OpenCV分类器训练
文章平均质量分 89
nongfu_spring
这个作者很懒,什么都没留下…
展开
-
目标检测的图像特征提取之(一)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 2013-08-21 17:35:28 · 1075 阅读 · 0 评论 -
决策树,随机森林,boost小结
决策树,随机森林,boost小结决策树(CvDTree)是最基础的,是CvForestTree和CvBoostTree的父类。决策树的生成,一般资料中都是基于ID3算法(熵增益),即ID3算法在每个节点分裂时,选择使gain(A)最大的特征分裂。 Opencv中决策树的生成是基于吉尼不纯度最小的原则生成的。即选择 最小的分裂。其中,m为样本的种类,如只有正负样本,则m为原创 2015-08-14 11:36:49 · 1635 阅读 · 0 评论 -
随机森林的训练过程
随机森林顾名思义,是用随机的方式建立一个森林,森林里面有很多的决策树组成,随机森林的每一棵决策树之间是没有关联的。在得到森林之后,当有一个新的输入样本进入的时候,就让森林中的每一棵决策树分别进行一下判断,看看这个样本应该属于哪一类(对于分类算法),然后看看哪一类被选择最多,就预测这个样本为那一类。在建立每一棵决策树的过程中,有两点需要注意 -采样与完全分裂。首先是两个随机采样的过程,ran原创 2014-09-28 18:24:08 · 15168 阅读 · 0 评论 -
boost的训练过程
bool CvBoost::train( const CvMat* _train_data, int _tflag, const CvMat* _responses, const CvMat* _var_idx, const CvMat* _sample_idx, const CvMat* _var_type,原创 2014-09-25 19:15:14 · 1280 阅读 · 0 评论 -
决策树的训练过程
void CvDTree::try_split_node( CvDTreeNode* node ){ CvDTreeSplit*best_split = 0; inti, n = node->sample_count, vi; boolcan_split = true; doublequality_scale; c原创 2014-09-23 18:48:43 · 5352 阅读 · 1 评论 -
标识训练数据,生成文件索引程序
#include #include "opencv2/opencv.hpp"#define SAMPLE_NUM 31CvRect rect;bool bDrawFlag=false;IplImage * g_image = NULL;bool bIsMark = false;void Draw_Box(void * param){ CvPoint pt1;原创 2014-09-10 15:27:06 · 604 阅读 · 0 评论 -
浅析人脸检测之Haar分类器方法:Haar特征、积分图、 AdaBoost 、级联
浅析人脸检测之Haar分类器方法一、Haar分类器的前世今生 人脸检测属于计算机视觉的范畴,早期人们的主要研究方向是人脸识别,即根据人脸来识别人物的身份,后来在复杂背景下的人脸检测需求越来越大,人脸检测也逐渐作为一个单独的研究方向发展起来。 目前的人脸检测方法主要有两大类:基于知识和基于统计。Ø 基于知识的方法:主要利用先验知识将人脸看作器翻译 2013-08-22 18:52:08 · 1397 阅读 · 0 评论 -
opencv源码解析之:hog源码分析
一、网上一些参考资料 在博客目标检测学习_1(用opencv自带hog实现行人检测) 中已经使用了opencv自带的函数detectMultiScale()实现了对行人的检测,当然了,该算法采用的是hog算法,那么hog算法是怎样实现的呢?这一节就来简单分析一下opencv中自带 hog源码。 网上也有不少网友对opencv中的hog源码进行了分析,很不转载 2013-08-21 18:02:49 · 1821 阅读 · 0 评论 -
目标检测的图像特征提取之(二)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的转载 2013-08-21 17:37:06 · 990 阅读 · 0 评论 -
目标检测的图像特征提取之(三)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。例转载 2013-08-21 17:38:42 · 878 阅读 · 0 评论 -
traincascade中不同特征的生成
traincascade中不同特征的生成traincascade和haartrainning的主要区别:1. haartrainning只能使用haar特征,而traincascade可以使用haar,lbp,hog特征,并且还容易扩展其他的特征。2. traincascade的组织结构相对清晰,即先根据指定的特征,生成相应的特征,然后使用boost的方法依次训练处每个stage的树。原创 2015-08-19 17:43:44 · 1109 阅读 · 0 评论