算法学习
文章平均质量分 53
yzbx
I am yzbx I love computer and linux
展开
-
前景提取--special basic model
histogram[2006] Extracting roadway background image: A mode based approach方法 这里提到的直方图是像素值历史信息的统计直方图,基本思想是背景像素在历史中出现的机率更大。Pixel intensity classification (PIC)[2005] A background reconstruction a原创 2015-10-06 00:02:46 · 789 阅读 · 0 评论 -
HMM算法在语音识别中的应用——算法学习
总体框架输入Treat acoustic(听觉的) input O as sequence of individual observations O=o1,o2,...,otO=o_1,o_2,...,o_t结果Define sentence as a sequence of words W=w1,w2,...,wnW=w_1,w_2,...,w_n判断模型最大概率:W=arg maxW∈L原创 2016-06-15 14:04:37 · 5008 阅读 · 0 评论 -
Hungarian Algorithm Summary
Usage: Assignment ProblemMatrix FormatGiven n*nworkers and tasks, and an n×n matrix containing the cost of assigning each worker to a task, find the cost minimizing assignment.First the problem is writ原创 2016-08-24 20:55:31 · 575 阅读 · 0 评论 -
Kalman filter 使用经验总结
ReferencewikiHow a Kalman filter works, in picturesKalman filter applicationSummaryhidden status: [x,y,vx,vy]observed status: [x,y]from hidden status to observed status: transition matrix MTM_T原创 2016-08-21 11:49:07 · 1477 阅读 · 0 评论 -
Energy Minimization
Referencewiki Energy MinimizationpyMaxflow ExampleMin-cut Max-flowmin-cut equal to max-flowthe edge with big weight will hard to be cut, the edge with small weight will easy to be cutnoise easy t原创 2016-09-22 20:24:13 · 1288 阅读 · 0 评论 -
Urban tracker 目标跟踪算法
目标跟踪Urban Tracker 参考文献: Urban Tracker: Multiple object tracking in urban mixed trafficIntelligent Transportation 参考文献: A feature-based tracking algorithm for vehicles in intersections代码&数据Urban Tra原创 2015-06-24 23:50:45 · 2359 阅读 · 0 评论 -
Real-time Multiple Objects Tracking with Occlusion Handling in Dynamic Scenes
ReferenceReal time multiple objects tracking and identification based on discrete wavelet transform: 前景分割算法过时,跟踪算法没提Real-time Multiple Objects Tracking with Occlusion Handling in Dynamic Scenes: 前景分割原创 2016-09-25 20:43:25 · 981 阅读 · 0 评论 -
算法学习 -- Staple: Complementary Learners for Real-Time Tracking
Abstract一个结合梯度特征HOG及颜色特征的实时跟踪算法,速度达到80FPS,即每秒80帧图像。IntroductionStaple: Sum of Template And Pixel-wise LEarners 对于目前的主流跟踪算法,采用的tracking-by-detection策略,即先检测目标的位置,以HOG检测为例 ,对同一个目标,可能得到多个目标的矩形框,如下图所示。有的时候原创 2016-10-12 00:58:11 · 14064 阅读 · 3 评论 -
A Beginner's Guide To Understanding Convolutional Neural Networks
到2015的卷积神经网络简介,非常值得一看转载 2017-03-03 13:26:24 · 346 阅读 · 0 评论 -
Deep learning Blog
Blog ListRecurrent Neural Networks TutorialUnderstanding LSTM Networks转载 2017-04-11 15:26:29 · 815 阅读 · 0 评论 -
YOLO V2
Train & Practicehttp://www.yuthon.com/2016/12/03/Train-YOLOv2-on-my-own-dataset/转载 2017-05-03 18:04:10 · 560 阅读 · 0 评论 -
Highway Networks (Training Very Deep Networks, 2015 NIPS)
Referencearxiv papercsdnHighway Networks vs ResNetDeep Residual Learning for Image Recognition (ResNet 2016 CVPR)Densely Connected Convolutional Networks (DenseNet 2017 CVPR)2015 NIPSLocal compe原创 2018-01-02 22:47:40 · 663 阅读 · 0 评论 -
hmm 隐马尔可夫——代码应用
经典的离散形hmm参考wikipedia符号隐状态集合 S={S1,S2,...,SN}S=\{S_1, S_2,...,S_N\}观察状态集合 V={V1,V2,...,VM}V=\{V_1,V_2,...,V_M\}t时刻的观察状态 Ot∈VO_t \in Vt时刻的隐状态 qt∈Sq_t \in S初始状态 πi=P(q1=Si)\pi _i=P(q_1=S_i)转移概率 ai原创 2016-06-24 23:14:58 · 786 阅读 · 0 评论 -
Computer Vision -- 特征点提取
