cv
文章平均质量分 69
图像相关
xiaopihaierletian
这个作者很懒,什么都没留下…
展开
-
TLD跟踪算法(单目标)相关资料
一、目标跟踪TLD(Tracking-Learning-Detection)学习与源码理解之(一)TLD(Tracking-Learning-Detection)学习与源码理解之(二)TLD(Tracking-Learning-Detection)学习与源码理解之(三)TLD(Tracking-Learning-Detection)学习与源码理解之(四)TLD(Tracking原创 2017-07-27 14:59:21 · 356 阅读 · 0 评论 -
读了几篇boosting文献的收获。。。
距离上一篇blog都3个多月了。最近也是有的懒,看到别人的blog层次都很高,总是介绍些OpenCV的粗浅的东西,总是感觉自惭形愧。所以一直野就没写啥。白驹过隙,3个月,我都转博了,opencv都2.4.3了,可是感觉自己还是弱爆了,懂得太少,翻来看看以前学习过的知识,也多半一知半解。这次就又翻了翻boosting的东西学习了一下(研一上课就这东西听懂了。。。。)。自己看完了,也不知道自己的理解都转载 2017-08-15 20:44:51 · 815 阅读 · 0 评论 -
Adaptive Compressive Tracking via Online Vector Boosting Feature Selection(ACT算法解读)
版权声明:本文为博主原创文章,转载请注明出处http://blog.csdn.net/lg1259156776/。转载 2017-07-20 14:10:44 · 395 阅读 · 0 评论 -
Tracking-Learning-Detection (TLD算法总结)
一、TLD算法简介TLD(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生ZdenekKalal在2012年7月提出的一种新的单目标长时间跟踪算法。该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。同时,通过一种改进的在线学习机制不断更新跟踪模块的“显著特征点”和检测模块原创 2017-07-20 14:08:47 · 942 阅读 · 0 评论 -
Online Object Tracking : A Benchmark 翻译
在线目标跟踪:一种评估基准吴毅 Jongwoo Lim 杨明玄摘要目标跟踪是计算机视觉大量应用中的重要组成部分之一。近年来,尽管在分享源码和数据集方面的努力已经取得了许多进展,开发一套库和标准用于评估当前最先进的跟踪算法仍然是极其重要的。在简单回顾近年来在线目标跟踪的研究进展后,我们以多种评价标准进行了大量的实验,用于研究这些算法的性能。为了便于性能评估和分析,测试图片序列转载 2017-08-15 20:40:57 · 1114 阅读 · 0 评论 -
目标跟踪源码总结
这个应该是目前最全的Tracking相关的文章了,转载请注明出处。一、Surveyand benchmark:1. PAMI2014:VisualTracking_ An Experimental Survey,代码:http://alov300pp.joomlafree.it/trackers-resource.html2. CVPR2013:On转载 2017-08-15 20:20:08 · 1796 阅读 · 0 评论 -
Visual Tracking with Online Multiple Instance Learning (MIL)及Robust Object Tracking with **paper笔记
1. 论文信息论文标题 :Visual Tracking with Online Multiple Instance Learning论文作者: Boris Babenko,University of California, San DiegoMing-Hsuan Yang,University of California, MercedSerge Belongie,Univers原创 2017-08-15 20:05:51 · 1017 阅读 · 0 评论 -
Survey of single-target visual tracking methods based on online learning 翻译
