目录
四、未有深度学习之前
4.1 图像分割
4.1.1 基于阈值分割
有一种选阈值方法,使得选出来的黑白和原图像的均值方差最大
4.1.2 基于边缘分割
4.1.3 基于区域分割
(1)区域生长法
(2)分水岭算法
4.1.4 基于图论分割
(1)Graph Cuts 分割
Rp 代表任意一个点是属于前景的可能性大还是背景
B 就是像素点之间是否连续相似
![](https://i-blog.csdnimg.cn/blog_migrate/5fbbb5cd0b55625a3aac1c4804df8bcb.png)
(2)GrabCut 分割
就是画的框就是背景和前景的颜色分布都有了,然后找这些颜色分布找若干个聚类中心,框之外的颜色就是背景,背景也找若干个聚类中心;要做的就是在不断的迭代过程中,框住的颜色里属于背景的就会逐渐被归到框外的聚类中心上,框里面的就仅仅属于自己
4.2 人脸检测
4.2.1 Haar-like 特征
4.2.2 Haar 级联分类器
现在能和深度学习模型比一比的传统模型几乎只有 xgboost 了
这里级联是指:分类器是有所偏向的,对于是正例或疑似正例的看的马虎一点,但是对于肯定的负例会做一个有把握的判断;也就是说对于每个分类器来说,我扔掉的东西就一个不是人脸,不是正例,保留下来的还不确定,就这样的过程叠加若干的,每个分类器也不一样,最后剩下的才是真正的正例。
弱分类器要弱到什么程度,比如左边左白右黑的分类器,上面识别出人脸和下面不是人脸响应图差异不大;而右边差异就有了,就把这种找出来
4.3 行人检测
4.3.1 HOG
梯度每落在20度里面的数量,如果是85度,再70和90度之间,就用插值,到70度是15,到90度是5
9是代表没有方向(符号)的梯度
L2范式可能会好一点
4.3.2 SVM
就是两类样本找到一条分界线,一分为二后,满足边界上的两个分类的分界面的距离达到最大
4.3.3 DPM