Why运动目标跟踪物体识别图像配准全景图像拼接三维重建 都需要用到图像的特征点Corner Points:角点局部窗口沿各方向移动,均产生明显变化的点图像局部曲线曲率突变的点角点检测算法Harris 平坦区域:窗口沿着任意方向移动,均无灰度变化边缘区域:窗口沿着边缘方向移动,无灰度变化角点:窗口沿着任意方向移动,均有灰度变化特点 由于旋转不变性对灰度平移具有不变性原创 2016-03-14 14:48:13 · 608 阅读 · 0 评论 -
opencv sift 的实现与原理
referenceopencv sift 原理与原码分析wikipediaAI Shack一点补充关于插值:利用了Hessian矩阵中不定点的特性,如果DOG空间某点为极值点,那么该点的Hessian存在特征点(不动点)。可以通过迭代进行插值计算。//// Interpolates a scale-space extremum's location and scale to subpi原创 2016-04-07 09:47:50 · 928 阅读 · 0 评论 -
前景提取--KDE(kernel density estimate)
参考[2000] Non-parametric Model for Background Subtraction说明虽然kde出来早,但算法效果却一直很好,不比后来的方法差。当然,这要自2012后,出现统一的数据集进行评测才能看出来。基于GMM算法考虑到动态背景的邻域处理方法(当前前景像素是否从背景邻域移动过来?整个连通块是否是移动背景?)考虑到阴影消除(通过归一化颜色值进行阴影消除,因原创 2015-10-06 00:47:32 · 1490 阅读 · 0 评论 -
前景提取--Subspace learning models
参考论文[2009] Subspace Learning for Background Modeling: A Survey[2000] A Bayesian Computer Vision System for Modeling Human Interactions 相关工作原理 结果总结子空间学习在前景提取中相对其它方法并没有优势,不过或许能给人带来一些处理问题的新思路。至于通过矩阵运算原创 2015-10-05 19:24:58 · 754 阅读 · 0 评论 -
前景提取--VIBE 算法
VIBE 算法论文参考 ViBe: a universal background subtraction algorithm for video sequences算法常量: - N=20, 每个像素的抽样数 - R=20, 球的半径 - #_min#_min=2, 成为背景的相近样本数,在算法代码中记为$#_min=$ - ϕ\phi=16, 随机二次抽样数,在算法代码中记为$\phi$算原创 2015-06-01 15:44:32 · 3343 阅读 · 0 评论 -
前景提取--color 算法
color 前景提取算法参考文献:A statistical approach for real-time robust background subtraction and shadow detection算法初衷:解决关于全局或局部的光照变化问题,例如阴影和高亮color算法变量: - EiE_i:第i个像素点的背景模型,Ei=[ER(i),EG(i),EB(i)]E_i=[E_R(i),E_原创 2015-06-02 11:33:07 · 4138 阅读 · 2 评论 -
前景提取--PBAS算法
关于前景提取算法PBAS的粗浅理解PBAS: 参见论文 Background Segmentation with Feedback: The Pixel-Based Adaptive Segmenter 算法的性能不错,在2012年发表基于像素,相对容易理解参数自适应,无论是背景,阈值,还是学习率利用与Vibe算法相似的更新算法不仅独立地用到三个颜色通道的像素值,还用到梯度值1. 图像输入原创 2015-05-31 21:36:12 · 6794 阅读 · 5 评论 -
前景提取--PAWCS算法
PAWCSPixel-based Adaptive Word Consensus Segmenter[2015 St-Charles, Pierre-Luc Bilodeau, Guillaume-Alexandre, Bergevin, Robert] paper: A Self-Adjusting Approach to Change Detection Based on Backgrou原创 2015-10-09 23:17:41 · 4285 阅读 · 4 评论 -
前景提取--UBSS V0算法
paper[2015] Background subtraction for static & moving camerasystem 说明UBSS基于像素帧,而不是基于像素区域或像素点。UBSS对静止摄像头视频和动态摄像头视频都适应。UBSS具有Matlab代码实现原创 2015-10-09 10:43:09 · 1274 阅读 · 0 评论 -
前景提取--SuBSENSE算法
paperSelf-Balanced SENsitivity SEgmenter2015 St-Charles, Pierre-Luc Bilodeau, Guillaume-Alexandre Bergevin, RobertSuBSENSE: a universal change detection method with local adaptive sensitivity.code原创 2015-10-10 11:11:56 · 6693 阅读 · 12 评论 -
Foreground Detection: A Fast Self-tuning Background Subtraction Algorithm
referenceA Fast Self-tuning Background Subtraction Algorithm关键思想背景模型的有效性检测,本文同样基于像素(相对于基于区域,基于帧),通过K个背景像素样本进行背景提取,但不同于VIBE类算法(PBAS,VIBE+,Subsense)等的随机更新策略,此方法通过对背景像素样本的有效性进行排序,及时剔除没什么用的像素样本,一般而言,这些被原创 2015-12-30 13:19:57 · 2131 阅读 · 3 评论 -
度量学习
参考文献csdnTomer HertzDistKit原创 2015-12-03 23:31:43 · 609 阅读 · 0 评论 -
Computer Vision -- 边缘提取
Why ?边缘是图像最基本的特征之一,可以为物体检测提供有用的信息边缘特征对于图像的变化不敏感(几何变化,灰度变化,光照方向变化)一种典型的图像预处理过程How ?抑制噪声(低通滤波,平滑,去噪,模糊,注:噪声往往对应着高频!)边缘特征增强边缘定位算子一阶(Prewitt,Sobel),通过检测最大值二阶(Laplacian),通过检测过零点(二阶导数为零,且该点附近发生符号改变原创 2016-03-14 14:17:39 · 383 阅读 · 0 评论 -
Densely Connected Convolutional Networks (DenseNet 2017 CVPR)
Addition LinkDenseNet-CVPR-SlidesDenseNet CSDNIntroductionResNets [11] and Highway Networks [33] by-pass signal from one layer to the next via identity connec-tions. Stochastic depth [13] shortens原创 2018-01-03 12:34:45 · 730 阅读 · 0 评论