1. python3在一張圖片上找出的兩個相同的圖形，並現實坐標。
這個事情的基本思路是先將這個圖片分成兩個圖片，具體步驟如下
這兩個圖片應該是一個大一個小，然後將小的那個作為基準，計算出小的那個圖的灰度（稱為A），然後將將大的那個按小的這個尺寸分成N個，分別計算著N個的灰度。
計算兩個灰度圖像之間的結構相似度指數，其實就是計算A和那N個小圖的結構相似度指數。
通過這個結構相識度的數據，我們基本可以判斷A是不是包含了相同圖像的一部分，如果不是的話，將這個小的圖移動到相鄰的部分，然後重復1,2. 當計算完全部以後，找到機構相似度最高的那兩個圖，基本上相同圖形就在這兩個裡面了。
裡面的話，你需要用到openCV 和 Python 兩個工具以及scikit-image和imutils。具體安裝的流程你可以搜索一下。
2. OpenCV+Python特徵提取演算法與圖像描述符之SIFT / SURF / ORB
演算法效果比較博文
用於表示和量化圖像的數字列表，簡單理解成將圖片轉化為一個數字列表世灶表示。特徵向量中用來描述圖片的各種屬性的向量稱為特徵矢量。
參考
是一種演算法和方法，輸入1個圖像，返回多個特徵向量（主要用來處理圖像的局部，往往會把多個特徵向量組成一個一維的向量）。主要用於圖像匹配（視覺檢測），匹配圖像中的物品。
SIFT論文
原理
opencv官網解釋
實質是在不同的尺度空間上查找關鍵點(特徵點)，並計算出關鍵點的方向。SIFT所查找到的關鍵點是一些十分突出，不會因光照，仿射變換和噪音等因素而變化的點，如角點、邊緣點、暗區的亮點及亮區的暗點等。
尺度不變特徵轉換(Scale-invariant feature transform或SIFT)是一種電腦視覺的演算法用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數。
其應用范圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。
對現實中物體的描述一定要在一個十分重要的前提下進行，這個前提就是對自然界建模時的尺度。當用一個機器視覺系統分析未知場景時，計算機沒有辦法預先知道圖像中物體的尺度，因此我們需要同時考慮圖像在多尺度下的描述，獲知感興趣物體的最佳尺度。圖像的尺度空間表達指的是圖像的所有尺度下的描述。
KeyPoint數據結構解析
SURF論文
原理
opencv官網解釋
SURF是SIFT的加速版，它善於處理具有模糊和旋轉的圖像，但是不善於處理視角變化和光照變化。在SIFT中使用DoG對LoG進行近似，而在SURF中使用盒子濾波器對LoG進行近似，這樣就可以使用積分圖像了（計算圖像中某個窗口內所有像素和時，計算量的大小與窗口大小無關）。總之，SURF最大的特點在於採用了Haar特徵以及積分圖改團像的概念，大大加快了程序的運行效率。
因為專利原因，OpenCV3.3開核返橘始不再免費開放SIFT\SURF，需要免費的請使用ORB演算法
ORB演算法綜合了FAST角點檢測演算法和BRIEFF描述符。
演算法原理
opencv官方文檔
FAST只是一種特徵點檢測演算法，並不涉及特徵點的特徵描述。
論文
opencv官方文檔
中文版
Brief是Binary Robust Independent Elementary Features的縮寫。這個特徵描述子是由EPFL的Calonder在ECCV2010上提出的。主要思路就是在特徵點附近隨機選取若干點對，將這些點對的灰度值的大小，組合成一個二進制串，並將這個二進制串作為該特徵點的特徵描述子。文章同樣提到，在此之前，需要選取合適的gaussian kernel對圖像做平滑處理。
1：不具備旋轉不變性。
2：對雜訊敏感
3：不具備尺度不變性。
ORB論文
OpenCV官方文檔
ORB採用了FAST作為特徵點檢測運算元，特徵點的主方向是通過矩（moment）計算而來解決了BRIEF不具備旋轉不變性的問題。
ORB還做了這樣的改進，不再使用pixel-pair，而是使用9×9的patch-pair，也就是說，對比patch的像素值之和，解決了BRIEF對雜訊敏感的問題。
關於計算速度：
ORB是sift的100倍，是surf的10倍。
對圖片數據、特徵分布的一種統計
對數據空間(bin)進行量化
Kmeans
邊緣：尺度問題->不同的標准差 捕捉到不同尺度的邊緣
斑點 Blob：二階高斯導數濾波LoG