基于在线学习的单目标跟踪算法调研摘要视觉跟踪在计算机视觉和机器人学领域是一个流行和有挑战的话题。由于多种场景下出现的目标外貌和复杂环境变量的改变,先进的跟踪框架就有必要采用在线学习的原理。本论文简要的介绍了一下关于视觉跟踪的挑战和应用,通过分类集中讨论基于在线学习的现代跟踪方法。我们提供了对每种分类中的代表性方法的详细描述,同时检查它们的优点和缺点。而且,一些最具代表性的算法被实现,来提供翻译 2017-07-20 13:51:48 · 600 阅读 · 0 评论 -
Going deeper with convolutions-GoogLeNet(阅读)
本篇论文是针对ImageNet2014的比赛,论文中的方法是比赛的第一名,包括task1分类任务和task2检测任务。本文主要关注针对计算机视觉的高效深度神经网络结构,通过改进神经网络的结构达到不增加计算资源需求的前提下提高网络的深度,从而达到提高效果的目的。目的:提升深度神经网络的性能。 一般方法带来的问题:增加网络的深度与宽度。带来两个问题:(1)参原创 2017-07-24 14:02:46 · 1361 阅读 · 0 评论 -
cvpr常用资源整理
文章出处:http://www.cnblogs.com/tornadomeet 欢迎转载或分享,但请务必声明文章出处。跟OpenCV相关的:http://opencv.org/2012年7月4日随着opencv2.4.2版本的发布,opencv更改了其最新的官方网站地址。http://www.opencvchina.com/好像12年才有这个论坛的,比较转载 2017-07-20 14:23:04 · 461 阅读 · 0 评论 -
阈值化分割(一)双峰法-附Python实现
一、双峰法介绍 直方图双峰法(2-Mode method),如下图所示,即如果图像灰度直方图呈明显的双峰状,则选取双峰间的最低谷出作为图像分割的阈值所在。即下图中,以Zt为阈值进行二值化分割,可以将目标和背景分割开。 但当图像的直方图出现波峰间的波谷平坦、各区域直方图的波形重叠等情况时,用双峰法就很找到合适的阈值。 二、python源码下面给出Python源代码。原创 2017-07-29 17:10:43 · 5321 阅读 · 3 评论 -
阈值化分割(二)OTSU法-附Python实现
一、OTSU法(大津阈值分割法)介绍 OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法,是一种自适应的阈值确定的方法,又称大津阈值分割法,是最小二乘法意义下的最优分割。二、单阈值OTSU法 设图像包含L个灰度级,灰度值为i的像素点个数为Ni,像素总点数为: N=N0+N1+⋯+NL−1则灰度值为i的点的概率为: Pi=Ni原创 2017-07-29 17:14:49 · 6613 阅读 · 1 评论 -
模糊决策--机器人壁障
翻出了自己以前的小程序,居然还有人要,就共享一下 1、程序要求平面上有布满障碍物,设定起始点和终点。一个机器人从起点运动到终点,经过最短路径不与障碍物发生碰撞。起点和终点由用户指定,障碍物的个数和形状可以随机生成,存储在文件中读出或者由用户指定生成。机器人为圆型机器人,在头部正中配有7个传感器,以正中为界限跟别为0度,+-5度,+-15度,+-90度,传感器感知范围为3个机器人直转载 2017-07-25 17:50:56 · 738 阅读 · 1 评论 -
虹膜识别(三):Hough变换检测内圆边缘
前面我们已经得到了hough变换的基础条件,那就是有一个很好的用于检测的二值边缘图像如下所示: 至此我们才能运用hough变换。Hough变换是一类广泛用于检测各种规则图形用的,像直线、圆、椭圆等等,不同的就是检测的规律不同。Hough变换的原理网上多得是,像http://blog.163.com/yuyang_tech/blog/static/21605008320130233343原创 2017-07-17 21:35:19 · 1846 阅读 · 1 评论 -
将开源虹膜识别算法OSIRIS4.1移植到Windows
开源虹膜识别算法OSIRIS是在Linux下运行的,为了介绍给众多windows平台下的开发者,这里简述一下如何把它移植到windows。开发平台Windows XP + Visual Studio 2008 + OpenCV2.3.1。1.新建一个对话框工程,将OSIRIS源码中的如下文件拷贝过去并添加到工程:[plain] view plain co转载 2017-07-17 22:30:01 · 1006 阅读 · 0 评论 -
虹膜识别(一)--基于几何特征确定中心点
