OpenCV学习笔记（五十一）——imge stitching图像拼接stitching OpenCV学习笔记（五十二）——号外：OpenCV 2.4.1 又出来了。。。。。 OpenCV学习笔记（五
OpenCV學習筆記（五十一）——imge stitching圖像拼接stitching
stitching是OpenCV2.4.0一個新模塊，功能是實現圖像拼接，所有的相關函數都被封裝在Stitcher類當中。這個類當中我們可能用到的成員函數有createDefault、estimateTransform、composePanorama、stitch。其內部實現的過程是非常繁瑣的，需要很多算法的支持，包括圖像特征的尋找和匹配，攝像機的校準，圖像的變形，曝光補償和圖像融合。但這些模塊的接口、調用，強大的OpenCV都為我們搞定了，我們使用OpenCV做圖像拼接，只需要調用createDefault函數生成默認的參數，再使用stitch函數進行拼接就ok了。就這么簡單！estimateTransform和composePanorama函數都是比較高級的應用，如果各位對stitching的流程不是很清楚的話，還是慎用。
實例也非常簡單，下載鏈接哦：http://download.csdn.net/detail/yang_xian521/4321158。
輸入原圖（為了顯示，我都壓縮過）：
OpenCV學習筆記（五十二）——號外：OpenCV 2.4.1 又出來了。。。。。
距離2.4.0放出來才一個月。兒童節當天2.4.1就出爐了。。。。真心跟不上節奏啊，路漫漫其修遠兮。。。。
這次主要的改變還是bug的修訂，之前有朋友告訴我，說他的2.3.1版本說什么都不能成功配置CUDA，后來他用2.2版本就成功了，看來新出的版本bug還是很多的，也不能盲目求新。這次的2.4.1版本更新如下：
GPU模塊支持了CUDA4.1、CUDA4.2版本，添加了一個文件字符串存儲回讀的API接口
完善了光流法的clacOpticalFlowPyrLK，支持了金字塔圖像作為輸入
完善了文檔，使文檔和版本更加對應
修正了SURF、MSER的python包裝
修正了其他45處bug
最近更新比較慢，感覺沒有學習OpenCV過程有新的太大收獲，還請見諒
OpenCV學習筆記（五十三）——新版本2.4.2簡介&FREAK和ORB特征描述子效果對比features2d
OpenCV 2.4.2簡介
OpenCV從未放慢自己前進的步法，就在7月4日，最新版的2.4.2又放出來了。與之同時放出的還有兩個網站http://opencv.org/和http://answers.opencv.org，前者作為一個正式的全新的官方用戶網站，簡單瀏覽了一下，應該是一個對應之前維基百科上的那個網站，是一個介紹性的新聞網站，對開發者的意義可能不是太大；后面這個網站就厲害了，是一個類似google討論組一樣的交流區，大家可以在上面提問，留言，解答，我也剛剛注冊了個用戶，剛成立沒幾天已經有60多個問題了，應該還是很活躍的一個討論區。
還是老樣子，介紹一下新版本的更新以及改動：
現在支持IOS操作系統了！開發iphone的朋友們，你們也可以用OpenCV了，是不是內牛滿面。
添加了一個新的特征點描述算法FREAK，這也是今年的CVPR的一個新算法，也是一個2值的特征，文章里說是根據人視網膜的原理，挺玄乎的，據說是效果比ORB和SURF都好，我要試試看。
對GPU的模塊進一步優化，對個別算法的性能有較大提升。
還修正了2.4.1的50多個bug。
介紹就這么多，感覺亮點就是網站的建設和這個FREAK特征，其他的還得慢慢摸索啊
FREAK和ORB特征描述子效果對比
ORB就是BRIEF的改進，BRIEF太簡單了，就不介紹了，有興趣的朋友自己看paper吧。ORB的paper我讀下來，感覺改進主要有以下幾點：用FAST作為特征點提取的算法，更快了，添加了特征點的主方向，這樣就具有了旋轉不變性。最后一點其實我也想到了，當時看BRIEF的時候就想應該可以優化，就是ORB采用貪婪窮舉的方法得到了相關性較低的隨機點對，還有一個改進就是對于隨機點對，受噪聲的影響很大BRIEF的辦法就是對原圖像濾波，降低噪聲的影響，ORB不在使用像素點的直接比較，而是選擇該像素為中心的一個小patch作為比較對象，提高了抗噪能力。
