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,但不能被模块外其它函数,是一个本地的全局变量。