这部门内容是博主的个人笔记，没有代码，只有思路，也不公开代码。
QRCode二维码的关键是三个定位点的获取，我们借助AprilTag，解码部分的算法和ZXing相同（实践证明非常鲁棒）。
图像处理
OpenCV4.0.0二维码识别代码简析
随着OpenCV4.0.0的正式Release，OpenCV已经走过了18个年头，OpenCV4中加入一些有意思的新算法，其中就包括二维码识别。OpenCV的二维码识别究竟如何呢？和其它开源二维码识别库相比有哪些优劣呢？博主将带你简析代码，分析性能。
AprilTag标志识别
OpenCV4.0.0正式release了，其中加入了二维码识别功能，有幸博主最近开始折腾二维码识别，发现二维码的核心就是那三个定位点和辅助对齐点。ZXing和OpenCV都是通过二维码定位点的11311来进行定位的，这是利用了二维码最显著的特征。但是博主会处理一些变态的情况，比如过曝光到11311定位点无法找到（即图像中定位点的黑白间隔不是1：1：3：1：1），于是就需要通过其它方法来找定位点了。一个标志识别库摆在眼前：AprilTag。（OpenCV中集成了类似的库，似乎叫做ARTag，没研究过）
AprilTag诞生于2011年的一篇论文，2016年出了AprilTag2，但是16年的论文感觉没讲啥，再加上看的cpp代码是2013年的，于是这篇博客就对着2013版本来讲好了，我们开始吧。
基于惯量矩的椭圆拟合方法
上一篇博客是《基于最小二乘法的椭圆拟合》，这篇博客介绍另外一种方法。由于现在正处在人生的特（工）殊（作）时（太）刻（忙），所以没怎么写，主要还是贴论文。
不同于最小二乘法直接拟合椭圆方程，论文中通过惯量矩，来预测角度、长轴、短轴，结合中心，来计算得到椭圆参数。实际工程实践中采用游程编码表示区域，该方法亦是Halcon中计算区域等效椭圆的方法，详看论文，谢谢。
最小二乘法拟合圆和椭圆
这篇文章是 least-squares fitting of circles and ellipses 这篇paper的导读。我们如何使用最小二乘法去拟合圆和椭圆呢，当我们用“代数方程”来表示圆时，我们最小化这个目标函数的实际意义是什么呢？我们按照这个方程得到的结果却不一定是合适的。我们实际上想要的是实际中每个点，到该曲线上的距离最小。
于是，我们按照一个“几何方程”来进行构造。这个几何方程描述的优化方向是，每个点到曲线的距离最小。我们使用雅可比矩阵QR分解来解算圆的参数，对于椭圆参数，存在更多情况，看Paper吧：
简记：基于梯度的优化 Jacobian和Hessian
工作之后时间越来越少，也在思考繁忙之下自己是否仍对技术拥有热情。答案是肯定的，并且，身处这个行业，也是需要不断学习的，积少成多，滴水穿石。之前写博客，或多或少想分享些有用的东西，现在环境的改变已经使得这些越发困难了，但是仍可以通过博客记录自己学习和成长的脚步。以下是来自繁忙生活中一份简简单单的笔记：
Jacobian矩阵包含了我们需要计算输出和输入的所有偏导数，这样的矩阵被称为Jacobian矩阵。
或许我们只对其中的二阶导数感兴趣，或许因为高阶导数计算量过大，所以我们使用Hessian矩阵，该矩阵包含了一个函数的所有二阶导数。
图像配准的常用方法
图像配准的方法大致分为三类，一类是基于灰度和模板的，这类方法直接采用相关运算等方式计算相关值来寻求最佳匹配位置，方法简单较为死板，一般效果不会太好。第二类是基于特征的匹配方法，如sift、surf点特征，或者向量特征等等，适应性较强。第三类是基于域变换的方法，采用相位相关（傅里叶-梅林变换）或者沃尔什变换、小波等方法，在新的域下进行配准。
我之前的博客介绍过傅里叶-梅林变换进行图像配准，其实也就是基于相位相关的原理，结合对数-极坐标变换进行图像配准，并给出了源码。这篇博客是对以上三类方法的小总结，无源码，都是废话，见谅。
Piotr Dollar目标检测工具箱，样本标注与训练工具Matlab
