twnming的专栏

历史 AAM的思想最早可以追溯到1987年kass等人提出的snake方法，主要用于边界检定与图像分割。该方法用一条由n个控制点组成的连续闭合曲线作为snake模型，再用一个能量函数作为匹配度的评价函数，首先将模型设定在目标对象预估位置的周围，再通过不断迭代使能量函数最小化，当内外能量达到平衡时即得到目标对象的边界与特征。 1989年yuille等人此提出使用参数化的可变形模板来代替snake

人脸识别是一个热门的研究课题，主要研究方法有：<br />1)以PCA和LDA为代表的全局特征提取方法，相关论文不断涌现。个人认为，相关改进方法具有很大的投机性，因为其一般在所选择的几个数据集上说明效果似乎比现有相关方法好（很多时候，现有的方法没有得到很好的实现，如参数的调整等），但是，事实上，这些所谓的新方法在一些更难的数据集上并不能比现有的方法好（在这方面，我有两篇讨论论文，一篇发表在PR，一篇IVC）。此外，这类方法，很多时候是一种概念上炒作，比如2D等。这类方法的局限性在于，以传统模式识别的思路来思

<br />1 引言<br />  在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个世界上找不出两张完全相同的人脸!那么，区分如此众多的不同人脸的“特征”到底是什么?能否设计出具有与人类一样的人脸识别能力的自动机器?这种自

<br /><br />dodo：人脸识别方法个人见解（之一）<br />看到j.liu关于人脸识别的帖子，萌发写这个帖子的念头。没有别的意思，就是想抛砖引玉，把问题说的全面一点，希望j.liu和回其帖子的兄弟姐妹们不要介意。如有兴趣，欢迎继续讨论。在以下讨论中，<br /><br />TPAMI = IEEE Transactions on PAMI 这个杂志<br />PAMI  是指 pattern analysis and machine intelligence这两个领域<br /><br /><

<br />人脸识别经过近 40 年的发展，取得了很大的发展，涌现出了大量的识别算法。这些算法的涉及面非常广泛，包括模式识别、图像处理、计算机视觉、人工智能、统计学习、神经网络、小波分析、子空间理论和流形学习等众多学科。所以很难用一个统一的标准对这些算法进行分类。根据输入数据形式的不同可分为基于静态图像的人脸识别和基于视频图像的人脸识别。因为基于静态图像的人脸识别算法同样适用于基于视频图像的人脸识别，所以只有那些使用了时间信息的识别算法才属于基于视频图像的人脸识别算法。接下来分别介绍两类人脸识别算法中的一些

<br />在2008年，人脸识别技术首次亮相奥运会，为保障北京奥运会及残奥会的开闭幕式的安全，起到了重要的作用。北京奥运会使用的人脸识别技术，是由中国科学院自动化所生物特征识别与安全技术研究中心所研发的，性能在国际上处于领先地位，并且拥有完全独立自主的知识产权。在这里，我们给大家介绍一下自动人脸识别技术。<br />   在当今社会信息安全问题备受人们的关注。自身安全和个人隐私保护成为这个时代的热门话题。基于密码、个人识别码、磁卡和钥匙等传统的安全措施已不能完全满足社会要求。在这样一个背景下，人们把目光投

all kinds of librariesThe following list is a collection of open source libraries, SDKs, frameworks, engines, tools, and utilities which might come in handy for your (game development) projects. With one exception, the Golden T Game Engine, which has been

l   Best Student Poster Runner-up （最佳学生Poster亚军）Manifold-manifold distance with application to face recognition based on image set, Ruiping Wang, Shiguang Shan, Xilin Chen, Wen Gaol   Best Student Poster（最佳学生Poster）Robust dual motion deblurring, Jia Chen,

转自：http://blog.sina.com.cn/s/blog_49b5f5080100b62j.html（稀疏性与L1范数——何以完美 的博客） 转自prfans：Sparse, L1-minimization, Compressive Sensing 集中讨论帖（第一页常更新）Sparse大家并不陌生，是个经典话题了。而此时sparse已经卷土重来，虽然还是那一锅汤，但是药

