凌风探梅的专栏

基于openCV的动态背景下的运动目标检测from: http://www.mianfeiwendang.com/doc/89c6692a222a84b2ced0d502/1摘要：介绍在动态背景下对视频图像序列进行运动目标的检测，主要包括三个步骤，分别是运动估计，运动补偿和目标检测。在运动估计中采用的主要是基于特征点匹配算法。这种算法与传统的块匹配算法最大的好处在于它的

PART Ifrom: http://www.cnblogs.com/molakejin/p/5708791.html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，主要还是在性能和速度方面还不能达到一个权衡。近年，以谷歌为首的自动驾驶技术的研发正如火如荼的进行，这也迫

from: http://blog.youkuaiyun.com/GarfieldEr007/article/details/50866089pedestrian-detection-resource-1-summary-review-survey-1        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

from: http://www.dataguru.cn/article-9863-1.html摘要: 人眼可以比较轻松的在一段时间内跟住某个特定目标。但是对机器而言，这一任务并不简单，尤其是跟踪过程中会出现目标发生剧烈形变、被其他目标遮挡或出现相似物体干扰等等各种复杂的情况。过去几十年以来，目标跟踪的 ...开始本文之前，我们首先看上方给出的3张图片，它们分别是同一个视频

from：运动背景下的运动目标检测各种目标检测方法介绍（懒人可以直接略过）　　目标检测是一个老话题了，在很多算法当中都有它的身影。目标检测要做的就两件事：检测当前图片中有没有目标？如果有的话，在哪？按照先验知识和背景运动来划分的话，目标检测方法大概可以分为两大类：　　第一，已知目标的先验知识。在这种情况下检测目标有两类方法，第一类方法是用目标的先验知识训练一堆弱分类器，

行人检测资源（上）综述文献by shoubin on 2015年10月26日         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，主要还是在性能和速度方面还不能达到一个权衡。近年，以谷歌为首的自动驾驶技术的研发正如火如荼的进行，这也迫切需要能对行人进行快

动态视频目标检测和跟踪技术http://m.qingqingsk.com/ztnews/lvvozlzrztkzrqwqqlnrluqk.html传统电视监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全

from: http://blog.youkuaiyun.com/jinshengtao/article/details/30258833一、简介     首先扯扯无参密度估计理论，无参密度估计也叫做非参数估计，属于数理统计的一个分支，和参数密度估计共同构成了概率密度估计方法。参数密度估计方法要求特征空间服从一个已知的概率密度函数，在实际的应用中这个条件很难达到。而无参数密度估计方法对先验知识要求

开始本文内容之前，我们先来看一下上边左侧的这张图，从图中你看到了什么物体？他们在什么位置？这还不简单，图中有一个猫和一个人，具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置。其实刚刚的这个过程就是目标检测，目标检测就是“给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别”。目标检测对于人来说是再简单不过的任务，但是对于计算机来说，它看到的是一些值为0~255的数组，因而很难直接得到图像中有人或者猫这种高层语义概念，也不清楚目标出现在图像中哪个区域。图像中的目

背景建模是从拍摄的视频中分离出背景和前景。由于背景的视频基本是不变的，所以如果把每帧当做一个矩阵的一列那么，矩阵是低秩的，所以低秩矩阵的恢复来恢复出背景。今天主要完成了，在自己的数据库让进行背景和前景的分离。下面为主要步骤：1.从马毅的实验室网址下载RPCA求解的代码http://perception.csl.illinois.edu/matrix-rank/introduction.

DeepLab：语义图像分割，采用深度卷积网络、完全连接CRF技术。DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs，项目论文数据等：http://t.cn/RxbHYZt 代码：http://t.cn/RxbHYZc ​

一文详解 YOLO 2 与 YOLO 9000 目标检测系统 from 雷锋网雷锋网 AI 科技评论按：YOLO 是 Joseph Redmon 和 Ali Farhadi 等人于 2015 年提出的第一个基于单个神经网络的目标检测系统。在今年 CVPR 上，Joseph Redmon 和 Ali Farhadi 发表的 YOLO 2 进一步提高了检测的精度和速度。这次讲座的主

YOLO: Real-Time Object Detection只看一次 (YOLO)是一个实时对象检测系统。在 Titan X 上处理速度可以达到 40-90 FPS ，在  VOC 2007 上mAP（平均准确率）为78.6% ，在COCO test-dev上平均准确率为48.1%。ModelTrainTestmAPFLOPSFPSCfg

from: CVPR 2014 ObjectnessBING 原文翻译 BING: Binarized Normed Gradients for Objectness Estimation at 300fps Ming-Ming Cheng, Ziming Zhang, Wen-Yan Lin, Phili...

简介　　本篇讲解使用opencv提供的流光法算法接口，实现物体跟踪。范例代码为参考修改tvl1_optical_flow.cpp实现。具体实现实现代码#include #include  #include "opencv2/video/tracking.hpp"#include "opencv2/highgui/highgui.hpp" using n

TLD（Tracking-Learning-Detection）一种目标跟踪算法　　原文：http://blog.youkuaiyun.com/mysniper11/article/details/8726649　　视频介绍网址：http://www.cvchina.info/2011/04/05/tracking-learning-detection/　　TLD(Tracking-Learnin

行人检测1（总结）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.行人检测的现状（大概可以分为两类）（1）.基于背景建模：利用背景建模方法，提取出前景运

基于空间金字塔池化的卷积神经网络物体检测原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50187655作者：hjimce一、相关理论   本篇博文主要讲解大神何凯明2014年的paper：《Spatial Pyramid Pooling in Deep Convolutional Networks for Vi

