顏色提取的案例
基于Matlab模板匹配方法的車牌識別系統設計
其中首先要求正確可靠地檢出車牌區域,為此提出了許多方法,如Hough變換以檢測直線來提取車牌邊界區域、使用灰度分割及區域生長進行區域分割,或使用紋理特征分析技術等。Hough變換方法對車牌區域變形或圖象被污損時失效的可能性會大大增加,而灰度分割則比直線檢測的方法要穩定，但當圖象在有許多與車牌的灰度非常相似的區域時，該方法也就無能為力了。紋理分析在遇到類似車牌紋理特征的其他干擾時，車牌定位正確率也會受到影響。本文提出基于車牌彩色信息的彩色分割方法。
主要模塊
主要模塊如下：顏色信息提取、車牌區域定位、識別、提取、檢測傾斜度、車牌校正、車牌區域2值化、擦除干擾區域、文字分割、模版匹配、結果輸出。
1. 定位車牌區域
2. 車牌矯正
3. 二值化車牌
4. 處理二值化圖像
5. 字符切割
6. 字符識別
顏色信息提取
根據彩色圖像的RGB比例定位出近似藍色的候選區域。即根據藍色像素點找出上下左右邊界，但是由于RGB三原色空間中兩點間的歐氏距離與顏色距離不成線性比例，在設定藍色區域的定位范圍時不能很好的控制。因此造成的定位出錯是最主要的。這樣在圖片中出現較多的藍色背景情況下識別率會下降，不能有效提取車牌區域。在此采用自適應調節方法，對分割出來的區域進行識別調整，再根據長寬比和藍白色比，對候選區域進行多次定位，最終找到車牌區域。
傾斜校正
針對傾斜角度的圖片采取rando算法進行傾斜角度計算，并對傾斜圖片進行修正。從而得到水平方向一致的圖片。有利于后期的圖片分割及圖像識別。
展開 曲線提取工具windig
使用說明：
打開軟件，將需要提取的數據圖片導入到軟件中
第一步
定義三個點
相當于確定你的坐標系，按理說應該是隨意取三個點就可以，不過建議大家取原曲線坐標系的原點及X,Y坐標系上比較大的點。
第二步
提取曲線顏色
左鍵選中要提取的曲線，快捷鍵shift+L，會提示你確認提取曲線顏色，點OK確定
第三部
選擇曲線
右鍵選擇曲線，右鍵單擊要提取的曲線，在提取曲線時，一般是無法一次提取整個曲線的，要分幾次提取，這里要注意的一點是，提取時盡量按照從左到右的順序提取，否則會導致數據錯亂
第四步
保存數據
Ctrl+S保存數據位dat格式的文件。至此數據提取完成，不過數據處理工作還沒完成。
提取的數據可能會有一定的錯亂，要進行修改編輯。所以可以通過UltraEdit進行編輯修改。
曲線提取工具.rar
展開 一文了解什么是XFEM ￥29.99
同時，涉及網格劃分、荷載處理和后處理等實用知識，并附上更改部件顏色、提取裂紋寬度等技巧。此外，附件包含 XFEM 相關文獻、案例模型、abaqus 實用手冊相關內容、裂紋提取方法以及疲勞參數計算等，為 XFEM 學習者和使用者提供全方位實用知識。</strong></p>
PAMTRI：結合仿真數據+姿態信息的車輛ReID算法
為了直觀地體現出車輛重識別任務中這個難點，作者選取了行人重識別數據集Market1501和車輛重識別數據集CityFlow-ReID用作分析：用經過ImageNet預訓練的GoogLeNet分別提取這兩個數據集的樣本的特征，計算類內和類間特征的方差之比（基于歐式特征空間），發現Market1501是0.921，小于CityFlow-ReID的0.946——車輛重識別任務相比行人重識別，面臨著更嚴峻的“類間差異小，類內差異大”的挑戰。
圖1
