Haar特征和boost分类器用于人脸识别DPMHog+SVM行人检测RCNN图像物体检测

https://github.com/BVLC/caffe/tree/windows 官方教程遇到的问题boost没有安装好，将boost作为附加库和lib库..  而且anaconda  python路径没有安装好，虽然在props文件里面已经设定了pyhon_dir路径，但是仍旧没有。这个时候直接附加库目录： F:\DL\boost_1_61_0;  C:\An

给加高斯噪声的意思，就是在原图像矩阵上面加一个符合高斯或者叫正态分布特征的矩阵。生成随机噪声的三个方法,如果我们的目标矩阵是一个r*c的矩阵，要生成一个均值是mean，标准差sigma的随机噪声矩阵，那么是这样sigma*np.random.randn(r,c)+mean, #输入是两个参数，一个mean，一个sigma。sigma*np.random.standard_n

主要的资料来源是happynear的教程(英文github，中文csdn博客)，但是里面对python接口是分散讲的，而且有个地方有遗漏，摸索一天才发现怎么弄，所以这里针对python的部分单独讲讲。 我用的是VS2013，CPU模式，因为我的笔记本的N卡太弱了，所以我后来还是用CPU模式了。 第一步  下载所需2个包一个happynear的github的包，另一个他的3rdp

不管是图像处理还是计算机视觉，都越来越需要机器学习做特征集的训练了。但是feature engineer或者说图像本身各种关键特征的提取也是很关键的。今天在pysearch上看到了这句话也正是一样， A clever use of contour properties can save you from training complicated machine learning models.

用meanshift的时候，看到能够在视频里面识别某个物体还画个框。细看了下OpenCV里面meanshift方法是这样用的。cv2.meanShift(dst, track_window, term_crit)其实meanshift识别和这个track_window真没什么直接关系，meanshift识别的就是密度最大的那个点，找到那个点再加个框就行了，我原来觉得尺寸人家都能自己算出

我第一次遇到BackProjection这个词觉得很学术，我也不知道为什么要用，直到我遇到一个例子，这个在此链接有讲，但是我把它讲的再细化一下。首先是这个例子。我们有一个梅西的图片，现在我们要把草皮绿色的地方提取出来，那么怎么做呢？ 最简单你可以用颜色为绿色的一段阈值进行提取，现在我们用BackProjection这个方式进行提取。首先我把梅西那张图里面的其中一块草

使用opencv处理一堆图像，有jpg，png和gif。jpg的图像很多，程序处理过程中出现"python.exe程序已停止工作"，后来发现是cv2.imread无法读取gif图像造成的。

numpy数组不可以扩展可是它最大的缺点就是不可动态扩展——“NumPy的数组没有这种动态改变大小的功能，numpy.append()函数每次都会重新分配整个数组，并把原来的数组复制到新数组中。http://blog.chinaunix.net/uid-23100982-id-3164530.htmlnumpy数组的展平可以用flatten，也可以用numpy.rave

灰度共生矩阵有非常多的纹理特征维度。熵就是其中之一，可以表示图像分布聚集的程度。如果图像分布比较均匀，熵就比较小，就越有可能是噪声；反正，可能是真正有用的图像。计算公式就是 - sum(P(i,j)*log(P(i,j))其中有个bug就是灰度共生矩阵有可能有0的现象出现，log(0)是没有意义的对于这个问题，我在网上找的答案是计算的时候把这个0的时候剔除掉，不计算在内

参考http://docs.scipy.org/doc/numpy-1.10.1/reference/generated/numpy.apply_over_axes.htmlnumpy.apply_over_axes(func, a, axes)[source]其中a是需要操作的输入数组，func是操作函数比如加和sum，求均值average或者其他自定义函数，axes是需要操作的轴

1） 配置 git首先在本地创建 ssh key：ssh-keygen -t rsa -C "your_email@youremail.com"ssh -T git@github.comgit配置git config --global user.name "your name"git config --global user.email "your_email@your

直方图均衡化的主要思想就是，让出现频率较高的像素值，在直方图均衡化后，拥有较高的像素值。也就是高频像素值，最经常出现的，信息量最多的，是最亮的。反之，低频像素值，最不经常出现的，信息量最少的，是最暗的RGB彩色图像，可以分别对RGB三个波段进行直方图均衡化处理；也可以转换到HSV空间，对V分量进行处理。最后就是把灰度的频率信息，转化成，像素亮度信息。详细例子wi

kaggle数字识别题目介绍和数据地址：https://www.kaggle.com/c/digit-recognizer解法：python.sklearn的随机森林方法不只# -*- coding: utf-8 -*-"""Created on Wed Nov 25 20:39:46 2015@author: Ning LI"""import num

auto lo                              #配置loiface lo inet loopbackiface eth0 inet dhcp       #配置eth0auto hot-plug wlan0       #配置wlan0iface wlan0 inet dhcp方法一--------------------------

这次需要介绍的是scikit-learn库里面的几种常见的交叉验证方式: 1) LeavePOut, 2) LeaveOneOut, 3) KFold, 4) Stratified KFold其实归并起来，主要是两种，KFold和LeavePOut先讲KFold，sklearn.cross_validation.KFold(n, n_folds=3, shuffle=False

电脑使用：需要用linux的主机，将镜像文件刷到jetson tk1里面，而且千万不要用树莓派，我自己用树莓派无法执行里面的一个mksparse的二进制文件, 会显示Mksparse: cannot execute binaries，但是在ubuntu里面没有这个问题。树莓派的不是用户的权限问题，而且对二进制文件本身也加了chmod +x的执行权限了，所以应该是系统问题。因此最好用正经的l

git初始化操作1）git init2）git remote add origin git@github.com:cmusphinx/pocketsphinx.git3）git clone git@XXX.git4）git fetch origin拉代码git pull origin master远程仓库git remote add

有n个数顺序(依次)入栈,出栈序列有Cn种,Cn=[1/(n+1)]*(2n)!/[(n!)*(n!)]()这个进出栈的问题里面。一旦元素决定好时机进去了，他前面元素的进出站可以递归，他后面元素的进出站时机也可以用递归计算，。f(1)=1f(2)=2f(3)=5f(4)=f(0)*f(3)+f(1)*f(2)+f(2)

class A{public:int n;const int i;int &c;public:A(int N):c(2),i(12){this.n=N}}前置声明能够：1） 减少对象的大小 2） A里面包含B对象，传统方法B改变了额，那么A跟着也要重新编译一下。而如果A里面包含的是B *b这种指针或者引用对象，