原文链接：http://blog.csdn.net/humanking7/article/details/46819527
步骤简述 使用OpenCV绘制矩形轮廓框，一般包括如下步骤： 转换为灰度图； 进行阈值处理； 进行中值滤波； 在原始图像上绘制矩形框。 附图解析 原始图像： 第一步，转换为灰度图： 第二步
算法：提取图像前景时，先用一个矩形框指定前景区域所在的大致范围，然后不断迭代地分割，直到达到最好的效果。如果用户干预提取过程，用户在原始图像的副本中（或者与原始图像大小相等的任意一幅图像），用白色标注将提取为前景的区域，用黑色标注将作为背景的区域。接着，将标注后的图像作为掩膜，让算法不断迭代前景从而得到最终的结果。
OpenCV是一个计算机视觉和机器学习的开源库。拥有2500+个优化算法——一套非常全面的既经典又最先进的计算机视觉和机器学习算法的集合，具备很多接口，包括Python，Java，C++和Matlab。
本篇的例子介绍使用numpy和 OpenCV ，仅根据识别对象的尺寸和颜色进行简单的物体识别。专业的图像识别须借助机器学习（含神经网络即深度学习），本篇不做介绍。
前几天师兄跟我讲了一下opencv的findContours()函数识别大符，感觉真的是妙啊！自己学的时候马马虎虎，就导致很多细节都没有领悟到，今天给大家分享一下。
人脸检测是目前所有目标检测子方向中被研究的最充分的问题之一，它在安防监控，人证比对，人机交互，社交和娱乐等方面有很强的应用价值，也是整个人脸识别算法的第一步。在本文中，SIGAI将和大家一起回顾人脸检测算法的整个发展历史。
在对象检测RCNN模型中使用了SS(Selective Search)进行区域推荐，改进了传统图像检测进行全局开窗检测的高计算消耗，典型的对象检测网络RCNN的结构如下：
做这个方向的项目也有一段时间了，作为算法工程师，主导的大大小小的项目也有几个，有成功交付的，诚然也有烂尾的。回顾整个项目流程，尽管经历酸甜苦辣，但收获颇丰，估写下此文当成2023年终总结吧。
在实际应用中，我们的图像常常会被噪声腐蚀，这些噪声或是镜头上的灰尘或水滴，或是旧照片的划痕，或者是图像遭到人为的涂画（比如马赛克）或者图像的部分本身已经损坏。如果我们想让这些受到破坏的额图片尽可能恢复到原样，Opencv能帮我们做到吗？
You Only Look Once: Unified, Real-Time Object Detection
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks NIPS2015 https://github.com/ShaoqingRen/faster_rcnn
SSD: Single Shot MultiBox Detector ECCV2016 https://github.com/weiliu89/caffe/tree/ssd
昨天结合代码详细解析了YOLOV1的损失函数，今天AlexeyAB版DarkNet的YOLOV2损失函数代码解析也来了。之前我详细分析过YOLOv2的损失函数目标检测算法之YOLOv2损失函数详解，这一节就不再赘述损失函数本身的细节了，直接上源码注释来进一步理解这一损失函数。
图像的连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域，连通域分析是指在图像中寻找出彼此互相独立的连通域并将其标记出来。提取图像中不同的连通域是图像处理中较为常用的方法，例如在车牌识别、文字识别、目标检测等领域对感兴趣区域分割与识别。一般情况下，一个连通域内只包含一个像素值，因此为了防止像素值波动对提取不同连通域的影响，连通域分析常处理的是二值化后的图像。
上一篇文章《学习|OpenCV图片修复函数inpaint》我们试验了OpenCV的图像修复函数，这篇我们结合鼠标事件使用修复做到想修复哪就修复哪的效果。
人脸识别是一种可以自动检测图像或视频中存在的人脸的技术。它可以用于各种应用，例如安全控制，自动标记照片和视频，以及人脸识别解锁设备等。在这篇博客中，我们将详细讨论人脸识别技术，以及如何使用 Python 中的 OpenCV 库实现人脸识别。
视觉跟踪技术是计算机视觉领域（人工智能分支）的一个重要课题，有着重要的研究意义。在军事制导、视频监控、机器人视觉导航、人机交互、以及医疗诊断等许多方面有着广泛的应用前景。随着研究人员不断地深入研究，视觉目标跟踪在近十几年里有了突破性的进展，使得视觉跟踪算法不仅仅局限于传统的机器学习方法，更是结合了近些年人工智能热潮—深度学习（神经网络）和相关滤波器等方法。本文主要介绍以下几点：什么是视觉目标跟踪（单目标跟踪）、单目标跟踪的基本结构（框架），目标跟踪存在的挑战，目标跟踪经典相关方法及研究趋势等。
选择完切片后 , 选择 " 菜单栏 / 文件 / 导出 / 存储为 Web 所用格式 " 选项 ;
《OpenCV源码Android端编译，用时三天，我编了个寂寞。。。》文中介绍了编译OpenCV+Contrib模块的编译，虽然Andorid下编译始终没有获得libopencv_java4.so的库，不过在Windows下编译还是正常的，今天主要介绍人脸特征点的检测功能，就用到Contrib模块中的FaceMarkLBF。
