速度配准算法

❶ 谁能帮忙说下CT原理和反投影重建算法是神马书上内容太诡异了，希望用自己的经验总结简单一点说明。

把采集到的图象用仿射变换配准，
为了加快运行速度可以先进行展开。
配准这一步可以在空间域，
也可在频率域进行
然后按配准结果将这些图象插合成一幅图象，
再用最小二乘法求解线性方程组即可。

注意，
最好使用超松弛迭代法求解，
但是遇到0的时候结果可能有较大出入，
解决办法中的一种是图象矩阵所有元素全部加上1，
计算完成后再全部减去1，
然后再512级灰度量化

这是最简单的重构方法，
没有考虑图象的模糊效应。

此外，如果有矩阵维度问题，
有两种解决办法，
一是将插合图象变成正方形图象，
一是将各插合行，列按权值累加，
反向映射，
后一种速度快些，
也不必直接求解方程，
但是不具有通用性。

❷ 人脸检测会不会把鼻子检测成眼睛

不会，可以识别的。

人脸检测算法的输入是一张图片，输出是人脸框坐标序列（0个人脸框或1个人脸框或多个人脸框）。一般情况下，输出的人脸坐标框为一个正朝上的正方形，但也有一些人脸检测技术输出的是正朝上的矩形，或者是带旋转方向的矩形。

常见的人脸检测算法基本是一个“扫描”加“判别”的过程，即算法在图像范围内扫描，再逐个判定候选区域是否是人脸的过程。因此人脸检测算法的计算速度会跟图像尺寸、图像内容相关。开发过程中，我们可以通过设置“输入图像尺寸”、或“最小脸尺寸限制”、或“人脸数量上限”的方式来加速算法。

人脸配准

“人脸配准（Face Alignment）”是定位出人脸上五官关键点坐标的一项技术。

人脸配准算法的输入是“一张人脸图片”加“人脸坐标框”，输出五官关键点的坐标序列。五官关键点的数量是预先设定好的一个固定数值，可以根据不同的语义来定义（常见的有5点、68点、90点等等）。

当前效果的较好的一些人脸配准技术，基本通过深度学习框架实现，这些方法都是基于人脸检测的坐标框，按某种事先设定规则将人脸区域扣取出来，缩放的固定尺寸，然后进行关键点位置的计算。

因此，若不计入图像缩放过程的耗时，人脸配准算法是可以计算量固定的过程。另外，相对于人脸检测，或者是后面将提到的人脸提特征过程，人脸配准算法的计算耗时都要少很多。

❸ ICP算法的介绍

三维空间R3存在两组含有n个坐标点的点集，分别为： PL和PR。三维空间点集PL中各点经过三维空间变换后与点集PR中点一一对应，其单点变换关系式为：(0-1)上式中，R为三维旋转矩阵，t为平移向量。在ICP配准方法中，空间变换参数向量X可表示为[9] 。参数向量中四元数参数满足约束条件为：(0-2)根据迭代的初值X0，由式(0-1)计算新点集Pi为：(0-3)式中，P表示原始未修改过的点集，Pi的下标i表示迭代次数，参数向量X的初始值X0为 。根据以上数据处理方法，ICP配准算法可以概括为以下七个步骤：1） 根据点集Plk中的点坐标，在曲面S上搜索相应就近点点集Prk；2） 计算两个点集的重心位置坐标，并进行点集中心化生成新的点集；3） 由新的点集计算正定矩阵N，并计算N的最大特征值及其最大特征向量；4） 由于最大特征向量等价于残差平方和最小时的旋转四元数，将四元数转换为旋转矩阵R；5） 在旋转矩阵R被确定后，由平移向量t仅仅是两个点集的重心差异，可以通过两个坐标系中的重心点和旋转矩阵确定；6） 根据式(0-3)，由点集Plk计算旋转后的点集P’lk。通过Plk与P’lk计算距离平方和值为fk+1。以连续两次距离平方和之差绝对值 作为迭代判断数值；7） 当 时，ICP配准算法就停止迭代，否则重复1至6步，直到满足条件 后停止迭代