为什么要追寻更快的高斯平滑速度?(比IIR高斯递归法还快,一)

显然,在机器视觉中,只有一个目的,为了更高速的目标匹配(识别)。

当你有了更高速的目标匹配(识别),回过头来,突然发现,ocr识别,条码识别,都可以用这个方法搞定,试了一下人脸识别,也可以。

提到中国的工业软件,有一个叫机器视觉的,十年前,我们用的基本都是国外的,ni vision,evision,visionpro,halcon,包括民用的视觉软件opencv,也都是外国的,虽然十年后,有所好转,主要还是ai的兴起,倒逼的结果。

其实,机器视觉是ai的基石,这已经是公认的,因为工业环境的机器视觉,天天都在用,天天都在进步,天天都在推进视觉的发展。

机器视觉的核心,硬件方面,国产也在迎头赶上,软件方面,无外乎就几大部分:

1,相机的sdk

2,标定

3,找斑

4,目标匹配

5,抓线,抓圆,坐标系跟随等

这里边尤为困难的是第四。

第一,硬件厂商可以搞定,第二,资料很多,机器视觉的标定比opencv的标定简单的多

3和5,图形学基础里有。

快速高斯平滑和目标匹配(识别)有什么关系?

可以参考sift,虽然机器视觉不会用sift,但可以借鉴里边的精华,就是高斯金字塔。

机器视觉的特点:高速,稳定,准确,因为是工业用,所以sift肯定不会用,包括许多很好的ai算法,因为效率和速度的问题,想都不用想,但我们可以借鉴。

因为现在没有公开的目标匹配识别算法,所以我也是荒野中一路趟过来的,用张益唐的话说,我们学习现成的东西,你只需顺着路即可,而很多问题,都还在荒野中,当你离开学校,就要学会在荒野中找到路。

为什么要用高斯金字塔,因为可以在低分辨率下工作,这是高速识别匹配目标的核心思想。

低分辨率,又要保持图像原本的特征不丢失,唯一的方法就是高斯平滑。

曾经有很久都未区分两个概念,认为金字塔就是高斯金字塔,差别真的很大。大到什么程度?

放弃过这条路,后来又返回,为什么?放弃,徘徊,重新选择

canny也是这么趟过来的,3次放弃,徘徊,又重新选择,为什么?没有别的路可以走,而且你一步一步的发现正确不在你的那一边。

我最初的canny版本,还是c++的,要跑好几秒,第一印象,我就否定了,虽然canny在我心目中有很高的地位,但这样的效率如何在机器视觉中用,就像否定sift一样,以后留在ai中用吧!

想起初高中时学习伟人们国家实现四个现代化的理想,就包括工业现代化,那时候真不知道什么是工业现代化,农业现代化都没见过,但,现在慢慢都实现了,这些人真的是为了国家民族!

后来,我们用上了电脑,奔腾2,奔腾3,奔腾4,忽然发现,我们都奔五了,受惠的是我们这些老百姓,我们真的什么都留不下,算了,还是写点博客吧!

向伟人致敬!站在巨人肩上

下面这个比IIR高斯递归法快一倍的方法,网上可以百度的到,在我的基于形状的匹配中有使用,我使用的c#,所以翻译成了c#。(再做一回君子,君子性非异也,善假于物也)

你可能感兴趣的:(基于形状匹配及相关热点,计算机视觉)