므로 그 대안으로 신경망에 의한 해법이 연구되었다. 1개의 퍼셉트론으로 XOR 논리 문제를 풀 수 없다는 것은 쉽게 말해서 웨이트와 바이아스의 수가 부족하다는 점을 의미한다고도 볼 수 있다. 따라서 제안된 기본적인 신경망의 구조는 웨이트 수가 2개에서

3개의 점 데이터 (1,1), (2,2), (3,3)를 학습을 위한 입력 데이터 x_train 과 출력 데이터 y_train 으로 나누어 코드에서 사용할 수 있는 list 데이터 구조의 형태로 표현하자. x_train = [1, 2, 3], y_train = [1, 2, 3] 이 데이터 대상으로 y = W*x + b 형태로 hypothesis를 설정하여 cost함수를

두더지 잡기는 MIT app invetor 튜토리알 사이트에 올라와 있는 게임이다. 아무래도 튜토리알에 올라와 있는 예제라면 앱인벤터 코딩 실력을 키우기 위해서라도 반드시 해보고 넘어가야 할 예제인 듯하다. 실제 나타나는 시간을 타이머로 조절해 보면 증말 재미 있다. 코딩을 시작하기 전에 게임 코딩 사이트 주소 를 방문하여 두더지 그래픽 이미지 파일을 자신의

라즈베리 파이 보드에 파이카메라를 설치하자. 라즈베리파이 보드 중앙에 라즈베리베리 파이 전용으로 파이카메라의 납작한 인터페이스 케이블을 꽂을 수 있도록 슬롯이 있다. 이 슬롯의 양쪽을 양손가락으로 잡아 자금을 풀면 납작한 인터페이스 케이블을 꽂을 수 있다. 꽂은 후 반드시 양손으로 슬롯 양쪽을 눌러 잠궈야 한다. 파이카메라를 적정한 높이에서 앞이나 뒤를 보도록

지금 구매하는 라즈베리 파이는 이미 B 모델에서 B+ 로 넘어가는 중이다. 특별히 사용법 상 달라진 것은 없겠지만 B+ 의 클럭 주파수가 훨씬 높아짐과 아울러 연산 속도가 빨라졌으리라. 지금도 라즈베리 파이 홈페이지를 방문하면 Stretch 와 Jessie 두가지 OS 버전 중에 하나를 다운 받을 수 있을 것이며 Stretch를 설치하도록 한다. 연전에는 당연히

백문이 불여 일견이라 복잡하고 상세히 설명보다는 3차원 그래픽 비쥬얼라이제이션을 통해 Softmax hypothesis 확률 분포 곡면을 관찰해 본다면 Softmax 에 대해 그동안 가져왔던 불투명했던 면을 일거에 깨우칠 수 있으리라 기대한다. 다음의 수치 예제를 통해서 Softmax를 완벽하게 이해하는 계기로 삼도록 하자. 다음의 수치 계산 결과는 AND

지금까지의 머신 러닝 분야 자료를 찾아보면 머신 러닝 이해에 도움을 줄만한 자료가 거의 없는 편이다. 워낙 이 분야 연구 인력이 없었던 탓인 듯하다. 머신 러닝의 수식이래 봤자 선형회귀법에 출발하므로 다음 3차원 그래프에서 볼 수 있겠지만 간단한 3차원 평면 정도이다. 좀 더 나아가 Sigmoid 함수나 Softmax 기법을 사용하게 되면 엑스포넨셜 형 함수에

라즈베리 파이 구매 후 스스로 마이크로 SD 카드에 OS를 설치해야 한다. 2017년에는 Jessie 버전이 많이 설치되었으나 2018년 9월 현재 사용하는 OS 는 desktop 용 stretch 버전이다. SD 카드 포맷과 OS 설치 안내는 인터넷에 널려 있으므로 생략하고 그 다음 단계로 넘어가서 흔하게 부딪치는 문제를 다루어 보기로 한다. Opencv

맨날 탁상공론같은 머신 러닝만 하기에는 지루한 면도 없지 않다. 비록 머신 러닝에 대해서 쥐뿔도 모르는 수준이라해도 한번 머신 러닝 실습에 도전해 보자. 하지만 그 과정이 만만치 않음을 예고한다. 한가위 추석이기에 지금 시작하면 모처럼 추석 분위기 망치기에는 이보다 더 좋은 주제가 없을 것이다. 따라서 예고만 하도록 하자. 요즈음 라즈베리 파이 보드 레벨은