<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Why So Serious?]]></title><description><![CDATA[——masikkk]]></description><link>https://blog.youkuaiyun.com/masikkk</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; masikkk]]></copyright><item><title><![CDATA[OpenNI2获取华硕XtionProLive深度图和彩色图并用OpenCV显示]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/36422215</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/36422215</guid><author>masikkk</author><pubDate>Wed, 02 Jul 2014 15:41:10 +0800</pubDate><description><![CDATA[使用OpenNI2打开XtionProLive时有个问题，彩色图分辨率无论如何设置始终是320*240，深度图倒是可以设成640*480，而OpenNI1.x是可以获取640*480的彩色图的。




彩色图




配准到彩色图后的深度图




1:1融合图




代码：
#include 
#include 
#include 
#include]]></description><category></category></item><item><title><![CDATA[OpenNI1.5获取华硕XtionProLive深度图和彩色图并用OpenCV显示]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/36396335</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/36396335</guid><author>masikkk</author><pubDate>Wed, 02 Jul 2014 11:46:14 +0800</pubDate><description><![CDATA[华硕XtionPro类似Kinect，都是体感摄像机，可捕捉深度图和彩色图，如图：]]></description><category></category></item><item><title><![CDATA[mxArray数据类型]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/26379273</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/26379273</guid><author>masikkk</author><pubDate>Tue, 20 May 2014 16:49:21 +0800</pubDate><description><![CDATA[1 、数据类型mxArray的操作
 
在上节的Matlab引擎函数中，所有与变量有关的数据类型都是mxArray类型。数据结构mxArray以及大量的mx开头的函数，广泛用于Matlab 引擎程序和Matlab
 C数学库中。mxArray是一种很复杂的数据结构，与Matlab中的array相对应，我们只需熟悉Matlab的array类型和几个常用的mxArray函数即可。
在VC中，所]]></description><category></category></item><item><title><![CDATA[Matlab以MEX方式调用C源代码]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/26377415</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/26377415</guid><author>masikkk</author><pubDate>Tue, 20 May 2014 16:32:58 +0800</pubDate><description><![CDATA[如果我有一个用C语言写的函数，实现了一个功能，如一个简单的函数：

double add(double x, double y)

{

return x + y;

}

 
现在我想要在Matlab中使用它，比如输入：
 
>> a = add(1.1, 2.2)

    3.3000

要得出以上的结果，那应该怎样做呢？

解决方法之一是要通过使用ME]]></description><category></category></item><item><title><![CDATA[关于DPM(Deformable Part Model)算法中模型可视化的解释]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/25990309</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/25990309</guid><author>masikkk</author><pubDate>Fri, 16 May 2014 18:58:14 +0800</pubDate><description><![CDATA[DPM源码(voc-release)中的模型可视化做的还算相当炫酷的，可以让我们直观的看到训练好的模型，甚至我们不用去做模型的评价，直接根据肉眼的观察，就能大致了解一个目标训练的好不好，比如我训练一个人体模型，那他的可视化图当然就是越接近人体越好。]]></description><category></category></item><item><title><![CDATA[关于DPM(Deformable Part Model)算法中模型结构的解释]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/25906985</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/25906985</guid><author>masikkk</author><pubDate>Fri, 16 May 2014 15:56:14 +0800</pubDate><description><![CDATA[含有n个部件的目标模型可以形式上定义为一个(n+2)元组：(F0,P1,..., Pn, b)，F0是根滤波器，Pi是第i个部件的模型，b是表示偏差的实数值。每个部件模型用一个三元组定义：(Fi,vi, di)，Fi是第i个部件的滤波器；vi是一个二维向量，指定第i个滤波器的锚点位置(anchor position，即未发生形变时的标准位置) 相对于根的坐标；di是一个四维向量，指定了一个二次函数的参数，此二次函数表示部件的每个可能位置相对于锚点位置的变形花费(deformation cost)。]]></description><category></category></item><item><title><![CDATA[用DPM(Deformable Part Model，voc-release3.1)算法在INRIA数据集上训练自己的人体检测模型]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/25221103</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/25221103</guid><author>masikkk</author><pubDate>Tue, 13 May 2014 12:10:03 +0800</pubDate><description><![CDATA[用DPM(Deformable Part Model，voc-release3.1)算法在INRIA数据集上训练自己的人体检测模型]]></description><category></category></item><item><title><![CDATA[在windows下运行Felzenszwalb的Deformable Part Model(DPM)源码voc-release3.1来训练自己的模型]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/22855473</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/22855473</guid><author>masikkk</author><pubDate>Tue, 15 Apr 2014 15:02:41 +0800</pubDate><description><![CDATA[我的环境
DPM源码版本：voc-release3.1
VOC开发包版本：VOC2007_devkit_08-Jun
使用的训练数据集：VOC2007
Matlab版本：MatlabR2012b
c++编译器：VS2010
系统：Win732位
 
