- 博客(80)
- 资源 (6)
- 收藏
- 关注
转载 背景提取算法——帧间差分法、背景差分法、ViBe算法、ViBe+算法
背景提取算法——帧间差分法、背景差分法、ViBe算法、ViBe+算法背景提取是在视频图像序列中提取出背景,背景就是场景中静止不动的景物。因为摄像机不动,因此图像中的每个像素点都有一个对应的背景值,在一段时间内,这个背景值是比较固定的。背景提取的目标就是根据视频图像序列,找出图像中每一点的背景值。 背景提取有很多算法。针对静止摄像机的帧间差分法、高斯背景差分法、ViBe背景提取算法以及它的改进算法V...
2018-03-29 16:46:46
11181
2
转载 linux-----epoll
在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linux/posix_types.h头文件有这样的声明:#define __
2017-11-07 09:27:05
386
原创 GCC基础
__attribute__((packed))解释偶然机会发现在定义一个结构体时,在末尾加了一个__attribute__((packed)),网上查了一下它的用法,觉得可以记录下来。首先,__attribute__这个关键字(前后各两个下划线),是GCC的特有语法,与操作系统无关,跟编译器有关,也就是代码在编译过程中,编译器根据这些关键字做相关的(优化)操作。具体语法是:
2017-11-06 14:04:33
438
原创 c语言-函数指针
以前也学习过函数指针,不过在工作中用过才能体会更深。先说一下应用背景,个人觉得这个十分重要,因为只有在特定的场景下使用某个技能,且能很好的解决问题,才能体会这个技能的精华之处。首先,我们使用C语言做开发,需要开发对球机的控制功能(比如,上下左右转动),且相机的品牌有多种(比如海康,大华)。因此,对于每种相机,每个控制指令都不一样,都需要开发一份控制,比如(camera_hiki_turn_
2017-10-12 14:49:31
441
原创 linux常用指令记录
***********************************************************************************在研究bananaPi板子过程用到相关指令,这里做一个记录:1.安装软件: yum指令 yum search ftp(gcc,g++.....):查询有哪些版本 yum install
2017-03-01 13:22:29
574
原创 在linux系统中挂载img镜像文件
在网上下载了一个sentos的镜像文件: 2016-05-12-centos-lite-preview-bpi-m2p.img。我想在linux下把这个镜像挂载上,然后看看里面有那些文件。我们可以把img的文件理解成一个磁盘,一个以二进制形式存在的磁盘。磁盘中肯定是有分区。因此我们可以直接使用mount指令,把磁盘里的分区挂载起来。第一步: 我们需要知道img磁盘文件,对应分区的开
2017-02-28 16:40:41
44152
1
转载 嵌入式linux之Uboot和系统移植--基础
《uboot和系统移植-第1部分-uboot学习前传》(观看朱友鹏老师视频后整理的笔记) 1.为什么要有uboot2.为什么是uboot3.uboot必须解决哪些问题4.uboot的工作方式5.uboot的常用命令16.uboot的常用命令27.开发板和主机的ping通8.uboot的常用命令39.uboot的常用命令410.uboot的常用环境变量
2017-02-26 16:10:20
537
转载 Banana PI (香蕉派) 安装 ubuntu-core-14 最小核心的操作步骤
Banana PI (中文名:香蕉派,以下简称 BPI)是比 Raspberry PI (中文名:树莓派)性能更强、功能更多、内置 AllWinner A20 双核 CPU、1GB DDR3内存、SATA 硬盘接口、千兆网口、HDMI接口、可运行Linux/OpenWRT/Android 等系统、而且价格比较便宜的单板微型电脑;详见:www.bananapi.com在 BPI 官网
2017-02-26 15:48:55
11065
1
转载 FTP主动模式和被动模式的比较
