xml分类器训练
目标检测的图像特征提取之（一）HOG特征
⽬标检测的图像特征提取之（⼀）HOG特征1、HOG特征：⽅向梯度直⽅图（Histogram of Oriented Gradient, HOG）特征是⼀种在计算机视觉和图像处理中⽤来进⾏物体检测的特征描述⼦。
它通过计算和统计图像局部区域的梯度⽅向直⽅图来构成特征。
Hog特征结合SVM分类器已经被⼴泛应⽤于图像识别中，尤其在⾏⼈检测中获得了极⼤的成功。
需要提醒的是，HOG+SVM进⾏⾏⼈检测的⽅法是法国研究⼈员Dalal在2005的CVPR上提出的，⽽如今虽然有很多⾏⼈检测算法不断提出，但基本都是以HOG+SVM的思路为主。
（1）主要思想：在⼀副图像中，局部⽬标的表象和形状（appearance and shape）能够被梯度或边缘的⽅向密度分布很好地描述。
（本质：梯度的统计信息，⽽梯度主要存在于边缘的地⽅）。
（2）具体的实现⽅法是：⾸先将图像分成⼩的连通区域，我们把它叫细胞单元。
然后采集细胞单元中各像素点的梯度的或边缘的⽅向直⽅图。
最后把这些直⽅图组合起来就可以构成特征描述器。
（3）提⾼性能：把这些局部直⽅图在图像的更⼤的范围内（我们把它叫区间或block）进⾏对⽐度归⼀化（contrast-normalized），所采⽤的⽅法是：先计算各直⽅图在这个区间（block）中的密度，然后根据这个密度对区间中的各个细胞单元做归⼀化。
通过这个归⼀化后，能对光照变化和阴影获得更好的效果。
（4）优点：与其他的特征描述⽅法相⽐，HOG有很多优点。
⾸先，由于HOG是在图像的局部⽅格单元上操作，所以它对图像⼏何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更⼤的空间领域上。
其次，在粗的空域抽样、精细的⽅向抽样以及较强的局部光学归⼀化等条件下，只要⾏⼈⼤体上能够保持直⽴的姿势，可以容许⾏⼈有⼀些细微的肢体动作，这些细微的动作可以被忽略⽽不影响检测效果。
因此HOG特征是特别适合于做图像中的⼈体检测的。
2、HOG特征提取算法的实现过程：⼤概过程：HOG特征提取⽅法就是将⼀个image（你要检测的⽬标或者扫描窗⼝）：1）灰度化（将图像看做⼀个x,y,z（灰度）的三维图像）；2）采⽤Gamma校正法对输⼊图像进⾏颜⾊空间的标准化（归⼀化）；⽬的是调节图像的对⽐度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪⾳的⼲扰；3）计算图像每个像素的梯度（包括⼤⼩和⽅向）；主要是为了捕获轮廓信息，同时进⼀步弱化光照的⼲扰。
熟悉分类器的基本原理与使用方法
熟悉分类器的基本原理与使用方法近年来，随着机器学习技术的发展，分类器已成为一种常用的分类算法。
分类器的作用是根据已有的数据集来分类新的数据。
本文将重点介绍分类器的基本原理与使用方法。
一、分类器的基本原理分类器的基本原理是通过对已有的数据进行学习，建立分类模型，再利用该模型对新的数据进行分类。
具体而言，分类器分为两个阶段：1.训练阶段训练阶段是分类器的学习过程。
这个阶段我们需要准备好一组已经分类好的数据，即训练数据集。
