特征工程历史版本:

上次修改时间:

haar特征和级联分类器历史版本:

上次修改时间: 2021-01-21 00:54:49

特征工程-机器学习前的入门课程历史版本:

上次修改时间: 2021-01-21 00:54:49

opencv haarcascad的文件解析历史版本:

上次修改时间: 2021-01-21 00:54:49

\n\n\n 20 20\n \n <_>\n \n \n <_>\n \n <_>\n \n \n \n <_>3 7 14 4 -1.\n <_>3 9 14 2 2.\n 0\n 4.0141958743333817e-003\n 0.0337941907346249\n 0.8378106951713562\n <_>\n \n <_>\n \n \n \n <_>1 2 18 4 -1.\n <_>7 2 6 4 3.\n 0\n 0.0151513395830989\n 0.1514132022857666\n 0.7488812208175659\n <_>\n \n <_>\n \n \n \n <_>1 7 15 9 -1.\n <_>1 10 15 3 3.\n 0\n 4.2109931819140911e-003\n 0.0900492817163467\n 0.6374819874763489\n 0.8226894140243530\n -1\n -1\n <_>\n...\n...\n...\n\n\n```\n让我看下opencv代码中对这些结构的解释\n```\nBoosted Haar classifier structures.\n#define CV_HAAR_FEATURE_MAX 3\n/* a haar feature consists of 2-3 rectangles with appropriate weights */\ntypedef struct CvHaarFeature\n{\nint tilted; /* 0 means up-right feature, 1 means 45--rotated feature */\n/* 2-3 rectangles with weights of opposite signs and\nwith absolute values inversely proportional to the areas of the\nrectangles. If rect[2].weight !=0, then\nthe feature consists of 3 rectangles, otherwise it consists of 2 */\nstruct\n{\nCvRect r;\nfloat weight;\n} rect[CV_HAAR_FEATURE_MAX];\n}\n/*\nCvHaarFeature;\nhaar特征包括一个tilted标志\ntilted = 0 是直立型特征 \ntilted =1 是45度特征 \n特征是2-3 个带权重的矩形，如果rect[2].weight != 0 则特征是3个矩形，否则是 2 个矩形\n*/\n\n/* a single tree classifier (stump in the simplest case) that returns the\nresponse for the feature at the particular image location (i.e. pixel\nsum over subrectangles of the window) and gives out a value depending\non the response */\ntypedef struct CvHaarClassifier\n{\nint count; /* number of nodes in the decision tree */\n/* these are \"parallel\" arrays. Every index exttt{i}\ncorresponds to a node of the decision tree (root has 0-th index).\nleft[i] - index of the left child (or negated index if the\nleft child is a leaf)\nright[i] - index of the right child (or negated index if the\nright child is a leaf)\nthreshold[i] - branch threshold. if feature responce is <= threshold,\nleft branch is chosen, otherwise right branch is chosen.\nalpha[i] - output value correponding to the leaf. */\nCvHaarFeature* haar_feature;\nfloat* threshold;\nint* left;\nint* right;\nfloat* alpha;\n}\nCvHaarClassifier;\n/*\n 代表判决树节点。
\n 包含一个tilted标志，tilted = 0 是直立型特征，tilted =1 是45度特征。
\n 包含了决策树的某个节点，节点都包含feature用于决策树的判决条件。
\n的threshold用于决策树判决，当输入的feature response\n包含了rects,rects是2-3 个带权重的矩形，如果rect[2].weight != 0 则特征是3个矩形，否则是 2 个矩形,rects是一个5字节的数组，分别代表xpos,ypos,alpha。
\n*/\n```\n\n\n#### 如何使用这些训练好的特征结果进行判决？\n假设原始检测窗口大小是20x20，输入图片全部归一化为384x384。\n- 确认单个尺度，及尺度下对应的所有检测窗口位置\n如果尺度是16，那么缩放后的检测窗口大小为320x320，那么所有的检测窗口共有:
\n384-320 % 16 = 4; 4*4 = 16个(铺满整个图片)
\n- 计算特征响应\n这16个窗口的特征响应计算，整个特征响应就是这16个窗口的黑色区域减去白色区域的和。
\n\n- 接下来就要根据获得的特征响应来判断是不是被检测的对象，让我回顾之前的原理
\n在一幅图像中，大部分图像是非人脸区域。因此，最好有一个简单的方法来检查窗口是否不是一个面区域。如果不是，一次性丢弃，不要再处理。取而代之的是，把注意力集中在有脸的区域。这样，我们会花更多的时间检查可能的面部区域。
\n为此，算法作者引入了分类器级联的概念。不是在一个窗口上应用所有6000个特征，而是将这些特征分组到不同的分类器阶段(stage)，并逐个应用。（通常，前几个阶段将包含非常少的功能）。如果窗口在第一阶段失败，则会直接判定不是被检测的对象。如果通过，则应用功能的第二阶段并继续该过程。
\n\n比较的过程是单纯的大小等于的关系，也就是说 sum_feature < threshod，那么这张图片不是人脸，如果sum_feature > threshold，那么这张图片就是人脸。
\n\n\n -->

文本特征历史版本:

上次修改时间: 2021-02-13 13:47:30

独热编码历史版本:

上次修改时间: 2021-01-21 00:54:49

计算机眼中的语言历史版本:

上次修改时间: 2021-01-21 00:54:49

特征工程历史版本:

上次修改时间: 2022-01-27 16:23:32

0条评�?