關鍵點(keypoint)：不同視角圖片之間的映射，圖片配准、拼接、運動跟蹤、物體識別、機器人導航、3D重建
SIFT\SURF
3. 目標跟蹤（5）使用 Opencv 和 Python 進行對象跟蹤
在本教程中，我們將學習如何基於 Opencv 和 Python 實現對象跟蹤。
首先必須明確目標檢測和目標跟蹤有什麼區別：
我們將首先討論對象檢測，然後討論如何將對象跟蹤應用於檢測。
可能有不同的應用，例如，計算某個區域有多少人，檢查傳送帶上有多少物體通過，或者計算高速公路上的車輛。
當然，看過本教程後，您會很容易地想到數以千計的想孫腔沒法應用於現實生活或可能應用於工業。
在本教程中，我們將使用 3 個文件：
首先我們需要調用highway.mp4文件並創建一個mask:
正如您在示例代碼中看到的，我們還使用了 函數，該函數返回背景比率（background ratio），然後創建mask。
mask可視化結果：
但是，如您所見，圖像中有很多噪點。因此，讓我們通過刪除所有較小的元素來改進提取，並將我們的注意力集中在大於某個面積的對象上。
使用 OpenCV 的cv2.drawContours函數繪制輪廓，我們得到了這個結果。
就本教程而言，分析整個窗口並不重要。我們只對計算在某個點通過的所有車輛感興趣，因此，我們必須定義一個感興趣的區域 ROI 並僅在該區域應用mask。
結果可視化如下：
函數 cv2. 是在開始時添加的，沒有定義參數，現在讓我們看看如何進一步改進我們的結果。history是第一個參數，在這種情況下，它設置為 100，因為相機是固定的。varThreshold改為 40，因為該值越低，誤報的可能性就越大。在這種情況下，我們只對較大的對象感興趣。
在繼續處理矩形之前，我們對圖像進行了進一步的清理。為此，閾值函數就派上用場了。從我們的mask開始，我們告訴它我們只想顯示白色或黑色值，因此通過編寫254, 255，只會考慮 254 和 255 之間的值。
然後我們將找到的對象的坐標插入到 if 條件中並繪制矩形
這是最終結果：
我們現在只需導入和集成跟蹤功能。
一旦創建了對象，我們必須獲取邊界框的每個位置並將它們插入到單個數組中。
通過在屏幕上顯示結果，您可以看到所有通過 ROI 的通道是如何被識別的，則納以及它們的位置是如何插入到特定的數組中的。顯然，識別的摩托車越多，我們的數組就越大。
現在讓我們將帶圓行有位置的數組傳遞給tracker.update()。我們將再次獲得一個包含位置的數組，但此外，將為每個對象分配一個唯一的 ID。
從代碼中可以看出，我們可以使用 for 循環分析所有內容。此時我們只需要繪制矩形並顯示車輛 ID。
在圖像中，您可以看到結果
main.py
從視頻中也可以看到，我們已經獲得了我們在本教程開始時設置的結果。
但是，您必須將其視為練習或起點，因為關於這個主題有很多話要說，而本教程的目的只是讓您了解對象跟蹤的原理。
如果你想將 Object Tracking 集成到你的項目中，你應該使用更可靠和先進的對象檢測方法，以及跟蹤方法。
完整代碼地址：私信「333」直接獲取或者「鏈接」
4. 數字圖像處理基於Python如何數一張圖片的物體有多少個
如果要使用Python進行數字圖像處理，可以使用OpenCV庫來數一張圖片的物體有多少個。
下面是一個簡單的例子，可以使用OpenCV庫來數一張圖片中的小球數量：
import cv2
# 讀取圖片
img = cv2.imread("balls.jpg")
# 將圖片轉換為灰度圖
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用閾值分割法，得到二值圖
thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)[1]
# 尋找圖像中的輪廓
cnts = cv2.findContours(thresh.(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
# 顯示圖像中的輪廓數量
print("圖像中的輪廓數量：{}".format(len(cnts)))
5. 怎麼學會python庫
學習Python庫，首先要知道Python庫有哪些功能與作用，再了解如何去使用，掌握使用語法，然後再實踐，多多使用就可以掌握了，以下是十大比較受歡迎的機器學習庫：
1. Pipenv
