Frank's 資訊科技潮流站

內容如有錯誤請不吝指教！

(1)    初始化node set A，裡面包含兩個node c1,c2

Haar Feature-based Cascade Classifier是由Paul Viola提出，並且由Rainer Lienhar加強。

首先，一個分類器(Haar Feature-based Cascade Classifier)是由數百個相同物件的正樣本來做訓練(例如臉部或車)，並且將它們縮小成特定大小，例如20x20。另外也訓練負樣本，負樣本則使用任意影像即可。

在分類器被訓練之後，它便可以被使用在和被訓練樣本相同大小的ROI上。當一個區域可能出現該物件時，分類器輸出1，否則輸出0。如果要搜尋整張圖裡面的所有物件，則要讓分類器以搜尋視窗(Search Window)搜尋整張圖。該分類器是經過特殊設計，因此他可以很容易的被縮放來尋找大小不一的目標物件，這比單純縮放目標影像有效的多。因此，欲尋找影像中未知大小的物件，則要以不同的大小去搜尋該影像多次。

該分類器之所以被稱為「階層式(Cascade)」，是因為該分類器包含了數個較為簡單的分類器，我們稱之為關卡。當候選物件通過層層關卡的過濾，我們便認定其為目標物件。而之所以被稱為「推進(Boosting)」，是因為每一個關卡中又使用了基於不同權重投票(Weighted voting)來設計的基本分類器(basic classifiers)。

目前這些基本分類器，是具有至少兩個葉子(leaves)的決策樹(decision tree)。而Haar-like feature做為這些基本分類器的輸入值，而以OpenCV為例，其使用的Haar-like feature如下圖：

主要介紹幾個方法 順便備忘

Template Matching
給予一系列的同類型物件，於辨識時，將每一個Frame和這些同類物件做Template Matching，主要是用Correlation的方式來辨識，當一個區域的Correlation大到一定的門檻值，我們即假設該部分是我們所要偵測的物件。OpenCV有Template Matching相關的Function。使用這個方法的優點是簡便，但缺點是計算量過大，恐怕不適合Real-time的應用。

Facebook在設計上，如果使用者要看更多的留言，

是採取往下增加的方式

既不會開啟新的頁面，更不會直接蓋掉舊有的頁面

當你出遊的時候，進入光害少的區域，看見滿天星斗，想要拿口袋型相機拍下來的時候，

往往發現拍下來是一片黑！

因為星星是如此的遙遠，

所以一般相機如果沒有經過設定，拉長曝光時間，是很難拍到星星的。

Let A sequence of number be

A1,A2,…..,Ai,…..,An in an increasing order  

N is the number of elements

本篇文章主要是要介紹 (d) 部分的演算法。 

基本上 (a) (b) (c) 的部分，OpenCV都能做到。

那 (d) 呢？

因為常常被認為很簡單，所以比較沒人做。

[下載實作結果程式]  (請安裝OpenCV2.2)

這支程式主要可以把你所拍攝的五秒鐘的影片(從左到右平移)，轉成環場影像。

在電腦視覺上有一個比較麻煩的問題是，

我們常常用背景相減法，

但是這兩張背景不能有位移，否則減下去就出問題。

是以有必要探討如何在相機晃動的情況下，抓到的背景都是一樣的。

[下載程式]  

這是一個可以讓使用者嵌入浮水印到影像中的程式。

其他人完全不會查覺到你已經將另外一張圖片嵌入其中。