正在进行安全检测...
发布时间：1714415109 来源：文档文库
小
中
大
字号：
图像处理技术面试 Q1, 特征脸技术方面，训练时把一批人脸图像转换成一个特征向量集，称为“Eigenfaces”即“特征脸”。识别的过程是把一副新的图像投影到特征脸子空间，进行匹配。 训练时，针对10种人脸，总共500张 100X100的人脸图像，原始图像可以看成10000维的向量，500张原始图像中心化后组成1000X500的矩阵X乘以它的转置矩阵得到10000X10000的协方差矩阵Ω。如何快速求解协方差矩阵Ω的k个非零特征值?
Q2，Viola-Jones多级级联分类器识别人脸方法：
是人脸识别领域的一种经典方法。概念意义上的解释参考wikipedia；个人理解是：对于提取的图像haar-like特征，先用弱分类器分类，再把弱分类器训练提升为强分类器，多个强分类器级联起来就可以达到任意检测率的人脸图像识别。 haar-like特征，目前常用的Haar-like特征可以分为三类：线性特征、边缘特征、点特征（中心特征）、对角线特征。一个24*24的图像窗口，这样的特征就存在高达16万个。利用积分图的方法可以快速计算得到这样的特征。
Q3，目标跟踪算法：KLT( Kanade–Lucas–Tomasi 是一种特征跟踪算法,也叫(Lucas光流法，它利用灰度信息直接搜索最匹配的位置。 KLT算法的三个假设条件：
a. 亮度恒定 b. 时间连续或者运动是“小运动” c. 空间一致，临近点有相似运动,保持相邻。 其他跟踪算法：
粒子滤波pf：能够较好搜索到全局最优解，但其求解速度相对较慢，因基于颜色直方图的计算，所以对相同颜色东西不太能够区别。
均值漂移meanshift：容易陷入局部最优,不好跟踪小目标和快速移动目标,但运算量小速度快。 光流法用于目标跟踪的原理：
（1）对一个连续的视频帧序列进行处理；
（2）针对每一个视频序列，利用一定的目标检测方法，检测可能出现的前景目标；
（3）如果某一帧出现了前景目标，找到其具有代表性的关键特征点（可以随机产生，也可以利用角点来做特征点）；
（4）对之后的任意两个相邻视频帧而言，寻找上一帧中出现的关键特征点在当前帧中的最佳位置，从而得到前景目标在当前帧中的位置坐标； （5）如此迭代进行，便可实现目标的跟踪； 遇到的问题：
1: 图像预处理以消除或减少光照不均匀的影响，解决方案：图像预处理时，利用同态滤波可解决此问题。这对光照条件不好（KLT三个假设前提中的a条件不满足）的情况下尤为重要。 2，跟踪目标丢失，解决方案：应该再初始化。 针对KLT跟踪算法的缺陷(三个假设前提中的b不满足，在遇到大运动或者out-of-plane大旋转的时候会丢失目标，重新初始化识别人脸，同时重新计算角点(待跟踪点
3，帧与帧之间的异常检测： 前帧确定的待跟踪点和当前帧跟踪点 个数是个重大参考，提出当前后帧图像中跟踪点个数出现较大波动时，作为异常检测动作的发生条件之一
Q6，Matlab 中读、写及显示一幅图像的命令各是什么？imread，imwrite，imshow。 Q7，Matlab矩阵运算中 A. *B 和 A*B 的区别？
Q8, 简述BP神经网络，AdBoost的基本原理？了解深度学习吗？
Q，彩色图像、灰度图像、二值图像和索引图像区别？
Q9, 关键字static的作用是什么？
解：1）在函数体，一个被声明为静态的变量在这一函数被调用过程中维持其值不变。2）在模块内（但在函数体外），一个被声明为静态的变量可以被模块内所用函数访问，但不能被模块外 