计算机视觉
文章平均质量分 79
susandebug
keep moving
展开
-
Occlusion Geodesics for Online Multi-Object Tracking编译过程
转自:http://blog.csdn.net/minstyrain/article/details/33796753百度想钱相疯了,这种技术报告都传不到文库...CVPR2014http://www.cvpapers.com/cvpr2014.html上的处理遮挡的,应该是最新的进展。OcclusionGeodesics for Online Multi-Object Track转载 2015-07-07 17:45:45 · 768 阅读 · 0 评论 -
计算机视觉基础5——本质矩阵与基本矩阵(Essential and Fundamental Matrices)
回顾本质矩阵的定义 本质矩阵的基本性质:结合成像的几何关系 Longuet-Higgins equation注意大小写的区别哦,大小表示物点矢量,小与表示像点矢量。像平面上的一点可以看作:• (u,v) 2D film point(局限于像平面上来考虑)• (u,v,f) 3D point o转载 2016-11-18 09:09:18 · 3310 阅读 · 0 评论 -
计算机视觉基础4——对极几何(Epipolar Geometry)
先思考一个问题:用两个相机在不同的位置拍摄同一物体,如果两张照片中的景物有重叠的部分,我们有理由相信,这两张照片之间存在一定的对应关系,本节的任务就是如何描述它们之间的对应关系,描述工具是对极几何 ,它是研究立体视觉的重要数学方法。 要寻找两幅图像之间的对应关系,最直接的方法就是逐点匹配,如果加以一定的约束条件对极约束(epipolar constraint),搜索的范围可以大大减小。转载 2016-11-18 09:08:16 · 1159 阅读 · 0 评论 -
共面点成像——planar homography
在前面已经讨论了三维物体成像过程,相比之下,还有一种稍简单的情况——平面成像,即所有的物点都处在同一个平面上,我们有理由相信,这种情况下的成像关系是一般立体成像的一种特例。先回顾一下一般的单体成像过程 对于共面的物点,在恰当的世界坐标系中,可以令其中一个坐标值为0,不妨设第三维坐标为0,图示如下:由于物点的第三维坐标为0,整个转载 2016-11-18 09:06:38 · 825 阅读 · 0 评论 -
计算机视觉基础3——内部参数描述
在上一节中,我们用矩阵描述了外部参数,即物体的坐标到相机坐标的变换。同时还分析了透视投影,即成像的过程,整个过程就是从(U,V,W)->(X,Y,X)->(x,y)。这一节主要讨论如何从像平面(x,y)变换到数字图像(u,v),即从像平面(Film Coords)到像素(Pixel Coords)。对一幅数字图像,我们可以改变它的宽高比,即作尺度变换。转载 2016-11-18 09:05:22 · 738 阅读 · 0 评论 -
计算机视觉基础2——相机成像的几何描述
试想像一下,很多游客同时在不同角度拍摄Eiffel Tower(埃菲尔铁塔),该如何用数学的方法来描述这一过程呢?首先要解决的问题就是定位,或者说坐标选定的问题,埃菲尔铁塔只有一座,如果按经、纬度来刻画,它的坐标是唯一确定的,但游客显然不关系这一点,他(她)只按自己的喜好选择角度和位置,因此,物体(景物)有物体的坐标系统,相机有相机的坐标系统,即便同一个相机,当调整参数时,在同样的位置、相同的角度转载 2016-11-18 09:04:10 · 722 阅读 · 0 评论 -
计算机视觉基础1——视差与深度信息
资料来源:Robert Collins,CSE486, Penn State第8讲Stereo Vision深度信息感知是人类产生立体视觉的前提。生理过程一定是相当复杂,此处,我们只从物理角度,并采用数学的方法来讨论。Inferring depth from images taken at the same time by two or more cameras.转载 2016-11-18 09:03:04 · 1523 阅读 · 0 评论 -
双目匹配与视差计算
立体匹配主要是通过找出每对图像间的对应关系,根据三角测量原理,得到视差图;在获得了视差信息后,根据投影模型很容易地可以得到原始图像的深度信息和三维信息。立体匹配技术被普遍认为是立体视觉中最困难也是最关键的问题,主要是以下因素的影响: (1) 光学失真和噪声(亮度、色调、饱和度等失衡)(2) 平滑表面的镜面反射(3) 投影缩减(转载 2016-11-17 11:05:41 · 22293 阅读 · 0 评论 -
点云三维重建--基于两视图的射影重构,仿射重构以及度量重构
一段时间以来一直对三维重建中的分层重建概念理解的比较模糊,这两天特地梳理了一下,用博文记录下来,也希望给各位观众朋友们带来帮助。NO0.两视图重建基于图片序列的三维重建不管在科研还是实际应用中都有了比较成功的实现,Bundler就是一个很不错的例子,随后的VisualSFM也已经得到了很好的应用,近两年发展较快的还有SLAM等,而基于两视图实现空间点的三维重建便是构造完整图转载 2016-04-25 14:42:13 · 2671 阅读 · 5 评论 -
深度学习方面的论文整理
