1) Haar-like feature extract
Haar-like特征提取
2) Haar-Like feature
Haar-Like特征
1.
On the basis of the Haar-Like feature,AdaBoost algorithm was adopted to produce the strong classifier for face detection.
采用AdaBoost算法对人脸图像的Haar-Like特征进行统计学习,生成用于人脸检测的强分类器。
2.
Dr Viola puts forward a fast face detection algorithm based on Haar-like features,which is promising.
美国的Voila博士提出的基于Haar-like特征的人脸检测算法是一种具有巨大发展潜力的新算法,快速而准确。
3.
Haar-like features are used in this application,and Gentle AdaBoost algorithm is chosen to train the strong classifiers wich form the tree structure vehicle classifier.
该方法采用Haar-like特征来表达车辆特征,选择Gentle AdaBoost算法训练出强分类器,最后将多个强分类器组合成树形结构。
3) haar-like features
haar-like型特征
1.
In the stage of off-line training,considering the vivid contour,the concave and convex of the ear,we apply the extended haar-like features to construct the space of the weak classifiers using the nearest neig.
在离线训练阶段,首先结合人耳轮廓清晰,凹凸有致的特点,采用扩充后的haar-like型特征,依最近邻法则构造出弱分类器空间,然后根据经验选择GAB算法训练出强分类器,最后将多个强分类器级联成多层人耳检测器。
4) Haar-like rectangular feature
Haar-like矩形特征
1.
Based on previous research,the structures of Haar-like rectangular features and integral image that can be used to compute the value of features rapidly are analyzed.
本文研究及实现了一种基于Haar-like矩形特征的实时道路车辆识别方法,即如何快速且准确地从复杂背景的图像或视频中识别出目标车辆的问题。
5) Haar-like feature
类Haar特征
1.
Based on the Viola-Jones fast object detection algorithm, the nature and the construction of Haar-like features are researched.
在Viola-Jones快速目标检测算法的基础上,侧重研究了类Haar特征原型的本质与提取,提出了类灰度图的概念,并以快速人脸检测为例,从类灰度图提取广义类Haar特征,从本质上拓展了类Haar特征的类型。
2.
Policy that calculates in advance the partitioning of Haar-like feature weak classifiers in sample input space and updating training face samples’ weights dynamically is adopted.
该算法采用预先计算类Haar特征所对应弱分类器在样本空间的划分,并动态更新人脸训练样本的权值。
3.
Haar-like features describing the differences of gray level, gradient and skin color of face pattern are used to construct the feature set for face detection.
提出一种综合使用灰度、梯度和肤色信息的实时人脸检测方法,使用类Haar特征描述人脸模式的灰度差、梯度差和肤色差,构造相应的特征集。
6) Haar-like feature
Haar型特征
1.
First part of the system adopted extended Haar-like features combined with AdaBoost algorithm,which made performance of classifying better than using original Haar-like features.
系统第一部分采用扩展的Haar型特征并结合自举算法,使其分类性能要优于原始的Haar型特征。
补充资料：特征提取
特征提取
feature extraction
t6Zheng tiqu特征提取(featu了eextraction)特征选择与提取的通称。特征选择和提取是模式识别的关键环节，其任务是压缩存在于表示模式的原始测量数据中的冗余和无关的信息，提取一组对分类最有效的特征参数，以减少计算工作量，提高分类器的性能。特征参数可以从输人模式信息中选出一个子集构成，这一过程称为特征选择。新的特征参数也可以通过降维变换获得，即将输人模式从较高维数的测量空间变换到较低维数的特征空间，以一个低维特征向量表示输人模式，这一过程称为特征提取。 由于特征提取的任务是求出一组对分类最有效的特征，因此首先需要一个能定量评估特征有效性的准则。分类器的误识概率可作为理想的准则，但由于估计误识概率的分布非常困难，实用时往往以其他一些准则代替。常用的准则有:基于概率距离的准则，基于类间距离的准则，基于墒函数的准则等。应用上述准则，可以通过分支定界和顺序搜索等优化算法，求得一个最优的或次优的特征集。近年来基于人工智能的启发式算法也在特征选择中得到应用。在进行降维变换以实现特征提取时，考虑到可分析性和计算可行性，一般采用线性变换方法，.最常用的是以K一L扩展为基础的线性变换。(黄泰冀)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条