为什么要追寻更快的高斯平滑速度？（比IIR高斯递归法还快，一）

显然，在机器视觉中，只有一个目的，为了更高速的目标匹配（识别）。

当你有了更高速的目标匹配（识别），回过头来，突然发现，ocr识别，条码识别，都可以用这个方法搞定，试了一下人脸识别，也可以。

提到中国的工业软件，有一个叫机器视觉的，十年前，我们用的基本都是国外的，ni vision，evision，visionpro，halcon，包括民用的视觉软件opencv，也都是外国的，虽然十年后，有所好转，主要还是ai的兴起，倒逼的结果。

其实，机器视觉是ai的基石，这已经是公认的，因为工业环境的机器视觉，天天都在用，天天都在进步，天天都在推进视觉的发展。

机器视觉的核心，硬件方面，国产也在迎头赶上，软件方面，无外乎就几大部分：

1，相机的sdk

2，标定

3，找斑

4，目标匹配

5，抓线，抓圆，坐标系跟随等

这里边尤为困难的是第四。

第一，硬件厂商可以搞定，第二，资料很多，机器视觉的标定比opencv的标定简单的多

3和5，图形学基础里有。

快速高斯平滑和目标匹配（识别）有什么关系？

可以参考sift，虽然机器视觉不会用sift，但可以借鉴里边的精华，就是高斯金字塔。

机器视觉的特点：高速，稳定，准确，因为是工业用，所以sift肯定不会用，包括许多很好的ai算法，因为效率和速度的问题，想都不用想，但我们可以借鉴。

因为现在没有公开的目标匹配识别算法，所以我也是荒野中一路趟过来的，用张益唐的话说，我们学习现成的东西，你只需顺着路即可，而很多问题，都还在荒野中，当你离开学校，就要学会在荒野中找到路。

为什么要用高斯金字塔，因为可以在低分辨率下工作，这是高速识别匹配目标的核心思想。

低分辨率，又要保持图像原本的特征不丢失，唯一的方法就是高斯平滑。

曾经有很久都未区分两个概念，认为金字塔就是高斯金字塔，差别真的很大。大到什么程度？

放弃过这条路，后来又返回，为什么？放弃，徘徊，重新选择

canny也是这么趟过来的，3次放弃，徘徊，又重新选择，为什么？没有别的路可以走，而且你一步一步的发现正确不在你的那一边。

我最初的canny版本，还是c++的，要跑好几秒，第一印象，我就否定了，虽然canny在我心目中有很高的地位，但这样的效率如何在机器视觉中用，就像否定sift一样，以后留在ai中用吧！

想起初高中时学习伟人们国家实现四个现代化的理想，就包括工业现代化，那时候真不知道什么是工业现代化，农业现代化都没见过，但，现在慢慢都实现了，这些人真的是为了国家民族！

后来，我们用上了电脑，奔腾2，奔腾3，奔腾4，忽然发现，我们都奔五了，受惠的是我们这些老百姓，我们真的什么都留不下，算了，还是写点博客吧！

向伟人致敬！站在巨人肩上

下面这个比IIR高斯递归法快一倍的方法，网上可以百度的到，在我的基于形状的匹配中有使用，我使用的c#，所以翻译成了c#。（再做一回君子，君子性非异也，善假于物也）