yansmile1
yansmile1

计算机视觉

网址：http://www.52ml.net/tags/计算机视觉/page/3

【计算机视觉】Canny Edge边缘检测器

2013年10月13日 机器学习 计算机视觉 smallroof

引言 

Canny提出一种新的边缘检测方法[1][2]，它对受白噪声影响的阶跃型边缘是最优的。整个Canny边缘检测器算法分成四步. 

Canny边缘检测算子

Canny边缘分成四步： 

  1. 噪声去除。因为这个检测器用到了微分算子，所以对于局部的不连续是敏感的，某区域的噪声点很容易造成边缘的模糊。在我做的这个应用里，因为要检测的是文本的边缘，而文本的背景是比较规则的变形后的正方形方格，所以如果用wiki里建议的高斯滤波器，会造成整个图像都变成一种颜色，即全黑或者全白。因此如果换一种观点，把这些变形后的方格也看成图的一部分，因为字体的纹理和方格的纹理不同，所以可以看作是两种区域组合成的图像。由此我改用一般的镜子，增强图像边缘。

  2. 计算图像的边缘梯度。这个是常规运算，用了Sobel算子，分别计算图像的x和y方向的梯度值，最后计算出图像各点的梯度值以及梯度角。计算得到梯度角需要进行近似，近似四个值{-45(或135), 0, 45,90}。

  3. 非最大梯度值点抑制第2步计算后得到两组值，第一组是各点的梯度值，第二组是各点梯度角的近似值。这一个非最大梯度值点抑制是比较不好理解的一步。遍历各点，做如下操作。(1)如果该点(x, y)的梯度角是0，如果其梯度值比北(x – 1, y)和南(x + 1, y)的梯度值大，则认为(x,y)点是一个边缘点，否则抑制其值，该其梯度值为设定的背景值(0或255)；(2)如果该点(x, y)的梯度角是90，如果其梯度值比西(x, y – 1)和东(x, y +1)的梯度值大，则认为(x, y)点是一个边缘点，否则抑制其值，该其梯度值为设定的背景值(0或255)； (3)如果该点(x,y)的梯度角是135(或-45)，如果其梯度值比东北(x – 1, y + 1)和西南(x + 1, y -1)的梯度值大，则认为(x, y)点是一个边缘点，否则抑制其值，该其梯度值为设定的背景值(0或255)； (4)如果该点(x,y)的梯度角是45，如果其梯度值比西北(x – 1, y – 1)和东南(x + 1, y + 1)的梯度值大，则认为(x,y)点是一个边缘点，否则抑制其值，该其梯度值为设定的背景值(0或255)。

  4. 产生边缘. 在第3步里直接用边缘值和背景值对两种图像区域进行了划分。这么做对于图像不同区域像素值区别较大的场合比较方便，计算也快，但是对于图像不同区域像

Canny边缘检测代码和Main程序

// Canny edge detection #include "stdio.h"#include "cv.h"#include "highgui.h"#define PI 3.1415926535#define ORI_SCALE 40.0#define MAG_SCALE 20.0#define MAX_MASK_SIZE 20float ratio = 0.1f;int WIDTH = 0;long seed = 132531;typedef struct image * IMAGE;int range (IMAGE im, int i, int j);void print_se (IMAGE p);IMAGE Input_PBM (char *fn);IMAGE Output_PBM (IMAGE image, char *filename);void get_num_pbm (FILE *f, char *b, int *bi, int *res);void pbm_getln (FILE *f, char *b);void pbm_param (char *s);struct image  *newimage (int nr, int nc);void freeimage (struct image  *z);void sys_abort (int val, char *mess);void CopyVarImage (IMAGE *a, IMAGE *b);void Display (IMAGE x);float ** f2d (int nr, int nc);void srand32 (long k);double drand32 ();void copy (IMAGE *a, IMAGE b);int trace (int i, int j, int low, IMAGE im,IMAGE mag, IMAGE ori);float gauss(float x, float sigma);float dGauss (float x, float sigma);float meanGauss (float x, float sigma);void hysteresis (int high, int low, IMAGE im, IMAGE mag, IMAGE oriim);void canny (float s, IMAGE im, IMAGE mag, IMAGE ori);void seperable_convolution (IMAGE im, float *gau, int width,float **smx, float **smy);void dxy_seperable_convolution (float** im, int nr, int nc, float *gau,  		int width, float **sm, int which);void nonmax_suppress (float **dx, float **dy, int nr, int nc,IMAGE mag, IMAGE ori);void estimate_thresh (IMAGE mag, int *low, int *hi);void canny (float s, IMAGE im, IMAGE mag, IMAGE ori){	int width;	float **smx,**smy;	float **dx,**dy;	int i,j,n;	float gau[MAX_MASK_SIZE], dgau[MAX_MASK_SIZE], z;        // Create a Gaussian and a derivative of Gaussian filter mask	for(i=0; iinfo->nr, im->info->nc);	smy = f2d (im->info->nr, im->info->nc);        //Convolution of source image with a Gaussian in X and Y directions 	seperable_convolution (im, gau, width, smx, smy);        //Now convolve smoothed data with a derivative	printf ("Convolution with the derivative of a Gaussian...\n");	dx = f2d (im->info->nr, im->info->nc);	dxy_seperable_convolution (smx, im->info->nr, im->info->nc,dgau, width, dx, 1);	free(smx[0]); free(smx);	dy = f2d (im->info->nr, im->info->nc);	dxy_seperable_convolution (smy, im->info->nr, im->info->nc,		 dgau, width, dy, 0);	free(smy[0]); free(smy);        // Create an image of the norm of dx,dy	for (i=0; iinfo->nr; i++)	  for (j=0; jinfo->nc; j++)	  {	      z = norm (dx[i][j], dy[i][j]);	      mag->data[i][j] = (unsigned char)(z*MAG_SCALE);	  }        //Non-maximum suppression - edge pixels should be a local max	nonmax_suppress (dx, dy, (int)im->info->nr, (int)im->info->nc, mag, ori);	free(dx[0]); free(dx);	free(dy[0]); free(dy);}int main ( ){	int i,j;	float s=1.0;	int low= 0,high=-1;	FILE *params;	IMAGE im, magim, oriim;	char name[128];	// Try to read an image	printf ("Enter path to the image file to be processed: ");	scanf ("%s", name);	printf ("Opening file '%s'\n", name);        //Read parameters from the file canny.par	params = fopen ("canny.par", "r");	if (params){	  fscanf (params, "%d", &low);  // Lower threshold 	  fscanf (params, "%d", &high); // High threshold 	  fscanf (params, "%f", &s);   // Gaussian standard deviation	  printf ("Parameters from canny.par: HIGH: %d LOW %d Sigma %f\n",			high, low, s);	  fclose (params);	}	else printf ("Parameter file 'canny.par' does not exist.\n");	im = get_image(name);	display_image (im);	// Create local image space 	magim = newimage (im->info->nr, im->info->nc);	if (magim == NULL){	  printf ("Out of storage: Magnitude\n");	  exit (1);	}	oriim = newimage (im->info->nr, im->info->nc);	if (oriim == NULL){	  printf ("Out of storage: Orientation\n");	  exit (1);	}	canny (s, im, magim, oriim); // Apply the filter          hysteresis (high, low, im, magim, oriim); //Hysteresis thresholding of edge pixels	for (i=0; iinfo->nc; j++)	    im->data[i][j] = 255;	for (i=im->info->nr-1; i>im->info->nr-1-WIDTH; i--)	  for (j=0; jinfo->nc; j++)	    im->data[i][j] = 255;	for (i=0; iinfo->nr; i++)	  for (j=0; jdata[i][j] = 255;	for (i=0; iinfo->nr; i++)	  for (j=im->info->nc-WIDTH-1; jinfo->nc; j++)	    im->data[i][j] = 255;        display_image (im);	save_image (im, "canny.jpg");	return 0;}

参考文献

[1] Canny J. F. "Finding edges and lines in images" Technical Report AI-TR-720,MIT,Artifical Inteligence Labortay,Cambridg,MA,1983. 

[2] Canny J. F. "a Computational Approach to Edge Detection", IEEE Trancsctions on Pattern Analysis and Machine Intelligence, 8(6):679-698,1996. 

======================================================
转载请注明出处 ： http://blog.csdn.net/utimes/article/details/8827781
====================================================== 
本文转载自：CSDN博客
Leave a comment

计算机视觉领域的一些牛人博客，超有实力的研究机构等的网站链接—个人整理 – 射手炎魂

2013年10月11日 机器学习 计算机视觉 smallroof

由  carson2005  » 2011-05-06 20:46

提示：本文为笔者原创，转载请注明出处:blog.csdn.net/carson2005 
以下链接是本人整理的关于计算机视觉（ComputerVision, CV）相关领域的网站链接，其中有CV牛人的主页，CV研究小组的主页，CV领域的paper,代码，CV领域的最新动态，国内的应用情况等等。打算从事这个行业或者刚入门的朋友可以多关注这些网站，多了解一些CV的具体应用。搞研究的朋友也可以从中了解到很多牛人的研究动态、招生情况等。总之，我认为，知识只有分享才能产生更大的价值，真诚希望下面的链接能对朋友们有所帮助。 
（1）googleResearch；  http://research.google.com/index.html 
（2）MIT博士，汤晓欧学生林达华；  http://people.csail.mit.edu/dhlin/index.html 
（3）MIT博士后Douglas Lanman；  http://web.media.mit.edu/~dlanman/ 
（4）opencv中文网站； http://www.opencv.org.cn/index.php/%E9%A6%96%E9%A1%B5 
（5）Stanford大学vision实验室；  http://vision.stanford.edu/research.html 
（6）Stanford大学博士崔靖宇；  http://www.stanford.edu/~jycui/ 
（7）UCLA教授朱松纯；  http://www.stat.ucla.edu/~sczhu/ 
（8）中国人工智能网；  http://www.chinaai.org/ 
（9）中国视觉网；  http://www.china-vision.net/ 
（10）中科院自动化所；  http://www.ia.cas.cn/ 
（11）中科院自动化所李子青研究员；  http://www.cbsr.ia.ac.cn/users/szli/ 
（12）中科院计算所山世光研究员；  http://www.jdl.ac.cn/user/sgshan/ 
（13）人脸识别主页；  http://www.face-rec.org/ 
（14）加州大学伯克利分校CV小组；  http://www.eecs.berkeley.edu/Research/P … CS/vision/ 
（15）南加州大学CV实验室；  http://iris.usc.edu/USC-Computer-Vision.html 
（16）卡内基梅隆大学CV主页； http://www.cs.cmu.edu/afs/cs/project/ci … ision.html 
（17）微软CV研究员Richard Szeliski；http://research.microsoft.com/en-us/um/people/szeliski/ 
（18）微软亚洲研究院计算机视觉研究组；  http://research.microsoft.com/en-us/groups/vc/ 
（19）微软剑桥研究院ML与CV研究组；  http://research.microsoft.com/en-us/gro … fault.aspx 
（20）研学论坛；  http://bbs.matwav.com/ 
（21）美国Rutgers大学助理教授刘青山；  http://www.research.rutgers.edu/~qsliu/ 
（22）计算机视觉最新资讯网；  http://www.cvchina.info/ 
（23）运动检测、阴影、跟踪的测试视频下载； http://apps.hi.baidu.com/share/detail/18903287 
（24）香港中文大学助理教授王晓刚；  http://www.ee.cuhk.edu.hk/~xgwang/ 
(25)香港中文大学多媒体实验室（汤晓鸥）;  http://mmlab.ie.cuhk.edu.hk/ 
(26)U.C. San Diego. computer vision; http://vision.ucsd.edu/content/home 
(27)CVonline;  http://homepages.inf.ed.ac.uk/rbf/CVonline/ 
(28)computer vision software;  http://peipa.essex.ac.uk/info/software.html 
(29)Computer Vision Resource;  http://www.cvpapers.com/ 
(30)computer vision research groups; http://peipa.essex.ac.uk/info/groups.html 
(31)computer vision center;  http://computervisioncentral.com/cvcnews 
(32)浙江大学图像技术研究与应用（ITRA）团队：http://www.dvzju.com/ 

