随笔分类 - [计算机视觉]
摘要：一、Harris角点 如上图所示，红色框AB都是平面，蓝色框CD都是边缘，而绿色框EF就是角点。 平面：框往X或Y抽移动，变化都很小。 边缘：框沿X或Y轴移动，其中一个变化很小，而另外一个变化比较大。 角点：框沿X或Y轴移动，两个变化都比较大。 见《图像基础》笔记第7页 二、背景建模 使用帧差法：
阅读全文
摘要：一、定位和变换票据 定位照片中的不规范票据或矩形文本，并将其变换为正规矩形，以供OCR识别。 # -*- coding:utf-8 -*- __author__ = 'Leo.Z' import cv2 as cv import numpy as np def show_img(img, win_n
阅读全文
摘要：总结： 一、R-CNN 摘要： 在对象检测方面，其性能在前几年就达到了一个比较稳定的状态。性能最好的方法是一种复杂的整体系统，它将多个图片的低级特征通过上下文组合起来。 本文提出了一种简单、可扩展的算法，它在mAP上比VOC2012的最佳算法的结果高30%，达到53.3%。 这个方法包含两个方面：
阅读全文
摘要：一、直方图 用于统计图片中各像素值： # 画一个图像各通道的直方图 def draw_hist(img): color = ('b', 'g', 'r') for i, col in enumerate(color): hist = cv.calcHist([img], [i], None, [25
阅读全文
摘要：一、Canny边缘检测 Canny边缘检测是一系列方法综合的结果。其中主要包含以下步骤： 1.使用高斯滤波器，平滑图像，滤除噪声。 2.计算图像中每个像素点的梯度强度和方向。 3.应用非极大值抑制（NMS：Non-Maximum Suppression），以消除边缘检测带来的杂散相应。 4.应用双阈
阅读全文
摘要：一、高斯平滑（模糊） def gaussian_blur(image): # 设置ksize来确定模糊效果 img = cv.GaussianBlur(image, (5, 5), 0) cv.imshow('img', img) # 不通过ksize来设置高斯核大小，通过设置高斯分布公式中的sig
阅读全文
摘要：一、图片读取和显示 import cv2 as cv # 图片读取cv.imread(img_path) car_img = cv.imread("car1.png") # 图片显示cv.imshow(window_name,img_mat) cv.imshow('car1', car_img) c
阅读全文
摘要：一、什么是目标检测 即用框（bounding box）标出物体的位置，并给出物体的类别 一些数据集介绍： PASCAL VOC数据集http://host.robots.ox.ac.uk/pascal/VOC/ 20类物体 COCO数据集 http://cocodataset.org/#home 8
阅读全文
摘要：转自： 作者：fighting41love 链接：https://www.jianshu.com/p/92d7f6eaacf5 1.名字的由来 Siamese和Chinese有点像。Siam是古时候泰国的称呼，中文译作暹罗。Siamese也就是“暹罗”人或“泰国”人。Siamese在英语中是“孪生”
阅读全文
摘要：一、为什么生物特征中人脸识别发展最快 如上表所示，人脸在普遍性、可采集性和接受程度三个方面定位为High，这三个方面都对应着“方便”。因为人脸随处可见，摄像头能看到的地方就能采集，而且无需接触任何采集设备。这是指纹、虹膜等无法比拟的，指纹和虹膜虽然有很高的防欺骗性、稳定性等，但是他们需要直接接触特有
阅读全文
摘要：一、图像分类定义 可以用一个简单的公式来描述图像分类的过程： 训练：通过训练集{(x1,y1),...,{xn,yn}}来获得一个预测函数f，满足在训练集上的最小误差。 测试：向预测函数f输入一个从来没有见过的x，得到预测值y。 二、泛化能力 我们在训练的过程中，要注意所训练出来的模型的泛化能力。所
阅读全文
摘要：一、计算机视觉三大任务 三大任务之目标识别（目标分类） 基础目标识别： 从视频或图片中识别出主体的类别，或其中包含有哪些物体。 精细目标识别：例如车牌识别，人脸识别等 三大任务之目标检测 Object detection = 目标分类(Classfication) + 定位(localization
阅读全文
