计算机视觉是深度学习中最受欢迎的领域之一。它位于许多学科的十字路口，包括计算机科学、数学、工程、物理学和心理学。计算机视觉算法有哪些？业内人员解答下这个问题。
计算机视觉算法有哪些？
早期算法：
子空间(线性降维)
PCA(主成成分分析) ：尽量多地保留原始数据的保留主要信息，降低冗余信息;
LDA(线性判别分析)：增大类间差距，减小类内差距。
非线性降维： 流形学习、加入核函数。
ICA(独立成分分析)：比PCA效果好，比较依赖于训练测试场景，且对光照、人脸的表情、姿态敏感，泛化能力不足。
HMM(隐马尔科夫) ： 和前面这些算法相比，它对光照变化、表情和姿态的变化更鲁棒。
早期：数据和模型结构;
后期：loss，从而得到不同人脸的有区分度的特征。
常用算法总结：
计算机视觉中的相关算法的源代码
计算机视觉常用算法博客
特征提取(找到若干个关键点)
(1) SIFT (尺度不变特征变换) 具有尺度不变性，可在图像中检测出关键点。
(2) SURF(加速稳健特征，SIFT加速版)
核心：构建Hessian矩阵，判别当前点是否为比邻域更亮或更暗的点，由此来确定关键点的位置。
优：特征稳定;
缺：对于边缘光滑的目标提取能力较弱。
(3) ORB
结合Fast与Brief算法，并给Fast特征点增加了方向性，使得特征点具有旋转不变性，并提出了构造金字塔方法，解决尺度不变性。
ORB算法的速度是sift的100倍，是surf的10倍。
经显示观察到，ORB算法在特征点标记时数量较少，如图：
SIFT、SURF、ORB实现
(4) FAST角点检测
FAST的方法主要是考虑像素点附近的圆形窗口上的16个像素
如果要提高检测速度的话，只需要检测四个点就可以了，首先比较第1和第9个像素，如果两个点像素强度都在中心像素强度t变化范围内(及都同中心点相似)，则说明这不是角点，如果接下来检测第5和13点时，发现上述四点中至少有三个点同中心点不相似，则可以说明这是个角点。
非极大值抑制：如果存在多个关键点，则删除角响应度较小的特征点。
(5) HOG (方向梯度直方图)
(6) LBP(局部二值特征)论述了高维特征和验证性能存在着正相关的关系，即人脸维度越高，验证的准确度就越高。
(7)Haar
免费分享一些我整理的人工智能学习资料给大家，包括一些AI常用框架实战视频、图像识别、OpenCV、NLQ、机器学习、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。
为了更好的系统学习AI，推荐大家收藏一份。
下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号 321 领取（一定要发暗号 321）
一、人工智能课程及项目
二、国内外知名精华资源
三、人工智能论文合集
四、人工智能行业报告
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。