(33)自动识别网：http://www.autoid-china.com.cn/ 

(34)清华大学章毓晋教授：http://www.tsinghua.edu.cn/publish/ee/4157/2010/20101217173552339241557/20101217173552339241557_.html 

(35)顶级民用机器人研究小组Porf.Gary领导的Willow Garage:http://www.willowgarage.com/ 

(36)上海交通大学图像处理与模式识别研究所：http://www.pami.sjtu.edu.cn/ 

(37)上海交通大学计算机视觉实验室刘允才教授：http://www.visionlab.sjtu.edu.cn/ 

(38)德克萨斯州大学奥斯汀分校助理教授Kristen Grauman ：http://www.cs.utexas.edu/~grauman/ 

(39)清华大学电子工程系智能图文信息处理实验室（丁晓青教授）：http://ocrserv.ee.tsinghua.edu.cn/auto/index.asp 

(40)北京大学高文教授：http://www.jdl.ac.cn/htm-gaowen/ 

(41)清华大学艾海舟教授：http://media.cs.tsinghua.edu.cn/cn/aihz 

(42)中科院生物识别与安全技术研究中心：http://www.cbsr.ia.ac.cn/china/index%20CH.asp 

(43)瑞士巴塞尔大学 Thomas Vetter教授：http://informatik.unibas.ch/personen/vetter_t.html 

(44)俄勒冈州立大学 Rob Hess博士：http://blogs.oregonstate.edu/hess/ 

(45)深圳大学 于仕祺副教授：http://yushiqi.cn/ 

(46)西安交通大学人工智能与机器人研究所：http://www.aiar.xjtu.edu.cn/ 

(47)卡内基梅隆大学研究员Robert T. Collins:http://www.cs.cmu.edu/~rcollins/home.html#Background 

(48)MIT博士Chris Stauffer:http://people.csail.mit.edu/stauffer/Home/index.php 

(49)美国密歇根州立大学生物识别研究组(Anil K. Jain教授)：http://www.cse.msu.edu/rgroups/biometrics/ 

(50)美国伊利诺伊州立大学Thomas S. Huang:http://www.beckman.illinois.edu/directory/t-huang1 

(51)武汉大学数字摄影测量与计算机视觉研究中心：http://www.whudpcv.cn/index.asp 

(52)瑞士巴塞尔大学Sami Romdhani助理研究员：http://informatik.unibas.ch/personen/romdhani_sami/ 

(53)CMU大学研究员Yang Wang:http://www.cs.cmu.edu/~wangy/home.html 

(54)英国曼彻斯特大学Tim Cootes教授：http://personalpages.manchester.ac.uk/staff/timothy.f.cootes/ 

(55)美国罗彻斯特大学教授Jiebo Luo:http://www.cs.rochester.edu/u/jluo/ 

(56)美国普渡大学机器人视觉实验室：https://engineering.purdue.edu/RVL/Welcome.html 

(57)美国宾利州立大学感知、运动与认识实验室：http://vision.cse.psu.edu/home/home.shtml 

(58)美国宾夕法尼亚大学GRASP实验室：https://www.grasp.upenn.edu/ 

(59)美国内达华大学里诺校区CV实验室：http://www.cse.unr.edu/CVL/index.php 

(60)美国密西根大学vision实验室：http://www.eecs.umich.edu/vision/index.html 

(61)University of Massachusetts(麻省大学),视觉实验室：http://vis-www.cs.umass.edu/index.html 

(62)华盛顿大学博士后Iva Kemelmacher:http://www.cs.washington.edu/homes/kemelmi 

(63)以色列魏茨曼科技大学Ronen Basri:http://www.wisdom.weizmann.ac.il/~ronen/index.html 

(64)瑞士ETH-Zurich大学CV实验室：http://www.vision.ee.ethz.ch/boostingTrackers/index.htm 

(65)微软CV研究员张正友：http://research.microsoft.com/en-us/um/people/zhang/ 

(66)中科院自动化所医学影像研究室：http://www.3dmed.net/ 

(67)中科院田捷研究员：http://www.3dmed.net/tian/ 

(68)微软Redmond研究院研究员Simon Baker:http://research.microsoft.com/en-us/people/sbaker/ 

(69)普林斯顿大学教授李凯：http://www.cs.princeton.edu/~li/ 
(70)普林斯顿大学博士贾登：http://www.cs.princeton.edu/~jiadeng/ 
(71)牛津大学教授Andrew Zisserman：  http://www.robots.ox.ac.uk/~az/ 
(72)英国leeds大学研究员Mark Everingham:http://www.comp.leeds.ac.uk/me/ 
(73)英国爱丁堡大学教授Chris William:  http://homepages.inf.ed.ac.uk/ckiw/ 
(74)微软剑桥研究院研究员John Winn:  http://johnwinn.org/ 
(75)佐治亚理工学院教授Monson H.Hayes：http://savannah.gatech.edu/people/mhayes/index.html 
(76)微软亚洲研究院研究员孙剑：http://research.microsoft.com/en-us/people/jiansun/ 
(77)微软亚洲研究院研究员马毅：http://research.microsoft.com/en-us/people/mayi/ 
(78)英国哥伦比亚大学教授David Lowe:  http://www.cs.ubc.ca/~lowe/ 
(79)英国爱丁堡大学教授Bob Fisher:  http://homepages.inf.ed.ac.uk/rbf/ 
(80)加州大学圣地亚哥分校教授Serge J.Belongie:http://cseweb.ucsd.edu/~sjb/ 
(81)威斯康星大学教授Charles R.Dyer:  http://pages.cs.wisc.edu/~dyer/ 
(82)多伦多大学教授Allan.Jepson:  http://www.cs.toronto.edu/~jepson/ 
(83)伦斯勒理工学院教授Qiang Ji:  http://www.ecse.rpi.edu/~qji/ 
(84)CMU研究员Daniel Huber:  http://www.ri.cmu.edu/person.html?person_id=123 
(85)多伦多大学教授：David J.Fleet:  http://www.cs.toronto.edu/~fleet/ 
(86)伦敦大学玛丽女王学院教授Andrea Cavallaro:http://www.eecs.qmul.ac.uk/~andrea/ 
(87)多伦多大学教授Kyros Kutulakos:  http://www.cs.toronto.edu/~kyros/ 
(88)杜克大学教授Carlo Tomasi:  http://www.cs.duke.edu/~tomasi/ 
(89)CMU教授Martial Hebert:  http://www.cs.cmu.edu/~hebert/ 
(90)MIT助理教授Antonio Torralba:  http://web.mit.edu/torralba/www/ 
(91)马里兰大学研究员Yasel Yacoob:  http://www.umiacs.umd.edu/users/yaser/ 
(92)康奈尔大学教授Ramin Zabih:  http://www.cs.cornell.edu/~rdz/ 
(93)CMU博士田渊栋:  http://www.cs.cmu.edu/~yuandong/ 
(94)CMU副教授Srinivasa Narasimhan:  http://www.cs.cmu.edu/~srinivas/ 
(95)CMU大学ILIM实验室：http://www.cs.cmu.edu/~ILIM/ 
(96)哥伦比亚大学教授Sheer K.Nayar:  http://www.cs.columbia.edu/~nayar/ 
(97)三菱电子研究院研究员Fatih Porikli ：http://www.porikli.com/ 
(98)康奈尔大学教授Daniel Huttenlocher：http://www.cs.cornell.edu/~dph/ 
(99)南京大学教授周志华：http://cs.nju.edu.cn/zhouzh/index.htm 
(100)芝加哥丰田技术研究所助理教授Devi Parikh: http://ttic.uchicago.edu/~dparikh/index.html 
(101)瑞士联邦理工学院博士后Helmut Grabner: http://www.vision.ee.ethz.ch/~hegrabne/#Short_CV 
(102)香港中文大学教授贾佳亚：http://www.cse.cuhk.edu.hk/~leojia/index.html 

(103)南洋理工大学副教授吴建鑫：http://c2inet.sce.ntu.edu.sg/Jianxin/index.html 

(104)GE研究院研究员李关：http://www.cs.unc.edu/~lguan/ 

(105)佐治亚理工学院教授Monson Hayes:http://savannah.gatech.edu/people/mhayes/ 

(106)图片检索国际会议VOC(微软剑桥研究院组织): http://pascallin.ecs.soton.ac.uk/challenges/VOC/ 
(107)机器视觉开源处理库汇总：http://archive.cnblogs.com/a/2217609/ 

(108)布朗大学教授Benjamin Kimia:  http://www.lems.brown.edu/kimia.html   

(109)数据堂-图像处理相关的样本数据：http://www.datatang.com/data/list/602026/p1 

(110)东软基于CV的汽车辅助驾驶系统：http://www.neusoft.com/cn/solutions/1047/ 

(111)马里兰大学教授Rema Chellappa:http://www.cfar.umd.edu/~rama/ 
(112)芝加哥丰田研究中心助理教授Devi Parikh：http://ttic.uchicago.edu/~dparikh/index.html 

(113)宾夕法尼亚大学助理教授石建波：http://www.cis.upenn.edu/~jshi/ 

(114)比利时鲁汶大学教授Luc Van Gool：http://www.vision.ee.ethz.ch/members/get_member.cgi?id=1,http://www.vision.ee.ethz.ch/~vangool/ 
(115)行人检测主页：http://www.pedestrian-detection.com/ 

(116)法国学习算法与系统实验室Basilio Noris博士：http://lasa.epfl.ch/people/member.php?SCIPER=129576 http://mldemos.epfl.ch/ 
(117)美国马里兰大学LARRY S.DAVIS教授：http://www.umiacs.umd.edu/~lsd/ 

(118)计算机视觉论文分类导航：http://www.visionbib.com/bibliography/contents.html 

(119)计算机视觉分类信息导航：http://www.visionbib.com/ 
(120)西班牙马德里理工大学博士Marcos Nieto：http://marcosnieto.net/ 
(121)香港理工大学副教授张磊：http://www4.comp.polyu.edu.hk/~cslzhang/ 