Piotr Dollar在行人检测方面有着深入的研究，尤其是在深度学习兴起以前，其对Adaboost的研究优化和改进令人瞩目，其目标检测工具箱Piotr Dollar’s Toolbox被广泛使用。在使用该工具箱的过程中，我们通常需要手动勾选正样本，不得不承认，在监督学习的过程中，标注样本是重要，且费时费力的重复体力劳动，提高标注的效率至关重要。
博主在这篇博客中，释出一份配合该工具箱使用的GUI程序，帮助勾选样本，进行标注。
OpenCV特征点提取算法对比
除了我们熟知的SIFT、SURF、ORB等特征点提取算法，OpenCV中还提供了十余种特征点提取算法。最近在整理以往的ppt和报告，看到其中一页ppt，发现已经忘得差不多了，就再写篇博客复习下好了，这篇博客注重对比，技术方面的内容不会太过细致，希望能有帮助。当然，文章末尾会提供这些算法OpenCV调用的实例代码。
首先，引发内容的就是下面这张ppt：（不要注意Why Surf了，当时根据具体应用场景所做的选择）左边一栏是特征点的数目，右边一栏是检测的速度，数据是在博主自己的测试集（大概四五百张图片）上测试的。
动画制作：MATLAB制作gif，PhotoShop制作gif
gif动画易于制作，相对于视频更小，更易于传播。作为一个程序猿，在使用程序绘图过程中想生成gif动画，可以使用MATLAB生成。当然，MATLAB生成gif动画存在局限性，专业的PhotoShop可以满足你的需要，这篇博客将专门介绍gif动画的制作。
傅里叶-梅林变换进行图像配准
图像配准方法主要分为三类：一种是灰度方法信息方法，另一种是基于特征的方法，可细分为特征点、直线段、边缘轮廓、特征结构以及矩不变统计特征等，还有一种就是基于变换域的方法，如相位相关、Walsh Transform等方法。傅里叶-梅林变换就是一种变换域的方法。
在图像配准过程中，常常需要处理平移、旋转、尺度变换、遮挡、形变等问题，使用傅里叶-梅林变换可以很好的应对平移、平面内旋转、缩放和遮挡，是一种鲁棒性较强的方法。这篇博客讲详细介绍傅里叶-梅林变换的性质，以及其在图像配准过程中的应用。
OpenCV实现Census变换
在立体视觉中，常常用到Census变换，Census变换是一种非参数局部变换，其将周围像素的强度映射到一个比特穿，从而捕获图像的结构。同时使用Census变换可以减少由相机增益和偏置引起变化的影响。在立体匹配过程中，将图像做Census变换后，计算像素点之间的明式距离进行匹配，可以得到较好的效果。
这篇博客主要介绍介绍实现Census变换，由于使用OpenCV的容器和接口，所以直接使用OpenCV调用比较方便。
Matlab使用vision.TextInserter在图像中嵌入字符
使用Matlab处理图像的时候，如果需要将文字或者图形嵌入图像中，就需要用到vision工具集了，如果嵌入的是文字，那么就要使用vision.TextInserter，这个在新版本的Matlab中提供了insertText函数，与其功能差不多，不过vision.TextInserter要强大一些，insertText可以修改文字背景色块但是不能修改字体。
实时超像素分割IER方法（CSEO方法）
这篇博客介绍博主事先的CSEO超像素分割方法，CSEO法是目前已知最快的超像素分割算法，可以在640*480*3大小的图像上达到38ms的速度（使用单核CPU@2.5GHz），并且分割区域数与时间无关，是目前超像素分割领域的state-of-art。
OpenCV内封装了主流的SLIC算法，当然，无法实时。这篇博客由于客观原因不提供源码、原理解释，只提供一些论文索引和博主的实验结果，仅供研究者参考。
博主使用Kinect摄像头采集图像数据，将采集的四通道数据转换为三通道数据，然后缩放至920*540（原图为1080p），采集图像和超像素分割在同一个线程中，最终速度为48ms，如果使用640*480，将算法部分从主线程中分离出来，达到论文中所说的38ms是可能的。