chlele0105的专栏

原创 Opponent Color Spaces

转载 用Hough投票做物体检测的3篇文献

文献1：Combined Object Categorization and Segmentation with an Implicit Shape Model，ECCV 04 Workshop。内容简介：用隐形状模型（Implicit Shape Model, ISM）把物体的检测和分割结合起来。创新点：用隐形状模型把物体的识别和分割结合起来，整合到同一个概率框架

转载 在线学习（Online Learning）

原题目叫做The perception and large margin classifiers，其实探讨的是在线学习。这里将题目换了换。以前讨论的都是批量学习（batch learning），就是给了一堆样例后，在样例上学习出假设函数h。而在线学习就是要根据新来的样例，边学习，边给出结果。      假设样例按照到来的先后顺序依次定义为。X为样本特征，y为类别标签。我们的任务是到来一个样

转载 EM算法浅解

机器学习十大算法之一：EM算法。能评得上十大之一，让人听起来觉得挺NB的。什么是NB啊，我们一般说某个人很NB，是因为他能解决一些别人解决不了的问题。神为什么是神，因为神能做很多人做不了的事。那么EM算法能解决什么问题呢？或者说EM算法是因为什么而来到这个世界上，还吸引了那么多世人的目光。       我希望自己能通俗地把它理解或者说明白，但是，EM这个问题感觉真的不太好用通俗的语言去说明

原创 近邻成分分析（NCA）算法

下面介绍一下交叉验证：   交叉验证是一种用来评价一个统计分析的结果是否可以推广到一个独立的数据集上的技术。主要用于预测，即，想要估计一个预测模型的实际应用中的准确度。它是一种统计学上将数据样本切割成较小子集的实用方法。于是可以先在一个子集上做分析， 而其它子集则用来做后续对此分析的确认及验证。    一个交叉验证将样本数据集分成两个互补的子集，一个子集用于训练（分类器或模型）

原创 线性判别分析（LDA）

上一节介绍了PCA算法，PCA的目标是希望降维后的数据能够保持最多的信息，而Discriminant Analysis所追求的目标与PCA不同，它希望数据在降维后能够很容易地被区分开来。          一． LDA算法概述：     线性判别式分析(Linear Discriminant Analysis, LDA)，也叫做Fisher线性判别(Fisher Linear Di

原创 主成分分析（Principal components analysis）

Principal Component Analysis(PCA)是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。       通俗的理解，如果把所有的点都映射到一起，那么几乎所有的信息（如点和点之间的距离关系）都丢失了，而如果映射后方差尽可能的大，

原创 Kmeans、Kmeans++和KNN算法比较

K-Means介绍       K-means算法是聚类分析中使用最广泛的算法之一。它把n个对象根据他们的属性分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。其聚类过程可以用下图表示：        如图所示，数据样本用圆点表示，每个簇的中心点用叉叉表示。(a)刚开始时是原始数据，杂乱无章，没有label，看起来都一样，都是绿色的

原创 SVD分解在文本分类中的应用

SVD分解在文本处理中的应用在自然语言处理中，最常见的两个问题分别是，将文本按主题归类和将词汇按意思归类。这两个问题都可以通过矩阵运算来圆满地，一次次能够解决。首先来看一看余弦定理和新闻分类这个问题新闻分类其实就是一个聚类问题，关键是计算两篇新闻的相似程度。问了完成这个任务，我们可以将新闻表示成代表它们内容的实词序列，即向量，然后求两个向量的夹角。夹角越小，表示两篇新闻越相关；当它们垂直正

转载 图像特征提取5：SIFT特征

SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，详细解析如下：算法描述SIFT特征不只具有尺度不变性，即使改变

原创 图像特征提取4：Surf特征

一、Surf描述子形成步骤         1. 构造高斯金字塔尺度空间         其实surf构造的金字塔图像与sift有很大不同，就是因为这些不同才加快了其检测的速度。Sift采用的是DOG图像，而surf采用的是Hessian矩阵行列式近似值图像。首先来看看图像中某个像素点的Hessian矩阵，如下：　　                 即每一个像素点都