前面已经讲完了YOLOV1/V2的损失函数代码解析，今天为大家带来YOLOv3的损失函数解析。YOLOV3的损失函数在YOLOV2的基础上，用多个独立的逻辑回归损失代替了YOLOV2里面的softmax损失，然后去掉了对Anchor在前12800次训练轮次中的回归损失，也即是YOLOV2损失函数的第二项。另外新增了一个ignore_thresh参数来忽略一些和GT box的IOU大于ignore_thresh的预测框的objectness损失。除了以上细节，其它部分和YOLOV2的处理类似。
卷积神经网络在检测图像中的物体时优于其他神经网络结构。很快，研究人员改进了 CNN 来进行对象定位与检测，并称这种结构为 R-CNN（Region-CNN）。R-CNN 的输出是具有矩形框和分类的图像，矩形框围绕着图像中的对象。以下是 R-CNN 的工作步骤：
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhangjunhit/article/details/82771742
大家好，又见面了，我是你们的朋友全栈君。AbsDiff，计算两个数组之间的绝对差。 dst（I）c = abs（src1（I）c-src2（I）c）。所有数组必须具有相同的数据类型和相同的大小（或ROI大小）。 累加，将整个图像或其所选区域添加到累加器和。 累积产品，将2张图像或其选定区域的产品添加到累加器中。 AccumulateSquare，将输入src或其选定的区域，增加到功率2，添加到累加器sqsum。 累积权重，计算输入src和累加器的加权和，以使acc成为帧序列的运行平均值：acc（x，y）=（1-alpha）* acc（x，y）+ alpha * image（x，y ）如果mask（x，y）！= 0，其中alpha调节更新速度（累加器对于先前帧的多少速度）.. 自适应阈值，将灰度图像转换为二进制图像。每个像素单独计算的阈值。对于方法CV_ADAPTIVE_THRESH_MEAN_C，它是blockSize x blockSize像素邻域的平均值，由param1减去。对于方法CV_ADAPTIVE_THRESH_GAUSSIAN_C，它是blockSize x blockSize像素邻域的加权和（高斯），由param1减去。 添加，将一个数组添加到另一个数组：dst（I）= src1（I）+ src2（I）if mask（I）！= 0所有数组必须具有相同的类型，除了掩码和大小（或ROI）尺寸）。 AddWeighted，计算的两个数组的加权和如下：dst（I）= src1（I）* alpha + src2（I）* beta + gamma所有的数组必须具有相同的类型和相同的大小（或ROI大小）。 ApplyColorMap，将颜色映射应用于图像。 ApproxPolyDP，近似具有指定精度的多边形曲线。 ArcLength，计算轮廓周长或曲线长度。 ArrowedLine，绘制从第一个点指向第二个点的箭头段。 BilateralFilter，将双边滤镜应用于图像。 BitwiseAnd，并计算两个数组的每元素的逐位逻辑连接：dst（I）= src1（I）＆src2（I）if mask（I）！= 0在浮点数组的情况下，使用它们的位表示为了操作。所有阵列必须具有相同的类型，除了掩码和大小相同。 BitwiseNot，反转每个数组元素的每一位：。 BitwiseOr，计算两个数组的每元素逐位分离：dst（I）= src1（I）| src2（I）在浮点数组的情况下，它们的位表示用于操作。所有阵列必须具有相同的类型，除了掩码和大小相同。 BitwiseXor，计算两个数组的每元素的逐位逻辑连接：dst（I）= src1（I）^ src2（I）if mask（I）！= 0在浮点数组的情况下，使用它们的位表示为了操作。所有阵列必须具有相同的类型，除了掩码和大小相同。 模糊，使用归一化的盒式过滤器模糊图像。 BoundingRectangle，返回2d点集的右上角矩形。 BoxFilter，使用框过滤器模糊图像 BoxPoints（RotatedRect），计算输入2d框的顶点。 BoxPoints（RotatedRect，IOutputArray），计算输入2d框的顶点。 CalcBackProject，计算直方图的反投影。 CalcCovar矩阵，计算一组向量的协方差矩阵。 CalcGlobalOrientation，计算所选区域中的一般运动方向，并返回0到360之间的角度。首先，函数构建方向直方图，并将基本方向作为直方图最大值的坐标。之后，该函数计算相对于基本方向的移位，作为所有方向向量的加权和：运动越近，权重越大。得到的角度是基本方向和偏移的圆和。 CalcHist，计算一组数组的直方图 CalcMotionGradient，计算mhi的导数Dx和Dy，然后计算梯度取向为：方向（x，y）= arctan（Dy（x，y）/ Dx（x，y）），其中Dx（x，y）考虑Dy（x，y）“符号（如cvCartToPolar函数）。填写面罩后，指出方向有效（见delta1和delta2说明）.. CalcOpticalFlowFarneback（IInputArray，IInputArray，IInputOutputArray，Double，Int32，Int32，Int32，Int32，Double，OpticalflowFarnebackFlag），使用Gunnar Farneback算法计算密集的光流。 CalcOpticalFlowFarneback（Image <Gray，Byte>，Image <Gray，Byte>，Image <Gray，Single>，Image <Gray，Single>，Double
