当前位置 : 首页

有关可变形部件模型(Deformable Part Model)的一些说明


(1)可变形部件模型

可变形部件模型(DeformablePart Model)由三部分组成:

  • (1) 一个较为粗糙的,覆盖整个目标的全局根模版(或叫做根滤波器)。
  • (2) 几个高分辨率的部件模版(或叫做部件滤波器)。
  • (3) 部件模版相对于根模版的空间位置。

利用FinalData恢复shift+delete误删的文件

花了两天时间写完开题报告,刚写完就被当做没用的文档shift+delete删除了,一下子慌了。
看了网上的建议,误删文件所在的分区最好不要再有存储删除等操作,否则容易将之前误删的冲掉,可我的正好是在C盘的桌面上,时时刻刻都有程序在对C盘操作,不知道还能不能恢复。
先试了试360安全卫士自带的误删回复小工具,根本不行。
又去找了大名鼎鼎的EasyRecovery,在国内一个下载网站上下载的,但感觉界面很粗糙,有国产付费小软件的感觉,试了试,倒是查找出几个误删的word文档,但在最后一步恢复数据的时候,需要输入注册码,放弃。看到网上说,EasyRecovery有真假之分,冒牌的是国内自己开发的一款,界面上有开发者的QQ和电话,原版的是叫Kroll Ontrack Easyrecovery。
然后又找了一款叫Recuva,在用它进行查找的时候又装了一款Renee,这两个都能将找到的误删word恢复,但是恢复出来的是损坏的word,打不开。
又去找损坏word恢复的方法,试了几个都不行。
无奈之际,又下载了FinalData企业版,想碰碰运气,搜索文件花了10分钟,搜索出来可以按文件类别恢复,有的文件甚至还保留着原文件名(一般这种恢复出来的文件都会丢失原文件名,变成字母加数字)。试着将几个word恢复,竟然可以打开了,只不过丢失了全部格式,变成了一堆文本,但这也比重写好。
下面说说方法:

OpenCV2.4.4用初次训练的SVM+HOG分类器在负样本原图上检测HardExample

难例(或叫做难样本,Hard Example,Hard Negative,Hard Instance)是指利用第一次训练的分类器在负样本原图(肯定没有人体)上进行行人检测时所有检测到的矩形框,这些矩形框区域很明显都是误报,把这些误报的矩形框保存为图片,加入到初始的负样本集合中,重新进行SVM的训练,可显著减少误报。
这种方法叫做自举法(Bootstrap),自举法首先使用初始负样本集来训练一个模型,然后收集被这个初始模型错误分类的负样本来形成一个负样本难例集。用此负样本难例集训练新的模型,此过程可以重复多次。

OpenCV2.4.4中训练自己的SVM分类器进行HOG行人检测


实验准备

样本选择

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,详见:

分类器选择

SVM使用的是OpenCV自带的CvSVM类。

训练及检测过程

首先计算正负样本图像的HOG描述子,组成一个特征向量矩阵,对应的要有一个指定每个特征向量的类别的类标向量,输入SVM中进行训练。
训练好的SVM分类器保存为XML文件,然后根据其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数,再调用OpenCV中的多尺度检测函数进行行人检测。

难例(Hard Example)

难例(或叫做难样本,Hard Example,Hard Negative,Hard Instance)是指利用第一次训练的分类器在负样本原图(肯定没有人体)上进行行人检测时所有检测到的矩形框,这些矩形框区域很明显都是误报,把这些误报的矩形框保存为图片,加入到初始的负样本集合中,重新进行SVM的训练,可显著减少误报。
用训练好的分类器在负样本原图上检测Hard Example见:

OpenCV2.4.4从完全不包含人体的图片中随机剪裁出用于人体检测的负样本

进行行人检测的分类器训练时,负样本是从完全不包含人体的图片中随机剪裁出来的,下面程序的目的就是从完全不包含人体的图片中随机剪裁出64×128大小的用于人体检测的负样本:

利用TinyXML读取VOC2012数据集的XML标注文件裁剪出所有人体目标保存为文件

PASCAL VOC目标检测(The PASCAL Visual Object Classes)数据集可从其官网页面上下载:
http://host.robots.ox.ac.uk/pascal/VOC/

图片中的目标用XML文件标注,例如其中一张图片的标注为:

OpenCV读入图片序列进行HOG行人检测并保存为视频

此程序是用OpenCV的默认SVM参数进行检测,若图片过大过多,处理起来会比较慢。

OpenCV imshow()之后没有waitKey()无法显示图像

今天突然遇到了这么个奇怪的问题,之前一直没有注意到。
imshow()之后要加waitKey()才能正确显示图像。

OpenCV2.4.4实现HOG行人检测

利用OpenCV中默认的SVM参数进行HOG行人检测,默认参数是根据Dalal的方法训练的。

Histograms of Oriented Gradients for Human Detection 中文翻译

用于人体检测的方向梯度直方图

Navneet Dalal,Bill Triggs

摘要

  我们研究了视觉目标检测的特征集问题,并用线性SVM方法进行人体检测来测试,通过与当前的基于边缘和梯度的描述子进行实验对比,得出方向梯度直方图(Histograms of Oriented Gradient,HOG)描述子在行人检测方面表现更加突出。我们研究了计算过程中每一阶段的影响,得出小尺度梯度(fine-scale gradients)、精细方向采样(fine orientation binning)、粗糙空域抽样(coarse spatial binning)以及重叠描述子块的局部对比度归一化(local contrastnormalization in overlapping descriptor blocks)都对最终结果有重要作用。这种方法在最初的MIT行人数据库上表现近乎完美,所以我们引入了一个更具挑战性的包含1800个不同姿势和背景的已标注人体数据集。

