harris演算法

㈠ moravec運算元，susan運算元，css運算元，fast運算元，harris運算元哪個對模糊的魯棒性好

Harris運算元介紹：
該運算元是C．Harris和M．J．Stephens在1988年提出的一種點特徵提取運算元。這種運算元受信號處理中自相關函數的啟發，可以給出圖像中某一像素點的自相關矩陣肘，其特徵值是自相關函數的一階曲率，如果算，Y兩個方向上的曲率值都高，那麼就認為該點是角點。Harris角點檢測運算元
Harris[2]角點檢測運算元是Moravec角點檢測運算元的改進.
（1）運算元用高斯函數代替二值窗口函數,對離中心點越近的像素賦於越大的權重，以減少雜訊影響。

圖1-3高斯函數
(2)運算元只考慮了每隔45度方向，Harris運算元用Taylor展開去近似任意方向。

寫成矩陣形式: :

式子（1-2）

式子（1-3）
式中，Ix為x方向的差分，Iy為y方向的差分，w(x,y)為高斯函數。
(3)Harris採用了一種新的角點判定方法。矩陣M的兩個特徵向量l1和l2與矩陣M的主曲率成正比。Harris利用l1, l2來表徵變化最快和最慢的兩個方向.若兩個都很大就是角點,一個大一個小就是邊緣,兩個都小就是在變化緩慢的圖像區域.

來自文獻[11]
圖1- 4用矩陣M的特徵向量分類圖像像素點
但是解特徵向量需要比較多的計算量,且兩個特徵值的和等於矩陣M的跡，兩個特徵值的積等於矩陣M的行列式。所以用(1-4）式來判定角點質量。(k常取0.04-0.06)
（1-4）
(4) Harris演算法總結
Step 1:對每一像素點計算相關矩陣M。

Step 2:計算每像素點的Harris 角點響應。

Step 3.在w*w范圍內尋找極大值點，若Harris 角點響應大於閥值，則視為角點。
Harris運算元對灰度的平移是不變的,因為只有差分，對旋轉也有不變性，但是對尺度很敏感,在一個尺度下是角點, 在在另一個尺度下可能就不是了.

圖1- 5harris運算元對尺度的敏感性

圖1- 6harris運算元對簡單圖像的響應
Harris 運算元是一種有效的點特徵提取運算元,其優點總結起來有:
①計算簡單:Harris 運算元中只用到灰度的一階差分以及濾波,操作簡單。
②提取的點特徵均勻而且合理:Harris 運算元對圖像中的每個點都計算其興趣值,然後在鄰域中選擇最優點。實驗表明,在紋理信息豐富的區域,Harris 運算元可以提取出大量有用的特徵點,而在紋理信息少的區域,提取的特徵點則較少。
③穩定:Harris運算元的計算公式中只涉及到一階導數，因此對圖像旋轉、灰度變化、雜訊影響和視點變換不敏感,它也是比較穩定的一種點特徵提取運算元。
Harris 運算元的局限性有：
①它對尺度很敏感，不具有尺度不變性。
②提取的角點是像素級的。
[2]Chris Harris, Mike Stephens, A Combined Corner and Edge Detector, 4th Alvey Vision Conference, 1988, pp147-151

㈡ 目標檢測演算法是什麼

目標檢測演算法是先通過訓練集學習一個分類器，然後在測試圖像中以不同scale的窗口滑動掃描整個圖像；每次掃描做一下分類，判斷一下當前的這個窗口是否為要檢測的目標。檢測演算法的核心是分類，分類的核心一個是用什麼特徵，一個是用哪種分類器。

