Feature Detector

Dieser Funktionsblock lokalisiert und identifiziert Objekte in einem Eingangsbild basierend auf Merkmalen, die aus einem Trainingsbild extrahiert wurden. Er nutzt verschiedene Erkennungsmethoden, um robuste Identifikationsfähigkeiten zu bieten.

📥 Eingänge

Train Image Ein Bild, das das Objekt oder Merkmal enthält, das Sie im Eingangsbild erkennen möchten.

Input Image From Camera Das Echtzeitbild, das analysiert wird, um die Merkmale basierend auf dem Trainingsbild zu erkennen.

📤 Ausgänge

Detected Image Das Ausgabebild, das die erkannten Merkmale oder Objekte hervorhebt.

Detect Status Ein boolescher Ausgang, der angibt, ob die Erkennung erfolgreich war oder nicht.

Center Der Mittelpunkt des erkannten Objekts, dargestellt durch seine Koordinaten.

🕹️ Steuerungen

Homography Type Ein Dropdown-Menü zur Auswahl des Typs der Homographiemethode, die für das Matching verwendet werden soll (z. B. RANSAC, LMEDS, RHO).

Compute Type Ein Dropdown-Menü zur Auswahl des Berechnungstyps für das Merkmals-Matching (z. B. STABLE, PERFORMANCE).

Number of Features Ein Schieberegler zum Festlegen der Anzahl der Merkmale, die im Matching-Prozess berücksichtigt werden sollen.

Distance Threshold Ein Schieberegler zur Definition des Abstandsschwellenwerts für das Matching von Merkmalen, der beeinflusst, wie streng Übereinstimmungen bestimmt werden.

K nearest Ein Schieberegler zur Festlegung der Anzahl der nächsten Nachbarn, die während der Erkennung ausgewertet werden sollen.

Pyramid Decimation Ratio Ein Schieberegler zur Anpassung des Verhältnisses der Pyramidendekimation für das Multi-Skala-Merkmalsmatching.

Number of Pyramid Levels Ein Schieberegler zur Festlegung, wie viele Pyramideneinstellungen während der Erkennung verwendet werden sollen.

Point Comparison Type Ein Schieberegler zur Definition der Vergleichsmethode, die beim Auswerten der Merkmale verwendet werden soll.

🎨 Funktionen

Multiple Detection Algorithms Ermöglicht die Auswahl zwischen verschiedenen Homographietypen und Berechnungsmethoden und bietet Flexibilität basierend auf den Bedürfnissen des Benutzers.

Real-time Detection Analysiert Eingangsbilder in Echtzeit, was es für dynamische Umgebungen wie Überwachung oder Objektverfolgung geeignet macht.

Visual Feedback Bietet ein Ausgabebild, das die erkannten Objekte visuell hervorhebt und die Ergebnisse leicht interpretierbar macht.

📝 Nutzungshinweise

1. Eingangsbild verbinden: Verbinden Sie das Trainingsbild mit dem Eingang Train Image und das Live-Bild (von einer Kamera oder Datei) mit dem Eingang Input Image From Camera.

2. Erkennungsparameter auswählen: Passen Sie die Schieberegler und Dropdowns an, um die Erkennungsstrategie nach Wunsch zu konfigurieren. Dazu gehört die Auswahl des Homography Type, Compute Type und das Anpassen der Schieberegler für die Merkmalsdetektionseinstellungen.

3. Block ausführen: Führen Sie den Block aus, um die Merkmalsdetektion durchzuführen.

4. Ergebnisse abrufen: Überprüfen Sie das Detected Image auf hervorgehobene erkannte Merkmale, den Detect Status zur Bestätigung des Erfolgs und den Center-Ausgang für die Koordinaten des Mittelpunkts des erkannten Objekts.

📊 Bewertung

Wenn er ausgeführt wird, analysiert dieser Funktionsblock das Eingangsbild auf Merkmale, die mit denen im Trainingsbild übereinstimmen, und gibt ein modifiziertes Bild, den Erkennungsstatus und den Mittelpunkt des erkannten Merkmals aus.

💡 Tipps und Tricks

Hochwertiges Trainingsbild verwenden

Stellen Sie sicher, dass das Trainingsbild klar und gut beleuchtet ist, um die Erkennungsgenauigkeit zu erhöhen.

Parameter abstimmen

Experimentieren Sie mit den Schiebereglern, um die optimale Konfiguration für Ihre spezifischen Bilder und Objekte zu finden. Das Anpassen des Distance Threshold kann die Erkennungsleistung erheblich beeinflussen.

Erkennungsstatus überwachen

Achten Sie darauf, den Ausgang Detect Status zu überwachen; wenn die Erkennung fehlschlägt, experimentieren Sie mit Ihren Merkmaleinstellungen und überprüfen Sie die Qualität des Trainingsbilds.

Tests mit verschiedenen Eingabebildern

Testen Sie Ihre Konfiguration mit verschiedenen Eingabebildern, um die Robustheit zu validieren. Dies hilft sicherzustellen, dass Ihre Erkennungseinrichtung gut auf unterschiedliche Szenarien generalisiert.

🛠️ Fehlersuche

Keine Erkennung erfolgt

Wenn keine Merkmale erkannt werden, überprüfen Sie die Qualität Ihres Trainingsbilds und prüfen Sie, ob die Parameter, insbesondere der Distance Threshold, zu streng sind.

Erwägen Sie, die Number of Features anzupassen, um flexiblere Übereinstimmungen zuzulassen.

Leistungsprobleme bei der Erkennung

Wenn die Leistung langsam oder inkonsistent ist, versuchen Sie, die Anzahl der Merkmale zu reduzieren oder den Compute Type anzupassen, um ein Gleichgewicht zwischen Genauigkeit und Verarbeitungsgeschwindigkeit zu finden.