![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
基于视觉的目标识别+跟踪
文章平均质量分 78
sinat_31135199
一个坐着敲代码的人
展开
-
计算机视觉目标检测的框架与过程
转自:http://blog.csdn.net/zouxy09/article/details/7928771目标的检测大体框架:目标检测分为以下几个步骤:1、训练分类器所需训练样本的创建: 训练样本包括正样本和负样本;其中正例样本是指待检目标样本(例如人脸或汽车等),负样本指其它不包含目标的任意图片(如背景等),所有的样本图片都被归一化为同样的尺寸大小转载 2016-11-18 10:19:53 · 801 阅读 · 0 评论 -
TLD目标跟踪算法学习(一)
转自:http://security.asmag.com.cn/tech/201203/50168.html TLD跟踪系统最大的特点就在于能对锁定的目标进行不断的学习,以获取目标最新的外观特征,从而及时完善跟踪,以达到最佳的状态。也就是说,开始时只提供一帧静止的目标图像,但随着目标的不断运动,系统能持续不断地进行探测,获知目标在角度、距离、景深等方面的改变,并实时识别,经过一段时间转载 2017-04-25 11:38:27 · 3845 阅读 · 0 评论 -
TLD目标跟踪算法学习(三)代码理解
从main()函数切入,分析整个TLD运行过程如下:8个阶段(这里只是分析工作过程,全部注释的代码见博客的更新)1、分析程序运行的命令行参数;./run_tld -p ../parameters.yml -s ../datasets/06_car/car.mpg -b ../datasets/06_car/init.txt –r2、读入初始化参数(程序中变量)的文件parame转载 2017-04-28 16:16:25 · 2742 阅读 · 0 评论 -
计算机视觉目标检测的框架与过程
转自:http://blog.csdn.net/zouxy09/article/details/7928771目标的检测大体框架:目标检测分为以下几个步骤:1、训练分类器所需训练样本的创建: 训练样本包括正样本和负样本;其中正例样本是指待检目标样本(例如人脸或汽车等),负样本指其它不包含目标的任意图片(如背景等),所有的样本图片都被归一化为同样的尺寸大小(例如,20x转载 2017-03-23 17:21:19 · 919 阅读 · 0 评论 -
对 粒子滤波算法原理 的介绍,通俗易懂
转自:http://www.cnblogs.com/yangyangcv/archive/2010/05/23/1742263.html一直都觉得粒子滤波是个挺牛的东西,每次试图看文献都被复杂的数学符号搞得看不下去。一个偶然的机会发现了Rob Hess(http://web.engr.oregonstate.edu/~hess/)实现的这个粒子滤波。从代码入手,一下子就明白了粒子滤波的原理。根转载 2017-02-16 17:49:03 · 9851 阅读 · 1 评论 -
HOG特征(Histogram of Gradient)
转自http://blog.csdn.net/u011285477/article/details/50974230概述CVPR2005这篇文章中,HOG是用来做行人检测的。作者研究了行人检测的特征集问题,局部归一化的HOG描述子相比于现存的特征集(包括小波)有更好的表现。相比于边缘方向直方图(Edge Orientation Histograms)、SIFT描述子、形状上下文(Sha原创 2016-12-05 22:04:30 · 1892 阅读 · 0 评论 -
HOG特征显示C++ OpenCV代码
参考:http://download.csdn.net/detail/u011285477/9472067#include #include #include #include #include "opencvtest.h"using namespace std;using namespace cv;// HOGDescriptor visual_imagea原创 2016-12-05 22:15:22 · 8603 阅读 · 4 评论 -
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特征分为四类: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。例如:脸部的一些特征能由矩形特征简单的描述,如:眼转载 2016-11-20 22:11:02 · 1216 阅读 · 0 评论 -
压缩跟踪Compressive Tracking
转自:http://blog.csdn.net/zouxy09/article/details/8118360好了,学习了解了稀疏感知的理论知识后,终于可以来学习《Real-Time Compressive Tracking》这个paper介绍的感知跟踪算法了。自己英文水平有限,理解难免出错,还望各位不吝指正。 下面是这个算法的工程网站:里面包含了上面这篇论文、Matlab和C+转载 2016-11-20 19:54:05 · 1168 阅读 · 0 评论 -
压缩感知(Compressive Sensing)学习之(二)
转自:http://blog.csdn.net/zouxy09/article/details/8118329下面就针对自己的了解,具体总结下压缩感知理论。由于自己也是这几天看到那个《Real-Time Compressive Tracking》 http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm 其涉转载 2016-11-20 17:53:08 · 1600 阅读 · 0 评论 -
压缩感知(Compressive Sensing)学习之(一)
转自:http://blog.csdn.net/zouxy09/article/details/8118313压缩感知(压缩传感,Compressive Sensing)理论是近年来信号处理领域诞生的一种新的信号处理理论,由D. Donoho(美国科学院院士)、E. Candes(Ridgelet, Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者)等人提出,自诞转载 2016-11-20 17:31:12 · 612 阅读 · 0 评论 -
TLD目标跟踪算法学习(二)
转自:http://johnhany.net/2014/05/tld-the-theory/ 正如名字所示,TLD算法主要由三个模块构成:追踪器(tracker),检测器(detector)和机器学习(learning)。 对于视频追踪来说,常用的方法有两种,一是使用追踪器根据物体在上一帧的位置预测它在下一帧的位置,但这样会积累误差,而且一旦物体在图像中消失,追踪器就会永久失效,即使物转载 2017-04-25 15:05:00 · 21261 阅读 · 1 评论