计算机视觉算法八股

一、角点检测

---

Harris算子原理：

• 在灰度变化平缓区域，窗口内像素灰度积分近似保持不变
• 在边缘区域，边缘方向：灰度积分近似不变，其余任意方向：剧烈变化；
• 在角点处，任意方向均剧烈变化

定义 灰度积分变化 :

 

      令 E（u,v）= 常值，则前面方程表示一个椭圆

 

 

 

 

使用角点响应函数：

• 当R接近于零时，处于灰度变化平缓区域；
• 当R<0时，点为边界像素；
• 当R>0时，点为角点。

 

 

---

二、背景建模

相对运动的基本方式：

• 相机静止，目标运动——背景提取(减除)
• 相机运动，目标静止——光流估计(全局运动)
• 相机和目标均运动——光流估计

 

帧差法运动目标检测

• D(x, y): 帧差
• I(x,y,t): 当前帧(t时刻)图像
• I(x,y,t): 上一帧(t-1时刻)图像
• T: 像素灰度差阈值

高斯背景

像素灰度值随时间变化符合高斯分布

 

 

 

 

---

混合高斯模型 ：

任何一种分布都可以看做是多个高斯分布的组合

 

 

 

 

 

 

像素灰度(随时间)的概率密度函数：

 

混合高斯背景建模步骤：

• 模型初始化 将采到的第一帧图像的每个象素的灰度值作为 均值，再赋以较大的方差。初值Q=1, w=1.0。
• 模型学习 将当前帧的对应点象素的灰度值与已有的Q个高斯模型作比较，若满足



• ，则按上页方式调整 第q个高斯模型的参数和权重；否则转入(3)：
• 增加/替换高斯分量 若不满足条件，且q<Q，则增加一个新 分量；若q=Q，则替换
• 判断背景：

         

• 判断前景

混合高斯模型迭代计算原理：

迭代计算：

    

• Mq(k)为二值化函数，仅当像素值匹配第q类时取1， 其余为0
• 类别数取值不大于5

背景建模处理实例 ：

---

三、光流估计

恒定亮度假设 (BCM)

 

 

光流估计基本模型：

 

• 任务：求          

               

• 难点： 1 个方程， 2 个未知数

---

Lucas-Kanade方法

一个小方格里的所有像素位移相同

 

 

                                      

 

• 最优化问题(超定方程求解)

               

 

• 最小二乘解：

             

 

• 区域像素只有2个时，就是2元1次方程组求解！ 多个像素，比如3*3时，则是求上述最小二乘解

       

 

• 可信度判断：矩阵求逆是否能实现？

 

 

 

 

 

• 边缘(对比Harris算子)

• 沿某一方向灰度剧烈变化 –

• 

 

 

• 
  

  低纹理区域(对比Harris算子)

  
  

 

 

 

 

 

 

光流估计示例