FTP主动模式和被动模式的比较 FTP是仅基于TCP的服务,不支持UDP。与众不同的是FTP使用2个端口,一个数据端口和一个命令端口(也可叫做控制端口)。通常来说这两个端口是21(命令端口)和20(数据端口)。但FTP工作方式的不同,数据端口并不总是20。这就是主动与被动FTP的最大不同之处。 (一)主动FTP 主动方式的FTP是这样的:客户端从一个任意的非特
2017-02-23 11:20:21
362
原创 H264编解码中的防止竞争机制
问题:h264流就是一个接一个的NAL组成,那么解码器如何在数据流中分辨每个NAL的起始和终止?H264的解决方案: 在每个NAL前面添加起始码(3个字节): 0x00 00 01;此外,在某些类型的介质上,为了寻址方便,要求数据流在长度上对其,或必须是某个常数的倍数,考虑到这种情况,H264建议在起始码前添加若干字节的0来填充,直到该NAL的长度符合要求。在这样的机制下,解码器在码流
2017-02-02 22:57:04
4120
2
原创 H264分析源码学习之结构体篇——nal_t结构体
最近学习H264的编解码,因此先学习了解H264的结构。我是通过h264分析开源库的源码进行学习的。首先先从数据结构体入手,通过了解重要的数据结构体来认识H264!我们首先认识几个概念:VCL:video code layer(视频编码层) NAL:network abstract layer(网络提取层)NALU:coded h264 data is stored or
2017-02-02 22:45:48
1282
1
原创 H264分析源码学习之结构体篇——h264_stream_t结构体
最近学习H264的编解码,因此先学习了解H264的结构。我是通过h264分析开源库的源码进行学习的。首先先从数据结构体入手,通过了解重要的数据结构体来认识H264!首先,我们需要初略的知道,H264数据流就是由一个一个独立的NALU单元构成:...NALUNALUNALU...再深入一点,每一个NALU由NALU header 和 N
2017-02-02 22:03:41
1561
原创 vs2012编译错误----'yasm' 不是内部或外部命令
VS2012编译工程,报以下错误:>------ 已启动全部重新生成: 项目: libH264Encoder, 配置: Debug Win32 ------1> Assembly I:\win\h264编解码\live555\live555Camera_Win\x264\common\x86\cabac-a.asm1> 'yasm' 不是内部或外部命令,也不是可运行的程序1>
2017-01-22 16:45:39
2157
3
转载 [置顶] [总结]FFMPEG视音频编解码零基础学习方法
在CSDN上的这一段日子,接触到了很多同行业的人,尤其是使用FFMPEG进行视音频编解码的人,有的已经是有多年经验的“大神”,有的是刚开始学习的初学者。在和大家探讨的过程中,我忽然发现了一个问题:在“大神”和初学者之间好像有一个不可逾越的鸿沟。“大神”们水平高超,探讨着深奥的问题;而初学者们还停留在入门阶段。究竟是什么原因造成的这种“两极分化”呢?最后,我发现了问题的关键:FFMPEG难度比较大,
2017-01-06 10:51:44
498
转载 一份BUG提交规范
1,BUG全部提交到http://XXX.XXX.XXX.XXXBUG论坛上2,创建的问题的时候,“概要”--用简单明了的语句说明白你这个BUG,就相当与BUG的中心语句3,BUG优先级分为4种情况 致命问题:系统任何一个主要功能完全丧失、用户数据受到破坏、系统崩溃、悬挂、死机,或者危及人身安全 严重问题: 系统的主要功能部分丧失、数据不能保存,系统的次要功能完全丧
2016-12-29 16:42:53
4370
转载 vibe 改进-2
ViBe是一种像素级的背景建模、前景检测算法,该算法主要不同之处是背景模型的更新策略,随机选择需要替换的像素的样本,随机选择邻域像素进行更新。在无法确定像素变化的模型时,随机的更新策略,在一定程度上可以模拟像素变化的不确定性。背景模型的初始化 初始化是建立背景模型的过程,一般的检测算法需要一定长度的视频序列学习完成,影响了检测的实时性,而且当视频画面突然变化时,重新学习背景模型需
2016-12-07 17:38:38
1668
转载 Vibe 算法改进
