临时研究了下机器视觉两个基本算法的算法原理 ，可能有理解错误的地方，希望发现了告诉我一下
主要是了解思想，就不写具体的计算公式之类的了
<（一） ICP算法（Iterative Closest Point迭代最近点）/strong>
ICP（Iterative Closest Point迭代最近点）算法是一种点集对点集配准方法，如下图1
如下图，假设PR（红色块）和RB（蓝色块）是两个点集，该算法就是计算怎么把PB平移旋转，使PB和PR尽量重叠，建立模型的
shader和Material的基本关系
Shader（着色器）实际上就是一小段程序，它负责将输入的Mesh（网格）以指定的方式和输入的贴图或者颜色等组合作用，然后输出。绘图单元可以依据这个输出来将图像绘制到屏幕上。输入的贴图或者颜色等，加上对应的Shader，以及对Shader的特定的参数设置，将这些内容（Shader及输入参数）打包存储在一起，得到的就是一个Material（材质）。之后，我们便可以将材质赋予合适的renderer（渲染器）来进行渲染（输出）了。
所以说Shader并没有什么特别神奇的，它只是一段规定好输入（颜色，贴图等）和输出（渲染器能够读懂的点和颜色的对应关系）的程序。而Shader开发者要做的就是根据输入，进行计算变换，产生输出而已。
Unity中Shader的三种基本类型
按照渲染管线的分类，可以把Sharder分成3个类别：
固定功能着色器（Fixed Function Shader）
固定功能着色器为固定功能渲染管线的具体表现。
渲染管线是什么？渲染管线，英文 Rendering Pipeline，我们可以将其理解为一个流程，即我们告诉 GPU 一堆数据，最后得出来一副二维图像，这堆数据包括 "视点 / 三维物体 / 光源 / 光照模型 / 纹理" 等元素。
工作与生活的平衡是互联网上最备受争议的话题。我们在网上可以看到很多围绕这个话题的文章，它们给我们提出了许多建议，帮助我们提高生活质量，也建议我们哪些东西是应该放弃的。以下的10个给游戏开发者和程序员的建议，摘录自Livecoding.tv 发布的一篇博客。希望当大家看完这篇文章后会从中受到启示，可以拥有一个更美好的生活。本文旨在献给所有希望往游戏开发方面发展的朋友。
滤波也许可以说是图像处理和计算机视觉最基础的操作。术语”滤波“最宽泛的理解，即滤波后的图像在某一指定位置的像素值是输入图像在同一位置的 某邻域内的所有像素值的函数。例如，高斯低通滤波计算这个邻域内所有像素值的一个权重平均值，其中权重随着距离邻域中心越远而减小。
随着互联网红利逐渐消失，“Internet of things（IoT）”——物联网，在整体科技发展潮流中顺势而行，成为被普遍看好的新一代产业发展方向。
之所以称之为物联网，其本质实际上是互联网的延伸，只是终端由互联网时代的PC、服务器等转向了嵌入式计算机系统及其配套的传感器。各终端之间能彼此进行数据交互，便是物联网的基本原理。
据麦肯锡最新报告估算，全球物联网市场规模将在2025年前扩大到3.9——11.1兆美元，包括设备厂商的利润、效率、新兴业务以及具有更高执行效能的商品为消费者带来的利益等。这也意味着物联网产业将有潜力在2025年达到约11％的全球经济占有率。而随着AI、大数据、云计算的加速落地，2018年，物联网将在更多领域踵事增华。
虚拟现实（virtual reality）技术，又称临境技术，是指用立体眼睛和传感手套等一系列传感辅助设施来实现的一种三维现实，人们通过这些设施以自然的方式（如头的转动，手的运动等）向计算机送入各种动作信息，并且通过视觉，听觉以及触觉设施使人们得到三维的视觉，听觉及触觉等感觉世界。
仅依赖生物特征识别的身份验证既不准确又容易被黑，还远不是万无一失的。
忽然之间，好像全世界都爱上了生物特征识别——不仅仅是高端智能手机和笔记本的用户，甚至负责引领全球身份验证解决方案未来的资深安全专家都沉迷此道。最近召开的一个专注未来身份验证安全标准确立的业界讨论会上，众多与会者都认定生物特征识别是终极安全身份验证解决方案。但实际情况可能并非如此。
生物识别的缺陷
生物特征识别在验证人们身份上远不是人们所想的那么精确可靠，理由如下：
1）生物特征识别不准确
大多数人认为生物特征识别非常准确，因为宣传广告就是这么说的：“你的指纹、虹膜、视网膜、掌纹独一无二，其他人都没有。”虽然这种说法可能接近真实，但生物特征属性的存储方式却远没有真正的生物特征因子那么细致和独特。
指纹确实有可能近乎全球唯一，但保存下来供后续验证比对的指纹副本可未必唯一。指纹(或者虹膜、视网膜、人脸等等)从测量到存储都不是完全还原的高清图片，只是该生物信息身份的几个确定性特征(“点”)的测量值。
本文主要介绍计算机视觉中主要的五大技术，分别为图像分类、目标检测、目标跟踪、语义分割以及实例分割。针对每项技术都给出了基本概念及相应的典型方法，简单通俗、适合阅读。计算机视觉是当前最热门的研究之一，是一门多学科交叉的研究，涵盖计算机科学（图形学、算法、理论研究等）、数学（信息检索、机器学习）、工程（机器人、NLP等）、生物学（神经系统科学）和心理学（认知科学）。由于计算机视觉表示对视觉环境及背景的相对理解，很多科学家相信，这一领域的研究将为人工智能行业的发展奠定基础。
从图像分类到图像分割
卷积神经网络（CNN）自2012年以来，在图像分类和图像检测等方面取得了巨大的成就和广泛的应用。
CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于识别性能的提高。
这些抽象的特征对分类很有帮助，可以很好地判断出一幅图像中包含什么类别的物体，但是因为丢失了一些物体的细节，不能很好地给出物体的具体轮廓、指出每个像素具体属于哪个物体，因此做到精确的分割就很有难度。
传统的基于CNN的分割方法的做法通常是：为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入用于训练和预测。