荪荪的博客

Haar特征：【人脸检测：Haar】计算Haar特征个数（一）【人脸检测：Haar】利用积分图像法快速计算Haar特征（二）[Opencv]Adaboost+Haar【人脸检测】OpenCV中的Haar+Adaboost级联分类器分解（一）：Haar特征介绍【人脸检测】OpenCV中的Haar+Adaboost级联分类器分解（二）：积分图和45°旋转积分图【人脸

转载：http://blog.youkuaiyun.com/xiaowei_cqu/article/details/8216109最早的Haar特征由Papageorgiou C.等提出（《A general framework for object detection》），后来Paul Viola和Michal Jones提出利用积分图像法快速计算Haar特征的方法（《Rapid object

转载：http://blog.youkuaiyun.com/xiaowei_cqu/article/details/8219324由于Haar特征是矩形中黑色区域所有像素值的和减去白色区域所有像素值的和。在之前（《计算Haar特征个数》）我们看到，24*24的图片中，有115984个特征，远远大于其像素个数。如果计算每个特征的像素和，计算量会非常大，而且很多次运算是重复的。Paul Viola

转载：http://blog.youkuaiyun.com/zy1034092330/article/details/48929881缩进前一篇文章分析了Haar特征，包括Haar特征生成、特征值计算和含义。这一篇则主要分析一下2个内容：缩进1.OpenCV中的Adaboost级联分类器的结构，包括强分类器和弱分类器的形式；缩进2. OpenCV自带的XML分类器中各项参数的含义

转载：http://blog.youkuaiyun.com/zy1034092330/article/details/48850437缩进最近由于工作原因，需要研究OpenCV中的Adaboost级联分类器。我阅读了OpenCV中所有相关得代码，包括检测和训练部分，发现目前OpenCV中的Adaboost级联分类器代码有以下2个特点：1.OpenCV代码中的实际算法与Paul.Viol

进前一篇文章分析了Haar特征，即通过“平移+放大”能够产生一系列数量巨大的Haar子特征，同时给出了Haar特征值计算公式。那么这就有一个问题：如何快速的计算出图像任意位置的某个Haar特征值？这就需要用到本节介绍的积分图。-------------------------------------------缩进以OpenCV自带的人脸分类器haarcascade_front

http://www.opencv.org.cn/forum.php?mod=viewthread&tid=34155

学习OpenCV初期入门最大的问题是资料太杂，不同版本之间还有很大差异，很多书籍、资料都是较老的OpenCV 1.0的版本，模块划分数据结构在使用上均有很多不同，而在网络上的资料中，虽然资料很多，杂七杂八看起来也很乱，经过一段时间段的积累，找到了几个做这块的博客，几个博主均是系统性的学习，这点和我拿来偶尔用的还是有很大区别，看了他们的博客收货很大，这里整理分享。博客博客一：tornad

转载：http://blog.sina.com.cn/s/blog_900690c60101czyo.html根据自己的知识总结的，定义应该肯定对了，在某些表述方面可能有错误的地方。假设原始样本中有两类，其中： 1：总共有 P个类别为1的样本，假设类别1为正例。 2：总共有N个类别为0 的样本，假设类别0为负例。 经过分类后：3：有 TP个类别为1 的样本被系统正确判定

转载： http://blog.youkuaiyun.com/ding977921830/article/details/46128903   自从2001年Viola和Jones发表了《rapid object detection using a boosted cascade of simple features》的文章以后，在学术界和商业界研究人脸检测的热情就朝向了adaboost算法，也发表了

inputpath = uigetdir('e:\','请选择要处理的图片文件夹！');dir_struct = dir(inputpath);[names,index] = sortrows({dir_struct.name}');outputpath='E:\FaceTrain\negpic';len = length(names);for i=1:len [path0,name,ext] =

转载：http://blog.youkuaiyun.com/zy1034092330/article/details/49687487前一篇文章分析了OpenCV级联分类器结构，即“强分类器串联，弱分类器并联”，这一节我们来聊聊一些非常必要但是又容易人忽略的细节：如何利用并查集合并检测结果窗口。-------------------------------------------

转载： http://www.cnblogs.com/walccott/p/4956860.html霍夫森林是随机森林和霍夫投票在计算机视觉中的应用，可以用在物体检测，跟踪和动作识别。09年cvpr上提出霍夫森林的文章——Class-Specific Hough Forests for Object Detection关于hough变换，请看我之前的一篇博客

