翻译自 Contour in OpenCVContoursContours 可以简单的理解为一条连通连续点的曲线(沿着边缘)，有同样的颜色或者强度。在进行形状分析，目标检测和识别时很有用处。为了更好了精度，使用二值化的图像。在寻找轮廓之前，先对图像应用二值化阈值或者canny 边缘检测等技术。在OpenCV中，寻找轮廓是：在黑色背景上寻找白色物体，所以一定记住，被检测的对象应该是白色的，背景是黑色
文章目录1 图像的特征（角点特征）2 角点检测（旋转不变性）2.1 Harris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2.2 Shi-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）3.1 SIFT角点检测3.1.1 算法原理3.1.2 基本流程3.1.2.1 尺度空间极值检测3.1.3 代码实现3.2 SURF角点检测3.2
转载
2024-10-18 21:24:02
97阅读
import numpy as npimport cv2 as cvfrom matplotlib import pyplot as plt# 1.读取图像img = cv.imread("./1.jpg")# 2.Fast角点检测# 2.1创
原创
2022-06-01 17:41:44
937阅读
之前的文章介绍过RCNN，有几个问题：a.训练分多步。R-CNN的训练先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search的方式获得，步骤比较繁琐。b.时间和内存消耗比较大。在训练SVM和回归的时候需要用网络训练的特征作为输入
Opencv学习之角点检测角点检测在图像处理和计算机视觉领域，兴趣点（interest points），也被称作关键点（key points）、特征点（feture points）。它被大量用于解决物体识别、图像识别、图像匹配、视觉跟踪、三维重建等一系列的问题，如果能检测到足够多特殊的点，同时它们的区分度很高，并且可以精确定位稳定的特征，那么这个方法就具有使用价值。 图像特征类型被分为以下三种：
转载
2024-03-22 13:58:07
60阅读
Harris角点检测如果某一点在任意方向的一个微小变动都会引起灰度很大的变化，那么我们就把它称之为角点。 角点作为图像上的特征点，包含有重要的信息，在图像融合和目标跟踪及三维重建中有重要的应用价值。它们在图像中可以轻易地定位，同时，在人造物体场景，比如门、窗、桌等处也随处可见。因为角点位于两条边缘的交点处，代表了两个边缘变化的方向上的点，所以它们是可以精确定位的二维特征，甚至可以达到亚像素的精度。
转载
2024-03-27 15:50:22
113阅读
今天学习角点检测的一个Fast算法，顾名思义，很快！FAST 算法1: 在图像中选择一个像素点角点，N一般是12，记住哈，是
原创
2022-12-14 16:24:35
199阅读
一、背景：了解FastApi，一个从FastApi的readme文档入手（https://github.com/tiangolo/fastapi/blob/master/README.md），另一个是理解FastApi的作者tiangolo开发FastApi的缘由（https://fastapi.tiangolo.com/alternatives/ →
转载
2023-07-27 22:23:02
50阅读
0. Faster RCNN概述论文地址：https://arxiv.org/pdf/1506.01497.pdfFaster R-CNN源自2016年发表在cs.CV上的论文《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》，使用RPN（建议区域网络）的实时物体检测，Faster R-C
转载
2024-03-22 15:51:25
45阅读
之前实现过faster rcnn, 但是因为各种原因，有需要实现一次，而且发现许多博客都不全面。现在发现了一个比较全面的博客。自己根据这篇博客实现的也比较顺利。在此记录一下（照搬）。原博客： 文章代码连接：https://github.com/endernewton/tf-faster-rcnn显卡：TiTan RTX/Qudro K2200(丽台k2200)。--我分别在两张显卡都实现
转载
2024-04-25 12:04:29
89阅读
目标理解FAST算法的基本原理使用OpenCV的FAST函数进行角点（corners）检测原理我们已知很多种特征检测的方法，而且它们其中很多效果都非常不错。但是，当从一个实时运行的程序角度出发，它们还不够快。一个最好的例子就是SLAM（Simultaneous Localization and Mapping）移动机器人，它的可计算资源是受限的。作为上述问题的一个解决方法，FAST（Feature
转载
2022-01-05 10:14:35
1067阅读
此opencv系列博客只是为了记录本人对<<opencv3计算机视觉-pyhton语言实现>>的学习笔记,所有代码在我的github主页https://github.com/RenDong3/OpenCV_Notes.欢迎star,不定时更新...在前面我们已经陆续介绍了许多特征检测算子，我们可以根据图像局部的自相关函数求得Harris角点，后面又提到了两种十分优秀...
原创
2021-09-01 15:11:55
1603阅读
角点检测(Corner Detection)是计算机视觉系统中用来获得图像特征的一种方法，广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中。也称为特征点检测。一、角点（corner） 角点通常被定义为两条边的交点，或者说，角点的局部邻域应该具有两个不同区域的不同方向的边界。更严格的说，角点的局部邻域
转载
2024-05-08 17:26:05
257阅读
第一次写技术Blog，准备走上computer vision的道路，那就必不可少的需要求助，由于在也得到了太多的帮助，于是决定把自己学到的东西都放在公开平台上，希望也能帮助到你，也欢迎广大网友发现问题，及时指正。废话不多说，开始这篇对在cv领域产生革命性影响的RCNN的进化版Faster RCNN的究极详解。1.把总结写在前面，先说一说Faster RCNN包含那些重点且它们都是干嘛的，如
转载
2024-04-16 09:52:53
115阅读
要解决的问题 1、RCNN和SPPnet分多步训练，先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search的方式获得，步骤比较繁琐。 2、时间和内存消耗比较大。在训练SVM和回归的时候需要用网络训练的特征作为输入...
原创
2021-06-05 16:42:13
507阅读
1.Faster RCNN 整体思路概述如图1.1所示，Faster RCNN 的整体框架按照功能区分，大致分为4个模块，分别是特征提取网络backbone模块、RPN模块、RoI and RoI pooling模块和RCNN模块。图 1.1 Faster RCNN 整体框架Backbone模块：主要负责接收输入数据，并进行数据预处理和特征提取得到输入图像对应的feature maps，并传递给下
转载
2024-05-20 22:12:37
1852阅读
# 实现Fast RCNN目标检测实例 Python 代码教程
## 一、整体流程概述
```mermaid
journey
title 教学流程
section 理解Fast RCNN目标检测
Understand --> Prepare Data --> Train Model --> Evaluate Model
```
## 二、步骤及代码示例
##
原创
2024-03-20 04:09:21
129阅读
FastPy3.0 发布了，FastPy是python领域一个高性能的web框架，底层封装gevent协程模型，使得python原生库操作mysql或者http时自动变成异步模式，使用上又具有django、webpy的易用性特点。本次版本更新增加了gevent协程模式下数据库mysql连接池的使用例子，结合pymysql+gevent的特点，可以使得原本同步的mysql操作自动变为异步模式。对dj
转载
2023-08-18 17:08:06
151阅读
我们已经学习带走几个特征检测器，它们都really good , 但是从实时的角度来说，它们的速度还不够快.作为解决方案，FAST（加速段测试的特征）算法由Edward Rosten和Tom Drummond在2006年的论文“Machine learning for high-speed corner detection”中提出（后来在2010年修订）。FAST 全称 Features from
转载
2023-07-05 22:47:22
207阅读
注意：ksize-Sobel的孔径参数(aperture parameter)，也就是Sobel核的半径，如1、3、5、7i31 Shi-Tomasi 角点检测 & 适合于跟踪的图像特征mportcv2importnumpy as np
img= cv2.imread(r'pictures\chessboard.png')
gray=cv2.cvtColor(img,cv2.C
