模式识别
lien0906
这个作者很懒,什么都没留下…
展开
-
车牌识别,移植到android系统
首先吐槽,搞了1天半,终于弄好了。自己android开发是小白,之前一门心思想在jni目录下读取xml文件,事实证明无论如何都不行的。好吧,后来发现资源文件应该都放在assets目录下,可是文件会被压缩,必须用什么assetmanager访问。opencv之前训练的两个svm.xml和ocr.xml文件,和一般的xml文件不同的,自己解析xml存到opencv的mat中太麻烦了。后来想了又想,还是转载 2014-10-16 09:22:41 · 2185 阅读 · 0 评论 -
卡尔曼滤波器跟踪
1. 什么是卡尔曼滤波器(What is the Kalman Filter?)在学习卡尔曼滤波器之前,首先看看为什么叫“卡尔曼”。跟其他著名的理论(例如傅立叶变换,泰勒级数等等)一样,卡尔曼也是一个人的名字,而跟他们不同的是,他是个现代人!卡尔曼全名Rudolf Emil Kalman,匈牙利数学家,1930年出生于匈牙利首都布达佩斯。1953,1954年于麻省理工学院分别获转载 2015-12-31 14:27:02 · 8758 阅读 · 1 评论 -
OpenCV之LBP
LBP(Local binary pattern)是一个易理解且有效的局部图像特征,应用很广泛。在网上可以搜到一大把的LBP介绍,所以本博文就忽略了对其的介绍。直接附上代码,代码不难,只是希望对大家有用!如有错误和补充,欢迎提出,大家共同进步哈!注意:下面代码仅为示例便利,牺牲了一些效率!一)一般的LBP,256维[cpp] view plaincopy转载 2015-08-18 19:59:10 · 6748 阅读 · 1 评论 -
模式识别-决策树之随机森林
求高手解释下二叉树递归求深度问题举报|2013-08-28 21:42treeliu 分类:数据结构及算法 | 浏览 271 次我的理解是,程序开始不停找左孩子的左孩子,程序执行到最左边的叶子节点D,此时D->lchild为空返回0给M。再访问D->rchild为空返回0给n。m n都为0 就没法比较了啊!!!??分享到:转载 2015-08-04 15:21:38 · 2477 阅读 · 0 评论 -
对线性回归,logistic回归和一般回归的认识
JerryLead 2011年2月27日 作为一个机器学习初学者,认识有限,表述也多有错误,望大家多多批评指正。1 摘要 本报告是在学习斯坦福大学机器学习课程前四节加上配套的讲义后的总结与认识。前四节主要讲述了回归问题,回归属于有监督学习中的一种方法。该方法的核心思想是从连续型统计数据中得到数学模型,然后将该数学模型用于预测或者分类。该方法处理的数据可以是转载 2015-08-03 09:57:10 · 667 阅读 · 0 评论 -
人脸识别技术大总结——Face Detection & Alignment
作者:sciencefans搞了一年人脸识别,寻思着记录点什么,于是想写这么个系列,介绍人脸识别的四大块:Face detection, alignment, verification and identification(recognization),本别代表从一张图中识别出人脸位置,把人脸上的特征点定位,人脸校验和人脸识别。(后两者的区别在于,人脸校验是要给你两张脸问你是不是同一个人,转载 2015-08-14 17:35:01 · 6797 阅读 · 1 评论 -
基于CLM(Constrained local model)人脸点检测算法
最近一篇文章《DeformableModel Fitting by Regularized Landmark Mean-Shift》中的人脸点检测算法在速度和精度折中上达到了一个相对不错的水平,这篇技术报告就来阐述下这个算法的工作原理以及相关的铺垫算法。再说这篇文章之前,先说下传统的基于CLM(Constrained local model)人脸点检测算法的不足之处,ASM也属于CLM的一种,CL转载 2015-07-30 10:03:58 · 10439 阅读 · 4 评论 -
压缩跟踪Compressive Tracking源码理解
压缩跟踪Compressive Tracking源码理解zouxy09@qq.comhttp://blog.csdn.net/zouxy09 在前面一个介绍《Real-Time Compressive Tracking》这个paper的感知跟踪算法的博文中,我说过后面会学习下它的C++源码,但是当时因为有些事,所以就没有看了。今天,上到博客,看到一朋友在这个博文中评论转载 2015-08-24 10:23:13 · 1620 阅读 · 0 评论 -
召回率
