搜索资源列表
2D-LDA
- 2维线性判别进行人脸识别的程序，很不错！采用ORL人脸库，取每人的1、3、5、7、9五幅图像作为训练图像，其余作为测试图像，进行二维线性判别。计算出特征向量矩阵，降序排列后，取前d（d=2,4,6，……，20）个特征向量组成的矩阵作为变换矩阵，对训练集合测试集进行特征重建，最后采用最近邻分类器。附有实验的结果。-code for face recognition based 2D-LDA，the performance is nice！
ImageThemeFilter
- 对图像进行分主题过滤。 根据给定的图像样本集，进行样本训练，提取多个颜色空间中的多种方式(颜色矩，纹理谱，直方图，肤色模型等)的得到图像特征集；对待过滤图像进行特征提取，向量匹配，进而实现图像分主题分类功能。-Sub-theme of the image filter. According to a given set of image samples to conduct the training samples to extract more color space in multipl
peopledetect
- 利用HOG特征和支持向量机训练的到人体检测分类器，实现对人体的检测-HOG features and support vector machine training to the human detection classifier, the detection of the human body
001
- 指纹分类是针对大型指纹库的一个重要的索引方式, 可以有效地提高指纹匹配的效率. 指纹类型的不同表现为指纹纹 理结构的差异, 而指纹的方向场则可以有效地描述纹理结构的差异. 同一类型指纹不同区域上方向角结构的差异以及相邻区域 间方向角结构的联系可以视作一个马尔可夫随机场. 本文利用嵌入式隐马尔可夫模型对指纹方向场进行建模分析, 通过合理地 抽取指纹的类型特征, 构造观察向量、进行建模训练, 然后利用训练好的马尔可夫模型进行匹配, 最终提出并实现了一种新的鲁 棒性强且精度较高的指纹分
Igohd
- 图像梯度方向直方图描述子:，该方法使用梯度方向直方图（Histogram of Oriented Gradients,简称HOG） 特征来表达人体，提取人体的外形信息和运动信息，形成丰富的特征集，然后使 用支持向量机线性SVM 分类器对这些特征集进行训练。-Image gradient orientation histogram descr iptor
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
svc
- 模式识别中的svm支持向量机方法源代码。输入训练点特征及类别，程序将求解出基于样本类别的分类条件。-Pattern recognition svm SVM method source code. Input point feature and class training program will solve the classification based on the type of sample conditions.
createFaceEignDatabase
- 利用一个小样本人脸样本库创建数据库ar_test.mat中的训练样本数据和待测样本数据将生产的数据库文件.mat利用FDDL程序进行测试，分类；在程序最后先利用最短距离测试提取特征的效果本文利用SVD分解，并提取了每一幅图像的前3列特征向量（前三个主成分），共计3*200个特征向量，构成一个训练样本列元素最后的简单分类测试效果在90 ，区分度较好，能够适用于其他分类器实验..后续中，选取了第一主成分，发现识别率达到100 ；选取了前33个，反而低于了90 ，不知如何解释？-Using a sma
bp_network
- 对两种类型的纹理图像，各选取30幅，计算灰度共生矩阵，提取特征向量；构件BP神经网络分类器，用每种类型的前20幅对分类器进行训练，后10幅用来测试分类效果。-Two types of texture image for each select 30 calculated GLCM, extracting feature vectors member BP neural network classifier, before use each type of 20 pairs classifier
MAERJIANCE
- 场景图像中文本占据的范围一般都较小，图像中存在着大范围的非文本区域。因此，场景图像文本定位作为一个独立步骤越来越受到重视。这包括从最先的CD和杂志封面文本定位到智能交通系统中的车牌定位、视频中的字幕提取，再到限制条件少，复杂背景下的场景文本定位。与此同时文本定位算法的鲁棒性越来越高，适用的范围也越来越广泛。文本定位的方式一般可以分为三种，基于连通域的、基于学习的和两者结合的方式。基于连通域的流程一般是首先提取候选文本区域，然后采用先验信息滤除部分非文本区域，最后根据候选文本字符间的关系构造文本
one
- 基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加，传统的分类方法由 于提取的特征比较单一或者分类器结构过于简单，导致叶片识别率较低。为此，本文提出使用纹理特征结合形状 特征进行识别，并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor 滤波和灰度共生矩阵 方法得到。而形状特征向量由 Hu 氏不变量和傅里叶描述子组成。为了避免过拟合现象，使用“dropout”方法训练 深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法-Plant based
two
- ：植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。然而，低维特征不能全面描述叶片信息，识别准确率低，本文提 出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理，获得去除颜色、虫洞、 叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征，对灰度图像提取 Hu不变矩特征、灰 度共生矩阵特征、局部二值模式特征和 Gabor 特征，对纹理图像提取分形维数，共得到 2183 维特征参数。再采用主成分分析与线性 评判分析相
HOG
- 将这330个3780维的HOG特征当做测试样本，用支持向量机（SVM）分类器来判别出，这些窗口的HOG特征是否有行人，有行人的用矩形框标记起来。HOG行人特征及所对应的SVM分类器的参数，在opencv中已经训练好了，我们只需要得到HOG特征，然后调用SVM即可得到判别结果(The 330 Hera features of 3780 dimensions are used as test samples, and the support vector machine (SVM) classifi
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
基于支持向量机的图像分类
- classifier.mat文件太大未上传。可运行一次main3生成 getFeatures.m 获取灰度共生矩阵相关特征 main-main6 训练 + 识别 predict.m 单独的分类程序 temp.m 单独的分类演示程序(classifier.mat file is too large to upload. Can run a main3 to generate getFeatures.m Get the grayscale co-occurrence matrix rel