同樣是重識別問題，在算法上是否有通用性呢？之前有研究發現，直接把行人重識別的算法套用在車輛重識別數據集上，算法的性能并沒有達到其在行人數據集上的水準。作者認為，這是由于兩個任務有著不同的難點造成的，車輛重識別的一個關鍵點在于提取對視角魯棒的圖片特征，尤其是對車輛的姿態信息、顏色、車型要有魯棒性（如圖1所示）。提高模型魯棒性的一大絕招，在于構建大規模數據集用于訓練。作者由此想到，用仿真程序來擴充訓練數據。
如果通過“前景+背景”的方式制造仿真圖片，那么背景圖就是類似真實場景的圖片，前景則通過三維的車輛CAD模型的二維投影+不同顏色、視角、光照等的變化來生成。在生成仿真圖片的同時，我們很容易獲取車輛的顏色、姿態、車型等多個維度的信息，能否用上這些信息來提升ReID模型的性能呢？作者由此提出了一個Multi-task learning的框架，結合多維度信息來提升模型的性能。
展開 
計算機視覺：你必須了解的圖像數據底層技術
（這個例子里我們只提取了顏色特征）
還有一點需要注意的是，輸入圖像的大小、裁切方式都會影響算法的輸出結果，因此數據預處理非常重要！
作為數據的圖像
圖像中的每一個像素都是一個我們可以改變的數值，比如，我們可以將一個像素乘以一個標量來改變圖像亮度，我們也可以將每個像素值向右移動來改變圖像飽和度等。
將圖像視為數字網格是許多圖像處理技術的基礎。一般來說，色彩與形狀改變都是通過數學運算對圖像進行逐像素變換完成的。
訓練神經網絡
為了訓練神經網絡，我們要提供一組標記過的圖像數據，然后比較這些輸入圖像與計算機預測的輸出標簽或識別的測量值的差異以檢測算法模型的準確率。基于神經網絡的深度學習會監督它所犯的錯誤（誤差），并通過修正它發現的圖像數據間的模式與差異來實現迭代與擬合。
其中，梯度下降法是一種減少神經網絡誤差的數學方法，其中卷積神經網絡是一種特殊類型的神經網絡，通常用于計算機視覺應用。
X =輸入；a = 活化函數；W = 卷積神經網絡中的權重；J = 損失函數；Alpha = 學習率；y = 地面真值；y = 預測；k = 迭代次數
展開 基于MATLAB提取圖片曲線的坐標值（簡易GetDada）的實現
我搞出了顏色識別算法，對于一個圖好多個顏色的線，能夠做到提取特定顏色；
2）針對step2。我的設想是，自動在圖里畫出白色的豎線或者橫線，做到對現有曲線的自動分割。
嘗試之后，step2的改進失敗。這是因為，如果只畫橫線或者豎線再或者同時畫，如果線定的太密，原有曲線被遮擋嚴重，丟失信息。如果畫的太稀疏，則搞得精度不夠。這個度對于不同的圖，很難有統一的設定，因此實際用起來意義不大。
如果說一兩個圖，我用GetData就能很快處理了，一世英名得以保全。拿到手一看，幾十個圖，每個圖2分鐘也要搞兩三個小時。兩三個小時的重復取點工作，光想想，我就覺得自己眼睛會瞎。
我決定砍柴之前再磨一次刀，嘗試解決兩年前的問題。
1 Step2的解決
實際上，我仔細想了下，之所以出現step2斷點操作，主要是我之前的程序里要識別一個封閉區域的中心點，如果曲線連在一起，那么只能得到一個點。
這段程序是我從網上看來的，囫圇吞棗的用了，其實沒仔細考慮過。
如果從圖片的構成來考慮，我一個圖是用像素點拼起來的，我能不能仔細去一個識別每個像素點的信息，進而把構成曲線的像素點識別出來呢？
看了下圖片讀取后的信息，二值化以后的圖片信息是一個m*n的矩陣，這個矩陣每個點的值要么是1要么是0。我把是的區域顯示出來，果然發現它就是我要的那個曲線。就這樣，step2被解決了。
