司马_羽鹤

摘要： 运动分析步骤：运动检测 目标跟踪 运动表达 行为理解。 运动检测的定义：将运动前景从图像序列中提取出来，也就是说将背景与运动前景分离开。 思路有二： 一.直接利用前景所特有的信息检测前景；二.先得到背景图象，然后将输入图象减去背景图像从而得到前景图象。 常规的运动检测方法： –背景差法(backgr 阅读全文

摘要： 图像分割是由图像处理进到图像分析的关键步骤。它是目标表达的基础，使得更高层的图像分析和理解成为可能。 基本依据: 1.区域内的一致性 2.区域间的不一致性 基本方法: 1.基于区域的方法 2.基于边缘的方法 3.综合考虑边缘和区域信息的混合分割方法 ***4.基于特定理论的方法（重点讲解） 基于区域 阅读全文

摘要： 讨论前提：两类，线性可分（广义判别函数意义下） 准备工作：样本规范化（如果样本集是线性可分的，将属于类别2 的所有样本由 y变成 –y，对所有 n 样本，将得到 aTy>0） 样本增广（将所有样本写成齐次坐标形式，即 y = (x',1) ,把n维样本加上阈值构成n+1维的样本） 求解: 对应每个样 阅读全文

摘要： 模式识别课堂笔记 假定用于分类的判别函数的参数形式已知，直接从样本来估计判别函数的参数。不需要有关概率密度函数的确切的参数形式。因此，属于无参数估计方法。 注：虽然判别函数有需要学习的参数，但却与前面所讲的非参数估计是一个框架下的，因为线性判别法并不关心数据的生成机理，完全由样本来确定类别情况。 分 阅读全文

摘要： 进行相似度度量的时候会用到各种度量距离的方法，根据MATLAB的help文档整理如下： 关于各种距离的定义： 求 和 之间的距离 1.欧式距离(Euclidean distance)： ，写成向量形式; 2.曼哈顿距离又叫城市街区距离(CityBlock distance) ： 3.切比雪夫距离（C 阅读全文

摘要： 主要解决在样本的分布没有足够的先验，也就是说我们不仅不知道分布的参数，连是什么类型的分布都不知道，这种情况下显然不能用参数估计的方法。这里从简单直观的方法——直方图法入手，引出KNN和Parzen窗两种方法。 直方图密度估计：出发点是分布函数 ，假设在某一个很小很小的超立方体V中是均匀分布，那么有 阅读全文

摘要： 计算机视觉课堂笔记 回顾：特征提取中分为点（Harris等），线（Canny算子），区域（MSER）等特征的提取。 相应的特征匹配就会有特征点匹配，直线匹配，曲线匹配，区域匹配。 而在众多研究中以点匹配居多，点匹配的基本原则：利用图像点周围的信息来描述点，如灰度信息，颜色信息，梯度信息等，然后进行  阅读全文

摘要： 计算机视觉课堂笔记： 包括边缘检测和特征点检测两个部分 边缘检测部分 what--边缘的定义 why--提取边缘的意义 how--提取边缘的方法 what 边缘是图像中亮度突然变化的区域； 图像灰度构成的曲面上的陡峭区域； 像素灰度存在阶跃变化或屋脊状变化的像素的集合。 分类：有梯状，脊状，条状 w 阅读全文

摘要： 计算机视觉课堂笔记 参考：David G. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, Vol. 60, Page 91-110, 阅读全文

摘要： 概率密度函数估计是贝叶斯决策的基础，有两大类方法：参数法和非参数法。所谓的参数法是指已知参数形式，但不知道参数，我们要对参数进行估计的过程。这里主要介绍点估计的两种方法：一种是最大似然估计，一种是贝叶斯估计。 最大似然估计 假设： 我们要估计的参数 是确定但未知的； 样本之间是独立同分布的（或者是条件独立，即在某一个固定的条件下样本是独立的）； 类条件概率密度的分布形式已知； 不同类别之间的参数是... 阅读全文