计算机视觉------------图像分割，人脸检测，行人检测传统做法

最新推荐文章于 2021-09-11 14:37:38 发布
最新推荐文章于 2021-09-11 14:37:38 发布
阅读量496 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/supersusususu/article/details/107682045
版权

图像分割

基于灰度值的两个特征：不连续性和相似性对图像进行分割

基于阈值的分割方法：小于某个阈值被认为背景，大于则认为前景

基于边缘的分割方法：找到属于两种区域边界线上的像素点的集合

基于区域的分割方法：

区域生长法：先定义一个区域，然后慢慢加入这个区域，如果均值和定义的区域的差超过最大像素灰度值距离时，则无法再加入这个区域

分水岭算法：彩色图像灰度化，再求梯度图，最后在梯度图的基础上进行分水岭算法，球的图像的边缘线

Graph Cut分割：基于图论的分割方法

GrabCut 分割：前景和背景都是高斯混合模型，用边界项来体现领域像素之间不连续的惩罚，通过K-means算法迭代获得

人脸检测

Haar-like特征模板：缺点需要特别多的特征：不同的模板（15种），不同的位置，不同缩放

Haar级联分类器：将多个强分类器连接在一起进行操作，强分类器由多个弱分类器组成

行人检测

HOG(方向梯度直方图):彩色图中，选梯度幅值最大的通道

Block拆分：16x16的block，步长是8，50%的重合，包含2x2个cell，每个cell是8x8

HOG的步骤：

将整个图像进行Gamma空间，颜色归一化

计算图像梯度

构建方向直方图

将细胞单元组合成大的区间

收集HOG特征

 

 