分类器通过学习这些数据集中的种类和规律，建立分类模型，并对训练数据集的正确率进行训练。
分类器训练的目标是使分类模型对未知数据的分类准确率尽可能高。
2.测试阶段测试阶段是分类器应用模型将未知数据进行分类的过程。
在测试阶段中，我们需要将新的数据输入模型，让分类器根据模型对数据进行分类。
分类器会将新数据分到已知分类中，并给出分类概率值，这样我们可以根据概率值来判断分类标签是否正确。
二、分类器的使用方法分类器的使用步骤如下：1.准备数据集分类器需要用到已知分类的数据，所以我们需要准备好一个训练数据集。
在准备数据集时，我们需要注意以下几点：（1）数据集应该足够大，充分反映出数据的统计规律。
（2）数据集应该涵盖所有分类情况，尽量多样化。
（3）数据集应该保持一致性，避免数据集中出现错误或者不一致的情况。
2.选择分类器选择合适的分类器是分类任务的关键。
目前常用的分类器有：朴素贝叶斯分类器、决策树分类器、支持向量机分类器、逻辑回归分类器等。
在选择分类器时应考虑以下因素：（1）样本数量。
（2）样本维度。
（3）分类数据分布特征。
（4）分类准确性要求。
3.训练分类器在选择合适的分类器后，我们需要对分类器进行训练。
分类器学习的过程主要包括以下几个步骤：（1）导入数据。
（2）划分训练集和测试集。
（3）训练分类器。
（4）评估模型性能。
4.测试分类器训练完成后，我们需要对分类器进行测试。
在测试过程中，我们需要将新的数据输入训练好的分类模型，分类器将返回分类结果以及该结果的概率值。
基于极限学习机的XML文档分类
ｄｒ＝ｄｒ【ｄｒ２ ， ｒ ＿ （ ｓ）＿ ｉ ｄ ｓ ＿ ｓ ＿ １ ｓ 一 ＿ ㈨） ，
的第 ｉ Ｘ 个 ＭＬ文档元素的 Ｔ Ｉ ＦＤＦ特征 向量 。
ｄ ｒ『 ＝∑ ｓｆ Ⅳ（Ｆ（ ，ｏ ． ￡ Ｉ Ｗ￣ １ ｚ ｄ ｃ ＤＦ（ ） ｅ
＿
（ ３ ）
其 中，ｄ ｒ ＿ｓ 代 表通 过 ， Ｇ阂值 约简产 生的 ｎ维结构 向量 中
Ｉｖｒｅ ｃ ｍｅｔ ｒｑ ｅ ｃ） ： ｎ ｅｓ ｕ ｎ Ｆｅ ｕｎｙ值 Ｄｏ
ｄ ＝Ｔ ｗ ，ｏ ｌ 、 Ｆ（ ｉｄ Ｇ）ＤＦ（ ｉ ｗ） （） ２
作者筒介 ：￣
（９４ ，男 ，副教授 ，主研方向 ：数据挖掘 １６ 一）
Ｅ ｍ ｉ ４ ６ ８ ９ ＠ｑ ． ｍ － ａ ：３ ２ ９ ８ ７ ｑ ｏ ｌ ｃ
２ 结构约筒 向量 空ｉ模型 ． ２ 可 文献【］ 出基于 ＶＳ 的扩展 向量模型 Ｓ Ｖ ５提 Ｍ Ｌ Ｍ。Ｓ ＶＭ Ｌ
一
基 于 单 层 前 馈 神 经 网 络 （ｉ ｌ—ｉｄ ｎ Ｌ ｙ ｒＦ ｅ ｆｒ ａｄ Ｓｎ ｅ ｄ ｅ ａ ｅ ｅｄｏｗ ｒ ｇ ｈ Ｎｅｒｌ ｔ ｒｓＳ Ｆ ） ｕａＮｅ ｋ ， Ｌ Ｎｓ的学 习算法 。在 Ｅ Ｍ 中 ，隐藏节点 ｗｏ Ｌ
收稿 日 ： ０ １ ３２ 期 ２ １— —３ ０
ｌ８ ７
２ ， ｉｘ，＝∑ ｇ（ ・ ， ） Ｏ ， ＝１２ ・， ＝ ｆ ，，一Ｎ ｐｇ （ ） ｗ Ｘ ＋
．
计
算
（） ５
机
工
程
ｖ ｃｏ ［ ］ ＝１ ｅｔｒ ＋ ｋ
ｅ ｄｆ ｒ ｎ ｏ
２１年 １ ０１ ０月 ５日
（） ４
对于文档集 Ｄ，ｄ ｒ 表示文档 ； ＿ｓ
智能移动设备上人脸定位的实现与优化