学习资源

学习资源

失眠的感觉

  现在是凌晨3点,我又一次失眠了。
  不知道是不是由于从小就神经衰弱的原因,失眠一直伴着我长大。
  记得小时候,还和我姐姐在一个屋睡觉的时候,晚上失眠睡不着,辗转反侧,翻身翻得浑身燥热,实在没办法了就去敲爸妈屋的门,然后爸妈会给一种白色的小药片,好像是镇静剂,有使身体放松入睡的功效,其实到底在我身上有没有用不知道,只是这么折腾一下子,加上感觉吃了药肯定能睡着了的心理作用,再躺下就很快睡着了。

春上村树《挪威的森林》读后感

  我开始想不明白什么样的小说算是经典。就拿最近读的两本小说来说吧,《平凡的世界》和《挪威的森林》,《平》理所当然的可以说是经典,描写了特殊年代一些平凡人的励志故事,对我们有激励作用。然而,《挪》里面写了什么呢?一个多情少年的纠结感情历程。看完之后,你无法引用其中某件事来说教小辈,也无法给你的雄心壮志加上豪迈的一笔,唯一留下的只有细细的品味。 剧情进展的非常缓慢,大量无关紧要的描写,对于理工科的我来说,经常会收不了这种慢情节的小说,不由想到看过的《麦田里的守望者》,也是这种风格,好多世界名著都是这样,大量的景物描写和心里描写。比如主人公走在路上,看到了A,然后由A想到B,再由B想到C,绕一圈之后才又回到现实。我想,可能这就是文学吧。

VS2010编译配置Blitz-0.9

Blitz是基于C++ template高效数值计算程序库。
Blitz++提供了一个N维(1-10)的Array类,这个Array类以reference counting技术实现,支持任意的存储序(row-major的C-style数组,column-major的Fortran-style数组),数组的切割(slicing),子数组的提取(subarray),灵活的Array相关表达式处理。另外提供了可以产生不同分布的随机数(F,Beta,Chi-Square,正态,均匀分布等)的类也是很有特色的。

史蒂芬·金《肖申克的救赎》读后感

  Stephen King 《Rita Hayworth and the Shawshank Redemption》
  这本书的电影版已经久负盛名了,在1995年的第67届奥斯卡金像奖上,《肖申克的救赎》和《阿甘正传》《低俗小说》一起竞争年度最佳影片(Best Picture),结果阿甘胜出,结果是颇有争议的,很多人为肖抱不平。
  对于原著和影视作品来说,如果先读原著,再看影视作品,往往会感觉演的不好。因为你在读原著的时候,会在心里刻画一个主人公的原型,并随着情节的发展而逐步丰富他的性格特征,读完之后在心里就有一个活生生的人物了。当你再去看影视作品的时候,突然出现的主人公往往不能符合你的要求。为什么呢?我认为是,每个人物都有几条非常鲜明的特征,但这些性格特征是逐步暴露出来的,在读者心里也是逐步培养成的,但影视作品中为了突出人物的特征,往往会在开头非常鲜明的展示人物的性格特征,这会给人一种突兀的感觉,很做作,经常引人反感。反之,如果先看影视作品,再读原著,那么你心里对于主人公的形象就被电影里的演员形象给锁定了,书中有哪些描写,你也会去电影里的人物身上找对应的特点,读完之后,就会觉得电影里的人物更加完美了。比如说这本书,我在读原著的时候,读到Red就想到摩根弗里曼,读到Andy就想到蒂姆罗宾斯,脑中翻来覆去就是他们的形象。
  抛开原著和影视作品谁先谁后给人造成的错觉不说,我感觉肖申克的电影版拍的确实不错。首先,这本书本身就是中短篇,中文七万字,英文四万字,所以不会出现原著中描写的很详细但电影版限于两个多小时的时长而演不出来的情况。事实上,电影版是很忠于原著的,很多经典的台词都是书中的原话。其次,电影版与书中稍有不同的地方,我感觉还是电影中处理的更好。例如,对于告诉Andy他的杀妻案实情的Tommy,在Andy向典狱长说明情况后,为了封住Tommy的嘴并且不让Andy离开肖申克,书中说典狱长给了他点好处,将Tommy转狱了,电影中演的是典狱长将Tommy暗中枪毙了。电影中处理的好是因为Tommy不可能为了一点好处背叛Andy而同意转狱(当然里面肯定有强制因素),另一方面,电影中典狱长将Tommy灭口更能表现出典狱长的冷酷无情。还有,在Andy逃出去后,书中并没有写他将典狱长的犯罪证据寄给报社,进而政府将典狱长一伙儿全端了,而只是说后来典狱长辞职回家,郁郁而终,不像电影中让典狱长一伙儿得到应有的报应。
  然后,文摘时间,不过我感觉有的地方还没有电影里的台词说的好。