1 概述 机器视觉就是用机器代替人眼和人脑来做测量和判断。机器视觉系统工作的基本过程是获取目标的图像后，对图像进行识别、特征提取、分类、数学运算等分析操作，并根据图像的分析计算结果，来对相应的系统进行控制或决策的过程。在很多机器视觉应用中，都需要用到机器视觉测量，即根据目标的图像，来得到目标在实际空间中的物理位置，最典型的如行走机器人、SLAM等。要根据图像中的目标像素位置，得到目标的物理空间位置
1 机器视觉为什么要做相机标定 机器视觉是采用相机成像来实现对三维场景的测量、定位、重建等过程。是一个利用二维图像进行三维反推的过程，我们所处的世界是三维的，而图像或者照片是二维的，可以把相机认为是一个函数，输入量是一个三维场景，输出量是一幅二维图像。正常来说，这个从三维到二维的过程是不可逆的。 如果我们能够找到一个合适的数学模型，来近似以上这个三维到二维的过程，然后找到这个数学模型的反函数，就可
1 概述 镜头透镜由于制造精度以及组装工艺的偏差会引入畸变，导致原始图像的失真，即图像畸变。 在前一篇文章《机器视觉模型——投影矩阵》中描述了机器视觉系统成像模型，在这个模型里包含了相机内参（与像元尺寸、焦距、像素中心有关）以及相机外参（与相机在世界坐标系的位姿有关），这个模型是一个理想模型，或者说线性模型，没有考虑到镜头透镜产生的畸变所带来的影响。结合上文成像模型，可以把
我先上下结果图吧，效果勉强还行，在这里我只训练了行人，官网的weights是coco数据集训练的，有80类； 1、YOLOV3目标检测 关于yolov3的原理我在这里就不解释了，可谷歌学术自行阅读，说实话yolov3的效果着实不错，但是源码是C的，不依赖其他任何库，看的云里雾里，在这里我用的darknet训练的，利用tensorflow+keras进行测试的； 关于tensorfl
环境：ubuntu14.04 软件：opencv3.3 +pycharm 好久没有写博客了，手都感觉好生疏，最近一直在研究工控机，水下机器人等，好不容易闲下来，没办法呀，继续前行吧，前面一直说双目测距，但没有高速大家如何获得这个双目标注得图像，我在这把这代码贴一下吧，获得这些双目拍摄的图片就可以利用matlab和opencv进行标注了。 &
在我们平常在做目标检测或者目标追踪时，经常要画出目标的运动轨迹图，基本大致思路如下，检测出目标，建立一个空的队列，检测出目标就将目标的中心点给加到队列中。最后写一个循环，调用opencv cv2.line函数画出上一帧与这一帧的轨迹图，我们线看下效果吧（小编不上相） 我做了一个人脸检测，并记录了人脸的中心的运动轨迹，下面我们贴出代码吧，人脸检测我就不解释了，
利用python打开摄像头及颜色检测 最近两周由于忙于个人项目，一直未发言了，实在是太荒凉了。。。。，上周由于项目，见到Python的应用极为广泛，用起来也特别顺手，于是小编也开始着手学习Python,…下面我就汇报下今天的学习成果吧 小编运行环境unbuntu 14.0.4 首先我们先安装一下Python呗，我用的2.7，其实特别简单，一行指
检测或者训练有问题的可发邮件咨询小编，小编尽力解答1039463596@qq.com 好吧，正式开始跑程序（其实官网都有） 这篇文章是训练YOLO v2过程中的经验总结，我使用YOLO v2训练一组自己的数据，训练后的model，在阈值为.25的情况下，Recall值是95.54%，Precision 是97.27%。 需要注意的是，这一训练过程可能只对我自己的训练集有效，因为我是根据我这一
代码是最为耐心、最能忍耐和最令人愉快的伙伴，在任何艰难困苦的时刻，它都不会抛弃你（开场白） 长时间不写博客，我总感觉自己没有做事情，最近一直在做目标检测，想结合一下双目视觉，做立体检测，于是就研究了一下双目视觉，参考了很多人的相关博客，在这里，特意表示感谢一下。 使用Opencv实现张正友法相机标定之前，有几个问题事先要确认一下，那就是相机为什么需要标定，标定需要的输入和输出分别是哪些？
前言 最近学习稠密重建的相关知识，发现变分法通常作为一个平滑的正则项出现在残差平方和的损失函数中。而图像处理中又经常出现这类最小损失函数的优化问题，如图像分割、稠密光流、稠密重建等等，这些优化问题中都有可能涉及到变分法。因此，我想系统记录下学习过程：变分法是什么？全变分正则项有何含义？加了变分正则项的损失函数如何求解？等等。本系列应该会有三章：
看不清？点击更换
第三方账号登入
第三方账号登入
QQ 微博