MEXOpenCV这个能让matlab用opencv的高级货

东大工科男又发威了,Matlab的出奇的好用是公认的,而且在中国大陆大部分还是不要钱的(嘿嘿),OpenCV相对于matlab是出奇的快,而且在全世界任何的国家都不要钱,而且现在是该有的算法都有了,那怎么结合这两者呢,谁都知道,mex化opencv,但又有谁做了呢?
阅读全文…

东大工科男又发威了,Matlab的出奇的好用是公认的,而且在中国大陆大部分还是不要钱的(嘿嘿),OpenCV相对于matlab是出奇的快,而且在全世界任何的国家都不要钱,而且现在是该有的算法都有了,那怎么结合这两者呢,谁都知道,mex化opencv,但又有谁做了呢?
阅读全文…
加了line-mode,比较有吸引力。
April, 2012
As usual, we created 2.4 branch in our repository (http://code.opencv.org/svn/opencv/branches/2.4), where we will further stabilize the code. You can check this branch periodically, before as well as after 2.4 release.
imgproc, video, calib3d, features2d, objdetect has been moved to legacy.CMakeLists.txt and your module will be built as a part of OpenCV. Also, it’s possible to exclude certain modules from build (the CMake variables "BUILD_opencv_<modulename>" control that).来自老杨的一篇评测。
好久没更新博客了,最近都在忙找工作,目前来看形势还不错。感觉我基本已经跟computer vision没什么关系了,面了很多公司,只有一个是视觉的,其它都是纯码农活儿了。
这学期上了个计算机架构的水课,最后的大作业我就benchmark了一下OpenCV在x86和ARM下面的性能,我的笔记本的CPU是Intel Core i7 620M,iOS测试我用的是iPod Touch,和iPhone 4是一样的CPU, Apple A4。最新的iPhone 4s和iPad2上的Apple A5没机会测,因为这俩都不能完全越狱。x86比ARM快那是肯定的,不过这个benchmark可以看出来到底差多少。
编译:在x86上我用的是64位编译的,因为Apple A4分别支持ARM v6和v7两个版本,我就分别都编译了不同的静态库。
测试:我使用了不同的数据类型,8/16/32位整形,32/64位浮点;不同的输入矩阵大小,4*4/8*8/…/256*256/512*512;不同的操作,加、乘、转置、求逆、SVD,还有一组图像处理的比较。
下面是一些比较结果:
一个非常棒的各种descriptor的评测。全文转载如下:(美中不足的没有特征匹配的评测)
(一句话总结,综合考虑速度和性能,ORB是最好的。)
For this test i have written special test framework, which allows me to easily add the new kind of descriptors and test cases and generate report data in CSV-like format. Than i upload it in Google docs and create this awesome charts. Five quality and one performance test was done for each kind of descriptor.
