【嘉勤点评】旋极信息发明的基于显著性评价的景物特征提取方案，基于显著性评价提取的景物特征，能够更可靠地标识目标景物，可以适应图像局部灰度变化、尺度差异和微小形状变化，同时抗干扰性能也更强。

集微网消息，特征提取是计算机视觉和图像处理中的一个概念，它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。

特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的好坏对泛化性能有至关重要的影响。常用的景物特征提取方法通常包括点、线、边缘等特征进行提取，但这些特征提取方法通常只关注于局部，抗干扰性较差。

之前我们用 AI 都是做一些简单的程序，比如谷歌插件，网站，比较复杂的就是做一个小程序，真实的情况如何，大家亲自体验下就知道了。

导读

在之前的文章图像处理中常用的相似度评估指标中，我们介绍了通过

出品 | 智东西公开课

讲师 | 邸志惠 京东高级算法工程师

提醒 | 关注智东西公开课公众号，并回复关键词 CV研究08，即可获取课件。

导读：

6月10日，京东高级算法工程师邸志惠在智东西公开课进行了CV前沿讲座第八讲的直播讲解，主题为《大规模图像检索系统的挑战与实践》。

在本次讲解中，邸志惠老师从大规模图像检索任务所面临的挑战入手，详细解析了Vearch的原理，最后通过三个案例展示Vearch如何在实践场景中助力深度学习应用落地。

不少软件在进行身份安全认证时，人脸识别都是必不可少的重要一环。但你真的以为，人脸识别就只是拍“脸”吗？近日，数码博主@长安数码君在社交平台爆料称：人脸识别时采集到的区域不仅仅是屏幕所显示的头部，而是包括了摄像头覆盖的整个范围，并且系统会将采集到的照片上传到后台，后台的审核人员都能看到。

很快，“人脸识别一定要穿上衣服”这个话题就上了热搜榜。很多人惊呼，如果真是这样，就尬到外星球了。那么，后台审核人员真的能看到我们显示在手机屏幕上人脸以外的部分吗？

对此河北工业大学电子信息工程系主任邱波教授表示，人脸识别拍摄的图像肯定是摄像头视野覆盖的所有区域，而不只是我们在手机上看到的人脸框以内的部分，这是基本常识问题。

探索计算机视觉领域的十大算法：从图像识别到目标检测

计算机视觉是人工智能领域中的重要分支，它致力于使计算机能够“看”和“理解”图像。在计算机视觉的发展过程中，涌现出许多重要的算法，它们为图像识别、目标检测等任务的实现提供了强大的支持。本文将介绍计算机视觉领域的十大算法，包括经典的卷积神经网络、图像分割算法等，带您一窥计算机视觉的奇妙世界。

一、卷积神经网络（CNN）

卷积神经网络是计算机视觉领域最重要的算法之一。它通过模拟人类视觉系统的工作原理，将图像分解为多个卷积层和池化层，从而实现图像的特征提取和分类。CNN在图像识别、人脸识别等任务中取得了巨大成功。

你有没有注意到你的猫凝视着虚无，似乎深思熟虑？也许他们正在用似乎过于认真的强度刷着一粒灰尘。让我们承认吧：我们的猫科动物朋友经常用他们神秘的举止让我们感到困惑。但是，如果他们的行动不仅仅是确保额外零食的计划呢？如果他们是秘密任务的特工呢？

是不是只拍脸、后台能否看到原始图像

专家告诉你人脸识别全过程

不少软件在进行身份安全认证时，人脸识别都是必不可少的重要一环。但你真的以为，人脸识别就只是拍“脸”吗？近日，数码博主@长安数码君在社交平台爆料称：人脸识别时采集到的区域不仅仅是屏幕所显示的头部，而是包括了摄像头覆盖的整个范围，并且系统会将采集到的照片上传到后台，后台的审核人员都能看到。

很快，“人脸识别一定要穿上衣服”这个话题就上了热搜榜。很多人惊呼，如果真是这样，就尬到外星球了。那么，后台审核人员真的能看到我们显示在手机屏幕上人脸以外的部分吗？

了解完HOG特征之后，再学习SIFT特征就容易很多，因为SIFT特征的提取过程中，要用到两次HOG,一次是为了计算主方向，一次把HOG特征直接作为描述子了。

其实SIFT就是在某些特定的点上，以旋转的方式提取了hog特征。

我把SIFT特征提取过程总结为两步：

对人脸图像进行特征提取通常需要使用深度学习和计算机视觉的相关库，在Python中相关常用的库包括如下的内容OpenCV、Dlib、和深度学习模型库如FaceNet、DeepFace等，通过这些工具我们就可以提取人脸的特征向量（embeddings），用于人脸识别、验证等任务，下面我们就来看看如何使用这些库来实现人脸特征提取。