召回率(Recall Rate,也叫查全率)是检索出的相关文档数和文档库中所有的相关文档数的比率,衡量的是检索系统的查全率;精度是检索出的相关文档数与检索出的文档总数的比率,衡量的是检索系统的查准率。召回率(Recall)和精度(Precise)是广泛用于信息检索和统计学分类领域的两个度量值,用来评价结果的质量中文名召回率外文名Recal转载 2015-06-25 08:49:24 · 2571 阅读 · 0 评论 -
机器视觉开源代码集合
机器视觉开源代码集合一、特征提取Feature Extraction:SIFT [1] [Demo program][SIFT Library] [VLFeat]PCA-SIFT [2] [Project]Affine-SIFT [3] [Project]SURF [4] [OpenSURF] [Matlab Wrapper]Affine Cov转载 2015-06-17 17:52:50 · 810 阅读 · 0 评论 -
SIFT算法的应用--目标识别之Bag-of-words模型
SIFT算法的应用-目标识别之用Bag-of-words模型表示一幅图像 出处:http://blog.csdn.net/v_JULY_v 。 引言本blog之前已经写了四篇关于SIFT的文章,请参考九、图像特征提取与匹配之SIFT算法,九(续)、sift算法的编译与实现,九(再续)、教你一步一步用c语言实现sift算法、上,及九(再转载 2015-06-17 16:09:41 · 1217 阅读 · 0 评论 -
Selective Search for Object Recognition
最近被老师弄去做图像方向,完全没相关经验,都是从论文看起。之后会整理我看的一系列论文,可能会有很多错误的地方,如果有发现,欢迎提出!Selective Search for Object Recognition是J.R.R. Uijlings发表在2012 IJCV上的一篇文章。主要介绍了选择性搜索(Selective Search)的方法。选择转载 2015-05-06 09:58:33 · 1224 阅读 · 0 评论 -
Real Adaboost总结
Real Adaboost分类器是对经典Adaboost分类器的扩展和提升,经典Adaboost分类器的每个弱分类器仅输出{1,0}或{+1,-1},分类能力较弱,Real Adaboost的每个弱分类器输出的是一个实数值(这也是为什么叫“Real”),可以认为是一个置信度。和LUT(look-up table)结合之后,表达复杂函数的能力比经典Adaboost更强。接下来分三部分,第一部转载 2015-03-12 11:23:07 · 1849 阅读 · 0 评论 -
每秒100帧的行人检测方法
申明:本文为笔者翻阅英文文献后翻译、整理所得,文中所提方法并非笔者原创。如果你想了解更多的细节,更好的把握作者的本意,建议阅读作者的原文。Pedestrian detection at 100 frames per second, Rodrigo Benenson, Markus Matias, CVPR2012这篇文章的主要贡献有两点:(1)提出一种无转载 2015-03-05 09:38:37 · 1459 阅读 · 0 评论 -
概述FaceRecognizer人脸识别类contrib
在最新版的2.4.2中,文档的更新也是一大亮点,refrence manual扩充了200多页的内容,添加了contrib部分的文档。contrib就是指OpenCV中新添加的模块,但又不是很稳定,可以认为是一个雏形的部分。这次结合refman的阅读,介绍一下FaceRecognizer这个人脸识别类,这个类也是2.4.2更新日志里着重强调过的更新,配套的文档也是相当充实。这个类的基类也是Algo转载 2015-03-19 14:30:19 · 1058 阅读 · 0 评论 -
svm算法
本文转自http://blog.csdn.net/v_july_v/article/details/7624837 支持向量机通俗导论(理解SVM的三层境界) [+] 支持向量机通俗导论(理解SVM的三层境界)作者:July、pluskid ;致谢:白石、JerryLead出处:结构之法算法之道blog。转载 2014-12-25 14:13:07 · 806 阅读 · 0 评论 -
【计算机视觉】Visual Tracking 领域最新进展(论文与源码)
Visual Tracking 领域最新paper与code最近在研究 tracking,所以总结了一些较新的 tracking 相关的论文和源码。希望能够为刚进入这个领域的同学节省一些时间。如您有其他优秀的paper或者code,欢迎在回复中留言~谢谢!Learning Multi-Domain Convolutional Neural Network转载 2016-07-07 18:40:43 · 1769 阅读 · 0 评论