一、概述 针对鬼影问题,提出一种了基于前景区域与邻域背景区域直方图相似性度量的判别方法,检测并消除鬼影;针对静止目标问题,改进了Vibe背景模型的更新策略,有效抑制静止目标被吸收为背景;针对阴影前景问题,在Vibe算法中增加一个阴影检测器模型,检测并消除阴影。针对目标不完整问题引入抠图技术。二、鬼影检测 针对鬼影问题,本文提出了一种基于前景区域与邻域背景区域直方
2016-12-07 17:37:56
6686
7
转载 ViBe算法原理和代码解析
ViBe - a powerful technique for background detection and subtraction in video sequences算法官网:http://www2.ulg.ac.be/telecom/research/vibe/描述ViBe是一种像素级视频背景建模或前景检测的算法,效果优于所熟知的几种算法,对硬件内存占用也少。
2016-12-01 17:57:26
4741
1
转载 转载]根据两点的经纬度求方位角和距离
原文地址:根据两点的经纬度求方位角和距离,等作者:多乎哉不多也多亦不多乎实乃少也最近自己做的一个小东西要用到经纬度方面的计算,查遍中文网页见到的要么基本上是一帮惜字如金装大爷的“砖家”,要么就是像贴膏药一样,啪,一大堆代码往上一贴,一点说明都没有,让人看不懂,有的看了半天看懂了,结果他用的公式要么有使用局限(但没有半点声明)要么根本就是个错的。所以现在将自己几天学习来的在这里总结一下,方便后来
2016-11-29 16:27:36
1605
转载 教你一步一步用c语言实现sift算法、下
本文接上,教你一步一步用c语言实现sift算法、上,而来:函数编写 ok,接上文,咱们一个一个的来编写main函数中所涉及到所有函数,这也是本文的关键部分:[cpp] view plain copy print?//下采样原来的图像,返回缩小2倍尺寸的图像 CvMat * halfSizeImage(CvMat * im) { unsig
2016-11-23 09:54:58
1817
转载 教你一步一步用c语言实现sift算法、上
引言: 在我写的关于sift算法的前倆篇文章里头,已经对sift算法有了初步的介绍:九、图像特征提取与匹配之SIFT算法,而后在:九(续)、sift算法的编译与实现里,我也简单记录下了如何利用opencv,gsl等库编译运行sift程序。 但据一朋友表示,是否能用c语言实现sift算法,同时,尽量不用到opencv,gsl等第三方库之类的东西。而且,Rob Hess维护的sif
2016-11-23 09:53:28
3387
转载 图像特征提取与匹配之SIFT算法
推荐阅读:David G. Lowe, "Distinctive image features from scale-invariant keypoints,"International Journal of Computer Vision, 60, 2 (2004), pp. 91-110---------------------------------------------
2016-11-23 09:52:35
9124
转载 模式识别(Pattern Recognition)学习笔记(二十一)--再谈(人工)神经网络(ANN)
转载出处:http://blog.csdn.net/eternity1118_。1.简介 目前为止,通过MLP和BP算法的学习,我们已经接触了神经网络,并且知道了最具有代表性的一种模型“多层感知器”,这篇文章对ANN做个详细的总结和概述。 一般来讲,ANN可以看做是由大量简单计算单元(神经元节点)经过相互连接而构成的学习机器,网络中的某些因素,如
2016-11-22 18:15:41
4484
1
转载 模式识别(Pattern Recognition)学习笔记(二十)--BP算法
转载出处:http://blog.csdn.net/eternity1118_。1.引言 在无法像线性感知器一样利用梯度下降学习参数这一问题阻碍了MLP长达25年后的一天,有人给出了一种有效的求解这些参数的方法,就是大名鼎鼎的反向传播算法(Back Propagation),简称为我们熟知的BP算法(特别注意,BP算法是一种算法,一种机器学习算法,而并非一种网络或模
2016-11-22 18:14:44
832
转载 模式识别(Pattern Recognition)学习笔记(二十)--BP算法