coconut milk?
关注
传统图像分割、人脸识别、行人检测
weixin_44918838的博客
04-22 1817
一、传统图像分割 概念：根据灰度、颜色、纹理、形状等划分为若干互补交叠的区域，基于不连续与相似性 方法1： 基于阈值：基于图像灰度特征计算一个或多分阈值，并将所有像素和阈值比较，划分到不同的区域中(大津法） 方法2： 基于边缘：指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续的反映，是各个特征的突变 方法3： 基于区域（相似性）： 区域生长法：设定初始区，当待加入像素点和区域所有像素的平均值差的绝对值小于最大灰度值距离就加入，否则停止 区域分裂合并法：通过分裂，可以将不同特征的区域分离
人脸识别、行人ReID图像分割
05-27
Human parsing has been extensively studied recently (Yamaguchi et al. 2012; Xia et al. 2017) due to its wide applications in many important scenarios. Mainstream fashion parsing models (i.e., parsers) focus on parsing the high-resolution and clean images. However, directly applying the parsers trained on benchmarks of high-quality samples to a particular application scenario in the wild, e.g., a canteen, airport or workplace, often gives non-satisfactory performance due to domain shift. In this paper, we explore a new and challenging cross-domain human parsing problem: taking the benchmark dataset with extensive pixel-wise labeling as the source domain, how to obtain a satisfactory parser on a new target domain without requiring any additional manual labeling? To this end, we propose a novel and efficient crossdomain human parsing model to bridge the cross-domain differences in terms of visual appearance and environment conditions and fully exploit commonalities across domains. Our proposed model explicitly learns a feature compensation network, which is specialized for mitigating the cross-domain differences. A discriminative feature adversarial network is introduced to supervise the feature compensation to effectively reduces the discrepancy between feature distributions of two domains. Besides, our proposed model also introduces a structured label adversarial network to guide the parsing results of the target domain to follow the high-order relationships of the structured labels shared across domains. The proposed framework is end-to-end trainable, practical and scalable in real applications. Extensive experiments are conducted where LIP dataset is the source domain and 4 different datasets including surveillance videos, movies and runway shows without any annotations, are evaluated as target domains. The results consistently confirm data efficiency and performance advantages of the proposed method for the challenging cross-domain human parsing problem. Abstract—This paper presents a robust Joint Discriminative appearance model based Tracking method using online random forests and mid-level feature (superpixels). To achieve superpixel- wise discriminative ability, we propose a joint appearance model that consists of two random forest based models, i.e., the Background-Target discriminative Model (BTM) and Distractor- Target discriminative Model (DTM). More specifically, the BTM effectively learns discriminative information between the target object and background. In contrast, the DTM is used to suppress distracting superpixels which significantly improves the tracker’s robustness and alleviates the drifting problem. A novel online random forest regression algorithm is proposed to build the two models. The BTM and DTM are linearly combined into a joint model to compute a confidence map. Tracking results are estimated using the confidence map, where the position and scale of the target are estimated orderly. Furthermore, we design a model updating strategy to adapt the appearance changes over time by discarding degraded trees of the BTM and DTM and initializing new trees as replacements. We test the proposed tracking method on two large tracking benchmarks, the CVPR2013 tracking benchmark and VOT2014 tracking challenge. Experimental results show that the tracker runs at real-time speed and achieves favorable tracking performance compared with the state-of-the-art methods. The results also sug- gest that the DTM improves tracking performance significantly and plays an important role in robust tracking.
