<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[静默虚空]]></title><description><![CDATA[一样的生活,不一样的家园]]></description><link>https://blog.youkuaiyun.com/linsk</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; linsk]]></copyright><item><title><![CDATA[通用关键点和描述符——learning opencv3第16章翻译 二]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/76838878</link><guid>https://blog.youkuaiyun.com/linsk/article/details/76838878</guid><author>linsk</author><pubDate>Mon, 07 Aug 2017 14:34:08 +0800</pubDate><description><![CDATA[中间光流部分省略了，可以直接看中文版一



与跟踪，对象检测和一些相关主题的两个基本概念是关键点和描述符。我们的第一个任务是了解这者，以及它们之间的差异。
在最高抽象层次上，关键点是图像的一小部分，应该或者至少是独一无二的，我们认为可能将其能够定位在另一个相关图像中。描述符是一些数学结构，通常（但不总是）是浮点值的向量，它以某种方式描述单个关键点，并且可以用于确定在某些上下文中两个关键]]></description><category></category></item><item><title><![CDATA[关键点和跟踪基础——learning opencv3第16章翻译 一]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/76690280</link><guid>https://blog.youkuaiyun.com/linsk/article/details/76690280</guid><author>linsk</author><pubDate>Fri, 04 Aug 2017 17:04:35 +0800</pubDate><description><![CDATA[个人觉得关键点和描述符是OpenCV的基础，并且在learning opencv3中增加了很多心的内容，所以特别翻译出来作为学习



本章是关于图像中的信息特征点。 我们将从头开始描述所谓的角点，并在子像素中探索他们的定义域。 然后，我们将学习如何用光流跟踪这些角。从历史上看，角色的跟踪演变成关键点的理论，我们将会投入其中本章的其余部分，包括关键点功能的广泛讨论检测器和描述符在OpenC]]></description><category></category></item><item><title><![CDATA[OpenCV+python手势识别框架和简单例子]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/76457955</link><guid>https://blog.youkuaiyun.com/linsk/article/details/76457955</guid><author>linsk</author><pubDate>Tue, 01 Aug 2017 10:28:58 +0800</pubDate><description><![CDATA[基于OpenCV2.4.8和 python 2.7实现简单的手势识别。


以下为基本步骤
1.去除背景，提取手的轮廓
2. RGB->YUV，同时计算直方图
3.进行形态学滤波，提取感兴趣的区域
4.找到二值化的图像轮廓
5.找到最大的手型轮廓
6.找到手型轮廓的凸包
7.标记手指和手掌
8.把提取的特征点和手势字典中的进行比对，然后判断手势和形状


提取手的轮廓]]></description><category></category></item><item><title><![CDATA[小波变换通俗解释]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/73613213</link><guid>https://blog.youkuaiyun.com/linsk/article/details/73613213</guid><author>linsk</author><pubDate>Fri, 23 Jun 2017 09:47:45 +0800</pubDate><description><![CDATA[从傅里叶变换到小波变换，并不是一个完全抽象的东西，可以讲得很形象。小波变换有着明确的物理意义，如果我们从它的提出时所面对的问题看起，可以整理出非常清晰的思路。



下面就按照傅里叶-->短时傅里叶变换-->小波变换的顺序，讲一下为什么会出现小波这个东西、小波究竟是怎样的思路。


一、傅里叶变换

关于傅里叶变换的基本概念在此我就不再赘述了，默认大家现在正处在理解了傅里叶但还没]]></description><category></category></item><item><title><![CDATA[在YOLO2中增加自己的物体识别]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/73556104</link><guid>https://blog.youkuaiyun.com/linsk/article/details/73556104</guid><author>linsk</author><pubDate>Wed, 21 Jun 2017 22:16:28 +0800</pubDate><description><![CDATA[从RCNN, fast RCNN， 到faster RCNN， YOLO, 以及最新的YOLO2， 检测的速度是越来越快了， 最新的YOLO2据作者说可以达到67Fps， 支持的种类达9000.想看效果的请戳这里YOLO2 .
这么快速度，当然很多人估计跟我一样，想把它用来检测特定类的物体。这里，我将根据自己查找的一些资料，以及自己的实践，告诉大家怎么在YOLO2中增加识别自己需要的物体。
主]]></description><category></category></item><item><title><![CDATA[PCA降维实例分析]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/73550827</link><guid>https://blog.youkuaiyun.com/linsk/article/details/73550827</guid><author>linsk</author><pubDate>Wed, 21 Jun 2017 16:58:20 +0800</pubDate><description><![CDATA[用PCA降维







