搜索资源列表
eyedemo
- 包括整个虹膜识别的预处理部分，分为多个函数部分，即简单图像增强，Canny算子提取边缘，Hough变换定位内外圆形边界进行风格，以及最后的归一化 -- 将圆环展为矩形。附带几张图像及自制的界面程序，并不是很完善，但整体的预处理任务已经较好的完成，如果进一步提高性能，可以先把Hough变换改为最小二乘拟和算法。
ESMkitWin_0_4.zip
- 利用二阶最小化，实现射影变形下的目标跟踪，windows下版本。,Minimize the use of second-order to achieve the objectives under the projective deformation tracking, windows version of.
SRC 实现了使用基于稀疏表示的人脸识别算法
- 该源码实现了使用基于稀疏表示的人脸识别算法。使用GPSR作为l1模最小化方法。-This pack of code implement a imges-based face recognition using sparse representation classification. In the algorithm, i employ GPSR as tool to complete the optimization procedure of l1-minimization.
BinarizationAlgorithm
- 用matlab实现的otsu全局二值化算法、kittler 最小分类错误(minimum error thresholding)全局二值化算法、niblack局部二值化算法-Using matlab implementation otsu global binarization algorithm, kittler minimum classification error (minimum error thresholding) the global binarization algorithm
SVM-and--Face-Recognition
- 支持向量机及其在人脸识别中的应用研究 上海交通大学博士论文，在知网上面付费下载得到的。本文从应用的角度出发，较为全面地对一些相关问题进行探讨，并使用Visual C++实现了一个基于支持向量机的人脸识别软件—idTeller。 论文的主要工作和创新点包括： ·提出了两种基于VC边界的支持向量机参数选择算法—固定C算法和VC-CV算法。VC边界是两类支持向量机参数选择的一个理想准则，但它的一些固有缺点使其应用变得困难。本文通过将VC边界转化为VC指标，最终把问题归结为对最小包围体的求解，从理论
l1eq_pd
- 稀疏表示，最小化l1范数求解表示系数的函数-sparse representation,minimum
matlab-with-traffic
- 对实时视频数据做二值化处理，实现目标分离跟踪检测，实现计数。通过对目标特征点连续多帧跟踪，利用最小二乘法实现测速。-traffic 凑难听
svmtutorial
- 支持向量机模式识别教程 教程首先介绍了VC维和结构风险最小化的概念。然后，我们描述线性可支持向量机（SVM）的可分离和不可分离的数据，通过一个不平凡的例子详细。我们描述了一个机械类比，并讨论当SVM解决方案是唯一的，当它们是全球性的。我们描述了如何实现支持向量机训练，并详细讨论了用于构造数据非线性的SVM解决方案的核心映射技术。(A Tutorial on Support Vector Machines for Pattern Recognition)
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