Pipenv 是 Kenneth Reitz 的業余項目，旨在將其他軟體包(例如 npm 和 yarn)整合到 Python 里。它不需要安裝 virtualenv, virtualenvwrapper，不用管理 requirements.txt 文件，並且不用確保依賴版本的可復現性。通過 Pipenv，你可以在 Pipfile 中指定依賴項。該工具可生成一個 Pipfile.lock 文件，使你的構建更具確定性，避免產生難以查找的 Bug。
2.PyTorch
PyTorch是Facebook深度學習框架，源於 Torch 框架，同時改善了 Torch 框架，基於ython 語言，由於實現了動態計算圖範式， PyTorch 已經成為眾多研究人員的首選框架之一，可以計算梯度，而且非常快，可擴展性強。
3. Caffe2
Caffe2 支持分布式含顫訓練、部署(即使是在移動平台上)，新的 CPU 和支持 CUDA 的硬體。PyTorch 可能更適合做研究，而 Caffe2 更加適合大規模部署，就像在 Facebook 上看到的那樣。另外，你可以在 PyTorch 里構談鎮敗建並訓練模型，同時用 Caffe2 部署。
4. Penlum
Penlum 的優勢之一在於，它是 Python 標准 datetime 替代品，因此你可以輕松地將其與現有的代碼集成，並且在你需要的時候才使用它的功能。Penlum 的作者特別注意時間分區的處理，默認在每個實例中時間分區是可用的，並且以 UTC 計時。你也可以獲得擴展 timedelta 來簡化 datetime 的計算。
5. Dash
Dash 是一個可構建 Web 應用，尤其是數據可視化 Web 應用的純 Python 開源庫。它建立在 Flask、Plotly 和 React 之上，並提供這幾個框架的函數抽象介面，從而開發者不必學習這些框架，高效開發。這些應用程序可在瀏覽器和移動設備中使用。
6. PyFlux
PyFlux 是專門針對時間序列開發的 Python 開源庫。時間序列研究是統計學和經濟學的子領域，其目的是用於描述時間序列的行為，同時也預測時序未來的行為狀態。
7. Fire
Fire 是一個開源庫，可以為任何 Python 項目自動生成一個命令行界面。你幾乎不需要編寫任何代碼或者文檔，你只需要調用一個 Fire 方法並把它傳遞給你想要的命令行界面：一個函數、一個對象、一個類、一個庫，甚至不傳遞任何參數。
8. imbalanced-learn
imbalanced-learn 是一個 Python 庫，它提供了相關的技術來解決數據不平衡的問題。另外，它和 scikit-learn 兼容，並且是 scikit-learn-contrib 項目的一部分，非常有用。
9. FlashText
FlashText 證明旅野了演算法和數據結構設計的重要性，即使對於簡單的問題，更好的演算法也能夠輕松超越在快 CPU 上運行的樸素實現。
10. Luminoth
Luminoth 是一個用 TensorFlow 和 Sonnet 構建的開源的計算機視覺 Python 工具包。它可直接支持物體檢測，背後支持的模型是 Faster R-CNN。
6. 請問怎麼用Python畫柵格地圖，類似下面這樣的圖，激光會返回障礙物的位置信息
你用的是激光雷達吧。 雷達應該本身可以形成周圍物體的反饋。
所以需要一個圖像識別演算法識別出障礙物是什麼。然後標志出來。
這個沒有做過。不過都是現成的演算法。 找一找就可以找到。
如果沒有找到可以按下面的思路去做：
雷達應該可以返回目標物的距離，以及反射強度。可以使用PIL，製作一個IMAGE。根據距離角度計算出點的位置，根據反射強度計算出它的灰度值。0-255的范圍。
下面是計算障礙物。 通常可以簡化演算法。 比如連續灰度值過10且超過2-3個像素則為目標障礙物。還可以加上距離判斷。比如距離15厘米以內的才算是障礙物。
另外灰度值與范圍可以做一個判斷矩陣。低灰度值。
有了障礙物，只需要計算圖像中心點。然後在周圍畫個矩形。
最後把IMAGE畫出來。可以用PIL，也可以用opencv的函數。
7. python，人工智慧，水果識別
1.水果數據處理：對滾洞水果(蘋果，大扮枯香蕉)數據集進行處理轉化為標簽和圖像，並轉化為one-hot碼。
2.卷積缺逗模型搭建：採用keras搭建模型，卷積層、池化層、Dropout層、全連接層、輸出層