智能移动设备上人脸定位的实现与优化【摘要】随着模式识别与人工智能学科的发展，现在已经从尖端科技慢慢渗透到我们的日常生活中。
但是因为民用设备一般性能有限，想要在有限的资源下做到比较好的识别准确性，就要在实现时对其进行优化。
本文以在有android系统的移动设备上，使用NDK和OpenCV的人脸定位为例，讨论了在移动设备上人脸定位的实现以及在有限的资源下对识别率和效率的一种优化。
经试验证明有很好的提升效果。
【关键词】OpenCV;模式识别;android;机械学习;NDK;人脸定位1.前言因为移动智能设备外形小巧，携带方便等，现在人们使用普通pc机的时间已经慢慢地被移动设备替代。
android系统的NDK是使用c＼c++的开发环境，c ＼c++通用型比较好，算法移植方便，但是NDK的相关资料不是很多，这也导致程序编写时出现某些错误很难解决。
移动设备与普通pc机相比有一个很大的劣势——普通pc机的单核处理能力很强。
但移动设备在核心数量上却没有劣势，所以很多使用串行的方法的文献对人脸定位进行优化并不能很好的体现在移动设备上，会使系统的实时性大打折扣。
使用Haar特征的级联分类器是比较流行的人脸检测工具，其不错的识别率很受欢迎，而且可以自己训练。
由于同种人的肤色相近，而HSI上的H分量对光照影响极小，只通过H分量即可很好的判断是否为检测到的人脸为真人脸，在加入其他特征的判断，会使得准确性提升明显。
2.整体方案2.1 使用的工具OpenCV：OpenCV的全称是：Open Source Computer Vision Library。
它是一个跨平台的计算机视觉库，民用和商用两方面免费。
可以对源码进行修改和二次编译，大大加强了其中函数的灵活性。
使用非常方便。
OpenCV提供了丰富的计算机视觉相关函数，使得开发的效率大幅度提供，而且还支持一些高级的视觉相关方法，比如目标跟踪，机器学习等。
本次使用的版本为OpenCV2.4.8。
java-opencv-训练自己的物体分类器
java-opencv-训练⾃⼰的物体分类器收集正，负样本（刚开始可以先⽤50~100左右的样本量试试看，正，负样本数量最好⼤于1000，具体看个⼈感觉）。
正样本,需要做识别物体的图⽚（本⽂收集60张）：正样本负样本，任意不包含正样本的图⽚（本⽂收集106张）：第⼆步：调整样本，并⽣成样本描述⽂件调整样本----将正，负样本转换灰度（本⽂采⽤：IMREAD_GRAYSCALE），调整⼤⼩（本⽂采⽤：正20X20，负50X50）（据说，正20X20最佳）。
调整后正样本：调整后负样本：⽣成样本描述⽂件：cmd 进⼊posdata⽬录,执⾏ dir /b/s/p/w *.jpg > pos.txt同理进⼊negdata⽬录,执⾏ dir /b/s/p/w *.jpg > neg.txtpos.txt内容如下：neg.txt内容如下：修改pos.txt⽂件(neg.txt不⽤修改)如下：“1 0 0 20 20”，为固定格式，其中20指的是照⽚的像素⼤⼩。