(122)以色列技术学院教授Michael Elad：http://www.cs.technion.ac.il/~elad/ 

(123)韩国启明大学计算机视觉与模式识别实验室：http://cvpr.kmu.ac.kr/ 

(124)英国诺丁汉大学Michel Valstar博士：http://www.cs.nott.ac.uk/~mfv/ 

(125)卡内基梅隆大学Takeo Kanade教授:http://www.ri.cmu.edu/people/kanade_takeo.html 
(126)微软学术搜索：http://libra.msra.cn/ 
(127)比利时天主教鲁汶大学Radu Timofte博士：http://homes.esat.kuleuven.be/~rtimofte/，交通标志检测，定位，3D跟踪 
(128)迪斯尼匹兹堡研究院研究员：Iain Matthews:http://www.iainm.com/iainm/Home.html

http://www.ri.cmu.edu/person.html?type= … son_id=741  AAM,三维重建 

（129）康奈尔大学视觉与图像分析组：http://www.via.cornell.edu/ 医学图像处理 

（130）密西根州立大学生物识别研究组：http://www.cse.msu.edu/biometrics/ 人脸识别、指纹识别、图像检索 
（131）柏林科技大学计算机视觉与遥感实验室：http://www.cv.tu-berlin.de/menue/computer_vision_remote_sensing/parameter/en/ 图像分析、物体重建、基于图像的表面测量、医学图像处理 

（132）英国布里斯托大学数字多媒体研究组：http://www.cs.bris.ac.uk/Research/Digitalmedia/ 运动检测与跟踪、视频压缩、3D重建、字符定位 

（133）英国萨利大学视觉、语音与信号处理中心：  http://www.surrey.ac.uk/cvssp/  人脸识别、监控、3D、视频检索、 
（134）北卡莱罗纳大学教堂山分校Marc Pollefeys教授：http://www.cs.unc.edu/~marc/ 基于视频的3D模型生成、相机标定、运动检测与分析、3D重建 

（135）澳大利亚国立大学Richard Hartley教授：http://users.cecs.anu.edu.au/~hartley/ 运动估计、稀疏子空间、跟踪、 

（136）百度技术副总监于凯：http://www.dbs.ifi.lmu.de/~yu_k/ 深度学习，稀疏表示，图像分类 

（137）西安电子科技大学高新波教授：http://web.xidian.edu.cn/xbgao/index.html 质量评判、水印、稀疏表示、超分辨率 

（138）加州大学伯克利分校Michael I.Jordan教授：http://www.cs.berkeley.edu/~jordan/ 机器学习 

（139）加州理工行人检测相关资料：http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/ 

（140）微软Redmond研究院研究员Piotr Dollar:  http://vision.ucsd.edu/~pdollar/  行人检测、特征提取、 

（141）视觉计算研究论坛：http://www.sigvc.org/bbs/ 中科院视觉计算研究小组的论坛 

（142）美国坦桑尼亚州立大学稀疏学习软件包：http://www.public.asu.edu/~jye02/Software/SLEP/index.htm 稀疏学习 

（143）美国加州大学圣地亚哥分校Jacob Whitehill博士：http://mplab.ucsd.edu/~jake/ 机器学习 

（144）美国布朗大学Michael J.Black教授：http://cs.brown.edu/~black/ 人的姿态估计和跟踪 

（145）美国加州大学圣地亚哥分校David Kriegman教授：http://cseweb.ucsd.edu/~kriegman/ 人脸识别 

（146）南加州大学Paul Debevec教授：http://ict.debevec.org/~debevec/ 或 http://www.pauldebevec.com/  将CV和CG结合研究 人脸捕捉重建技术 

（147）伊利诺伊大学D.A.Forsyth教授：http://luthuli.cs.uiuc.edu/~daf/ 三维重建 

（148）英国牛津大学Ian Reid教授：http://www.robots.ox.ac.uk/~ian/ 跟踪和机器人导航 

（149）CMU大学Alyosha Efros 教授:  https://www.cs.cmu.edu/~efros/  图像纹理合成 

（150）加州大学伯克利分校Jitendra Malik教授：http://www.cs.berkeley.edu/~malik/ 轮廓检测、图像/视频分割、图形匹配、目标识别 

（151）MIT教授William Freeman：  http://people.csail.mit.edu/billf/  应用于CV的ML、可视化感知的贝叶斯模型、计算摄影学；最有影响力的研究成果：图像纹理合成 

（152）CMU博士Henry Schneiderman：  http://www.cs.cmu.edu/~hws/  目标检测和识别；最有影响力的研究成果：目标检测；2000年CVPR上发表了”A statistical method for 3D object detection applied to faces and cars”。该算法采用多视角训练样本，可用于检测不同视角下的物体，如人脸和车，是第一个能够检测侧脸的算法。他创建了PittPatt公司，后被Google收购 

（153）微软研究员Paul Viola:  http://research.microsoft.com/en-us/um/people/viola/ AdaBoost算法 

（154）微软研究员Antonio Criminisi:  http://research.microsoft.com/en-us/people/antcrim/  图像修补，三维重建，目标检测与跟踪； 

（155）魏茨曼科学研究所教授Michal Irani:  http://www.wisdom.weizmann.ac.il/~irani/ 超分辨率 

（156）瑞士洛桑理工学院Pascal Fua教授：http://people.epfl.ch/pascal.fua/bio?lang=en 立体视觉，增强现实 

（157）佐治亚理工学院Irfan Essa教授：http://www.ic.gatech.edu/people/irfan-essa 人脸表情识别 

整理的内容不见得完善，也不见得能满足所有朋友的需要。如果您有更好的网站资源，欢迎推荐给我。另外，如果你不想记录所有这些链接，也可以去我的博客，所有这些网址在我的博客都有链接。而且，以后我还会不断更新！我的博客是：http://blog.csdn.net/carson2005

最后由  carson2005  编辑于 2013-03-02 9:44，总共编辑了 20 次

my blog:  http://blog.csdn.net/carson2005  QQ：1079185264

carson2005

OpenCV博士  

帖子:  577

注册:  2008-10-01 19:22

本文转载自：博客园-原创精华区
Leave a comment
计算机视觉_第1张图片

图像检索和视频检索领域的会议和杂志

2013年10月4日 机器学习 信息检索, 模式识别, 计算机视觉 smallroof

下面介绍一些图像检索（Image Retrieval）和视频检索（Video Retrieval）领域相关的国际会议和杂志。

Conferences

[1] ACM international conference on Multimedia

[2] IEEE International Conference on Multimedia and Expo (ICME)

[3] ACM International Conference on Multimedia Information Retrieval (MIR)

[4] International Conference on Image and Video Retrieval (CIVR)

[5] IEEE Pacific-Rim Conference On Multimedia (PCM)

[6] IEEE International Conference on Computer Vision and Pattern Recognition (CVPR)

[7] International Conference on Computer Vision (ICCV)

[8] European Conference on Computer Vision (ECCV)

[9] International Conference on Acoustics, Speech, and Signal Processing (ICASSP)

[10] IEEE International Conference on Image Processing (ICIP)

[11] International Conference on Pattern Recognition (ICPR)

Journals

[1] IEEE Transactions on Pattern Analysis and Machine Intelligence

[2] IEEE Transaction on Multimedia

[3] IEEE Trans. on Circuits Systems for Video Technology (T-CSVT)

[4] Pattern Recognition

[5] IEEE Image Processing

[6] Multimedia Systems

[7] Image and Vision Computing

[8] Multimedia Analysis for Security Application

[9] Foundations and Trends® in Information Retrieval

[10] International Journal of Image and Graphics (IJIG )

Copyright: icvpr

本文转载自：Tech2Vision
Leave a comment

AppSeed：用计算机视觉和手机加速UI设计

2013年10月3日 机器学习 用户界面设计, 计算机视觉 smallroof

数字设计师们，把你们的眼睛放到 Kickstarter项目AppSeed 上，它利用计算机视觉技术来加速设计过程的早期阶段。AppSeed的想法是让设计师们能快速将纸上的草图变成可操作的UI原型，以便测试工作流，获取早期设计观点的反馈。

要怎么才能做到这一点呢？活动发起人的计划是制作一款名为AppSeed的应用，设计师可以用手机拍摄设计草图，AppSeed的计算机视觉算法会区分并识别出草图上的不同UI元素，并且给元素以应有的功能。比如，一个文本框的草图会变成可以输入文本的框。

AppSeed的制作者们使用开源计算机视觉库 OpenCV 和自行设计的算法来区分并识别UI元素。该应用会通过分析元素的形状或相对位置，来猜测元素是什么。如果应用不能立即判断出元素所属的种类，它会向用户弹出UI元素列表，要求用户选取元素的功能。

AppSeed的格雷格·格拉斯基(Greg Goralski)解释道：“AppSeed使用OpenCV库来识别封闭形状，然后根据元素位置、大小和形状来判定元素所属分类。因此，左上方的箭头很有可能就是返回键，而同一位置画上三条水平短线就可能是菜单按钮。50px高、非常宽的空长方形可以被认为是文本输入框。”

“AppSeed默认将元素变成按钮。当然，设计师可以直接设置元素类型（这也是搞定事情的主要做法）。它使用了发现轮廓和匹配模板这两项技术来识别形状和特定元素。”

AppSeed的重心就放在UI设计的早期阶段——“最初的头脑风暴和回炉重做阶段”。“你在项目之初的想法越多，最终产品就越好。我们想让最初阶段的UI设计变得更容易、更快、更自然。”

有趣的是，这款面向数字设计师们的应用认为纸会继续在这一过程中扮演关键角色，即便有很多电子方法可以直接在计算机（平板电脑、智能笔、设计软件等）上画草图。但在头脑风暴早期设计上，格拉斯基认为很难打败纸笔。

“我们当然能直接引入数字文件，但感觉用纸和笔来画草图还会陪伴我们很长时间”，他说道：“笔和纸（以及白板和标记笔）如此快、如此自然，开始项目时自然会选择它们。数字工具很棒，也出现很长时间了，但笔和纸让人感觉很对，也很容易进行协作，且能常伴左右。”

从纸上转移到AppSeed中的设计将会作为UI原型在应用内运行，也可以以HTML5原型的形式分享给其他人，无需安装AppSeed就可以测试工作流。

目前还没有最终应用的完整UI元素列表（假设其融资成功的话），该团队计划从支持者获得反馈，了解他们想要的元素种类。格拉斯基表示，可能加入的元素包括：地图、街景、滑块、弹窗、边栏目录、开关、列表、返回键、社交媒体连接、打开相机（和其他按钮），还包括扫动、捏放和轻点等手势。

在AppSeed的原型阶段完成后，设计就可以移交至下一阶段的设计，用Photoshop制作分层文件（比如每个按钮或元素都有单独的层，以便于操控）。

计算机视觉_第2张图片

格拉斯基称，AppSeed概念的主要竞争对手是 POP 和 Protosketch ，但通过在应用中加入计算机视觉技术，AppSeed要更好。“两款[竞争应用]都是拍摄草图照片并在应用中显示。区别在于我们会用计算机视觉来区分元素。正是这一阶段让我们把图形变成UI元素。这一区别差异巨大。”

目前，AppSeed团队已经制作出了可运作的应用原型，但在寻求资金将它变成完整的iOS应用（众筹活动中也将推出Android应用列入了计划之中）。

他们正在寻求筹资3万加元来制作iOS应用，目前已接近筹款目标的一半，而30天的筹款活动还剩下大概10天。Kickstarter活动版应用的价格起价为8加元和30加元（30加元可以得到应用和速写薄）。他们计划在1月发布应用。

