Хотелось бы отметить, что западные коллеги положительно настроены на работу с российскими компаниями, причем не только по продаже им своей продукции, но и по совместной разработке новых решений. Однако все они отмечают отсталость отечественного рынка приблизительно на 7-10 лет и подчеркивают начальную стадию его развития. Может быть, стоит оглянуться на зарубежный опыт, изучить подходы западных коллег, как к разработке инновационных решений, так и к их продвижению, что позволит быстрее и качественнее расширить области применения технологии радиочастотной идентификации в России.
В данном обзоре эксперты Positive Technologies собрали некоторые подробности о технологиях, которыми пользуются спецслужбы для осуществления мобильной слежки за гражданами.
Итак, перспективным направлением в сегменте жестких дисков является развитие «гелиевой» платформы, о которой мы уже рассказали, с ориентацией на новейшие технологии. Прогнозируется также, что в последующие годы обычная перпендикулярная магнитная запись будет заменена сначала на «черепичную» – SMR (Shingled Magnetic Recording), а затем на технологию с прогревом участка для записи – HAMR (Heat-Assisted Magnetic Recording), но не все тут так просто.
С приходом в Россию более 10 лет назад западных торговых сетей на отечественном рынке появился новый продукт обеспечения системы безопасности – рельсовая система видеонаблюдения. Зарекомендовав себя в ритейле, данная система с широким спектром возможностей, двигается к освоению новых отраслей применения. В этом обзоре мы рассмотрим подробнее технологические особенности, недостатки и преимущества и потенциальные сферы использования.
1
Сегодня можно смело утверждать: IP-технологии правят миром. Шутка про чайник с выходом в интернет уже и не шутка даже вроде, а вполне себе реальность. А ведь не так уж и давно все начиналось.
Итак, мы познакомились с алгоритмами компьютерного трехмерного зрения, основными направлениями и методами в этой области. Давайте вернемся к исходному вопросу, с которого начиналась статья: удалось ли человеку создать систему, которая лучше, точнее и правильнее оценивает реальность по стереоизображениям и, главное, может быстрее и правильнее принять требуемое решение? Достижения компьютерного зрения на сегодняшний день огромны. Достигнутая точность вычисления трехмерной сцены роботом может быть сопоставима и даже выше, чем у человека. Приведем несколько примеров.
Ранее мы рассмотрели алгоритмы реконструкции трехмерной сцены с помощью камер стереозрения. Для этого мы не использовали никаких дополнительных знаний относительно природы самих 3D-объектов. Однако мир устроен так, что часто об объекте реконструкции можно установить дополнительную информацию. Эта информация открывает новые возможности для восстановления формы объекта. Первой группой алгоритмов, о которой мы поговорим в этом разделе, будут алгоритмы, использующие статистические знания о природе объектов.
Трёхмерное зрение – это восстановление в трёхмерном пространстве координат всех точек сцены наблюдения по группе 2D-снимков. 2D-снимок – это цифровое изображение, которое является перспективной проекцией трёхмерной области пространства (сцены наблюдения) на плоскость видеосенсора. Группа снимков, как правило, является стереопарой, т.е. синхронизованной во времени парой снимков. При этом параметры перспективной проекции для каждого из снимков считаются известными. Рассмотрим алгоритм вычисления координат трехмерной точки по координатам ее проекции на две или более камер…
Бытует наивная точка зрения, что информация на масштабах, меньших, чем размер пиксела, теряется. Однако в действительности можно измерить с заранее вычисленной погрешностью геометрические величины с точностью, превышающей размер пиксела. Точность субпиксельного измерения зависит от множества факторов, таких как функция рассеяния точки, модель и уровень шума, спектр пространственных частот изображения. Часто употребляется правило, что максимально достижимая точность составляет 0.1 пиксела. Но можно достигнуть и более точных измерений, например, была продемонстрирована точность 0,02 пиксела в измерении местоположении полосы.
Существуют различные алгоритмы нахождения сопряженных точек на стереопарах. Одним из наиболее эффективных считается алгоритм SIFT (Scale Invariant Feature Transform) – алгоритм поиска характерных точек на двух или более изображениях, инвариантный к масштабу изображений и изменениям яркости. SIFT также достаточно устойчив к изменениям ракурса изображения.
|
|