3.模型訓練把數據集在建立的模型上進行訓練，並把最好的模型保存到h5文件中，便於直接對模型進行測試。
4.模型測試：打開攝像頭，使用通用物體進行測試。測試結果將錄製成視頻展示。
8. OpenCV-Python之——圖像SIFT特徵提取
在一定的范圍內，無論物體是大還是小，人眼都可以分辨出來。然而計算機要有相同的能力卻不是那麼的容易，在未知的場景中，計算機視覺並不能提供物體的尺度大小，其中的一種方法是把物體不同尺度下的圖像都提供給機器，讓機器能夠對物體在不同的尺度下有一個統一的認知。在建立統一認知的過程中，要考慮的就是在圖像在不同的尺度下都存在的特徵點。
在早期圖像的多尺度通常使用圖像金字塔表示形式。圖像金字塔是同一圖像在不同的解析度下得到的一組結果其生成過程一般包括兩個步驟：
多解析度的圖像金字塔雖然生成簡單，但其本質是降采樣，圖像的局部特徵則難以保持，也就是無法保持特徵的尺度不變性。
我們還可以通過圖像的模糊程度來模擬人在距離物體由遠到近時物體在視網膜上成像過程，距離物體越近其尺寸越大圖像也越模糊，這就是高斯尺度空間，使用不同的參數模糊圖像（解析度不變），是尺度空間的另一種表現形式。
構建尺度空間的目的是為了檢測出在不同的尺度下都存在的特徵點，而檢測特徵點較好的運算元是Δ^2G(高斯拉普拉斯，LoG)
使用LoG雖然能較好的檢測到圖像中的特徵點，但是其運算量過大，通常可使用DoG（差分高斯，Difference of Gaussina）來近似計算LoG。
從上式可以知道，將相鄰的兩個高斯空間的圖像相減就得到了DoG的響應圖像。為了得到DoG圖像，先要構建高斯尺度空間，而高斯的尺度空間可以在圖像金字塔降采樣的基礎上加上高斯濾波得到，也就是對圖像金字塔的每層圖像使用不同的參數σ進行高斯模糊，使每層金字塔有多張高斯模糊過的圖像。
如下圖，octave間是降采樣關系，且octave(i+1)的第一張（從下往上數）圖像是由octave(i)中德倒數第三張圖像降采樣得到。octave內的圖像大小一樣，只是高斯模糊使用的尺度參數不同。
對於一幅圖像，建立其在不同尺度scale下的圖像，也稱為octave，這是為了scale-invariant，也就是在任何尺度都能有對應的特徵點。下圖中右側的DoG就是我們構建的尺度空間。
為了尋找尺度空間的極值點，每一個采樣點要和它所有的相鄰點比較，看其是否比它的圖像域和尺度域的相鄰點大或者小。如圖所示，中間的檢測點和它同尺度的8個相鄰點和上下相鄰尺度對應的9×2個點共26個點比較，以確保在尺度空間和二維圖像空間都檢測到極值點。 一個點如果在DOG尺度空間本層以及上下兩層的26個領域中是最大或最小值時，就認為該點是圖像在該尺度下的一個特徵點。下圖中將叉號點要比較的26個點都標為了綠色。
找到所有特徵點後， 要去除低對比度和不穩定的邊緣效應的點 ，留下具有代表性的關鍵點（比如，正方形旋轉後變為菱形，如果用邊緣做識別，4條邊就完全不一樣，就會錯誤；如果用角點識別，則穩定一些）。去除這些點的好處是增強匹配的抗噪能力和穩定性。最後，對離散的點做曲線擬合，得到精確的關鍵點的位置和尺度信息。
近來不斷有人改進，其中最著名的有 SURF（計算量小，運算速度快，提取的特徵點幾乎與SIFT相同）和 CSIFT（彩色尺度特徵不變變換，顧名思義，可以解決基於彩色圖像的SIFT問題）。
其中sift.detectAndCompute()函數返回kp，des。
上圖dog的shape為(481, 500, 3)，提取的特徵向量des的shape為(501, 128)，501個128維的特徵點。
該方法可以在特徵點處繪制一個小圓圈。
https://blog.csdn.net/happyer88/article/details/45817305
https://www.jianshu.com/p/d94e558ebe26
https://www.cnblogs.com/wangguchangqing/p/4853263.html
9. yanshee物體識別
1：打開yanshee開發者平台查看YanAPI文檔 中物體識別函數sync_do_object_recognition
2：打開瀏覽器通過機器人IP地址打開jupyterlab
3：開始調用，識別到結果為Apple需要我們自己根據識別到的結果進行中文播報
4：播報
播報需要吧返回的json字元串困扒進行賣猛解析，這里需要用到python的基礎語法，不會同學請百汪配昌度。