todayq的专栏

本文为原创文章，转载请注明出处：http://blog.youkuaiyun.com/yang843061497/article/details/38553765绪论假如我有2张美女图片，我想确认这2张图片中美女是否是同一个人。这太简单了，以我专研岛国动作片锤炼出来的火眼金睛只需轻轻扫过2张图片就可以得出结论。但是，如果我想让计算机来完成这个功能就困难重重了：再性感的美女在计算机眼中也只是0-

申明：本文为笔者翻阅英文文献后翻译、整理所得，文中所提方法并非笔者原创。如果你想了解更多的细节，更好的把握作者的本意，建议阅读作者的原文。Pedestrian detection at 100 frames per second, Rodrigo Benenson, Markus Matias, CVPR2012这篇文章的主要贡献有两点：（1）提出一种无

注：本文非笔者原创，原文转载自：http://www.sigvc.org/bbs/thread-165-1-1.html局部图像特征描述是计算机视觉的一个基本研究问题，在寻找图像中的对应点以及物体特征描述中有着重要的作用。它是许多方法的基础，因此也是目前视觉研究中的一个热点，每年在视觉领域的顶级会议ICCV/CVPR/ECCV上都有高质量的特征描述论文发表。同时它也有着广泛的应用，举例

申明：本文非笔者原创，原文转载自：http://www.cnblogs.com/ronny/archive/2012/04/12/2444053.html最近一直在做前景检测方面的研究，刚开始主要是做一些工程性的应用，为了解决工程方面的问题，下了不少功夫，也看了不少最近国内外的文章。一直想做个总结，拖着拖着，终究却写成这篇极不成功的总结。      背景建模或前景检测的

分类： 图形图像导读《Learning OpenCV》一书当中介绍的第二种背景建模方法是codebook。直接通过书本来理解codebook算法有点困难，可以按照下面的顺序来理解codebook算法，首先看看百度百科上对这个算法的基本原理的阐述，我认为百度百科上的描述已经比较直观，但当中有很多细节的东西还需要看具体的代码，所以可以通过细读下面转载的代码来理解codebook算法

转载▼以前做过一些关于背景建模，运动目标检测的工作，打算进行一下小结，那么就先从这篇CVPR2011这篇评测的文章说起吧。Evaluation of Background Subtraction Techniques for Video Surveillance (PDF)Sebastian Brutzer, Benjamin Hoeferlin (University o

图像预处理数字图像中的几种典型噪声有：高斯噪声来源于电子电路噪声和低照明度或高温带来的传感器噪声；椒盐噪声类似于随机分布在图像上的胡椒和盐粉微粒，主要由图像切割引起或变换域引起的误差；加性噪声是图像在传输中引进的信道噪声。一般来说，引入的都是加性随机噪声，可以采用均值滤波、中值滤波、高斯滤波等方法去除噪声，提高信噪比。均值滤波在噪声分布较平均，且峰值不是很高的情况下能够得到较好的应用；中值

目录(?)[+]目录(?)[+]1、显著目标检测介绍显著性检测最近几年成了研究热点，从计算机视觉三大会议（ICCV, CVPR, ECCV）上的文章数量就可以看出，大概每届会议都有10来篇的样子，一个这么小的topic，10来篇数量已经很多了。如果你看一看这些文章就会发现，显著目标检测的占了大部分，眼动点预测的很少，大概就一两篇。

采用导向信息，对cost volume滤波，保存边缘信息的平滑，计算时采用了GPU，速度为25FPScost包括两个因子：1.色彩差异；2.梯度差异处理流程：1.计算cost volume2.导向滤波（见blog）3.互为参考图，纠正错误dispartiy值结果图：

何凯明去雾算法中的导向滤波实现，原文地址导向滤波。导向图像I，滤波输入图像p以及输出图像q。像素点 i 处的滤波结果是被表达成一个加权平均：假设导向滤波器在导向图像I和滤波输出q之间是一个局部线性模型：最小化下面的窗口Wk的代价函数：用来确定a,b的值其中论文所给算法如下：matlab代码如下：[pla

