常連

注目の的

社会貢献

質問力

pythonでオイラー角をクォータニオンで実装し、ベジェ曲線補完をしたいのですがいまいち実装方法がわかりません...

```ここに言語を入力
import numpy as np

firstFlame=0
afterFlame=5
firstEuler=np.array([20,0,0])    #0フレーム目における姿勢のアングル(オイラー角)
afterEuler=np.array([-19,30,0])  #5フレーム目における姿勢のアングル(オイラー角)
BezierPoint=np.array([[0,0],[20,20],[107,107],[127,127]])  #ベジェ曲線における直線補間
BezierPoint2=np.array([[0,0],[0,127],[127,0],[127,127]])   #ベジェ曲線における曲線補間
time = np.arange(0,1,0.01)

#0~5の間をクォータニオンでベジェ曲線補完し、最終的にオイラー角に変換したい。
#実行結果を以下のようにしたい。

#ベジェ曲線における直線補間の場合(BezierPoint)
#[0.2 0.4 0.6 0.8 1.0]#ベジェ曲線の補間係数の値
#******************************************
#[20, 0, 0]0フレーム目
#[12.3, 6.2, 1.7] 1フレーム目
#[4.4, 12.1, 2.5] 2フレーム目
#[-3.4, 17.9, 2.5] 3フレーム目
#[-11.3, 23.8, 1.7] 4フレーム目

#ベジェ曲線における曲線補間の場合(BezierPoint2)
#[0.0, 0.01747555, 0.11148985, 0.88851015, 0.98252445]ベジェ曲線の補間係数の値
#******************************************
#[20, 0, 0]0フレーム目
#[19.3, 0.6, 0.2] 1フレーム目
#[15.7, 3.5, 1.1] 2フレーム目
#[-14.7, 26.5, 1.1] 3フレーム目
#[-18.3, 29.4, 0.2] 4フレーム目

#現在の実装コードではオイラー角をそのままベジェ曲線補間しているため、以下のような出力結果となってしまう。
#ベジェ曲線における直線補間の場合(BezierPoint)
#[0.0, 0.01747555, 0.11148985, 0.88851015, 0.98252445]ベジェ曲線の補間係数の値
#******************************************
#[[ 20.    0.    0. ] 0フレーム目
# [ 12.2   6.    0. ] 1フレーム目
# [  4.4  12.    0. ] 2フレーム目
# [ -3.4  18.    0. ] 3フレーム目
# [-11.2  24.    0. ]] 4フレーム目

#ベジェ曲線における曲線補間の場合(BezierPoint2)
#[0.0, 0.01747555, 0.11148985, 0.88851015, 0.98252445]ベジェ曲線の補間係数の値
#******************************************
#[[ 20.           0.           0.        ] 0フレーム目
#[ 19.31845359   0.52426647   0.        ] 1フレーム目
#[ 15.65189583   3.34469552   0.        ] 2フレーム目
#[-14.65189583  26.65530448   0.        ] 3フレーム目
#[-18.31845359  29.47573353   0.        ]]4フレーム目


実装コードの全体像
#********************************************************************
import numpy as np
import bisect
import matplotlib.pyplot as plt


def bezier(N,cuttime,P,X):
        time = np.arange(0,1,cuttime)#ベジエ曲線におけるt
        firstEuler= np.array([20,0,0])#0フレーム目における姿勢のアングル(オイラー角)
        afterEuler = np.array([-19,30,0])#5フレーム目における姿勢のアングル(オイラー角)
        num = np.arange(N + 1)
        Y = np.outer(P,(np.array(time ** np.c_[num[::-1]]).T * np.array((1 - time) ** np.c_[num]).T * np.array([1,N,N,1])).T[::-1]).T#ベジエ曲線を計算
        D = np.reshape(Y,(len(time) * (N + 1),len(P),(N + 1),(N + 1),2))#ベジエ曲線を計算
        point = np.array([[sum([D.transpose(3,2,1,0,4)[i][j][k][len(time) * i:len(time) * i + len(time)] for i in range(N + 1)])for j in range(N + 1)]for k in range(len(P))])#求まったベジエ曲線の座標点を整理
        bezierCoeff = point.T#ベジェ曲線の(time=0,0.1,0.2...1.1)における(X,Y)座標(bezierCoeff[1]はY軸成分、bezierCoeff[0]はX軸成分)
        plt.scatter(bezierCoeff[0].T[0][0],bezierCoeff[1].T[0][0])#0フレーム目の[0,0,127,0,0,127,127,127]におけるベジエ曲線
        plt.show()
        coef = np.array((bezierCoeff[1][1:] - bezierCoeff[1][:-1]) / (bezierCoeff[0][1:] - bezierCoeff[0][:-1]))#ベジエ曲線の時間timeにおける変化量を計算
        intercept = np.array((bezierCoeff[1][:-1] - coef * bezierCoeff[0][:-1]))#直線の切片を計算
        res = np.apply_along_axis(lambda b: [np.digitize(X[i], b)for i in range(len(X))], 2, bezierCoeff[0].T) - 1
        res = np.array([res.transpose(0,2,1)[i][i]for i in range(res.shape[0] - 1)])
        res = np.array([[res[i][j][:-1]for j in range(res.shape[1])]for i in range(res.shape[0])])#切片と変化量のインデックス
        
        absEuler = afterEuler - firstEuler #姿勢のアングルの差
        bezierCoef=(X[0][:-1] * coef.T[0][0][res[0][0]] + intercept.T[0][0][res[0][0]]) / 127#0フレーム目の[0,0,127,0,0,127,127,127]におけるベジエ曲線の係数
        print(np.outer(bezierCoef,absEuler) + firstEuler)#オイラー角をそのままベジェ曲線補間しているのでz軸が反映されない...四元数を用いて上記のような結果にしたい。
        
        #return Z

def main():
    frame = np.array([0,5,8,13,15,17,18,24,28,30,0,15,30])#フレーム
    frame_abs = frame[1:] - frame[:-1]

    #(各フレームで対応付けられた4つのベジエ曲線の方向点を示す8つのパラメータ)
    point = np.array([[[0,0,127,0,0,127,127,127],[0,0,30,20,107,107,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127]],#0フレーム目
        [[0,0,0,20,107,107,127,127],[0,0,20,20,107,107,127,127],[0,0,127,20,107,107,127,127],[0,0,20,20,107,107,127,127]],#5フレーム目
        [[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127],[0,0,0,40,17,127,127,127],[0,0,20,20,107,107,127,127]],#8フレーム目
        [[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127]],#13フレーム目
        [[0,0,0,127,0,127,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127]],#15フレーム目
        [[0,0,0,127,0,127,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127]],#17フレーム目
        [[0,0,0,127,0,127,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127],[0,0,0,120,107,107,127,127]],#18フレーム目
        [[0,0,0,127,0,127,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,107,107,127,127],[0,0,0,120,107,107,127,127]],#24フレーム目
        [[0,0,0,127,0,127,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,127,107,127,127],[0,0,0,120,127,107,127,127]],#28フレーム目
        [[0,0,0,127,0,127,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,127,107,127,127],[0,0,0,120,127,107,127,127]],#30フレーム目
        [[0,0,0,127,0,127,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,127,107,127,127],[0,0,0,120,127,107,127,127]],#0フレーム目
        [[0,0,0,127,0,127,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,127,107,127,127],[0,0,0,120,127,107,127,127]],#15フレーム目
        [[0,0,0,127,0,127,127,127],[0,0,20,20,107,107,127,127],[0,0,20,20,127,107,127,127],[0,0,0,120,127,107,127,127]]])#30フレーム目
    point = np.array(np.split(point, 4, axis=2)).transpose(1,2,0,3)#ベジエ曲線の8つのパラメータをshape=(4,2)に分割
    X = 127 / frame_abs * np.array([np.arange(item + 1)for i,item in enumerate(frame_abs)])
    Y = bezier(3,0.01,point,X)


if __name__ == "__main__":
    main()

