- 博客(6)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 目标识别与跟踪基础知识（四）---特征提取篇
一.直方图 && haar-like特征提取一.直方图1.直方图：单个像素灰度分布的一阶统计量。纹理是灰度在空间以一定的形式变换产生的图案，直方图是描述图像中像素灰度级分布的工具，可以用直方图或其统计特征作为图像的纹理特征。2.灰度直方图 灰度具有一定的稳定性，对大小、方向都不敏感， 能表现出相当强的鲁棒性。在医学图像中，大多是灰度图像，基于灰色直方图的特征提取是医学图像颜色特征提取中的一个典
2017-12-05 16:43:34
11278
原创 目标识别与跟踪基础知识（三）-距离度量篇
距离度量方法一.欧氏距离最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中。 二维平面上两点a(x1,y1)，b(x2,y2)之间的欧式距离公式： 二.曼哈顿距离我们可以定义曼哈顿距离的正式意义为L1-距离或城市区块距离，也就是在欧几里得空间的固定直角坐标系上两点所形成的线段对轴产生的投影的距离总和 二维平面上两点a(x1,x2)，b(y1,y2)之间的曼哈顿
2017-12-05 00:18:13
2734
原创 目标识别与跟踪识别篇---SURF算法
SURF算法一.概述实现流程： 1. 构建Hessian（黑塞矩阵），生成所有的兴趣点，用于特征的提取； 2. 构建尺度空间 3. 特征点定位 4. 特征点主方向分配 5. 生成特征点描述子 6. 特征点匹配二.具体说明1.构建Hessian（黑塞矩阵），生成所有的兴趣点，用于特征的提取，每一个像素点都可以求出一个Hessian矩阵。 Hessian矩阵的判别式为： 当Hes
2017-12-05 00:00:13
6121
原创 目标识别与跟踪识别篇---SIFT算法
SIFT算法一.概述SIFT算法实现物体识别主要有三大工序: 1.提取关键点 2.对关键点附加详细的信息（特征向量） 3.通过两方特征点（附带上特征向量的关键点）的两两比较找出相互匹配的若干对特征点特征向量的生成算法总共包括四步： 1.检测尺度空间极值点，初步确定关键点位置和所在尺度。 2.精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点，以增强匹配稳定性、提高
2017-12-04 23:44:14
12299
原创 目标识别与跟踪基础知识（二）
1.逻辑回归先讲一下线性回归1.1线性回归 通过学习一条直线来拟合样本点，在二维平面上，就是y=ax+b，学习参数a和b，在n维空间中，形式可以表示为y = a1x1 + a2x2 + …… + b，学习a1…an-1和b。 但是现实中，xi是模型输入，模型的输入多种多样，连续值、离散值、枚举值；而且输入的范围差别很大。如：室外温度的范围[-50, 50]，某概率的范围[0, 1
2017-12-03 09:26:54
607
原创 目标识别与跟踪基础知识（一）
梯度下降法(Gradient descent)1.梯度下降理解 可以用山的高度来解释，假设有一个人站在山上的某一点，他通过观察发现了一条“最陡”的路，那么这条路的方向就是梯度所指的方向。梯度是一个矢量，方向导数是一个标量，梯度所指向的方向是方向导数最大的方向，且梯度的模和方向导数的最大值相等。求梯度的方法很简单，对每一个自变量求偏导数，然后将其偏导数作为自变量方向的坐标即可。梯度的符号为∇，则函数
2017-11-20 15:00:59
2075
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人