OpenCV代码提取： threshold函数的实现
阈值算法：最简单的图像分割方法。 所有阈值算法将源图像（src）和阈值（thresh）作为输入，并通过将源像素（x，y）处的像素值与阈值进行比较来产生输出图像（dst）。如果src（x，y）> thresh，则dst（x，y）被分配一些值。否则dst（x，y）被分配一些其他值。 大津二值化：简单来说，它自动计算双峰图像的图像直方图中的阈值
最近研究目标检测有感
最近研究目标检测有感 近来，一直在看有关目标检测的文章，尤其是关注这些文章所能解决的问题和创新点。主要原因有二：一是因为最近老板的项目催进度催得急，却总有些问题没办法解决，；另外一方面是自己想找些灵感，写篇把文章。文章倒是看了不少，下面写写心得。 目标检测是计算机视觉应用的
TLD视觉跟踪技术解析
TLD视觉跟踪技术解析 在城市轨道交通的监控中，智能视频分析技术曾风极一时，然而由于城市轨道交通的监控环境比较复杂，其不仅区域大、周界长、拥有多站台多出入及众多围栏等相关设备。这种复杂的环境给智能分析带来诸多困难，而作为当前新颖的TLD[跟踪-学习-检测(Tracking-Learning-D
庖丁解牛TLD（二）——初始化工作（为算法的准备）
我说的初始化，还不是算法的初始化工作，而是读入图像，响应键盘鼠标之类的工作。作者提供的代码中的工作包含了从摄像头读取和从文件中读取两种输入方案。这里介绍一下从文件输入的办法。因为OpenCV从视频读取图像序列的办法有很好的demo，我这里就不介绍摄像头的办法了。TLD下载后有一
庖丁解牛TLD（三）——算法初始化
目录(?)[-] 1初始化Detector 2初始化Trajectory 3训练Detector 上一讲我提到对于算法的初始化工作主要是在tldInit这个函数里实现的。主要分为如下几大步骤，1）初始化Detector。2）初始化Trajectory。3）训练Detector 1)初始化Detector 其中bb_scan为扫描grid区域，该函
庖丁解牛TLD（四）——Tracking解析
前几节都是根据作者的程序流程一步步介绍作者的工作，感觉只是对代码的一个注释，这次换一个思路，一部分一部分啃，作者的工作主要就是3部分么，tracking，learning，detection。 这次先介绍Tracking的工作。对于Tracking，作者主要使用的是他提出的Forward-Backward Error的办法，使用Lucas-Kanade
庖丁解牛TLD（五）——井底之蛙啦~
随着和我交流TLD的朋友越来越多，我渐渐的知道的也多了，才发现我研究的结果只是沧海一粟。 这里先膜拜一下Alan Torres大神，他已经用c++把TLD重新写好了，而且代码很规范。他设计的理念有： 1.在OpenCV（2.3）上依赖* 2.没有Matlab！ 3.易于编译和运行（在Linux上，在OSX和Windows上正在进行中） 4.快
ASM（active shape models）算法介绍
目录(?)[-] 一模型的建立build 选择合适的特征点 形状统计模型 把模型和新点集进行匹配 二模型在图像中的匹配fit ASM是基于统计学习模型的特征点提取的一种方法。这个方法是95年就提出来的，不过至今仍是我认为比较好的人脸
IplImage, CvMat, Mat 的关系和相互转换
opencv中常见的与图像操作有关的数据容器有Mat，cvMat和IplImage，这三种类型都可以代表和显示图像，但是，Mat类型侧重于计算，数学性较高，openCV对Mat类型的计算也进行了优化。而CvMat和IplImage类型更侧重于图像，opencv对其中的图像操作（缩放、单通道提取、图像阈值操作等）进行了优化。在ope
求多边形或轮廓的凸包（Hull）
在图像处理和分析中，通常会遇到求物体的凸包或某类型形状的凸包，以下函数可以实现该功能： [cpp]view plaincopy print? voidget_hull(cv::Mat&src,intthresh) { Matsrc_copy=src.clone(); Matthreshold_output; vector<vector<Point>>contours; ve
自定义（手动调整）.net中图像的调色板(How to adjust (customize) image's palet
引言 昨天在测试各种图像处理类库及方法的性能时，想试试看自己写的灰度化性能如何，结果发现自己通过写BitmapData生成的灰度图看起来依然色彩斑斓。通过跟踪调试，图像的数据部分是正确的，问题出在了调色板部分，调色板中的颜色是Windows默认的web流行色，而非我所期望的256级灰度颜色。
各种图像处理类库的比较及选择(The Comparison of Image Processing Libraries)
