科学网博客2023年之前的博文都无法对外展示，而2021年之后我就没有再更新过，所以打开我的博客主页，空空荡荡。今天更新一篇，把写了十多年的旧文章目录截图放在这里展示一下。

其中有最近几年一直关注并作为谋生手段之一的人体三维重建。比如人体SMPL模型的形状和姿态参数的定义：

2018年开始对三维网格处理感兴趣，比如网格参数化，变形等。涉及到简单的微分几何原理：

2017年开始接触视觉SLAM算法，当时主要用在AR眼镜产品中。基于关键帧的全局优化方法和基于卡尔曼滤波的方法，本质上都是求解非线性最小二乘优化问题。区别在于后者只有forward pass，利用边缘化求解后面图像帧的参数，并无回代过程更新之前图像帧的姿态参数和空间三维点。而基于关键帧全局优化的ORB SLAM方法则要用一个专门的线程进行历史上所有关键帧和地图的优化。实际上，SLAM作为经典的机器视觉应用，关键问题还是要解决图像帧间特征点的数据关联问题，有些场景啥特征都不好使，从角点的光流跟踪到各种算子的匹配。如果有谁说“SLAM算法很成熟了”这种话千万别信。前几年尝试过基于全景相机的SLAM，因为视角足够大，特征点跟踪的鲁棒性极大提高。

更早是关于人脸特征点提取Face Alignment，提取人脸上68个特征点。不是像AAM通过局部微分进行梯度下降，而是直接通过特征残差估计向量变化，称为监督梯度下降SDM方法。具体实现用HOG特征回归136维矢量变化，放在我的GitHub上https://github.com/wanglin193/SupervisedDescentMethod 。当年很时髦的方法，过不了两年就被某某net取代了。

另外还有360°全景图处理，那时候还是VR/AR应用刚起步阶段。以及2012年开始接触到的RGBD深度相机 Kinect等的相关算法，从那时起一直都是谋生的基本技能。

十多年前机器视觉的热点是增强现实，如何把虚拟物体叠加在实时拍摄的图像中。最简单的手段是，估计平面上物体（比如一个AR Marker）的六个自由度姿态参数Pose(Marker detection或LK方法估计8参数透射变换参数)，然后用这个Pose参数矩阵[R|T]和相机参数K一起把虚拟物体P渲染到图像上，p=K*[R|T]*P。而现在市面上的AR眼镜中使用的姿态估计方法通常依赖实时的SLAM算法。

最早的博文发表在2010年前后，关于集成多分类器进行人脸检测。

“三个臭皮匠顶个诸葛亮”的前提是这三位是独立进行思考的。具体来说就是在用Naive Bayes做二分类训练的时候，每次选择下一个特征的时候，对分类错误的样本增加权重，就像增加了错误样本个数一样。这样通过计算统计直方图选择出来的下一个“好的弱特征”和之前选出的特征可以达到最大程度的不相关。

基本就是这些，像是某种个人简历，有机会重新更新下再发出来。