百度工程师用 PaddlePaddle 训练出一套模型，能够对吸烟人群进行识别和适当提示。当摄像头捕捉到正在吸烟的同学，就会投射到大屏幕上。图为李彦宏和某个员工的对话，对话员工的头像正是周围某个吸烟员工的「吸烟照」，而且其面部用表情包替换了。
RMPE: Regional Multi-Person Pose Estimation ICCV2017 Code is based Caffe and Torch! https://github.com/MVIG-SJTU/RMPE https://github.com/MVIG-SJTU/AlphaPose
目标检测任务关注的是图片中特定目标物体的位置。一个检测任务包含两个子任务，其一是输出这一目标的类别信息，属于分类任务。其二是输出目标的具体位置信息，属于定位任务。
在目标检测中有很多常用的数据标注工具，如LabelImg、Labelme等等，经过标注生成的格式各不相同，但基本符合几大数据集的标注格式。
1. 学习目标 学会使用 cv.line 绘制一条线； 学会使用 cv.circle 绘制圆； 学会使用 cv.rectangle 绘矩形； 学会使用 cv.ellipse 绘椭圆。 2. 图像公共参数说明 2.1 参数说明 参数 说明 img 表示输入图像，允许单通道灰度图像或多通道彩色图像。 color 表示绘制直线的颜色，(b,g,r) 格式的元组，或者表示灰度值的标量。 thickness 表示绘制直线的粗细，默认值 1px，-1 表示内部填充。 lineType 表示绘制直线的线性，默认为 LIN
对计算机而言，能够“看到”的是图像被编码之后的数字，它很难理解高层语义概念，比如图像或者视频帧中出现的目标是人还是物体，更无法定位目标出现在图像中哪个区域。目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，并在该目标周围绘制边界框，标示出每个目标的位置，如 图1 所示。
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Gavin__Zhou/article/details/79121673
cursor 属性规定要显示的光标的类型（形状），该属性定义了鼠标指针放在一个元素边界范围内时所用的光标形状（不过 CSS2.1 没有定义由哪个边界确定这个范围）。
目标检测中，原始图片的标注过程是非常重要的，它的作用是在原始图像中标注目标物体位置并对每张图片生成相应的xml文件表示目标标准框的位置。本文介绍一款使用方便且能够标注多类别并能直接生成xml文件的标注工具——labelImg工具，并对其使用方法做一个介绍。
学习计算机视觉最重要的能力应该就是编程了，为了帮助小伙伴尽快入门计算机视觉，小白准备了【OpenCV入门】系列。新的一年文章的内容进行了很大的完善，主要是借鉴了更多大神的文章，希望让小伙伴更加容易理解。如果小伙伴觉得有帮助，请点击一下文末的“好看”鼓励一下小白。
选择性搜索是在对象检测中使用的区域提议算法。它的设计速度很快，召回率很高。它基于基于颜色，纹理，大小和形状兼容性的相似区域的分层分组计算。
本文提出了一种级联卷积神经网络用于人脸检测的方法，通过使用三个不同尺度的卷积神经网络进行人脸检测，取得了较好的效果。同时，该方法还可以在速度和精度之间取得平衡，具有较好的实用性。
ICLR2014 OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks ILSVRC2013 winner
OCR相关工作都有一个第一步，那就是检测图像中的文本区域，只有找到了文本区域，才能对其内容进行识别，也只有找到了文本区域，才能更有针对性地判断该文本图像的质量好坏，我们期望达到如下的文本区域检测效果：
Canvas 状态保存机制 中 , 存在两个栈结构 , 分别是 状态栈 和 图层栈 ;
EAST由旷世科技于2017年发表在CVPR的关于自然场景文本检测的一篇文章。EAST是用来解决多方向文本检测的问题的一种思路。其核心思想体现在了以下几点。
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhangjunhit/article/details/82661179
人脸识别MTCNN解析 源代码，效果相当不错（只有测试代码）： https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.ht
注释以PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持YOLO格式
计算机视觉的飞速发展离不开大量图像标注数据的支撑，随着各类图像检测、识别算法的商业化落地，市场对图像标注精准度愈发严格，同时针对不同的应用场景，也衍生出了不同的图像标注方法。
本文提出了一种可扩展的实时目标检测方法，旨在提高目标检测的速度和扩展性。该方法包括两个主要步骤：1）利用角点提取候选区域，并设计一个轻量级的卷积神经网络来学习目标的边界框和类别；2）在目标检测中采用定向稀疏采样技术，以减少计算量和提高检测速度。实验结果表明，该方法在速度和扩展性方面均优于现有的目标检测方法。
Towards Real World Human Parsing: Multiple-Human Parsing in the Wild https://arxiv.org/abs/1705.07206
本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议
