cumtchw

1.安装opencv-contrib-python首先要安装opencv-contrib-python，否则会提示如下错误：Traceback (most recent call last):File "sift.py", line 7, in <module>sift = cv2.xfeatures2d.SIFT_create()AttributeError: module 'cv2.cv2' has no attribute 'xfeatures2d'安装时要注意，ope

1.几种手工特征方法提出时间2.几种手工特征方法简单对比

1.介绍方向梯度直方图（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分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。2、HOG特征提取算法的

1.Haar特征概述Haar特征可以理解为卷积模板(如同prewitt、sobel算子，当然不完全一样)，Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向（水平

在特征值比对的时候，会遇到求两个特征向量之间相似度的情况，以下代码为求两个特征向量的欧氏距离然后转换为相似度的几行代码。1.由于相似度一般是在0-1之间，而欧氏距离可能会很大，所以首先将特征向量归一化到0-1之间。2.求欧氏距离3.由于欧式距离越大，相似度越低，所以后面用一个公式转换了一下。float cmp_featLv2(const void* _f1, const void* _f2){ const float * pf1 = (float *)_f1, *pf2 = (floa

https://www.cnblogs.com/pinard/p/6251584.htmlhttps://www.cnblogs.com/endlesscoding/p/10033527.html

https://www.cnblogs.com/CSLaker/p/9723119.html

https://www.cnblogs.com/freeweb/p/10697246.html当时是用的上面文章中第二种不用cmake的方法编译成功的，然后吧库文件和头文件拷贝到自己的工程中即可。

float getMold(const vector<float>& vec){ /** 获取特征向量模长 **/ int n = vec.size(); float sum = 0.0; for (int i=0;i<n;i++) { sum +=vec[i] *vec[i]; } return sqrt(sum);}float getSimilarity(const vector<floa.

在深度学习以及图像搜索中，经常要对特征值进行比对，得到特征的相似度，常见的特征值比对方法有汉明距离、余弦距离、欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、马氏距离等，下面对各种比对方法分别进行介绍。1汉明距离汉明距离/Hamming Distance也能用来计算两个向量的相似度；即通过比较向量每一位是否相同，若不同则汉明距离加1，这样得到汉明距离。向量相似度越高，对应的汉明距离越小。如10001001和10110001有3位不同。2余弦相似度余弦相似度是利用两个向量之间的夹角的余弦值

该笔记主要参考了下面六篇文章：https://blog.youkuaiyun.com/zouxiaolv/article/details/100590725?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLear