摘要：在前两篇文章中，我介绍了《训练自己的haar-like特征分类器并识别物体》的前三个步骤：1.准备训练样本图片，包括正例及反例样本2.生成样本描述文件3.训练样本4.目标识别==============本文将着重说明最后一个阶段——目标识别，也即利用前面训练出来的分类器文件(.xml文件)对图片中的... 阅读全文

摘要：在上一篇文章中，我介绍了《训练自己的haar-like特征分类器并识别物体》的前两个步骤：1.准备训练样本图片，包括正例及反例样本2.生成样本描述文件3.训练样本4.目标识别=================今天我们将着重学习第3步：基于haar特征的adaboost级联分类器的训练。若将本步骤看做... 阅读全文

摘要：本系列文章旨在学习如何在opencv中基于haar-like特征训练自己的分类器，并且用该分类器用于模式识别。该过程大致可以分为一下几个大步骤：1.准备训练样本图片，包括正例及反例样本2.生成样本描述文件3.训练样本4.目标识别=================本文主要对步骤1、步骤2进行说明。1.... 阅读全文

摘要：众所周知，opencv下有自带的供人脸识别以及行人检测的分类器，也就是说已经有现成的xml文件供你用。如果我们不做人脸识别或者行人检测，而是想做点其他的目标检测该怎么做呢？答案自然是自己训练一个特定的训练器。opencv里面比较常用的分类器有svm以及级联分类器，svm的训练以及分类很简单，这里不再赘述，这里谈谈级联分类器的训练。级联分类器可是好东西，opencv已经封装了多尺度检测方法(multiScaleDetector)以及绘制外接矩形的方法，这两个方法为目标检测提供了非常大的便利性。以下是本系列教程的总体流程：1.训练前的准备：opencv_createsamples.exe和 ope 阅读全文

摘要：3、离散余弦变换 DCT 将图像从色彩域转换到频率域，常用的变换方法有：DCT变换的公式为：f(i，j) 经 DCT 变换之后，F(0，0) 是直流系数，其他为交流系数。 还是举例来说明一下。 8x8的原始图像： 推移128后，使其范围变为 -128~127：使用离散余弦变换，并四舍五入取最接近的整数：上图就是将取样块由时间域转换为频率域的 DCT 系数块。DCT 将原始图像信息块转换成代表不同频率分量的系数集，这有两个优点：其一，信号常将其能量的大部分集中于频率域的一个小范围内，这样一来，描述不重要的分量 只需要很少的比特数；其二，频率域分解映射了人类视觉系统的处理过程，并允许后继的量... 阅读全文

摘要：Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.1. Meanshift推导给定d维空间Rd的n个样本点 ,i=1,…,n,在空间中任选一点x，那么Mean Shift向量的基本形式定义为:Sk是一个半径为h的高维球区域,满足以下关系的y点的集合,k表示在这n个样本点xi中,有k个点落入Sk区域中.以上是官方的说法，即书上的定义，我的理解就是，在d维空间中，任选一个点，然后以这个点为圆心，h为半径做一个高维球，因为有d维，d可能大于2，所以是高维球。落在这个球内的所有点和圆心都会产生一个向 阅读全文