qwj的博客

转载自开源一个安全帽佩戴检测数据集及预训练模型 - supersayajin - 博客园本文开源了一个安全帽佩戴检测数据集及预训练模型，该项目已上传至github，点此链接，感觉有帮助的话请点star 。同时简要介绍下实践上如何完成一个端到端的目标检测任务。可以看下效果图：同时该模型也可以做人头检测，效果如下：一、背景介绍最近几年深度学习的发展让很多计算机视觉任务落地成为可能，这些任务渗透到了各行各业，比如工业安全，包含的任务如安全帽佩戴检测、高空坠物检测、异常事故检测（行人跌倒..

转载自：https://vincentqin.tech/今天要介绍的文章是来自Stephen等人在CVPR2021发表的Patch-NetVLAD，论文名是”Patch-NetVLAD: Multi-Scale Fusion of Locally-Global Descriptors for Place Recognition“。本方法结合局部与全局特征的优势并利用NetVLAD残差得到patch-level的特征，该特征能够有效应对环境以及视角变化对VPR带来的影响，获得了“ECCV2020 Face

一、特征脸      特征脸EigenFace从思想上其实挺简单。就相当于把人脸从像素空间变换到另一个空间，在另一个空间中做相似性的计算。这么说，其实图像识别的基本思想都是一样的，首先选择一个合适的子空间，将所有的图像变换到这个子空间上，然后再在这个子空间上衡量相似性或者进行分类学习。那为什么要变换到另一个空间呢？当然是为了更好的做识别或者分类了。那为什么变换到一个空间就好识别或者分类了呢

1、HOG特征：       方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal

1、Haar-like特征       Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征。Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例

一 原理    几何矩是由Hu(Visual pattern recognition by moment invariants)在1962年提出的，具有平移、旋转和尺度不变性。 定义如下：① (p+q)阶不变矩定义：② 对于数字图像，离散化，定义为： ③ 归一化中心矩定义：④Hu矩定义 

RGB(255,23,140)是光的三原色，也即红绿蓝Red、Green、Blue,它们的最大值是255，相当于100%。 白色：rgb(255,255,255) 黑色：rgb(0,0,0) 红色：rgb(255,0,0) 绿色：rgb(0,255,0) 蓝色：rgb(0,0,255) 青色：rgb(0,255,255)

转自：http://blog.youkuaiyun.com/peaceinmind/article/details/51387367本文写成时主要参考了[1,2], 后面加了一些自己收集的，不过大家都在更新，所以区别不是很大~综述[2015-PAMI-Overview]Text Detection and Recognition in Imagery: A Survey[paper] [2014-Front....

转自http://blog.youkuaiyun.com/w5688414/article/details/77986955感想这是一篇关于自然场景下文本检测的论文，用了一个深度神经网络来对图片文本进行检测，还发到AAAI顶会上了，可谓真了不起。文本用了一个网络解决了对不同比例，纵横比图片的文本检测，训练的方式是端到端的，最开始还用了16年人工合成的数据集进行预训练，合成训练集的文章为《Synthetic D...

https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html#gbd-net  目标检测

1. 基于直方图均衡化的图像增强直方图均衡化是通过调整图像的灰阶分布，使得在0~255灰阶上的分布更加均衡，提高了图像的对比度，达到改善图像主观视觉效果的目的。对比度较低的图像适合使用直方图均衡化方法来增强图像细节。彩色图像的直方图均衡化实现： #include <opencv2/highgui/highgui.hpp> #include <opencv...

理解卷积神经网络CNN中的特征图 feature mapfeature map的含义      在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层和...

作者和相关链接 个人主页：Zhi Tian，黄伟林，Tong He，Pan He，乔宇 作者简单信息： 论文下载：论文传送门 代码下载：代码传送门几个关键的Idea出发点 文本检测和一般目标检测的不同——文本线是一个sequence（字符、字符的一部分、多字符组成的一个sequence），而不是一般目标检测中只有一个独立的目标。这既是优势，也是难点。优势体现在同一文本线上...

https://blog.youkuaiyun.com/zengxiantao1994/article/details/76588580   Turtle库是Python语言中一个很流行的绘制图像的函数库，想象一个小乌龟，在一个横轴为x、纵轴为y的坐标系原点，(0,0)位置开始，它根据一组函数指令的控制，在这个平面坐标系中移动，从而在它爬行的路径上绘制了图形。turtle绘图的基础知识：1. 画布(...

