2019校招笔试（感知算法）

一、选择题

选择题总共5个，每个3分。整体来说不难，主要是一些计算机视觉的基础题，但是如果看过时间太久了可能就忘记了，考前复习很有必要呀，我是没戏了。

1、图像边缘检测的卷积核是什么样的形式？

Roberts，Sobel，Prewitt，LOG，Canny

2、图像去噪滤波的方式有哪些？

均值滤波，中值滤波，最大最小值滤波，双边滤波，引导滤波

3、哪些排序算法的时间复杂度为$O(n\cdot log_{n})$O(n⋅logn​)?

十大排序算法

4、影响相机内参的因素有哪些？

焦距（fx 和 fy）,中心像素坐标（u0和v0）,坐标轴倾斜系数s，以及径向畸变系数（k1,k2,k3）和切向畸变系数（p1,p2）。

5、【不记得了】

---

二、填空题

填空题总共9个，每个5分。填空题我个人感觉就有点难了，可能是面向不同人的题吧，面还是比较广的，问题基本上都见过，在论文、博客什么的都研究过也看过，但是直接在笔试的时候凭脑子写，好吧我认输，自己还是太菜。。。只有几个题还会写一点。

1、计算空间中点到直线的距离。

我想了想应该是用叉积就可以了：直线 $l$l 是过零点,其方向向量表示为：$\vec n_{l}=(x_{0},y_{0},z_{0})$nl​=(x0​,y0​,z0​)，点就是空间一点$a(x_{i},y_{i},z_{i})$a(xi​,yi​,zi​)，将其表示为起于零点的向量$\vec{a}=(x_{i},y_{i},z_{i})$a=(xi​,yi​,zi​)，则点 $a$a 到直线 $l$l 的距离表示为$d=\vec n_{l}\times \vec{a}$d=nl​×a。

2、正态分布相关问题。

设$X_{1},\cdot \cdot \cdot,X_{m}$X1​,⋅⋅⋅,Xm​来自于总体$X\sim N(\mu,\sigma^{2})$X∼N(μ,σ2)的样本，则$E(\sigma ^{2}_{m})=?$E(σm2​)=?

解答：$E(\bar{X})=\mu , D(\bar{X})=\frac{\sigma^{2}}{m}$E(Xˉ)=μ,D(Xˉ)=mσ2​，则$E(\sigma^{2}_{m})=\sigma^{2}$E(σm2​)=σ2

3、图像识别中的几种特征描述子。

这个问题是很简单的，只要看过几篇论文，几篇博客就知道了，而且确实很多。

$\bullet$∙斑点检测类：DOG , LOG , SIFT , SURF;
$\bullet$∙焦点检测类：Harris , FAST ；
$\bullet$∙二进制类：BRIEF , BRISK , ORB .

等等，这类比较多，随便写。

---

• 顺便说一下三维的，也方便自己记忆

三位识别方面的描述子主要分为局部特征描述子和全局特征描述子。

局部特征描述子：

1. PFH (Point Feature Histogram) (点特征直方图)
2. FPFH (Fast Point Feature Histogram) (快速点特征直方图) ,
3. RSD (Radius-Based Surface Descriptor) (半径表面描述子) ,
4. 3DSC (3D Shape Context) (3D形状上下文) ,
5. USC (Unique Shape Context) (唯一形状上下文) ,
6. SHOT (Signatures of Histogram Orientations) (方向签名直方图) ,
7. Spin Image (旋转图) ,
8. RIFT (Rotation-Invariant Feature Transform) (旋转不变特征变化) ,
9. NARF (Normal Aligned Radial Feature) (法线对齐半径特征);
10. RoPS (Rotation Projection Statistics) (旋转投影统计)

全局特征描述子：

1. VFH (Point Feature Histogram) (点特征直方图)
2. CVFH (Fast Point Feature Histogram) (快速点特征直方图) ,
3. OUR-CVFH (Radius-Based Surface Descriptor) (基于半径的表面描述子) ,
4. ESH (3D Shape Context) (3D形状上下文) ,
5. GFPFH (Global Fast Point Feature Histogram) (全局快速点特征直方图)
6. GRSD (Global Radius-Surface Descriptor) (全局半径表面描述子)

表格表示
图源[1]。
注：

+标有星号（）的值表示描述符的大小取决于某些参数，给定的值是默认值。
++没有星号（）的是自定义PointType的描述符，使用通用的“pcl :: Histogram <>”类型。

4、相机M1坐标系到相机M2坐标系的变换。

5、旋转矩阵的几种表示方式

题目给出了3X3的旋转矩阵（Rotation Matrix）形式，
其他的还有：

EA : 欧拉角（Euler Angle），
RV : 旋转向量（Rotation Vector），
AA : 轴角（Axis-Angle），
Q : 四元数（Quaternion）
DCM : 方向余弦矩阵（Direction Cosine Matrix）–类似于旋转矩阵

6、【忘记了】

7、【忘记了】

8、【忘记了】

9、【忘记了】

三、解答题

1、卷积操作。

给定一个800x800大小的网络，3通道，卷积核size为3x3，stride为1，padding为1，pooling为max pooling，经过几次操作，得到的特征层维度？每个区域感受野？

2、k-means算法相关问题。

优点：易于实现
缺点：可能收敛于局部最小值，在大规模数据收敛慢

3、双目视觉相机baseline与测距极限的关系。

两个相机的焦距都为f，成像最小分辨率为两个像素
·根据视差计算原理

图中：$O_L ,O_R$OL​,OR​ ——左右光心；
    $P_L,P_R$PL​,PR​ —— 左、右相机平面上关于三维空间中点 $P$P 的像点；
    $u_L,u_R$uL​,uR​ —— 左、右成像平面上像点的坐标，这里 $u_R$uR​ 为负数；
    $f$f —— 相机焦距；
    $b$b —— 左右相机之间的基线（Baseline）；
    $z$z —— 三维空间中点 $P$P 到相机光心平面的深度值。
左右像素的几何关系为: $\triangle P O_L O_R \sim\triangle P P_L P_R$△POL​OR​∼△PPL​PR​，于是可得
$\frac{z - f}{z} = \frac{b - (u_L)-(-u_R)}{b} = \frac{b - u_L + u_R}{b}$zz−f​=bb−(uL​)−(−uR​)​=bb−uL​+uR​​
又有左右图像的视差(Disparity)d:
$d = |u_L| + |u_R| = u_L - u_R$d=∣uL​∣+∣uR​∣=uL​−uR​
于是可以整理得到：
$z = \frac{bf}{d}$z=dbf​
根据以上推理结果可以得出：
——视差越大，观测距离越近；
——基线越宽，观测距离越远；
——视差计算困难，计算量和精度是关键难点。

引用参考

[1] 文中图片来源