本文设计了一种基于支持向量机(SVM)的运动目标识别算法,以对运动目标进行准确的识别和分类。
鉴于支持向量机在小样本,非线性和高维模式识别方面的优势,构造了一种基于支持向量机的分类器。
利用形状特征构成的特征向量分类样本对支持向量机进行训练和分类,结合支持向量机和二叉决策树构成多分类器。
对象特征向量用作SVM的输入,我们将使用分类器对检测到的运动对象进行分类。
实验结果表明,该算法能够准确识别和分类视频图像中的不同对象。
2021/9/4 2:30:54 299KB Object recognition support vector
1
贝叶斯分类器
2015/7/2 7:10:31 1.46MB 机器学习
1
本人训练SVM分类器进行HOG行人检测.环境为VS2010+OpenCV2.4.4.使用时请自行修改工程的include目录和lib目录配置。
正样本来源是INRIA数据集中的96*160大小的人体图片,使用时上下左右都去掉16个像素,截取中间的64*128大小的人体。
负样本是从不包含人体的图片中随机裁取的,大小同样是64*128。
SVM使用的是OpenCV自带的CvSVM类。
2016/1/26 4:29:46 23.65MB SVM HOG 自己训练
1
eCognitionDeveloper9.0的中文指南,与eCognitionDeveloper8.0的中文指南部分内容是重复的,但是毕竟9.0里新增了很多分类器和对矢量数据操作的功能,因而更具有价值!
2015/9/12 14:35:33 8.62MB eCognition Developer 中文教程 用户指南
1
利用100个男女训练集样本,使用贝叶斯分类器判别男女。
1.采用最大似然法和贝叶斯估计的方法获得密度函数,设定不同的先验概率,观察判别结果正确率。
2.分别在男女相关不相关的情况下分析结果正确率。
3.设定不同的风险,采用最小风险的Bayes决策反复上面实验。
2018/9/4 4:21:32 702KB 代码 模式识 贝叶斯估 最小风险
1
用matlab实现了机器学习中的感知机学习算法(perceptronalgorithm),利用前500个样本值训练分类器,用剩余样本做测试。
1
提取图片的siftte特征,训练SVM分类器,对图片进行二分类,亲测无效,供大家使用
2015/1/22 5:01:49 22.01MB SVM SIFT
1
本文针对视频监控中的车辆检测跟踪问题,具体研究了在昼间车流密度较高情况下以及在夜间车辆的检测与跟踪算法。
首先针对昼间车流密度高的特点将类Haar+Adaboost分类器的统计学习方法用于昼间车辆检测,并在检测后进行一定后处理去除虚警。
实验结果表明,在车流密度较高的情况下仍能快速地检测出车辆,明显优于运动目标检测的效果!在正文中讲吧,佛楼米!
2020/1/22 13:03:28 2.61MB haar adboost
1
基于HOG特征提取的图像分类器,首先提取图像的HOG特征,以此训练SVM分类器,使训练过后的SVM分类器能够自动对测试图像文件进行分类。
本套分类器的实现是基于Matlab言语开发。
Classify()是主函数。
2016/2/17 1:30:36 225KB HOG特征
1
opencv内置人脸辨认分类器,对于个人进行人脸检测,更换不同的分类器可得到不同的效果
2015/6/27 19:44:57 1.4MB opencv
1
共 266 条记录 首页 上一页 下一页 尾页
在日常工作中,钉钉打卡成了我生活中不可或缺的一部分。然而,有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚,我总是得牢记打开钉钉应用,点击"工作台",再找到"考勤打卡"进行签到。有时候因为工作忙碌,会忘记打卡,导致考勤异常,影响当月的工作评价。而且,由于我使用的是苹果手机,有时候系统更新后,钉钉的某些功能会出现异常,使得打卡变得更加麻烦。 另外,我的家人使用的是安卓手机,他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说,每次打卡都是一次挑战。他们总是担心自己会操作失误,导致打卡失败。 为了解决这些烦恼,我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习,我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03 15KB 钉钉 钉钉打卡