转载出处:http://blog.csdn.net/eternity1118_。1.引言 在无法像线性感知器一样利用梯度下降学习参数这一问题阻碍了MLP长达25年后的一天,有人给出了一种有效的求解这些参数的方法,就是大名鼎鼎的反向传播算法(Back Propagation),简称为我们熟知的BP算法(特别注意,BP算法是一种算法,一种机器学习算法,而并非一种网络或模
2016-11-22 18:14:23
1138
转载 模式识别(Pattern Recognition)学习笔记(十九)--多层感知器模型(MLP)
转载出处:http://blog.csdn.net/eternity1118_。 早前已经学习了感知器学习算法,主要通过对那些错分类的样本进行求和来表示对错分样本的惩罚,但明显的它是一个线性的判别函数;而且上节学到了感知器神经元(阈值逻辑单元),对于单个的感知器神经元来说,尽管它能够实现线性可分数据的分类问题(如与、或问题),但是却无法解决非线性问题,如逻辑学里的异或(XOR)问题甚至
2016-11-22 18:13:07
4913
转载 模式识别(Pattern Recognition)学习笔记(十七)--二次判别函数
转载出处:http://blog.csdn.net/eternity1118_。前面提到,当概率密度函数满足高斯分布或正态分布的情况,贝叶斯决策的分类面就是一个二次函数,这篇博客来学习有关二次判别。 首先给出二次判别函数的一般形式: (1)其中,W是d阶对称方阵,w为d维权向量; 从判别式中可以看出,有很多参
2016-11-22 18:12:32
1301
转载 模式识别(Pattern Recognition)学习笔记(十五)--机器学习的范化能力(推广能力)
转载出处:http://blog.csdn.net/eternity1118_。 模式识别是一种基于数据的机器学习,学习的目的不仅是要对训练样本正确分类,而且能对测试样本正确分类,这种能力叫做推广能力或范化能力。 如何评估一个学习机器的推广能力呢? 设某一样本x,其真实所属类别标签为y,用判别函数f(x,w)来估计y,估计过程中带来的损失为L(
2016-11-22 18:11:34
734
转载 模式识别(Pattern Recognition)学习笔记(十四)--多类线性判别函数
转载出处:http://blog.csdn.net/eternity1118_。模式识别(Pattern Recognition)学习笔记(十四)--多类线性判别函数如有错误还请海涵,多谢。。 首先,将多类线性判别函数记为: 按照上一节学习的多类分类器的设计思想,很明显对于c类问题,就有c个判别函数: (
2016-11-22 18:10:50
1032
转载 模式识别(Pattern Recognition)学习笔记(十三)--多类线性分类器
转载出处:http://blog.csdn.net/eternity1118_。模式识别(Pattern Recognition)学习笔记(十三)--多类线性分类器如有错误还望海涵,谢谢。引言 在之前的学习和讨论中,均是围绕的两类问题来展开,但这毕竟不结合实际,实际应用中面临更多的往往是多类分类问题,如钞票代码识别中,10个数字的识别和26个英文字母
2016-11-22 18:10:10
1283
转载 模式识别(Pattern Recognition)学习笔记(十二)--SVM(广义):大间隔
转载出处:http://blog.csdn.net/eternity1118_。 在学习之前,先说一些题外话,由于博主学习模式识别没多久,所以可能对许多问题还没有深入的认识和正确的理解,如有不妥,还望海涵,另请各路前辈不吝赐教。 好啦,我们开始学习吧。。 同样假设有样本集:由于线性不可分,所以 不会对每一个样本都满足,就是说肯定会有一些小于1的样本,
2016-11-22 18:09:34
433
转载 模式识别(Pattern Recognition)学习笔记(十一)--SVM支持向量机(狭义):大间隔
1.最优分类超平面 对于感知器,我们知道了在梯度下降迭代过程中,只要选择的权向量初始值和不同的步长,就会产生不同的解,想象一下,只要样本集是线性可分的(不考虑线性不可分的情况,后续深入学习),就会有无数个决策面可以将它们分开,不同的只是距离超平远近的问题,因此对于这种问题就会存在多解性,如图1,但是我们要想办法找到这多解中的最优的一个解,即最优分类超平面。
