搜索资源列表
Adaboost
- 人脸识别论文：《采用Adaboost算法进行面部表情识别》《动态权值预划分实值Adaboost人脸检测算法》《改进的AdaBoost分类器在视频中的体育场景检测》
OA项目-需求规格说明书.doc
- 1引言 4 1.1编写目的 4 1.2背景 4 1.2.1、背景说明 4 1.2.2、系统名称定义与目标对象： 5 1.2.3、项目相关单位介绍： 5 1.2.4、其它要求 6 1.3术语定义 6 1.4参考资料 7 2业务概述 7 2.1业务场景和约束 7 2.1.1概述 7 2.1.2业务流程 8 2.2用户分析 11 3具体需求 12 3.1功能性需求 12 3.1.1功能性需求分类 12 3.1.2 公文管理 13 3.1.3 会议管理 15 3.1
CKPCA-HOG-SVM
- 为了准确地对监控场景中的运动目标进行语义上的分类，提出了一种基于聚类的核主成分分析梯度方向直方图和二又决策树支持向量机的运动目标分类算法。-In order to accurately monitor the movement of scene targets semantic classification, the clustering based on kernel principal component analysis of gradient direction histograms,
1
- 自适应核密度估计运动检测方法 提出一种自适应的核密度(kernel density estimation, KDE)估计运动检测算法. 算法首先提出一种自适应前景、背景阈值的双阈值选择方法, 用于像素分类. 该方法用双阈值能克服用单阈值分类存在的不足, 阈值的选择能自适应进行, 且能适应不同的场景. 在此基础上, 本文提出了基于概率的背景更新模型, 按照像素的概率来更新背景, 并利用帧间差分背景模型和KDE分类结果, 来解决背景更新中的死锁问题, 同时检测背景的突然变化. 实验证明了所提出
semanticscene
- 本程序主要用于对视频场景基于语义进行分割,先用SVM向量机进行语义分类,然后再进行分割,效果很好-This procedure is mainly used for video scene segmentation based on semantics, first vector machine SVM semantic classification, and then further divided, well
bag_words_demo
- 一个学习自然场景类别的贝叶斯模型、基于“词袋”模型的目标分类。来源于Feifei Li的论文。是近年来的目标识别模型热点之一。-”A Bayesian Hierarchical Model for Learning Natural Scene Categories“ FeiFei Li.CVPR2005
03
- 真实场景下视频运动目标自动提取方法.主要的研究内容包括运动物体检测，分类和跟踪，研究成果可以广泛地应用在交通管理系统，视频监视系统和军事目标跟踪系统，同时还可以应用在基于内容的视频数据压缩编码中。-Real video scenes under the automatic extraction method of moving targets. The main content includes moving object detection, classification and tracki
codetsu.tar
- 作者:Li-Jia Li, Richard Socher and Li Fei-Fei. 将分类 分割 注释结合起来处理场景分析的源代码-Source code for Towards Total Scene Understanding:Classification, Annotation and Segmentation author:Li-Jia Li, Richard Socher and Li
CountrysideRacing
- Android 3D游戏《乡村飙车》主要运用分层绘制和拼接绘制的策略进行场景的优化绘制，并且对场景部件进行了分类控制 -Android 3D game" country racing" mainly uses stratification drawing and mosaic rendering strategies for scene optimizing rendering, and the scene components were classified control
HOG
- 为了准确地对监控场景中的运动目标进行语义上的分类， 提出了一种基于聚类的核主成分分析梯度方向直方图和二叉决策树支持向量机的运动目标分类算法．利用背景减法提取运动目标前景区域， 并识别出潜在候选运动目标．利 用提出的基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征， 以较低维数的数据有效地描述运动目标的有效特征． 将提取的运动目标特征输入二叉决策树支持向量机， 实现多类目标的准确分类． 通过在不同视频序列上的实验验证， 提出的算法对运动目标进行较好地分类， 而且在运算速度方面较传