```

pythonでオイラー角をクォータニオンに変換し、ベジェ曲線補完をしたい

### 前提・実現したいこと

物体の落下運動をとらえられるような連写ソフトをRaspberry Piで実現したいです！

### 発生している問題
書き方は雑ですが、一応コード書いてみました。以下の通りです。
実行すればStartボタンとStopボタンが出て、スタートボタンを押せば　関数経由で写真撮影関数が作動し写真撮影を延々と繰り返します。stopボタンを押せば、写真撮影が停止します
注)picamera モジュールを普通のPCなどで読み込むとモジュールがないというエラーが出ます。Raspberry Piが無いと使用できないと思います(;'∀')
```
import picamera 
import time
import tkinter as tk
import threading

class Serialphoto(object):
    def __init__(self):
        self.frame=1
        self.stop_fg=False
        
        self.gui()    

    def gui(self):
        self.root=tk.Tk()
        Button001=tk.Button(self.root,text="Start",command=self.on_start)
        Button001.pack()
        Button002=tk.Button(self.root,text="End",command=self.on_stop)
        Button002.pack()
        self.root.mainloop()

    def on_start(self):
        threading.Thread(target=self.on_run).start()


    def on_stop(self):
        self.stop_fg=True

    def on_run(self):
        self.camera=picamera.PiCamera()
        self.camera.resolution = (1024, 768)
        self.camera.start_preview()
        time.sleep(2)
        frame=0
        self.stop_fg=False
        
        while self.stop_fg!=True:
            self.camera.capture('frame%03d.jpg' % frame)
            frame += 1

        self.camera.stop_preview()

app = Serialphoto()
```
実際に作動させると、体感的に写真1枚/0.2秒というぐらいのスピードで撮影しています。しかしこの撮影速度では物体の落下運動を写真に収められないのです！
一応while文で延々と処理を繰り返しているため、写真撮影および画像保存等の作業で時間がかかるからどうしようもないのかもしれない、、、でもどうにかして物体の落下運動を連写撮影でとらえられるほど撮影スピードは上げられないでしょうか？
while文の部分はこちらの質問への回答を参考に組んでみました
https://teratail.com/questions/147319