本文转载自：TechCrunch中国
Leave a comment
15

模式识别，计算机视觉，计算机图形学，智能控制，信号处理，语音识别，知识处理，机器学习，数据挖掘领域区别

2013年9月22日 机器学习 模式识别, 计算机视觉, 语音识别 smallroof 
1.人工智能：给机器赋予人类的智能，让机器能够像人类那样独立思考。当然，目前的人工智能没有发展到很高级的程度，这种智能与人类的大脑相比还是处于非常幼稚的阶段，但目前我们可以让计算机掌握一定的知识，更加智能化的帮助我们实现简单或复杂的活动。2.机器学习。通俗的说就是让机器自己去学习，然后通过学习到的知识来指导进一步的判断。举个最简单的例子，我们训练小狗狗接飞碟时，当小狗狗接到并送到主人手中时，主人会给一定的奖励，否则会有惩罚。于是狗狗就渐渐学会了接飞碟。同样的道理，我们用一堆的样本数据来让计算机进行运算，样本数据可以是有类标签的，并设计惩罚函数，通过不断的迭代，机器就学会了怎样进行分类，使得惩罚最小。然后用学习到的分类规则进行预测等活动。3.数据挖掘。数据挖掘是一门交叉性很强的学科，可以用到机器学习算法以及传统统计的方法，最终的目的是要从数据中挖掘到为我所用的知识，从而指导人们的活动。所以我认为数据挖掘的重点在于应用，用何种算法并不是很重要，关键是能够满足实际应用背景。而机器学习则偏重于算法本身的设计。
	数据挖掘与知识发现（第二版）中说道，数据挖掘任务分类：包括分类或预测模型知识发现，数据总结，数据聚类，关联规则发现，时序模式发现，依赖关系或依赖模型发现，异常和趋势发现等。
数据挖掘对象分类：包括数据库，面向对象数据库，空间数据库，时态数据库，文本数据库，多媒体数据库，异构数据库，数据仓库，演绎数据库和Web数据库等。
	数据挖掘方法分类：包括统计方法，机器学习方法，神经网络方法和数据库方法。4.模式识别。我觉得模式识别偏重于对信号、图像、语音、文字、指纹等非直观数据方面的处理，如语音识别，人脸识别等，通过提取出相关的特征，利用这些特征来进行搜寻我们想要找的目标。
      数据挖掘是数据库知识发现（KDD）过程中应用数据分析和发现算法的一个步骤，在可接受的计算效率的局限性之内，在数据上产生一种特殊的列举模式（或模型）。要注意模式空间通常是无限的而且模式的列举包括对那个空间某种形式的搜索。
5.计算机视觉

计算机视觉是一门关于如何运用照相机和计算机来获取我们所需的，被拍摄对象的数据与信息的学问。形象地说，就是给计算机安装上眼睛（照相机）和大脑（算法），让计算机能够感知环境。我们中国人的成语"眼见为实"和西方人常说的"One picture is worth ten thousand words"表达了视觉对人类的重要性。不难想象，具有视觉的机器的应用前景能有多么地宽广。

计算机视觉既是工程领域，也是科学领域中的一个富有挑战性重要研究领域。计算机视觉是一门综合性的学科，它已经吸引了来自各个学科的研究者参加到对它的研究之中。其中包括 计算机科学 和工程、 信号处理 、 物理学 、应用数学和统计学，神经生理学和认知科学 等。

6.智能控制

智能控制的定义一： 智能控制是由智能机器自主地实现其目标的过程。而 智能机器 则定义为，在结构化或非结构化的，熟悉的或陌生的环境中，自主地或与人交互地执行人类规定的任务的一种机器。

定义二： K.J.奥斯托罗姆则认为，把人类具有的直觉推理和试凑法等智能加以形式化或机器模拟，并用于控制系统的分析与设计中，以期在一定程度上实现控制系统的智能化，这就是智能控制。他还认为自调节控制，自适应控制就是智能控制的低级体现。

定义三： 智能控制是一类无需人的干预就能够自主地驱动智能机器实现其目标的自动控制，也是用计算机模拟人类智能的一个重要领域。

定义四： 智能控制实际只是研究与模拟人类智能活动及其控制与信息传递过程的规律，研制具有仿人智能的工程控制与信息处理系统的一个新兴分支学科。

从20世纪60年代起，计算机技术和人工智能技术迅速发展，为了提高控制系统的自学习能力，控制界学者开始将 人工智能技术应用于控制系统 。

  人工智能 是  计算机科学  的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、 语言识别 、  图像识别  、  自然语言处理  和  专家系统  等。
研究范畴：

自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法。

7.信号处理，语音识别，知识处理都是人工智能所要研究的内容。

区别：以上内容都包括在人工智能的范围之内。
	对数据挖掘而言，数据库提供数据管理技术，机器学习和统计学提供数据分析技术。由于统计学往往醉心于理论的优美而忽视实际的效用，因此，统计学界提供的很多技术通常都要在机器学习界进一步研究，变成有效的机器学习算法之后才能再进入数据挖掘领域。从这个意义上说，统计学主要是通过机器学习来对数据挖掘发挥影响，而机器学习和数据库则是数据挖掘的两大支撑技术。从数据分析的角度来看，绝大多数数据挖掘技术都来自机器学习领域，但机器学习研究往往并不把海量数据作为处理对象，因此，数据挖掘要对算法进行改造，使得算法性能和空间占用达到实用的地步。同时，数据挖掘还有自身独特的内容，即关联分析。

而模式识别和机器学习的关系是什么呢，传统的模式识别的方法一般分为两种：统计方法和句法分析方法。句法分析一般是不可学习的，而统计分析则是发展了不少机器学习的方法。也就是说，机器学习同样是给模式识别提供了数据分析技术。

至于，数据挖掘和模式识别，那么从其概念上来区分吧，数据挖掘重在 发现知识 ，模式识别重在 认识事物 。

机器学习的目的是建模隐藏的数据结构，然后做识别、预测、分类等。

因此，机器学习是方法，模式识别是目的。

智能控制包括机器学习这个方面 。智能控制与数据挖掘的区别，智能控制也包括数据挖掘。 计算机视觉也包括数据挖掘 ？？？

有不少学科的研究目标与 计算机视觉 相近或与此有关。这些 学科 中包括图像处理、 模式识别 或 图像识别 、景物分析、图象理解等。计算机视觉包括图像处理和模式识别，除此之外，它还包括空间形状的描述，几何建模以及认识过程。实现图像理解是计算机视觉的终极目标。

图像处理 技术把输入图像转换成具有所希望特性的另一幅图像。例如，可通过处理使输出图象有较高的信-噪比，或通过增强处理突出图象的细节，以便于操作员的检验。在计算机视觉研究中经常利用图象处理技术进行预处理和 特征抽取 。

模式识别 技术 根据从图象抽取的统计特性或结构信息，把图像分成予定的类别。例如，文字识别或 指纹识别 。在计算机视觉中模式识别技术经常用于对图象中的某些部分，例如分割区域的识别和分类。

	根据我的研究体会，三者之间既有区别，又有联系。计算机图形学是给定关于景象结构、表面反射特性、光源配置及相机模型的信息，生成图像。而计算机视觉是给定图象，推断景象特性实现的是从模型到图像的变换，也就是说从图象数据提取信息，包括景象的三维结构，运动检测，识别物体等。模式识别则是从特征空间到类别空间的变换。研究内容包括特征提取（PCA，LDA，LFA，Kernel，Mean Shift，SIFT，ISOMAP，LLE）；特征选择；分类器设计（SVM，AdaBoost）等。

本文转载自：CSDN博客
Leave a comment

Some good resources: – Leo Han

2013年9月14日 机器学习 计算机视觉 smallroof

对一个方向的深入研究，必须建立在广泛且有质量的阅读、领悟之上。

研一的一年时间里，感觉虽然黄老师给我的任务并不重，课程压力也不大，但思想负担不轻。想在计算机视觉领域做出点东西，这一年是打基础、搞研究最重要的一年。

抓得住现在，才抓得住未来。

今天也找了一些计算机视觉领域的前沿阵地，有时间一定多看看。多学知识、多总结。

资源分为三类，第一类是一些注明的计算机视觉研究中心：

  1. 谷歌研究院： http://research.google.com/index.html
  2. 斯坦福视觉研究中心： http://vision.stanford.edu/research.html
  3. 中国视觉网： http://www.china-vision.net/
  4. 微软亚洲计算机视觉： http://research.microsoft.com/en-us/groups/vc/
  5. 微软剑桥研究院ML与CV研究组： http://research.microsoft.com/en-us/groups/mlp/default.aspx
  6. 香港中文大学多媒体实验室（汤晓鸥）： http://mmlab.ie.cuhk.edu.hk/