(2)harris演算法擴展閱讀：

目標檢測演算法可以分為：

1、背景建模法，包含時間平均模型、混合高斯模型、動態紋理背景、PCA模型、時一空聯合分布背景模型

2、點檢測法，包含Moravec檢測器、Harris檢測器 、仿射不變點檢測、S IFT

3、圖像分割法，包含Mean Shift方法 、Graph-cut方法、Active Contours方法

4、聚類分析法，包含支持向量機、神經網路、Adaptive Boosting

5、運動矢量場法，包含基於運動矢量場的方法

㈢ 人體一日的總耗能量及人體總需熱量計算方法

目錄
一、人每天至少需要多少熱量公式一：
二、人每天至少需要多少熱量演算法二
三、常見運動消耗
四、熱量的單位換算

人每時每刻都在消耗能量，使用BMR(Basic Metabolic Rate)來計算人全無活動（睡一整天）時所需的熱量。

一、人每天至少需要多少熱量公式一：
女: BMR = 655 + ( 9.6 x 體重kg ) + ( 1.8 x 身高cm ) - ( 4.7 x 年齡years )
男: BMR = 66 + ( 13.7 x 體重kg ) + ( 5 x 身高cm ) - ( 6.8 x 年齡years )
人不能總躺著，所以你每天所需的總熱量還要進一步計算。
使用Harris Benedict Formula，將你的BMR乘以活動系數（如下）：
幾乎不動 Calorie-Calculation = BMR x 1.2
稍微運動（每周1-3次）總需 = BMR x 1.375
中度運動（每周3-5次）總需 = BMR x 1.55
積極運動（每周6-7次）總需 = BMR x 1.725
專業運動（2倍運動量）總需 = BMR x 1.9
比如你算出來的BMR結果是1745，基本不運動，那麼你需要1745 x 1.2 = 2094 大卡來維系現在的體重。
如何減肥？
每天消耗的卡路里＞攝入的卡路里，堅持一段時間必瘦無疑。
建議是每日減少攝入500 - 1000 大卡的熱量，但不要超1000，那樣透支太多了。
American College of Sports Medicine (ACSM) 建議：女人應該保證每天攝入至少1200大卡，男人1800大卡
二、人每天至少需要多少熱量演算法二
成人每日需要的熱量 （1大卡 = 4.184千焦耳）
男性 ： 9250- 10090 千焦耳
女性： 7980 - 8820 千焦耳
注意：每日由食物提供的熱量應不少於己於 5000千焦耳- 7500 千焦耳 這是維持人體正常生命活動的最少的能量
也就是說你要健康，至少每天要吃1200大卡
人每天消耗的熱量至少有
人體基礎代謝的需要的基本熱量 + 體力活動所需要的熱量 + 消化食物所需要的熱量。
基礎代謝的簡單演算法 =
女子 ： 基本熱量（千卡）= 體重（斤） x 9
男子 ： 基本熱量（千卡）= 體重（斤） x 10
體力活動的演算法 = 體重（公斤） * 活動強度系數 * 小時數
舉例：70kg的人看1小時電視消耗 70 * 1.4 * 1 = 98大卡
消化食物的演算法 = 10% * （人體基礎代謝的需要的最低熱量 +體力活動所需要的熱量）
也就是說60kg的男人看一天電視至少要消耗
基礎代謝 = 60 * 2 * 10 = 1200
體力活動 = 70 * 1.4 * 12 = 1176
消化食物 = 10% * （600 + 1176） = 177
總共消耗 = 1200 + 1176 + 177 = 2553大卡
三、常見運動消耗
游泳：每半小時消耗熱量175卡。它是一項全身協調動作的運動，對增強心肺功能，鍛煉靈活性和力量都很有好處。它還有利於病人恢復健康，婦女生育後恢復體形，對老年人和身體瘦弱的人都是一項很好的運動。
田徑：每半小時可消耗熱量450卡。它可使人體全身得到鍛煉。
籃球：每半小時消耗熱量250卡。它可增強靈活性，加強心肺功能。
自行車：每半小時消耗熱量330卡。對心肺、腿十分有利。
慢跑：每半小時消耗熱量300卡。有益於心肺和血液循環。跑的路程越長，消耗的熱量越大。
散步：每半小時消耗熱量75卡。對心肺功能的增強有益，它能改善血液循環，活動關節和有助於減肥。
跳繩：每半小時消耗熱量400卡。這是一項健美運動，對心肺系統等各種臟器、協調性、姿態、減肥等都有相當大的幫助。
乒乓球：每半小時消耗熱量180卡。屬全身運動，有益於心肺，可鍛煉重心的移動和協調性。
排球：每半小時消耗熱量175卡。主要增強靈活性、彈跳力和體力，有益於心肺。
四、熱量的單位換算
千卡 Kilocalorie， 千焦耳
1 千卡 = 4.184 千焦耳
1 千卡： 是能使出1毫升水上升攝氏1度的熱量。
由於相對我們日常攝取的熱量，「卡路里」這一單位的量度還是太小。現時營養學普遍採用「千卡」（又稱「大卡」）為單位。1千卡等於1000卡路里，約4186焦耳。在非正式場合以及非正式書面記錄中，往往將「千卡」、「大卡」省略為「卡」，讀者應根據常識予以注意識別。

㈣ 機器視覺演算法有哪些

機器視覺演算法基本步驟；
1、圖像數據解碼
2、圖像特徵提取
3、識別圖像中目標。
機器視覺是人工智慧正在快速發展的一個分支。
簡單說來，機器視覺就是用機器代替人眼來做測量和判斷。
機器視覺系統是通過機器視覺產品(即圖像攝取裝置，分CMOS和CCD兩種)將被攝取目標轉換成圖像信號，傳送給專用的圖像處理系統，得到被攝目標的形態信息，根據像素分布和亮度、顏色等信息，轉變成數字化信號;圖像系統對這些信號進行各種運算來抽取目標的特徵，進而根據判別的結果來控制現場的設備動作。

現在做視覺檢測的公司比較多，國內國外都有，許多視覺算是很好的。
能提供完整的機器視覺軟體解決方案，也可以為客戶提供演算法級的定製，覆蓋所有的工業應用領域，適用范圍比較廣。機器視覺的應用會越來越多，因為計算的水平越來越高，可以處理更復雜的視覺演算法；其實好多的東西，包括現在流行的GPS，最早都是外國的公司在做，程序都是中國人在做外包；
光機電的應用我個人覺得已經很成熟了，不會再有新東西。

㈤ 如何比較SIFT，SURF，Harris-SIFT圖像匹配演算法性能

SIFT匹配（Scale-invariant feature transform，尺度不變特徵轉換）是一種電腦視覺的演算法用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數，此演算法由 David Lowe 在1999年所發表，2004年完善總結。其應用范圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。
局部影像特徵的描述與偵測可以幫助辨識物體，SIFT 特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。對於光線、雜訊、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特徵資料庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速准確匹配。
2、SIFT特徵的主要特點
從理論上說，SIFT是一種相似不變數，即對圖像尺度變化和旋轉是不變數。然而，由於構造SIFT特徵時，在很多細節上進行了特殊處理，使得SIFT對圖像的復雜變形和光照變化具有了較強的適應性，同時運算速度比較快，定位精度比較高。如：
在多尺度空間採用DOG運算元檢測關鍵點，相比傳統的基於LOG運算元的檢測方法，運算速度大大加快；
關鍵點的精確定位不僅提高了精度，而且大大提高了關鍵點的穩定性；
在構造描述子時，以子區域的統計特性，而不是以單個像素作為研究對象，提高了對圖像局部變形的適應能力；