openCV Archive

bag of words classification实现图像分类的原理详解

bag of words模型是信息检索领域常用的文档表示方法。在信息检索时,bag of words模型将一个文档仅看作是若干个词汇的集合,文档中每个单词的出现都是独立的,不依赖于其他单词,语法和词法。bag of words模型应用于图像时,需要从每类图像中提取视觉词汇构造单词表,用单词表中的词汇来表示图像。opencv的例程bag-of-words classification演示了bag of words模型在图像中的应用,下面我们根据该例程的执行顺序来学习其如何实现图像分类。

bagofwords_classification的一种正确的打开方式

bagofwords_classification是opencv_contrib中用bags of words对图像进行分类的一个范例,其测试数据是PASCAL VOC。PASCAL VOC为图像识别和分类提供了一套标准化的优秀数据集,是验证各种精妙算法性能的标准评估系统。本文记录bagofwords_classification.cpp的运行方法和注意事项。

opencv3.1 SVM sample_HOG特征在车牌判断中的应用

在开源的车牌识别系统EasyPR中,用SVM(支持向量机)模型甄选出候选车牌中真正的车牌。目前EasyPR1.4的SVM模型输入的是LBP特征,作者提及后续会考虑增加HOG和SIFT特征。据此思路,我用HOG/SIFT/SURF特征作为SVM模型的输入进行了初步验证,在此记录训练方法和数据。

opencv3.1 svm(支持向量机)使用心得

SVM是opencv中一个内置的机器学习类,在使用该类时,我们需要接触到的是train(训练数据)/trainAuto(自动训练数据)/predict(对未知数据进行预测)等三个函数。本文以这三个函数为中心记录一些SVM(支持向量机)的使用心得。

opencv3.1 SURF特征点算法说明与示例

SURF (Speeded Up Robust Features)是一种具有鲁棒性的局部特征检测算法。CSDN的博主zhaocj写的Opencv2.4.9源码分析——SURF对SURF算法分析的非常透彻,建议想学习SURF算法原理的同学去研读。本文从应用角度来记录SURF算法,并给出相应的范例。

opencv3.1的SIFT特征检测参数图文详解

SIFT算法的实现过程大致如下:对源图像进行高斯模糊处理,根据源图尺寸和相关设定参数生成图像的高斯金字塔和高斯差分金字塔(DOG尺度空间),在DOG尺度空间中搜索特征点,计算尺度,构建特征描述子。本文以SIFT的参数为主线来尝试说明SIFT算法的原理。

opencv3.1的HOG特征检测参数详解

我们常见的HOG特征范例中所使用的图片一般为128*64,或者会将原图resize为该尺寸,那么HOG特征检测的输入图片的尺寸一定要这样处理吗?本文将记录对此问题的实验过程以及相关结论,欢迎指点。

cmake-gui和vs2013编译opencv和opencv_contrib源码

编译opencv源码,通常是为了使用其未集成的库,例如opencv_contrib,我也不例外。为了使用opencv_contrib中的部分功能,我在Github上下载了opencv和opencv_contrib的源码并成功编译,已验证可用。在此记录编译与配置过程,供后续查阅与参考。

车牌识别系统EasyPR的批量识别功能测试界面

对于一个车牌识别系统,准确和快速应该是值得关注的。为了进一步学习车牌识别系统EasyPR,我在MFC可视化界面中添加了车牌批量识别和批量识别时显示以下数据的功能:识别结果,车牌检测时间,车牌颜色识别时间,字符识别时间。

在MFC的PictureControl控件中显示opencv Mat格式的图片

在车牌识别系统easyPR的MFC可视化界面中提到,在待识别车牌的左上角会有一个小窗口来显示车牌识别的中间过程,其中待识别车牌原图是在MFC的PicturControl中显示的,而中间过程是用opencv 处理后的Mat格式的图片。本文主要记录在picutreControl窗口指定位置显示Mat格式图片的方法以及当前此方案的遗留问题点。
Fork me on GitHub