一、线性滤波与卷积的基本概念      线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。      对图像和滤

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征；1、LBP特征的描述       原始的LBP算子定义为在3*3的窗口内，以窗口中心

//获得某点像素值int PORT::get_pixel(Mat & img, Point pt) {int width = img.cols; //图片宽度int height = img.rows; //图片宽度t;//图片高度uchar* ptr = (uchar*) img.data + pt.y * width; //获得灰度值数据指针int intensity =

//对数据进行拟合  圆拟合typedef struct cir { Point center; int radius;} CIR;//对数据进行拟合 圆拟合cir fit_circle(Mat & img, vector &line, double A, double B, double R) { //cout << "into fit_circle " << en

1. 函数原型：            CVAPI(void) cvCopy( const CvArr* src, CvArr* dst,const CvArr* mask CV_DEFAULT(NULL) );           IplImage* dst=CVAPI(IplImage*) cvCloneImage( const IplImage* src );      

1.多线程   多线程处理可以同时运行多个线程。由于多线程应用程序将程序划分成多个独立的任务,因此可以在以下方面显著提高性能：（1）多线程技术使程序的响应速度更快 ,因为用户界面可以在进行其它工作的同时一直处于活动状态；（2）当前没有进行处理的任务时可以将处理器时间让给其它任务；（3）占用大量处理时间的任务可以定期将处理器时间让给其它任务；（4）可以随时停止任务；（5）

1.Mat基础 在计算机内存中，数字图像是已矩阵的形式保存的。 OpenCV2中，数据结构Mat是保存图像像素信息的矩阵，它主要包含两部分：矩阵头和一个指向像素数据的矩阵指针。 矩阵头主要包含，矩阵尺寸、存储方法、存储地址和引用次数等。 矩阵头的大小是一个常数，不会随着图像的大小而改变，但是保存图像像素数据的矩阵则会随着图像的大小而改变，通常数据量会很大，比矩阵头大几个

1canny检测： Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：好的检测- 算法能够尽可能多地标识出图像中的实际边缘。好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。 最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。为了满足这些要求 Canny 使用了变分法，

对计算图像相似度的方法，本文做了如下总结，主要有三种办法：1.PSNR（Peak Signal to Noise Ratio）峰值信噪比，一种全参考的图像质量评价指标。简介： http://www.cnblogs.com/vincent2012/archive/2012/10/13/2723152.htmlPSNR是最普遍和使用最为广泛的一种图像客观评价指标

转自：http://blog.youkuaiyun.com/wangyaninglm/article/details/24599085       以下链接是本人整理的关于计算机视觉（ComputerVision, CV）相关领域的网站链接，其中有CV牛人的主页，CV研究小组的主页，CV领域的paper,代码，CV领域的最新动态，国内的应用情况等等。打算从事这个行业或者刚入门的朋友可以多关注这些网站，多了

转自：http://blog.youkuaiyun.com/zhubenfulovepoem/article/details/7191794       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:Algorit

1灰度直方图       1.1 概念灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。  如果将图像总像素亮度（灰度级别）看成是一个随机变量，则其分布情况就反映了图像的统计特性，这可用pr

1.国外会议  名称 简介 类别 级别 ICCV: IEEE International Conference on Computer Vision领域顶级国际会议，录取率20%左右，2年一次，中国大陆每年论文数不超过10篇 计算机视觉、模式识别、多媒体计算 1 CVPR: IEEE Conf on Comp Vision

A DetailedReview of Feature Extraction in Image Processing Systems图像处理系统中特征提取的详细介绍摘要：        特征在图像处理领域起着非常重要的作用。在提取特征之前，对图像进行各种预处理，例如二值化、阈值、调整大小、归一化等。然后，特征提取技术来获得图像特征，这在图像分类和识别中是非常有用的。特征

目前前景检测的研究还是很多的，也出现了很多新的方法和思路。帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏光流、稠密光流）、运动竞争（Motion Competition）、运动模版（运动历史图像）、时间熵……等等。如果加上他们的改进版，那就是很大的一个家族了。      对于上一些方法的一点简单的对比分析可以参考下：

目前前景检测的研究还是很多的，也出现了很多新的方法和思路。个人了解的大概概括为以下一些：         帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏光流、稠密光流）、运动竞争（Motion Competition）、运动模版（运动历史图像）、时间熵……等等。如果加上他们的改进版，那就是很大的一个家族了。       

opencv进行rect检测时，当检测到多个rect，组成rect vector之后，有些rect是由一个区域误分割得到的，可以按照某种规格将这些rect合并为一个rect。比如按照特性。