動態規劃

1. 大問題可以分解為子問題

2. 每一個子問題的答案可以被儲存起來 供下次直接取用 不必再重新計算

 

範例:

finalfrank 發表在 痞客邦 PIXNET 留言(0) 人氣()

在數學演算法上

空間和時間兩者是值得權衡(Trade-off)的兩個元素

在解一個問題的時候,其所需的時間和空間,是可以互換的。

(這裡的空間指的是需要記憶的項目)

finalfrank 發表在 痞客邦 PIXNET 留言(0) 人氣()

基於機器學習的物體辨識技術,主要分為三個部分,

1. 物體的特徵擷取 (Feature Extraction)

2. 分類演算法 (Classification Algorithm)

3. 偵測演算法 (Detection Algorithm)

 

finalfrank 發表在 痞客邦 PIXNET 留言(0) 人氣()

影片的轉場分析可以從幾種方法做出來

最簡單的方法之一就是分析整體亮度的變化

這種方法究竟有沒有效

就讓我們來分析 Windows 7 內建的 wildlife.wmv

finalfrank 發表在 痞客邦 PIXNET 留言(1) 人氣()

最近在露天拍賣上看到一支滑鼠只賣99元,而且具有特別的功能。

拍賣網址:http://goods.ruten.com.tw/item/show?21201284015095

主要是讓滑鼠滾輪多了切換視窗和分頁的功能。

finalfrank 發表在 痞客邦 PIXNET 留言(0) 人氣()

[下載範例程式] (請先安裝OpenCV2.2才能執行喔~)

優點:沒有鬼影和接縫

缺點:計算耗時

 

finalfrank 發表在 痞客邦 PIXNET 留言(0) 人氣()

[ Google Play 下載專頁]

如同你在他們的介紹影片看到的,這支程式原本是為了解決收訊不佳而設計的,

但是,反過來想,既然他主要的作用是來找基地台,

那就表示可以查看看你家附近到底有多少基地台!

finalfrank 發表在 痞客邦 PIXNET 留言(0) 人氣()

內容如有錯誤請不吝指教!


(1)    初始化node set A,裡面包含兩個node c1,c2

finalfrank 發表在 痞客邦 PIXNET 留言(0) 人氣()

Haar Feature-based Cascade Classifier是由Paul Viola提出,並且由Rainer Lienhar加強。

首先,一個分類器(Haar Feature-based Cascade Classifier)是由數百個相同物件的正樣本來做訓練(例如臉部或車),並且將它們縮小成特定大小,例如20x20。另外也訓練負樣本,負樣本則使用任意影像即可。

在分類器被訓練之後,它便可以被使用在和被訓練樣本相同大小的ROI上。當一個區域可能出現該物件時,分類器輸出1,否則輸出0。如果要搜尋整張圖裡面的所有物件,則要讓分類器以搜尋視窗(Search Window)搜尋整張圖。該分類器是經過特殊設計,因此他可以很容易的被縮放來尋找大小不一的目標物件,這比單純縮放目標影像有效的多。因此,欲尋找影像中未知大小的物件,則要以不同的大小去搜尋該影像多次。

該分類器之所以被稱為「階層式(Cascade)」,是因為該分類器包含了數個較為簡單的分類器,我們稱之為關卡。當候選物件通過層層關卡的過濾,我們便認定其為目標物件。而之所以被稱為「推進(Boosting)」,是因為每一個關卡中又使用了基於不同權重投票(Weighted voting)來設計的基本分類器(basic classifiers)

目前這些基本分類器,是具有至少兩個葉子(leaves)的決策樹(decision tree)。而Haar-like feature做為這些基本分類器的輸入值,而以OpenCV為例,其使用的Haar-like feature如下圖:

finalfrank 發表在 痞客邦 PIXNET 留言(2) 人氣()

主要介紹幾個方法 順便備忘

 

Template Matching
給予一系列的同類型物件,於辨識時,將每一個Frame和這些同類物件做Template Matching,主要是用Correlation的方式來辨識,當一個區域的Correlation大到一定的門檻值,我們即假設該部分是我們所要偵測的物件。OpenCVTemplate Matching相關的Function。使用這個方法的優點是簡便,但缺點是計算量過大,恐怕不適合Real-time的應用。

 

finalfrank 發表在 痞客邦 PIXNET 留言(2) 人氣()

找更多相關文章與討論