随笔分类

第1周：图像处理基础
- 学习目标：掌握图像存储原理、基本操作与OpenCV基础。
- 核心内容：
  - 图像读取、显示与保存（OpenCV库）
  - 灰度图与彩色图转换（RGB与HSV空间）
  - 图像滤波（均值滤波、高斯滤波）2 7
- 实践任务：用Python实现图像灰度化、边缘模糊处理（如车牌模糊化）。
第2周：图像变换与增强
- 学习目标：理解几何变换与增强算法。
- 核心内容：
  - 仿射变换（平移、旋转、缩放）
  - 直方图均衡化与对比度拉伸
  - 图像噪声生成与降噪（椒盐噪声、高斯噪声）2 8
- 实践任务：实现图像旋转矫正（如倾斜文档校正）和噪声去除对比实验。
第3周：特征提取基础
- 学习目标：掌握边缘与角点检测方法。
- 核心内容：
  - 边缘检测（Sobel、Canny算子）
  - 角点检测（Harris算法）
  - 特征描述符（SIFT、ORB原理）1 7
- 实践任务：用OpenCV实现图像边缘检测并标注建筑物角点。
第4周：目标检测初步
- 学习目标：学习传统目标检测方法。
- 核心内容：
  - 基于颜色的目标分割（HSV阈值法）
  - 形态学操作（膨胀、腐蚀）
  - 连通域分析与轮廓绘制3 8
- 实践任务：实现交通灯颜色识别与轮廓标记。

第5周：移动物体检测
- 学习目标：掌握动态场景下的目标检测。
- 核心内容：
  - 背景建模与帧差分法
  - 光流法原理（Lucas-Kanade算法）
  - 运动目标轨迹预测3 4
- 实践任务：用摄像头实时检测移动物体（如行人走动）。
第6周：目标跟踪基础
- 学习目标：理解单目标跟踪算法。
- 核心内容：
  - 模板匹配跟踪（归一化互相关）
  - 均值迁移跟踪（颜色直方图匹配）
  - KCF跟踪器原理3 6
- 实践任务：实现视频中特定颜色目标的持续跟踪（如红色小球）。
第7周：机器学习与分类
- 学习目标：入门机器学习模型应用。
- 核心内容：
  - 支持向量机（SVM）分类器
  - HOG特征与SVM结合
  - 手写数字识别（MNIST数据集）2 8
- 实践任务：训练SVM模型实现交通标志分类。
第8周：深度学习入门
- 学习目标：掌握卷积神经网络基础。
- 核心内容：
  - CNN结构（卷积层、池化层）
  - 迁移学习（预训练模型微调）
  - YOLO目标检测框架5 6
- 实践任务：用YOLOv5实现实时人脸检测。

第9周：多目标跟踪
- 学习目标：解决复杂场景下的跟踪问题。
- 核心内容：
  - SORT/DeepSORT算法
  - 数据关联与ID分配
  - 遮挡处理策略3 6
- 实践任务：在监控视频中同时跟踪多个行人并绘制轨迹。
第10周：三维视觉基础
- 学习目标：理解三维重建与深度感知。
- 核心内容：
  - 立体匹配与视差计算
  - 点云数据处理（PCL库）
  - 深度相机原理（如Kinect）1 5
- 实践任务：用双目摄像头生成场景深度图。
第11周：行业应用实战
- 学习目标：结合行业需求实现综合项目。
- 核心内容：
  - 智能安防（异常行为检测）
  - 无人驾驶（车道线检测）
  - 医学影像（肿瘤分割）6 8
- 实践任务：开发基于视频的车道偏离预警系统。
第12周：前沿技术探索
- 学习目标：了解最新研究动态。
- 核心内容：
  - Transformer在视觉中的应用
  - 自监督学习（SimCLR、MoCo）
  - 多模态跟踪（RGB+红外）5 6
- 实践任务：复现CVPR论文中的简易算法（如光流改进模型）。

每日投入：建议每日1.5小时理论学习 + 1小时代码实践
避坑指南：
- 避免直接跳入复杂模型（如YOLOv8），需从传统方法理解底层逻辑1
- 优先掌握OpenCV的常用函数（如cv2.VideoCapture、cv2.findContours）2 3
成果检验：每周在GitHub提交代码，第6/9/12周分别完成交通标志分类器、多目标跟踪系统、车道检测项目。

通过该计划，零基础者可系统掌握从图像处理到跟踪算法的全链路能力，建议结合网页1 3 7推荐的教程与代码库进行扩展学习。