将MD大神提出的CN特征融合到KCF中，采用的是简单的线性相加。
里面的有的正文谷歌翻译的，可以无视
里面的有的正文谷歌翻译的，可以无视
2015/5/21 4:31:24
1.16MB
1
基于Hog特征+SVM分类器，利用Opencv3.0进行手写数字辨认的源代码及所需资源文件（训练图片、测试图片）
2015/8/16 17:18:33
4.52MB
1
这是本人本科做的毕业设计，根据opencv里面人体检测的HOG代码改写，加上了完整的注释（opencv里面是没有任何注释的），并且增加了样本的训练（代码中只提供了PCA50-HOG的检测算子，如有其它需要可以自行训练），线性检测时使用线性SVM优化，高斯检测时使用PCA的降维。
同时对候选区域整合代码做了简化处理。
最后感谢网上的各位好心人提供的各类资源，在毕业设计过程中给予了我很大协助。
鉴于网上仍然还有若干未解决的问题，今天把我所做的也分享给大家，希望能给还在探索ing的朋友一些启发。
如果有任何问题请留言或者email。
同时对候选区域整合代码做了简化处理。
最后感谢网上的各位好心人提供的各类资源，在毕业设计过程中给予了我很大协助。
鉴于网上仍然还有若干未解决的问题，今天把我所做的也分享给大家，希望能给还在探索ing的朋友一些启发。
如果有任何问题请留言或者email。
2018/5/3 18:47:12
16.04MB
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。
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
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。
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
1
手脸近距遮挡属于深度传感器应用中具有代表性的难点问题，针对该问题提出了一种综合利用颜色与深度信息的手势识别方法。
采用核模糊C-均值聚类，对手脸遮挡图像进行粗分割和灰度增强，实现手脸分离。
引入初始化水平集函数，处理聚类方法导致的手势区域像元缺失问题。
利用基于深度信息的梯度方向直方图(HOG)特征对手势进行分类识别。
通过采集不同人体手脸近距遮挡情形下的多种手势图像建立了样本数据库，进行了对比实验，实验结果验证了该方法的可行性和有效性。
本文方法能有效分离近距遮挡的手和脸，提取得到相对完整的手势信息，深度HOG特征能够对手势空间信息进行精确描述，具有比传统形状特征更准确的识别效果。
采用核模糊C-均值聚类，对手脸遮挡图像进行粗分割和灰度增强，实现手脸分离。
引入初始化水平集函数，处理聚类方法导致的手势区域像元缺失问题。
利用基于深度信息的梯度方向直方图(HOG)特征对手势进行分类识别。
通过采集不同人体手脸近距遮挡情形下的多种手势图像建立了样本数据库，进行了对比实验，实验结果验证了该方法的可行性和有效性。
本文方法能有效分离近距遮挡的手和脸，提取得到相对完整的手势信息，深度HOG特征能够对手势空间信息进行精确描述，具有比传统形状特征更准确的识别效果。
2018/1/7 4:29:25
11.61MB
1
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