其他

在NELVT做的畢設題目，基於網路攝影機的人體生理指標自動檢測技術與應用，說簡單了就是用網路攝影機測心率。簡介目標主要是針對非接觸測量，原理是根據醫學上的Photolethysmography（PPG）技術。PPG是一種利用光電手段在活體組織中無創檢測血液容積變化的方法，將其應用到使用網路攝影機測量，大致可以這樣解釋：隨著心臟搏動，血液迴圈，人體各個部位血容積在一直發生變化（也是脈搏的原理），當血容積較大時，吸收光較多；反之，吸收光較少。所以根據光的變化可以得到血容積變化的頻率。系統結構因為功能

前兩天幫心理系的寫的一個小程式，灰常灰常簡單。大致內容是通過一些情緒學習之後，評定之後聲音的情緒反應。軟體的需求也比較簡單：給定三種類型的masker音頻，亂序之後播放給被試；被試聽到聲音之後，根據情緒感受，對情緒效價和情緒喚起打分；打分之後自動播放下一個聲音；最後統計三種類型的平均分；大致效果如下：介面用QT寫的，聲音播放用的QT Phonon內建的//建立媒體對象media_object = new Phonon::MediaObject(this);Phonon::AudioOutput

在OpenCV中看到一個很有意思的函數：floodfill()使用給定顏色填充一個聯通的地區C++: int floodFill(InputOutputArray image, Point seedPoint, Scalar newVal, Rect* rect=0, Scalar loDiff=Scalar(), Scalar upDiff=Scalar(), int flags=4 )一個簡單的例子：#include

經常用到批處理，但還是各種不熟。記錄一些寫的小檔案，以後方便查詢~組建檔案目錄將檔案（及子檔案下的圖片）寫入list.txt@echo off&setlocal enabledelayedexpansionfor /r %%i in (*.jpg *.png *.tif) do (echo %%i >>list.txt)pause測試檔案，統計結果使用test.exe測試list.txt中的檔案，並記錄結果，測試失敗會輸出“decoding failed”@echo

基本概念線性可分：在特徵空間中可以用一個線性分介面正確無誤地分開兩 類樣本；採用增廣樣本向量，即存 在合適的增廣權向量 a

最小平方誤差判別準則函數對於上一節提出的不等式組：線上性不可分的情況下，不等式組不可能同時滿足。一種直觀的想法就是，希望求一個a*使被錯分的樣本儘可能少。這種方法通過求解線性不等式組來最小化錯分樣本數目，通常採用搜尋演算法求解。為了避免求解不等式組，通常轉化為方程組：矩陣形式為：。方程組的誤差為：，可以求解方程組的最小平方誤差求解，即：Js(a) 即為最小平方誤差（Minimum Squared-Error，MSE）的準則函數：準則函數最小化方法準則函數最小化通常有兩種方法：違逆法，梯度下降法。

回顧感知器學習演算法，其核心思想是梯度下降法，即以訓練樣本被錯分的程度為目標函數，訓練中每次出現錯誤時便使權係數朝著目標函數相對於權係數負梯度方向更新，知道目標中沒有被錯分的樣本為止。而多層感知器模型中，神經元傳遞函數是階躍函數，輸出端的無恥只能對最後一個神經元係數求梯度，無法對其他權係數求梯度，所以無法利用梯度下降的方法學習其他的權值。Sigmoid函數BP演算法提出主要由於Sigmoid函數的出現，代替之前的閾值函數來構造神經元。Sigmoid函數是單調遞增的非線性函數，無限次可微。若且唯若

OpenCV的ml模組實現了人工神經網路（Artificial Neural Networks， ANN）最典型的多層感知器（multi-layer perceptrons, MLP）模型。由於ml模型實現的演算法都繼承自統一的CvStatModel基類，其訓練和預測的介面都是train(),predict()，非常簡單。下面來看神經網路 CvANN_MLP 的使用~定義神經網路及參數：//Setup the BPNetworkCvANN_MLP bp; // Set up BPNetwork'

關聯預測器一個[m,n]預測器表示使用前m個分支行為去從2^m個分支預測中進行選擇，每一個預測是對應於單個分支的n位預測器。這種相關分支預測器的吸引人之處，即在於它與兩位預測器相比可以取得更高的預測率，並且只需要少量的額外硬體支援。其硬體的簡單性表現在：最近m個分支的全域記錄可以記錄在一個m位移位寄存器中，每一位記錄著該分支是被執行還是未被執行。對分支預測緩衝站的訪問可由分支地址的低位拼接上m位全域記錄而得到。以下是一個[2，2]預測器及如何訪問預測器的例子。下面具體實現一個[10,2]的關聯預

