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》
ImageRegistration.rar
- 基于边缘特征的图像配准算法源码 基于边缘特征的图像配准算法是将不同时间、不同的传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的同一场景的两幅或多幅图像根据其边缘特征进行匹配、叠加的处理，最终生成一幅全景图像的方法。该方法具有抗噪性强，匹配速度快，误匹配率低，适用于多种类型的图像等优点，主要可以运用于以下领域： （1）军事研究领域，如飞行器辅助导航系绞、武器投射系统的末制导以及寻地等应用研究； （2）医学图像分析，如数字剪影血管造影DSA血管造影术、肿瘤检测、白内障检测、
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
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
Recognition
- 運動識別 在摄像机监视的场景范围内，对出现的运动目标进行检测、分类及轨迹追踪，可应用于各种监控目的，如周界警戒及入侵检测、绊线检测、非法停车车辆检测等。-Movement Recognition ' scene in the scope of surveillance cameras, the emergence of the moving target detection, classification and tracking, monitoring can be applied
MILL
- 模式识别中，多标签标记中的经典代码，主要用于场景分类，目标识别，结合svm和boost算法对自然场景进行分类，真的很不错，看看吧-Pattern Recognition, multi-tagged in the classic code, mainly used for scene classification, object recognition, combined with svm and boost the natural scene classification algorithm,
BiofeaEx
- Biofeature 特征提取可用于场景分类-Biofeature feature extraction can be used for scene classification
lbp(1)
- 是一种纹理描述算子用于快速提取图像的纹理特征,应用于医学图像检索,场景分类等.-Is a texture descr iption operator for rapid extraction of texture features, used in medical image retrieval, scene classification.
7788
- 大名鼎鼎的方帅的博士学位论文---目前,计算机智能视频监控在理论和应用上都面临着很多难题,国内外大批学者投身于该领域的研究和探索,并且取得了大量的成果.本文是在这些成果的基础上,对计算机智能视频监控系统的关键技术进行研究.主要贡献可概括如下:首先,对目标检测技术进行了研究,并提出了一种基于背景建模的运动目标检测算法.利用统计的方法建立了基于颜色和颜色梯度的背景模型,并实时地对背景模型进行更新,最后将这两种背景模型综合考虑对目标进行了有效的检测.接着,研究了复杂背景下多目标跟踪问题,提出了基于蒙特
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
SC_demo
- 整理图像特征点提取和分类的程序（可以作为场景分类的前期工作），自己调试过能运行，特征点提取用的SIFT算法，使用K-means聚类算法，将得到的20个聚类中心写入txt文本中-Finishing the image feature point extraction and classification procedures (which can be as the preparatory work of the scene classification), their own debugging
SceneClasification
- 用于场景分类的代码，特征是事先提取好的，用PHOG特征-For scene classification code, characterized in that prior extraction good PHOG characterized
opencv
- 图像场景分类的bow模型opencv源代码，采用k-means聚类构造单词，采用支持向量机的svm分类器。-Image scene classification bow model opencv source code, using k-means clustering structure of words, using support vector machine svm classifier.
rough-set
- 图像场景分类中视觉词包分类的应用与操作代码-Review of the bag-of-visual-words models in image scene classification
stero
- 自然场景分类与目标识别关键技术研究_周莉 通用视觉目标识别的关键技术研究_黄双萍0000.caj0000000于机器学习的物体识别_刘光灿.caj-Key technical nature scene classification and object recognition _ Zhou Li Key Technology Research on General visual object recognition _ Huang Shuangping 0000.caj0000000
changjingshibiefenlei
- 本文件是图像场景识别并进行分类的程序，已运行成功。 分别利用1 tiny image描述和最近邻分类器 2 bags of sifts描述和最近邻分类器 3bags of sifts描述和线性svm分类器进行场景分类识别的。 在主程序proj3中将FEATURE 改成tiny image，CLASSIFIER 改成nearest neighbor，注释其他FEATURE 和CLASSIFIER的选择就可以实现第一种场景分类识别：tiny image描述和最近邻分类器。以此类
code
- 基于词袋的场景分类，分类器采用SVM和最近邻，需要vlfeat和图片见http://cs.brown.edu/courses/csci1430/proj3/-Based on word bag scene classification, SVM classifier using the nearest neighbor and need vlfeat and pictures see http://cs.brown.edu/courses/csci1430/proj3/
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.
sigma点的代码
- 基于分割的局部Sigma语义特征点，是对场景中的语义目标进行建模。先在传统的图像分割基础上，分割出场景的前景目标，再结合像素位置、颜色、Gabor特征和LBP特征[构造出表征目标语义信息的协方差描述子，最后将其转换成欧式空间下的Sigma点特征，适用于标准SVM的场景学习和分类。(The segmentation based local Sigma semantic feature points are modeling the semantic objects in the scene. In
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