harris算法

㈠ moravec算子，susan算子，css算子，fast算子，harris算子哪个对模糊的鲁棒性好

Harris算子介绍：
该算子是C．Harris和M．J．Stephens在1988年提出的一种点特征提取算子。这种算子受信号处理中自相关函数的启发，可以给出图像中某一像素点的自相关矩阵肘，其特征值是自相关函数的一阶曲率，如果算，Y两个方向上的曲率值都高，那么就认为该点是角点。Harris角点检测算子
Harris[2]角点检测算子是Moravec角点检测算子的改进.
（1）算子用高斯函数代替二值窗口函数,对离中心点越近的像素赋于越大的权重，以减少噪声影响。

图1-3高斯函数
(2)算子只考虑了每隔45度方向，Harris算子用Taylor展开去近似任意方向。

写成矩阵形式: :

式子（1-2）

式子（1-3）
式中，Ix为x方向的差分，Iy为y方向的差分，w(x,y)为高斯函数。
(3)Harris采用了一种新的角点判定方法。矩阵M的两个特征向量l1和l2与矩阵M的主曲率成正比。Harris利用l1, l2来表征变化最快和最慢的两个方向.若两个都很大就是角点,一个大一个小就是边缘,两个都小就是在变化缓慢的图像区域.

来自文献[11]
图1- 4用矩阵M的特征向量分类图像像素点
但是解特征向量需要比较多的计算量,且两个特征值的和等于矩阵M的迹，两个特征值的积等于矩阵M的行列式。所以用(1-4）式来判定角点质量。(k常取0.04-0.06)
（1-4）
(4) Harris算法总结
Step 1:对每一像素点计算相关矩阵M。

Step 2:计算每像素点的Harris 角点响应。

Step 3.在w*w范围内寻找极大值点，若Harris 角点响应大于阀值，则视为角点。
Harris算子对灰度的平移是不变的,因为只有差分，对旋转也有不变性，但是对尺度很敏感,在一个尺度下是角点, 在在另一个尺度下可能就不是了.

图1- 5harris算子对尺度的敏感性

图1- 6harris算子对简单图像的响应
Harris 算子是一种有效的点特征提取算子,其优点总结起来有:
①计算简单:Harris 算子中只用到灰度的一阶差分以及滤波,操作简单。
②提取的点特征均匀而且合理:Harris 算子对图像中的每个点都计算其兴趣值,然后在邻域中选择最优点。实验表明,在纹理信息丰富的区域,Harris 算子可以提取出大量有用的特征点,而在纹理信息少的区域,提取的特征点则较少。
③稳定:Harris算子的计算公式中只涉及到一阶导数，因此对图像旋转、灰度变化、噪声影响和视点变换不敏感,它也是比较稳定的一种点特征提取算子。
Harris 算子的局限性有：
①它对尺度很敏感，不具有尺度不变性。
②提取的角点是像素级的。
[2]Chris Harris, Mike Stephens, A Combined Corner and Edge Detector, 4th Alvey Vision Conference, 1988, pp147-151

㈡ 目标检测算法是什么

目标检测算法是先通过训练集学习一个分类器，然后在测试图像中以不同scale的窗口滑动扫描整个图像；每次扫描做一下分类，判断一下当前的这个窗口是否为要检测的目标。检测算法的核心是分类，分类的核心一个是用什么特征，一个是用哪种分类器。

