勿在浮砂筑高台

转载注明出处：勿在浮沙筑高台http://blog.csdn.net/luoshixian099/article/details/52102841本人笔试的计算机视觉方向，编程题和其他研发岗位类似。 欢迎小伙伴们一起讨论出正确答案。共20个选择题，3个编程题，1个简答题一.选择题1.Linux中，提供TCP/IP包过滤功能的软件叫什么？ A.iptables   \ \ \ B.route

文章翻译自：《BRISK: Binary Robust Invariant Scalable Keypoints》Stefan Leutenegger, Margarita Chli etl.BRISK 摘要：从一幅图片中高效地寻找关键点始终是一个深入研究的话题，以此形成了众多的计算机视觉应用的基础。正在这个领域中，先驱算法SIFT和SURF在各种图形转换中表现出了巨大的性能，特别是SURF在日益更新的高性能方法中被认为是计算最有效的方法。本文提出的BRISK算法是用于关键点检测，描述和匹配的一种新方法。

随机抽样一致性（RANSAC）算法，可以在一组包含“外点”的数据集中，采用不断迭代的方法，寻找最优参数模型，不符合最优模型的点，被定义为“外点”。在图像配准以及拼接上得到广泛的应用，本文将对RANSAC算法在OpenCV中角点误匹配对的检测中进行解析。OpenCV中使用RANSAC算法寻找一个最佳单应性矩阵，矩阵大小为3×3。RANSAC目的是找到最优的参数矩阵使得满足该矩阵的数据点个数最多，通常令h33=1来归一化矩阵。由于单应性矩阵有8个未知参数，至少需要8个线性方程求解，对应到点位置信息上，一组点对

相关： SIFT原理与源码解析 SURF原理与源码解析 ORB原理与源码解析 FAST原理与源码解析 BRIEF描述子原理与源码解析 Harris原理与源码解析转载请注明出处：http://blog.csdn.net/luoshixian099/article/details/49174869PCA-SIFT是对传统SIFT算法的改进，由Yan Ke等人

为了满足实时性的要求，前面文章中介绍过快速提取特征点算法Fast,以及特征描述子Brief。本篇文章介绍的ORB算法结合了Fast和Brief的速度优势，并做了改进，且ORB是免费。   Ethan Rublee等人2011年在《ORB：An Efficient Alternative to SIFT or SURF》文章中提出了ORB算法。结合Fast与Brief算法，并给Fast特征点

传统的特征点描述子如SIFT,SURF描述子，每个特征点采用128维(SIFT)或者64维(SURF)向量去描述，每个维度上占用4字节，SIFT需要128×4=512字节内存，SURF则需要256字节。如果对于内存资源有限的情况下，这种描述子方法显然不适应。同时，在形成描述子的过程中，也比较耗时。后来有人提出采用PCA降维的方法，但没有解决计算描述子耗时的问题。   鉴于上述的缺点Michae

在实时的视频流处理中，需要对每一帧特征提取，对算法处理速度上有很高的要求，传统的SIFT,Harris等特征点提取很难满足。由此提出Fast（Features from Accelerated Segment Test），由于不涉及尺度，梯度，等复杂运算，Fast检测器速度非常快。它使用一定邻域内像元的灰度值与中心点比较大小去判断是否为一个角点。但它的缺点是不具有方向性,尺度不变性。转载请

本文采用的是opencv2.4.3中的源码。转载请注明出处：http://blog.csdn.net/luoshixian099/article/details/48244255Harris角点检测   人眼对角点的识别通常是通过一个局部的小窗口内完成的，如果在各个方向上移动这个小窗口，窗口内的灰度发生了较大的变化，那么说明窗口内存在角点。  如果在各个方向移动，灰度几乎不变，说明

上一篇已经详细分析了SURF的原理，本篇分析opencv中的SURF源码。使用的源码是opencv2.4.3版本，SURF源码位于.../nonfree/surf.cpp中,SURF类的声明位于features2d.hpp中。注意：如果调用了比较简单的函数，我会把函数的实现直接贴在下面。首先看features2d.hpp中SURF类的声明：/*! SURF implem

SURF (Speed Up Robust Features)是SIFT改进版也是加速版，提高了检测特征点的速度，综合性能要优于SIFT。下面先逐次介绍SURF的原理，最后解析opencv上SURF源码。转载请注明出处：http://blog.csdn.net/luoshixian099/article/details/477781431.积分图像SURF是对积分图像进行操作，从而

继上一篇中已经介绍了SIFT原理与C源码剖析，最后得到了一系列特征点，每个特征点对应一个128维向量。假如现在有两副图片都已经提取到特征点，现在要做的就是匹配上相似的特征点。相似性查询有两种基本方式：1.范围查询：即给点查询点和查询阈值，从数据集中找出所有与查询点距离小于阈值的点。                          2.K近邻查询：给点查询点及正整数K,从数据集中找到与查询

本文重点将以Rob Hess等人用C实现的代码做解析，结合代码SIFT原理会更容易理解。一些难理解点的用了☆标注。 SIFT（Scale-invariant feature transform）即尺度不变特征转换，提取的局部特征点具有尺度不变性，且对于旋转，亮度，噪声等有很高的稳定性。本文将以下函数为参照顺序介绍SIFT特征点提取与描述方法。 1.图像预处理 2.构建高斯金字塔（不同尺度下的图像） 3.生成DOG尺度空间 4.关键点搜索与定位 5.计算特征点对应原图的位置 6.为特征点分配方向角