摘要：原帖地址： http://blog.csdn.net/aptx704610875/article/details/48914043 http://blog.csdn.net/aptx704610875/article/details/48915149 这一节我们首先介绍下计算机视觉领域中常见的三个坐 阅读全文

摘要：原文链接：http://www.cnblogs.com/cfantaisie/archive/2011/06/14/2080917.html 主要步骤 1)、尺度空间的生成； 2)、检测尺度空间极值点； 3)、精确定位极值点； 4)、为每个关键点指定方向参数； 5)、关键点描述子的生成。 L(x,y,σ), σ= 1.6 a... 阅读全文

摘要：原文链接：http://blog.csdn.net/bugrunner/article/details/7170471 另外一篇相似的英文资料：http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/MANDUCHI1/Bilateral_Filtering.html#Index 1. 简介 图像平滑是一个重要的操作，而且有多种成... 阅读全文

摘要：利用Meanshift filter和canny边缘检测的效果，可以实现简单的图片的卡通化效果。简单的说，就是用Meanshift filter的结果减去canny算法的结果得到卡通化的效果。 代码如下： #include #include #include #include using namespace std; usi... 阅读全文

摘要：前面一篇文章我们生成了脸部特征的线性形状模型，本章来学习一下显示线性形状的代码。 线性模型类的结构如下： class shape_model { //2d linear shape model public: Mat p;... 阅读全文

摘要：本文中，我们通过Procrustes analysis来处理特征点，Procrustes analysis算法可以参考：http://en.wikipedia.org/wiki/Procrustes_analysis 在数学上，Procruster analysis就是寻找一个标准形状，然后把所有其它特征点数据都和标准形状对齐，对齐的时候采用最小平方距离，用迭代的方法不断逼近。下面通... 阅读全文

摘要：OpenCV中通过下面的代码，可以匹配两幅的图像的特征值。 // Read input images cv::Mat image1= cv::imread("../church01.jpg",0); cv::Mat image2= cv::imread("../church02.jpg",0); if (!image1.data || !image2.d... 阅读全文

摘要：在前面三篇教程中的几种角检测方法，比如harris角检测，都是旋转无关的，即使我们转动图像，依然能检测出角的位置，但是图像缩放后，harris角检测可能会失效，比如下面的图像，图像放大之前可以检测出为harris角，但是图像放大后，则变成了边，不能检测出角了。所以，harris角是缩放相关的。 在paper Distinctive Image Features from ... 阅读全文

摘要：在计算harris特征角时候，我们要在两个方向计算梯度，计算代价有点大。在paper The article by E. Rosten and T. Drummond, Machine learning for high-speed corner detection, in In European Conference on Computer Vision, pp. 430-443, 2... 阅读全文

摘要：在前面一篇教程中，我们通过取局部最大值的方法来处理检测结果，但是从图像中可以看到harris角的分布并不均匀，在纹理颜色比较深的地方检测的harris角结果更密集一些。本章中，我们使用一个简单的策略算法，首先在检测的harris角图像中，找到一个值最大的角，后面的最大值角检测至少要和前面的角有一个距离，这样循环查找角，直到得到指定数目的角位置。 在OpenCV中，我们可... 阅读全文

摘要：在上一篇教程中，我们得到的harris特征角二值图中，角的数目特别多，本章我们用一个局部最大化的方法，只保留局部值最大的harris特征角。 // Harris角计算 cv::cornerHarris(image,cornerStrength, neighbourhood, // neighborhood size ... 阅读全文

摘要：计算机视觉中，我们经常要匹配两幅图像。匹配的的方式就是通过比较两幅图像中的公共特征，比如边，角，以及图像块（blob）等，来对两幅图像进行匹配。 相对于边，角更适合描述图像特征，比如下面的图像中，大概有6种特征，我们用A、B、C、D、E、F来描述，其中A, B是平的区域，在图像中很难精确定位，C,D是边，比A,B好些，但是图像中的边也很多，定位到某个边也比较困难，相比来说E... 阅读全文

摘要：http://docs.opencv.org/2.4/doc/tutorials/features2d/table_of_content_features2d/table_of_content_features2d.html#table-of-content-feature2d Learn about how to use the feature points detectors, des... 阅读全文

摘要：原贴地址：http://fuliang.iteye.com/blog/1482002 其它参考资料：http://en.wikipedia.org/wiki/Stochastic_gradient_descent 1. 基于梯度下降的学习 对于一个简单的机器学习算法，每一个样本包含了一个(x,y)对，其中一个输入x和一个数值输出y。我们考虑损失函数,它描述了预测值和实际值... 阅读全文

摘要：前面一篇文章中提到，我们在一副脸部图像上选取76个特征点，以及这些特征点的连通性信息来描述脸部形状特征，本文中我们会把这些特征点映射到一个标准形状模型。 通常，脸部形状特征点能够参数化分解为两个变量，一个是全局的刚体变化，一个是局部的变形。全局的刚体变化主要是指脸部能够在图像中移动，旋转，缩放，局部的变形则是指脸部的表情变化，不同人脸的特征等等。 下面我们通过tr... 阅读全文

摘要：本文中的知识来自于Mastering opencv with practical computer vision project一书。 本文实施的脸部跟踪算法都是基于数据驱动的，主要包括两个部分，训练和测试。训练就是通过脸部标记点的采样数据，训练得到一个标准的脸部模型，而测试部分就是把检测到的脸部和标准脸部模型比较，求得眼睛，鼻子等脸部特征。具体来讲，脸部跟踪分为三个部分：sh... 阅读全文

摘要：原帖地址： http://blog.sina.com.cn/s/blog_6109b5d00101ag7a.html 在摄影测量和计算机视觉中，考虑最优解问题时，经常要用到SVD分解。奇异值分解 (singular value decomposition,SVD) 是一种可靠地正交矩阵分解法，但它比QR分解法要花上近十倍的计算时间。在matlab中，[U,S,V]=svd(A)... 阅读全文

摘要：参考资料: http://docs.opencv.org/modules/core/doc/xml_yaml_persistence.html #include "opencv2/opencv.hpp" #include using namespace cv; using namespace std; int main(int, char** argv) ... 阅读全文

摘要：在OpenCV中，自带着Harr分类器人脸特征训练的文件，利用这些文件，我们可以很方面的进行人脸，眼睛，鼻子，表情等的检测。 人脸特征文件目录： ../opencv2.46/opencv/data/haarcascades 人脸检测Harr分类器的介绍：http://www.cnblogs.com/mikewolf2002/p/3437883.html 分类器的训练步骤... 阅读全文

摘要：在人脸识别模式类中，还实现了一种基于LBP直方图的人脸识别方法。LBP图的原理参照：http://www.cnblogs.com/mikewolf2002/p/3438698.html 在代码中，我们只要使用 Ptr model = createLBPHFaceRecognizer(); 就创建了一个基于LBPH的人脸识别类，其它代码和前面两种人脸识别方法一样。 ... 阅读全文