pb09013037的专栏

http://blog.youkuaiyun.com/masibuaa/article/details/129179611、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

这两个classifier到底哪个好？或许有人会说这样简单的判定哪个好哪个不好很幼稚，每一个classifier都有它的优缺点，但是看看CVPR每年的几百篇论文，这两个classifier的地位很难有任何其他的算法能比吧？ 之前我一直以为SVM要比Adaboost在实际中更好，在理论上也更clever。想想Viola Jones都是十年前的算法了，用SVM做face detection未必就比

最近，在做一些关于物体检测的东西，其中要用到分类器。现在，常用的分类器有两大类：AdaBoost ，SVM.由于刚刚接触，概念上勉强了解，做起来有些吃力。幸好，实验室的师兄做过类似的工作，赶紧请教，终于有了新的理解和认识，做一简单总结。首先，要清楚整个detection task 的流程框架：第一步，对待检测图片进行合理的表述，这一步即特征表达的问题。需要用一向量（特征向量）表示图

imagemagick文档：http://www.imagemagick.org/script/command-line-options.phpconvert功能强大，用来批处理图片的放大、缩小、裁剪、旋转、合并、水印、拼接、格式转换等都非常方便，特别适合后台的图片处理。1，获取图片信息[plain] view plaincopy$ide

非极大值抑制（NMS）      非极大值抑制顾名思义就是抑制不是极大值的元素，搜索局部的极大值。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法，而是用于在目标检测中用于提取分数最高的窗口的。例如在行人检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉

http://blog.youkuaiyun.com/zhangping1987/article/details/29554621目标检测、识别、分类、特征点的提取David Lowe：Sift算法的发明者，天才。Rob Hess：sift的源码OpenSift的作者，个人主页上有openSift的下载链接，Opencv中sift的实现，也是参考这个。

ICCV2013 Papers about Object Detection:1. Regionlets for Generic Object Detection. Xiaoyu Wang, Ming Yang, Shenghuo Zhu, Yuanqing Lin .（暂无源码提供）Website: http://www.xiaoyumu.com/project/detectio

最近在一个项目，需要用到非极大值抑制，找了很长时间没有找到非极大值抑制在物体检测方面的的详细解释，最后只有翻阅相关的代码来理解。一、Nms主要目的          在物体检测非极大值抑制应用十分广泛，主要目的是为了消除多余的框，找到最佳的物体检测的位置。如上图中：虽然几个框都检测到了人脸，但是我不需要这么多的框，我需要找到一个最能表达人脸的框。下图汽车

因个人在做模式识别相关的工作，模式识别算法最终的性能评价是关键。但苦于网上很难找到具体、详细的评价流程、方法以及代码，所以本人打算近期准备如题所示评价方法的整理工作，到时候会奉上方法介绍、基础代码（matlab 版），以帮助更多像我这样对这些方法有些迷茫的人。暂时提供matlab中自带的ROC,DET曲线绘制函数: perfcurve()具体使用方法，中文链接：http://ilo

http://blog.youkuaiyun.com/lanbing510/article/details/41279491由于最近要用到ICF，DPM等新的行人检测算法，找到了开源库CCV http://libccv.org/tutorial/ ，但代码是在linux平台下的，公司机器又不允许自己装双系统，就使用了Visual Box+Ubuntu来进行实现，具体的实现步骤如下：

http://blog.youkuaiyun.com/abc470337944/article/details/7524598去年我做一个作业和调研的时候看了HOG的那篇论文，没怎么看明白，于是就求助于opencv的代码，结果是也没看明白。在网上做了一些求助后只好自己硬着头皮慢慢抠了两周，最后写了matlab的程序《Histograms of Oriented Gradients (HOG)特

http://www.cvchina.info/2014/02/25/14cvprbing/

参考 http://blog.youkuaiyun.com/zouwen198317/article/details/8198578

http://blog.youkuaiyun.com/masibuaa/article/details/16105073

申明：本文为笔者翻阅英文文献后翻译、整理所得，文中所提方法并非笔者原创。如果你想了解更多的细节，更好的把握作者的本意，建议阅读作者的原文。Pedestrian detection at 100 frames per second, Rodrigo Benenson, Markus Matias, CVPR2012这篇文章的主要贡献有两点：（1）提出一种无

转自：http://blog.youkuaiyun.com/carson2005/article/details/8503948 文中作者主要关注于如何快速、有效的进行行人检测，并提出了两种加速方法。一种是在单张图像上如何更好的处理尺度信息；另一种是如何利用深度信息（depth information on stereo images）来加速；最后，根据作者的实验发现，在不降低检测质量的前提下，可

http://www.verydemo.com/demo_c116_i10037.html

http://itindex.net/detail/50878-%E8%A1%8C%E4%BA%BA最近一直在看行人检测的论文，对目前的行人检测做大概的介绍。行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。从2005年以来行人检测进入了一个快速的发展阶段，但是也存在很多问题还有待解决，个人觉得主要还是在性能和速度方面还不能达到一个权衡。1.行人检测

申明，本文非笔者原创，原文转载自：http://blog.youkuaiyun.com/dpstill/article/details/22420065序号文章简介论文出处02012年PAMI登的行人检测的综述性文章：pedestrian detection an evaluation of the state

更多详情见——http://www.cnblogs.com/zyl910/archive/2012/04/26/md00.htmlSIMD函数整理：00 索引贴R：寄存器。M：64位MM寄存器；X：128位XMM寄存器；Y：256位YMM寄存器。Name：函数名。Name2：另一种函数名。功能：功能描述。Asm：汇编指令。PCode：伪代码。