写在前面:最近看文章毫无头绪,文章一把抓乱看,看到下面这个博客来忍不住转载过来,以便自己不用到处找论文。以下是转载部分================================================================================转载来源:http://hi.baidu.com/chb_seaok/item转载 2015-12-16 15:08:20 · 7478 阅读 · 0 评论 -
深度学习国外经典教程——大师带你入门(视频、PPT讲稿)
转自:http://baojie.org/blog/2013/01/27/deep-learning-tutorials/几个不错的深度学习教程,基本都有视频和演讲稿。附两篇综述文章和一副漫画。还有一些以后补充。Jeff Dean 2013 @ Stanfordhttp://i.stanford.edu/infoseminar/dean.pdf一转载 2015-11-16 15:59:05 · 7016 阅读 · 0 评论 -
深度学习-LeCun、Bengio和Hinton的联合综述(下)
深度学习-LeCun、Bengio和Hinton的联合综述(下)摘要:Yann LeCun、Yoshua Bengio和Geoffrey Hinton发表于《Nature》的综述文章“Deep Learning”中文译文的下半部分,详细介绍了CNN、分布式特征表示、RNN及其不同的应用,并对深度学习技术的未来发展进行了展望。【编者按】三大牛Yann LeCun、Yosh转载 2015-11-16 10:55:15 · 1071 阅读 · 0 评论 -
ImageNet Classification with Deep Convolutional Neural Network解读
ImageNet Classification with Deep Convolutional Neural Network本文是Alex和Hinton参加ILSVRC2012比赛的卷积网络论文,本网络结构也是开启Imagenet数据集更大,更深CNN的开山之作,本文对CNN的一些改进成为以后CNN网络通用的结构;在一些报告中被称为Alex-net,之后在Imagenet上取得转载 2015-11-16 20:16:25 · 1561 阅读 · 0 评论 -
计算机视觉的一些测试数据集和源码站点
转自:http://blog.csdn.net/zouxy09/article/details/8768561 以下是computer vision:algorithm and application计算机视觉算法与应用这本书中附录里的关于计算机视觉的一些测试数据集和源码站点,我整理了下,加了点中文注解。ComputerVision:Algorith转载 2015-11-11 08:54:25 · 628 阅读 · 0 评论 -
计算机视觉、机器学习、人工智能领域知识汇总
http://blog.csdn.net/zouxy09 2012年8月21号开始了我的第一篇博文,也开始了我的研究生生涯。怀着对机器学习和计算机视觉等等领域的懵懂,从一个电子材料的领域跨入这个高速发展的人工智能领域。从开始的因无知而惊慌,因陌生而乏力,到一步步的成长。这过程的知识积累也都大部分反映在这个博客上面了。感谢这个平台促使自己去总结去坚持去进步。也感谢这个平转载 2015-07-30 11:24:27 · 5523 阅读 · 2 评论 -
Fast object segmentation in unconstrained video——非限制场景快速视频对象分割 原文翻译
Fast object segmentation in unconstrained video非限制场景快速视频对象分割ICCV2013 爱丁堡大学,英国Anestis Papazoglou,Vittorio Ferrari摘要:我们展示了一项从视频背景中分离出前景的技术,它快速、全自动并且对视频做最小的限制。这使得我们可以处理更基础的非限制的集合,包括快速移动的背景、任意物体的运转载 2015-07-07 18:52:05 · 2745 阅读 · 0 评论 -
Visual Tracking Resources
这个应该是目前最全的Tracking相关的文章了,转载请注明出处。转自:http://blog.csdn.net/minstyrain/article/details/38640541一、Surveyand benchmark:1. PAMI2014:VisualTracking_ An Experimental Survey,代码:http://alov300p转载 2015-07-07 17:21:01 · 976 阅读 · 0 评论 -
Computer Vision Resources
Computer Vision ResourcesSoftwaresTopicResourcesReferencesFeature ExtractionSIFT [1] [Demo program][SIFT Library] [VLFeat]PCA-SIFT [2] [Project]转载 2015-07-07 16:59:28 · 907 阅读 · 0 评论 -
最清晰的张正友标定法
此处“张正友标定”又称“张氏标定”,是指张正友教授于1998年提出的单平面棋盘格的摄像机标定方法。张氏标定法已经作为工具箱或封装好的函数被广泛应用。张氏标定的原文为“A Flexible New Technique forCamera Calibration”。此文中所提到的方法,为相机标定提供了很大便利,并且具有很高的精度。从此标定可以不需要特殊的标定物,只需要一张打印出来的棋盘格。So gre转载 2017-07-11 18:23:30 · 2099 阅读 · 0 评论