(1) 修改globals.m中的一些全局变量
cachedir= 'D:\DPMtrain\VOCCache\';
% 训练好的]]></description><category></category></item><item><title><![CDATA[在Windows下运行Felzenszwalb的star-cascade DPM(Deformable Part Models)目标检测Matlab源码]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/20651005</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/20651005</guid><author>masikkk</author><pubDate>Thu, 06 Mar 2014 22:18:42 +0800</pubDate><description><![CDATA[可变形部件模型Deformable Part Models(DPM)是非常经典的目标检测算法，由Felzenszwalb提出，本文介绍如何在windows下运行Felzenszwalb给出的DPM算法的star-cascade版本voc-release4.01-star-cascade，相比于基本版本voc-release4.01，star-cascade版本增加了PCA降维，检测速度可提高十几倍。]]></description><category></category></item><item><title><![CDATA[利用RGB-D数据进行人体检测 People detection in RGB-D data]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/19640709</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/19640709</guid><author>masikkk</author><pubDate>Fri, 21 Feb 2014 21:35:20 +0800</pubDate><description><![CDATA[人体检测是机器人和智能系统中的重要问题。之前的研究工作使用摄像机和2D或3D测距器。本文中我们提出一种新的使用RGB-D的人体检测方法。我们从HOG( Histogram of OrientedGradients)描述子获得灵感，设计了一个在稠密深度数据中检测人体的方法，叫做深度方向直方图HOD(Histogram of Oriented Depths)。HOD对局部深度变化的方向进行编码，依靠在预知深度信息的尺度空间的搜索来获得检测过程的3倍加速。随后我们提出了Combo-HOD，一个联合了HOD和HOG]]></description><category></category></item><item><title><![CDATA[使用判别训练的部件模型进行目标检测 Object Detection with Discriminatively Trained Part Based Models]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/17924671</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/17924671</guid><author>masikkk</author><pubDate>Tue, 21 Jan 2014 15:58:33 +0800</pubDate><description><![CDATA[本文介绍了一个基于混合多尺度可变形部件模型(mixtures of multiscale deformable part model)的目标检测系统。此系统可以表示各种多变的目标并且在PASCAL目标检测挑战赛上达到了目前最优结果(state-of-the-art)。虽然可变形部件模型现在很流行，但它的价值并没有在类似PASCAL这种较难的测试集上进行展示。此系统依赖于使用未完全标注(partially labeled)的样本进行判别训练的新方法。我们提出了一种间隔敏感(margin-sensitive)的]]></description><category></category></item><item><title><![CDATA[凸优化和非凸优化]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/17955331</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/17955331</guid><author>masikkk</author><pubDate>Tue, 07 Jan 2014 11:47:34 +0800</pubDate><description><![CDATA[数学中最优化问题的一般表述是求取，使，其中是n维向量，是的可行域，是上的实值函数。
凸优化问题是指是闭合的凸集且是上的凸函数的最优化问题，这两个条件任一不满足则该问题即为非凸的最优化问题。
其中，是 凸集是指对集合中的任意两点，有，即任意两点的连线段都在集合内，直观上就是集合不会像下图那样有“凹下去”的部分。至于闭合的凸集，则涉及到闭集的定义，而闭集的定义又基于开集，比较抽象，不赘述，这里可以]]></description><category></category></item><item><title><![CDATA[在Windows下运行Felzenszwalb的Deformable Part Models(voc-release4.01)目标检测matlab源码]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/17577195</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/17577195</guid><author>masikkk</author><pubDate>Thu, 26 Dec 2013 09:59:59 +0800</pubDate><description><![CDATA[可变形部件模型Deformable Part Models是目前最好的目标检测算法，由Felzenszwalb提出，本文介绍如何在Windows下运行Felzenszwalb的Deformable Part Models(voc-release4.01)目标检测matlab源码]]></description><category></category></item><item><title><![CDATA[有关可变形部件模型(Deformable Part Model)的一些说明]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/17534151</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/17534151</guid><author>masikkk</author><pubDate>Tue, 24 Dec 2013 