maxiemei的专栏

海森矩阵（Hessian matrix）转自http://hi.baidu.com/imheaventian/item/c8591b19907bd816e2f98612在数学中，海森矩阵（Hessian matrix 或 Hessian）是一个自变量为向量的实值函数的二阶偏导数组成的方块矩阵，此函数如下：如果 f 所有的二阶导数都存在，那么 f 的海森矩阵即

SIFT特征提取分析分类： Computer VisionSIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，详细

SIFT特征具有缩放、旋转特征不变性，下载了大牛的matlab版SIFT特征提取代码，解释如下：1.调用方法：将文件加入matlab目录后，在主程序中有两种操作：op1：寻找图像中的Sift特征：[csharp] view plaincopy[image, descrips, locs] = sift('scene

尺度不变特征变换匹配算法详解Scale Invariant Feature Transform(SIFT)Just For Funzdd  zddmail@gmail.com对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。1、SIFT综述尺度不变特征转换(Scale-invariant feature trans

hog+svm_行人检测matlab程序【仅供大家理解用】程序压缩上传到了115网盘，下载链接：http://115.com/file/angcz83d关于这个matlab程序，需要说明的是：1、检测时的运行速度超级慢，以16个像素作为扫描时的步长，从1000*1000的大图里检测出最终结果，在2.5GHz的CPU下需要20多分钟时间。主要的时间消耗在两个地方，一个是计算H

目标检测的图像特征提取之（一）HOG特征分类： opencv分类器训练1、HOG特征：       方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识

Gist描述子主要用于场景识别，是由MIT的Antonio Torralba提出的。文章发表在IJCV，题目：Modeling the shape of the scene: a holistic representation of the spatial envelopeGIST Descriptor (Matlab code)Download:Dow

特征点检测学习_2(surf算法)　　　　在上篇博客特征点检测学习_1(sift算法) 中简单介绍了经典的sift算法，sift算法比较稳定，检测到的特征点也比较多，其最大的确定是计算复杂度较高。后面有不少学者对其进行了改进，其中比较出名的就是本文要介绍的surf算法，surf的中文意思为快速鲁棒特征。本文不是专门介绍surf所有理论（最好的理论是作者的论文）的，只是对surf算法进行

三种强大的物体识别算法——SIFT/SURF、haar特征、广义hough变换的特性对比分析识别算法概述： SIFT/SURF基于灰度图，一、首先建立图像金字塔，形成三维的图像空间，通过Hessian矩阵获取每一层的局部极大值，然后进行在极值点周围26个点进行NMS，从而得到粗略的特征点，再使用二次插值法得到精确特征点所在的层（尺度），即完成了尺度不变。二、在特征点选取

Distinctive Image Features from Scale-Invariant Keypoints-SIFT算法译文从尺度不变的关键点选择可区分的图像特征David G.Lowe温哥华不列颠哥伦比亚省加拿大英属哥伦比亚大学计算机科学系Lowe@cs.ubc.ca2003年1月10日接受，2004年1月7日修改，2004年1月22日采用 摘要：