图像分割之（二）Graph Cut（图割）zouxy09@qq.comhttp://blog.youkuaiyun.com/zouxy09        上一文对主要的分割方法做了一个概述。那下面我们对其中几个比较感兴趣的算法做个学习。下面主要是Graph Cut，下一个博文我们再学习下Grab Cut，两者都是基于图论的分割方法。另外OpenCV实现了Grab Cut，具

大概太久没更新了，压力就越大了，工作比较忙，人比较懒，写一篇高质量的文章还是比较耗时间的，这样吧，以后就发一些我觉得比较实用的东西吧，就那么一个小片段，这样我也比较有时间，比较有动力，假如你有什么建议可以留言。今天介绍的这个东西RANSAC是前不久接触到的东西，最网上的资料进行总结结合自己的实际应用给大家讲讲我的理解。RANSAC是“RANdom SAmple Consensus（

二维小波分析图像压缩 去掉高频部分,保留低频2006-08-15 16:12%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%二维小波分析图像压缩 去掉高频部分,保留低频%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%load wbarb;subplot(2,2,1);image(X);color

#include // Define our callback which we will install for // mouse events // void my_mouse_callback( int event, int x, int y, int flags, void* param ); Rect box; bool drawing_box = fa

人脸检测肤色分割Adaboost算法（分类器训练）特征定位眼睛定位嘴角定位特征点定位（特征点评测）人脸裁剪特征提取LBPLDPGaborWaveletGabor_LBP降维PCARandom Projection相似性度量识别算法SVMAdaboostPCALDA

int main() { Mat M=imread("21.jpg",1); Mat dst,dst2; cvtColor(M,dst,CV_RGB2HSV); imshow("src",M); vector hsvChannels; split(dst,hsvChannels); imshow("v",hsvChannels[2]); for(

梯度直方图特征(HOG) 是一种对图像局部重叠区域的密集型描述符, 它通过计算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在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。       

关于ICF（Integral channel features）以及softcascade，主要是从下面四篇文章入手的，第一篇文章是利用ICF+softcascade进行人头检测的；第二篇文章就是ICF的出处；第三篇文章试讲如何利用ICF+softcascade并且将其改进使得保持准确率的前提下能够快速的进行行人检测；第四篇文章是针对改进ICF+softcascade的检测准确率的。1、S

为什么要进行傅里叶变换，其物理意义是什么？ 傅立叶变换是数字信号处理领域一种很重要的算法。要知道傅立叶变换算法的意义，首先要了解傅立叶原理的意义。傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。 和傅立叶变换算法对

Texture SynthesisBy ERIC | Published: OCTOBER 23, 2014What in this post is actually part of my computational photography homework, because I’m recently preparing for interviews, so for rev

链码（又称为freeman码）是用曲线起始点的坐标和边界点方向代码来描述曲线或边界的方法，常被用来在图像处理、计算机图形学、模式识别等领域中表示曲线和区域边界。它是一种边界的编码表示法，用边界方向作为编码依据，为简化边界的描述，一般描述的是边界点集。常用的链码按照中心像素点邻接方向个数的不同，分为4连通链码和8连通链码。4连通链码的邻接点有4个，分别在中心点的上、下、左和右

转自：http://www.cnblogs.com/u2usoft/articles/809011.html1． 什么是卡尔曼滤波（What is the Kalman Filter?） 在学习卡尔曼滤波之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！ 卡尔曼全名Rudolf E

扩展卡尔曼滤波（Extended Kalman Filter ）与KF的最大的不同，是允许系统模型和测量模型非线性的存在，它的实现较为简单，参照Wikipedia，我把代码贴出来，方便学习交流。采用一个简单的3阶非线性模型，仿真结果如下图：源代码：EKF_Example:[plain] view plaincopy

什么是ORB七 4Year 2011 passionke 未分类ORB是是ORiented Brief的简称。ORB的描述在下面文章中：Ethan Rublee and Vincent Rabaud and Kurt Konolige and Gary Bradski, ORB: an efcient alternative to SIFT or SURF, I

