海康威视 图像算法岗笔试题（含详细答案解析）

海康威视图像算法岗笔试题（含详细答案解析）命题特点：海康算法笔试以计算机视觉、图像处理、深度学习、数据结构与C++基础为主，兼顾视频编码与模型部署，贴合安防业务场景。本套题适用于图像算法工程师校招模拟。项目内容满分与时长满分100分，考试时长90分钟题型结构单项选择15题（每题3分，45分）；多项选择5题（每题5分，25分）；简答2题（每题5分，10分）；编程2题（每题10分，20分）一、单项选择题（每题3分，共15题，合计45分）1.下列滤波算子中，最适合去除椒盐噪声的是（）

A.中值滤波B.高斯滤波C.均值滤波D.Sobel滤波

答案：A解析：中值滤波取邻域中位数，对脉冲型椒盐噪声抑制效果最好；高斯、均值滤波会把噪点平滑扩散到周围；Sobel是边缘检测算子，不具备去噪能力。2.快速排序的平均时间复杂度与最坏时间复杂度分别是（）

A.O(n)、O(nlogn)B.O(n²)、O(nlogn)C.O(nlogn)、O(nlogn)D.O(nlogn)、O(n²)

答案：D解析：基准选择极差时（如对已有序数组取首元素为基准）退化为O(n²)；平均为O(nlogn)，且属不稳定排序。3.下列不属于一阶梯度边缘检测算子的是（）

A.SobelB.PrewittC.LaplacianD.Roberts

答案：C解析：Sobel、Prewitt、Roberts均为一阶微分算子；Laplacian是二阶微分算子，对噪声更敏感，常与高斯平滑组合为LoG。4.关于目标检测指标mAP，描述正确的是（）

A.所有类别召回率的平均值B.所有类别AP（PR曲线下面积）的平均值C.单张图像预测框的平均IoUD.预测框与真值框的平均交并比

答案：B解析：AP是单类别Precision-Recall曲线下的面积；mAP即meanAP，对各类别AP取平均。5.激活函数ReLU在输入大于0时的导数为（）

A.0B.xC.sigmoid(x)D.1

答案：D解析：ReLU(x)＝max(0,x)，x大于0时导数为1，x小于0时导数为0；缺点是存在神经元死亡问题。6.栈与队列最核心的区别是（）

A.存储结构B.进出规则C.空间复杂度D.遍历方式

答案：B解析：栈为后进先出（LIFO），队列为先进先出（FIFO）。7.下列损失函数最适合二分类任务的是（）

A.均方误差MSEB.DiceLossC.L1LossD.交叉熵损失

答案：D解析：二分类交叉熵（BCE）是分类任务首选；DiceLoss多用于分割；MSE、L1更适用于回归。8.64位Linux系统中，指针变量`char*p`占用字节数是（）

A.1B.4C.8D.16

答案：C解析：指针大小与寻址空间一致，64位系统为8字节，32位系统为4字节，与所指类型无关。9.下列排序算法中属于稳定排序的是（）

A.快速排序B.堆排序C.归并排序D.选择排序

答案：C解析：稳定排序有冒泡、插入、归并；快排、堆排序、选择排序均不稳定。10.关于图像双边滤波，说法正确的是（）

A.只做平滑，不保护边缘B.空间距离与灰度相似度双重权重，平滑同时保边缘C.只做边缘增强D.专门用于去除椒盐噪声

答案：B解析：双边核由空间域与值域两项构成，平坦区域权重相近而平滑，边缘处灰度差异大故不被平滑。11.BatchNorm在推理阶段的正确做法是（）

A.继续计算当前batch的均值与方差B.推理时BN层直接丢弃C.使用训练时滑动平均得到的均值与方差做归一化D.只在GPU上生效

答案：C解析：训练阶段用当前batch统计量并更新滑动平均；推理阶段固定使用训练保存的running_mean与running_var。12.H.264中用于消除块效应的是（）

