搜索资源列表
Kb_sniff
- 修改中断描述符表（IDT）中的键盘入口实现按健记录，把读取到的键盘扫描码转换成 ascii 码记录下来。查找键盘入口采用了查询 IO APIC 的重定向寄存器的方法（通过把物理地址 0xFEC00000 映射为虚拟地址，然后读取键盘中断向量，最难得是没有 xpsp2 的限制了。不经典不发。-interrupt descr iptor revised table (IDT), the keyboard imported by Kin achieve record Reads to put the
gabor
- Gabor小波变换代码用于局部特征提取使用，又相当好的效果-Gabor texture descr iptor have gained much attention for different aspects of computer vision and pattern recognition. Recently, on the rayleigh nature of Gabor filter outputs Rayleigh model Gabor texture descr ipt
Featureextractionforcomputervisionbasedfiredetecti
- 火灾视觉特征的提取是视觉火灾探测中的关键问题. 我们主要研究色彩、纹理以及轮廓脉动 等特征的提取,并提出一种度量轮廓脉动信息的距离模型,该模型在规格化的傅立叶描述子空间能 够准确地度量这种时空闪烁特征. 实验结果表明,该方法具有比较好的鲁棒性,有助于提高视觉火 灾探测的准确率、降低误报漏报率.-Based on investigating color , text ure and temporal feat ures for vision based fire detection ,
BuildingActiveModels_version0
- Shape Context is a method to get an unique descr iptor (feature vector) for every point of an object contour or surface.
HOG
- 为了准确地对监控场景中的运动目标进行语义上的分类， 提出了一种基于聚类的核主成分分析梯度方向直方图和二叉决策树支持向量机的运动目标分类算法．利用背景减法提取运动目标前景区域， 并识别出潜在候选运动目标．利 用提出的基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征， 以较低维数的数据有效地描述运动目标的有效特征． 将提取的运动目标特征输入二叉决策树支持向量机， 实现多类目标的准确分类． 通过在不同视频序列上的实验验证， 提出的算法对运动目标进行较好地分类， 而且在运算速度方面较传
myIntGate
- 通过中断门访问内核 象全局描述符表GDT一样，在整个系统中，中断描述符表IDT只有一个。中断描述符表寄存器IDTR指示IDT在内存中的位置。由于80386只识别256个中断向量号，所以IDT最大长度是2K。 中断描述符表IDT所含的描述符只能是中断门、陷阱门和任务门。也就是说，在保护模式下，80386只有通过中断门、陷阱门或任务门才能转移到对应的中断或异常处理程序。 -By interrupt doors to access the kernel Like the Glo
sss
- - Color provide an important clue for extracting the new color LBP histogram features for face recognition using Local Binary Pattern technique. To reduce redundancy RGB color space converted to YCbCr color space. The Local Binary Pattern is a non pa
hog_feature_vector
- The given code finds the HOG feature vector for any given image. HOG feature vector/descr iptor can then be used for detection of any particular object. -The given code finds the HOG feature vector for any given image. HOG feature vector/desc
trainHOG-master
- Read positive and negative training sample image files specified directories Calculate their HOG features and keep track of their classes (pos, neg) Save the feature map (vector of vectors/matrix) to file system Read in and pass the features an
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