never give up的博客

使用金字塔Lucas-Kanade稀疏光流算法来实现图像特征点的跟踪。实验中用到几个关键函数GoodFeaturesToTrack，cvFindCornerSubPix和void cvCalcOpticalFlowPyrLK。该实验很好地实现了目标点的跟踪，对以后目标跟踪，人脸识别，车辆检测具有重要意义。

本文将介绍创建自动车牌识别（Automatic Number Plate Recognition, ANPR）所需的步骤。对于不同的情形，实现自动车牌识别会用不同的方法和技术，例如，IR摄像机、固定汽车位置、光照条件等。本文着手构造一个用来检测汽车车牌ANPR的应用，该应用处理的图像使从汽车2-3米处拍摄的，拍摄环境的光线昏暗模糊，并且与地面不平行、车牌在图像中有轻微的扭曲。

常用的图像特征有：颜色特征、纹理特征、形状特征、空间关系特征。

计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量

对于搞图像处理的人而言，不懂变分法，基本上，就没法读懂图像处理的一些经典文献。当然，这已经是10年之前的事情了。        现在，如果不懂得Bregman迭代算法，也就没法读懂最近几年以来发表的图像处理的前沿论文了。国内的参考文献，基本上都是直接引用Bregman迭代算法本身，而对于其原理基本上找不到较为详细的论述。本文简要叙述当前流行的Bregman迭代算法的一些原理。

Forstner算子是摄影测量中的著名点定位算子，其特点是速度快、精度较高。Moravec 在1981年提出Moravec角点检测算子，并将它应用于立体匹配。

本文是转载，出自：http://blog.csdn.net/kezunhai         1977年，Moravec提出了兴趣点（Points ofInterests)的概念，并应用于解决Stanford Cart的导航问题。1981年， Moravec在International Joint Conference on ArtificialIntelligence发表了篇题为：Obsta

在介绍方法之前，我们先提出如下概念：图像区域像素的相似度。我们知道， Harris角点检测是基于图像像素灰度值变化梯度的， 灰度值图像的角点附近，是其像素灰度值变化非常大的区域，其梯度也非常大。换句话说，在非角点位置邻域里，各点的像素值变化不大，甚至几乎相等，其梯度相对也比较小。从这个角度着眼，于是提出了图像区域像素的相似度的概念，它是指检测窗口中心点灰度值与其周围n 邻域内其他像素点灰度值的相似程度，这种相似程度是用其灰度值之差来描述的。

双目立体视觉简单介绍

我们检测出输入图像的轮廓，然后逐个绘制每个轮廓。从这个例子中，我们可以了解到轮廓测量的方法（如代码中是CV_RETR_LIST）以及max_depth(代码中是0)等参数的细节。如果设置的max_depth是一个比较大的值，你会发现cvFindContours返回的轮廓是通过h_next连接被遍历。对于其他一些拓扑结构（CV_RETR_TREE,CV_RETR_CCOMP等），你会发现有些轮廓被画过不止一次。

卡尔曼滤波

卡尔曼滤波

高精度标定和效验三维相位轮廓测量系统

摄像机标定

基于离散图模型的人工视觉简介

模式识别算法-支持向量机SVM 3，接2

模式识别算法-支持向量机SVM 2

目前的角点检测算法可归纳为3类：基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。角点是图像很重要的特征，对图像图形的理解和分析有很重要的作用。对灰度图像、二值图像、边缘轮廓曲线的角点检测算法进行综述，分析了相关的算法，并对各种检测算法给出了评价。角点检测算法可归纳为3类：基于灰度图像的角点检测、基于二值图像的角点检测、基于 轮廓 曲线的角点检测。基于灰度图像的角点检测又

经典图像边缘检测(综合法思想)——Canny算子John Canny于1986年提出Canny算子，它与Marr（LoG）边缘检测方法类似，也属于是先平滑后求导数的方法。John Canny研究了最优边缘检测方法所需的特性，给出了评价边缘检测性能优劣的三个指标：1，好的信噪比，即将非边缘点判定为边缘点的概率要低，将边缘点判为非边缘点的概率要低；2，高的定位性能，即检测出的边缘点