Hough Forest目标检测一种比较时兴的目标检测算法，Juergen Gall在2009的CVPR上提出。 Hough Forest听上去像hough变换+Random Forest的结合体，其实，不完全是这样的。它更像是decision forest和regression forest的结合体再加上generalized hough transform：森林中每棵树即不是分类

转载：http://blog.youkuaiyun.com/xzzppp/article/details/52317863英文原文：faste rcnn。其中生成RPN(Regional proposal network)的Python代码解析本代码主要用于：生成尺度为：128,256,512; 宽高比为：1:2,1:1,2:1的anchor[python]view

转载：http://blog.youkuaiyun.com/xzzppp/article/details/52073107对py-faster-rcnn/tools/demo.py文件的解析： 运行该文件：先cd进入到py-faster-rcnn根目录，再在命令后窗口输入: ./tools/demo.py --net myvgg 即可运行[python]vie

转载：http://blog.youkuaiyun.com/xzzppp/article/details/520716141、简介    Faster R-CNN是R-CNN系列深度学习人脸检测最好的方法，mean average precision（mAP）达到73.2%，目标检测的速度可以达到每秒5帧。    技术上将RPN网络和FastR-CNN网络结合到了一起，是一个CNN网络实现

转载：http://blog.youkuaiyun.com/xzzppp/article/details/52071546本程序在py-faster-rcnn/tools/demo.py的基础上进行修改程序功能：利用训练好的caffemodel，对人脸进行标注[python] view plain copy#!/usr/bin/env

转载：http://blog.youkuaiyun.com/xzzppp/article/details/52071460本程序是在py-faster-rcnn/tools/demo.py的基础上进行修改的程序功能：用训练好的caffemodel，对FDDB人脸进行标注，便于其在FDDB上进行测试[python] view plain copy

转载：http://blog.sciencenet.cn/blog-261330-860305.html对目前常见的快速目标检测模型进行分析。部分模型将融入在14年三月发布的eagleeye的语法树目标检测模型中，敬请期待。众所周知sliding window策略是目标检测中的基本检测方式，我们需要遍历图像中的每个点以及以该点为起始点的不同大小的矩形窗口，然后依靠所采

问题：If there is a handler for this exception, the program may be safely continue解决方法：　在编有递归代码的VS、VC程序中可能会引起栈溢出错误，其实代码本身并没有出错，只是系统分配的栈内存不满足程序需要。　　错误提示如下：　　First-chance exception at 0x00AFE289

转载：http://blog.youkuaiyun.com/marvin521/article/details/9173645基于Cascade分类器的目标检测       从今天开始进入基于机器学习的目标检测，前几节虽然也接触了一些机器学习的方法，但它主要是做辅助工作，机器学习的方法和非机器学习的方法结合在一起使用，说到这想起来前几天看到一位博士师兄发的笑话，说的是百度实验室：

转载：http://blog.youkuaiyun.com/marvin521/article/details/9154685基于ASM的目标检测       ASM(Active Shape Model：主动形状模型)是Tim Cootes于1995年提出来的，其实是在1992年提交，1994年被接受，1995被发表的。ASM方法是通过寻找一系列匹配点来检测形状的方法，和单纯的基于s

http://blog.youkuaiyun.com/marvin521/article/details/9091555基于霍夫森林的目标检测       上节说了霍夫变换（HT）和广义霍夫变换（GHT），今天就接着广义霍夫变换说下去，在广义霍夫变换中，每个投票元素（比如边缘像素中的点）在霍夫空间中累加投票的权重是相等的，每个元素投票的权重互不影响，这其实是假设了图像空

原文来自：http://blog.sina.com.cn/s/blog_631a4cc401013pkn.html———————————————以下为原文———————————————纹理分类是一个很老的topic，但是一些纹理分类的方法为以后的图片分类奠定了基础。首先定义一下纹理图片，他是一个随一下变量变化的函数：纹理表面材质，反射率，光照，照相机和他的角度。

本Matlab批量预处理图片程序包括：1、批量对图片重命名；2、将多个文件夹下面的图片，拷贝到一个文件夹下；3、给定图片及其中人脸位置，框出人脸[plain] view plain copy%功能描述：批量对图片重命名  %路径格式为，E:\image\（maindir路径下要是子文件夹，不可直接是图片）