第三步：⽣成.vec⽂件将\opencv\build\x64\vc14\bin 下的所有⽂件复制到posdata⽬录同级⽬录下；将上⼀步最后⽣成的pos.txt，neg.txt⽂件也放⼊该同级⽬录，如下：cmd 进⼊该⽬录，执⾏：opencv_createsamples.exe -vec pos.vec -info pos.txt -num 60 -w 20 -h 20其中-num 60,指的是图⽚的数量，-w 20 -h 20，指的是图⽚的规格。
创建traincascade.bat⽂件，添加内容：opencv_traincascade.exe -data xml -vec pos.vec -bg neg.txt -numPos 48 -numNeg 80 -numStages 10 -w 20 -h 20 -mode ALLpause其中-numPos 48为训练取的正样本的样本（取样本数量的0.8~0.9，本⽂取48），-numNeg 80为训练取的负样本的样本（取样本数量的0.8~0.9，本⽂取80），-numStages 10 表⽰训练的层数（建议15~20，本⽂取10），此时⽬录中⽂件如下;双击运⾏traincascade.bat，如下：在xml⽬录下⽣成的cascade.xml⽂件就是训练出来的分类器。
opencv级联分类器训练与使用
opencv级联分类器训练与使用什么是级联分类器？级联分类器是一种机器学习模型，用于目标检测和识别。
它是由多个分类器级联组成的模型，每个分类器都有不同的检测强度。
这种级联结构能够有效地筛选出具有较高置信度的正样本，从而加快目标检测速度，同时保持较高的检测准确性。
级联分类器的训练过程：1. 收集训练样本：首先需要收集一些正样本和负样本作为训练样本。
正样本是我们要识别的目标，而负样本则是与目标无关的背景图像。
这些样本应该尽可能覆盖实际应用中可能出现的情况。
2. 特征提取：对于每个训练样本，我们需要提取一些特征来描述图像中的目标。
OpenCV中常用的特征是Haar特征，它可以描述图像中的边缘和纹理等信息。
3. 训练分类器：利用提取的特征，我们可以使用AdaBoost算法训练分类器。
AdaBoost算法是一种迭代训练方法，它通过一系列弱分类器的加权组合来构建一个强分类器。
在每一轮迭代中，AdaBoost会根据分类错误的样本进行权重调整，以便更好地分类错误的样本。
4. 级联分类器的构建：通过训练得到的强分类器，我们可以将它们级联在一起，形成一个级联分类器。
级联分类器的结构通常是以层级的形式组织起来，每一层都包含若干个分类器。
级联分类器的使用过程：1. 加载分类器：首先需要加载训练好的级联分类器模型。
OpenCV提供了一个专门的类——CascadeClassifier来实现这个功能。
可以使用CascadeClassifier类的load方法来加载级联分类器的XML文件。
2. 图像预处理：在进行目标检测之前，我们需要对待检测图像进行一些预处理操作，以提高检测的准确性和速度。
这些预处理操作可以包括图像灰度化、直方图均衡化等。
3. 目标检测：通过调用CascadeClassifier类的detectMultiScale方法，传入待检测的图像，即可进行目标检测。
该方法会返回一组矩形框表示检测到的目标位置。
4. 结果展示：最后，我们可以在原始图像上绘制矩形框来标记检测到的目标位置，从而直观地展示检测结果。