我们可以用函数cvCalcBackProject计算一个像素是否是一个已知目标的一部分，也可以用函数cvCalcBackProjectPatch计算一块区域是否包含已知的目标。函数cvCalcBackProjectPatch在整个输入图像使用一个滑动窗口。在输入图像矩阵的每一个位置，块中所有的像素点都被设置为在目标图像中对应的块中心位置的像素点。这一点非常重要，因为图像的许多特性（如纹理）在单一的像素级别上无法确定，但可以从一组像素确定。cvCalcBackProjectPatch有两种用法：但采样窗口小于

直方图广泛应用于很多计算机视觉应用中。通过标记帧与帧之间显著的边缘和颜色的统计变化，直方图被用来检测视频中场景的变换。通过为每个兴趣点设置一个有相近特征的直方图所构成的“标签”，用以确定图像中的兴趣点。边缘、色彩、角等直方图构成了可以被传递给目标识别分类器的一个通用特征类型。色彩和边缘的直方图序列还可以用来识别网络视频是否被复制等。直方图是计算机视觉中最经典的工具之一。

500x500画布上由1000个点组成的序列在距离小于5时的划分。可以用聚类序列拆分cvSeqPartition来进行处理。比较函数为2个点之间的欧几里得，当2个点之间的距离小于等于100时返回1，否则返回0。聚类结果一参数labels中的值作为名字标出来。

机器学习(Machine Learning)&深度学习(Deep Learning)资料原文链接：https://github.com/ty4z2008/Qix/blob/master/dl.md希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．《Brief History of Machi

我始终认为，对一个初学者来说，IT界的技术风潮是不可追赶。我时常看见自己的DDMM们把课本扔了，去买些价格不菲的诸如C#, VB.Net 这样的大部头，这让我感到非常痛心。而许多搞不清指针是咋回事的BBS站友眉飞色舞的讨论C#里面可以不用指针等等则让我觉得好笑。C#就象当年的ASP 一样，“忽如一夜春风来，千树万树梨花开”，结果许多学校的信息学院成了“Web 学院”。96, 97级的不少大学生都去

首先推荐一本书：《OpenCV 2 Computer Vision Application Programming Cookbook》网上可以下载到这本书的英文版，貌似没有翻译的。这本书的特点是里面的程序不是那种为了演示函数功能而写的面向过程的小程序，而是用面向对象的思路写的大程序，不过他是一步一步教你写出来的，也不要有太大压力。任何图像处理算法，都是从操作每个像素开始的。即使你不会使用O

上面列举了5种关于图像像素操作的方法，包括有单个像素时候的操作、整行整列数据的操作、整幅图像像素的操作和多通道像素的操作等等。每种方法都举出了例子，并且分析了它们的好处和不好之处。

cvRunningAvg函数，作用：用来更新移动平均。又被称为跟踪器，在目标跟踪中具有重要意义。函数形式：void cvRunningAvg(const CvArr * image, CvArr* acc, double alpha, const CvArr* mask=NULL)NULL)参数说明：image:输入图像，1或3通道，8比特或32比特的float

模板匹配是通过在输入图像上滑动模板图像块对实际的图像块和输入图像进行匹配，应用场景：比如要在一堆图像中寻找指定人脸，就可以利用此算法在图像中找到此人脸的最佳匹配，确定相似度。并且可以利用函数cvMinMaxLoc()找到最佳匹配的位置。对于特定的应用来说，如视频中应用自动部分检测或跟踪（视频中的车牌识别），可以试试所有这些方法，找到最合适的method，这里要考虑算法的性能。

分水岭的计算过程是一个迭代标注过程。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。

这个程序运用了很多边缘检测算法，包括bilateralFilter、Laplacian、bitwise_and和GaussianBlur。各种算法在图像滤波分析中有各自的特点。这个实验对人物漫画写作有重要意义。

Deep Learning论文笔记之（一）K-means特征学习 转载出处：点击打开链接      本文的论文来自：Learning Feature Representations with K-means, Adam Coates and Andrew Y. Ng. In Neural Networks: Tricks of the Trade, Reloaded,

这段程序可以大致测试出视频处理算法的时间消耗。主要过程是使用以上两个主要函数得到每帧之间的时间，再用putText把FPS的数值显示到屏幕上。

主要是关于pca算法的说明，和把pca算法应用到人脸识别上来的过程

欧拉角：用来确定定点转动刚体位置的3个一组独立角参量，由章动角θ、旋进角（即进动角）ψ和自转角j组成，为欧拉首先提出而得名。