Armily的专栏

一、论文CVPR 2012 与行人检测相关的论文[1] Contextual Boost for Pedestrian Detection  YuanyuanDing, Jing Xiao[2] Understanding Collective CrowdBehaviors:Learning Mixture Model of Dynamic Pedestrian-Agents   Bo

转自：http://www.opencv.org.cn/forum/viewtopic.php?f=1&t=9146#p35176/////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

随着科学技术的发展，越来越多的学者涉及到学术论文的写作领域，那么怎样写学术论文、学术论文写作是怎样要求的、格式如何，下面就介绍一下学术论文的写作，希望能对您论文写作有所帮助。(一）题名（Title, Topic） ...题名又称题目或标题。题名是以最恰当、最简明的词语反映论文中最重要的特定内容的逻辑组合。 论文题目是一篇论文给出的涉及论文范围与水平的第一个重要信息，也是必须考虑

一. 简单的说贝叶斯定理：贝叶斯定理用数学的方法来解释生活中大家都知道的常识形式最简单的定理往往是最好的定理，比如说中心极限定理，这样的定理往往会成为某一个领域的理论基础。机器学习的各种算法中使用的方法，最常见的就是贝叶斯定理。贝叶斯定理的发现过程我没有找到相应的资料，不过我相信托马斯.贝叶斯(1702-1761)是通过生活中的一些小问题去发现这个对后世影响深远的定理的，而且我相信贝叶

转自：http://shijuanfeng.blogbus.com/logs/100675175.htmlPedestrian dataset from MIT： 行人图片背景简单INRIA 数据集 ：行人检测图片，背景复杂WallFlower dataset: 用于评价背景建模算法的好坏. Ground-truth foreground provided.Foreground/B

转自：http://shijuanfeng.blogbus.com/logs/216968430.html在我的理解里，要实现计算机视觉必须有图像处理的帮助，而图像处理倚仗与模式识别的有效运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。纵观一切关系，发现计算机视觉的应用服务于机器学习。各个环节缺一不可，相辅相成。计算机视觉（computer vision），用

在搜测试视频时，找到andrew31在ilovematlab论坛中分享的网址链接。我转载于此，并做出详细介绍，方便大家以后使用！1. PETS2001的测试视频http://www.filewatcher.com/b/ftp/ftp.cs.rdg.ac.uk/pub/PETS2001.0.0.html内容如下，可以得到如下所示5个DATASET，有训练和测试视频：

转自：http://hi.baidu.com/belial/item/1cad73fb05819612fe3582dd SACON是Hanzi Wang and David Suter合作完成的一篇论文《Background subtraction based on a robust consensu method>>里的算法。乍看之下，算法思路很简单，后来的大作VIBE算法似乎与其有异曲同工

这一章是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。本章的下载地址：http://iask.sina.com.cn/u/2252291285/ish?folderid=8687721. A

转自：http://blog.sina.com.cn/s/blog_631a4cc401013pkn.html  纹理分类是一个很老的topic，但是一些纹理分类的方法为以后的图片分类奠定了基础。首先定义一下纹理图片，他是一个随一下变量变化的函数：纹理表面材质，反射率，光照，照相机和他的角度。现在纹理分类比较流行的有两种方法：一个是全局特征，如lbp，g

转自：http://blog.youkuaiyun.com/carson2005/article/details/8316835申明，本文是笔者在阅读了几篇行人检测综述性文章之后，翻译、总结、归纳所得。方便自己了解行人检测的发展趋势，同时，也给打算从事行人检测研究的朋友们提供一些思路吧。行人检测的历史：早期以静态图像处理中的分割、边缘提取、运动检测等方法为主。例如：（1）以Gavrila为代表

聚类算法是ML中一个重要分支，一般采用unsupervised learning进行学习，本文根据常见聚类算法分类讲解K-Means, K-Medoids, GMM, Spectral clustering，Ncut五个算法在聚类中的应用。Clustering Algorithms分类1. Partitioning approach:

作机器视觉和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高成就的几个超级专家(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利用网络资源，利用权威网站和专家们的个人主页。 依照

总体思路：1、提取正负样本hog特征2、投入svm分类器训练，得到model3、由model生成检测子4、利用检测子检测负样本，得到hardexample5、提取hardexample的hog特征并结合第一步中的特征一起投入训练，得到最终检测子。深入研究hog算法原理：一、hog概述        Histograms of Oriented Gradien

原文：http://blog.youkuaiyun.com/sangni007/article/details/8155133在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。本文的目的就是对常用的相似性度量作一个总结。 1.

转自：http://blog.youkuaiyun.com/liulina603/article/details/8289625这里总结网上自己找到的资料，搞一个简单的框架供大家参考一下。OpenCV官方的SVM代码在http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introducti

学习SVM，首先通过http://zh.wikipedia.org/wiki/SVM，再通过博客http://blog.youkuaiyun.com/yang_xian521/article/details/6969904OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(Lin Chih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件

转自：http://blog.youkuaiyun.com/sangni007/article/details/7386844 原文：http://blog.youkuaiyun.com/houdy/article/details/175739 CamShift算法，OpenCV实现1--Back ProjectionCamShift算法，即"Continuously Apative Mean-S

版权声明：转载时请以超链接形式标明文章原始出处和作者信息及本声明 http://shijuanfeng.blogbus.com/logs/100675201.html 看了将近半年的行人检测的资料，最近开题了，我也趁着这个机会把脑袋里的东西总结一下：先说下常用的数据库：最早的是MIT，这个库比较简单，行人图片背景简单，只有正面和背面。在2005年以前流行，2005年后随着HOG的提出，

纹理分类的第二大类方法是基于texton的方法，具体的方法是先提取特征点的局部特征，然后聚类形成texton；之后对于每幅求出统计直方图作为最后的特征，之后用knn或者svm分类。开始的时候各位大虾都在filter bank上面做文章，方法比较接近texton，但是还是有区别的，详见：A Statistical Approach to Texture Cla