一. 特征点检测方法总结1 .       Shi-Tomasi：  1994年，Jinabo Shi，Carlo Tomasi提出原理：http://blog.youkuaiyun.com/xiaowei_cqu/article/details/7805206提出：http://wenku.baidu.com/link?url=d-ByPLIzgzJetEH0eg9O

转载自：http://blog.youkuaiyun.com/yang_xian521/article/details/7411438特征点检测和匹配是计算机视觉中一个很有用的技术。在物体检测，视觉跟踪，三维常年关键等领域都有很广泛的应用。这一次先介绍特征点检测的一种方法——FAST（features from accelerated segment test）。很多传统的算法都很耗时，而且特征点检测

本文节选自《基于纹理的图像检索算法研究》。描述了几种基于纹理特征的图像检索算法。 第 3 章基于纹理特征的图像检索 3.2 基于灰度共生矩阵的纹理分析法灰度共生矩阵是分析纹理特征的一种有效方法，该方法研究了图像纹理中灰度级的空间依赖关系。它对灰度的分布特性是通过对灰度值不同的像素的分布来表示的，同时这些像素对空间位置关系和分布特性也得到了体现。主要过程是，以

常用函数：entropyEntropy of grayscale imageentropyfiltLocal entropy of grayscale imagerangefiltLocal range of imagestdfiltLocal standard deviation of

matlab函数: graycomatrix()功           能：创建灰度共生矩阵Gray-level co-occurrence matrix from an image图像的灰度共生矩阵灰度共生矩阵是像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。使用方法：

FAST（Features fromaccelerated segment test）是一种角点检测方法，它可以用于特征点的提取，并完成跟踪和映射物体。FAST角点检测算法最初是由Edward Rosten和Tom Drummond提出，该算法最突出的优点是它的计算效率。正如它的缩写名字，它很快而且事实上它比其他著名的特征点提取方法（如SIFT，SUSAN，Harris）都要快。而且如果应用机器学

纹理特征分析的灰度共生矩阵（GLCM）分类： Machine Learning 2013-03-11 14:22 2713人阅读 评论(1) 收藏 举报目录(?)[+]纹理分析是对图像灰度（浓淡）空间分布模式的提取和分析。纹理分析在遥感图像、X射线照片、细胞图像判读和处理方面有广泛的应用。关于纹理，还没有一个统一的数学模型。它起源于表征纺织品表面性质的纹理概念，可以用来描述任何物质组成成分的排列情

Non-maximum suppression is an edge thinning technique.Given estimates of the image gradients, a search is carried out to determine if the gradient magnitude assumes a local maximum in the gradie

常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。一 颜色特征（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。（二）常用的特征提取与匹配方法颜色直方图其优点在于

1.特征提取SurfFeatureDetector

gabor_threads.py

http://www.ci.gxnu.edu.cn/cbir/code.aspx

（来自wiki  total variation denoising） In signal processing, Total Variation denoising, also known astotal variation regularization is a process, most often used in digital image processing that ha

然后是类似的图像inpainting然后是图像去模糊，左上为输入模糊图像，右下为输出清晰图像及估计的相机运动（其实是PSF），中间均为迭代过程:再然后是物体检测（自行车），左侧输入图像，中间为位置概率图，右侧为检测结果当然我个人还推荐Yi Ma的sparse face，这个在对抗噪声的效果上很棒，比如下图中左侧的那张噪声图像（你能辨认是哪位不？这方法可以

一、特征提取Feature Extraction：   SIFT [1] [Demo program][SIFT Library] [VLFeat]   PCA-SIFT [2] [Project]   Affine-SIFT [3] [Project]   SURF [4] [OpenSURF] [Matlab Wrapper]   Affine Covariant Feat

绕原点旋转newx=x*cosa-y*sinanewy=x*sina+y*cosa绕某一定点A(x0,y0)旋转1.平移变换，将坐标原点移动到A点newx=x-x0newy=y-y02.旋转newx=newx*cosa-newy*sinanewy=newx*sina+newx*cosa3.平移变换，将坐标原点变回原来的O(0,0)点newx=newx+x