2016-11-22 18:08:56
743
转载 模式识别(Pattern Recognition)学习笔记(六)——概率密度函数的非参估计
转载出处:http://blog.csdn.net/eternity1118_。 上篇学习了PDF的参数估计方法,主要有最大似然估计和贝叶斯估计,他们主要对有确定形式的PDF进行参数估计,而在实际情况下,并不能知道PDF的确切形式,只能通过利用所有样本对整个PDF进行估计,而且这种估计只能是利用数值方法求解。通俗的说,如果参数估计是从指定的某一类函数中选择一个作为目标估计,那么非参数估
2016-11-22 18:08:17
1976
1
转载 模式识别(Pattern Recognition)学习笔记(七)——线性分类器及线性判别函数
转载出处:http://blog.csdn.net/eternity1118_。1.为什么要设计分类器? 回顾下前面学习的统计决策,也就是贝叶斯决策,它可以简单被划分为两步,首先根据样本进行PDF估计,然后根据估计出的PDF来求分类面,因此又经常被叫做两步贝叶斯决策。如果我们能够很好地估计出PDF模型,也总可以利用贝叶斯来实现两类甚至多类的最优分类,但是
2016-11-22 18:07:34
2231
转载 模式识别(Pattern Recognition)学习笔记(十)--最小平方误差判别(MSE)
转载出处:http://blog.csdn.net/eternity1118_。上篇介绍了样本线性可分下的Fisher判别,这篇开始介绍样本不可分下的判别--MSE。 最小平方误差(又叫最小二乘误差)判别是针对样本线性不可分的情况来讨论的,因此当样本不可分时,就有可能出现错分,就不可能所有样本都满足,对于这种问题,我们有一个约定,就是求解一个解向量使得出现错分的样本尽
2016-11-22 18:06:32
12314
转载 模式识别(Pattern Recognition)学习笔记(九)--感知器
转载出处:http://blog.csdn.net/eternity1118_。感知器是一种可以直接得到线性判别函数 的线性分类方法,由于它是基于样本线性可分这样的一个要求下使用的,所以,首先来了解下什么是线性可分与线性不可分。1.线性可分与线性不可分首先,为了打好基础,我们将上面线性判别函数中的样本向量x增加一维常数,我们称为增广样本向量,并记为y: (1
2016-11-22 18:05:52
1938
转载 模式识别(Pattern Recognition)学习笔记(八)--Fisher线性判别分析
转载出处:http://blog.csdn.net/eternity1118_。1.什么是Fisher线性判别? 线性判别分析(Linear Discriminant Analysis)由Fisher与1936年提出,示线性判别方法中最具代表性的一种,简称LDA,又叫Fisher判别。 为了更好的引出Fisher判别,同样这里拿两类问题来话明,并换
2016-11-22 18:05:01
4844
1
转载 模式识别(Pattern Recognition)学习笔记(五)——概率密度函数(pdf)的参数估计
转载出处:http://blog.csdn.net/eternity1118_。 回顾下贝叶斯决策,它的终极目标是要获取后验概率,而后验概率又可以由先验概率和类条件概率密度两个量估计得到。先验概率的估计相对来说比较简单,一般有两种方法,其一可以用训练数据中各类出现的频率来估计得到;其二可以依靠经验,不管哪种方法都不会很难,而对于类条件概率密度来说,估计往往会难得多,因此对于它的估计会是
2016-11-22 18:04:29
1220
转载 模式识别(Pattern Recognition)学习笔记(四)——最小风险贝叶斯决策
转载出处:http://blog.csdn.net/eternity1118_。 前面提到了最小错误率的贝叶斯决策,可以说大多数情况中,我们都是用的这一准则的决策方式,但对于一些特殊的场合,比如一个癌症病人的癌细胞判别中,相比于错误率,我们更关心的应该是判别错误所带来的损失,因此在这种情况下,我们就不能使用最小错误率准则来决策了,而要使用一种新的决策准则——最小风险贝叶斯决策。
2016-11-22 18:03:57
3956
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人