本章我们将介绍一种降维方法，PCA（Principal Component Analysis，主成分分析）。降维致力于解决三类问题。第一，降维可以缓解维度灾难问题。第二，降维可以在压缩数据的同时让信息损失最小化。第三，理解几百个维度的数据结构很困难，两三个维度的数据通过可视化更容易理解。下面，我们用PCA将一个高维数据降成二维，方便可视化，之后，我们建一]]></description><category></category></item><item><title><![CDATA[基于OPENCV3的物体跟踪算法]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/73498326</link><guid>https://blog.youkuaiyun.com/linsk/article/details/73498326</guid><author>linsk</author><pubDate>Tue, 20 Jun 2017 14:59:11 +0800</pubDate><description><![CDATA[在本教程中，我们将了解OpenCV 3.0中引入的OpenCV跟踪API。 我们将学习如何以及何时使用OpenCV 3.2中提供的6种不同的跟踪器-
 BOOSTING，MIL，KCF，TLD，MEDIANFLOW和GOTURN。
 我们还将学习现代跟踪算法背后的基本理论。

什么是对象跟踪？

简单地说，在视频的连续帧中定位对象被称为跟踪。

定义听起来很直接，但在计算机视觉和机]]></description><category></category></item><item><title><![CDATA[奇异值分解(SVD) --- 几何意义]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/73351315</link><guid>https://blog.youkuaiyun.com/linsk/article/details/73351315</guid><author>linsk</author><pubDate>Fri, 16 Jun 2017 21:56:26 +0800</pubDate><description><![CDATA[PS：一直以来对SVD分解似懂非懂，此文为译文，原文以细致的分析+大量的可视化图形演示了SVD的几何意义。能在有限的篇幅把这个问题讲解的如此清晰，实属不易。原文举了一个简单的图像处理问题，简单形象，真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理解，比如 个性化推荐中应用了SVD，文本以及Web挖掘的时候也经常会用到SVD。

原文：We
 recommend a sing]]></description><category></category></item><item><title><![CDATA[奇异值分解(SVD) --- 线性变换几何意义]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/73351302</link><guid>https://blog.youkuaiyun.com/linsk/article/details/73351302</guid><author>linsk</author><pubDate>Fri, 16 Jun 2017 21:55:11 +0800</pubDate><description><![CDATA[PS：一直以来对SVD分解似懂非懂，此文为译文，原文以细致的分析+大量的可视化图形演示了SVD的几何意义。能在有限的篇幅把这个问题讲解的如此清晰，实属不易。原文举了一个简单的图像处理问题，简单形象，真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理解，比如 个性化推荐中应用了SVD，文本以及Web挖掘的时候也经常会用到SVD。

原文：We
 recommend a sing]]></description><category></category></item><item><title><![CDATA[图像特征提取三大法宝：HOG特征，LBP特征，Haar特征]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/72879035</link><guid>https://blog.youkuaiyun.com/linsk/article/details/72879035</guid><author>linsk</author><pubDate>Tue, 06 Jun 2017 15:10:19 +0800</pubDate><description><![CDATA[（一）HOG特征
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Da]]></description><category></category></item><item><title><![CDATA[计算机视觉基础5——本质矩阵与基本矩阵(Essential and Fundamental Matrices)]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/64997689</link><guid>https://blog.youkuaiyun.com/linsk/article/details/64997689</guid><author>linsk</author><pubDate>Wed, 22 Mar 2017 22:18:40 +0800</pubDate><description><![CDATA[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 on film plane(相机坐标系中来考虑)]]></description><category></category></item><item><title><![CDATA[计算机视觉基础4——对极几何(Epipolar Geometry)]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/64995829</link><guid>https://blog.youkuaiyun.com/linsk/article/details/64995829</guid><author>linsk</author><pubDate>Wed, 22 Mar 2017 22:17:34 +0800</pubDate><description><![CDATA[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。
　]]></description><category></category></item><item><title><![CDATA[简单的制作标定板的程序]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/62886115</link><guid>https://blog.youkuaiyun.com/linsk/article/details/62886115</guid><author>linsk</author><pubDate>Fri, 17 Mar 2017 13:05:55 +0800</pubDate><description><![CDATA[用来做双目或者单目的标定和校正，opencv实现


static int board()
{
	int width = 210;//棋盘格宽度
	int height = 210;//棋盘格高度
        int x_num = 6;//角点数目        int y_num = 9;//角点数目
      
