【以下演算法是做課題當中遇到的，隨著學習會不定期更新，有錯之處還望指正，謝謝。】

目錄

5、K-Means：主要是來計算資料聚集的演算法，主要通過不斷地取離種子點最近均值的演算法。

6、Mean-shift方法：一般是指一個迭代的步驟,即先算出當前點的偏移均值,移動該點到其偏移均值,然後以此為新的起始點,繼續移動,直到滿足一定的條件結束。

http://www.cnblogs.com/liqizhou/archive/2012/05/12/2497220.html

7、協方差矩陣：協方差反映的是兩個隨機變數之間的相關性。

8、SIFT：（Scale-invariantfeature transform

ü SIFT演算法由D.G.Lowe 1999年提出，2004年完善總結。後來Y.Ke將其描述子部分用PCA代替直方圖的方式，對其進行改進。

ü SIFT演算法是一種提取區域性特徵的演算法，在尺度空間尋找極值點，提取位置，尺度，旋轉不變數

ü  SIFT特徵是影象的區域性特徵，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性。

9、SFM： Structurefrom Motion

10、迴歸問題：給定多個自變數、一個因變數以及代表它們之間關係的一些訓練樣本，如何來確定它們的關係？

建模：目的就是求這個因變數關於這多個自變數的函式。而這個函式能夠比較精確的表示這個因變數和這多個自變數之間的關係。

11、SVM  ：支援向量機基本上是最好的有監督學習演算法了。

12、Haar分類器：

(1) Boosting演算法成為了一個提升分類器精確性的一般性方法。

(2) 強分類器的級聯

一是對資料進行編碼，然後交給監督學習方法去進行分類或迴歸，二是得到了權重矩陣和偏移量，供BP神經網路初始化訓練。

15、徑向基函式(Radial Basis Function,RBF)插值：

RBF 方法是一系列精確插值方法的組合；即表面必須通過每一個測得的取樣值。有以下五種基函式：

薄板樣條函式

張力樣條函式

規則樣條函式

高次曲面函式

反高次曲面函式

在不同的插值表面中，每種基函式都有不同的形狀和結果。RBF方法是樣條函式的一個特例。

從概念上講，RBF類似於在最小化表面的總曲率時通過測得的樣本值擬合橡皮膜。

像機標定(Camera calibration)簡單來說是從世界座標系換到影象座標系的過程，也就是求最終的投影矩陣的過程。

18、最小二乘法：

最小二乘法（又稱最小平方法）是一種數學優化技術。它通過最小化誤差的平方和尋找資料的最佳函式匹配。利用最小二乘法可以簡便地求得未知的資料

19、RANSAC演算法:

RANSAC是“RANdom SAmple Consensus（隨機抽樣一致）”的縮寫。它可以從一組包含“局外點”的觀測資料集中，通過迭代方式估計數學模型的引數。它是一種不確定的演算法——它有一定的概率得出一個合理的結果；為了提高概率必須提高迭代次數。

RANSAC的基本假設是：
（1）資料由“局內點”組成，例如：資料的分佈可以用一些模型引數來解釋；
（2）“局外點”是不能適應該模型的資料；
（3）除此之外的資料屬於噪聲。

下圖是對RanSaC演算法效果的說明。圖中有一些點顯然是滿足某條直線的，另外有一團點是純噪聲。目的是在大量噪聲的情況下找到直線方程，此時噪聲資料量是直線的3倍。

20、集束調整：

BA(BundleAdjustment)的本質是一個優化模型，其目的是最小化重投影誤差。

21、對極幾何：

對極幾何（Epipolar Geometry）描述的是兩幅檢視之間的內在射影關係，與外部場景無關，只依賴於攝像機內參數和這兩幅試圖之間的的相對姿態。

提到對極幾何，一定是對二幅影象而言，對極幾何實際上是“兩幅影象之間的對極幾何”，它是影象平面與以基線為軸的平面束的交的幾何（這裡的基線是指連線攝像機中心的直線），以下圖為例：對極幾何描述的是左右兩幅影象(點x和x’對應的影象)與以CC’為軸的平面束的交的幾何！

關於上圖的具體描述是：

上圖中的灰色區域就是我們研究的對極平面。

22、歐式距離