OpenCV训练分类器制作xml
OpenCV训练分类器制作xml文档2009年12月19日星期六 21:032009-12-19考了CET英语，心情很差，估计又不过的，哎！英文差！于是看看书，看看自己感兴趣的书今天下午，研究了整个下午的小难题，在8点40分终于搞定了！肚子饿，还没吃饭，还没洗澡，克服了一个不懂的小难题，心理有点体会，想在这里留点纪念，方便别人以后学习。
于是乎，我写了：（那些开训练器的相关介绍我就不再详细谈了，进入正题）我的问题：有了opencv自带的那些xml人脸检测文档，我们就可以用cvLoad （）这个函数加载他们，让他们对我们的人脸进行检测，但是，现在生活中的计算机视觉并不远远是检测人脸，还有很多物品需要识别，所以，能不能自己做个xml的检测文档，用它来检测自己需要的东西呢？例如，检测一个可乐瓶！问题解决：首先了解下，目标检测分为三个步骤：1、样本的创建2、训练分类器3、利用训练好的分类器进行目标检测。
一，样本的创建：训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本(例如可乐瓶，人脸等)，反例样本指其它任意图片，所有的样本图片都被归一化为同样的尺寸大小(例如，20x20)。
1 负样本（反例样本）可以来自于任意的图片，但这些图片不能包含目标特征。
负样本由背景描述文件来描述。
背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。
该文件必须手工创建。
例如，假定目录下有 bg1.bmp bg2.bmp 这2个负样本的图片，这2个图片放在img 目录下，所以其背景描述文件 bg.txt 的内容为_img/bg1.bmp 1 0 0 24 28_ing/bg2.bmp 1 0 0 24 28_img/bg3.bmp 1 0 0 24 28_ing/bg4.bmp 1 0 0 24 28_img/bg5.bmp 1 0 0 24 28_ing/bg6.bmp 1 0 0 24 28_img/bg7.bmp 1 0 0 24 28_ing/bg8.bmp 1 0 0 24 28_img/bg9.bmp 1 0 0 24 28_ing/bg10.bmp 1 0 0 24 28这样负样本建立完毕，先保存！等会用！2，正样本现在，我们来看正样本的创建步骤：正样本由程序createsample 程序来创建。
智慧树知到《大数据工具应用》章节测试答案
绗竴绔?1銆?011骞撮害鑲敗鐮旂┒闄㈡彁鍑虹殑澶ф暟鎹畾涔夋槸锛氬ぇ鏁版嵁鏄寚鍏跺ぇ灏忚秴鍑轰簡甯歌鏁版嵁搴撳伐鍏疯幏鍙栥€佸偍瀛樸€佺鐞嗗拰锛? 锛夎兘鍔涚殑鏁版嵁闆嗐€?A:璁＄畻B:璁块棶C:搴旂敤D:鍒嗘瀽绛旀: 鍒嗘瀽2銆佺敤4V鏉ユ鎷ぇ鏁版嵁鐨勭壒鐐圭殑璇濓紝涓€鑸槸鎸囷細Value銆乂elocity 銆乂olume鍜岋紙锛夈€?A:VarietyB:VainlyC:VagaryD:Valley绛旀: Variety3銆佸ぇ鏁版嵁鍒嗘瀽鍥涗釜鏂归潰鐨勫伐浣滀富瑕佹槸锛氭暟鎹垎绫汇€侊紙锛夈€佸叧鑱旇鍒欐寲鎺樺拰鏃堕棿搴忓垪棰勬祴銆?A:鏁版嵁缁熻B:鏁版嵁璁＄畻C:鏁版嵁鑱氱被D:鏁版嵁娓呮礂绛旀: 鏁版嵁鑱氱被4銆佹柊娴拰浜笢鑱斿悎鎺ㄥ嚭鐨勫ぇ鏁版嵁鍟嗗搧鎺ㄨ崘锛屾槸鐢变含涓滅洸鐩帹閫佸埌褰撳墠娴忚鏂版氮缃戠珯鐨勭敤鎴风殑椤甸潰涓婄殑銆?A:瀵?B:閿?