holybin的专栏

一、ORB详细介绍（该部分转自：http://www.cvchina.info/2011/07/04/whats-orb/） ORB是是ORiented Brief的简称。ORB的论文：http://www.willowgarage.com/sites/default/files/orb_final.pdf首先介绍Brief： Brief是Binary Robust Independent El

模板匹配（TemplateMatching）就是在一幅图像中寻找和模板图像（template）最相似的区域，该方法原理简单计算速度快，能够应用于目标识别，目标跟踪等多个领域。OpenCV中对应的函数为matchTemplate或cvMatchTemplate（参考opencvdoc），简单介绍下：1、函数原型C++: void matchTemplate(InputArray image,

概述除了之前文章所说的利用Harris进行角点检测和利用Shi-Tomasi方法进行角点检测外，也可以自己制作角点检测的函数：使用cornerEigenValsAndVecs()函数和minMaxLoc()函数结合来模拟Harris角点检测，或者使用cornerMinEigenVal()函数和minMaxLoc()函数结合来模拟Shi-Tomasi角点检测，最后特征点选取的判断条件要根据实际情况进行选择。

http://blog.youkuaiyun.com/zouxy09/article/details/7928771       个人接触机器视觉的时间不长，对于机器学习在目标检测的大体的框架和过程有了一个初步的了解，不知道对不对，如有错误，请各位大牛不吝指点。目标的检测大体框架：目标检测分为以下几个步骤：1、训练分类器所需训练样本的创建：     

转自：       前一段时间很多人在网上传程明明在CVPR14年上即将发表的Objectness文章，Project Page在这里，和这里。最近，正好想用一般物体检测做点事情，上周也在实验室做了一个这个方面的报告，今天用文字总结一下。 网上已经有一些评论和分享讨论作者分享的代码如何在不同机器和vs版本上进行配置的帖子了，大家可以看这里和这里。       所谓一般物

来源于：http://www.face-rec.org/databases/

在计算机视觉中，我们通常需要找出两幅图像的匹配点（matching points），因为如果能找到两幅图像如何相关，就能利用两幅图像一起来提取出它们所包含的信息。当我们说匹配点时实际上是指在一般情形下能够很容易被识别的一些特征，这些特征被叫做feature，他们所具有的最鲜明的特点就是具有唯一可识别性（uniquely recognizable）。图像的feature类型通常包括边界（edges）、角点（corners，也叫兴趣点）、区块（blobs，也叫兴趣区域）。

来自           目标跟踪是绝大多数视觉系统中不可或缺的环节。在二维视频跟踪算法中，基于目标颜色信息或基于目标运动信息等方法是常用的跟踪方法。从以往的研究中我们发现，大多数普通摄像头（彩色摄像头）下非基于背景建模的跟踪算法都极易受光照条件的影响。这是因为颜色变化在某种程度上是光学的色彩变化造成的。如基于体素和图像像素守恒假设的光流算法它也是假设一个物体的颜色在前后两帧没有巨大而明显

一、出自：http://bbs.witbase.net/thread-508-1-1.html■Annotated Database (Hand, Meat, LV Cardiac, IMM face) (Link)■AR Face Database (Link)■BioID Face Database (Link)■Caltech Computational

from：http://web.mit.edu/emeyers/www/face_databases.html

ASM(Active Shape Model) 主动形状模型总结：http://blog.youkuaiyun.com/watkinsong/article/details/8891071

一、综述DPM和LatentSVM结合用于目标检测由大牛P.Felzenszwalb提出，代表作是以下3篇paper：[1] P. Felzenszwalb, D. McAllester, D.Ramaman. A Discriminatively Trained, Multiscale, Deformable Part Model. Proceedingsof the IEEE CVPR

概述除了利用Harris进行角点检测和利用Shi-Tomasi方法进行角点检测外，还可以使用cornerEigenValsAndVecs()函数和cornerMinEigenVal()函数自定义角点检测函数。如果对角点的精度有更高的要求，可以用cornerSubPix()函数将角点定位到子像素，从而取得亚像素级别的角点检测效果。cornerSubPix()函数（1）函数原型

看到一篇关于Adaboost级联Haar分类器的原理解析，觉得讲的很不错。转自：http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html==================================================================================浅析人脸检测之