HOG+SVM实现行人检测（一） 图像切割
韩江雪de 小屋
04-11 1384
1，切割正、负样本图像，并把图片名存为txt #include <iostream> #include <iostream> #include <fstream> #include <stdlib.h> //srand()和rand()函数 #include <time.h> //time()函数 #include <openc...
人脸检测并切割出来保存
04-02
通过matlab自带vision工具箱检测图片中人脸，矩形框框出，并切割出人脸单独保存图片。
【CV实战】年轻人的第一个深度学习图像分割项目应该是什么样的（Pytorch框架）？...
hacker_long的专栏
08-29 697
我们上次给新手们介绍了第一个合适入门的深度学习CV项目，可阅读【CV实战】年轻人的第一个深度学习CV项目应该是什么样的？（支持13大深度学习开源框架），本次我们再给大家介绍一个新的任务，图...
计算机视觉:传统图像处理方法
iotflh的博客
12-29 5223
1、图像分割 经典的数字图像分割算法一般是基于灰度值的两个基本特征之一：不连续性和相似性。 （1）基于阈值： 基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。 算法的关键：确定阈值。 （2）基于边缘： 所谓边缘是指图片中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性突变。 先确定图像中的边缘像素，把这些像素连接在一起就构成了所需的区域边界。 （3）基于区域 将图像按照相似性
商业编程-源码-图象的边沿检测与提取，轮廓跟踪算法代码.zip
06-23
在商业编程中，这些技术常用于质量检测（如制造业的产品缺陷检测）、自动驾驶（识别道路标志、行人）、医学图像分析（肿瘤检测）、人脸识别等领域。通过源码分析和实践，开发者可以更好地理解和定制适合特定业务...
opencv-python-4.5.5.62.tar.gz
08-09
此外，OpenCV还包括了物体检测模块，如Haar级联分类器和HOG（Histogram of Oriented Gradients）用于行人、人脸和其他特定物体的检测。 在深度学习部分，OpenCV集成了DNN（Deep Neural Networks）模块，可以加载和...
opencv-python-4.5.5.62-cp36-abi3-win-amd64.whl
08-09
5. 目标检测：Haar级联分类器、HOG描述符等可以用于人脸检测、行人检测等任务。 6. 图像分割：例如GrabCut算法，用于将图像分割成不同的区域。 7. 图像拼接：可以用于创建全景图像。 8. 实时视频处理：OpenCV支持...
OpenCV-Python-Toturial-中文版.rar_opencv_opencv python_opencv-pytho
09-23
6. **图像分割**：介绍阈值分割、区域生长、Canny边缘检测、GrabCut等方法，用于将图像分割成有意义的部分。 7. **深度学习与OpenCV**：如何结合OpenCV与深度学习框架（如TensorFlow、Keras）进行图像分类和目标...
python计算机视觉python-computer-vision.rar
最新发布
05-21
1. OpenCV 库：OpenCV（开源计算机视觉库）是Python计算机视觉中的核心库，提供了大量的函数和方法用于图像处理、特征检测、物体识别、视频分析等。例如，你可以使用OpenCV来实现图像的读取、显示、保存，进行色彩...
分割 反比 权重图 梯度 灰度_图像处理之特征提取
weixin_39728213的博客
12-22 762
知乎上看到一个话题——目前火热的 Deep Learning 会灭绝传统的 SIFT / SURF 特征提取方法吗？由于之前研究过SIFT和HOG这两种传统的特征提取方法，故本篇文章先对SIFT和HOG作一综述，并比较二者优缺点。之后，将SIFT和HOG同神经网络特征提取做一对比，浅谈对上述问题的看法。如果能写得快一些，再简单介绍其他几种传统的特征提取的方法——SURF、ORB、LBP、HAAR等...
[人体图像相关技术] -（三）行人检测传统方案介绍
iamfishman
09-11 2067
我公司的科室开始在公众号上规划一些对外的技术文章了，包括实战项目、模型优化、端侧部署和一些深度学习任务基础知识，而我负责人体图象相关技术这一系列文章。 文章在同步发布至公众号和博客，顺带做一波宣传。有兴趣的还可以扫码加入我们的群。 （文章有写的不好的地方请见谅，另外有啥错误的地方也请大家帮忙指出。） 微信公众号：AI炼丹术 技术交流群可以从公众号上获取，可以备注是咸鱼的博客上来的。???? 行人检测传统方案介绍 一、基于运动检测的算法 背景差分法 背景差分法的基本原理就是先对视频做背景建模，利用获取到的
简易人脸分割
Junzzy的博客
04-03 9797
很多时候，我们需要对脸部位置进行提取以达到某种定位的需求。 这时候就需要对脸部进行分割处理。 脸部的分割算法有好多种，识别的算法更是一片浩洋。 本文只探讨初步的人脸分割，最简单也最常用的方法就是基于肤色的人脸分割，现记录于此。 算法思想： 1.从摄像头获取图像。 2.将图像转化到YCbCr空间。 3.对Cr分量进行OTSU阈值分割。 4.求取分割结果的轮廓，求取面积最大的轮廓。 ...
[人体图像相关技术] -（二）行人检测数据集 - 介绍（含人像分割数据集）
热门推荐
iamfishman
09-11 1万+
我公司的科室开始在公众号上规划一些对外的技术文章了，包括实战项目、模型优化、端侧部署和一些深度学习任务基础知识，而我负责人体图象相关技术这一系列文章。 文章在同步发布至公众号和博客，顺带做一波宣传。有兴趣的还可以扫码加入我们的群。 （文章有写的不好的地方请见谅，另外有啥错误的地方也请大家帮忙指出。） 微信公众号：AI炼丹术 技术交流群可以从公众号上获取，可以备注是咸鱼的博客上来的。???? 行人检测数据集 - 介绍 一、目标检测 - 行人数据集 1. INRIA Person Dataset 静态行人数据
深度学习与人脸识别之-脸部分割与校正
视觉与物联智能
09-14 4374
1.检测脸部 def read_im_and_landmarks(fname): if not osp.exists(fname): raise Exception('Cannot find image file: {}'.format(fname)) im = cv2.imread(fname, cv2.IMREAD_COLOR) im = cv2....
行人再识别 —前景背景分割(FCN+MMAN的方法)
weixin_43462984的博客
07-13 3007
研究生毕设是关于行人再识别的项目 目前在行人再识别方面做的工作之一就是行人的分割。使用的方法是FCN＋MMAN的方法。MMAN是一种行人分析的方法，至于为什么使用MMAN，是因为和后面的一些工作有关。 其中，MMAN在高分辨率的行人分割的效果比较好，而低分辨率的行人分割的非常差，所以就用了FCN的分割方法，然后分割的效果很好。下面是效果图： ![在这里插入图片描述](https:...
Python-OpenCV-YOLO目标检测技术详解
此外，目标检测技术的发展也推动了图像分割技术的进步。 2. 滑动窗口 滑动窗口是一种传统的候选区域产生方法。它通过不同大小的窗口对输入图像进行从左到右、从上到下的滑动，并对每个窗口使用预先训练好的分类器...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值