【含泪提速！】一文全解相似度算法、跟踪算法在各个AI场景的应用（附代码）

大家好，我是cv君，大家是否为深度学习算法速度感到困扰？本次cv君倾力分享一个优秀的方法，通过相似度+跟踪方案优化速度问题，并提高了检测、分割算法稳定性，附带代码，一起肝起来吧~

今天给大家全解一下图像相似度算法以及跟踪算法。简单说就是判断俩图片、视频、画面是否相似的算法。

能做什么？

1： 当你老板说你目标检测算法耗时、耗电、耗内存的时候：请务必加上相似度算法！超低能耗、超快速度，适用于部分场景：你的检测算法慢，功耗高时，实际上，并不需要每秒都检测，检测算法ok，那么你前几帧检测，后几十帧跟踪，都行。相似度过小：即画面变化过大后，就重新检测；或者时间过了几秒，重新检测，再跟踪，功耗大大降低。

2： 判断画面是否变化，有人闯入你家，黑暗的时候，蒙面大盗是难以被目标检测、人脸识别的。

3： 相机在预览时，画面是否改变：调焦，物体运动，画面是否被放大缩小，云台是否转动。

4：画面是否稳定。

5：图像之间谁最相似、最不相似。

6：用作超分、去雾、去雨、去摩、图像修复、各种图像调试，以达到与你的GT最相似，用作损失计算。

等等

相似度算法全解

1.余弦相似度计算

把图片表示成一个向量，通过计算向量之间的余弦距离来表征两张图片的相似度。

# -*- coding: utf-8 -*-