2 Step3的解決
現在我的程序可以實現曲線自動提取了，但是我現在提取的坐標是每個像素點在圖里的相對位置。比如像素點為100*200，那么我最后一個點的坐標是（100，200）。這顯然不能直接用啊，我要知道我圖片x、y兩個方向的尺度，然后才能換算出真實的坐標值。
展開 自動駕駛的視覺感知包括哪些內容？
車道線檢測
車道線檢測包括對各類單側/雙側車道線、實線、虛線、雙線檢測，線型的顏色（白色/黃色/藍色）和特殊的車道線（匯流線、減速線等）檢測。如下圖所示：
車道線檢測難點：
線型種類多，不規則路面檢測車道線難度大；如遇地面積水、無效標識、修補路面、陰影情況下的車道線容易誤檢、漏檢。
上下坡、顛簸路面，車輛啟停時，容易擬合出梯形、倒梯形的車道線。
彎曲的車道線、遠端的車道線、環島的車道線，車道線的擬合難度較大，檢測結果易閃爍；
車道線檢測方案：
其一，傳統的圖像處理算法需經過攝像頭的畸變校正，對每幀圖片做透視變換，將相機拍攝的照片轉到鳥瞰圖視角，再通過特征算子或顏色空間來提取車道線的特征點，使用直方圖、滑動窗口來做車道線曲線的擬合，傳統算法最大的弊端在于場景的適應性不好。
其二，采用神經網絡的方法進行車道線的檢測跟通行空間檢測類似，選取合適的輕量級網絡，打好標簽；車道線的難點在于車道線的擬合（三次方程、四次方程），所以在后處理上可以結合車輛信息（速度、加速度、轉向）和傳感器信息做航位推算，盡可能的使車道線擬合結果更佳。
5. 靜態物體檢測
靜態物體檢測包括對交通紅綠燈、交通標志牌等靜態目標的檢測識別。如下圖所示：
靜態物體檢測難點：
紅綠燈、交通標識屬于小物體檢測，在圖像中所占的像素比極少，尤其遠距離的路口，識別難度更大。
展開 萬字長文解析特斯拉自動駕駛體系
人類通過眼睛感知世界的原理為：光線通過眼睛被視網膜采集信息，經過傳遞與預處理，信息抵達大腦視覺皮層，神經元從視網膜傳遞的信息中提取出顏色、方向、邊緣等特征結構，再傳遞給下顳葉皮層，然后經過認知神經網絡的復雜處理最終輸出感知結果。
人類視覺感知原理
自動駕駛視覺感知方案是效仿人類視覺系統原理，攝像頭便是“汽車之眼”，特斯拉汽車共計采用八個攝像頭分布在車體四周，車身前部有三個攝像頭，分別為前視主視野攝像頭、前視寬視野攝像頭（魚眼鏡頭）以及前視窄視野攝像頭（長聚焦鏡頭），左右兩側各有兩個攝像頭，分別為側方前視攝像頭和側方后視攝像頭，車身后部有一個后視攝像頭，整體實現360度全局環視視野，最大監測距離可以達到250米。
特斯拉車身攝像頭環視視野
通過“汽車之眼”采集到的真實世界圖像數據，經過復雜的感知神經網絡架構進行處理，構建真實世界的三維向量空間，其中包含汽車、行人等動態交通參與物，道路線、交通標識、紅綠燈、建筑物等靜態環境物，以及各元素的坐標位置、方向角、距離、速度、加速度等屬性參數，這個向量空間不需要和真實世界的模樣完全保持一致，更傾向于是供機器理解的數學表達。
利用攝像頭采集數據通過神經網絡輸出三維向量空間
根據特斯拉在AI DAY的公開信息，經過多輪升級迭代，特斯拉目前所采用的視覺感知框架如下圖所示，這是一套基于視頻流數據的共享特征多任務型神經網絡架構，擁有物體深度識別能力和短時記憶能力。
特斯拉視覺感知網絡架構
網絡基礎結構：HydraNet多頭網絡
特斯拉視覺感知網絡的基礎結構是由主干（Backbone）、頸部（Neck）與多個分支頭部（Head）共同組成，特斯拉取名為“HydraNet”，取意自古希臘神話中的九頭蛇。
展開 