간단한 이미지 분류 프로젝트를 진행해보자. 이번 글에서는 OpenCV로 이미지를 처리하고, Keras로 모델을 학습시켜 심슨 가족의 Homer와 Bart 이미지를 구분하는 신경망을 만들어 보겠다.1. 이미지 데이터 전처리먼저, 이미지를 읽고 학습할 수 있는 벡터 형태로 변환하는 전처리 과정을 거친다. 디렉토리에서 파일을 불러와 벡터로 변환하고, 각 벡터에 해당하는 클래스 레이블을 설정한다.import cv2import numpy as npimport osimport kerasfrom sklearn.preprocessing import MinMaxScalerfrom sklearn.model_selection import train_test_split################################..

인공신경망(ANN, Artificial Neural Network)은 뉴런이 연결된 형태를 모방한 형태를 뜻한다. 뉴런이 연결된 모습을 보면,뉴런은 시냅스를 거쳐서 수상돌기(dendrite)로 받아들인 외부의 전달물질을 세포체에 저장하다가, 자신의 용량을 넘어서면 축색돌기(axon)를 통해 외부로 전달물질을 내보내는 구조를 가지고 있다.  ANN은 생물학적인 뉴런을 수학적으로 모델링한 것이다. 즉, 생물학적인 뉴런이 위의 그림과 같이 다른 여러개의 뉴런으로부터 입력값을 받아서 세포체(cell body)에 저장하다가 자신의 용량을 넘어서면 외부로 출력값을 내보내는 것처럼, ANN은 여러 입력값을 받아 여기에 가중치(weight)를 곱해 저장하고, 활성화 함수를 통해 활성화시켜 출력값을 내보내는 형태를 가지..

import cv2 # OpenCV 라이브러리 임포트# 트래커 객체(KCF, CSRT) 생성tracker = cv2.TrackerKCF.create()#tracker = cv2.TrackerCSRT.create()# 비디오 파일 열기video = cv2.VideoCapture(r"D:\Project\COMPUTER_VISION\PYTHON\Computer Vision Masterclass\Videos\race.mp4")# 첫 번째 프레임 읽기ok, frame = video.read()# ROI (Region of Interest) 설정: 사용자가 추적할 객체를 선택bbox = cv2.selectROI(frame)# 트래커 초기화 (선택한 객체를 기반으로 KCF 트래커 시작)ok = tracker.ini..

객체 추적(Object Tracking)은 컴퓨터 비전에서 특정 객체의 움직임을 따라가며 위치 변화를 추적하는 기술이다. 앞에서 배웠던 객체 인식(Object Recognition)과 차이점을 살펴보자.1. 객체 인식 (Object Recognition)이미지나 비디오에서 특정 객체를 탐지하고, 해당 객체의 종류(예: 사람, 동물, 차량 등)를 식별하며 분류하는 과정이미지에서 특징(feature)을 추출하고, 이를 기존 데이터와 비교하여 객체를 식별한다.주로 딥러닝 기반 모델(예: CNN)을 사용한다.프레임 간 연속성을 고려하지 않으며, 각 프레임은 독립적으로 처리된다. 2. 객체 추적 (Object Tracking) 비디오에서 연속된 프레임을 기반으로 특정 객체의 움직임을 따라가며 위치 변화를 추적하는..

import dlib # dlib 라이브러리를 가져옴 (얼굴 검출 및 랜드마크 탐지용)import cv2 # OpenCV 라이브러리를 가져옴 (이미지 처리용)# dlib의 HOG 기반 얼굴 검출기 로드face_detector = dlib.get_frontal_face_detector()# 이미지 파일을 읽어옴image = cv2.imread(r"D:\Project\COMPUTER_VISION\PYTHON\Computer Vision Masterclass\Images\people2.jpg")face_detection = face_detector(image, 1)# dlib의 68개 얼굴 포인트 모델을 로드points_detector = dlib.shape_predictor( r"D:\Project..