u012935100的博客

import numpy as npimport matplotlib.pyplot as pltx = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 0])y = np.array([1, 3, 4, 6, 7, 2, 13, 24, 6, 19])plt.plot(x, y, 'r') # 折线图，第一个参数是x坐标轴，第二...

1 引入机器学习 （Haar的引入）什么是特征？什么是haar特征？特征是：某个区域的像素点经过某种四则运算得到的结果，这个结果可以是一个向量或者其他的各种元素。（具体值，向量，多维的值，矩阵）本质Haar特征：具有特征的本质，但是又是一种特殊的特征描述，如下：有三个大类，基础类型，核心类型，all类型。这十四个类型特征，这里的特征描述是：特征的公式推导公式...

adaboost分类器Haar特征一般与adaboost分类器在一起运用，在人脸识别上运用较为成熟。adaboost分类的特点是：前一个分类器分出来的样本，在下一个分类器中会得到加强，加强后的样本继续做分类训练作为下一个基本的分类器。例如：三个苹果和一个香蕉，想要通过分类器讲苹果和香蕉区分出来，第一次经过分类器的时候，三个苹果的值为0.1，香蕉为0.5，经过第二个分类器的时候0.5的...

SVM的本质是寻求一个最优的超平面进行分类，比较简单的分类就是一个直线，很简单，若是多维空间的话就是超平面了，运用的核是线性核。样本准备一般是至少有正样本和负样本两种情况，还要label标签。运用机器学习模块进行创建训练，最后调用预测模块进行预测。下面我们运用学生的身高核体重进行SVM的分类预测。其中0代表女生，1代表男生。# SVM的本质：寻求一个最优的超平面进行分类# SVM核：线...

特征？特征是某个像素经过某种运算得到的结果Hog特征：1.模块的划分 2.根据Hog特征计算梯度和方向（模板特征） 3.bin投影 4.每个模块的Hog特征1.模块的划分这里有四个需要知道的知识点：image:图像模块；windows窗体（可以看作和图像模块大小一样，实际上是要小一些的）；block模块，cell模块（下面的蓝色（image，windows窗体），...

训练数据的时候，首先需要做下面几步：1.准备训练样本；2.对样本进行Hog+Svm的训练；3.运用test图片进行预测一、准备样本样本分为正样本和负样本，样本的准备可以运用视频的分帧截取图片存储。这里pos文件夹下包含正样本，包含所检测的目标；neg不包含检测的目标为负样本。样本的准备的时候，图片的尺寸需要注意，这里的尺寸是64x128。样本的获取的手段：1.来源于网络；2.自己收...

在这里，首先我们需要知道池化层的作用，这里我们先介绍一下，平均池化（mean-pooling）和最大池化（max_pool）的含义和作用。这里的作用是：最直接的目的，就是降低了下一层待处理的数据量。比如说，当卷积层的输出大小是32×32时，如果池化层过滤器的大小为2×2时，那么经过池化层处理后，输出数据的大小为16×16，也就是说现有的数据量一下子减少到池化前的1/4。当池化层最直接的目的达到...

首先我们需要知道池化层的作用，上一篇博客有说明，可以点击这里查看。import tensorflow as tfimport numpy as npimport randomfrom tensorflow.examples.tutorials.mnist import input_data # 将input_data用来读取图片# 1.数据装载minst = input_...

手写数字识别有两个经典案例，首先是KNN最近领域法和CNN卷积神经网络来做识别。我们从下面几个步骤来准备，1.网络的搭建；2.每一层的输入输出的说明。在这个之前的前提是样本的准备：minst网上很多，直接百度就可以搜到下载，这里附上下载地址：http://yann.lecun.com/exdb/mnist/这里有四个文件夹，下载完放在项目文件夹下解压即可。KNN的核心原理是...

首先这个案例很简单，属于浅层次的神经网络，属于一个综合性案例。分别需要以下几个步骤：1.样本收集；2.图像预处理；3.tensorflow神经网络这里对应的就是以下几个知识点：1.python图片的爬虫；2.opencv预处理；3.tensorflow卷积神经网络一、样本收集简单的爬虫使用；视频截取图片，ffmpeg命令行的使用。1.理解爬虫原理，2.实现图片的爬虫：1...

题目：随机产生32组生产出的零件的体积和重量，训练3000轮，每500轮输出一次损失函数。下面我们通过源代码进一步理解神经网络的实现过程：1.导入模块，生成模拟数据集2.定义神经网络的输入、参数和输出，定义前向传播过程3.定义损失函数及方反向传播方法4.生成会话，训练STEPS轮代码如下：import tensorflow as tfimport osimport n...