第二类是不少的技术博客，关于做研究的一些心得和不少新鲜资讯，也可以研究一下。

偶尔能看到一篇挺好的文章，可惜都没有整理下来记住来源，看过就错过了，以后有发现再补上吧。

第三类是 顶级会议、大牛期刊的录取paper，可以多看看学习学习。

应该定期从PAMI上精读一两篇文章。

主要的有：

三大顶级会议：BMVC ICCV         CVPR

巅峰期刊：      PAMI

本文转载自：博客园-所有随笔区
Leave a comment
计算机视觉_第3张图片

49 款人脸检测/识别的API、库和软件

2013年8月31日 机器学习 人脸识别, 计算机视觉 smallroof

自从谷歌眼镜被推出以来，围绕人脸识别，出现了很多争议。我们相信，不管是不是通过智能眼镜，人脸识别将在人与人交往甚至人与物交互中开辟无数种可能性。

为了帮助研究过程中探索人脸识别，我们列出以下人脸检测和识别API。希望有所帮助！

计算机视觉_第4张图片

  1. Face Recognition – 拉姆达实验室斯蒂芬弄的。示例代码和图形演示点击http://api.lambdal.com/docs， 我们的API提供了面部识别，面部检测，眼睛定位，鼻子定位，嘴巴定位，和性别分类。如果您有任何疑问，只需发一封邮件到[email protected] 。
  2. Face (Detection)  –  计算机视觉面部识别和面部检测。这是一个完美的face.com替代品。目前，我们有一个免费的API进行人脸检测。
  3. Animetrics Face Recognition  –  Animetrics的人脸识别API可用于图片中的人脸检测。面部特征或“地标”的信息被返回作为图象上的坐标。 Animetrics人脸识别也会在三维坐标轴上侦测并返回脸部位置信息。
  4. Skybiometry Face Detection and Recognition 一个易于使用的人脸检测与识别的API。必须在您的SkyBiometry帐户中创建应用程序来使用它。（如果你还没有帐户，请先注册）。
  5. ImageVision Face Detection  –  测试版发布更好的人脸检测服务！ImageVision是一个计算机视觉公司改进技术，确定在任意的（数字）的图像中的人脸的位置和大小。
  6. Face and scene recognition by Rekognition.com  –  Face.com的替代品！快速，强大和可扩展的rekognition引擎可以做面部检测，采集，识别，场景理解！它可以自动训练使用Facebook上的图像和标签！
  7. FaceRect -   FaceRect是一个功能强大且免费的API进行人脸检测，能够发现网页中的或者上传文件中特定图片上的脸部（包括正面和侧面），并能够在一张图片中找到多张人脸，生成的 JSON输出每个脸部的边界框。
  8. Infatics Face Detection  -简单的 人脸检测 API。
  9. OpenCV Face Recognizer  -基于 OpenCV （开源计算机视觉库：  http://opencv.org ）是一个开源的BSD授权的库，其中包括数百个计算机视觉算法。
  10. Libface  –  Libface库旨在使人脸识别技术应用于开源社区。这是用 C++ 编写的，托管在   Sourceforge上 。这个库使用 OpenCV 2.0   ，目标是成为一个中间件，在人脸识别和检测时，开发人员不必包括任何OpenCV的代码。
  11. Automatic naming of characters in video 用来是标记电视或电影每个帧中出现的人名。
  12. CCV  -现代计算机视觉库。
  13. OpenBR -开源的生物特征识别。
  14. Flandmark  -开源实现面部地标探测器。
  15. 计算机表情识别工具箱（CERT） -一个终端到终端的完全自动化的实时面部表情识别系统。
  16. Nviso 3D facial imaging technology -从面部表情分析人类的情感。比任何其他方法更直接和自动化。
  17. FaceReader –  FaceReader是世界上第一个能够自动分析面部表情的工具，使用户能够客观的评估一个人的情绪。
  18. Affdex –  –  通过摄像头，Affdex从面部表情读取的人们的情绪状态，比如喜好和兴趣，使营销人员更快，更准确地洞察到消费者对品牌和媒体的回应。
  19. Faceware  –  分析仪从视频中抓取一个演员的面部表现，生成用于在 Retargeter™  的IMPD文件  。它通过将用户在前端的简单输入和在后端的复杂的计算机视觉算法组合起来实现这一功能。
  20. 20.   Face detection in iOS – 在iOS中的人脸检测 。
  21. Face-Recognition-SDK -在您的应用程序添加面部识别。
  22. Oddcast face detection API -这个人脸跟踪API允许Flash开发人员利用以前只在高端视频游戏中使用的高级技术。
  23. BioID -世界上第一个基于摄像头的个人识别。
  24. Betaface API -人脸检测和识别。
  25. Discrete Area Filters Face Detector —可检测脸部15个点，4个部分，多张脸，或遮住的脸。
  26. Face detection using Support Vector Machine -该程序是克隆MATLAB中的“人脸检测系统”，可以代替神经网络算法的 人脸检测 ，它是基于 SVG。
  27. fdlib – 是一个 C / C + +  和  MATLAB的人脸检测库，可检测图像中的正脸。
  28. Visage -一个人机接口，旨在用脸部取代传统的鼠标。用一个摄像头，将脸部面相的运动变成鼠标指针的运动。如左/右眼睛闪烁产生左/右鼠标点击事件。
  29. Face tracking Project （卡耐基梅隆大学）–结合可变形模板和颜色匹配来跟踪脸部。
  30. Real-time face detection program （ 实时人脸检测程序 ）-来自德国弗劳恩霍夫研究所IIS的演示。展示了用边缘定位匹配的面部跟踪和检测。
  31. Evaluation of Face Recognition Algorithms -来自科罗拉多州立大学研究人员开发的人脸识别算法，它提供了一套标准的众所周知的算法，并建立实验 协议 。
  32. Computer Vision Source Code -实用的图像处理代码集合。
  33. Acsys biometrics SDK （ ACSYS生物识别SDK  ）-允许第三方开发者用先进的面部生物识别技术来实现自己应用。
  34. Cognitec SDK -为世界各地的企业和政府客户开发领先的人脸识别技术和应用。
  35. KeyLemonFaceSDK -为主要的操作系统提供集成识别技术。
  36. FaceIT SDK
  37. FaceSDK – 人脸识别和基于面部的生物识别功能，易整合。
  38. Verilook SDK -–使用了VeriLook算法，该算法确保快速和可靠的面部识别。
  39. Beyond Reality Face SDK -在视频流中的一张简单图片上，计算面部位置和3D角度。这些信息可以被用来将三维对象放置到图像上，或通过头部运动控制一个应用程序。
  40. InSight SDK -通过测量面部肌肉的运动，对人脸进行完全自动化分析，并将这些面部肌肉运动转化为七个普遍的面部表情。
  41. Visage FaceDetect SDK -以C++软件开发工具包的形式，包含了很多在静止图像中发现脸和五官的有用技术。
  42. Microsoft Research Face SDK Beta – 集成了微软研究团队最新的面部识别技术。
  43. How To: Kinect for Windows SDK Face Recognition
  44. Bayometric FaceIt Face Recognition SDK -结合了传统的面部皮肤生物识别技术。
  45. FacePhi FaceRecognition SDK –包含了一组.NET和Silverlight库
  46. 360Biometrics Face SDK -非常先进的脸部识别系统，用来将人脸图像嵌入或链接到已有的数据库中。
  47. Hunter TrueID
  48. IMRSV -现实世界中的实时感知计算软件，用一个基本的摄像头，就可以测量25英尺外，多达25人的性别，年龄，关注点，目光等信息。它也有一个REST API（应用编程接口）
  49. Bob -一个信号处理和机器学习工具箱，最初是由IDIAP研究所的生物识别技术团队在瑞士开发的  。

还有哪些是这个名单上缺少的吗？如果有，请在评论中添加。

原文链接： mashape    翻译： 伯乐在线 – 伯乐在线读者 
译文链接： http://blog.jobbole.com/45936/

(mashape)
本文转载自：流媒体家园 – 罗索工作室
Leave a comment
18

《用Python构建机器学习》——第十章：计算机视觉-模式识别 读后小结

2013年8月28日 机器学习 Python, 模式识别, 计算机视觉 smallroof

本文是《Building Machine Learning Systems with Python》第十章的笔记。 亚马逊英文版链接 （话说亚马逊现在图书的介绍图像做得很赞啊！）

这本书和图灵出版的《机器学习实战》一书有点类似。《机器学习实战》那本书是非常建议购买一本的，如果这本书出版了，也建议购买一本。这里将阅读第十章的一些心得记录下来。

首先，关于第十章《Computer Vision: Pattern Recognition》。这一章有点名不符实，本章一半篇幅在介绍图像的基本处理，这一部分有点充数的感觉。

另外，本章使用了我以前没听过的 Mahotas 图像处理库。关于这个库的介绍可参见： 介绍 、 Github 、 官网 、 文档 。

我其实不清楚为什么作者使用这个库而不用OpenCV。比如，Mahotas远没有OpenCV功能强大，从 目前已有的信息 来看，Mahotas已有的优点，OpenCV都具有。另外，更重要的一点，根据国外友人的测试，OpenCV的速度远远快于其他常见的Python上的图像处理库，OpenCV比Mahotas快20-30倍，地址 在这 （自备梯子）。当然，不排除我对OpenCV先入为主的一些看法。

其实，上面一段是调侃的。。。因为后来我发现Mahotas软件包的作者就是本书的作者之一——Luis Pedro Coelho，这就不难理解为什么本书使用这个以前我没听过的库了。（仰天长笑，我还以为我out了。。。）

言归正传。本章的布局为：

10.1 Introducing image processing 
10.2 Loading and displaying images 
10.3 Basic image processing 

Thresholding 
Gaussian blurring 
Filtering for different effects 
Adding salt and pepper noise 
Putting the center in focus 

10.4 Pattern recognition 
10.5 Computing features from images 
10.6 Writing your own features 
10.7 Classifying a harder dataset 
10.8 Local feature representations

标题号是我自己加上去的，为了方便下文的说明。10.4之前的内容，除了Putting the center in focus的内容没有介绍外，其他都能在我的《 OpenCV-Python教程 》中找到。

10.4是模式识别，但这里有些误导。他用Tip来提示作者：“模式识别就是图像分类。由于历史原因，曾经将图像分类称为图像分类。但有关模式识别的应用和方法不只局限于图像方面。”根据机械工业出版社的《模式识别》一书，模式识别是将对象进行分类，这些对象包括图像、信号波形或者任何可测量且需要分类的对象。所以建议读者在记住知识点时，不要只看Tip的标题，还要看其说明。^_^。

10.5和10.6介绍计算特征图像以及如何自己编写特征。 Sobel算子 、 Laplacian算子 和Canny算子 都是计算图像特征的。图像特征并没有统一的定义，但可以看一下 维基百科的词条 ，这个词条是介绍特征提取，可以作为参考。

10.7是对10.8的铺垫，而10.8这介绍用Mahotas包中的函数应用SURF算法，并用K均值对不同结果进行了精度评价。有空我写一篇OpenCV-Python关于SURF的文章。

