搜索资源列表
VectorQuantization
- 矢量量化进行压缩。直接执行，然后程会停下来，让你输入你所需要的训练集。你只要输入1-13之间的任何一个。值越大，速度越慢，效果越好。请根据你的具体情况选择。
PG_BOW_DEMO
- 图像的特征用到了Dense Sift，通过Bag of Words词袋模型进行描述，当然一般来说是用训练集的来构建词典，因为我们还没有测试集呢。虽然测试集是你拿来测试的，但是实际应用中谁知道测试的图片是啥，所以构建BoW词典我这里也只用训练集。 其实BoW的思想很简单，虽然很多人也问过我，但是只要理解了如何构建词典以及如何将图像映射到词典维上去就行了，面试中也经常问到我这个问题，不知道你们都怎么用生动形象的语言来描述这个问题？ 用BoW描述完图像之后，指的是将训练集以及测试集
SR_1
- 基于分块的人脸图像超分辨率学习算法实验平台，利用学习到的训练集图像信息对低分辨率图像超分辨率，并可以查看超分辨率后的图像块匹配结果（用鼠标双击结果显示窗口中的实验图像），可以设置实验参数。-Block-based face image super-resolution algorithm for the experimental platform to learn, learning to use the training set of low-resolution image informat
SVM_FACE
- 基于支持向量机的人脸检测训练集增强算法实现。根据支持向量机(support vector machine，简称SVM)~ ，对基于边界的分类算"~(geometric approach)~ 言，类别边界附近的样本通常比其他样本包含有更多的分类信息．基于这一基本思路，以人脸检测问题为例．探讨了 对给定训练样本集进行边界增强的问题，并为此而提出了一种基于支持向量机和改进的非线性精简集算法 IRS(improved reduced set)的训练集边界样本增强算法，用以扩大-91l练集并改
anlujingdutu
- 源代码是主要是用于目标分类时按路径分别读取训练集和测试集图像进行特征提取或其他操作的。-Source code is primarily used for target classification, were read by the path the training set and test set of image feature extraction or other operations.
a3
- 人脸识别中的主成分分析方法，通过对训练集和测试集的比对匹配，来输出识别率。-Face Recognition in the principal component analysis, through the training set and test set than on the match, to output the recognition rate.
ASMTrainSet
- active shape models训练集-an active shape the models training set
adaboost
- Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。 load clouds [test_targets, E] = lijsada_boost(patterns, targets, patterns, 100, Stumps ,[]) train_patterns 每列为一样本 train_targets 每列为一样本目标 100 :Numbe
ObjectDetection_Demo
- 这是一个针对图像跟踪的程序，可以检测人脸图像，而且不需要训练集-This is a program for video, can be very good video into a sequence of frames and preserved
pattern-recognition
- 基于特征向量的人脸识别，有训练集和样本集，通过Adaboost强分类器算法实现，结果精确度达到95 以上，给定一个example,就可以在样本集中识别出对应的人脸。-Face recognition based on feature vectors have the training set and sample set by Adaboost strong classifier algorithm, the results of more than 95 accuracy, given an
IRIS-use-RFclassification
- 用随机森林RF方法分类IRIS数据集，用一百个数据做训练集，五十个作为测试集，并统计出错误率，可直接运行-Classification method with random forests RF IRIS data set, using one hundred data to do training set, and fifty as a test set, and the statistical error rate, can be directly run
eigenface
- 用MATLAB实现人脸识别的源代码，包括训练集的实现，识别部分的书写。-Face recognition using MATLAB source code, including writing to achieve the training set, the identification section.
lpr-system
- 1.先打开一幅图片然后按照顺序灰度化、二值化、灰度拉伸、车牌定位、二值化、倾斜校正、字符分割、训练神经网络、识别字符。 2.测试图像存储在当前目录的img下。 3.测试集、训练集、目标向量均存储在img下的文本文件中。-1. Open a picture first and then according to the order gray, binarization, gray stretching, license plate localization, binarization, t
Transitive-Re-identification
- 行人再识别。人再次鉴定的准确性可以显著提高给定一个训练集,演示了外表的变化与非重叠的两个摄像头。我们测试时是否能保持这种优势直接标注的训练集并非对所有现场camera-pairs可用。给定的训练集捕捉相机A和B之间的对应关系和不同的训练集捕捉相机B和C之间的对应关系,传递鉴定算法(TRID)建议提供了一个分类器(A,C)对外观。该方法是基于统计建模和使用一个边缘化的推理过程。这种方法可以显著减少注释工作固有的学习系统。-Person re-identification accuracy can
4.2
- 用人工神经网络拟合函数 说明：1）网络结构为三层（输入层、1个隐层和输出层） 2）获取两组数据，一组作为训练集，一组作为测试集 3）用训练集训练网络 4）用测试集检验训练结果-ANN fit function: 1) the network structure is three (input layer, a hidden layer and output layer) 2) to obtain two sets of data, one group as the
syn_13
- 以网格采样方法构建训练集,训练决策树，对图像分类。-Grid sampling method for constructing the training set, training the decision tree, for image classification.
syn10_1
- 以多边形采样结果构建训练集,对图像进行分类-Polygon sampling results build the training set, the image classification
ColorIndex
- 在Corel 5k数据库中，首先提取训练集和测试集中所有图像的直方图信息（AllHist.m），然后利用直方图相交法检索图像（ColorIndex.m）。-Firstly, read all images, and get their hists, then retrieve image by color index.
proj4
- 使用滑动窗的人脸检测，滑动窗口能够独立地对图片块进行分类，以确定是否属于被检测目标。内容如下： 1)载入正样本训练集（人脸），并将其转化为HoG特征 2)载入负样本训练集（没有人脸的任意场景），也将其转化为HoG特征 3)使用SVM，对分类器进行训练，训练集包括正训练集和负训练集 4)使用训练好的分类器，在不同的尺度上，对测试集进行分类 -Face detection with a sliding window.
人脸识别代码
- 人脸识别是一个有监督学习过程，首先利用训练集构造一个人脸模型，然后将测试集与训练集进行匹配，找到与之对应的训练集头像。最容易的方式是直接利用欧式距离计算测试集的每一幅图像与训练集的每一幅图像的距离，然后选择距离最近的图像作为识别的结果。(Face recognition is a supervised learning process. Firstly, a face model is constructed by training set, and then the test set is m