机器视觉的集成和设计面临各种来自硬件、软件和电子方面问题的挑战，如果忽视光学性能规格，不了解如何评估光学器件，用户挑选合适的机器视觉镜头将会面临挑战。通过了解10项镜头规格，可以帮助集成商和用户挑选镜头，来优化或评估各自系统的性能。　　视觉系统光学性能的4项最基本参数是视野（field of view）、分辨率resolution、工作距离working distance和景深depth of f

1. http://opensvn.csie.org/sonots/SciSoftware/haartraining/其中的正样本包括各种姿态，负样本有2984张640*480或480*640大小的图片（我已经下下来）2.http://vasc.ri.cmu.edu/idb/html/face/CMU测试图片 用来测试人脸的，许多论文都是用这个、3. http://cbcl.mit

 图片： screen.width-461) window.open(http://www.mvonline.com.cn/bbs/attachment/26_401.jpg);" src="http://www.mvonline.com.cn/bbs/attachment/26_401.jpg" border=0> 机器视觉"，即采用机器代替人眼来做测量和判断； 可以简单称之为机器眼

镜头光圈分手动和自动两种。以往由于摄像机的使用在室外或其它特殊场合等缘故，所以较多选用自动光圈镜头。在目前的监控工程中，由于智能建筑大量使用CCTV系统，室内监控点占较高的比例。而许多工程商在做工程设备报价时，也同样喜欢采用自动光圈镜头。虽然自动光圈镜头对监控点的光线变化适应性较强，但其价格也明显高于相同焦距的手动定焦镜头。而现在大多数的摄像机都有电子快门，室内的光源也较为稳定，因此，智能建筑项目

放 大 率  光学放大率 影像太小相对于物体的放大率 β=y’/y =b/a=NA/NA’=CCD相机元素尺寸/视场实际尺寸 电子放大率 电子放大率是用相机拍照成像在CCD上的像呈现在显示器的放大倍数 显示器放大率 显示器放大率是被拍物体通过镜头成像显示在显示器上的放大倍数 显示器放大率＝（光学放大率）×（电子放大率） 例子：光学放大率＝0. 2X, CCD大小1/2（对角线长8mm）,显示器14

1.镜头的种类(根据应用场合分类)   · 广角镜头：视角90度以上，观察范围较大，近处图像有变形。  · 标准镜头：视角30度左右，使用范围较广。   · 长焦镜头：视角20度以内，焦距可达几十毫米或上百毫米。   · 变焦镜头：镜头焦距连续可变，焦距可以从广角变到长焦，焦距越长成像越大。   · 针孔镜头：用于隐蔽观察，经常被安装在如天花板或墙壁等地方。镜头的种类有许多种，每一种镜头都有其特点

1、ubc:DAVID LOWE---SIFT算法的创始人，两篇巨经典经典的文章 http://www.cs.ubc.ca/~lowe/ 2、cmu:YanKe---PCASIFT,总结的SIFT方面的文章SO全，巨经典 http://www.andrew.cmu.edu/user/yke/ 3、ubc:MBROWN---SIFT算法用于图像拼接的经典应用autopano-sift，包括一

对OpenCV的印象：功能十分的强大，而且支持目前先进的图像处理技术，体系十分完善，操作手册很详细，手册首先给大家补计算机视觉的知识，几乎涵盖了近10年内的主流算法；然后将图像格式和矩阵运算，然后将各个算法的实现函数。我用它来做了一个Harris角点检测器和Canny边缘检测器，总共就花了一个小时（第一次用OpenCV）。而且该库显示图像极其方便，两句话就可以。但该库似乎不大稳定，对32F和16S

Object Recognition, Computer Vision, and the Caltech 101: A Response to Pinto et al.Yann LeCun, David G. Lowe, Jitendra Malik, Jim Mutch, Pietro Perona, and Tomaso PoggioReaders of the recent paper “W