目标检测1

图像分割

基于灰度、颜色、纹理和形状将图像进行分割。
（没有涉及语义，主要还是灰度——不连续性、相似性）

前景背景分割

基于阈值的分割方法

设置灰度阈值T，根据直方图进行分割
大津法
目标检测（未用深度学习）

基于边缘的分割方法

目标检测（未用深度学习）

基于区域的分割方法

区域生长法

预设值，向四周扩充
目标检测（未用深度学习）
目标检测（未用深度学习）

分水岭算法
  1. 彩色图像灰度化，然后再求梯度图
  2. 最后在梯度图的基础上进行分水岭算法，求得分段图像的边缘线

基于图论的分割方法

Graph Cut

目标检测（未用深度学习）
能量的定义：。。。

Grab Cut

目标检测（未用深度学习）

  1. 使用标记初始化颜色模型（K = 5）
  2. 迭代进行Crab Cut（KNN）

人脸识别

Haar-like特征

  • 边缘特征
  • 线性特征
  • 圆心环绕特征
  • 特定方向的特征

特征模板内有黑色和白色两种矩形，并定义该模板的特征值为白色矩形内的像素和减去黑色矩形内的像素和。其可以表示出人脸的某些特征。

有多少种Haar-like特征？

  • 不同的模板
  • 不同的位置
  • 不同的缩放

Haar级联分类器

Adaboost是一种基于级联分类模型的分类器。

级联分类器

级联分类器就是将多个强分类器连接在一起进行操作。
目标检测（未用深度学习）

Boosting分类器

每一个强分类器都由若干个弱分类器加权组成。

行人检测

HOG-SVM

梯度计算

目标检测（未用深度学习）
目标检测（未用深度学习）
目标检测（未用深度学习）
对于彩色图，选取梯度幅值最大的通道

Block拆分

目标检测（未用深度学习）
目标检测（未用深度学习）

对比度归一化

容易受到前景与背景对比度及局部光照的影响。

HOG步骤
SVM模型

推导就先省略了

DPM