个人观点，这一章对计算机视觉的机器学习方面做了初步的介绍，并且宣传了作者自己的Mahotas函数包。读者要想在计算机视觉充分利用机器学习，还需要进一步的学习。

友情提示：尊重版权，请勿索要电子版，谢谢。 

本文转载自：sunny2038的专栏
Leave a comment
计算机视觉_第5张图片

[收藏]40多个关于人脸检测/识别的API、库和软件

2013年8月19日 机器学习 人脸识别, 计算机视觉 smallroof

补充：

50：Face++：  http://cn.faceplusplus.com/

—-

收藏原因：忒多了。。

原文链接：  mashape    翻译：  伯乐在线  –  伯乐在线读者 
译文链接：  http://blog.jobbole.com/45936/

————————————

自从谷歌眼镜被推出以来，围绕人脸识别，出现了很多争议。我们相信，不管是不是通过智能眼镜，人脸识别将在人与人交往甚至人与物交互中开辟无数种可能性。

为了帮助研究过程中探索人脸识别，我们列出以下人脸检测和识别 API。希望有所帮助！

计算机视觉_第6张图片

  1. Face Recognition  - 拉姆达实验室斯蒂芬弄的。示例代码和图形演示点击http://api.lambdal.com/docs， 我们的 API 提供了面部识别，面部检测，眼睛定位，鼻子定位，嘴巴定位，和性别分类。如果您有任何疑问，只需发一封邮件到[email protected] 。
  2. Face (Detection)  –  计算机视觉面部识别和面部检测。这是一个完美的 face.com 替代品。目前，我们有一个免费的 API 进行人脸检测。
  3. Animetrics Face Recognition  –  Animetrics 的人脸识别 API 可用于图片中的人脸检测。面部特征或“地标”的信息被返回作为图象上的坐标。 Animetrics 人脸识别也会在三维坐标轴上侦测并返回脸部位置信息。
  4. Skybiometry Face Detection and Recognition  一个易于使用的人脸检测与识别的 API。必须在您的 SkyBiometry 帐户中创建应用程序来使用它。（如果你还没有帐户，请先注册）。
  5. ImageVision Face Detection  –  测试版发布更好的人脸检测服务！ImageVision 是一个计算机视觉公司改进技术，确定在任意的（数字）的图像中的人脸的位置和大小。
  6. Face and scene recognition by Rekognition.com  -  Face.com 的替代品！快速，强大和可扩展的 rekognition 引擎可以做面部检测，采集，识别，场景理解！它可以自动训练使用 Facebook 上的图像和标签！
  7. FaceRect -   FaceRect 是一个功能强大且免费的 API 进行人脸检测，能够发现网页中的或者上传文件中特定图片上的脸部（包括正面和侧面），并能够在一张图片中找到多张人脸，生成的 JSON 输出每个脸部的边界框。
  8. Infatics Face Detection  -简单的 人脸检测 API。
  9. OpenCV Face Recognizer   -基于 OpenCV（开源计算机视觉库： http://opencv.org  ）是一个开源的 BSD 授权的库，其中包括数百个计算机视觉算法。
  10. Libface  -  Libface 库旨在使人脸识别技术应用于开源社区。这是用 C++ 编写的，托管在   Sourceforge 上 。这个库使用  OpenCV   2. 0   ，目标是成为一个中间件，在人脸识别和检测时，开发人员不必包括任何 OpenCV 的代码。
  11. Automatic naming of characters in video  用来是标记电视或电影每个帧中出现的人名。
  12. CCV  -现代计算机视觉库。
  13. OpenBR -开源的生物特征识别。
  14. Flandmark  -开源实现面部地标探测器。
  15. 计算机表情识别工具箱（CERT） -一个终端到终端的完全自动化的实时面部表情识别系统。
  16. Nviso 3D facial imaging technology -从面部表情分析人类的情感。比任何其他方法更直接和自动化。
  17. FaceReader -  FaceReader 是世界上第一个能够自动分析面部表情的工具，使用户能够客观的评估一个人的情绪。
  18. Affdex  -  –  通过摄像头，Affdex 从面部表情读取的人们的情绪状态，比如喜好和兴趣，使营销人员更快，更准确地洞察到消费者对品牌和媒体的回应。
  19. Faceware  –  分析仪从视频中抓取一个演员的面部表现，生成用于在 Retargeter™  的 IMPD 文件  。它通过将用户在前端的简单输入和在后端的复杂的计算机视觉算法组合起来实现这一功能。
  20. 20.    Face detection in iOS - 在 iOS 中的人脸检测 。
  21. Face-Recognition-SDK -在您的应用程序添加面部识别。
  22. Oddcast face detection API -这个人脸跟踪 API 允许 Flash 开发人员利用以前只在高端视频游戏中使用的高级技术。
  23. BioID -世界上第一个基于摄像头的个人识别。
  24. Betaface API -人脸检测和识别。
  25. Discrete Area Filters Face Detector —可检测脸部 15 个点，4 个部分，多张脸，或遮住的脸。
  26. Face detection using Support Vector Machine -该程序是克隆 MATLAB 中的“人脸检测系统”，可以代替神经网络算法的 人脸检测 ，它是基于 SVG。
  27. fdlib  – 是一个 C / C + +  和  MATLAB 的人脸检测库，可检测图像中的正脸。
  28. Visage -一个人机接口，旨在用脸部取代传统的鼠标。用一个摄像头，将脸部面相的运动变成鼠标指针的运动。如左/右眼睛闪烁产生左/右鼠标点击事件。
  29. Face tracking Project （卡耐基梅隆大学）–结合可变形模板和颜色匹配来跟踪脸部。
  30. Real-time face detection program （ 实时人脸检测程序 ）-来自德国弗劳恩霍夫研究所 IIS 的演示。展示了用边缘定位匹配的面部跟踪和检测。
  31. Evaluation of Face Recognition Algorithms -来自科罗拉多州立大学研究人员开发的人脸识别算法，它提供了一套标准的众所周知的算法，并建立实验协议。
  32. Computer Vision Source Code -实用的图像处理代码集合。
  33. Acsys biometrics SDK （ ACSYS 生物识别 SDK  ）-允许第三方开发者用先进的面部生物识别技术来实现自己应用。
  34. Cognitec SDK -为世界各地的企业和政府客户开发领先的人脸识别技术和应用。
  35. KeyLemonFaceSDK -为主要的操作系统提供集成识别技术。
  36. FaceIT SDK
  37. FaceSDK - 人脸识别和基于面部的生物识别功能，易整合。
  38. Verilook SDK -–使用了 VeriLook 算法，该算法确保快速和可靠的面部识别。
  39. Beyond Reality Face SDK -在视频流中的一张简单图片上，计算面部位置和 3D 角度。这些信息可以被用来将三维对象放置到图像上，或通过头部运动控制一个应用程序。
  40. InSight SDK -通过测量面部肌肉的运动，对人脸进行完全自动化分析，并将这些面部肌肉运动转化为七个普遍的面部表情。
  41. Visage FaceDetect SDK -以 C++ 软件开发工具包的形式，包含了很多在静止图像中发现脸和五官的有用技术。
  42. Microsoft Research Face SDK Beta - 集成了微软研究团队最新的面部识别技术。
  43. How To: Kinect for Windows SDK Face Recognition
  44. Bayometric FaceIt Face Recognition SDK -结合了传统的面部皮肤生物识别技术。
  45. FacePhi FaceRecognition SDK  –包含了一组 .NET 和 Silverlight 库
  46. 360Biometrics Face SDK -非常先进的脸部识别系统，用来将人脸图像嵌入或链接到已有的数据库中。
  47. Hunter TrueID
  48. IMRSV -现实世界中的实时感知计算软件，用一个基本的摄像头，就可以测量 25 英尺外，多达 25 人的性别，年龄，关注点，目光等信息。它也有一个 REST API（应用编程接口）
  49. Bob -一个信号处理和机器学习工具箱，最初是由 IDIAP 研究所的生物识别技术团队在瑞士开发的  。

还有哪些是这个名单上缺少的吗？如果有，请在评论中添加。

本文转载自：丕子
Leave a comment
applogo-ss

几个模式识别和计算机视觉相关的Matlab工具箱 – Hanson-jun

2013年7月2日 机器学习 MATLAB, 模式识别, 计算机视觉 smallroof

模式识别、计算机视觉、图像处理等领域大部分是对一些图像等数据的处理，比较常用的语言是C++和Matlab，相应也对应很多库，象opencv等，都是很好用功能也很强大，但是对于数据处理更方便的应该还是Matlab了，其强大的矩阵处理能力真是解决了很多问题，提高了编码效率。

这里我搜集了一些关于模式识别、视觉相关的Matlab工具箱（Toolbox），其中涵盖的东西就很多了，像是一些分类聚类的模型和算法，一些数据的表示和绘制等，应该会有所帮助，但是一般都是英文的，还是那句话，用到的话肯定英文也不是问题了，对吧。自己解决就行。

第一个，这个很全面但是很杂，直接涵盖了各行各业的，物理化学都有，不过还是以咱们的方向为主：

Matlab Toolboxes

下面介绍的几个在上面这个已经包含进去了，也相当于一个全面的链接库。

Statistical Pattern Recognition Toolbox ，这算是一个相当好用的了，也比较全面，看几个图：

再一个：

DCPR (Data Clustering & Pattern Recognition) Toolbox ，也看几个图：

  • gmmGrowDemo : Animation of GMM (Gaussian mixture models) growing with center splitting

再来一个： David M.J. Tax — Data description toolbox (dd_tools)

当然，网上还有很多很多，还有很多很多牛人作者页面上的很多很多源码，在做研究的时候有机缘碰到选择一下就一般能用。


本文转载自：Hanson-jun Blog

你可能感兴趣的:(机器视觉)

