目录

四、未有深度学习之前

4.1 图像分割

4.1.1 基于阈值分割

4.1.2 基于边缘分割

4.1.3 基于区域分割 

（1）区域生长法

（2）分水岭算法

4.1.4 基于图论分割

（1）Graph Cuts 分割 

​（2）GrabCut 分割

4.2 人脸检测

4.2.1 Haar-like 特征 

4.2.2 Haar 级联分类器

4.3 行人检测

4.3.1 HOG

4.3.2 SVM

4.3.3 DPM

---

 

 

四、未有深度学习之前

4.1 图像分割

4.1.1 基于阈值分割

有一种选阈值方法，使得选出来的黑白和原图像的均值方差最大 

4.1.2 基于边缘分割

4.1.3 基于区域分割 

（1）区域生长法

（2）分水岭算法

4.1.4 基于图论分割

（1）Graph Cuts 分割 

Rp 代表任意一个点是属于前景的可能性大还是背景 

B 就是像素点之间是否连续相似

 （2）GrabCut 分割

 

       就是画的框就是背景和前景的颜色分布都有了，然后找这些颜色分布找若干个聚类中心，框之外的颜色就是背景，背景也找若干个聚类中心；要做的就是在不断的迭代过程中，框住的颜色里属于背景的就会逐渐被归到框外的聚类中心上，框里面的就仅仅属于自己

4.2 人脸检测

4.2.1 Haar-like 特征 

4.2.2 Haar 级联分类器

        现在能和深度学习模型比一比的传统模型几乎只有 xgboost 了 

         这里级联是指：分类器是有所偏向的，对于是正例或疑似正例的看的马虎一点，但是对于肯定的负例会做一个有把握的判断；也就是说对于每个分类器来说，我扔掉的东西就一个不是人脸，不是正例，保留下来的还不确定，就这样的过程叠加若干的，每个分类器也不一样，最后剩下的才是真正的正例。

        弱分类器要弱到什么程度，比如左边左白右黑的分类器，上面识别出人脸和下面不是人脸响应图差异不大；而右边差异就有了，就把这种找出来

4.3 行人检测

4.3.1 HOG

        梯度每落在20度里面的数量，如果是85度，再70和90度之间，就用插值，到70度是15，到90度是5

9是代表没有方向（符号）的梯度 

L2范式可能会好一点 

 

4.3.2 SVM

        就是两类样本找到一条分界线，一分为二后，满足边界上的两个分类的分界面的距离达到最大

 

4.3.3 DPM