模式识别
zhang11wu4
计算机硕士,专业:计算机应用技术,研究方向:图像图像,重点研究图像分割,包括单目标和多目标的自动分割,图像清晰化,目标检测等。QQ:46454279,仅限技术交流,其他免加.
展开
-
目标跟踪小结
一、引言:在需要监控的环境里,如何能够判断出进入特定区域的目标,并且能够跟踪目标的轨迹。分为两种情况:一是静态背景下的目标跟踪;二是动态背景下的目标跟踪。二、静态背景下的目标跟踪方法 1、单目标:目标跟踪还可以分为单目标的跟踪和多目标的跟踪。单目标的静态背景下的目标跟踪指的是摄像头是固定在某一方位,其所观察的视野也是静止的。通常采用背景差分法,即先对背景进行建模,然后从视频流中读取图像转载 2011-05-11 15:05:00 · 1043 阅读 · 0 评论 -
图像处理网络资源
图像处理网络资源作图像处理方面的研究工作,最重要的两个问题:其一是要把握住国际上最前沿的内容;其二是所作工作要具备很高的实用背景。解决第一个问题的办法就是找出这个方向公认最牛的几个超级大拿(看看他们都在作什么)和最权威的出版物(阅读上面最新的文献),解决第二个问题的办法是你最好能够找到一个实际应用的项目,边做边写文章。 做好这几点的途径之一就是充分利用网络资源,特别是权威网站和大拿们的个人转载 2012-11-13 22:24:32 · 1110 阅读 · 0 评论 -
斯坦福大学(Andrew Ng)机器学习课程讲义
http://see.stanford.edu/see/courseinfo.aspx?coll=348ca38a-3a6d-4052-937d-cb017338d7b1http://www.stanford.edu/class/cs229/materials.htmlLecture notes 1 (ps)(pdf) Supervised Learning, Discr转载 2012-12-13 14:21:06 · 7415 阅读 · 0 评论 -
特征就是样本
平时的工作就是提特征进行模式识别,在看到PCA时,有点不明白,就是求特征空间的方法没有看明白,后来查相关资料才弄明白,原来特征就是样本,这样模式识别就与概率统计学连接起来了。提取特征时,一般会把一个特征reshape为向量,然后并列排在一起放在矩阵中,这时候,每列是一个样本,而每行就是一维,行数就是维数,同时也是一个随机向量,求PCA找特征空间,每一步就是随机变量的相关矩阵。当然也可把特征resh原创 2012-12-28 13:47:03 · 1404 阅读 · 0 评论 -
主成分分析(Principal components analysis)-最大方差解释
在这一篇之前的内容是《Factor Analysis》,由于非常理论,打算学完整个课程后再写。在写这篇之前,我阅读了PCA、SVD和LDA。这几个模型相近,却都有自己的特点。本篇打算先介绍PCA,至于他们之间的关系,只能是边学边体会了。PCA以前也叫做Principal factor analysis。1. 问题 真实的训练数据总是存在各种各样的问题:1、 比如拿到转载 2012-12-31 17:38:44 · 952 阅读 · 0 评论 -
反向投影图
反向投影图 图像的反向投影图是用输入图像的某一位置上像素值(多维或灰度)对应在直方图的一个bin上的值来代替该像素值,所以得到的反向投影图是单通的。用统计学术语,输出图像象素点的值是观测数组在某个分布(直方图)下的概率。 其中b(xi)表示在位置xi上像素对应的直方图第b(xi)个bin,直方图共m个bin,qu表示第u个bin的值。还是以转载 2012-07-18 16:42:25 · 1018 阅读 · 2 评论 -
计算机视觉算法测试集和源码站点
以下是computer vision:algorithm and application计算机视觉算法与应用这本书中附录里的关于计算机视觉的一些测试数据集和源码站点,我整理了下,加了点中文注解。ComputerVision:Algorithms and ApplicationsRichard Szeliski 在本书的最好附录中,我总结了一些对学生转载 2013-04-23 16:46:48 · 2311 阅读 · 0 评论 -
Matlab中Lut原理及对线段端点的检测
1、对于小的模板2*2或3*3,可以使用查找表的方法进行处理,一般采用以下两种形式的模板:4182转载 2013-06-20 20:52:41 · 9371 阅读 · 3 评论 -
图像处理与计算机视觉:基础,经典以及最近发展(3)计算机视觉中的信号处理与模式识别