发表评论

全部评论

关于博主

an actually real engineer

通信工程专业毕业,7年开发经验

技术栈:

精通c/c++

精通golang

熟悉常见的脚本,js,lua,python,php

熟悉电路基础,嵌入式,单片机

耕耘领域:

服务端开发

嵌入式开发

git

gin接口代码CURD生成工具

模型名称

通用返回值

分页查找批量更新 GORM

sql ddl to struct and markdown,将sql表自动化生成代码内对应的结构体和markdown表格格式,节省宝贵的时间。

输入ddl:

输出代码:

qt .ui文件转css文件

duilib xml 自动生成绑定控件代码

协议调试器

基于lua虚拟机的的协议调试器软件支持的协议有:

串口

tcp客户端/服务端

udp 组播/udp节点

tcp websocket 客户端/服务端

软件界面

使用例子: 通过脚本来获得接收到的数据并写入文件和展示在界面上

下载地址和源码

duilib版本源码 qt qml版本源码二进制包

webrtc easy demo

webrtc c++ native 库 demo 实现功能:

基于QT

webrtc摄像头/桌面捕获功能

opengl渲染/多播放窗格管理

janus meeting room

下载地址和源码

源码二进制包

wifi,蓝牙 - 无线开关

实现功能:

通过wifi/蓝牙实现远程开关电器或者其他电子设备

电路原理图:

实物图:

深度学习验证工具

vtk+pcl 点云编辑工具

实现功能:

1. 点云文件加载显示(.pcd obj stl)

2. 点云重建

3. 点云三角化

4. 点云缩放

下载地址:

源码二进制包

虚拟示波器

硬件实物图:

实现原理

基本性能

采集频率: 取决于外部adc模块和ebaz4205矿板的以太网接口速率,最高可以达到100M/8 约为12.5MPS

上位机实现功能: 采集,显示波形,存储wave文件。

参数可运行时配置

上位机:

显示缓冲区大小可调

刷新率可调节

触发显示刷新可调节

进程守护工具

基本功能:

1. 守护进程,被守护程序崩溃后自动重启。

2. 进程输出获取,显示在编辑框中。

二进制包

openblt 烧录工具

基本功能:

1. 加载openblt 文件,下载到具有openblt bootloader 运行的单片机中。

二进制包

opencv 功能验证工具(开源项目二次开发)

基本功能:

1. 插件化图像处理流程,支持自定义图像处理流程。 2. 完善的日志和权限管理

二进制包

又一个modbus调试工具

最近混迹物联网企业,发现目前缺少一个简易可用的modbus调试工具,本软件旨在为开发者提供一个简单modbus测试工具。
主打一个代码简单易修改。
特点:

1. 基于QT5

2. 基于libmodbus

3. 三方库完全跨平台,linux/windows。

二进制包

屏幕录制工具

1. 基于QT5

2. 基于ffmpeg

3. 支持自定义录屏

源代码

开源plutosdr 板卡

1. 完全开源

2. 提高固件定制服务

3. 硬件售价450 手焊产量有线

测试数据

内部DDS回环测试

接收测试

外部发送500MHZ FM波形

硬件原理图

matlab测试

2TRX版本

大部分plutosdr应用场景都是讲plutosdr板卡作为射频收发器来使用。
实际上plutosdr板卡本身运行linux 操作系统。是具有一定脱机运算的能力。对于一些微型频谱检测,简单射频信号收发等应用完全可以将应用层直接实现在板卡上
相较于通过网卡或者USB口传输具有更稳定,带宽更高等优点。
本开源板卡由于了SD卡启动,较原版pluto支持了自定义启动应用的功能。
提供了应用层开发SDK(编译器，buildroot文件系统)。
通过usb连接电脑,经过RNDIS驱动可以近似为通过网卡连接
(支持固件的开发定制)。

二次开发例子

``` all:
arm-linux-gnueabihf-gcc -mfloat-abi=hard --sysroot=/root/v0.32_2trx/buildroot/output/staging -std=gnu99 -g -o pluto_stream ad9361-iiostream.c -lpthread -liio -lm -Wall -Wextra -lrt
clean:
rm pluto_stream

bsdiff算法补丁生成器

1. 官方bsdiff算法例子自带bzip压缩方式

2. 本例子没有压缩,直接生成补丁文件

3. 图形化界面基于DUILIB

二进制文件

版面分析即分析出图片内的具体文件元素,如文档标题,文档内容,文档页码等,本工具基于cnstd模型