幾種預測器的設計參見前一篇博文（這裡）定量評價幾種預測器的預測準確率轉移預測的分析和評測過程主要基於給定的指令序列蹤跡。輸入的文字檔將給出指令序列蹤跡，該檔案包含N行，每一行包括三個資料，分別為當前指令PC、下一指令PC、當前指令類型（0代錶轉移指令，1代表其它指令），下面是一個具體的範例：0x0EA31410 0x0EA31414 10x0EA31414 0x0EA31470 00x0EA31470 0x0EA31474 10x0EA31474 0x0EA31478 00x0EA31478 0

以前，碰到二元數組和指標有點混，現在做下總結：int a[][2]={3,2,3,4,5,6};int** ap;ap=(int**)a;編譯器能通過；ap也確實和a的值是一樣的，也就是說指向的地址是同一個。主要問題在於地址如0X0012ff5c這裡面存的值是3（數組首元素）；但是在二元數組指標這個3代表的還是一個地址（作業系統保護的地址）；int   **A; A=new   int*   [N]; for(int   i=0;i <N;i++)       A[i]=new  

介面是要被實現的，為什麼也可以被執行個體化？ 1) public   interface   Handler｛     public   void   Hello(); ｝ 2) import   Handler; public   class   OtherParser{     Handler   handler; ...... 一定有某個類實現了這個介面，並且在類路徑中可以找到！ 介面是永遠不能被執行個體化的，而2中只是對介面做引用，並沒有被執行個體化。 介面可以看成是高度抽象的抽象類別，

TLD演算法一開始做的工作就是特徵選取 如何選則呢 這個我在其中一篇文獻找到了答案.作者也只是做了一個比較，採用的方法是一種比較笨的方法 如何找的一個最佳化 這個可以作為一個比較好的思路 我現在主要是時間有限 如果哪位同學有什麼想法或毅力做這件事 我希望告訴我啊！理解這個特徵選取需要有一定的數學基礎，1 貝葉斯機率模型2 mean-shift 演算法 用於跟蹤3 映像長條圖4 fisher 判別法如果對這幾個方面都比較瞭解 我覺得你就可以看懂我在說什麼了。作者主要是最佳化一個運算式f=w1*R+

文章來自：http://gz-ricky.blogbus.com/logs/85326280.html今天腦袋終於開竅了, 把hog的特徵個數弄懂了一點 其實原理是很簡單的, 在OpenCV實現的是R-HOG, 即對映像img->視窗window->塊block->細胞單元cell進行向量統計首先看描述器的建構函式, 我用        HOGDescriptor *desc=new

SuperVCD Store項目概述 2.1．項目需求分析SuperVCD

文章目錄 單高斯分布模型GSM高斯混合模型GMM樣本分類已知情況下的GMM樣本分類未知情況下的GMMEM法求解 最近在研究彩色資訊對目標跟蹤的影響，對顏色資訊建模的時候會用到高斯混合模型，所以搜集了些資料，相信後面肯定會用得到。 這裡對高斯混合模型（GMM,Gaussian Mixture Model）參數如何確立這個問題，詳細講解期望最大化（EM,Expectation

import java.io.*;import java.net.*;public class MultiClientServer implements Runnable{static int SerialNum = 0; //每個Client的序號。Socket socket;public MultiClientServer(Socket ss){socket = ss;}public static void main (String args[]){int MaxClientNum = 5;

 Camshift原理camshift利用目標的顏色長條圖模型將映像轉換為顏色機率分布圖，初始化一個搜尋窗的大小和位置，並根據上一幀得到的結果自適應調整搜尋視窗的位置和大小，從而定位出當前映像中目標的中心位置。分為三個部分：1--色彩投影圖（反向投影）：(1).RGB色彩空間對光照亮度變化較為敏感，為了減少此變化對跟蹤效果的影響，首先將映像從RGB空間轉換到HSV空間。(2).然後對其中的H分量作長條圖，在長條圖中代表了不同H分量值出現的機率或者像素個數，就是說可以尋找出H分量大小為h的機率或者

比較帶參宏與函數的異同                           

文章出處：http://gzc828.blog.163.com/blog/static/10412366420123510634392/ 本文的源碼地址是：http://download.csdn.net/detail/zhuzhudeailnn/4959234這是在指導本科生畢業設計的過程中，想到的一個方法，可以為以後遙感映像的處理做鋪墊：     [FileName,PathName] = uigetfile('*.*','Select the