notes of CV

这是我关于计算机视觉的学习笔记，课程为 CS231n 和 Introduction to Computer Vision

课程笔记目录

CS231n Stanford

• 第一章：Numpy

  • 创建 Arrays
  • 索引与切片
  • 数据类型
  • 数学运算
  • 广播机制
  • Matplotlib 绘图

• 第二章：图像分类

  • k-近邻分类器
  • 线性分类器
  • SVM 分类器
  • Softmax 分类器
  • 正则化
  • 梯度下降与优化

• 第三章：神经网络到CNN

  • 神经网络基础
  • 前向传播与反向传播
  • 矩阵求导
  • 卷积神经网络（CNN）介绍

Introduction to Computer Vision (PKU)

• CV - 2: 图像形成

  • 相机模型与针孔相机
  • 镜头原理与薄镜头方程
  • 景深与弥散圈概念
  • 视野角度计算
  • 镜头畸变与校正
  • 颜色感知与数字成像

• CV - 3: 图像处理

  • 图像处理基础概念
  • 线性滤波技术
  • 非线性滤波技术
  • 图像金字塔与采样
  • 图像变换技术

• CV - 4: 特征检测

  • 边缘检测基础理论
  • Canny边缘检测算法
  • Harris角点检测器
  • 特征检测的数学原理
  • Blob检测方法

• CV - 5: 图像拼接

  • 全景图像拼接概述
  • 图像变换与齐次坐标
  • 仿射变换与单应性变换
  • RANSAC外点检测算法
  • 图像融合技术（拉普拉斯金字塔与泊松编辑）

• CV - 6: 相机标定

  • 3D视觉概述与单视图歧义性
  • 解决单视图歧义的方法（主动传感、立体视觉、多视图几何等）
  • 相机内参与外参回顾
  • 相机标定线性方法与RQ分解
  • 相机标定非线性优化
  • 三角测量（Triangulation）原理与方法
  • 消失点标定方法

• CV - 7: 对极几何

  • 双视图立体视觉基础
  • 对极几何的基本概念（基线、极点、对极平面、对极线）
  • 对极约束与对应点搜索
  • 本质矩阵（Essential Matrix）的性质与估计
  • 基础矩阵（Fundamental Matrix）的性质与估计
  • 八点算法与归一化八点算法
  • 从本质矩阵恢复相机运动
  • 对极几何在3D重建与视觉SLAM中的应用

• CV - 8: 双目立体视觉

  • 双目立体视觉原理与基本流程
  • 简单立体系统与本质矩阵
  • 立体图像校正（Stereo Rectification）
  • 视差与深度计算（Disparity-Depth Relationship）
  • 局部立体匹配（相似性度量、窗口大小、失败情况）
  • 全局立体匹配（动态规划、能量优化）
  • 深度学习方法（监督与无监督学习）
  • 主动立体视觉（结构光、Kinect、激光扫描）
  • 立体数据集与现代3D重建技术

• CV - 9: 结构运动

  • 结构运动问题定义
  • SfM的固有歧义（尺度、投影、仿射）
  • 多视图3D重建管线
  • 两视图几何估计
  • 增量式相机注册
  • 光束调整（Bundle Adjustment）
  • 实际应用与挑战