该篇介绍如何对一个虹膜眼睛中心进行定位识别,这里以我做的一种方法写一下,当然还有很多其他更好的方法,仅做参考下。正常情况下,一副拍好的虹膜图像如下所示(当然有的可能不一样,大概相同): 从图上可以看出,要想定位出图中眼睛的中心还有一些问题,研究方法也有很多种,我采用的是基于人眼特征和基于棱阔的hough变换检测来做的。简单来说,根据图的特征,我们会发现人眼虹膜图的灰度值呈现一定的变化,原创 2017-07-17 21:19:43 · 1445 阅读 · 1 评论 -
虹膜识别之区域生长法
区域生长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。区域生长方法是一种比较普遍的方法,在没有先验知识可以利用时,可以取得最佳的性能,可以用来分割比较复杂的图象,如自原创 2017-07-25 15:33:47 · 625 阅读 · 0 评论 -
虹膜识别(二):区域生长法确定内圆轮廓
该节来进一步讨论怎么样进行虹膜眼睛的位置确认,对一副图像首先我们可以很直观的看出眼睛包括内外两个明显的轮廓,并且都呈现圆形,正是这种特征给了我们检测虹膜的一些方法启示。首先我们说怎么样检测内圆轮廓。Hough变换在图像的形状检测上非常有效,具体就不介绍了,自己去百度下大概吧,贴一个参考下:http://blog.163.com/yuyang_tech/blog/static/2原创 2017-07-17 21:30:29 · 1166 阅读 · 0 评论 -
虹膜识别(五):虹膜分割与图像归一化
(一)进一步分割上面已经得到了关于分割区域的虹膜部分如下图所示: 内外圆之间的部分认为是要进行识别的部分。该图的大小为600*800,内外圆的参数前面计算过,这里再给一遍:mean_circle_in =[324 ; 332 ; 69];mean_circle_out =[336 ; 340 ; 233];参数形式为% mean_转载 2017-07-17 22:12:19 · 2280 阅读 · 1 评论 -
虹膜识别技术
虹膜识别技术是基于眼睛中的虹膜进行身份识别,应用于安防设备(如门禁等),以及有高度保密需求的场所。人的眼睛结构由巩膜、虹膜、瞳孔晶状体、视网膜等部分组成。虹膜是位于黑色瞳孔和白色巩膜之间的圆环状部分,其包含有很多相互交错的斑点、细丝、冠状、条纹、隐窝等的细节特征。而且虹膜在胎儿发育阶段形成后,在整个生命历程中将是保持不变的。这些特征决定了虹膜特征的唯一性,同时也决定了身份识别的唯一性。因此转载 2017-07-17 16:00:12 · 2215 阅读 · 0 评论 -
虹膜识别源代码下载,分别基于MATLAB、C++、OpenCV
1.Libor Masek的MATLAB虹膜识别论文和源代码下载,2003年http://www.peterkovesi.com/studentprojects/libor/index.html这个代码很旧了,网上流传也最广,用来入门不错,可以参考作者的论文清晰的看到整个虹膜识别算法的脉络。而且是用MATLAB写成,在语法上相比C++简洁很多,更加便于理解。当然,前提是,你要很熟悉MA原创 2017-07-17 22:30:56 · 2782 阅读 · 0 评论 -
Opencv3.1的机器学习的再探:瞳孔/虹膜分类
代码和数据链接 http://pan.baidu.com/s/1eRRiYye (下载后尽量不要改文件夹关系,或者自己改一下路径,C++程序的路径还是必须改的)一:任务与特征选取任务:将瞳孔的像素点和其他像素区分出来数据来源:自动化所虹膜库 1,自己写了一个demo,将虹膜库的图像中的人眼区域保存出来,作为数据集,图片在iris文件夹里。2,瞳孔像素的标注: 用原创 2017-07-17 23:19:45 · 2471 阅读 · 0 评论 -
虹膜识别(四):hough变换检测外圆
前面利用hough变换检测圆的办法检测出虹膜内圆,现在用同样的方法来检测外圆,不过在检测时需要对图像进行预处理。在进行Hough变换检测,我们说输入的图像需要是进行处理过的二值轮廓图像,并且轮廓点越少越好,而且这些点尽可能的落在你要检测的那个圆上才行,这样的检测图像才有利于提高hough变换的检测效率以及准确度,也就是预处理的二值图像直接关系到检测出来的结果。以以前检测的那副图像为例,如下转载 2017-07-17 22:07:00 · 1368 阅读 · 1 评论 -
开源虹膜识别软件OSIRIS4.1的使用入门
1.安装opencv下载OpenCV的自动安装脚本,便于操作:[plain] view plain copy git clone https://github.com/bearpaw/Install-OpenCV.git 安装2.4.9版,稳定可靠:[plain] view plain copy cd Ins转载 2017-07-17 22:28:31 · 1713 阅读 · 0 评论 -
