搜索资源列表
complexitl-estimate-schedule
- 也是一个不错的SVM实现算法,经常有人要用的()
lrojp2
- 求解SVM问题的一种高效算法,每次更新两个a()
lqda
- 该算法描述了SVM工作的简单模式,方便各位学习使用()
论文
- 20世纪90年代，贝尔实验室的Vapnik教授第一次提出支持向量机（Support VectorMachine,SVM）的理论与基本概念。SVM方法一种基于统计学习理论(Statistical Learning Theory)的机器学习方法，它以结构风险最小化原则代替经验风险最小化原则，同时结合了机器学习、统计学习以及神经网络等方法[53]。它能够有效的提高算法的泛化能力，解决了小样本、非线性和维数高等难题，并且能够克服传统神经网络等学习算法中网络结构难以确定、收敛速度慢及训练时需要大量数据样本
hog-feature
- 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(The Histogram
LBP
- （1）计算图像中每个像素点的LBP模式(等价模式,或者旋转不变+等价模式)。 （2）然后计算每个cell的LBP特征值直方图，然后对该直方图进行归一化处理(每个cell中，对于每个bin,h[i]/=sum,sum就是一副图像中所有等价类的个数)。 （3）最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量； 然后便可利用SVM或者其他机器学习算法进行分类识别了。((1) calculate the LBP pattern of each p
Python-opencv车牌识别
- 算法思想来自于网上资源，先使用图像边缘和车牌颜色定位车牌，再识别字符。车牌定位在predict方法中，为说明清楚，完成代码和测试后，加了很多注释，请参看源码。车牌字符识别也在predict方法中，请参看源码中的注释，需要说明的是，车牌字符识别使用的算法是opencv的SVM， opencv的SVM使用代码来自于opencv附带的sample，StatModel类和SVM类都是sample中的代码。SVM训练使用的训练样本来自于github上的EasyPR的c++版本。由于训练样本有限，你测试时会