openCV
文章平均质量分 69
lilixiang14
这个作者很懒,什么都没留下…
展开
-
目标检测--图像特征提取之一 --HOG特征
HOG特征:方向梯度直方图(Histogram of oriented Gradient) 1.主要思想:在一副图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好 的描述。(本质:梯度的统计信息,而梯度主要存在于边缘的地方)。 2.优点:能够保持图像几何和光学形变的不变性(因为这两种形变只出现在更大的空间领域 上,而H...原创 2015-09-21 16:08:53 · 1257 阅读 · 0 评论 -
目标检测的图像特征提取之二Haar特征
Haar-like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特征反映的是图像的灰度变化情况。如脸部的一些特征能由矩形特征简单描述,如:眼睛要比脸颊颜色要深,鼻梁两侧比鼻梁颜色要深,嘴巴比周围颜色要深。矩形特征只对一些简单的图形结构,如边缘、线段较敏感,所...原创 2015-09-24 10:54:35 · 813 阅读 · 0 评论 -
目标检测的图像特征提取之三---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。LBP特征描述 原始的LBP算子定义为3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0.这样,3*3领域内的8个点经比较可产生8...原创 2015-09-24 15:05:23 · 981 阅读 · 0 评论 -
Deep Leaning (深度学习)学习笔记一
机器学习步骤 例如图像识别、语音识别、自然语言理解、天气预测、基因表达等。目前我们通过机器学习去解决这些问题的思路都是这样的(以视觉感知为例): Low-level sensing -->Preprocessing -->Feature extract -->Feature selection -->Inference;pre...原创 2015-10-07 16:07:11 · 496 阅读 · 0 评论 -
Deep Leaning (深度学习)学习笔记二
一、关于特征 特征是机器学习的原材料,对最终模型的影响是毋庸置疑的。如果数据被很好的表达成了特征,通常线性模型就能达到满意的精度,那么对于特征,我们需要考虑什么呢? 1.1、特征表示的粒度 学习算法在一个什么粒度上的特征表示,才能发挥作用?就一个图片来说,像素级的特征根本没有价值。例如一辆摩托车,从像素级别,根本得不到任何信息,其无法进行摩托车和非...原创 2015-10-07 19:07:01 · 232 阅读 · 0 评论