收藏自：http://www.sigvc.org/bbs/thread-165-1-1.html收藏原因：把比较流行的局部特征描述方法大体罗列了一下，期待图像更全面特征或者特征模型的一些综述、例如HOG、Part Model、Examplar、Sparse Coding、Local...等等。windwail阿邦：回复@邓亚峰-人脸识别:以工序而言，HOG算特征，Sparse

在前面的文章《OpenCV中feature2D学习——FAST特征点检测》中讲了利用FAST算子进行特征点检测，这里尝试使用FAST算子来进行特征点检测，并结合SIFT/SURF/BRIEF算子进行特征点提取和匹配。I、结合SIFT算子进行特征点提取和匹配由于数据类型的不同，SIFT和SURF算子只能采用FlannBasedMatcher或者BruteForceMatcher来进行匹配（参

在前面的文章《OpenCV中feature2D学习——SURF和SIFT算子实现特征点检测》中讲了利用SIFT和SURF算子进行特征点检测，这里尝试使用FAST算子来进行特征点检测。    FAST的全名是：Features from Accelerated Segment Test，主要特点值计算速度快，比已知的其他特征点检测算法要快很多倍，可用于计算机视觉应用的实时场景。目前以其高计算效率

MATLAB提供了多种方式从磁盘读入文件或将数据输入到工作空间，即读取数据，又叫导入数据；将工作空间的变量存储到磁盘文件中称为存写数据，又叫导出数据。至于选择哪种机制，则根据下面两个因素决定：● 用户所执行的操作是导入数据还是导出数据；● 数据的格式为文本格式、二进制格式还是如HDF之类的标准格式。将数据导入MATLAB中最容易的方法就是使用导入数据模板(Impor

Brute Force匹配和FLANN匹配是opencv二维特征点匹配常见的两种办法，分别对应BFMatcher（BruteForceMatcher）和FlannBasedMatcher。BFMatcher的构造函数如下：C++: BFMatcher::BFMatcher(int normType=NORM_L2, bool crossCheck=false )

概述      之前的文章SURF和SIFT算子实现特征点检测简单地讲了利用SIFT和SURF算子检测特征点，在检测的基础上可以使用SIFT和SURF算子对特征点进行特征提取并使用匹配函数进行特征点的匹配。具体实现是首先采用SurfFeatureDetector检测特征点，再使用SurfDescriptorExtractor计算特征点的特征向量，最后采用BruteForceMatcher暴力匹

概述       之前的文章SURF和SIFT算子实现特征点检测和SURF算子实现特征点提取与匹配简单地讲了利用SIFT和SURF算子检测特征点，并且对特征点进行特征提取得到特征描述符（descriptors），在此基础上还可以进一步利用透视变换和空间映射找出已知物体（目标检测）。这里具体的实现是首先采用SURF/SIFT特征点检测与特征提取，然后采用FLANN匹配法保留好的匹配点，再利用fi

一、SIFT1、原理   SIFT来自于David Lowe的Distinctive Image Features from Scale-Invariant Keypoints. D. Lowe. IJCV, 60 (2), 2004.[PDF]。SIFT的提出也是局部图像特征描述子研究领域一项里程碑式的工作。由于SIFT对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且SIF

在opencv的features2d中实现了SIFT和SURF算法，可以用于图像特征点的自动检测。具体实现是采用SurfFeatureDetector/SiftFeatureDetector类的detect函数检测SURF/SIFT特征的关键点，并保存在vector容器中，最后使用drawKeypoints函数绘制出特征点。实验所用环境是opencv2.4.0+vs2008+win7，测试图片

在VS中使用opencv2.4.X版本的时候，如果使用SurfFeatureDetector（或者SiftFeatureDetector）做特征点检测的时候，按照官方文档上的示例代码include头文件为：opencv2/features2d/features2d.hpp，则会出现如下报错：errorC2065: “SurfFeatureDetector”: 未声明的标识符。 1、实际上2

概述除了之前文章所说的利用Harris进行角点检测，还可以利用Shi-Tomasi方法（相关论文）进行角点检测，该方法也可以用于初始化基于特征点的目标跟踪。函数实现该方法在opencv中的具体实现是在函数goodFeaturesToTrack()中，其原型为：C++: void goodFeaturesToTrack(InputArray image, OutputArray corners, int maxCorners, double qualityLevel, double minDistan