Raspberry Pi 連写プログラムの撮影速度を高めたい(Python3)

#単一の物体の認識をさせたいとき
例えば、自分自身の顔のみの顔認識をさせる場合には、
**自分自身の顔** 
と
**それ以外の顔すべて**
二分割して、学習にかければいいことはわかります。

ただ、例えば**猫**の認識をさせる場合に、
一方は**猫の画像**にすればいいですが、
もう一方はどのような画像にすればいいのでしょうか？

色々な、分類の機械学習を考えているときに、
いつも引っかかります。

#要約すると
単一の物体を機械学習の分類で、画像認識させたい場合に、
二分類させる場合に、一つはその単一の物体の画像にすればいいですが、
もう一つはどのような画像にすればいいか。

物体の認識をさせたいとき

初質問です。
タイトルどおり、画像や文章を機械学習させる際に、
画像や文章以外の特徴量も追加したい場合はどうすればよいのかを知りたいです。

例えば、画像の機械学習を行いたいとして、
ニューラルネットワークを用いて、100*100pxの写真を5000枚学習させるとします。
その結果、例えば、馬とか猫とか人とか機械に分類してくれる学習器ができました。

ところで、写真の画像データの他に、この写真には撮影場所や撮影時間いう特徴量（feature）があります。
そこで、この撮影場所、撮影時間という特徴量もデータに追加したいです。
その場合は、特徴量は10001番目、10002番目に追加するのでしょうか。

また、文章の機械学習を行いたいとして、
サイトの文章をベクトル化して、文章の雰囲気（女性向け、男性向け等）を分別するとします。
ベクトル化した結果、長さ2000のリストとなりました。文章は10000文あります。
文章は、10サイトから持ってきたため、どこのサイトの文章かを特徴量として追加したいです。
その場合は、特徴量は2001番目になるのでしょうか。

なんとなく、こうした場合、画像や文章そのものに対して、新しく追加した特徴量は軽視されるような気がしますが、
考え方としてこれであっているのでしょうか。
他に方法があるのか知りたいです。

よろしくお願いいたします。

#補足
10001番目と考えたのは、KojiDoiさんがおっしゃるように、「画像の機械学習の結果」を新しい特徴量として、試しに簡単な機械学習（ロジスティック回帰、SVM）を行ってみた場合、大幅に性能が低下した経験があるためです。（最初の質問にかけばよかったですね、すいません。）

この原因として、今回の例だと、
「画像の機械学習の結果」と、
「「撮影時間」、「撮影場所」等の特徴量（画像以外）からの学習結果」
であれば等価であり、これらの結果からアンサンブル学習を行えば良いのかなと思いましたが、
「画像の機械学習の結果」と「撮影時間」、「撮影場所」では、
重みが違いすぎてうまくいかないのかなと考えました。
もちろん、試しに追加した特徴量が悪かった可能性もありますが、
このケースの「撮影時間」や「撮影場所」のように意味はありそうな特徴量です。

なお、今回質問したいケースとしては、追加の特徴量（「撮影時間」「撮影時間」等）だけでは、
予測精度が出ないため、
「「撮影時間」、「撮影場所」等の特徴量（画像以外）からの学習結果」
は役に立たないけど、一つ一つの特徴量は有効だと考えられる場合です。

画像や文章の機械学習に、画像や文章以外の特徴量も追加したい場合

初歩的かもしれませんが、アドバイスいただきたいです。
```
data = [label, [[x1, y1, t1], [x2, y2, t2], [x3, y3, t3]......]]
```
上記のようなデータが大量にあり、data[0]はラベル(1~4の整数)、data[1][0]はx座標, data[1][1]はy座標, data[1][2]はその座標を通った時間を表しています。(len(data[1]) は 20~30程度です。)

このようなデータをsklearnのランダムフォレストを用いて学習させ、data[1]が与えられた際にdata[0]を予測するモデルを作成したいと考えております。

しかし、どのようにしてこれらの複数のデータを1セットそして学習させれば良いかわかりません。
どなたかアドバイスいただけないでしょうか？
よろしくお願いします。

時系列データの分類方法

画像A→A'
B→B'
C→C'、、、
→を関数、画像AからA'を作り出す関数だとします.
A'、B'、C'、、、からA,B,Cの画像を出したいのですがディープラーニングのどういう技術をどう使えばいいか、思いつく案を教えてください。