总结 分类是将标签赋予给输入图像的过程。 选择特征是一门艺术。 选择好的特征能够让分类器更好的工作。（有些分类器需要很长的工作时间。） 用测试集对分类器进行性能评估是重要的一步。

Traffic Sign Recognition Traffic-sign recognition (TSR) is a technology by which a vehicle is able to recognize the traffic signs put on the road e.g. "speed limit" or "children" or "turn ahead". T

人脸识别与感知机 早期人脸识别技术 最早的人脸识别技术由Sung Kah Kay (MIT), Henry Rowley (CMU)运用ANN识别得来，方法大致为： - 将有人脸图像分割为\(20 × 20 px\)的矩阵块 - 对每个块运用亮度矫正和直方图均衡 - 放入神经网络学习，检测每一个矩阵块是否为人脸，如果不是，则平移矩阵块，并不断缩小矩阵的大小，再次检测。 Viola-

img{ width: 60%; padding-left: 30%; } 特征 特征的选择 曾在第四讲中提到过特征的选择，特征的选取可以从颜色、形状、直方图等等来提取。 好的特征应该具有如下的性质： - 计算简便 - 鲁棒性 - 储存小 - 好的区分度 - 更优的距离度量 ### NP hard！ 尝试试所有的特征组合是一种在直觉上认为的简便方案，它是

课后练习 5 Tasks: Study k-Nearest Neighbours classifiers sklearn.neighbors.KNeighborsClassifier — scikit-learn 0.24.1 documentation (scikit-learn.org) Study RandomForrest classifiers sklearn.ensem

课后练习3 Tasks Familiarize yourself with the MNIST dataset: MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges. [http://yann.lecun.com/exdb/mnist/] Familiarize yoursel

img{ width: 60%; padding-left: 30%; } 分类器 分类器概述 设\(S=\{ω_1,ω_2,..,ω_c\}\)是表示所有特征标签ω的集合，x表示数据集空间\(R^n\)中的特征向量，定义：分类器（Classifier）是一种能够使\(R^n→S\)的函数\(f\)。分类器能够将特征标签（labels）指定到特征向量。 - 图

img{ width: 60%; padding-left: 30%; } 图像处理 成像原理与数字化 小孔成像（Pinhole） 小孔成像的基本原理如下图所示： 透镜成像 CCD/CMOS（电荷耦合）成像 在CCD成像当中，通过透镜后的像会呈现在CMOS上，COMS会将呈现数字化，这一过程中有两个重要的步骤： 抽样（Sampl

img{ width: 40%; padding-left: 10%; } 课后练习2 Required libs:Numpy PIL Scipy Matplotlib cv2 ## Q1. Write a python script to open the “lena.png” file using opencv. - Display the opened

数学方法 矩阵的运算 矩阵的乘法 矩阵的乘法规则：前一矩阵的行乘后一矩阵的纵列若A是一个\(m \times n\)的矩阵，B是一个\(a \times b\)的矩阵，那么矩阵乘法\(A \times B\)的结果将会是一个\(n \times a\)的矩阵 要注意\(A × B=0 ⇏A=0 ~or~ B=0\) \(AB \not ={} BA\),但是\((AB)C=A(BC)