	IplImage *src = cvCreateImage(cvS]]></description><category></category></item><item><title><![CDATA[计算机视觉基础3——内部参数描述]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/61659946</link><guid>https://blog.youkuaiyun.com/linsk/article/details/61659946</guid><author>linsk</author><pubDate>Sun, 12 Mar 2017 22:17:17 +0800</pubDate><description><![CDATA[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。

将尺度变换与透视投影结]]></description><category></category></item><item><title><![CDATA[计算机视觉基础2——相机成像的几何描述]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/61659137</link><guid>https://blog.youkuaiyun.com/linsk/article/details/61659137</guid><author>linsk</author><pubDate>Sun, 12 Mar 2017 22:15:11 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[计算机视觉基础1——视差与深度信息]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/61658187</link><guid>https://blog.youkuaiyun.com/linsk/article/details/61658187</guid><author>linsk</author><pubDate>Sun, 12 Mar 2017 22:12:59 +0800</pubDate><description><![CDATA[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.
 
基本透视投影]]></description><category></category></item><item><title><![CDATA[CMake使用简介(for Linux)]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/55048357</link><guid>https://blog.youkuaiyun.com/linsk/article/details/55048357</guid><author>linsk</author><pubDate>Mon, 13 Feb 2017 14:20:44 +0800</pubDate><description><![CDATA[CMake使用简介(for Linux)
(2015-03-30 11:03:45)
转载▼





标签：
cmake

分类： 
linux




作者:  
Sam (甄峰) sam_code@hotmail.com


之前有朋友推荐使用CMake，但当时工程已经使用CodeBlocks管理，且交叉编译已经很顺利，所以没有深入研究。这次要详细研]]></description><category></category></item><item><title><![CDATA[计算机视觉和 CNN 发展十一座里程碑(附论文下载)]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/53870807</link><guid>https://blog.youkuaiyun.com/linsk/article/details/53870807</guid><author>linsk</author><pubDate>Sun, 25 Dec 2016 17:11:12 +0800</pubDate><description><![CDATA[在这篇文章中，我们将总结计算机视觉和卷积神经网络领域的重要进展，重点介绍过去5年发表的重要论文并讨论它们为什么重要。从 AlexNet 到 ResNet 主要讲基本网络架构的发展，余下则是各领域的重要文章，包括对抗生成网络、生成图像描述模型。
　　本文结构如下：
　　AlexNet(2012年)
　　ZF Net(2013年)
　　VGG Net(2014年)
　　GoogLeNet (]]></description><category></category></item><item><title><![CDATA[轻松看懂机器学习十大常用算法]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/53714193</link><guid>https://blog.youkuaiyun.com/linsk/article/details/53714193</guid><author>linsk</author><pubDate>Sat, 17 Dec 2016 21:42:30 +0800</pubDate><description><![CDATA[通过本篇文章可以对ML的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。
每个算法都看了好几个视频，挑出讲的最清晰明了有趣的，便于科普。
以后有时间再对单个算法做深入地解析。
今天的算法如下：


决策树随机森林算法逻辑回归SVM朴素贝叶斯K最近邻算法K均值算法Adaboost 算法神经网络马尔可夫]]></description><category></category></item><item><title><![CDATA[De-interlacing Algorithms Based on Motion Compensation]]></title><link>https://blog.youkuaiyun.com/linsk/article/details/1711606</link><guid>https://blog.youkuaiyun.com/linsk/article/details/1711606</guid><author>linsk</author><pubDate>Fri, 27 Jul 2007 15:46:00 +0800</pubDate><description><![CDATA[描述了基于motion compensation de的deinterlacing算法，现在还没有实现，等实现了我贴出效果图]]></description><category></category></item></channel></rss>