wishchinYang的专栏

Caffe作为DL的一个学习框架，Caffe is a deep learning framework made with expression, speed, and modularity in mind.It is developed by the Berkeley Vision

                 在测试MIT Scene Parsing Benchmark (SceneParse150)使用FCN网络时候，遇到Caffe错误。          遇到错误：不可识别的网络层crop 网络层    CreatorRegistry& registry = Registry();    CHECK_EQ(registry.count(type), 1) &...

Pico（Pixel Intensity Comparison-based Object detection）发表于2014年，不同于VJ的Haar特征，pico则是提取点对特征，对两个像素点进行对比。实验表明这种特征比Haar特征更为有效，且运算时间更短。但是点对提取意味着PICO的抗噪性能极差，场景可扩展性不强。另外通过NDP特征池是可以重建出原图的，也就是说特征池包含了原图片中的所有信息

一不小心听懂了ASM、AAM、CLM算法，还是记录下来。人脸的Pose检测需要一个 SolvePNP 的过程，对于固定三维点集模型，找出二维点集对应的位姿。此外，在track时使用点集寻找一个最优的位姿起始，应该给出一个好的起始点。

       HOG特征：方向梯度直方图（Histogram of Oriented Gradient,）特征是一种全局图像特征描述子。       它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而...

眼球追踪需要对人脸进行识别，然后再对人眼进行识别，判断人眼张合度，进而判断疲劳...解析：人脸检测的harr检测函数使用方法

使用OpenCV进行人脸识别时，使用 casecade.detectMultiScale 函数，可输出每个检测框的置信度

       CNN广泛应用于目标检测的各个场景，残差网络在目标检测方面取得了领先结果。对于传统应用，使用全局特征+级联分类器的思路仍然被持续使用。常用的级联方法有haar特征+Adaboost决策树分类器级联检测 和HOG特征 + SVM分类器级联检测。       图像的全局特征可以直接用于图像分类和目标检测，基于图像块提取特定维度的特征，常用的全局特征有HOG特征、HaarLike特征、...

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征；

HOG检测计算大致的函数调用堆栈。

Haar+Adaboost检测计算大致的函数调用堆栈。

SLAM问题先慢慢编译一段时间，赶紧拾起来GazeTrack的事情...... ICCV2015的大部分paper已经可以下载，文章列表在这个位置、 http://www.cvpapers.com/iccv2015.html        文章题目关于Gaze的论文有        Rendering of Eyes for Eye-Shape Regis

前言       作为IP模式识别的CNN初始模型是作为单纯判别式-模式识别存在的，并以此为基本模型扩展到各个方向。基本功能为图像判别模型，此后基于Loc+CNN的检测模型-分离式、end2end、以及MaskCNN模型，而后出现基于CNN的预测模型-AcGans。       CNN作为一个基本判别式模型简化为数学模型依然为一个函数映射f(x)->y;  基于CNN的检测模型数学模型为 L...