18:31:06 +0800</pubDate><description><![CDATA[关于目标检测中的可变形部件模型(Deformable Part Model)的一些说明]]></description><category></category></item><item><title><![CDATA[判别训练的多尺度可变形部件模型 A Discriminatively Trained, Multiscale, Deformable Part Model]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/17533419</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/17533419</guid><author>masikkk</author><pubDate>Tue, 24 Dec 2013 18:02:40 +0800</pubDate><description><![CDATA[本文介绍了一种用于目标检测的判别训练的多尺度可变形部件模型。我们的系统在平均精度上达到了2006 PASCAL 人体检测竞赛中最优结果的两倍，同样比2007 PASCAL目标检测比赛中20个类别中的10个的最优结果都要好。此系统非常依赖于可变形部件模型。随着可变形部件模型逐渐流行，它的价值并没有在类似PASCAL的较难的数据集上被展示。我们的系统还依赖于判别训练的新方法。我们将一种挖掘难例(Hard Negative Example)的间隔敏感方法与隐藏变量SVM(Latent variable SVM)结]]></description><category></category></item><item><title><![CDATA[基于轮廓线索的实时人体检测 Real-Time Human Detection Using Contour Cues]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/17248921</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/17248921</guid><author>masikkk</author><pubDate>Tue, 10 Dec 2013 19:24:28 +0800</pubDate><description><![CDATA[本文提出了一种实时并且精准的人体检测架构C4。C4在目前最高精确度下可以达到20帧每秒的检测速度，并且是在只使用一个处理线程和不使用GPU等硬件的情况下达到的。能达到实时而精确的检测源于以下两点：第一，相邻像素差值的符号是描述轮廓的关键信息；第二，CENTRIST描述子非常适合做人体检测，因为它编码了符号信息并且可以隐式地表达全局轮廓。使用CENTRIST描述子和线性分类器，我们提出了一种不需要显式生成特征向量的计算方法，它不需要图像的预处理或特征向量的归一化，只需要O(1)时间去测试一个图片区域。C4也非]]></description><category></category></item><item><title><![CDATA[利用FinalData恢复shift+delete误删的文件]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/17136261</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/17136261</guid><author>masikkk</author><pubDate>Thu, 05 Dec 2013 10:06:01 +0800</pubDate><description><![CDATA[FinalData和之前找的几款软件所不同的地方在于，它不仅能恢复文件，还能查看文件损坏级别并进行受损恢复。]]></description><category></category></item><item><title><![CDATA[用初次训练的SVM+HOG分类器在负样本原图上检测HardExample]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/16113373</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/16113373</guid><author>masikkk</author><pubDate>Thu, 14 Nov 2013 10:35:26 +0800</pubDate><description><![CDATA[难例(Hard Example)就是分错类的负样本，将难例加入负样本集合进行二次训练就是告诉分类器：“这些是你上次分错类的，要吸取教训，改正错误”]]></description><category></category></item><item><title><![CDATA[自己训练SVM分类器进行HOG行人检测]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/16105073</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/16105073</guid><author>masikkk</author><pubDate>Wed, 13 Nov 2013 22:51:37 +0800</pubDate><description><![CDATA[正样本来源是INRIA数据集中的96*160大小的人体图片，使用时上下左右都去掉16个像素，截取中间的64*128大小的人体。
负样本是从不包含人体的图片中随机裁取的，大小同样是64*128。
SVM使用的是OpenCV自带的CvSVM类。
首先计算正负样本图像的HOG描述子，组成一个特征向量矩阵，对应的要有一个指定每个特征向量的类别的类标向量，输入SVM中进行训练。
训练好的SVM分类器保存为XML文件，然后根据其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数，再调用OpenCV中的多]]></description><category></category></item><item><title><![CDATA[从完全不包含人体的图片中随机剪裁出64*128大小的用于人体检测的负样本]]></title><link>https://blog.youkuaiyun.com/masikkk/article/details/16104981</link><guid>https://blog.youkuaiyun.com/masikkk/article/details/16104981</guid><author>masikkk</author><pubDate>Wed, 13 Nov 2013 22:13:59 +0800</pubDate><description><![CDATA[进行行人检测的分类器训练时，负样本是从完全不包含人体的图片中随机剪裁出来的，下面程序的目的就是这个]]></description><category></category></item></channel></rss>