A.熵编码B.环路滤波（deblock）C.帧内预测D.DCT变换

答案：B解析：环路滤波在图像重建之后进行，消除分块编码带来的方块效应，是安防视频编码的高频考点。13.对`constint*p`，下列描述正确的是（）

A.p指向的值不可修改，p本身可以指向别的地址B.p的值不可修改C.p与所指内容都不能修改D.p不可重新赋值，但指向内容可修改

答案：A解析：`constint*p`为指向常量的指针，内容只读、指针可变；`int*constp`为常量指针，指针本身不可改。14.下列属于欠拟合表现的是（）

A.训练loss高，验证loss也高B.训练loss很低，验证loss很高C.训练与验证loss都很低D.训练loss震荡不收敛

答案：A解析：欠拟合是模型容量不足，连训练集都学不好；训练好而验证差属过拟合。15.IoU的计算公式是（）

A.交集面积除以并集面积B.交集面积除以真值框面积C.交集面积除以预测框面积D.并集面积除以交集面积

答案：A解析：IoU＝Intersection/Union，是检测与分割任务的通用评价基础。二、多项选择题（每题5分，共5题，合计25分；多选、少选均不得分）1.下列属于深度学习目标检测算法的有（）

A.YOLO系列B.FasterR-CNNC.SSDD.U-Net

答案：ABC解析：U-Net是语义分割网络，不属于检测算法。2.可以缓解过拟合的手段有（）

A.DropoutB.L1与L2正则C.数据增强D.提前停止（EarlyStopping）

答案：ABCD解析：四项均从限制模型复杂度或扩充数据分布的角度抑制过拟合；此外还有批归一化、集成学习等。3.视频编码中需要处理的冗余类型包含（）

A.空间冗余B.时间冗余C.信息熵冗余D.视觉冗余

答案：ABCD解析：帧内预测消除空间冗余，帧间预测消除时间冗余，熵编码压缩信息熵冗余，量化与心理视觉模型利用视觉冗余。4.卷积神经网络中池化层的作用有（）

A.降低特征图尺寸，减少计算量B.带来一定的平移不变性C.增大感受野D.增加特征通道数

答案：ABC解析：池化只改变空间尺寸，不改变通道数；改变通道数要靠卷积层的卷积核数量。5.关于OpenCV的图像存储格式，说法正确的有（）

A.默认通道顺序为BGR，而非RGBB.CV_8UC1表示单通道uint8灰度图C.CV_8UC3表示三通道彩色图D.imread读取带透明通道的PNG时默认保留alpha通道

答案：ABC解析：imread默认返回三通道BGR并丢弃alpha，需读透明通道须显式使用IMREAD_UNCHANGED。三、简答题（每题5分，共2题，合计10分）1.简述YOLO系列一阶段检测与FasterR-CNN二阶段检测的区别参考答案：一阶段YOLO：由主干网络直接输出分类与回归坐标，没有单独的候选框生成分支；速度快，适合实时安防抓拍与视频流检测，精度相对二阶段略低。二阶段FasterR-CNN：先由RPN生成候选区域，再经ROI池化做二次分类与回归；精度更高，但推理速度慢，适合对延迟不敏感、要求高精度的识别场景。核心差异在于有无候选框提取分支，本质是速度与精度的取舍。2.简述BN层的作用，以及BN为什么能加速收敛参考答案：作用：对每一层特征做归一化，把分布拉回均值0、方差1附近。具体包括缓解内部协变量偏移、允许使用更大学习率、带来轻微正则效果、降低对参数初始化的敏感性。加速收敛的原因：输入分布稳定后损失曲面更平滑，梯度更稳定，不易出现梯度消失或爆炸，因此可以使用更大的学习率，收敛更快。四、编程题（每题10分，共2题，合计20分，C++或Python均可）1.实现图像灰度化（RGB转灰度）公式：Gray＝0.299R＋0.587G＋0.114B。python

defrgb2gray(rgb):

h,w,c=rgb.shape

gray=rgb[:,:,0]*0.299+rgb[:,:,1]*0.587+rgb[:,:,2]*0.114

returngray.astype("uint8")解析：颜色空间转换是海康图像岗常考点。注意OpenCV读入的图像通道顺序为BGR，若输入是BGR图像，系数顺序需相应调整为0.114、0.587、0.299。2.反转单链表（对应LeetCode206）cpp

structListNode{

intval;

ListNode*next;

ListNode():val(0),next(nullptr){}

ListNode(intx):val(x),next(nullptr){}

};

classSolution{

public:

ListNode*reverseList(ListNode*head){

ListNode*pre=nullptr;

ListNode*cur=head;

while(cur!=nullptr){

ListNode*nxt=cur->next;

cur->next=pre;

pre=cur;

cur=nxt;

}

returnpre;

}

};解析：链表、简单动态规划与字符串处理是海康笔试的高频题型，注意指针操作的空判断与结果返回。五、附加高频问答（面试与笔试延伸）1.什么是感受野？如何计算卷积感受野？

感受野指输出特征图上一个像素对应原图区域的大小，由卷积核尺寸、步长与padding共同决定