【机器学习】【计算机视觉】数据挖掘测试数据集大全
数据挖掘测试数据集大全 关于源代码,网上有很多公开源码的算法包,例如最为著名的Weka,MLC++等。Weka还在不断的更新其算法,下载地址:http://www.cs.waikato.ac.nz/ml/weka/ftp://pami.sjtu.edu.cnhttp://www.ics.uci.edu/~mlearn/MLRepository.htmstatlib转载 2017-07-20 09:26:23 · 652 阅读 · 0 评论 -
行人检测实现和相关资料
最近一直在看行人检测的论文,对目前的行人检测做大概的介绍。行人检测具有极其广泛的应用:智能辅助驾驶,智能监控,行人分析以及智能机器人等领域。从2005年以来行人检测进入了一个快速的发展阶段,但是也存在很多问题还有待解决,个人觉得主要还是在性能和速度方面还不能达到一个权衡。1.行人检测的现状(大概可以分为两类)(1).基于背景建模:利用背景建模方法,提取出前景运动的目标,在目原创 2017-07-29 21:36:51 · 965 阅读 · 0 评论 -
行人检测(Pedestrian Detection)资源与更新
行人检测相关的网站链接: [1]、Caltech Pedestrian Detection Benchmark: http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/ [2]、People-Tracking-by-Detection and People-D原创 2017-07-20 14:25:47 · 1038 阅读 · 0 评论 -
草图检索和识别[开源]
山间岁月容易过,世上繁华已千年。转眼之间,我已经在大学呆了七年了。七年来忧世伤生。回想三年前自定的训练目标:把论文变成程序的能力。从《SIFT算法详解》到OpenSSE 都是基于这么一个想法。今天终于有空把它整理了一下,放在了Github上,希望以后能有时间,好好的写一份像SIFT一样详细的文档。不过,我更多的精力将会放到下一个目标的训练上:把程序变成产品的能力。希望一切顺利!草图检索转载 2017-07-25 17:47:37 · 563 阅读 · 0 评论 -
图像检索系列一:Deep Learning of Binary Hash Codes for Fast Image Retrieval
Deep Learning of Binary Hash Codes for Fast Image Retrieval 这篇文章发表在2015CVPR workshop文章链接:http://www.cv-foundation.org/openaccess/content_cvpr_workshops_2015/W03/papers/Lin_Deep_Learning_of_2015_CVPR转载 2017-07-29 21:04:03 · 937 阅读 · 0 评论 -
行人再识别(行人重识别)【包含与行人检测的对比】
最近,在网上搜索关于“行人重识别”及“行人再识别”等关键词,发现几乎都是关于行人检测的内容。对于“行人重(再)识别”技术能找到的资料很少,这可能是因为“行人重(再)识别”技术最近才刚刚兴起吧。总之,除了能在谷歌学术中搜到一些Person re-identification的学术论文外,其他的资料明显没有行人检测的多。由于本人主要是学习“行人重(再)识别”技术的,每次和别人提起自己的研究方向时都要费转载 2017-07-29 21:08:48 · 3068 阅读 · 1 评论 -
如何加强神经网络训练
笔者最近在做行人重识别问题,故下面以提升reID的准确率为例:1. 扩大数据集调研CUHK01/CUHK03,要小心各个数据集中的bias(比如只有两个摄像头下的照片)同时,为了做比较,所以先只在market1501上测试。2.做数据增强(旋转,翻转,平移)采用了先resize到256,再crop一个227*227的策略。以50%的概率做镜像。3.triplet转载 2017-07-29 21:10:06 · 404 阅读 · 0 评论 -
【OpenCV入门教程之八】线性邻域滤波专场:方框滤波、均值滤波与高斯滤波
本篇文章中,我们一起仔细探讨了OpenCV图像处理技术中比较热门的图像滤波操作。图像滤波系列文章浅墨准备花两次更新的时间来讲,此为上篇,为大家剖析了“方框滤波“,”均值滤波“和”高斯滤波“三种常见线性邻域滤波操作。而作为非线性滤波的“中值滤波”和“双边滤波”,留待我们下次剖析。先上一张精彩截图:浅墨其实很希望把这篇文章写得精简和简明扼要,发现转载 2017-06-23 15:27:19 · 343 阅读 · 0 评论 -
