Computer Vision是AI的一个非常活跃的领域，每年大会小会不断，发表的文章数以千计（单是CVPR每年就录取300多，各种二流会议每年的文章更可谓不计其数），新模型新算法新应用层出不穷。可是，浮华背后，根基何在？ 对于Vision，虽无大成，但涉猎数年，也有管窥之见。Vision所探索的是一个非常复杂的世界，对于这样的世界如何建模，如何分析，却一直没有受普遍承认的理论体系。大部分的

Jia-Bin的Computer Vision Resource的内容（纯copy 备份用） 323个Item Type Topic Name Reference Link Code Structure from motion libmv   http://code.google.com/p/libmv/

这一章是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。 本章的下载地址： http://iask.sina.com.cn/u/2252291285/ish?folderid=868772 1. A

1. 为什么要写这篇文章 从2002年到现在，接触图像快十年了。虽然没有做出什么很出色的工作，不过在这个领域摸爬滚打了十年之后，发现自己对图像处理和计算机视觉的感情越来越深厚。下班之后看看相关的书籍和文献是一件很惬意的事情。平常的一大业余爱好就是收集一些相关的文章，尤其是经典的文章，到现在我的电脑里面已经有了几十G的文章。写这个文档的想法源于我前一段时间整理文献时的一个突发奇想，既然有这个多文献

自己视野狭小，不敢说全部，只是把自己熟悉的方向中的部分经典文章列出来了。经典的论文，读得怎么透都不过分。有人说关于配准的文章太多了，其实我也不太关注这方面，不过由于它们引用率都比较高，就都列出来了，不过在zip包里一篇都没有。不关注这方面的可以无视之。 文档和论文下载地址： http://iask.sina.com.cn/u/2252291285/ish?folderid=775855

本章主要讨论图像处理与分析。虽然后面计算机视觉部分的有些内容比如特征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己所用，或者从中得到灵感，这就够了。 本章的下载地址在： http://iask.sina.com.cn/u/225229

从本章开始，进入本文的核心章节。一共分三章，分别讲述信号处理与模式识别，图像处理与分析以及计算机视觉。与其说是讲述，不如说是一些经典文章的罗列以及自己的简单点评。与前一个版本不同的是，这次把所有的文章按类别归了类，并且增加了很多文献。分类的时候并没有按照传统的分类方法，而是划分成了一个个小的门类，比如SIFT，Harris都作为了单独的一类，虽然它们都可以划分到特征提取里面去。这样做的目的是希望能

1. 数学 我们所说的图像处理实际上就是数字图像处理，是把真实世界中的连续三维随机信号投影到传感器的二维平面上，采样并量化后得到二维矩阵。数字图像处理就是二维矩阵的处理，而从二维图像中恢复出三维场景就是计算机视觉的主要任务之一。这里面就涉及到了图像处理所涉及到的三个重要属性：连续性，二维矩阵，随机性。所对应的数学知识是高等数学（微积分），线性代数（矩阵论），概率论和随机过程。这三门课也是考研的三

(1)pattern recognition letters, 从投稿到发表，一年半时间 (2)Pattern recognition 不好中，时间长 (3)IEICE Transactions on Information and Systems， 作者中有一个必须是会员。收费高，审稿快。影响因子0.4 (4)International Journal of Pattern Recogni

Introduction to Image Processing and Analysis, Virginia Tech Lynn Abbott Perceptual Grouping, MIT, US Edward Adelson Computer Vision at IIT Computer Vision, Yale University, USA Peter Belh

From: http://dahua.spaces.live.com/default.aspx 1. 线性代数 (Linear Algebra)： 我想国内的大学生都会学过这门课程，但是，未必每一位老师都能贯彻它的精要。这门学科对于Learning是必备的基础，对它的透彻掌握是必不可少的。我在科大一年级的时候就学习了这门课，后来到了香港后，又重新把线性代数读了一遍，所读的是 Introd

paper毕竟是死的, 写paper的人才是活的. 那么我现在研究一下cv圈的格局, 按师承关系, 借鉴前人, 我总结a tree stucture of cv guys. David Marr ----->Shimon Ullman (Weizmann) ----->Eric Grimson (MIT) ----->Daniel Huttenlocher (Cornell) --

这本书的第一版在2002年出来时轰动一时，是一本不可多得计算机视觉的教材。计算机视觉领域发展非常快，10年前的书在现在看来多少有些过时。当然偏理论的除外，比如《Multiple View Geometry in Computer Vision》。前一段时间我还在憧憬这本书什么时候可以出第二版。后来在浏览David Forsyth的个人主页时，兴奋得发现我的愿望实现了。更兴奋的是在iask上可以下到