1 图像融合被叠加的两张图片的大小、类型（高度/宽度/通道数）必须相同。但是如果这两张图片大小不相同，有什么方法解决？具体解决方法请点击此处查看1.1cv2.add(img1,img2)：直接对两张图片作加法运算Numpy中可以直接用res = img1 + img2相加，但这两者的结果并不相同，因为OpenCV中的加法运算是饱和运算（就是当运算结果大于一个上限或小于一个下限时，结...

1 灰度图的直方图均衡化灰度直方图的均衡化的过程是一个累计概率完成映射的过程，举个例子：像素0-100的概率累计相加得到0.5，则用255*0.5进行映射得到50来代替这个100这个像素值。又相应的API，这里就不做API的代码了，我们写均衡化的源码，代码如下：import cv2import numpy as npimg = cv2.imread('1.jpg', 1)cv2...

矩阵基础：placehold首先来个示例代码进行开始：import tensorflow as tfdata1 = tf.placeholder(tf.float32)data2 = tf.placeholder(tf.float32)dataAdd = tf.add(data1, data2)with tf.Session() as sess: print(sess.r...

这里我们运用简单的神经网络模拟一下股票的收盘价格，是一个学习的示例。首先要知道，股票曲线图的参数意义：这个曲线图主要记录股票的开盘价格和收盘价格，如果开盘价格低于收盘价格，那么证明这个股票在增长，每天的规律如此，所以，在下面，首先定义股票价格的坐标图如下：import tensorflow as tfimport numpy as npimport matplotlib.py...

图片的剪切：import cv2img = cv2.imread('1.jpg', 1)info = img.shapedst = img[100: 200, 100: 300] # 分别是高和宽cv2.imshow('img', img)cv2.imshow('dst', dst)cv2.waitKey(0)代码很简单，就不做详细记录了，最终的显示是：...

镜像操作，可以看作是图片的翻转操作，其原理是：实现的步骤是（1.创建一个足够大的“画板”，2将一副图像分别从前向后、从后向前绘制，3绘制中心分割线）新建一个Y轴的坐标，整个Y的高度是图片的高度的两倍。代码为：import cv2import numpy as npimg = cv2.imread('1.jpg', 1)info = img.shapecv2.imshow('src...

一，图片的仿射变换图片的仿射变换，需要根据图片的左上角，右下角及右上角来进行变换。解析来就是代码部分：import cv2import numpy as npimg = cv2.imread('1.jpg', 1)info = img.shapecv2.imshow('src', img)height = info[0]width = info[1]# 寻找图片的左上角...

1 直方图的引入opencv在图像处理方面的基础应用，彩色图像的相关知识和技术以及直方图的均衡化和规定化的原理是必须提前掌握。直方图的概念，横坐标表示像素值0-255的值，纵坐标表示像素值在整个图像中的概率是多少，值在0-1之间。直方图均衡化：一张图的直方图没有均匀分布，可以使用均衡化方法，尽可能的离散化，则称为直方图的均衡化下面是直方图的代码：import cv2impo...

tensorflow的运行机制：其中tensor就是我们所说的变量等等，而op则是operation是我们常常运用的四则运算法则和赋值操作等等。graphs则是数据操作的过程，就是这些组成了tensorflow。那么tensorflow怎么运算的呢？所有的计算图必须放在session会话中运行，session这是运算的核心。其实初始化操作也可以看作是一个计算图。常见的加减乘除运算再te...

tensorflow里面。在运用的时候，变量必须要经过初始化之后才可以运用，常量可以直接运用，但是在运用的时候必须要经过会话Session之后才可以打印出来，而初始化之后也必须要执行会话才可以生效，然后再进行Session会话进行打印，如下代码所示：import tensorflow as tfdata1 = tf.constant(2, dtype=tf.int32) #...

1 浮雕效果浮雕效果和边缘效果一样，也是需要求梯度的过程计算公式：newP = gray0 - gray1 + 150，即，灰度图中，相邻的两个像素值之差加上150即为新的像素值代码实现如下：import cv2import numpy as npimport mathimg = cv2.imread('1.jpg', 1)info = img.shapecv2.ims...

记：图像的帧数达到15帧则会没有视觉差形成视频了。

有一些基础的神经网络的知识，在前面的一些博客有提及，网上也有很多相关基础的讲解，接下来是基础神经网络下，我觉得较为重要的神经网络的知识和关于改进神经网络的一些理解，当然也是搬运工，很多知识也在其他博客和公开课里面有提及，这里所涉及的大部分知识也是来源于公开课上的知识的一部分总结。神经网络的优化从以下五个方面叙述：1.损失函数2.学习率3.滑动平均4.正则化5.神经网络搭建八股...