FREAK我只是大致看了下，理解可能不到位，我的理解是這個算法是基于人眼視網膜細胞的分布，中間密集，四周稀疏，從而在圖像中構建很多的區域，當然越靠近中心的區域采樣更密集，四周區域采樣稀疏，隨機對比各區域的像素得到一組2值特征，這個算法也關注了尺度和方向的問題，都有對應的解決辦法，還根據了人眼看事物時眼睛不停的轉動，設計了一種級聯的搜索器，總而言之，我感覺這個算法也是受ORB和BRISK這種2值特征的啟發下的一種改進吧。
下面就利用OpenCV對其進行一下對比，值得說明的是，在2.4.2中，FREAK給出了pattern的訓練代碼。
對比實驗效果如下：（上圖為ORB，下圖為FREAK）
經過篩選之后的特征點如下圖：（上圖為ORB，下圖為FREAK）
當然，我這里只是個簡單的測試，其實并不能完全反應實際的性能，因為我這里FREAK的特征點位置的檢測用的是SURF，而ORB用的是FAST。但從我這里的比較效果來看，ORB要好很多。下面讓我來對比一下算法的運行時間：
| ? | ORB | FREAK detection | FREAK extraction |
| debug | 0.317s | 0.301s | 0.167s |
| release | 0.094s | 0.162s | 0.085s |
雖然兩種算法不能直接比較，因為FREAK沒有提供特征點位置檢測的算法，個人感覺如果FREAK采用FAST來做detection，確實速度應該要逼ORB要快一些。
最后分享給大家我的工程鏈接：http://download.csdn.net/detail/yang_xian521/4421537
OpenCV學習筆記（五十四）——概述FaceRecognizer人臉識別類contrib?
在最新版的2.4.2中，文檔的更新也是一大亮點，refrence manual擴充了200多頁的內容，添加了contrib部分的文檔。contrib就是指OpenCV中新添加的模塊，但又不是很穩定，可以認為是一個雛形的部分。這次結合refman的閱讀，介紹一下FaceRecognizer這個人臉識別類，這個類也是2.4.2更新日志里著重強調過的更新，配套的文檔也是相當充實。這個類的基類也是Algorithm類，對于Algorithm類的簡單介紹，請參看我之前的blogOpenCV學習筆記（五十）——Algorithm類介紹（core），這個類內的接口函數也是異常簡單，人臉識別的任務也就是兩大部分，訓練和預測，分別對應著train函數和predict函數，還有對應的數據加載保存函數save和load。不過它當然還可以調用其基類Algorithm的函數。特別說明的是，人臉識別中預測的參數也是可以調節的，但這里只給出了train和predict函數，為啥沒有setparameter的函數呢，那是因為各中人臉識別方法的參數并不相同，要通過Algorithm的get和set函數實時的調整~~v5啊！
先來說說訓練的過程，train函數的兩個參數也很簡單，訓練的圖像組vector<Mat>和對應的標簽組vector<int>，這個label標簽只需保證同一個人的標簽相同即可，不需要保證圖像的按標簽順序輸入，方便極了。對于預測，有兩種調用，其中的參數有測試圖像、返回的標簽值和測試樣本和標簽樣本的相似性。返回的標簽值為-1，說明測試樣本在訓練集中無對應或距離較遠。這里用個FisherFace作為示例說明一下如何訓練和預測：
[cpp] view plain copy當然我們也不需要每次使用都進行一次訓練，可以把訓練好的模型通過save函數保存成一個文件，下次使用的時候只需load即可。
目前支持的3種人臉識別的方案：特征臉EigenFace、Fisher臉FisherFace、LBP直方圖LBPHFace。分別調用函數createEigenFaceRecognizer、createFisherFaceRecognizer、createLBPHFaceRecognizer建立模型。
對于EigenFace兩個輸入參數，分別為PCA主成分的維數num_components和預測時的閾值threshold，主成分這里沒有一個選取的準則，要根據輸入數據的大小而決定，通常認為80維主成分是足夠的。除了這兩個輸入參數外，還有eigenvalues和eigenvectors分別代表特征值和特征向量，mean參數為訓練樣本的平均值，projections為訓練數據的預測值，labels為預測時的閾值。
對于FisherFace，和EigenFace非常相似，也有num_components和threshold兩個參數和其他5個參數，FisherFace的降維是LDA得到的。默認值為c-1，如果設置的初始值不在（0，c-1]的范圍內，會自動設定為c-1。
