导读有时候我们想要计算两张图片是否相似，而用来衡量两张图片相似度的算法也有很多，例如：RMSE、PSNR、SSIM、UQI、SIFT以及深度学习等。

文章目录前言一、干扰因素1、主动因素2、固有因素二、特征点检测1、PFLD2、LLCV三、人脸比对1、人脸1:12、人脸1:n3、人脸1:N4、人脸M:N四、高清分辨率网络1、HRNet五、手部关键点检测

基于特征点的目标检测1.基于特征匹配的目标检测2.参考1.基于特征匹配的目标检测  目标检测引用广泛，但至今尚无通用的目标检测算法。因此我们可以针对特定场景设计满足需求的目标检测算法。

先看效果（单映矩阵对一张影像不同平面好像不太一样）：原图——>配准后叠加----------------------------------------------------------------------------------------------------原始同名点-----------------------------------------------------------

一组来自多个不同相机的共可见特征点被有效地分割、分类，然后使用由频率模式增长算法激励的机器学习进行分析。此外，在预积分过程中使用连续形式，以提高精度，并

dlib库的安装以及人脸特征点的识别分布分别在前两篇博文里面DlibPython检测人脸特征点FaceLandmarkDetectionMacOSX下安装dlib（Python）这篇主要涉及cv2.ellipse

手动交互减少为点击一组约7个特征点，并在目标

上一篇文章SURF算法与源码分析、上中主要分析的是SURF特征点定位的算法原理与相关OpenCV中的源码分析，这篇文章接着上篇文章对已经定位到的SURF特征点进行特征描述。

前景目标检测(3)背景模型更新算法实现代码（opencv4.4.0+VS2019）混合高斯模型视频前景提取代码主要函数解释算法实现代码（opencv4.4.0+VS2019）VIBE+算法视频前景提取SIFT

出处：http://www.cnblogs.com/ronny/p/4045979.html如果说SIFT算法中使用DOG对LOG进行了简化，提高了搜索特征点的速度，那么SURF算法则是对DoH的简化与近似

上一篇文章SURF算法与源码分析、上中主要分析的是SURF特征点定位的算法原理与相关OpenCV中的源码分析，这篇文章接着上篇文章对已经定位到的SURF特征点进行特征描述。

1.软件版本matlab2017b2.系统概述本系统分为定位部分（包括车牌的定位和车标的定位）和车标特征向量提取和识别部分。本文车标的定位是根据车牌和车标的先验知识，提出一种由粗到精的车标定位方法。首先通过成熟的车牌定位方法对车牌进行定位，再根据车牌与车标的相对位置可以估计出车标的大概区域；接着利用SOBLE边缘检测算子对车标估计区域同时进行垂直边缘的检测和水平边缘的检测，分割车标区域与背景区域；

OpenCV中的waitKey()函数代码提示中的信息waitKey(0);//ThefunctiononlyworksifthereisatleastoneHighGUIwindowcreatedandthewindowisactive

角点检测（旋转不变性）2.1Harris角点检测2.1.1思想2.1.2原理2.1.3代码实现2.1.4优缺点2.2Shi-Tomasi角点检测2.2.1原理2.2.2实现3角点检测（尺度不变性）3.1SIFT

《SLAM十四讲》理论部分专栏《SLAM十四讲》实践部分专栏目录一、本文主要内容二、特征点法的讨论三、光流法四、直接法一、本文主要内容二、特征点法的讨论  根据上一讲的内容，可以总结出特征点法的流程如下

视觉里程计直接法是视觉里程计另一主要分支，它与特征点法有很大不同。虽然它还没有成为现在VO中的主流，但经过近几年的发展，直接法在一定程度上已经能和特征点法平分秋色。

点击上方“AI算法修炼营”，选择加星标或“置顶”标题以下，全是干货前面的话VSLAM是利用多视图几何理论，根据相机拍摄的图像信息对相机进行定位并同时构建周围环境地图。VSLAM前端为视觉里程计和回环检测，相当于是对图像数据进行关联；后端是对前端输出的结果进行优化，利用滤波或非线性优化理论，得到最优的位姿估计和全局一致性地图。前面已经介绍了系列一：VSLAM的前端：视觉里程计和回环检测，和系列二：V

LearningGraphRepresentationsforVisualRecognition具体方法图投影（GraphProjection）本质：把一些特征相似的pixel分配到同一个节点，也就是特征点聚合

28.1直接法的引出8.22D光流8.2.1Lucas-Kanade光流8.3实践：LK光流8.3.1使用LK光流8.3.2用高斯牛顿法实现光流8.3.3多层光流视觉里程计2主要目标：1.理解光流法跟踪特征点的原理

第7讲视觉里程计学习任务7.1特征点法举个栗子ORBBRIEF7.22D-2D对极几何八点法求矩阵E（Essential）从E计算R,t:奇异值分解使用H恢复R，t（八点法共面时）小结7.3三角测量三角测量的定义三角法求深度原理

视觉里程计的任务是估计相邻图像间相机的运动，分为特征点法和直接法。

视觉里程计1.直接法的引出尽管特征点法在视觉里程计中占据主流地位，研究者们认识到它至少有以下几个缺点：关键点的提取与描述子的计算非常耗时。

colab中gpu可用importtorchfromtorchimportnn,optimfromtorchtextimportdata,datasetsiftorch.cuda.is_available

