csdn_kike的博客

    HOG（histogram of oriented gradient） 是成名的特征描述方法，在检查行人的应用上收到很好的效果，所以学习一下。    图像的特征提取的一个基本前奏就是，先给分块，然后对每个分块进行处理。典型的hog的做法是将图像分成8*8像素的 cell，针对每个cell进行特征提取处理。首先是针对每个像素的x，y方向的梯度计算，也可说是一维卷积吧，x方向模板[-1 0 1...

做过基于dtw的模板匹配项目，其中用于dtw匹配的方向矢量的概念也是将平面分成若干份，计算采样曲线前后两点的相对方向特征的：  如图，平面按照顺时针方向均分成8个区间。假设手写字符c，则应是从右上开始画半圆，在手写过程中进行数据采样，得到右边的圆点序列。则从第2点开始，每点相对于前一点都可以按照左图的方式给每条线段进行方向矢量编码，从而得到在线书写的字符的方向矢量序列，可以用来作为dtw匹配的特征...

matlab 应该更加完善。相同的仿射矩阵，比如用一个30度的旋转矩阵，对同一图像做旋转出来，显示出来的图像效果如下：我只要实现旋转操作，显示的结果就是是完美的整幅图像。而python调用opencv的函数进行操作，还需要考虑一些参数，比如旋转中心，另外，在图像旋转后的尺寸上也要加入控制： M1 = cv2.getRotationMatrix2D((round(h/2),round(w/2)),3...

初学就是这么困难，昨天搜这个问题，在stack overflow上都没找到合适的解决方法。我的环境是tensorflow+keras。试着pip install更新，多次尝试未果。后来明白了，我之前装keras的方式不对，应该在 activate tensorflow以后，再pip安装，这样就保证tensorflow激活后的环境中能导入keras了。按照这个方式，可以顺利跑起hello word级...