(2)harris算法扩展阅读：

目标检测算法可以分为：

1、背景建模法，包含时间平均模型、混合高斯模型、动态纹理背景、PCA模型、时一空联合分布背景模型

2、点检测法，包含Moravec检测器、Harris检测器 、仿射不变点检测、S IFT

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

4、聚类分析法，包含支持向量机、神经网络、Adaptive Boosting

5、运动矢量场法，包含基于运动矢量场的方法

㈢ 人体一日的总耗能量及人体总需热量计算方法

目录
一、人每天至少需要多少热量公式一：
二、人每天至少需要多少热量算法二
三、常见运动消耗
四、热量的单位换算

人每时每刻都在消耗能量，使用BMR(Basic Metabolic Rate)来计算人全无活动（睡一整天）时所需的热量。

一、人每天至少需要多少热量公式一：
女: BMR = 655 + ( 9.6 x 体重kg ) + ( 1.8 x 身高cm ) - ( 4.7 x 年龄years )
男: BMR = 66 + ( 13.7 x 体重kg ) + ( 5 x 身高cm ) - ( 6.8 x 年龄years )
人不能总躺着，所以你每天所需的总热量还要进一步计算。
使用Harris Benedict Formula，将你的BMR乘以活动系数（如下）：
几乎不动 Calorie-Calculation = BMR x 1.2
稍微运动（每周1-3次）总需 = BMR x 1.375
中度运动（每周3-5次）总需 = BMR x 1.55
积极运动（每周6-7次）总需 = BMR x 1.725
专业运动（2倍运动量）总需 = BMR x 1.9
比如你算出来的BMR结果是1745，基本不运动，那么你需要1745 x 1.2 = 2094 大卡来维系现在的体重。
如何减肥？
每天消耗的卡路里＞摄入的卡路里，坚持一段时间必瘦无疑。
建议是每日减少摄入500 - 1000 大卡的热量，但不要超1000，那样透支太多了。
American College of Sports Medicine (ACSM) 建议：女人应该保证每天摄入至少1200大卡，男人1800大卡
二、人每天至少需要多少热量算法二
成人每日需要的热量 （1大卡 = 4.184千焦耳）
男性 ： 9250- 10090 千焦耳
女性： 7980 - 8820 千焦耳
注意：每日由食物提供的热量应不少于己于 5000千焦耳- 7500 千焦耳 这是维持人体正常生命活动的最少的能量
也就是说你要健康，至少每天要吃1200大卡
人每天消耗的热量至少有
人体基础代谢的需要的基本热量 + 体力活动所需要的热量 + 消化食物所需要的热量。
基础代谢的简单算法 =
女子 ： 基本热量（千卡）= 体重（斤） x 9
男子 ： 基本热量（千卡）= 体重（斤） x 10
体力活动的算法 = 体重（公斤） * 活动强度系数 * 小时数
举例：70kg的人看1小时电视消耗 70 * 1.4 * 1 = 98大卡
消化食物的算法 = 10% * （人体基础代谢的需要的最低热量 +体力活动所需要的热量）
也就是说60kg的男人看一天电视至少要消耗
基础代谢 = 60 * 2 * 10 = 1200
体力活动 = 70 * 1.4 * 12 = 1176
消化食物 = 10% * （600 + 1176） = 177
总共消耗 = 1200 + 1176 + 177 = 2553大卡
三、常见运动消耗
游泳：每半小时消耗热量175卡。它是一项全身协调动作的运动，对增强心肺功能，锻炼灵活性和力量都很有好处。它还有利于病人恢复健康，妇女生育后恢复体形，对老年人和身体瘦弱的人都是一项很好的运动。
田径：每半小时可消耗热量450卡。它可使人体全身得到锻炼。
篮球：每半小时消耗热量250卡。它可增强灵活性，加强心肺功能。
自行车：每半小时消耗热量330卡。对心肺、腿十分有利。
慢跑：每半小时消耗热量300卡。有益于心肺和血液循环。跑的路程越长，消耗的热量越大。
散步：每半小时消耗热量75卡。对心肺功能的增强有益，它能改善血液循环，活动关节和有助于减肥。
跳绳：每半小时消耗热量400卡。这是一项健美运动，对心肺系统等各种脏器、协调性、姿态、减肥等都有相当大的帮助。
乒乓球：每半小时消耗热量180卡。属全身运动，有益于心肺，可锻炼重心的移动和协调性。
排球：每半小时消耗热量175卡。主要增强灵活性、弹跳力和体力，有益于心肺。
四、热量的单位换算
千卡 Kilocalorie， 千焦耳
1 千卡 = 4.184 千焦耳
1 千卡： 是能使出1毫升水上升摄氏1度的热量。
由于相对我们日常摄取的热量，“卡路里”这一单位的量度还是太小。现时营养学普遍采用“千卡”（又称“大卡”）为单位。1千卡等于1000卡路里，约4186焦耳。在非正式场合以及非正式书面记录中，往往将“千卡”、“大卡”省略为“卡”，读者应根据常识予以注意识别。

㈣ 机器视觉算法有哪些

机器视觉算法基本步骤；
1、图像数据解码
2、图像特征提取
3、识别图像中目标。
机器视觉是人工智能正在快速发展的一个分支。
简单说来，机器视觉就是用机器代替人眼来做测量和判断。
机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

现在做视觉检测的公司比较多，国内国外都有，许多视觉算是很好的。
能提供完整的机器视觉软件解决方案，也可以为客户提供算法级的定制，覆盖所有的工业应用领域，适用范围比较广。机器视觉的应用会越来越多，因为计算的水平越来越高，可以处理更复杂的视觉算法；其实好多的东西，包括现在流行的GPS，最早都是外国的公司在做，程序都是中国人在做外包；
光机电的应用我个人觉得已经很成熟了，不会再有新东西。

㈤ 如何比较SIFT，SURF，Harris-SIFT图像匹配算法性能

SIFT匹配（Scale-invariant feature transform，尺度不变特征转换）是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe 在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。
局部影像特征的描述与侦测可以帮助辨识物体，SIFT 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显着而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用 SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。
2、SIFT特征的主要特点
从理论上说，SIFT是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高。如：
在多尺度空间采用DOG算子检测关键点，相比传统的基于LOG算子的检测方法，运算速度大大加快；
关键点的精确定位不仅提高了精度，而且大大提高了关键点的稳定性；
在构造描述子时，以子区域的统计特性，而不是以单个像素作为研究对象，提高了对图像局部变形的适应能力；