目录一、获取20张人脸照片二、采集图片的68个特征点三、参考文章一、获取20张人脸照片复制以下代码：mportcv2importdlibimportosimportsysimportrandom#存储位置

SIFT/SUR/ORB特征提取及手写最优特征点匹配特征提取最优特征点匹配运行结果特征提取首先对图片进行灰度化，然后调用cv库函数即可，这个网上帖子很多，不多说了。

１特征点特征点是图像中一些特别的地方。

ORB特征基于FAST焦点的特征点检测与描述技术，该特征的描述方法可应用于实时性特征检测。

ORB特征检测有直接的API，可以直接调用ORB原理：分三部一、提取特征点：ORB特征点其实就是边界，灰度变化较大的地方，因为ORB特征点的定义就是与周围点不一样的点，与转换成LBP图谱类似，以某点为圆心

特征点检测：图像的特征点可以简单的理解为图像中比较显著显著的点，如轮廓点，较暗区域中的亮点，较亮区域中的暗点等。

ORB特征提取有以下2步：FAST角点提取，相比于原版FAST，它加入了特征点的主方向

人脸检测，特征点识别，这一步骤主要通过人脸检测、人脸对齐等技术来获得N个特征点。接下来基于人脸特征点，将模板变形，对齐到人脸五官区域。其中，变相算法有很多，包含仿射变

基本步骤为：对每幅图进行特征点提取对特征点进行匹配进行图像配准把

（1）在调用sift=cv2.xfeatures2d.SIFT_create()出现下面报错：raceback(mostrecentcalllast):File"",line1,incv2.error:

给我推荐20个比较流行的点云3D分割模型这里是20个比较流行的点云3D分割模型:PointNetPointNet++PointCNNKd-NetSpiderCNNPointSIFTPointASNLPointGroupPointConvPointWebPointGNNPointPillarsPointSESAPointSNEDensePointPointSAPPointSGNPointGCNPoi

多源遥感影像匹配时，使用GDAL读取基准遥感影像与待配准影像后，需采用特征提取算法提取特征点进行匹配，随后需要进行影像行列坐标与投影坐标转换，转换后的控制点实现影像校正。

目录一、光流法二、LK光流法2.1实现原理2.2API三、代码四、总结基于特征点的光流跟踪，在目标上提取一些特征点，然后在下一帧计算这些特征点的光流匹配点，统计得到目标的位置。

神经网络感受野计算普通卷积感受野计算感受野指的是当前的特征图的一个特征点在输入空间影响的区域，该点的值被输入空间的这个区域影响，与其他区域无5173。

感受野的概念：当前特征图上的一个特征点，对应于原图像上的区域大小就叫感受野。感受野对于CNN的影响：1.在图像分类中要求最后卷积层的感受野要大于输入的图像，所以网络深度越深，感受野越大，性能越好。

一、项目名称：全景图像拼接二、语言、库和开发环境：C++、opencv249、VS2013三、参考1：博客https://blog.csdn.net/zhaocj/article/details/78799194?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-ta

1、对每幅图片进行特征点提取（AKAZE、sift、surf、ORB均可）；2、对特征点进行描述和

最上面的标题tagtb_writer.add_image(fname,cv2.imread(fname)[:,:,::-1],dataformats='HWC')#WriteTensorboardresultsiftb_writer

找出图像中的“角点”，相较于原版的FAST，ORB中计算了特征点的主方向，为后续的BRIEF描述子

特征提取与匹配前言一、HOG(方向梯度直方图)二、SIFT（Scale-invariantfeaturetransform，尺度不变特征变换)的特征提取与匹配三、LBP(LocalBinaryPatterns

深度学习在图像上的建树已经不足为奇了，之前大家常听到的图像特征提取方法包括HOG,Haar,LBP,SIFT等，现在逐渐淡出大家的视野，取而代之的就是深度学习，可视化深度学习存在一个很棘手的问题——类似于一个黑盒

那么像素点怎么找的呢，具体能找到多少个像素点呢，，鉴于现在自己本科那些薄弱的学识，用到的方法就是基元匹配，使用MATLAB软件进行程序的编写与仿真，对左右摄像头采集到的图像进行特征点的匹配，构建图像的三维模型首先拍摄了

回环校正主要分为两个步骤：1、首先，进行回环融合，回环融合就是将回环检测匹配到的特征点所相关联的地图点融合，将重复的地图点剔除。

“视觉词典”2.2.3量化输入特征集2.2.4TF-IDF2.2.5根据TF-IDF转化成视觉单词（visualwords）的频率直方图2.2.6倒排表三、代码实现3.1数据集3.2具体代码3.2.1SIFT

同时在经过一系列回调函数得到建立新的Keyframe所用的数据之后，构造Keyframe，且在其内重新提取更多的特征点并计算描述子，

个人博客：wyxogo.top目标：将数张有重叠部分的图像通过特征点检测，匹配，图像变换拼成一幅无缝的全景图或高分辨率图像在图像拼接中首先利用SIFT算法提取图像特征进而进行特征匹配，继而使用RANSAC

图像预处理包括数字图像处理的基本操作（如去噪，边缘提取，直方图处理等）、建立图像的匹配模板以及对图像进行某种变换（傅里叶变换、小波变换等）；ii).图像配准采用一定的匹配策略，找出待拼接图像中的模板或特征点在参考图像中对应的位置