转载：http://blog.youkuaiyun.com/xidianzhimeng/article/details/42147601以OpenCV训练级联Adaboost为例进行说明numPos: 12000numNeg: 120000numStages: 15precalcValBufSize[Mb] : 1000precalcIdxBuf

本文以LBP特征为例，介绍了OpenCV中train_cascade数据初始化的过程。1 在CvCascadeBoost中，创建了CvCascadeBoostTrainData对象。[cpp] view plain copy bool CvCascadeBoost::  train(          const CvFe

下面片段是生成用于在积分图中的矩形块的坐标，Feature类中存的是在积分图矩阵中的初始偏移量，矩形的左上角坐标和宽高，以及是否旋转。不同类型的Haar特征已经在代码中体现的很明确了，故不赘述。[cpp] view plain copy "font-size:14px;">void CvHaarEvaluator::generateFeature

1.准备正负样本：     在上一讲http://www.cnblogs.com/tornadomeet/archive/2012/03/27/2420088.html 中，我们已经收集到了训练所用的正样本。下面就开始收集负样本了，负样本要求是：不能包含人脸，且图片大小也不需要归一化到正样本尺寸，只需比正样本尺寸大或者相等即可。建议负样本用灰度图，加快训练速度，且负样本一定不能重复，要增大

引用：   作者：tornadomeet 出处：http://www.cnblogs.com/tornadomeet      总所周知，机器学习前要训练很多数据，一直感觉训练数据是个很神圣的东西，到底怎么训练呢？头脑一直有这么个疑问，但一直没时间去体验。因此最近在学adaboost算法，就要学会怎样训练出一个.xml文件了。方法是相同的，用过一次，以后的训练过程就差不多了。   

双线性插值较为常用，原理参考http://www.cnblogs.com/linkr/p/3630902.html下面给出代码：[cpp] view plain copyvoid ImgResize_BiLinear()  {      cv::Mat imgSrc, imgDst1, imgDst2;

在2001年,Viola和Jones两位大牛发表了经典的Rapid Object Detection using a Boosted Cascade of Simple Features>>和Robust Real-Time Face Detection>>,文中提出使用Haar特征和积分图方法进行人脸检测，并对AdaBoost训练出的强分类器进行级联，实现了很好的人脸检测效果。那么究竟什么是Ha

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

OpenCV 之 HaarTraining 算法剖析1.引言 通过前段时间阅读 OpenCV 的 HaarTraining 代码，基本掌握了 HaarTraining 算法。现将其中的算法作一梳理，同时对 HaarTraining 的使用方法做一简要说明。  HaarTraining 算法总体上以 Friedman, J. H 等人的“Additive Logistic Reg

引用：http://www.cnblogs.com/easymind223/archive/2012/11/13/2768680.html        这个项目大概是在2年前了，因为要用嵌入式编程，所以无法用opencv的库函数，一切算法纯靠手写（是不是很坑爹？），其中一部分程序需要计算Haar特征，于是就有了下面的故事：　　在模式识别领域，Haar特征是大家非常熟悉的一种图

本文实现基于eigenface的人脸检测与识别。给定一个图像数据库，进行以下步骤：进行人脸检测，将检测出的人脸存入数据库2对数据库2进行人脸建模在测试集上进行recognition本篇实现第一步：进行人脸检测，将检测出的人脸存入数据库2环境：vs2010+opencv 2.4.6.0特征：eigenfaceInpu

本文讨论OpenCV  train_cascade 级联分类器中的HOG特征实现，HOG特征原理可以参考此文。特征的初始化框架和LBP 特征是一致的，感兴趣可以参考train_cascade 源码阅读之LBP 特征中的介绍。HOG，即Histogram of Oriented Gradient 方向梯度直方图，常用于解决人体目标的检测的图像描述子，用来表达人体，提取人体外形信息

在主函数中，最耀眼的一句话就是这个了：[cpp] view plain copy classifier.train( cascadeDirName,                    vecName,                    bgName,                    numPos, numNeg,  

昨天看了一天的opencv训练分类器的资料，想自己试试。经过昨天一天的折腾终于成功的训练出了自己的分类器，虽然效果不好，但是是个好的开端。在整个过程中我遇到了很多问题，在这里和大家分享一下，希望对你有帮助。      1.正样本的创建过程基本上按照以下步骤：      1) 制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在图片中的位置