玩了一下OpenCV2.3的python接口。有如下几个注意事项:
1:OpenCV2.3RC使用VS2005编译会提示确实DirectShow,所以最好还是升级到OpenCV2.3
2: 使用VisualStudio2008/2010的可以直接下载OpenCV2.3 Superpack,免去编译之累。
3:编译好python库之后将cv.pyd, cv2.pyd拷贝至python2.x的Lib/Sitepackage目录下。
4:cv2中的函数使用的numpy.ndarray来表示图像,所以要使用cv2.imread函数来装载图像,而不要使用cv模块中的loadImage或者loadImageM
以上事项都搞定的话,写个简单的小程序就木有问题了。下面用新的cv2模块将以前贴过的提取surf特征的代码重写一遍:
大家都知道苹果系统是一个很奇怪的系统。有最精美的UI,确实基于最古老的系统。有最好的编程软件,确有自己的编程语言。这里提供一个专门为iOS准备的opencv的sh。链接
不过大家也都知道跨平台是一件巨痛苦的事情,所以貌似要读以下的一个国外网站的教程(其实那个sh也是那个网站提供的)
今天刚发布的Release candidate,估计下周正式版本就要出来了。
大家到这里看看what’s new:新增加了一个stitching拼接模块,Android支持更加方便了,使用Google test框架,其他变化主要是内部性能改进。
Update 关于手持设备方面的:
首先,OpenCV 2.3的Android build终于变成了官方支持的NDK-Build的方式了。以前的方法相当让人头疼,使用的非Android官方的方法去写JNI接口,tutorial跟着走一遍也不知道所以然。
其次,What’s new里面说道,新的Android支持是NVidia在开发,让然浮想连篇啊!本来OpenCV就是支持CUDA显卡加速的,那请细读下面的报道:http://computervisioncentral.com/content/nvidia-releases-opencv-android-tegra-301677 Tegra 3 support,会不会有硬件加速?OpenCV在Apple A4 这个级别的ARM处理器的性能要比桌面x86处理器慢~20倍,GPU加速让人期待。
最后小八卦,文中提到的Kari Pulli原来在Nokia,他和Stanford合作的FCam API是基于跑在Nokia N900/800 Maemo Linux上的Computational Photograph的API。现在转投NVidia门下把FCam带入到Tegra?有意思,看来NVidia很看中未来手持设备的Visual computing的能力,到处发力找突破。
–幻肢老杨
这个页面力图搜集各种跟CV,AR相关的代码,如无特别声明,均是c/c++代码。还是一贯的标准,不求全面,只求质量。
如有特别推荐的代码,请在本页留言,或者email我:cvchina AT gmail.com
无需多言。
Recognition And Vision Library. 线程安全。强大的IO机制。包含AAM。
很酷的一个图像处理包。整个库只有一个头文件。包含一个基于PDE的光流算法。
基于Marker的AR库
ARToolKit的增强版。实现了更好的姿态估计算法。
实时的跟踪、SLAM、AR库。无需Marker,模板,内置传感器等。
基于特征点检测和识别的AR库。
目前最好的Sift开源实现。同时包含了KD-tree,KD-Forest,BoW实现。
基于Naive Bayesian Bundle的特征点识别。高速,但占用内存高。
基于OpenCV的Sift实现。
又一个AdaBoost实现。训练速度快。
基于Centrist和Linear SVM的快速行人检测。
目前最完整的(近似)最近邻开源库。不但实现了一系列查找算法,还包含了一种自动选取最快算法的机制。
另外一个近似最近邻库。
monoSLAM库。由Androw Davison开发。
使用Simple Linear Iterative Clustering产生指定数目,近似均匀分布的Super Pixel。
基于Online Random Forest的目标跟踪算法。
Kanade-Lucas-Tracker
Online Boosting Trackers
基于联通域连接的直线检测算法。
基于梯度的,局部直线段检测算子。
基于感知的多媒体文件Hash算法。(提取,对比图像、视频、音频的指纹)
Pyramid Matching Algorithm实现。
一个简单的的Vocabulary Tree实现。
Ming-Ming Cheng的视觉显著性算法。
最快,最好的开源FFT。
轻量级的FFT实现。许可证是亮点。
音频处理,音频合成。
音频文件IO。
音频重采样。
恭喜老杨高中gsoc opencv for ios/iphone/ipad
以下为CtrlCV。。。
Google Summer of Code 2011今天出结果了,有1100多人获得由Google的赞助参与到各种开源项目的开发中去。大体上是这样的:开源项目方给出感兴趣的课题,参与者获得锻炼机会并且有一定的经济补助,Google大款散点小钱落得个支持开源社区的好名声,这是个三赢局面。当然也不是随便什么项目就可以打着GSOC的名号来骗苦力的,Google批准了175个项目。我觉得这些项目必然有值得支持的理由,于是从头到尾扫了一遍,其中很多有名的开源项目,像GCC, GNU, FreeBSD, GNOME, KDE, Mozilla。下图是所有项目的关键词的用wordle在线服务生成的标签云,可以快速预览一下众开源项目的口味。
我挑几个我个人感兴趣的说说:
最新评论