The-detection-of-traffic-lights
- 交通信号灯的检测是复杂场景下交通灯识别的重点。采用了色彩分割与关联滤波方案进行交通灯的检测。首先，建立交通信号灯的高斯模型，利用高斯向量与多色彩空间结合的方法进行图像分割。然后，采用基于区域增长与相似性判定的关联滤波，对色彩分割后的图像进行处理。最后，使用基于canny算子的边缘提取算法获取方向指示灯轮廓特征，并使用基于改进hu不变矩和马氏距离对方向指示信号灯进行分类。-The detection of traffic lights is the focus of traffic lights
A1rard
- 自适应核密度估计运动检测方法 提出一种自适应的核密度(kernel density estimation, KDE)估计运动检测算法. 算法首先提出一种自适应前景、背景阈值的双阈值选择方法, 用于像素素分类. 该方法用双阈值能克服用单阈值分类存在的不足, 阈值的选择能自适应进行, 且能适应不同的场景. 在此基础上, 本文提出了基于概率的背景更新模型, 按照像素的概率来更新背景, 并利用帧间差分背景模 -Adaptive kernel density estimation motion det
DIBDisplay
- 数字图像处理技术从广义上可看作是各种图像加工技术的总称。它包括利用计算机和其他电子设备完成的一系列工作，如图像采集、获取、编码、存储和传输，图像的合成和产生，图像的显示、绘制和 输出，图像变换、增强、恢复和重建，特征的提取和测量，目标的检测、表达和描述，序列图像的校正，图像数据库的建立、索引、查询和抽取，图像的分类、表示和识别，3D 景物的重建复原，图像模型的建立，图像知识的利用和匹配，图像和场景的解释和理解，以及基于它们的推理、判断、决策和行为规划.-Digital image proce
Scene-Classification
- 提供了三类场景“bedroom”、“CALsuburb”、“industrial”的样本特征集以及原始图像，分别用线性分类器、树状分类器、SVM分类器以及AdaBoost分类器对其进行区分。其中AdaBoost分类器有部分内容调用了Vezhnevets Alexander编写的源码-Provides three types of scenes " bedroom" , " CALsuburb" , " industrial" sample fea
5
- 了适应跟踪过程中目标光照条件的变化，并对目标特征进行在线更新，提出一种将局部二元模式(LBP) 特征与图像灰度信息相融合，同时结合增量线性判别分析对目标进行跟踪的算法．跟踪开始前，为了获得比较准确的目标描述，使用混合高斯模型和期望最大化算法对目标进行分割；跟踪过程中，通过蒙特卡罗方法对目标区域和背景区域进行采样，并更新特征空间参数．得到目标和背景的最优分类面；最后使用粒子滤波器结合最优分类面对目标状态进行预测．通过光照变化的仿真视频和自然场景视频的跟踪实验，验证了文中算法的有效性．-Trac
dbimagefusion
- 自己编的小波图像融合代码 直接matlab可以运行-----------------图像融合以图像作为研究和处理对象，是一种综合多个源图像信息的先进图像处理技术，它把对同一目标或场景的多重源图像根据需要通过一定的融合规则融合成为一幅新图像，在这一幅新图像中能反映多重源图像中的信息，以达到对目标或场景的综合描述，以及精确的分析判断，有效地提高图像信息的利用率、系统对目标探测识别的可靠性及系统的自动化程度。其目的是集成多个源图像中的冗余信息和互补信息，以强化图像中的可读信息、增加图像理解的可靠性等。
Context-in-Object-Detection
- 基于一篇文章的代码实现-结合场景信息进行的目标分类（文章及文件名）-An article based code implementation- combined with scenes of target classification information (articles and file name)
gmm
- 混合高斯模型使用K（基本为3到5个） 个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。通观整个高斯模型，他主要是有方差和均值两个参数决定，,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率 为提高在繁忙
BoV
- 一种场景分类的介绍，利用的是bag of visual words思想。-Introduction of a classification, using bag of visual words.
Colorhist_Libsvm_dem
- 随着科学技术的飞速发展，机器学习与人工智能技术的不断创新，人们对特定信息检索的需求逐渐增加，使得如何对资源进行合理有效的分类成为一个关键问题。近几年来，基于内容的图像分类的研究焦点主要集中在自然图像的场景分类和物体分类两个方面，大多采用有监督学习方法，通过对底层特征建模和中间语义分析来实现分类。 本文基于Libsvm的图像分类研究及实现，主要针对的是物体分类这一方面，选用了五类水果作为分类研究的对象。对图像进行分类的大体步骤主要包括采集图像样本（主要从Web上获取）、图像预处理（如截成大小一致