一、 问题描述： （本周共计5个必做作业） 1. 试画图说明极线几何关系，并指出极点、极线所在，解释极线约束。 2. 结合本质矩阵的定义，说明本质矩阵的意义，同时思考与上一周中平面点对应透视矩阵的区别。 3. 说明三维重构的步骤，并指出输入及输出要求。 4. 说明特征匹配的步骤，进一步说明基于k-d树的特征匹配方法的思路。 5. 说明RANSAC方法的基本思想及实施步骤。
EasyPR是一个中文的开源车牌识别系统，其目标是成为一个简单、高效、准确的车牌识别引擎。相比于其他的车牌识别系统，EasyPR有如下特点：* 它基于openCV这个开源库。这意味着你可以获取全部源代码，并且移植到java等平台。* 它能够识别中文。例如车牌为苏EUK722的图片，它可以准确地输出std:string类型的"苏EUK722"的结果。* 它的识别率较高。图片清晰情况下，车牌检测与字符识别可以达到80%以上的精度。
利用Logistic回归技术实现糖尿病发病预测 批改标准 1. 对数据做数据探索分析（可参考0_EDA_ diabetes.ipynb，不计分） 2. 适当的特征工程（可参考1_FE_ diabetes.ipynb，不计分） 3. 采用5折交叉验证，分别用log似然损失和正确率，对Logistic回归模型的正则超参数调优。（各50分）
问题描述 一、数据说明： Capital Bikeshare （美国Washington, D.C.的一个共享单车公司）提供的共享单车数据。数据包含每天的日期、天气等信息，需要预测每天的共享单车骑行量。 批改标准 1. 对数据做数据探索分析（可参考EDA_BikeSharing.ipynb，不计分） 2. 适当的特征工程（可参考FE_BikeSharing.ipynb，不计分） 3. 对全体数据，随机选择其中80%做训练数据，剩下20%为测试数据，评价指标为RMSE。（10分） 4. 用训练数据训练最小二乘线性回归模型（20分）、岭回归模型、Lasso模型，其中岭回归模型（30分）和Lasso模型（30分），注意岭回归模型和Lasso模型的正则超参数调优。 5. 比较用上述三种模型得到的各特征的系数，以及各模型在测试集上的性能。并简单说明原因。（10分）
1.对连续型特征，可以用哪个函数可视化其分布？（给出你最常用的一个即可），并根据代码运行结果给出示例。（10分） 2. 对两个连续型特征，可以用哪个函数得到这两个特征之间的相关性？根据代码运行结果，给出示例。（10分） 3. 如果发现特征之间有较强的相关性，在选择线性回归模型时应该采取什么措施。（10分） 4. 当采用带正则的模型以及采用随机梯度下降优化算法时，需要对输入（连续型）特征进行去量纲预处理。课程代码给出了用标准化（StandardScaler）的结果，请改成最小最大缩放（MinMaxScaler）去量纲 （10分），并重新训练最小二乘线性回归、岭回归、和Lasso模型（30分）。 5. 代码中给出了岭回归（RidgeCV）和Lasso（LassoCV）超参数（alpha_）调优的过程，请结合两个最佳模型以及最小二乘线性回归模型的结果，给出什么场合应该用岭回归，什么场合用Lasso，什么场合用最小二乘。（30分）
（本周共计3个作业） 1. 在测试视频(OpenCV安装目录\sources\samples\data)上，使用基于混合高斯模型的背景提取算法，提取前景并显示(显示二值化图像，前景为白色)。 2. 在1基础上，将前景目标进行分割，进一步使用不同颜色矩形框标记，并在命令行窗口中输出每个矩形框的位置和大小。 3. 安装ImageWatch，并在代码中通过设置断点，观察处理中间结果图像。 扩展作业： 4. 使用光流估计方法，在前述测试视频上计算特征点，进一步进行特征点光流估计。
（本周共计2个必做作业） 1. 简述混合高斯模型的基本原理，以及通过混合高斯模型进行背景建模的基本思想。 2. 解释光流计算中的恒定亮度假设，进一步简述L-K光流估计方法的基本原理。
（本周共计4个作业，一个扩展作业） 1. 以Lena为原始图像，通过OpenCV实现平均滤波，高斯滤波及中值滤波，比较滤波结果。 2. 以Lena为原始图像，通过OpenCV使用Sobel及Canny算子检测，比较边缘检测结果。 3. 在OpenCV安装目录下找到课程对应演示图片(安装目录\sources\samples\data)，首先计算灰度直方图，进一步使用大津算法进行分割，并比较分析分割结果。 4. 使用米粒图像，分割得到各米粒，首先计算各区域(米粒)的面积、长度等信息，进一步计算面积、长度的均值及方差，分析落在3sigma范围内米粒的数量。 扩展作业： 5. 使用棋盘格及自选风景图像，分别使用SIFT、FAST及ORB算子检测角点，并比较分析检测结果。 (可选)使用Harris角点检测算子检测棋盘格，并与上述结果比较。
1. 画图解释图像卷积滤波的基本原理，并进一步简述常见的图像平滑滤波算法。 2. 简述边缘检测的基本原理，以及Sobel、LoG和Canny算子的原理差异。 3. 简述图像直方图的基本概念，及使用大津算法进行图像分割的基本原理。 4. 简述Harris算子对角点的定义，进行角点检测的基本原理，并说明引入角点响应函数的意义。 5. 简述Hough变换的基本原理(包括参数空间变换及参数空间划分网格统计)。 6. 简述SIFT原理(重点是尺度空间和方向直方图原理)及ORB算子原理(重点是FAST和BRIEF)。
