您现在的位置是:首页 >其他 >计算机视觉(4)—— 未有深度学习之前网站首页其他

计算机视觉(4)—— 未有深度学习之前

清园暖歌 2024-06-14 17:19:07
简介计算机视觉(4)—— 未有深度学习之前

目录

四、未有深度学习之前

4.1 图像分割

4.1.1 基于阈值分割

4.1.2 基于边缘分割

4.1.3 基于区域分割 

(1)区域生长法

(2)分水岭算法

4.1.4 基于图论分割

(1)Graph Cuts 分割 

​(2)GrabCut 分割

4.2 人脸检测

4.2.1 Haar-like 特征 

4.2.2 Haar 级联分类器

4.3 行人检测

4.3.1 HOG

4.3.2 SVM

4.3.3 DPM


 

 

四、未有深度学习之前

4.1 图像分割

4.1.1 基于阈值分割

有一种选阈值方法,使得选出来的黑白和原图像的均值方差最大 

4.1.2 基于边缘分割

4.1.3 基于区域分割 

(1)区域生长法

(2)分水岭算法

4.1.4 基于图论分割

(1)Graph Cuts 分割 

Rp 代表任意一个点是属于前景的可能性大还是背景 

B 就是像素点之间是否连续相似

 (2)GrabCut 分割

 

       就是画的框就是背景和前景的颜色分布都有了,然后找这些颜色分布找若干个聚类中心,框之外的颜色就是背景,背景也找若干个聚类中心;要做的就是在不断的迭代过程中,框住的颜色里属于背景的就会逐渐被归到框外的聚类中心上,框里面的就仅仅属于自己

4.2 人脸检测

4.2.1 Haar-like 特征 

4.2.2 Haar 级联分类器

        现在能和深度学习模型比一比的传统模型几乎只有 xgboost 了 

         这里级联是指:分类器是有所偏向的,对于是正例或疑似正例的看的马虎一点,但是对于肯定的负例会做一个有把握的判断;也就是说对于每个分类器来说,我扔掉的东西就一个不是人脸,不是正例,保留下来的还不确定,就这样的过程叠加若干的,每个分类器也不一样,最后剩下的才是真正的正例。

        弱分类器要弱到什么程度,比如左边左白右黑的分类器,上面识别出人脸和下面不是人脸响应图差异不大;而右边差异就有了,就把这种找出来

4.3 行人检测

4.3.1 HOG

        梯度每落在20度里面的数量,如果是85度,再70和90度之间,就用插值,到70度是15,到90度是5

9是代表没有方向(符号)的梯度 

L2范式可能会好一点 

 

4.3.2 SVM

        就是两类样本找到一条分界线,一分为二后,满足边界上的两个分类的分界面的距离达到最大

 

4.3.3 DPM

 

风语者!平时喜欢研究各种技术,目前在从事后端开发工作,热爱生活、热爱工作。