1.傳統(tǒng)視覺

近期準備開始寫一些傳統(tǒng)CV算法方面的學習心得，對于一個在cv方面工作了兩年多的新人，了解一些傳統(tǒng)的、偏數(shù)學的計算機視覺算法還是挺有必要的。雖然神經(jīng)網(wǎng)絡(luò)出現(xiàn)之后這些傳統(tǒng)算法變得貌似不那么重要，但是缺乏理論的支撐很容易讓人在學習新模型的時候產(chǎn)生困惑，個人認為學習視覺方面深度學習的基礎(chǔ)還是要了解傳統(tǒng)的視覺算法的一些操作。因此我希望，用盡可能簡明的語言，記錄一下我在CV傳統(tǒng)算法學習上的所獲所得。不乏其中有很大篇幅是網(wǎng)絡(luò)上很多大牛的詳細的知識詳解文章，我也會摘錄到本筆記中，與大家共同學習。本系列主要內(nèi)容包括我自己不甚了解的cv方面的知識，未必囊括所有的基礎(chǔ)知識，目錄隨著我的學習過程進行增加。

 1. Harris 角點、 FAST角點、 小孔相機參數(shù)、 PNP(pespective-n-point)算法、 形態(tài)學分析、 邊緣檢測、
    斑點檢測、 圖像平滑去噪、 全景拼接、 SIFT算法上 | SIFT算法下、 SURF算法、 orb算法、 光流法基礎(chǔ)、 張正友標定法、
    RANSAC、 標定板識別算法、 Shape-Based matching、 霍夫變換模板匹配、 識別直線、 背景提取、 物體跟蹤、
    AR二維碼檢測與應(yīng)用、 二維碼、 雙目重建相關(guān)、 圖像頻域分析、 圖像增強和復原、 圖片壓縮、 人臉識別、 字符分割

2.3D視覺算法

3D視覺在消費娛樂方面以及工業(yè)視覺方面，幾年來有著很大的進步。主要原因是由于近年來，3D視覺的傳感器的價格達到了可以接受的水平。從2012年以來，各大公司都加重的對于3D視覺的重視，以及各大創(chuàng)投也加大了對于3D視覺行業(yè)初創(chuàng)公司的投資。比如2012年左右，微軟收購了3D-TOF相機公司canesta和3dv；2013年，英特爾推出RealSense實感技術(shù)，谷歌推出ProjectTango項目，蘋果收購結(jié)構(gòu)光先驅(qū)PrimeSense；2015年索尼收購了3D視覺綜合技術(shù)供應(yīng)商SoftKinetic，F(xiàn)acebook旗下Oculus收購3D手勢識別公司Pebbles，等等一系列。國內(nèi)也出現(xiàn)了一系列的3D視覺傳感器和應(yīng)用公司，比如奧比中光、阿丘科技、埃爾森、小覓、海康威視、梅卡曼德等。

而實際落地也已經(jīng)深入到各個行業(yè)，比如工業(yè)缺陷檢測，工業(yè)零件抓取，消費級的大家肯定不陌生比如各大手機廠商的人臉解鎖，增強現(xiàn)實，以及3D房產(chǎn)展示等，可謂3D視覺是視覺行業(yè)又一個新的發(fā)展點。本系列就整理一些常見的算法以及知識點，不一定是目前最先進的，但都是最基礎(chǔ)的，希望和大家一起學習。文章來源地址http://www.zghlxwxcb.cn/news/detail-728207.html

 - 3D傳感器成像原理（待整理） 常見點云文件解析 常用簡單濾波器 網(wǎng)格簡化綜述 網(wǎng)格簡化之QEM 網(wǎng)格簡化之VSA 網(wǎng)格簡化之頂點聚類
   網(wǎng)格生成方法簡述 網(wǎng)格生成之Marching Cube 網(wǎng)格生成之TSDF 3D 關(guān)鍵點 3D 特征點描述子 ICP 配準方法
   RANSAC 配準方法 NDT配準方法 Point Pair Feature 點對匹配配準方法 點云近鄰查找方法 點云分割 面生成算法
   面貼圖算法 linemod算法 德勞內(nèi)三角形
   
   **低層次處理方法：**
①濾波方法：雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。
②關(guān)鍵點：ISS3D、Harris3D、NARF、SIFT3D
**中層次處理方法：**
①特征描述：法線和曲率的計算、特征值分析、SHOT、PFH、FPFH、3D Shape、Context、Spin Image
②分割與聚類：
分割：區(qū)域生長、Ransac線面提取、全局優(yōu)化平面提取、K-Means、Normalize Cut(Context based)、3D Hough Transform(線、面提取)、連通分析
分類：基于點的分類、基于分割的分類、基于深度學習的分類（PointNet,OctNet）
高層次方法：
①配準：點云配準分為粗配準（Coarse Registration）和精配準（Fine Registration）兩個階段。
精配準的目的是在粗配準的基礎(chǔ)上讓點云之間的空間位置差別最小化。
粗配準是指在點云相對位姿完全位置的情況下對點云進行配準，可以為精配準提供良好的初始值。
基于窮舉搜索的配準算法：遍歷整個變換空間以選取使誤差函數(shù)最小化的變換關(guān)系或者列舉出使最多點對滿足的變換關(guān)系。如RANSAC配準算法、四點一致配準算法（4-Point Congruent Set, 4PCS）、Super4PCS算法等...
基于特征匹配的配準算法：通過被測物體本身所具備的形態(tài)特征構(gòu)建點云見的匹配對應(yīng)，然后采用相關(guān)算法對變換關(guān)系進行估計。如基于點FPFH特征的SAC-IA、FGR等算法、基于點SHOT特征的AO算法以及基于線特征的ICL等...

②SLAM圖優(yōu)化
Ceres（Google的最小二乘優(yōu)化庫，很強大）、g2o、LUM、ELCH、Toro、SPA
SLAM方法：ICP、MBIP、IDC、likehood Field、NDT

③三維重建
泊松重建、Delaunay triangulations、表面重建、人體重建、建筑物重建、數(shù)目重建。
實時重建：重建植被或者農(nóng)作物的4D（3D+時間）生長態(tài)勢、人體姿勢識別、表情識別；
④點云數(shù)據(jù)管理：點云壓縮、點云索引（KD、 Octree）、點云LOD(金字塔)、海量點云渲染

到了這里，關(guān)于【機器視覺】工業(yè)傳統(tǒng)視覺和3D視覺算法的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！