u012507022的博客

本文实现了基于人脸的性别识别。人脸是重要的生物特征之一，人脸图像上蕴含了大量的信息，例如性别、年龄、人种、身份等。人脸的性别识别就是试图赋予计算机根据输入的人脸图像判断其性别的能力。本文讲的性别识别按如下四个步骤进行。首先进行人脸识别，即在图像中找出人脸，把人脸区域提取出来作为训练对象。第二步，运用Gabor小波对人脸提取特征。第三步，运用PCA对Gabor提取的特征进行降维处

计算机视觉领域权威评测——ImageNet大规模图像识别挑战赛（Large Scale Visual Recognition Challenge）自2010年开始举办以来，一直备受关注。2016年，在该比赛的图像目标检测任务中，国内队伍大放异彩，包揽该任务前五名（如图1所示）。我们将根据前五名参赛队伍提交的摘要与公开发表的论文或技术文档，简析比赛中用到的图像目标检测方法。

由椭圆的公式(1)可得，确定一个椭圆需要5个参数，a,b 为椭圆的长轴和段轴，P,Q 为椭圆中心坐标，θ为椭圆的旋转角度。如果用传统的Hough变换方法，参数空间需要五维。这种方法在计算过程中所耗费的时间和空间资源是惊人的,根本无法应用于实际。为此，人们提出了很多新的改进算法。   改进算法主要分为两种：1）随机Hough变换(RHT),采用多到一的映射，但是随机采样会带来

DPM是一个非常成功的目标检测算法，连续获得VOC（Visual Object Class）07,08,09年的检测冠军。目前已成为众多分类器、分割、人体姿态和行为分类的重要部分。2010年Pedro Felzenszwalb被VOC授予"终身成就奖"。DPM可以看做是HOG（Histogrrams of Oriented Gradients）的扩展，大体思路与HOG一致。先计算梯度方向直方图，然后用SVM（Surpport Vector Machine ）训练得到物体的梯度模型（Model）。

在今年的神经网络顶级会议NIPS2016上，深度学习三大牛之一的Yann Lecun教授给出了一个关于机器学习中的有监督学习、无监督学习和增强学习的一个有趣的比喻，他说：如果把智能（Intelligence）比作一个蛋糕，那么无监督学习就是蛋糕本体，增强学习是蛋糕上的樱桃，那么监督学习，仅仅能算作蛋糕上的糖霜

Haar-like特征是计算机视觉领域一种常用的特征描述算子(也称为Haar特征，这是因为Haar-like是受到一维haar小波的启示而发明的,所以称为类Haar特征)，后来又将Haar-like扩展到三维空间(称为3DHaar-Like)用来描述视频中的动态特征。关于Haar的发展历程如图1所示。图1Haar-like特征的特点       目前最常用的还是Haar

视觉显著性检测(Visual saliency detection)指通过智能算法模拟人的视觉特点，提取图像中的显著区域(即人类感兴趣的区域)。视觉注意机制(Visual Attention Mechanism，VA)，即面对一个场景时，人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域，这些人们感兴趣区域被称之为显著性区域。如图1所示，当看到这幅图像时，图中的四个人最能引起人的注意。

工欲善其事，必先利其器http://www.cs.utexas.edu/~chaoyeh/web_action_data/dataset_list.html，此链接内容更全，可惜整理完后发现的。1. The KTH Dataset(2004)KTH数据集于2004 年的发布,是计算机视觉领域的一个里程碑。此后，许多新的数据库陆续发布。数据库包括在 4个不同场景下 25 个人完成的 6 ...

转自：https://www.52ml.net/20287.html引言普通的深度学习监督算法主要是用来做分类，如图1(1)所示，分类的目标是要识别出图中所示是一只猫。而在ILSVRC（ImageNet Large Scale Visual Recognition Challenge)竞赛以及实际的应用中，还包括目标定位和目标检测等任务。其中目标定位是不仅仅要识别出来是什么物体（即

区分不同的人是很多智能系统的必备能力。为实现此目的，一种可能的技术手段是通过对人脸的光学成像来感知人、识别人，即所谓的人脸识别技术。经过几十年的研发积累，特别是近年来深度学习技术的涌现，人脸识别取得了长足的进步，在安防、金融、教育、社保等领域得到了越来越多的应用，成为计算机视觉领域最为成功的分支领域之一。然而，人脸识别并非完全成熟的技术，离公众期望的全面应用尚有距离，还需要学术界、工业界的共同

基于上一篇博文提取的人脸图像，本文运用Gabor小波对人脸图像提取特征，再运用PCA对其降维处理，最后用SVM训练一个性别分类器。这里不再深入介绍Gabor小波和PCA的原理。很多博文讲解的很详细。可参考：http://blog.youkuaiyun.com/jinshengtao/article/details/17797641           http://www.cnblogs.com/em

形状上下文特征是一种很流行的形状描述子，多用于目标识别，它采用一种基于形状轮廓的特征描述方法,其在对数极坐标系下利用直方图描述形状特征能够很好地反映轮廓上采样点的分布情况。形状上下文的基本原理如下：Step1:对于给定的一个形状,通过边缘检测算子(如:canny算子)获取轮廓边缘 ,对轮廓边缘采样得到一组离散的点集P={p1,p2,p3,..pn}，如图1中的字母A。Step2

来源：http://www.leiphone.com/news/201605/zZqsZiVpcBBPqcGG.html#rd人工智能是人类一个非常美好的梦想，跟星际漫游和长生不老一样。我们想制造出一种机器，使得它跟人一样具有一定的对外界事物感知能力，比如看见世界。在上世纪50年代，数学家图灵提出判断机器是否具有人工智能的标准：图灵测试。即把机器放在一个房间，人类测试员在另一个房间

重要国际期刊(1) IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI)(2) International Journal of Computer vision(IJCV)(3) IEEE Transactions on Image Processing(4) ACM Transactions on Graphic...

来源：http://www.leiphone.com/news/201604/AmFQPiD4KH9eMVHm.html作为人工智能的两个分支，计算机视觉与机器视觉在近年都取得了长足的进步。前者自2010年以来，随着深度学习再度流行并用于目标识别，在人脸识别等方面已经超过了人类；而后者在工业应用方面，也有不少突破性的应用。但是，在消费级市场方面，计算机视觉与机器视觉的进

SAD(Sum of absolute differences)是一种图像匹配算法。基本思想：差的绝对值之和。此算法常用于图像块匹配，将每个像素对应数值之差的绝对值求和，据此评估两个图像块的相似度。该算法快速、但并不精确，通常用于多级处理的初步筛选。

欢迎转载，请注明出处；本人能力有限，错误在所难免，欢迎指导基于Gabor+PCA+SVM的性别识别(1): http://www.cnblogs.com/xiaoming123abc/p/5078411.html基于Gabor+PCA+SVM的性别识别(2): http://www.cnblogs.com/xiaoming123abc/p/5078792.html 基于前两博文，已经训

BoW模型最初应用于文本处理领域，用来对文档进行分类和识别。BoW 模型因为其简单有效的优点而得到了广泛的应用。其基本原理可以用以下例子来给予描述。给定两句简单的文档：文档 1：“我喜欢跳舞，小明也喜欢。”文档 2：“我也喜欢唱歌。”基于以上这两个文档，便可以构造一个由文档中的关键词组成的词典：词典={1:“我”，2:“喜欢”，3:“跳舞”，4:“小明”，5:“也”，6:“唱歌”}