【OpenCV入门教程之五】 分离颜色通道&多通道图像混合
上篇文章中我们讲到了使用addWeighted函数进行图像混合操作,以及将ROI和addWeighted函数结合起来使用,对指定区域进行图像混合操作。而为了更好的观察一些图像材料的特征,有时需要对RGB三个颜色通道的分量进行分别显示和调整。通过OpenCV的split和merge方法可以很方便的达到目的。这就是我们这篇文章的主要内容。依然是先看一张截图吧:转载 2017-06-23 14:06:24 · 286 阅读 · 0 评论 -
【OpenCV入门教程之十二】OpenCV边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑
本篇文章中,我们将一起学习OpenCV中边缘检测的各种算子和滤波器——Canny算子,Sobel算子,Laplace算子以及Scharr滤波器。文章中包含了五个浅墨为大家准备的详细注释的博文配套源代码。在介绍四块知识点的时候分别一个,以及最后的综合示例中的一个。文章末尾提供配套源代码的下载。依然是是放出一些程序运行截图吧: 效果图看完,我们来唠唠嗑。首先,需要说明的是,浅墨这篇文章最后的示例代码是转载 2017-06-23 16:56:20 · 393 阅读 · 0 评论 -
在python3.5中使用OpenCV
最近在OpenCV的官方文档上看到一个人脸识别的示例代码,想要实现。由于我之前下好的OpenCV3.1中并不自带相关的函数,即opencv2/contrib/contrib.hpp这个文件找不到。需要下载一个contrib的扩展包,然后再用cmake进行编译,最终才能使用。我按照某个博客上的内容(opencv+contrib)试了一个下午,最后也没有完成,反正遇到了各种问题,最后放弃了。于原创 2017-07-15 20:23:06 · 739 阅读 · 0 评论 -
Linux下安装OpenCV 3.0
opencv的安装简直让人头疼,注意是一些依赖包的原因,刚开始使用的是Centos找软件真是欲生欲死,有点包含没有,因此转头Ubuntu的怀抱,用过都懂的。这里说下自己用的是16.04的LTS版本。 下面说一安装过程:1. 安装依赖项// 这里如果有版本或拼写问题,可以用tab去补全,查看要安装哪一个// 建议不要一次安装这么多,这样可以看到哪里出错了sudo apt-原创 2017-06-25 20:56:11 · 1214 阅读 · 0 评论 -
OpenCV3.1.0+VS2013开发环境配置
这里有一篇博客可供参考:OpenCV3.0 3.1版本的改进(在这里感谢 博主的分享)。首先要做的就是 开发环境配置,具体过程如下:Step 1:OpenCV环境变量配置我的电脑--->属性--->高级系统设置--->高级--->环境变量--->系统变量--->Path--->编辑,将OpenCV安装目录的bin目录添加进去,记得加上 ;(分号),本人电脑上的路径为:D原创 2017-06-21 09:59:20 · 313 阅读 · 0 评论 -
【OpenCV入门教程之十】 形态学图像处理(一):膨胀与腐蚀
本篇文章中,我们一起探究了图像处理中,最基本的形态学运算——膨胀与腐蚀。浅墨在文章开头友情提醒,用人物照片做腐蚀和膨胀的素材图片得到的效果会比较惊悚,毁三观的,不建议尝试。。。。。。。。。。OK,开始吧,依然是先放一张截图:一、理论与概念讲解——从现象到本质1.1 形态学概述 形态学(m转载 2017-06-23 16:21:47 · 353 阅读 · 0 评论 -
Opencv学习笔记--图像处理的基本操作
1基本数据类型图像有若干个通道,灰度图像只有一个通道,而彩色具有红,绿,蓝组成,但是OpenCv以逆序的方式来存储三个分量,还可以使用第四个透明度(alpha),可以使用img.channels()获取图像通道个数。使用若干个位存储一副图像的每个像素,这被称为图像的深度,灰度图像为8位,即0-255个灰度级,可以用img.depth()获得图像的深度,其返回值为:CV_原创 2017-06-25 20:21:41 · 579 阅读 · 0 评论 -
【OpenCV入门教程之十七】OpenCV重映射 & SURF特征点检测合辑
本系列文章由@浅墨_毛星云 出品,转载请注明出处。 文章链接: http://blog.csdn.net/poem_qianmo/article/details/30974513作者:毛星云(浅墨) 微博:http://weibo.com/u/1723155442知乎:http://www.zhihu.com/转载 2017-06-25 15:17:56 · 425 阅读 · 0 评论