（转载请注明出处： http://blog.youkuaiyun.com/zhazhiqiang/  未经允许请勿用于商业用途）一、理论1、HOG特征描述子的定义：    locally normalised histogram of gradient orientation in dense overlapping grids，即局部归一化的梯度方向直方图，是一种对图像局部重叠区域的

个人接触机器视觉的时间不长，对于机器学习在目标检测的大体的框架和过程有了一个初步的了解，不知道对不对，如有错误，请各位大牛不吝指点。 目标的检测大体框架：目标检测分为以下几个步骤：1、训练分类器所需训练样本的创建：       训练样本包括正样本和负样本；其中正例样本是指待检目标样本(例如人脸或汽车等)，负样本指其它不包含目标的任意图片（如背

转自：http://blog.youkuaiyun.com/zouxy09/article/details/7929348作者：zouxy09 目标检测的图像特征提取之（一）HOG特征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

from：http://blog.youkuaiyun.com/u010402786/article/details/50596263前提运动目标的检测是计算机图像处理与图像理解领域里一个重要课题，在机器人导航、智能监控、医学图像分析、视频图像编码及传输等领域有着广泛的应用。 —————————-———————–目标检测方法分类　　第一，已知目标的先验知识。在这种情况下检测

from： http://blog.youkuaiyun.com/jia20003/article/details/7596443图像处理之简单脸谱检测算法（Simple Face Detection Algorithm）介绍基于皮肤检测之后的，寻找最大连通区域，完成脸谱检测的算法。大致的算法步骤如下：原图如下：每步处理以后的效果：程序运行，加载

FROM：http://www.cnblogs.com/ronny/p/4256150.html最近对运动目标检测与跟踪这一块的知识进行了一个整体性的回顾，又看了几篇综述性的论文，所以这篇博客算是做一个简单的记录，对几个重要的概念进行了描述与分析。并没有去研究现在这一领域那些最近的研究成果。因为在我看来，算法的主体想法都是一致的，每种方法都有它适应的场景。抓住轴心就够了！前景检

FROM： http://www.cnblogs.com/ronny/archive/2012/04/12/2444053.html最近一直在做前景检测方面的研究，刚开始主要是做一些工程性的应用，为了解决工程方面的问题，下了不少功夫，也看了不少最近国内外的文章。一直想做个总结，拖着拖着，终究却写成这篇极不成功的总结。      背景建模或前景检测的算法主要有：1. Single G

homedarknetcoq tacticspublicationsprojectsrésuméYOLO: Real-Time Object DetectionYou only look once (YOLO) is a system for detecting objects on thePascal VOC 2012 dataset. I

from： http://groups.inf.ed.ac.uk/calvin/objectness/Objectness measure V2.2Bogdan Alexe, Thomas Deselaers, Vittorio FerrariOverview   What is objectness?The objectne

PapersJ. Hosang, R. Benenson, P. Dollár, and B. Schiele. What makes for effective detection proposals? arXiv:1502.05082, 2015.arXiv@ARTICLE{Hosang2015arXiv, author = {J. Hosang and R. Bene

目标检测简要综述May 6, 20156 minute read目标检测(Object Detection)是计算机视觉领域中一个基础性的研究课题,主要包含两类不同的检测任务：目标实例检测(Instance Object Detection)和目标类别检测(Generic Object Detection).研究和实际意义第一类检测任务的目标是识别并定位输入图像中已知特定的某个

Chapter 26. Object Detection by Color: Using the GPU for Real-Time Video Image Processingfrom: http://http.developer.nvidia.com/GPUGems3/gpugems3_ch26.htmlRalph Brunner AppleFrank Doepke

Motion-based Segmentation and RecognitionDataset(this is a draft versionof this page)       Please cite:    (1)Segmentation and RecognitionUsing Structure from Motion

CODE URL: https://github.com/zjucsxxd/Bing-Objectness-linuxCODE ZIP: https://github.com/zjucsxxd/Bing-Objectness-linux/archive/master.zipFROM: http://www.cvchina.info/2014/02/25/14cvprbing

Ross B. GirshickResearch ScientistFacebook AI Research (FAIR)ResearcherMicrosoft Research, RedmondPostdoctoral fellowUniversity of California, Berkeley, EECSr......@eecs.berkeley.e

背景建模与前景检测之三(Background Generation And Foreground Detection Phase 3)作者：王先荣    在上一篇文章里，我尝试翻译了《Nonparametric Background Generation》，本文主要介绍以下内容：如何实现该论文的算法，如果利用该算法来进行背景建模及前景检测，最后谈谈我的一些体会。为了使描

背景建模与前景检测2(Background Generation And Foreground Detection Phase 2)作者：王先荣    本文尝试对《学习OpenCV》中推荐的论文《Nonparametric Background Generation》进行翻译。由于我的英文水平很差，断断续续搞了好几天才勉强完成，里面肯定会有诸多错误，欢迎大家指正，并请多

背景建模与前景检测(Background Generation And Foreground Detection)作者：王先荣前言    在很多情况下，我们需要从一段视频或者一系列图片中找到感兴趣的目标，比如说当人进入已经打烊的超市时发出警报。为了达到这个目的，我们首先需要“学习”背景模型，然后将背景模型和当前图像进行比较，从而得到前景目标。背景建模

计算机视觉目标检测的框架与过程FROM:http://blog.youkuaiyun.com/zouxy09/article/details/7928771个人接触机器视觉的时间不长，对于机器学习在目标检测的大体的框架和过程有了一个初步的了解，不知道对不对，如有错误，请各位大牛不吝指点。 目标的检测大体框架：目标检测分为以下几个步骤：1、训练分类