特別需要強調的是，EigenFace和FisherFace的訓練圖像和測試圖像都必須是灰度圖，而且是經過歸一化裁剪過的。
對于LBPHFace，我想不用過多介紹，LBP簡單和效果是大家都很喜歡的，參數包括半徑radius，鄰域大小即采樣點個數neighbors，x和y方向的單元格數目grid_x,grid_y，還有兩個參數histograms為訓練數據得到的直方圖，labels為直方圖對應的標簽。這個方法也要求訓練和測試的圖像是灰度圖
接下來應該結合文檔進一步研究一下這個人臉識別類。我之前大量的人臉實驗都是在matlab下進行的，有了這個利器，我感覺會有越來越多的學生做老師和老板布置的project會選擇用OpenCV，而不是Matlab。希望我們都愛的OpenCV越來越好，越來越強大。歡迎交流
OpenCV學習筆記（五十五）——用OpenCV做人臉識別和性別識別contrib
人臉識別的故事說也說不完，調研的事還是交給大家吧。這里說的是用OpenCV做人臉識別。
因為是真正的人臉識別，不是搞笑娛樂的東西，所以數據庫一定要強大的，推薦個網站http://www.face-rec.org/databases/。這里有最全的人臉庫的概述，希望大家能找到自己需要的人臉庫（PS：我現在特別需要一個3d的人臉庫，不知道哪位大俠知道如何free獲取，或者愿意共享給我那更是極好的了，先謝過咯）。這里簡單介紹兩個庫，ORL和Yale，ORL是一個輕量級的庫，Yale更為復雜，但并不是免費的。
數據的準備：在我們程序里需要讀取圖像和對應的標簽，這里采用CSV文件，是一種簡單的數據交互格式，在我們最常用的Excel里就支持這種格式。這種格式每條信息占一行。信息格式為：文件名；標簽，例如C:/ORL/image.jpg;0。只要創建了一個CSV文件和對應的圖像，你就可以對任何一個數據庫進行訓練了。當然，這個CSV文件并不一定要自己手動的創建，也可以Python腳本自己生成自己需要的CSV文件，對應的腳本為\modules\contrib\doc\facerec\src\create_csv.py，唉，誰讓咱對這個腳本不熟悉，只能偷懶了，直接調\modules\contrib\doc\facerec\etc\at.txt或者\samples\cpp\facerec_at_t.txt。這個txt對應的是ORL的數據庫，其中的路徑就按照其改一下就好了。
至于人臉識別的具體實現，我已經在blogOpenCV學習筆記（五十四）——概述FaceRecognizer人臉識別類contrib提到了如何實現。\modules\contrib\doc\facerec\src很多很好的示例，我這里就不上傳代碼了。
最后再說一下人臉的標定。因為對Python也不是太熟悉，只給大家一個腳本文件吧，是\modules\contrib\doc\facerec\src\crop_face.py，通過這個腳本可以制作自己需要的人臉圖片大小。
性別識別和視頻中的識別在對應的demo里都有介紹，我這里就不詳細說了，因為性別識別無非就是把訓練樣本的標簽只有兩類：男性和女性。需要說明的是，EigenFace是基于PCA的，是一種非監督的模型，不太適合性別識別的任務，這里的demo用的是FisherFace。對于視頻的人臉識別，無非就是添加了個VideoCapture和一個人臉檢測的CascadeClassifier。
關于訓練的模型的保存和調用，就是用save和load函數，好簡單的，就不介紹了吧。
最后說一下偽彩色圖的這個函數applyColorMap，其中colorMap參數是用來選擇偽彩色圖的樣式。因為人眼對顏色的敏感的程度要比對亮度的敏感程度要高，所以用偽彩色圖 的對比效果要更好。這才醫學圖像處理中用的比較多，以前的B超現在都用彩超了，價格竟然要貴好多，其實就是一個偽彩色處理罷了，醫院真黑啊！！
from: http://blog.csdn.net/yang_xian521/article/category/910716
總結
以上是生活随笔為你收集整理的OpenCV学习笔记（五十一）——imge stitching图像拼接stitching OpenCV学习笔记（五十二）——号外：OpenCV 2.4.1 又出来了。。。。。 OpenCV学习笔记（五的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： OpenCV学习笔记（四十六）——FAS
- 下一篇： OpenCV学习笔记（五十六）——Inp