前言　　模板匹配和相关系数法是目标跟踪的经典方法，它的优点有很多：简单准确，适用面广，抗噪性好，而且计算速度快。缺点是不能适应剧烈光照变化和目标剧烈形变。　　所谓模板匹配法，就是指在一帧图像内寻找目标模板的位置，和模板最像的地方就是目标了。只要把全图的所有子区域和目标模板比较一下，找到最像目标模板的子区域，它就是目标的位置。如何度量子区域和目标模板的相似程度呢？最简单的办法就是计算

一 特征提取 1.1  矩特征   矩特征主要表征了图像区域的几何特征,又称为几何矩， 由于其具有旋转、平移、尺度等特性的不变特征，所以又称其为不变矩。在图像处理中，几何不变矩可以作为一个重要的特征来表示物体，可以据此特征来对图像进行分类等操作。矩特征是目前特征提取过程中效果比较理想的方法 矩实际上是图像灰度相对于图像质心的统计情况反映， Hu在1961 年首先提出了矩不变量的概念，并

转自：这篇调研是上研开题的时候写的，没想到访问量这么高，很多人朝我要毕业论文，懒得一个个发了，请自行下载：http://www.kuaipan.cn/file/id_71521745328145434.htm?source=1 其实主要都不是行人检测=。=写得也很水。。。。这篇调研现在看写得很烂，酌情参考吧。。。。。2014.3.17----------------

SIFT匹配方法的提出为了排除因为图像遮挡和背景混乱而产生的无匹配关系的关键点，SIFT的作者Lowe提出了比较最近邻距离与次近邻距离的SIFT匹配方式：取一幅图像中的一个SIFT关键点，并找出其与另一幅图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离得到的比率ratio少于某个阈值T，则接受这一对匹配点，因为对于错误匹配，由于特征空间的高维性，相似

一.机器视觉方面的顶尖三大国际会议：ICCV, CVPR和ECCV 1.ICCV 全称是International Comference on Computer Vision，每两年举行一次，与ECCV正好错开，是计算机视觉领域最高级别的会议，会议的论文集代表了计算机视觉领域最新的发展方向和水平。会议的收录率一般在20%左右，其中4%左右因口头报告被收录。该会议由美国电气和电子

主动形状模型（Active Shape Model，ASM）与主动外观模型（Active Appearance Model，AAM）优快云博文【ASM】ASM总结：http://blog.youkuaiyun.com/watkinsong/article/details/8891071ASM算法介绍 ：http://blog.youkuaiyun.com/carson2005/article

Daisy是有

LibPaBOD是由Daniel Rodríguez Molina实现的C++版本的

最常用的全参考视频质量评价方法有以下2种：PSNR（峰值信噪比）：用得最多，但是其值不能很好地反映人眼主观感受。一般取值范围：20-40.值越大，视频质量越好。SSIM（结构相似性）：计算稍复杂，其值可以较好地反映人眼主观感受。一般取值范围：0-1.值越大，视频质量越好。偶然发现了一个很好的网站。里面包含了大量主观评价算法的数据，导入到Matlab中就可以使用。

最近在看目标检测方面的文章，主要集中在颜色、纹理和分层，解决实际中遇到的问题。特将收集到的文章进行分享，并附有简单的介绍，文章在google scholar可以下到（也可以通过后面连接下载：http://download.youkuaiyun.com/detail/kezunhai/5283117）.1. Real-Time Moving Object Detection for Video Surv

dodo：https://sites.google.com/site/zhaodeli/

http://opencv.org/downloads.html

网上关于HOG的理解以及结合SVM做检测的源码很多，这里我结合自己的理解对他们做一个综述和总结。

前4个步骤1.采集样本2.预处理样本3.生成正负样本描述文件4.创建正样本vec文件参考另一篇文章《Opencv2.0中利用Adaboost训练Haar特征产生xml分类器》，详细见http://blog.youkuaiyun.com/holybin/article/details/16840875。5.训练样本（1）上一篇文章采用的是opencv_haartrai

转自：http://www.cvchina.info/codes/这个页面力图搜集各种跟CV，AR相关的代码，如无特别声明，均是c/c++代码。还是一贯的标准，不求全面，只求质量。如有特别推荐的代码，请在本页留言，或者email我：cvchina AT gmail.com通用库/General LibraryOpenCV无需多言。RAVL