前言1.在目标检测、识别，匹配的应用中，特征点的提取是不可缺少的部分的步骤，在之前博文我演示了HOG特性提取与使用HOG与SVM训练自己的样本进行行人检测。
2.我的编程环境是Windows 7 64位，IDE是VS2015，配置了OpenCV3.3与OpenCV_Contrib,Boost 1.66,其中Boost是用来操作文件和目录用的，是于如果配置以上的环境，可以看我之前写的博文。一、SUR
图像的8x8像素部分被考虑，并将这个 8x8 框进一步划分为 4 个块，每个块为 4x4 维度。在每个 4x4 块内，图像梯度以向量的形式表示。通过搜索最独特或不同的特征在图像中找到关键点。这里，Key point Descriptor是由4个相邻向量组合而成。关键点描述符显示该部分图像中梯度变化的方向和幅度。对关键点周围的区域进行归一化，计算关键点区域的局部描述符。局部描述符是一个数字向量，用
转载
2023-12-21 15:45:58
167阅读
通过一个偶然机会，我了解到了人体姿态解算，在学习K210之余，我便想着通过opencv实现这个功能，查找了很多资料，发现可以利用opencv+openpose实现，接着我又开始找一些资料，在pycharm上部署。 文章目录前言一、环境配置二、使用步骤1.导入文件2.具体代码3.效果展示三、效果优化1.具体代码2.效果展示总结 前言人体姿态估计的一个有趣应用是 CGI（computer graphi
转载
2024-03-20 10:16:15
213阅读
特征，也称 兴趣点 或 关键点，如下所示：蓝框内区域平坦，无特征；黑框内有“边缘”，红框内有“角点”，后二者都可视为“特征” 角点作为一种特征，它具有 旋转不变性，当图像旋转时，代表角点响应函数 R 的特征椭圆，其形状保持不变 &nb
转载
2023-07-13 19:58:54
197阅读
简介特征检测特征检测是从图像中自动提取对象特征用以表述该对象， 同时还可以利用得到的特征数据 描述在不同的图像中发现相同的对象， （一旦得到两个对象的描述子， 就可以使用它们实现特征数据的匹配与比对， 从而分辨出它们是否具有相似性） 而且特征对对象的旋转、缩放、光照等具有不变性SURF（speed up robust feature）是加速版的SIFTSURF可以用于对象定位和识别、人脸识别、3D
转载
2024-04-01 19:00:39
134阅读
利用 OpenCV 实现身份证识别 Demo 效果：主要步骤分为两大步：利用 OpenCV 从完整的身份证图片中识别出身份证号码区域，并返回身份证号码的图片利用 OCR 识别工具将身份证号码图片识别成文字实际上身份证识别、银行卡识别都是相同的思路。1、OpenCV 图像识别1.1 上层代码过程在 Activity 中，点击“从相册中查找”按钮从相册中选择一张图片转换为一个 640 * 480 的
转载
2024-06-02 10:28:25
274阅读
使用opencv的一些内置的算法来实现对图像特征的检测 从图像中提取的到的特征可以用来进行图像的匹配和检索 常用的图像特征检测算法Harris:检测角点SIFT:检测斑点SURF:检测斑点FAST:检测角点BRIEF:检测斑点什么是图像特征？ 图像特征就是图像中最具有独特性和具有区别性的图像区域．在图像中特征区域主要分布在角点，高密度区域，边缘（边缘可以将图像分成多个区域),斑点（与周围像素
转载
2024-03-14 06:59:50
59阅读
Demo代码简单介绍项目利用face_recognition模块实现 人脸分辨识别 因为这篇文章主要介绍优化速度所以会以代码片段讲解方法 结尾会放出全部代码 注意以下代码需要一点点opencv的基础 但不多def face_detector(img, target):
start = time.time()
# 人脸检测结果
faceLocList = face_reco
转载
2024-08-07 10:46:51
312阅读
二维码生成和解析目录二维码生成和解析简介生成二维码其他样式二维码彩色二维码示例pyzbar解析二维码opencv识别解析二维码参考资料简介二维码（2-Dimensional Bar Code），是用某种特定的几何图形按一定规律在平面（二维方向上）分布的黑白相间的图形记录数据符号信息的。
它是指在一维条码的基础上扩展出另一维具有可读性的条码，使用黑白矩形图案表示二进制数据，被设备扫描后可获取其中所包
目录1.直方图的绘制 2.傅里叶变换（高频滤波器/低频滤波器的设计）1.直方图的绘制直方图绘制的目的：统计每个像素点分别由多少个代码实现 import cv2
import numpy as np
import matplotlib.pyplot as plt
#直方图
img = cv2.imread('cat.png',0) #0表示灰度图
hist = cv2.calc
转载
2024-08-02 18:49:38
64阅读
