YouthBlood9的博客

录一、图片准备二、图片预处理2.1 代码2.2 实验结果三、划分数据集3.1 代码3.2 实验结果四、提取人脸并判别是否为笑脸4.1 代码4.2 运行结果4.3 检测函数4.3.1 代码4.3.2 运行结果五、调用模型检测微笑5.1 代码5.2 结果六、摄像头实时检测6.1 代码6.2 结果小小的总结参考文献一、图片准备图片集：可从这里下载：https://inc.ucsd.edu/mplab/398.php二、图片预处理我们需要将人脸检测出来并对图片进行裁剪2.1 代码im

录一、彩色图像文件转灰度文件1.1 使用opencv1.1.1 通过cvtColor库将其转为灰度1.1.2 通过分离RGB三个通道得到三个通道的灰度图1.2 不使用opencv二、将彩色图像转化为HSV、HSI 格式2.1 彩色图像转化为HSV格式2.1.1 HSV介绍2.1.2 代码2.1.3 运行结果2.2 彩色图像转化为HSI格式2.2.1 HSI介绍2.2.2 代码2.2.3 运行结果三、分割车牌3.1 分割字符步骤3.2 代码3.3 实验结果小小的总结参考文献文章所用编程软件为Anacond

录一、相关知识介绍1.1 位图(Bitmap)：2.2 矢量图(Vector)2.3 BMP位图文件2.4 BMP文件结构2.4.1 位图文件头（BITMAPFILEHEADER）2.4.2 位图信息头（BITMAPINFOHEADER ）2.4.3 颜色表2.4.4 颜色点阵数据二、比较不同位深度BMP文件2.1 使用的彩色文件2.2 保存为其他位图文件2.3 查看各位图图片信息2.4 对比MP、JPG、GIF和PNG格式文件大小比二、图片处理编程2.1 奇异函数分解2.2 检测像中硬币的个数2.3 检

文章内容：一、人脸识别数据集的建立。利用dlib和opencv编程: 1)采集自己的脸部图片20张，保存到以学号命名的文件目录下；2)采集对应20张图片的68个特征点数组，以 face_features.txt (i为01到20的数字）文件保存到同一目录下；3）通过20个特征，计算出平均（mean）特征数组 face_feature_mean.txt.二、利用dlib和opencv编程，打开摄像头，对捕获到的人脸进行特征提取，与平均特征进行误差计算（欧几里得距离），当误差小于一定阈值时，判断为同一个.

下载 LibSVM。了解LibSVM 工具的训练数据集的格式和训练获得的决策函数模型（model）的格式。以鸢尾花Iris数据集为例，手工制作一个 两个特征的二分类的Iris数据集（类似之前作业鸢尾花数据集），用LibSVM工具分别进行线性、多项式、高斯核这三种分类训练，计算预测精度；根据训练获得的决策函数模型，写出决策函数的数学公式。嘿，我是目录一、下载LibSVM压缩包二、鸢尾花Iris数据集2.1 手工制作一个 两个特征的二分类的Iris数据集2.2 实现2.2.1 构建项目2.2.2 实验代.

以人脸识别（属于分类问题）为例，理解实际应用中的特征数据集提取。1）用python3 + opencv3.4 + dlib库编程，打开摄像头，实时采集人脸并保存、绘制68个特征点；2）不在原视频上绘制显示特征点，而是给人脸虚拟P上一付墨镜（提示：找到双眼特征点坐标值，以坐标中心点为圆心，用opencv函数绘制两个圆，并填充黑色）嘿！我是目录一、dlib库介绍二、dlib与opencv下载2.1 dlib2.1.1 下载链接2.1.2 安装2.2 opencv三、用dlib库在眼睛处绘制黑色的实心圆.

嘿！我是目录一、内容提示二、线性判别准则（LDA）2.1 LDA简介2.2 LDA实现代码三、SVM3.1 SVM简介3.2 SVM原理四、SVM数据集进行可视化分类4.1 月亮数据集4.1.1 线性SVM4.1.2 多项式核4.1.3 高斯核4.2 鸢尾花数据集4.2.1 多项式核4.2.2 高斯核参考文献一、内容提示学习线性判别准则（LDA）和线性分类算法（支持向量机,SVM）。采用Sklearn库1、编程生成模拟数据集，进行LDA算法练习；2、对月亮数据集进行SVM分类，分别采用线性核、多

嘿！我是目录主要内容提示一、定义1.1 决策树1.2 信息熵二、ID3算法2.1 概念2.2 数据准备2.3 代码实现2.4 使用sklearn实现ID3三、C4.5算法3.1 概念3.2 步骤3.3 代码四、CART算法4.1 概念4.2 步骤4.3 使用sklearn库实现小小的总结参考文献主要内容提示决策树算法利用了信息论的信息熵的计算：在jupyter 下实现针对西瓜数据集的ID3算法代码，并输出可视化结果。用sk-learn库对西瓜数据集，分别进行ID3、C4.5和CART的算法代码实现

嘿！我是目录一、多元线性回归1. 定义2. 数据清洗2.1 缺失值处理2.2 异常值（离群点）处理3. 特征共线性问题二、用Excel做房价预测线性回归1. 配置Excel2. 完善数据集2.1 剔除错误数据2.2 处理非数据数值3. Excel做线性回归三、用jupyter+sklearn做线性回归练习1. 打开jupyter步骤2.写入代码2.1 不做数据处理2.2 进行数据处理四、用线性回归模型的统计学库实现小小的总结参考文献一、多元线性回归1. 定义在回归分析中，如果有两个或两个以上的自变量，

分别使用Excel，jupyter，jupyter+skleran做线性回归练习一、用Excel中数据分析功能做线性回归1.准备工作：配置Excel2.分别取20、200、2000、20000组数据来做线性回归二、用jupyter编程（不借助第三方库）来做线性回归1.打开jupyter步骤2.代码三、用jupyter编程（借助第三方库skleran）来做线性回归小小的总结参考文献一、用Excel中数据分析功能做线性回归1.准备工作：配置Excel（1）打开文件后，点击文件——选项——加载项——转到——