从本章开始,进入本文的核心章节。一共分三章,分别讲述信号处理与模式识别,图像处理与分析以及计算机视觉。与其说是讲述,不如说是一些经典文章的罗列以及自己的简单点评。与前一个版本不同的是,这次把所有的文章按类别归了类,并且增加了很多文献。分类的时候并没有按照传统的分类方法,而是划分成了一个个小的门类,比如SIFT,Harris都作为了单独的一类,虽然它们都可以划分到特征提取里面去。这样做的目的是希望能转载 2013-11-06 09:36:00 · 1718 阅读 · 0 评论 -
图像处理与计算机视觉:基础,经典以及最近发展
历时一个多月,终于用业余时间把这些资料整理出来了。以后可能会有些小修小补,但不会有太大的变化了。万里长征走完了第一步,剩下的就是理解和消化了。借新浪ishare共享出来,希望能够对你的科研也有一定的帮助。现在已经把所有的文章打包,分成了16个子文件,欢迎整体下载。图像处理与计算机视觉:基础,经典以及最近发展(1)序图像处理与计算机视觉:基础,经典以及最近发展(2)图像处理与计算机视转载 2013-11-06 09:43:21 · 1956 阅读 · 0 评论 -
稀疏表示step by step
声明:本人属于绝对的新手,刚刚接触“稀疏表示”这个领域。之所以写下以下的若干个连载,是鼓励自己不要急功近利,而要步步为赢!所以下文肯定有所纰漏,敬请指出,我们共同进步!踏入“稀疏表达”(Sparse Representation)这个领域,纯属偶然中的必然。之前一直在研究压缩感知(Compressed Sensing)中的重构问题。照常理来讲,首先会找一维的稀疏信号(如下图)来验证CS转载 2012-10-11 08:44:34 · 39342 阅读 · 26 评论 -
Mark一下CVPR 2012应该读的Oral
大部分作者主页上已经挂出了今年cvpr的文章,该看看了,下面的文章是我打算近期看的,希望能坚持。Discriminative Virtual Views for Cross-View Action RecognitionDetecting activities of daily living in first-person camera viewsWe are not Co转载 2012-11-12 17:17:08 · 1928 阅读 · 0 评论 -
行人检测(Pedestrian Detection)资源
一、论文综述类的文章[1]P.Dollar, C. Wojek,B. Schiele, et al. Pedestrian detection: an evaluation of the state of the art [J].IEEE Transactions on PatternAnalysis andMachine Intelligence, 2012, 34(4): 74转载 2012-11-08 13:13:07 · 2972 阅读 · 2 评论 -
谱聚类
转自:http://blog.sina.com.cn/s/blog_4b9b714a0100is4f.html如果说 K-means 和GMM 这些聚类的方法是古代流行的算法的话,那么这次要讲的 Spectral Clustering 就可以算是现代流行的算法了,中文通常称为“谱聚类”。由于使用的矩阵的细微差别,谱聚类实际上可以说是一“类”算法。Spectral Clusterin转载 2012-05-18 21:37:02 · 4944 阅读 · 0 评论 -
混合高斯模型网上资源
http://www.dotblogs.com.tw/dragon229/archive/2012/01/11/65218.aspxhttp://blog.sina.com.cn/s/blog_6949fede01010jqk.htmlhttp://blog.csdn.net/juyingmin/article/details/5804114http://hi.baidu.com/zh原创 2012-06-26 09:52:01 · 1033 阅读 · 0 评论 -
字符识别(模板匹配&BP神经网络训练)
Abstract 2一 引言:... 3二 字符图像获取:... 3三 字符预处理... 43.2 字符区域………………………………………………………………………….43.2 字符区域分割:... 43.3 单个字体分割:... 43.4 单个字体裁剪... 5四 模板字符识别... 54.2 字符模板归一化... 5转载 2012-05-20 22:09:40 · 24327 阅读 · 4 评论 -
MPEG-7关于人脸识别系统标准的描述
转自:http://mpeg.chiariglione.org/standards/mpeg-7/mpeg-7.htm#E12E393.2.7.1 Face RecognitionThe FaceRecognition descriptor can be used to retrieve face images which match a query face image. T转载 2012-06-29 15:44:58 · 1084 阅读 · 0 评论 -
计算机视觉代码及资源
https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.htmlhttp://www.csee.wvu.edu/~xinl/reproducible_research.htmlhttps://netfiles.uiuc.edu/jbhuang1/www/resources/原创 2012-06-26 13:17:19 · 984 阅读 · 0 评论 -
opencv Haartraining级联分类器 死循环
转自:http://blog.chinaunix.net/uid-7608308-id-2048365.html最近在做人脸检测的Haartraining训练分类器,发现训练到最后误检率很低时分类器总是卡到某一层就不在继续进行,像是进入了死循环,程序代码与参数输入应该是没有任何问题的,所以我从网上找这方面的资料,最后在OpenCV的中文论坛看到一个帖,终于找到原因了。具体如下:1、问题转载 2012-07-02 09:32:54 · 2109 阅读 · 0 评论 -
计算机视觉要用到的书籍(英语)
Linear algebraProbability theory/statistical methodsDifferential equationsDynamic systemsComputer programing (e.g., MATLAB, C, C++, Fortran) Signal processingInfo原创 2012-03-17 18:57:20 · 1012 阅读 · 0 评论 -
图像的几何不变矩
图像的几何不变矩 矩特征主要表征了图像区域的几何特征,又称为几何矩, 由于其具有旋转、平移、尺度等特性的不变特征,所以又称其为不变矩。在图像处理中,几何不变矩可以作为一个重要的特征来表示物体,可以据此特征来对图像进行分类等操作。 1.HU矩 几何矩是由Hu(Visual pattern recognition by moment invariants)在1962年提出的,图像f转载 2012-06-25 13:46:15 · 1132 阅读 · 0 评论 -
sc_demo&tps_iter_match_1
% Shape Context Demo #1% match two pointsets from Chui & Rangarajan% uncomment out one of these commands to load in some shape data%load save_fish_def_3_1.mat%load save_fish_noise_3_2.mat转载 2012-06-26 16:23:03 · 1756 阅读 · 1 评论 -
NEC facial recognition tech
Facial RecognitionThe human face plays an important role in our social interaction, conveying people’s identity. Using human face as a key to security, the biometrics转载 2012-06-28 16:03:49 · 1878 阅读 · 0 评论 -
视频监控与跟踪,部分测试视频或图像序列地址
http://fw306.blog.163.com/blog/static/9053371720110169370483/http://research.microsoft.com/en-us/um/people/jckrumm/wallflower/testimages.htmIPPR Dataset[DB/OL].http://archer.ee.nctu.edu.tw/conte原创 2012-10-31 19:50:46 · 17031 阅读 · 0 评论 -
【转】数据挖掘系列(10)——卷积神经网络算法的一个实现
前言 从理解卷积神经到实现它,前后花了一个月时间,现在也还有一些地方没有理解透彻,CNN还是有一定难度的,不是看哪个的博客和一两篇论文就明白了,主要还是靠自己去专研,阅读推荐列表在末尾的参考文献。目前实现的CNN在MINIT数据集上效果还不错,但是还有一些bug,因为最近比较忙,先把之前做的总结一下,以后再继续优化。 卷积神经网络CNN是Deep Learning的一个重要算法,在很多转载 2016-05-31 09:19:50 · 1259 阅读 · 0 评论