前言 近期需要做一些图像处理方面的学习和研究，首要任务就是选择一套合适的图像处理类库。目前较知名且功能完善的图像处理类库有OpenCv、EmguCv、AForge.net等等。本文将从许可协议、下载、安装、文档资料、易用性、性能等方面对这些类库进行比较，然后给出选择建议，当然也包括我自己
ML 07、机器学习中的距离度量
机器学习算法 原理、实现与实践 —— 距离的度量 1. 欧氏距离 欧氏距离是最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中，如点和之间的距离为： 1）二维平面上两点与间的欧氏距离： 2）三维空间两点与间的欧氏距离： 3）两个n维向量与
ML 06、感知机
机器学习算法 原理、实现与实践 —— 感知机 感知机（perceptron）是二分类的线性分类模型，输入为特征向量，输出为实例的类别，取值+1和-1。感知机学习旨在求出将训练数据进行线性划分的分离超平面，为此，引入了基于误分类的损失函数，利用梯度下降法对损失函数进行极小化，求得感知
ML 05、分类、标注与回归
机器学习算法 原理、实现与实践 —— 分类、标注与回归 1. 分类问题 分类问题是监督学习的一个核心问题。在监督学习中，当输出变量YY取有限个离散值时，预测问题便成为分类问题。 监督学习从数据中学习一个分类决策函数或分类模型，称为分类器（classifier）。分类器对新的输
ML 04、模型评估与模型选择
机器学习算法 原理、实现与实践——模型评估与模型选择 1. 训练误差与测试误差 机器学习的目的是使学习到的模型不仅对已知数据而且对未知数据都能有很好的预测能力。 假设学习到的模型是，训练误差是模型关于训练数据集的平均损失： 其中NN是训练样本容量。 测试误差
神经网络：卷积神经网络
一、前言 这篇卷积神经网络是前面介绍的多层神经网络的进一步深入，它将深度学习的思想引入到了神经网络当中，通过卷积运算来由浅入深的提取图像的不同层次的特征，而利用神经网络的训练过程让整个网络自动调节卷积核的参数，从而无监督的产生了最适合的分类特征。这个概括可能有点抽象，我
ML 02、监督学习
机器学习算法原理、实现与实践——监督学习 机器学习包括监督学习、非监督学习、半监督学习及强化学习，这里先讨论监督学习。 监督学习的任务是学习一个模型，使模型能够对任意给定的输入，对其相应的输出做出一个好的预测。 1 基本概念 1.1 输入空间、特征空间与输出空间
ML 01、机器学习概论
机器学习原理、实现与实践——机器学习概论 如果一个系统能够通过执行某个过程改进它的性能，这就是学习。 ——— Herbert A. Simon 1. 机器学习是什么 计算机基于数据来构建概率统计模型并运用模型对数据进行预测与分析的一门学科。 从上面的机器学习
神经网络：多层网络与C++实现
一、引言 在前一篇关于神经网络的文章中，给出了神经网络中单个神经元的结构和作用原理，并且用梯度下降的方法推导了单个SIMGOID单元的权值更新法则。在文章的最后给了一个例子，我们以一个4维的单位向量作为特征，映射到一维的[0,1]的空间中，我们采用了一个感知器单元，实验结果发现经过15
感知器与梯度下降
机器学习算法 原理、实现与实践 —— 感知机与梯度下降 一、前言 1，什么是神经网络？ 人工神经网络(ANN)又称神经网络(NN)，它是一种受生物学启发而产生的一种模拟人脑的学习系统。它通过相互连结的结点构成一个复杂的网络结构，每一个结点都具有多个输入和一个输出，并且该结点
机器学习：计算机学习西洋跳棋
西洋跳棋是一种两人棋盘游戏。玩家的棋子都是沿斜角走的。棋子可跳过敌方的棋子并吃掉它。 相关规则参考：Wiki 二、机器学习 通过让程序分析人们购物清单，来分析人们对商品的品牌、价格的偏好。 通过跟踪个人的新闻浏览，分析其兴趣爱好、并为其推荐感觉兴趣的新闻或产品。 通过对已
线性回归
记号 nn: 特征的维数 mm: 样本个数 x(i)x(i): 第[!--empirenews.page--]ii个样本，它是一个nn维的向量，表示为： 线性回归的假设函数(hypothesis function) θθ是一个(n+[!--empirenews.page--]1)×1(n+1)×1的向量 xx加了一项x0=1x0=1 损失函数(
Logistic回归
假设表示 S形功能或逻辑功能： 假设函数： 这是什么意思？ 概率y = 1，给出x，由θ参数化 成本函数 向量化表示： 梯度 综合上两式： 向量化表示 当j=0时 当j≠0时 #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Fri May 13 17:23:29 2016 @au
MDS（multidimensional scaling）多维尺度分析
大家一般想到降维，就自然想到一种方法PCA，其实还有一种方法MDS（multidimensional scaling），可以获得样本间的相似性的空间表达。 先说说这两种方法的相似处，PCA是把观察的数据用较少的维数来表达，这点上两种方法的相似的；两种方法的不太之处在于，MDS利用的是成对样本间相似性，目的是利用这个
