原创 LBP(局部二值模式)基礎知識篇

from http://blog.csdn.net/zouxy09/article/details/7929531 一篇非常好的 關於LBP的入門介紹! 向羣主致敬! 另外推薦一篇英文介紹,建議打印出來,沒事翻着讀 http://www.

原创 opencv 都進化到3.1了!

使用光流法做一個運動目標檢測,下了opencv3.1的庫一看,都特麼進化到這地步了? 放棄了X86平臺,並且只支持VisualStudio 2013和2015了,看來自己電腦裏的VS2010已經沒有活路了。 與時俱進,程序員更適用!

原创 人工蜂羣算法(二)

ABC算法步驟推薦這個,一步一步講的很通透,http://mf.erciyes.edu.tr/abc/pub/Step%20by%20Step%20

原创 LBP(局部二值模式)實現人臉識別

推薦論文:http://cs229.stanford.edu/proj2008/Jo-FaceDetectionUsingLBPfeatures.pdf 注:實現的是人臉識別(face detection), 而不是人臉檢測(face r

原创 LDA 線性判別分析(一)

這個鏈接講的還是很不錯的,分享大家。 http://www.cnblogs.com/jerrylead/archive/2011/04/21/2024384.html 1. 問題      之前我們討論的PCA、ICA也好,對樣本

原创 LDA 線性判別分析(二)

4. 實例       將3維空間上的球體樣本點投影到二維上,W1相比W2能夠獲得更好的分離效果。              PCA與LDA的降維對比:              PCA選擇樣本點投影具有最大方差的方向,LDA

原创 人工蜂羣算法

寫在開頭,我們應當懷着敬畏的心態,去對待自然。簡單描述蜜蜂尋找食物源的過程:一羣小蜜蜂來到一個陌生的環境,要採蜜,怎麼破?比方先派出三隻蜜蜂a,b, c出去轉一圈,咦,運氣不錯,三隻都找到了蜜源A,B,C,然後這三隻蜜蜂飛回來了,告訴其他

原创 PCA 降維算法詳解 及 MATLAB實現。

其實就是線性代數的知識, 比方說一個5*100的矩陣A, 還有個100*10的矩陣B矩陣做乘操作, 如:A*B=[5*100]*[100*10]=[5*10], 然後我們用[5*10]的矩陣來表示A矩陣, 這樣看來,A完成了降維操作。 再

原创 VS中, 缺少“;”(在“類型”的前面)問題

#include <stdio.h> #include <Windows.h> int main() { char *a; int len = sizeof(a); printf("length is %d\n", len);

原创 Haar 特徵檢測

轉:http://blog.csdn.net/liulina603/article/details/8162043 之前介紹過一篇利用級聯分類器對目標進行檢測的文章http://blog.csdn.net/yang_xian521/art

原创 細說一下 int 所佔長度

http://charlesxie.blog.51cto.com/2236179/939680 最近在看深入理解計算機系統這本書,上面提到了在32位機器和64機器中int類型都佔用4個字節。後來,查了The C Programming

原创 積分圖像(Integral Image)

積分圖像文章推薦http://blog.sina.com.cn/s/blog_4cb0b54301017wwo.html 參考文獻:     [1] Viola P., Jones M. J. Rapid Object Detecti

原创 監督學習和無監督學習

其實要是把supervised 翻譯成 指導,意思就很明確了。 監督學習(supervised learning):有訓練樣本,相當於給了你一套判斷標準(或者說你獲得了對應的經驗),那就意味着系統明白最優模型是什麼,舉個例子說,你從小跟着

原创 sift 算法理解

關於sift算法的理解,前前後後也用了一個月的時間,今天寫下來,希望可以對大家有所幫助。 該算法可以分爲四大步,如圖所示: 複雜程度依次是4顆星,2顆星,3顆星,3顆星。 現在開始 1、construct scale space, 構

原创 RGB轉HSI

1. RGB 向HSI 模型的轉換是由一個基於笛卡爾直角座標系的單位立方體向基於圓柱極坐標的雙錐體的轉換。基本要求是將RGB 中的亮度因素分離,將色度分解爲色調和飽和度,並用角向量表示色調,如下圖所示。 2. RGB 轉換至HSI的幾