一：角点检测什么是角点，难道是角落里面的点？我们知道，比如说墙角，他有往左延申的边缘，又有往右延申的边缘，那么这样的概念同样可以帮助我们理解图像的角点检测。其实我们人眼对于角点的识别是通过一个小窗口来实现的，如下面这张图所示，如果在各个方向上移动这个小窗口，窗口内的灰度发生了较大的变化，那么说明窗口内存在角点。如果在各个方向上移动，灰度变化为0，则这一块区域是平坦区域如果只有一个方向移
转载
2024-01-02 17:12:42
91阅读
(一) getStructuringElement函数 它会返回指定形状和尺寸的结构元素。Mat getStructuringElement(int shape, Size esize, Point anchor = Point(-1, -1));1、第一个参数表示内核的形状，有三种形状可以选择。 \矩形：MORPH_RECT; \交叉形：MORPH_CROSS; \椭圆形：MORPH_ELLIP
转载
2024-02-23 22:38:44
391阅读
一、人脸检测方法
在OpenCV中主要使用了两种特征（即两种方法）进行人脸检测，Harr特征和LBP特征。具体的介绍参考：
图像特征提取三大法宝：HOG特征，LBP特征，Haar特征
在OpenCV中，使用已经训练好的XML格式的分类器进行人脸检测。在OpenCV-master的data文件夹下。
上图中文件夹的名字‘harrcascades’,'ho
转载
2023-11-09 09:27:09
297阅读
1、Eigenfaces人脸识别器：Eigenface也叫做“特征脸”，通过PCA（主要成分分析）方法将人脸数据转换到另外一种空间维度做相似性运算。在计算过程中，算法可以忽略一些无关紧要的数据，仅识别一些具有代表性的特征数据，最后根据这些特征识别人脸。（1）创建Eigenfaces人脸识别器：# num_components：可选参数，PCA方法中保留的分量个数，建议使用默认值。threshold
转载
2024-04-02 08:14:16
308阅读
对OpenCV中的级联分类器相关结构的参数，进行了一定程度的解释
首先说一下这个级联分类器，OpenCV中级联分类器是根据VJ 04年的那篇论文（Robust Real-Time Face Detection）编写的，查看那篇论文，知道构建分类器的步骤如下：1、根据haar-like特征训练多个弱分类器2、使用adaboost算法将多个弱分类器组合成一个
转载
2023-07-23 22:34:50
95阅读
opencv图像特征点的提取和匹配(一)opencv中进行特征点的提取和匹配的思路一般是：提取特征点、生成特征点的描述子，然后进行匹配。opencv提供了一个三个类分别完成图像特征点的提取、描述子生成和特征点的匹配，三个类分别是：FeatureDetector，DescriptorExtractor，DescriptorMatcher。从这三个基类派生出了不同的类来实现不同的特征提取算法、描述及匹
转载
2023-12-21 15:45:53
197阅读
首先，我们需要大量的正样本图像（人脸图像）和负样本图像（没有人脸的图像）来训练分类器。 我们需要从中提取特征。 下图中会用到Haar特征，就像我们的卷积核一样，每个特征都是一个值，等于黑色矩形中的像素值减去白色矩形中的像素值之和。Haar 特征值反映了图像的灰度变化。 例如，人脸的某些特征可以简单地用矩形特征来描述。 眼睛比脸颊更黑，鼻子两侧比鼻梁更黑，嘴巴比周围更黑。 Haar特征可以用在图像的
转载
2024-04-22 14:30:30
89阅读
4.5 LBP和HOG特征算子学习目标：了解LBP特征的原理了解LBP的改进算法：圆形LBP，旋转LBP和等价模式了解HOG算法的原理熟悉灰度图像的γ变换了解HOG特征的提取流程了解LBP特征的提取方法了解HOG特征的提取方法1.LBP算法LBP(Local Binary Pattern)指局部二值模式，是一种用来描述图像局部特征的算子，LBP特征具有灰度不变性和旋转不变性等显著优点。它是由T.
转载
2024-07-25 13:25:36
54阅读
opencv特征匹配方法有两种，分别是：暴力特征匹配BF（Brute-Force），暴力特征匹配方法。它使用第一组中的每个特征的描述子，与第二组中的所有特征描述子进行匹配，计算它们之间的差距，然后将最接近一个匹配返回。FLANN特征匹配在进行批量特征匹配时，FLANN速度更快。 由于它使用的是邻近近似值，所以精度较差。Opencv特征匹配实现的简单过程：第一步：定义特征检测器（SIFT,SURF,
转载
2023-09-24 17:47:20
381阅读
基于特征的跟踪是指跟踪视频中连续帧的各个特征点，其优点是不必在每一帧中检测特征点，可以只检测一次，之后继续跟踪它们。 采用一种称为光流的技术来跟踪这些特征，光流是计算机视觉中最流行的技术之一。该技术需要选择一组特征点，并通过视频流跟踪它们。当检测到特征点时，则计算位移向量并显示连续帧之间的关键点的运动情况，这些向量称为运动向量。与前一帧相比，特定点的运动向量基本上只是指示该点移动位置的方向线。 当
转载
2023-11-23 11:45:08
64阅读