  • 机器视觉_联合编程(二) Zhangci］ VisionPro数码相机计算机视觉人工智能VisionPro机器视觉
    链接相机,加载tb,检测FrameGrabber链接相机拍照usingSystem;usingSystem.Collections;usingSystem.Collections.Generic;usingSystem.ComponentModel;usingSystem.Data;usingSystem.Drawing;usingSystem.Linq;usingSystem.Text;usin
  • EI检索-机器视觉、图像处理与影像技术国际学术会议（MVIPIT 2023）邀您参会！ 诗远Yolanda 图像处理人工智能计算机视觉
    机器视觉是计算机学科的一个重要分支，它综合了光学、机械、电子、计算机软硬件等方面的技术，涉及到计算机、图像处理、模式识别、人工智能、信号处理、光机电一体化等多个领域。而图像处理等技术的快速发展也推动了机器视觉的发展。机器视觉在我国具有广泛的工业应用，核心功能包括：测量，检测，识别，定位等。第一届机器视觉、图像处理与影像技术国际学术会议（MVIPIT2023）将于2023年7月26日-28日在浙江杭
  • 学习Halcon可以从以下几个方面入手 视觉人机器视觉 机器视觉Halcon大总结学习人工智能深度学习图像处理计算机视觉视觉检测
    ‌基础理论学习‌：‌了解Halcon的基本概念、‌架构和主要技术，‌包括图像处理、‌机器视觉、‌深度学习等方面的知识。‌‌官方文档和教程‌：‌阅读Halcon的官方文档和教程，‌这是学习Halcon最直接、‌最权威的途径。‌官方文档详细介绍了Halcon的各种功能和算子，‌是学习Halcon不可或缺的资源。‌‌实践项目‌：‌通过参与实际项目来巩固所学知识，‌提升实践能力。‌可以从简单的项目开始，‌
  • 最新2024年国际EI会议集合 AC学术中心 EI论文
    最新2024年国际EI会议集合，要说哪个渠道录用最快，当属EI会议，最快1个月录用，超级快的可能仅需15天，非常适合计算机、机械、工程技术等理工科方向。除了录用周期的优势外，EI会议相较于SCI、EI源刊、国内核心等价格更便宜，几千元即可发表EI会议论文。下面AC学术中心给大家介绍一下近期要举办的EI会议。第二届机器视觉、图像处理与影像技术国际会议（MVIPIT2024）会议时间：2024年9月1
  • acm会议什么档次_盘点AI国际顶级会议 weixin_39531992 acm会议什么档次
    人工智能(英文全称ArtificialIntelligence,缩写为AI)从其字面意思理解是由人制造出来在机器上体现出的类似于人类的智能，其技术研究包含机器视觉、机器学习、自然语言处理、机器运动和控制等众多方面。如同四大时装周是世界时尚潮流的风向标，人工智能领域的国际顶尖会议也往往汇集了人工智能各分支技术的最新发展状态和未来发展方向。今天，小编就来为大家盘点一下人工智能领域的国际顶级会议。\\\
  • 【机器视觉--光学】工业相机成像原理 Vision Z 机器视觉镜头工业相机机器视觉
    相机成像原理分为透镜成像原理和小孔成像原理，工业相机原理与透镜成像类似。透镜成像原理凸透镜的成像规律是即：物距的倒数与像距的倒数之和等于焦距的倒数对焦原理工业相机镜头分为定焦、定倍、变焦镜头，常用的是定焦和定倍，定倍镜头调整相距，达到清晰的成像，根据上面的公式，想要得到远处清晰的成像，镜片组到芯片距离需要增加，想要得到近距离的成像时，镜片组到芯片距离需要减小。定倍镜头放大倍数已知，工作距离已知，安
  • 关于光源的明场和暗场照明 InvokeLife 机器视觉光源
    明场：光源与被测物成一定角度，使得绝大部分的光反射到摄像机，我们称作明场照明[1]。暗场：光源位置使得大部分的光没有反射到摄像机，仅仅将照射到被测物的特定部分的光反射到摄像机，我们称此种照明为暗场照明[1]。如下，明场和暗场的示意图[2]。根据直射、漫射，以及正面背面还可以再分。未完待续。[1]《机器视觉算法与应用》第二版[2]《默然光源选型手册》
  • 机器视觉-4 检测原理之OpenCV Blob特征检测 dingkm666 机器视觉计算机视觉人工智能深度学习
    在OpenCV中，BLOB（BinaryLargeOBjects）检测是一种用于识别和分析二值图像中连通区域的技术。OpenCV提供了专门的工具类SimpleBlobDetector来帮助实现这一功能。以下是关于OpenCV中BLOB检测的详细说明，包括其原理、使用方法和应用场景。一.什么是BLOB？在图像处理的背景下，BLOB指的是图像中颜色一致且连接在一起的像素区域。在二值图像中，这些区域通常
  • 机器视觉-1 常用的机器视觉开发库 dingkm666 机器视觉机器学习
    机器视觉-1常用的机器视觉开发库前言：工欲善其事必先利其器，选择一个合适的视觉开发库是在机器视觉领域的发展的重要基础。1.OpenCV（OpenSourceComputerVisionLibrary）简介:OpenCV是最著名和最广泛使用的开源计算机视觉库之一。由Intel于1999年开发，目前由OpenCV.org维护，支持C++、Python、Java和MATLAB等多种编程语言。功能:图像处
  • 工业相机参数之帧率相关知识详解 小白学视觉 人工智能javapython计算机视觉编程语言
    点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达工业相机是机器视觉系统的重要组成部分之一,在机器视觉系统中有着非常重要的作用。工业相机已经被广泛应用于工业生产线在线检测、智能交通,机器视觉,科研,军事科学,航天航空等众多领域。工业相机的主要参数包括:分辨率、帧率、像素、像元尺寸、光谱响应特性等。下面我们来对工业相机帧率的相关知识进行讲解:帧率(Framerate)是用于测量显
  • 机器视觉按需求选择工业相机的方法 鸦芽_hujiamei 图像处理机器视觉机器视觉相机选择
    信号工业相机的信号类型有模拟信号和数字信号两种。模拟相机必须有图像采集卡，标准的模拟相机分辨率很低，采集到的是模拟信号，经数字采集卡转换为数字信号进行传输存储。工业数字相机采集到的是数字信号，数字信号不受电噪声影响，因此，数字相机的动态范围更高，能够向计算机传输更精确的信号。分辨率根据具体需求来选择相机分辨率的大小，如果一个像素对应一个缺陷的话，那么这样的系统一定会极不稳定，所以我们为了提高系统的
  • 工业相机测长仪的组成部分 蓝鹏测控 自动化制造其他
    关键字:工业相机测长仪,高精度测长仪,视觉测量系统,蓝鹏测控测长仪,工业测长仪,本文介绍了蓝鹏测控公司机器视觉业务测长仪的核心产品及技术特点，主要涵盖相机部分、相机防护系统、补光系统和软件部分。（一）相机部分我司的机器视觉业务聚焦工业视觉传感应用，专注光学技术、嵌入式硬件技术和底层算法软件，为客户提供领先的机器视觉硬件产品和算法平台。公司拥有成熟的研发及质量管控体系，从设计源头确保每一款产品的高品
  • 视觉系统的革新：嵌入式AI摄像头 7aa5938c2f5f
    学号：17050610006姓名：韦运泽文章链接：https://mp.weixin.qq.com/s/VzuM-ewcCu88D7nYjeE3BQ功能强大的精简型单板计算机的推出带动了一些新产品的设计，在通过小型化优化成本及效率的应用中，它的效用尤为明显。另外，视觉系统可以利用功能全面的板级机器视觉摄像头进一步缩小产品总体尺寸并实现运行灵活性，同时还支持定制或非标准光学部件。它们被用于：医疗诊断
  • 国内十大AGV厂家排行 互联网之声 人工智能大数据
    国内agv机器人公司排名1.海康机器人成立时间：2016年4月20日海康机器人成立于2016年。杭州的一家机器人技术公司主要从事移动机器人、机器视觉、无人机等领域的业务。到目前为止，它还拥有许多专利产品，并一直为世界提供许多相应的产品和结局计划。2.坤厚机器人成立时间：坤厚自动化科技有限公司成立于2015年，从成立至今申请了多项发明及实用新型专利，并且拥有国内领先的AGV技术，紧密结合市场应用需求
  • 什么是计算机视觉？ 龙腾AI 计算机视觉人工智能自然语言处理深度学习ai
    计算机视觉概述计算机视觉（ComputerVision）又称机器视觉（MachineVision），是一门让机器学会如何去“看”的学科，是深度学习技术的一个重要应用领域，被广泛应用到安防、工业质检和自动驾驶等场景。具体的说，就是让机器去识别摄像机拍摄的图片或视频中的物体，检测出物体所在的位置，并对目标物体进行跟踪，从而理解并描述出图片或视频里的场景和故事，以此来模拟人脑视觉系统。因此，计算机视觉也
  • 嵌入式机器视觉的流水线分拣机器人：OpenCV、 FreeRTOS、 TensorFlow（代码详解） 极客小张 机器人opencvtensorflowstm32系统架构计算机视觉物联网
    一、项目概述在现代自动化生产中，分拣机器人作为提高生产效率和准确度的重要工具，正逐渐成为工业流水线的核心组成部分。本项目旨在设计一款基于嵌入式机器视觉的流水线分拣机器人，通过高效的图像处理与实时控制技术，实现对物品的快速识别与自动分拣。该项目的主要目标包括：提高分拣精度：通过高效的机器视觉算法，确保机器人能够准确识别不同类型的物品。提升作业效率：利用实时操作系统和嵌入式AI推理引擎，实现快速响应与
  • 简述Ifocus自动对焦模块 51camera 机器视觉视觉检测视觉系统
    在2024上海机器视觉展中，51camera的合作厂商iCore展出的自动对焦模块吸引不少观众驻足，那么什么是自动对焦呢？顾名思义，是指被测物的成像平面偏离了镜头的焦距范围，导致成像模糊，利用辅助装置可使成像平面重新回到镜头最佳焦距范围。自动对焦的作用？首先我们先了解一下“景深”，景深（DepthofField,DOF）是关于空间中可以清晰成像的距离范围，镜头对焦面物体拍摄时，背景虚化，对焦背景时
  • iLight混合点光源 激光与LED技术的结合 51camera LED光源视觉系统视觉检测
    51camera机器视觉产品资料查询平台的光源种类比较丰富，今天我们一起来看看其合作厂商iCore的明星产品iLight混合点光源，该产品提供了比LED更高的亮度，作为传统LED和氙气灯的替代品，它将激光和LED技术的结合，提供了长达10,000小时的寿命，没有氙气灯短寿命和亮度波动的缺点。iLight混合光系统由一个大功率光源控制器和一个专门为机器视觉应用设计的混合光组成。它具有高速控制和高效运
  • 加速自动驾驶模型迭代，数据存算一体是关键 virtaitech OrionX自动驾驶人工智能机器学习AIAI算力资源池化科技OrionX
    自动驾驶的每一个业务阶段都会涉及到AI深度学习算法和算力的参与，机器视觉，深度学习，传感器技术等均在自动驾驶领域发挥着重要的作用。自动驾驶系统不断迭代的前提是算法的持续优化，目前，自动驾驶发展的瓶颈主要在于AI底层技术和AI算力发展水平上能否实现突破。近日，焱融高性能分布式文件存储系统YRCloudFile联合趋动科技OrionXAI算力资源池化软件与GeminiAI开发训练平台，共同打造自动驾驶
  • 大创项目推荐 深度学习 opencv python 公式识别(图像识别 机器视觉) laafeer python
    文章目录0前言1课题说明2效果展示3具体实现4关键代码实现5算法综合效果6最后0前言优质竞赛项目系列，今天要分享的是基于深度学习的数学公式识别算法实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：4分创新点：4分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1课题
  • 软件杯 深度学习 opencv python 公式识别(图像识别 机器视觉) Mr.D学长 pythonjava
    文章目录0前言1课题说明2效果展示3具体实现4关键代码实现5算法综合效果6最后0前言优质竞赛项目系列，今天要分享的是基于深度学习的数学公式识别算法实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：4分创新点：4分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1课题
  • 计算机设计大赛 行人重识别(person reid) - 机器视觉 深度学习 opencv python iuerfee python
    文章目录0前言1技术背景2技术介绍3重识别技术实现3.1数据集3.2PersonREID3.2.1算法原理3.2.2算法流程图4实现效果5部分代码6最后0前言优质竞赛项目系列，今天要分享的是深度学习行人重识别(personreid)系统该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：5分更多资料,项目分享：https:
  • 挑战杯 基于设深度学习的人脸性别年龄识别系统 laafeer python
    文章目录0前言1课题描述2实现效果3算法实现原理3.1数据集3.2深度学习识别算法3.3特征提取主干网络3.4总体实现流程4具体实现4.1预训练数据格式4.2部分实现代码5最后0前言优质竞赛项目系列，今天要分享的是基于深度学习机器视觉的人脸性别年龄识别系统该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/po
  • 互联网加竞赛 机器视觉目标检测 - opencv 深度学习 Mr.D学长 pythonjava
    文章目录0前言2目标检测概念3目标分类、定位、检测示例4传统目标检测5两类目标检测算法5.1相关研究5.1.1选择性搜索5.1.2OverFeat5.2基于区域提名的方法5.2.1R-CNN5.2.2SPP-net5.2.3FastR-CNN5.3端到端的方法YOLOSSD6人体检测结果7最后0前言优质竞赛项目系列，今天要分享的是机器视觉opencv深度学习目标检测该项目较为新颖，适合作为竞赛课题
  • 挑战杯 基于机器视觉的图像拼接算法 laafeer python
    前言图像拼接在实际的应用场景很广，比如无人机航拍，遥感图像等等，图像拼接是进一步做图像理解基础步骤，拼接效果的好坏直接影响接下来的工作，所以一个好的图像拼接算法非常重要。再举一个身边的例子吧，你用你的手机对某一场景拍照，但是你没有办法一次将所有你要拍的景物全部拍下来，所以你对该场景从左往右依次拍了好几张图，来把你要拍的所有景物记录下来。那么我们能不能把这些图像拼接成一个大图呢？这是一个较为新颖的竞
  • 挑战杯 基于机器视觉的火车票识别系统 laafeer python
    文章目录0前言1课题意义课题难点：2实现方法2.1图像预处理2.2字符分割2.3字符识别部分实现代码3实现效果最后0前言优质竞赛项目系列，今天要分享的是基于机器视觉的火车票识别系统该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1课题意义目前火车乘务员在卧铺旅客在上车前为其提供将火车
  • 挑战杯 基于机器视觉的二维码识别检测 - opencv 二维码 识别检测 机器视觉 laafeer python
    文章目录0简介1二维码检测2算法实现流程3特征提取4特征分类5后处理6代码实现5最后0简介优质竞赛项目系列，今天要分享的是基于机器学习的二维码识别检测-opencv二维码识别检测机器视觉该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1二维码检测物体检测就是对数字图像中一类特定的物体
  • 计算机设计大赛 深度学习人体跌倒检测 -yolo 机器视觉 opencv python iuerfee python
    0前言优质竞赛项目系列，今天要分享的是**基于深度学习的人体跌倒检测算法研究与实现**该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：5分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1.前言人体跌倒是人们日常生活中常见姿态之一，且跌倒的发生具有随机、难