转载 图像特征提取3：HOG特征

1、HOG特征：       方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dal

转载 图像特征提取2： Haar特征

1、Haar-like特征       Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征。Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例

原创 图像特征提取1: LBP特征

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征； 1、LBP特征的描述       原始的LBP算子定义为在3*3的

原创 基于distanceTransform-距离变换的手掌中心提取

这几天在做一个手势识别的项目，其中最的关键一步是提取手掌中心。获得手掌重心通常的做法是计算整个手部的重心，并以该重心位置近似手掌重心，这种方法只适用于没有手指伸出或只有一个手指伸出的情况，否则获得的手掌重心位置将严重偏离真实位置。    距离变换的基本含义是计算一个图像中非零像素点到最近的零像素点的距离，也就是到零像素点的最短距离。因此可以基于距离变换提取手掌重心。算法基本思想：（1）

原创 一次性配置opencv

1.执行菜单栏“视图——其他窗口——属性管理器”。2双击Debug | Win32下的“Microsoft.Cpp.Win32.user“，在弹出的配置框中配置。这个设置是对所有工程有效的。你可以打开其他的工程或者新建新的工程，可以看到都继承了此配置。

转载 CamShift、MeanShift运动追踪

以下内容参考:http://www.cnblogs.com/liqizhou/archive/2012/05/12/2497220.htmlhttp://hi.baidu.com/gilbertjuly/item/985693cf8dc0430cad092f15Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移

原创 粒子滤波

粒子滤波算法：源于Montecarlo的思想，即以某事件出现的频率来指代该事件的概率。因此在滤波过程中，需要用到概率如P(x)的地方，一概对变量x采样，以大量采样的分布近似来表示P(x)。因此，采用此思想，在滤波过程中粒子滤波可以处理任意形式的概率，而不像Kalman滤波只能处理高斯分布的概率问题。粒子滤波的一大优势也在于此。         下来看看对任意如下的状态方程：

转载 OpenCV的GrabCut函数使用和源码解读

上一文对GrabCut做了一个了解。OpenCV中的GrabCut算法是依据《"GrabCut" - Interactive Foreground Extraction using Iterated Graph Cuts》这篇文章来实现的。现在我对源码做了些注释，以便我们更深入的了解该算法。一直觉得论文和代码是有比较大的差别的，个人觉得脱离代码看论文，最多能看懂70%，剩下20%或者更多就需要

转载 从Graph Cut到Grab Cut

上一文对GraphCut做了一个了解，而现在我们聊到的GrabCut是对其的改进版，是迭代的Graph Cut。OpenCV中的GrabCut算法是依据《"GrabCut" - Interactive Foreground Extraction using Iterated Graph Cuts》这篇文章来实现的。该算法利用了图像中的纹理（颜色）信息和边界（反差）信息，只要少量的用户交互操作即

转载 Graph Cut（图割）

Graph cuts是一种十分有用和流行的能量优化算法，在计算机视觉领域普遍应用于前背景分割（Image segmentation）、立体视觉（stereo vision）、抠图（Image matting）等。       此类方法把图像分割问题与图的最小割（min cut）问题相关联。首先用一个无向图G=，E>表示要分割的图像，V和E分别是顶点（vertex）和边（edge）的集合

转载 计算机视觉算法源码

一些重要的算法源码http://vision.eecs.ucf.edu/source.htmlSource Code[Background Modeling][Shape from Shading][Fundamental Matrix][Mean-Shift Algorithms][Kernel Density Estimation][K-Mean

原创 机器学习中的凸优化问题

凸集的定义为：　　　　其几何意义表示为：如果集合C中任意2个元素连线上的点也在集合C中，则C为凸集。其示意图如下所示：　　　　常见的凸集有：　　n维实数空间；一些范数约束形式的集合；仿射子空间；凸集的并集；n维半正定矩阵集；这些都可以通过凸集的定义去证明。　　凸函数的定义为：　　　　其几何意义表示为函数任意两点连线上的值大于对应自变量处的函数值，示意图如下：