Was ist ein Histogramm orientierter Gradienten?
In den Bereichen Computer Vision und Bildverarbeitung ist das Histogramm orientierter Gradienten (HOG) ein Merkmalsdeskriptor, der für diesen Zweck verwendet wird der Objekterkennung. Diese Technik wird verwendet, um die Anzahl der Instanzen der Gradientenausrichtung zu zählen, die in bestimmten Bereichen eines Bildes auftreten. Diese Technik ist vergleichbar mit Kantenorientierungs-Histogrammen, skaleninvarianten Merkmalstransformationsdeskriptoren und Formkontexten; Sie unterscheidet sich jedoch von diesen Methoden dadurch, dass sie auf einem dichten Gitter aus gleichmäßig verteilten Zellen berechnet wird und eine überlappende lokale Kontrastnormalisierung verwendet, um ein höheres Maß an Genauigkeit zu erreichen.
Wie Sie wollen Nutzen
(I) Erkenntnisse und Validierungen zu den folgenden Themen:
Kapitel 1: Histogramm orientierter Verläufe
Kapitel 2: Kantenerkennung
Kapitel 3: Skaleninvariante Feature-Transformation
Kapitel 4: Beschleunigte robuste Features
Kapitel 5: GLOH
Kapitel 6: Lokale binäre Muster
Kapitel 7: SCHNELL ausgerichtet und KURZ gedreht
Kapitel 8: Boosting (maschinelles Lernen)
Kapitel 9: Bildsegmentierung
Kapitel 10: Objekterkennung
(II) Beantwortung der häufigsten öffentlichen Fragen zum Histogramm mit orientierten Farbverläufen.
(III) Beispiele aus der Praxis für die Verwendung des Histogramms mit orientierten Farbverläufen in vielen Bereichen .
Für wen sich dieses Buch eignet
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über das Grundwissen oder die Informationen hinausgehen möchten jede Art von Histogramm mit orientierten Farbverläufen.
In den Bereichen Computer Vision und Bildverarbeitung ist das Histogramm orientierter Gradienten (HOG) ein Merkmalsdeskriptor, der für diesen Zweck verwendet wird der Objekterkennung. Diese Technik wird verwendet, um die Anzahl der Instanzen der Gradientenausrichtung zu zählen, die in bestimmten Bereichen eines Bildes auftreten. Diese Technik ist vergleichbar mit Kantenorientierungs-Histogrammen, skaleninvarianten Merkmalstransformationsdeskriptoren und Formkontexten; Sie unterscheidet sich jedoch von diesen Methoden dadurch, dass sie auf einem dichten Gitter aus gleichmäßig verteilten Zellen berechnet wird und eine überlappende lokale Kontrastnormalisierung verwendet, um ein höheres Maß an Genauigkeit zu erreichen.
Wie Sie wollen Nutzen
(I) Erkenntnisse und Validierungen zu den folgenden Themen:
Kapitel 1: Histogramm orientierter Verläufe
Kapitel 2: Kantenerkennung
Kapitel 3: Skaleninvariante Feature-Transformation
Kapitel 4: Beschleunigte robuste Features
Kapitel 5: GLOH
Kapitel 6: Lokale binäre Muster
Kapitel 7: SCHNELL ausgerichtet und KURZ gedreht
Kapitel 8: Boosting (maschinelles Lernen)
Kapitel 9: Bildsegmentierung
Kapitel 10: Objekterkennung
(II) Beantwortung der häufigsten öffentlichen Fragen zum Histogramm mit orientierten Farbverläufen.
(III) Beispiele aus der Praxis für die Verwendung des Histogramms mit orientierten Farbverläufen in vielen Bereichen .
Für wen sich dieses Buch eignet
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über das Grundwissen oder die Informationen hinausgehen möchten jede Art von Histogramm mit orientierten Farbverläufen.