Publikace detail

CHESSBOARD SQUARE OCCUPANCY ANALYSIS THROUGH K-MEANS CLUSTERING BASED VISUAL MARKER DETECTION

Autoři: Jetenský Pavel

Rok: 2013

Druh publikace: článek ve sborníku

Název zdroje: Conference Proceedings The 13th Conference of Postgraduate Students and Young Scientists in Informatics, Management, Economics and Administration IMEA 2013

Název nakladatele: Univerzita Pardubice

Místo vydání: Pardubice

Strana od-do: 73-77

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Detekce obsazenosti šachového pole visuální detekcí markeru pomocí k-means clustering	V roce 2012 byla vyvinuta šachovnice pro nevidomé, která nevyžadovala využití myši ani klávesnice. Pomocí Kinect hloubkoví kamery detekuje přítomnost šachových figurek . Nicméně, Kinect se neukázal být vhodným zařízením pro požadovaný úkol . Občas a nepředvídatelně, naměřená hloubka prostředí přicházející ze zařízení obsahovala velké oblasti šumu, který vykazované nulovou vzdálenost od senzoru. To zabránilo správné detekci obsazenosti šachových polí a bylo zřejmé, že je potřeba vyvinout nový algoritmus , který by byl stabilní a robustní. Prezentace představuje takový algoritmus. Nevyužívá již hloubkový senzor, ale USB webovou kameru, která snímá šachovnici. Barevné markery jsou přilepeny na každém políčku a zlepšují detekci. Příspěvek srovnává k-means clustering algoritmus s jinými přístupy, které také detekují viditelnost markerů: Matematickým vzorcem pracujícím se HSV statistikami obrazu a neuronovou sítí, natrénovanouch pomocí HSV statistik. Přístup využívající neuronovou síť sice správně detekoval všech 19 zkušebních snímků , ale bohužel selhával v reálném herním experimentu . K -means clustering algoritmus se ukázal být druhým nejlepším, detekoval správně 16 z 19 zkušebních snímků. I tak byl vybrán jako nejlepší algoritmus kvůli své robustnost. V experimentu 3 šachových partií , všech15552 šachových polí bylo tímto vítězným algoritmem detekováno správně.	k-means, počítačové vidění, zrakově postižení, OpenCV, šachy, detekce markeru
eng	CHESSBOARD SQUARE OCCUPANCY ANALYSIS THROUGH K-MEANS CLUSTERING BASED VISUAL MARKER DETECTION	In 2012, Accessible chessboard for blind that is mouse and keyboard free was developed, using Kinect depth camera to detect presence of chess pieces. However, Kinect failed to be the right device for the task. Occasionally and unpredictably, depth data coming from the device contained large blobs of noise that reported zero distance from the Kinect. This prevented proper detection of square occupancy, requiring new algorithm that would be stable and robust. This paper presents such a new algorithm. It no longer users depth sensor, but USB web camera, and analyses captured image of the board. Colorful circular markers are stick to every square to help detection. Paper compares k-means clustering algorithm to other approaches that detect markers' visibility: Mathematical formulae for HSV statistics and neural network trained on the HSV statistics. Neural network based approach properly detected 19 out of 19 test images, but due to over fitting was failing in real game experiment. K-means clustering algorithm showed second-best results, detecting properly 16 out of 19 test images. Nevertheless it was chosen as the best algorithm due to its robustness. In an experiment of 3 chess games, all 15552 squares were detected properly by this winning algorithm.	k-means clustering, computer vision, visually impaired, OpenCV, chess, marker detection.

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte