机器学习
文章平均质量分 69
学挖坑的小罐
这个作者很懒,什么都没留下…
展开
-
Haar-like、HoG 、LBP 三种描述方法在目标识别中的优劣
Haar-like的优势在于能更好的描述明暗变化,因此用于检测正面的人脸 HoG的优势在于能更好的描述形状,在行人识别方面有很好的效果 LBP比haar快很多倍,但是提取的准确率会低(10-20% 取决于训练对象)如果是嵌入式或者移动端的开发,推荐使用LBP。 这也解释了为什么haar应用于人的正面检测要明显好于应用于侧脸检测:正脸由于鼻子等凸起的存在,使得脸上的光影变化十分明显。而侧脸原创 2017-02-17 10:54:42 · 7171 阅读 · 0 评论 -
自动切割图像——负样本自动生成代码 C++
用机器学习做目标识别的时候,需要大量的负样本图片,通过该程序可以快速获得这些样本。 该代码需要在opencv环境下运行, 可自动将一整张图片切割成指定大小和数量的子图像。原创 2017-02-22 16:53:17 · 2088 阅读 · 0 评论 -
使用opencv_haartraining.exe做样本训练死循环无法生成.xml文件的解决办法--convert_cascade.exe
使用opencv_haartraining.exe做样本训练时,会出现陷入死循环无法生成.xml文件这种情况。 如下图所示 训练到第八层之后再也没有反应了。 这是由于FA值已经达到0, 没有负样本能够进入下一层进行训练了。 解决方案之一是增加负样本的数量。 或者用convert_cascade.exe 生成xml文件。因为此时各层的训练信息已经有了,FA值达到0 也说明训练结果可用。原创 2016-09-16 21:20:03 · 4870 阅读 · 14 评论