shape_based_matching 更新： ，0.1-0.5度精度，<0.1度精度，处理比例误差 尝试实现基于halcon形状的匹配，请参考halcon工程师编写的机器视觉算法和应用程序，第317 3.11.5页我们发现基于形状的匹配与linemod相同。 halcon匹配解决方案指南，用于选择匹配方法（ ）： 脚步 将test.cpp第9行的前缀更改为顶级文件夹 在cmakeList第23行中，将/ opt / ros / kinetic更改为可以找到opencv3的位置（如果在默认环境中安装了opencv3，则无需这样做） cmake制作并运行。 要了解用法，请参阅test.cpp中的其他测试。 特别是，scale_test已被完全注释。 注意：在Windows上，已确认Visual Studio 17可以正常工作，但是vs13中的MIPP存在一些问题。 您可能需要

目录： 第一章 引论 1·1 机器视觉 1·2 Marr视觉计算理论 1·3 机器视觉的应用 1·4 机器视觉的研究内容与面临的困难 1·5 机器视觉与其它学科领域的关系 1·6 成象几何基础 1·7 本书内容向导 思考题 第二章 人类视觉 2·1 人类视觉简介 2·2 感受野 2·3 视觉信息的多层次并行处理 2·4 视觉信息的集成和反馈 思考题 第三章 二值图象分析 3·1 阈值 3·2 几何特性 3·3 投影 3·4 游程长度编码 3·5 二值图象算法 3·6 形态算子 思考题 计算机练习题 第四章 区域分析 4·1 区域和边缘 4·2 分割 4·3 区域表示 4·4 分裂和合并 思考题 计算机练习题 第五章 图象预处理 5·1 直方图修正 5·2 图象线性运算 5·3 线性滤波器 5·4 非线性滤波器 思考题 计算机练习题 第六章 边缘检测 6·1 梯度 6·2 边缘检测算法 6·3 二阶微分算子 6·4 LoG算法 6·5 图象逼近 6·6 Canny边缘检测器 6·7 子象素级位置估计 6·8 边缘检测器性能 6·9 线条检测 思考题 计算机练习题 第七章 轮廓表示 7·1 数字曲线及其表示 7·2 曲线拟合 7·3 样条曲线 7·4 曲线回归逼近 7·5 Hough变换 7·6 傅里叶描述子 思考题 计算机练习题 第八章 纹理 8·1 概述 8·2 纹理分析统计方法 8·3 有序纹理的结构分析 8·4 基于模型的纹理分析 8·5 用分形理论分析纹理 8·6 从纹理恢复形状 思考题 计算机练习题 第九章 明暗分析 9·1 图象辐射度 9·2 表面方向 9·3 反射图 9·4 从图象明暗恢复形状 9·5 光度立体 思考题 计算机练习题 第十章 彩色感知 10·1 三色原理 10·2 颜色模型 10·3 颜色的视觉处理 10·4 彩色不变性 10·5 讨论 思考题 计算机练习题 第十一章 深度图 11·1 立体成象 11·2 立体匹配 11·3 多基线立体成象 11·4 从X恢复形状的方法 11·5 测距成象 11·6 主动视觉 思考题 计算机练习题 第十二章 标定 12·1 刚体变换 12·2 绝对定位 12·3 相对定位 12·4 校正 12·5 双目立体深度测量 12·6 含有比例因子的绝对定位 12·7 外部定位 12·8 内部定位 12·9 摄象机标定 12·10 双目立体标定 12·11 主动三角测距标定 12·12 鲁棒方法 12·13 讨论 思考题 计算机练习题 第十三章 三维场景表示 13·1 三维空间曲线 13·2 三维空间曲面的表示 13·3 曲面插值 13·4 曲面逼近 13·5 曲面分割 13·6 曲面配准 思考题 计算机练习题 第十四章 二维运动估计 14·1 图象运动特征检测 14·2 光流法 14·3 光流计算 14·4 基于块的运动分析 思考题 计算机练习题 第十五章 三维运动估计 15·1 基于成像模型的对应点估计 15·2 三维运动估计光流法 15·3 光流分割 思考题 计算机练习题 第十六章 物体识别 16·1 识别系统的基本组成 16·2 物体识别的复杂度 16·3 图象矩不变量特征表示 16·4 三维物体模型表示 16·5 特征检测与识别策略 16·6 验证 16·7 物体定位 思考题 计算机练习题 参考文献 英汉词汇对照表

VisionPro是工业机器视觉开发平台，可结合C#或VB联合编程，解决工业上：引导、识别、读码、检测等问题。资源为基础教程PPT。

第一版计算机视觉算法与应用，读起来对计算机视觉有大概的了解

传统的线激光扫描技术以机器视觉为基础，算法复杂、计算量大，且匹配效率不高；而点激光扫描技术是以激光三角法为基础，算法简洁，但测量慢、点云稀疏。为解决上述问题，提出以激光三角法为基础的线激光扫描技术，根据相机针孔模型以及相机和线激光器的相对位置关系建立物像关系方程，求解场景三维坐标，简化了重建算法。采用以最小二乘法为基础的标定算法，实现了相机与线激光相对位置参数和系统旋转中心偏移参数的标定。同时分析了系统的理论精度，并结合场景重建实验和精度评估实验，对系统的可靠性和精度进行了验证。实验结果表明该系统效率高、精度好；在1000~1700 mm测量范围内该系统的绝对误差小于2.6 mm，精度高于0.25％，满足一般场景重建的要求。

是贾云德编著的机器视觉，入门教材，写的比较通俗易懂

对于基于深度学习的立体匹配而言,模型的网络结构对算法精度的影响很大,而算法运行效率也是实际应用中需要考虑的重要因素。提出一种在视差维度上使用稀疏损失体进行立体匹配的方法。采用宽步长平移右视角特征图构建稀疏的三维损失体,使三维卷积模块所需的显存和计算资源均降低数倍。采用多类别输出的方式对匹配损失在视差维度上进行非线性上采样,并结合两种损失函数训练模型,在保证运行效率的同时提高算法精度。在KITTI测试集上,与基准算法相比,所提算法不仅提高了精度,而且运行时间缩短了约40%。

MIL编程的一些例子,MIL,图像处理,机器视觉,欢迎大家共同研究MIL.国内关于MIL的资料非常少,找到的资源很少,分享给大家.

经过一段时间的了解学习labview2018机器视觉，现在总结一下在一个文件夹中读取一张图片然后进行直方图分析的程序，适合菜鸟……

以车辆自动驾驶系统中的道路环境感知技术为研究对象，开发了一套前方车辆检测系统，该系统利用安装在车辆上的相机和毫米波雷达实时获取前方道路信息，通过各传感器的数据接收、处理以及融合算法，实现及时、准确、可靠、具有环境适应性的前方车辆检测。