  • 计算机设计大赛 深度学习人脸表情识别算法 - opencv python 机器视觉 iuerfee python
    文章目录0前言1技术介绍1.1技术概括1.2目前表情识别实现技术2实现效果3深度学习表情识别实现过程3.1网络架构3.2数据3.3实现流程3.4部分实现代码4最后0前言优质竞赛项目系列，今天要分享的是深度学习人脸表情识别系统该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：4分更多资料,项目分享：https://gite
  • 巡检机器人与机器视觉的融合：巡检运维的未来趋势 超维机器人 机器人运维人工智能大数据计算机视觉
    2023世界机器人大会的数据显示，中国工业机器人装机量已经占据了全球市场的超过50%的比重，成为全球最大的工业机器人市场。巡检机器人作为一种高度复杂的自动化装置，被广泛应用于工业领域，能实现各种工业场景下智能巡检运维，推动传统产业智能化改造和数字化转型；因其在智能巡检运维领域占据重要地位，被誉为“皇冠上的明珠”。机器视觉技术使得智能巡检机器人能够自动检测目标物体、识别设备状态、发现异常情况，并采取
  • 二分查找排序算法 周凡杨 java二分查找排序算法折半
    一：概念 二分查找又称 折半查找（ 折半搜索/ 二分搜索），优点是比较次数少，查找速度快，平均性能好；其缺点是要求待查表为有序表，且插入删除困难。因此，折半查找方法适用于不经常变动而 查找频繁的有序列表。首先，假设表中元素是按升序排列，将表中间位置记录的关键字与查找关键字比较，如果两者相等，则查找成功；否则利用中间位置记录将表 分成前、后两个子表，如果中间位置记录的关键字大于查找关键字，则进一步
  • java中的BigDecimal bijian1013 javaBigDecimal
            在项目开发过程中出现精度丢失问题，查资料用BigDecimal解决，并发现如下这篇BigDecimal的解决问题的思路和方法很值得学习，特转载。         原文地址：http://blog.csdn.net/ugg/article/de
  • Shell echo命令详解 daizj echoshell
    Shell echo命令 Shell 的 echo 指令与 PHP 的 echo 指令类似，都是用于字符串的输出。命令格式： echo string 您可以使用echo实现更复杂的输出格式控制。 1.显示普通字符串: echo "It is a test" 这里的双引号完全可以省略，以下命令与上面实例效果一致： echo Itis a test 2.显示转义
  • Oracle DBA 简单操作 周凡杨 oracle dba sql
    --执行次数多的SQL select sql_text,executions from (      select sql_text,executions from v$sqlarea order by executions desc      ) where rownum<81;  &nb
  • 画图重绘 朱辉辉33 游戏
      我第一次接触重绘是编写五子棋小游戏的时候，因为游戏里的棋盘是用线绘制的，而这些东西并不在系统自带的重绘里，所以在移动窗体时，棋盘并不会重绘出来。所以我们要重写系统的重绘方法。   在重写系统重绘方法时，我们要注意一定要调用父类的重绘方法，即加上super.paint(g)，因为如果不调用父类的重绘方式，重写后会把父类的重绘覆盖掉，而父类的重绘方法是绘制画布，这样就导致我们
  • 线程之初体验 西蜀石兰 线程
    一直觉得多线程是学Java的一个分水岭，懂多线程才算入门。 之前看《编程思想》的多线程章节，看的云里雾里，知道线程类有哪几个方法，却依旧不知道线程到底是什么？书上都写线程是进程的模块，共享线程的资源，可是这跟多线程编程有毛线的关系，呜呜。。。 线程其实也是用户自定义的任务，不要过多的强调线程的属性，而忽略了线程最基本的属性。 你可以在线程类的run()方法中定义自己的任务，就跟正常的Ja
  • linux集群互相免登陆配置 林鹤霄 linux
    配置ssh免登陆 1、生成秘钥和公钥    ssh-keygen -t rsa 2、提示让你输入，什么都不输，三次回车之后会在~下面的.ssh文件夹中多出两个文件id_rsa 和 id_rsa.pub    其中id_rsa为秘钥，id_rsa.pub为公钥，使用公钥加密的数据只有私钥才能对这些数据解密    c
  • mysql : Lock wait timeout exceeded; try restarting transaction aigo mysql
    原文：http://www.cnblogs.com/freeliver54/archive/2010/09/30/1839042.html   原因是你使用的InnoDB   表类型的时候, 默认参数:innodb_lock_wait_timeout设置锁等待的时间是50s, 因为有的锁等待超过了这个时间,所以抱错.   你可以把这个时间加长,或者优化存储
  • Socket编程 基本的聊天实现。 alleni123 socket
    public class Server { //用来存储所有连接上来的客户 private List<ServerThread> clients; public static void main(String[] args) { Server s = new Server(); s.startServer(9988); } publi
  • 多线程监听器事件模式(一个简单的例子) 百合不是茶 线程监听模式
        多线程的事件监听器模式   监听器时间模式经常与多线程使用,在多线程中如何知道我的线程正在执行那什么内容,可以通过时间监听器模式得到        创建多线程的事件监听器模式 思路:    1, 创建线程并启动,在创建线程的位置设置一个标记     2,创建队
  • spring InitializingBean接口 bijian1013 javaspring
    spring的事务的TransactionTemplate，其源码如下： public class TransactionTemplate extends DefaultTransactionDefinition implements TransactionOperations, InitializingBean{ ... } TransactionTemplate继承了DefaultT
  • Oracle中询表的权限被授予给了哪些用户 bijian1013 oracle数据库权限
            Oracle查询表将权限赋给了哪些用户的SQL，以备查用。 select t.table_name as "表名", t.grantee as "被授权的属组", t.owner as "对象所在的属组"
  • 【Struts2五】Struts2 参数传值 bit1129 struts2
    Struts2中参数传值的3种情况 1.请求参数绑定到Action的实例字段上 2.Action将值传递到转发的视图上 3.Action将值传递到重定向的视图上   一、请求参数绑定到Action的实例字段上以及Action将值传递到转发的视图上 Struts可以自动将请求URL中的请求参数或者表单提交的参数绑定到Action定义的实例字段上，绑定的规则使用ognl表达式语言
  • 【Kafka十四】关于auto.offset.reset[Q/A] bit1129 kafka
    I got serveral questions about  auto.offset.reset. This configuration parameter governs how  consumer read the message from  Kafka when  there is no initial offset in ZooKeeper or
  • nginx gzip压缩配置 ronin47 nginx gzip 压缩范例
    nginx gzip压缩配置 更多 0 nginx gzip 配置   随着nginx的发展，越来越多的网站使用nginx，因此nginx的优化变得越来越重要，今天我们来看看nginx的gzip压缩到底是怎么压缩的呢？ gzip(GNU-ZIP)是一种压缩技术。经过gzip压缩后页面大小可以变为原来的30%甚至更小，这样，用
  • java-13.输入一个单向链表，输出该链表中倒数第 k 个节点 bylijinnan java
    two cursors. Make the first cursor go K steps first. /* * 第 13 题：题目：输入一个单向链表，输出该链表中倒数第 k 个节点 */ public void displayKthItemsBackWard(ListNode head,int k){ ListNode p1=head,p2=head;
  • Spring源码学习-JdbcTemplate queryForObject bylijinnan javaspring
    JdbcTemplate中有两个可能会混淆的queryForObject方法： 1. Object queryForObject(String sql, Object[] args, Class requiredType) 2. Object queryForObject(String sql, Object[] args, RowMapper rowMapper) 第1个方法是只查
  • [冰川时代]在冰川时代,我们需要什么样的技术? comsci 技术
         看美国那边的气候情况....我有个感觉...是不是要进入小冰期了?      那么在小冰期里面...我们的户外活动肯定会出现很多问题...在室内呆着的情况会非常多...怎么在室内呆着而不发闷...怎么用最低的电力保证室内的温度.....这都需要技术手段...   &nb
  • js 获取浏览器型号 cuityang js浏览器
    根据浏览器获取iphone和apk的下载地址 <!DOCTYPE html> <html> <head>     <meta charset="utf-8" content="text/html"/>     <meta name=
  • C# socks5详解 转 dalan_123 socketC#
    http://www.cnblogs.com/zhujiechang/archive/2008/10/21/1316308.html  这里主要讲的是用.NET实现基于Socket5下面的代理协议进行客户端的通讯，Socket4的实现是类似的，注意的事，这里不是讲用C#实现一个代理服务器，因为实现一个代理服务器需要实现很多协议，头大，而且现在市面上有很多现成的代理服务器用，性能又好，
  • 运维 Centos问题汇总 dcj3sjt126com 云主机
    一、sh 脚本不执行的原因 sh脚本不执行的原因 只有2个 1.权限不够 2.sh脚本里路径没写完整。   二、解决You have new mail in /var/spool/mail/root 修改/usr/share/logwatch/default.conf/logwatch.conf配置文件 MailTo = MailFrom   三、查询连接数
  • Yii防注入攻击笔记 dcj3sjt126com sqlWEB安全yii
    网站表单有注入漏洞须对所有用户输入的内容进行个过滤和检查，可以使用正则表达式或者直接输入字符判断，大部分是只允许输入字母和数字的，其它字符度不允许；对于内容复杂表单的内容，应该对html和script的符号进行转义替换：尤其是<,>,',"",&这几个符号 这里有个转义对照表： http://blog.csdn.net/xinzhu1990/articl
  • MongoDB简介[一] eksliang mongodbMongoDB简介
    MongoDB简介 转载请出自出处：http://eksliang.iteye.com/blog/2173288 1.1易于使用        MongoDB是一个面向文档的数据库，而不是关系型数据库。与关系型数据库相比，面向文档的数据库不再有行的概念，取而代之的是更为灵活的“文档”模型。        另外，不
  • zookeeper windows 入门安装和测试 greemranqq zookeeper安装分布式
    一、序言       以下是我对zookeeper 的一些理解：      zookeeper 作为一个服务注册信息存储的管理工具，好吧，这样说得很抽象，我们举个“栗子”。       栗子1号：       假设我是一家KTV的老板，我同时拥有5家KTV，我肯定得时刻监视
  • Spring之使用事务缘由(2-注解实现) ihuning spring
      Spring事务注解实现   1. 依赖包：     1.1 spring包：           spring-beans-4.0.0.RELEASE.jar           spring-context-4.0.0.
  • iOS App Launch Option 啸笑天 option
    iOS 程序启动时总会调用application:didFinishLaunchingWithOptions:，其中第二个参数launchOptions为NSDictionary类型的对象，里面存储有此程序启动的原因。   launchOptions中的可能键值见UIApplication Class Reference的Launch Options Keys节 。 1、若用户直接
  • jdk与jre的区别（_） macroli javajvmjdk
    简单的说JDK是面向开发人员使用的SDK，它提供了Java的开发环境和运行环境。SDK是Software Development Kit 一般指软件开发包，可以包括函数库、编译程序等。  JDK就是Java Development Kit JRE是Java Runtime Enviroment是指Java的运行环境，是面向Java程序的使用者，而不是开发者。 如果安装了JDK，会发同你
  • Updates were rejected because the tip of your current branch is behind qiaolevip 学习永无止境每天进步一点点众观千象git
    $ git push joe prod-2295-1 To [email protected]:joe.le/dr-frontend.git ! [rejected] prod-2295-1 -> prod-2295-1 (non-fast-forward) error: failed to push some refs to '[email protected]
  • [一起学Hive]之十四-Hive的元数据表结构详解 superlxw1234 hivehive元数据结构
    关键字：Hive元数据、Hive元数据表结构   之前在 “[一起学Hive]之一–Hive概述，Hive是什么”中介绍过，Hive自己维护了一套元数据，用户通过HQL查询时候，Hive首先需要结合元数据，将HQL翻译成MapReduce去执行。 本文介绍一下Hive元数据中重要的一些表结构及用途，以Hive0.13为例。   文章最后面，会以一个示例来全面了解一下，
  • Spring 3.2.14，4.1.7，4.2.RC2发布 wiselyman Spring 3
      Spring 3.2.14、4.1.7及4.2.RC2于6月30日发布。   其中Spring 3.2.1是一个维护版本(维护周期到2016-12-31截止)，后续会继续根据需求和bug发布维护版本。此时，Spring官方强烈建议升级Spring框架至4.1.7 或者将要发布的4.2 。   其中Spring 4.1.7主要包含这些更新内容。
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他