![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
opencv
hello-world-yg
人工智能,机器视觉
展开
-
adaboost训练之经验总结
利用adaboost训练的分类器做了几个项目(当然在实际应用过程中,我对adaboos的源码做了优化和改善,同时我也用了深度学习--caffe做了类似的工作,综合权衡算法检测率、算法效率,在项目中采用的还是adaboost,后期我会花大量时间对caffe改进、优化), 以下纯为训练前要注意的事项。0、训练前,正样本尺寸的选择很重要。1、训练时正样本的设置:越多越好,但是要考虑训练机转载 2017-12-21 15:31:39 · 653 阅读 · 0 评论 -
常用图像特征的总结--HARR,HOG,LBP,SIFT,SURF
用传统的特征加分类器的方法做人脸检测的应用,涉及到图像特征的问题,刚好回顾一下这几个特征并作一下总结,本文涉及到的特征有,HARR,HOG,LBP,SIFT,SURF。1.HARR1.1、首先看看定义了下面的这几种harr特征:可以分为4类,当然也有分为3类的,这个没关系。然后在给定的图片上用上面的这几种特征遍历图片用黑色的部分覆盖的像素和减去白色部分的像素和得到的值就是特原创 2017-12-21 16:06:22 · 4995 阅读 · 0 评论 -
【OpenCV】SIFT原理与源码分析
原文:http://blog.csdn.net/xiaowei_cqu/article/details/8069548SIFT简介Scale Invariant Feature Transform,尺度不变特征变换匹配算法,是由David G. Lowe在1999年(《Object Recognition from Local Scale-Invariant Featu转载 2017-12-20 15:40:58 · 269 阅读 · 0 评论 -
opencv 决策树CART原理及代码分析
一、原理 决策树是一种非参数的监督学习方法,它主要用于分类和回归。决策树的目的是构造一种模型,使之能够从样本数据的特征属性中,通过学习简单的决策规则——IF THEN规则,从而预测目标变量的值。图1 决策树例如,在某医院内,对因心脏病发作而入院治疗的患者,在住院的前24小时内,观测记录下来他们的19个特征属性——血压、年龄、以及其他17项可以综合转载 2018-01-12 14:37:16 · 1411 阅读 · 0 评论