奋斗的小强

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:A

除了线性滤波算子之外，其他的邻域算子这里是指：非线性滤波（如中值滤波和双边滤波）、形态学操作算子、用于计算距离变换和寻找连通量的半全局算子。中值滤波器：如当噪声是散粒噪声而不是高斯噪声时，即图像中偶尔会出现很大的值，用高斯滤波器对图像模糊无法去除噪声像素，只是转换为更柔和但仍然可见的散粒。此时，中值滤波器是很好的选择。但是去除规则高斯噪声还是使用高斯滤波器效果好。双边滤波器

常用的包括RGBGRAY   RGB=>HSV      RGBYCrCb  RGB=>Lab  RGBXYZ  RGB=>HLS  Bayer=>RGB

自适应非最大值抑制：由于大多数特征点检测器只是寻找兴趣函数的局部最大值，所以通常会导致图像上特征点的非均匀分布，在对比度大的区域，特征点就会比较密集。为了缓解这个问题，一个想法就是，只检测那些是局部最大值，同时还得要满足其值明显大于其周围半径区域内的响应值。衡量可重复性：可重复性是指，在一副图像中检测到的关键点在另一幅变换过的图像中的对应位置 个像素范围内检测到的频率。（变换包括旋

整理一些颜色分割方法。实验图片：其中红色部分比较突出，尝试将其分割出来。1、经验阈值提取    RGB转到HSV空间，通过统计的经验阈值设定红色范围，结果如下：                                         图1代码：#include "cv.h"#include "highgui.h"int main(){ Ipl

De-mystifying Good Research and Good Papers By Fei-Fei Li, 2009.03.01  Please remember this:  1000+ computer vision papers get published every year! Only 5-10 are worth readi

在检测到特征(如关键点)之后,下一步我们必须匹配他们,也就是说,我们必须要确定哪些特征来自于不同图像的对应位置.图像描述子可以表示特征点的局部表观,以用来下一步做匹配,然而在不同图像之间,图像块的局部表观常常会因图像不同而变化,这就要求我们怎样才能使图像描述子使得对应的图像快之间对这些变化具有更好的不变性,同时保持不同(即非对应的)的图像块之间的区分性. 几个描述子(简): 尺

Harris角点检测原理：       角点：最直观的认识就是在水平、竖直两个方向上变化都比较大。理解为拐角。      harris是最典型的角点检测算子。角点经常被检测在边缘的交界处、被遮挡的边缘、纹理性很强的部分（不一定非得是拐点？）。满足这些条件一般都是稳定的、重复性比较高的点，所以实际上他们是不是角点并不重要（因为我们的目标就是找一些稳定、重复性高的点作为特征点）。

特征匹配需要考虑匹配策略和如何更快的完成匹配。一：以欧式距离为度量，有三种匹配策略：固定阈值、最近邻、最近邻距离比率（NNDR）固定阈值：就是设定一个阈值，当距离大于阈值，判为不匹配，否则判为匹配。但是一个问题是，阈值很难设定。随着移动到特征空间的不同部分时，阈值的有效范围会变化很大，即没有通用的阈值。最近邻：找最近的那个。最近邻距离比率：定义为最近邻距离和次近邻距离的比值

图像分割，这里分为以下几类：一、基于区域的分割方法思路：很好理解，应用这样一个基本事实——区域内特征的相似性。因为不同对象间特征是不连续的，同一对象内部特征是相似的。1、使用阈值    假设目标和背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景对应不同的峰，而选取一个阈值恰好位于两个峰之间的谷，从而将各个峰分开。   问题：1、难以处理不存在明显

邻域算子作用在给定像素周围的像素上以计算输出值，可以实现图像滤波、图像的平滑和锐化、图像边缘的增强和图像噪声的去除。邻域算子有线性和非线性算子。线性算子是指用不同的权重结合一个小的邻域内的像素，相当于覆盖一个模板。非线性算子如形态学运算、距离变换。    线性滤波运算：其中权重核或掩膜h(k,l)常称为“滤波系数”。上面算子可以简记为：               通常

对图像进行预处理是大多数计算机视觉应用中的第一步，为了使图像噪声减少、锐化、灰度均衡等。图像处理算子是从一幅图像到另一幅图像的像素的值的映射。最简单的处理算子是点算子，即对每个像素的操作不依赖它的邻域像素。     亮度的改变、做图像的加减运算、读取彩色图像的颜色信息、直方图的均衡化等，都可以用点运算来做。     1、亮度的改变：显然常用的点算子是乘以和加上一个常数a也被称为增益

转自：http://blog.sina.com.cn/s/blog_662c785901011i7z.htmlOpenCv轮廓高级应用（轮廓匹配，几何直方图）    最近再次用到了opencv轮廓，在这里结合作者冰山一角的博客（http://www.cnblogs.com/slysky/）以及自己的体会在此稍加说明。其程序主要参见冰山一角的Blog，遗憾的是代码是Ope

http://blog.youkuaiyun.com/weixingstudio/article/details/7631241

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

转自：http://blog.youkuaiyun.com/zouxy09/article/details/8856490   看到CVPR2013很多作者都开放了他们的paper或者code，所以自己先查找下visual tracking和一些相关的，下载了部分，为了方便大家交流，先把这些已经下载的放在网盘上，供大家下载哦。呵呵。       百度网盘链接：http://pan.

转自：http://news.cnblogs.com/n/185616/　　英文原文：List of 40+ Face Detection / Recognition APIs, libraries, and software　　译者：@吕抒真 译文：链接　　自从谷歌眼镜被推出以来，围绕人脸识别，出现了很多争议。我们相信，不管是不是通过智能眼镜，人脸识别将在人与人交

FROM:http://blog.youkuaiyun.com/zouxy09/article/details/8550952 注：下面有project网站的大部分都有paper和相应的code。Code一般是C/C++或者Matlab代码。最近一次更新：2013-3-17一、特征提取Feature Extraction：·         SIFT [

http://www.ipam.ucla.edu/schedule.aspx?pc=GSS2013

好站点http://www.cvpapers.com/http://www.eecs.berkeley.edu/Research/Projects/CS/vision/http://iris.usc.edu/USC-Computer-Vision.htmlhttp://vision.ucsd.edu/http://www.caa.tuwien.ac.at/cvl/

来源：http://mmdays.com/2008/04/17/aperture_problem/視覺皮質與孔徑問題Apr 17th, 2008 by Mr. ThursdayPosted By Mr. Thursday各位經過理髮店的時候，或許都會注意到理髮店有一個捲軸，捲軸不停旋轉，但是看起來會像是有一圈圈的條

一、论文CVPR 2012 与行人检测相关的论文[1] Contextual Boost for Pedestrian Detection  YuanyuanDing, Jing Xiao[2] Understanding Collective CrowdBehaviors:Learning Mixture Model of Dynamic Pedestrian-Agent

标量场的梯度是一个向量场。标量场中某一点上的梯度指向标量场增长最快的方向，梯度的长度是这个最大的变化率。1、在单变量的实值函数的情况，梯度只是导数，对于一个线性函数，梯度是线的斜率。2、在二元函数的情形，设函数z=f(x,y)在平面区域D内具有一阶连续偏导数，对于每一点