zilanpotou182的博客

在《OpenCV实例精解》一书中，有一个识别人脸然后加上面具的例子，刚开始看的时候就有一个疑惑，面具的图像是矩形的，糊到脸上要怎么使用掩膜呢。后来发现例子里面用的方法很巧妙，这里重新把面具处理部分的代码总结一下： Mat faceMaskSmall = imread("facemask.jpg"); if ( !faceMaskSmall.data )

上一部分主要是针对特征点的提取，下面的内容是特征点的描述，并在最后总结一下全部的步骤。4.SURF特征描述子    SURF算法使用的描述子跟SIFT相比复杂度更低。第一步是对每个兴趣点，基于其圆形区域内的信息，确定一个可重复的方向。第二步在兴趣点上构造一个与选定方向对齐的方框，从这个方框中提取SURF描述符。这两步下面会解释。最后，提出一种直立版本的描述符（U-SURF），它并不

SURF的优点以及与其他特征提取算法的比较前面总结过了，而且通过实际的使用发现算法的稳定性着实很好，这里分享一下对Speeded Up Robust Features原文的翻译和理解，文章是去年翻译的，那时候刚开始看特征提取所以翻译的比较细，才疏学浅，有的地方可能理解的不对，欢迎大家拍砖。分成两部分，第一部分是特征点的提取，第二部分是特征点的描述，以及整个方法的总结。正文开始： 1.引言

最近总有一个困惑，论文或者说研究中的立体匹配算法和OpenCV中实现的立体匹配算法有什么对应关系，特别是经常看到资料中一谈到OpenCV立体匹配函数，就是BM、SGBM和GC成套的出现，那么这三个算法的理论来源是什么，它们三个是什么样的“江湖地位”，OpenCV还有没有实现其他算法没有被介绍，在这里，对这些问题做个小总结。遗漏的地方欢迎大家批评补充。    1.立体匹配算法分类：从算法本身的角

第一部分BM、GC和SGBM算法的性能比较转自：http://blog.youkuaiyun.com/chenyusiyuan/article/details/5967291，其中原博主推荐的Stefano Mattoccia大神的讲义Stereo Vision：algorithms and applications，我看了以后觉得非常受用，讲的非常条理全面，里面的参考文献也很经典。第二部分为原创，主要是

之前SVM进行项目中待识别物体的分类，过去挺长时间结果有点生疏了，这里梳理一下。因为当初是根据《深入理解OpenCV》自动分类的例程，所以这里仍以此为例。这里只是列出了SVM使用环节的代码，而且本来就是一个小例子，其中测试集训练集的选取、特征的选择等都是最简单的考虑，真正应用，要进行更加全面的考虑。    这个例程是从传送带中找到螺母、螺钉和垫圈，使用的特征是外轮廓的长宽比和面积的大小，也就是

分享一下Tesseract3.02.02版本在Windows下的配置。我的环境VS2013+win8 64bit+OpenCV3.2。        需要下载：tesseract-orc-setup-3.02.02.exe和tesseract-3.02.02-win32-lib-include-dirs.zip，这个比较好下载。    安装和配置步骤：    （1）先执行tessera

有个类似于自动行驶小车的项目，使用摄像头检测贴在地上的地标，并在上位机实时显示当前小车所处的位置，上位机是Ubuntu系统。    做上位机的界面用的是Qt，里面也配置好了OpenCV，用起来很方便，现在要解决的是如何设计一个地图，并且每次实时显示当前的位置。因为没有可借鉴的资料，我就根据激光雷达那个数据界面的启发，想到办法，可能比较笨，如果大家有更好的方法，请务必指教！我考虑的方法是先把地上

最近学习了视频监控方面的小例子，利用静态放置的相机检测运动物体，并且有简单背景差分法和简单帧差值法两种方法的OpenCV实现，算是作为对OpenCV的一个拓展了解把。    第一种简单背景差分法原理简单。背景差分认为图像分为前景和背景，对于一个固定的场景，先做一个背景的模板，然后对于每一帧新图像，计算当前帧与背景图像的差值，得到前景，前景就对应这移动的物体或人。但是简单的背景差分法有一个问题，

分水岭算法不是第一次看见了，因为项目中没用过，就一直没详细看里面标记图的用法，而且感觉看过的OpenCV书里面解释的都很不明白，其实是自己的学习方法有问题，这个问题说简单也很简单，一步步的试验看看中间输出结果，还有什么难的呢。    下面进入正题，首先这个标记图作用是什么（分水岭算法原理这里就不说了），在一些分割算法如watershed和grabCut算法中，如果直接对原图进行处理，那么将图像

在做物体检测时，由于成本和应用场合的限制，不能够一味地增加相机的分辨率，或者已经用了分辨率很高的相机，但是视野范围很大，仍然无法实现很高的精度，这时就要考虑亚像素技术，亚像素技术就是在两个像素点之间进行进一步的细分，从而得到亚像素级别的边缘点的坐标（也就是float类型的坐标），一般来说，现有的技术可以做到2细分、4细分，甚至很牛的能做到更高，通过亚像素边缘检测技术的使用，可以节约成本，提高识别精