绛旀: 閿?5銆佺洰鍓嶇殑澶ф暟鎹鐞嗘妧鏈彧鑳藉鐞嗙粨鏋勫寲鏁版嵁銆?A:瀵?B:閿?绛旀: 閿?绗簩绔?1銆佹垜浠父鐢ㄧ殑寰蒋Office濂椾欢涓殑Access鏁版嵁搴撹蒋浠剁殑鏁版嵁搴撴枃浠舵牸寮忓悗缂€鍚嶆槸锛? 锛夈€?A:mdfB:mdbC:dbfD:xls绛旀: mdb2銆佸ぇ澶氭暟鏃ュ織鏂囦欢鐨勫悗缂€鍚嶆槸锛? 锛夈€?A:txtB:csvC:xmlD:log绛旀: log3銆佹湰璇剧▼閲嶇偣浠嬬粛鐨剋eka杞欢鐨勪笓鏈夋枃浠舵牸寮忔槸锛? 锛夈€?A:MongoDBB:ARFFC:valueD:key map绛旀: ARFF4銆佹暟鎹竻娲楀伐浣滅殑鐩殑涓昏鏄瑙ｅ喅鏁版嵁鐨勫畬鏁存€с€佸敮涓€鎬с€佸悎娉曟€у拰锛? 锛夈€?A:涓撲笟鎬?B:鎺掍粬鎬?C:涓€鑷存€?D:鍏变韩鎬?绛旀: 涓€鑷存€?5銆佸叓鐖奔杞欢鐨勨€滆嚜瀹氫箟閲囬泦鈥濆伐浣滄柟寮忎笅锛岄渶瑕佸湪杞欢閲岃緭鍏ヤ竴涓紙锛夋潵浣滀负閲囬泦鐨勭洰鏍囥€?A:鐢佃瘽鍙风爜B:鍏抽敭璇?C:缃戦〉鍦板潃D:鐢ㄦ埛鍚?绛旀: 缃戦〉鍦板潃6銆佸叓鐖奔杞欢鐨勯噰闆嗚鍒欏彲浠ラ€氳繃鏂囦欢鐨勫舰寮忔潵瀵煎叆鎴栬€呭鍑猴紝杩欑鏂囦欢鐨勫悗缂€鍚嶆槸锛? 锛夈€?A:otdB:jpgC:pngD:gif绛旀: otd7銆丒xcel鍙互閫氳繃鈥滄暟鎹湁鏁堟€р€濇寜閽搷浣滄潵瑙勮寖鏁版嵁杈撳叆鐨勮寖鍥淬€?A:瀵?B:閿?绛旀: 瀵?8銆丒xcel涓嶈兘瀵煎叆txt鎴朿sv鏍煎紡鐨勬枃浠躲€?A:瀵?B:閿?绛旀: 閿?9銆佸叓鐖奔杞欢鍙兘瀵硅蒋浠跺唴寤轰簡鈥滅畝鏄撻噰闆嗏€濊鍒欑殑缃戠珯閲囬泦鏁版嵁銆?A:瀵?B:閿?绛旀: 閿?10銆佸叓鐖奔杞欢杩涜鑷畾涔夐噰闆嗘椂锛岄渶瑕佷簡瑙ｅ缃戦〉鐨勯〉闈㈢粨鏋勩€?A:瀵?B:閿?绛旀: 瀵?绗笁绔?1銆佷娇鐢―BSCAN绠楁硶瀵归涪灏捐姳鏁版嵁闆嗭紙Iris.arff锛夎繘琛岃仛绫伙紝灏唀psilon鍙傛暟璁剧疆涓?.2锛? minPoints鍙傛暟璁剧疆涓?锛屽拷鐣lass灞炴€э紝閭ｄ箞灏嗗舰鎴愶紙锛変釜绨囥€?A: 1B: 2C: 3D: 4绛旀: 32銆佷娇鐢‥M绠楁硶瀵瑰ぉ姘旀暟鎹泦锛坵eather.numeric.arff锛夎繘琛岃仛绫伙紝灏唍umClusters璁剧疆涓?锛屽嵆绨囨暟涓?锛屽叾浠栧弬鏁颁繚鎸侀粯璁ゅ€硷紝蹇界暐class灞炴€э紝浠庣粨鏋滀腑鍙煡锛屼笅鍒楅€夐」涓紝锛? 锛夋槸閿欒鐨勩€?A: 妯″瀷鐨勬渶澶т技鐒朵及璁″€兼槸-7.18B: 杩欑粍鏁版嵁鐢ㄧ畻娉曡凯浠?5娆?C: 绗洓涓皣鐨勫厛楠屾鐜囨槸0.14D: 绗洓涓皣鐨勫疄渚嬫暟涓?绛旀: 绗洓涓皣鐨勫疄渚嬫暟涓?3銆佷娇鐢⊿impleKMeans绠楁硶瀵瑰ぉ姘旀暟鎹泦锛坵eather.numeric.arff锛夎繘琛岃仛绫伙紝淇濇寔榛樿鍙傛暟锛屽嵆3涓皣浠ュ強娆ф皬璺濈銆傞€夋嫨play灞炴€т负蹇界暐灞炴€э紝浠庣粨鏋滀腑鍙煡锛屼笅鍒楅€夐」涓紝锛? 锛夋槸閿欒銆?A: 杩欑粍鏁版嵁鐢ㄧ畻娉曡凯浠ｅ洓娆?B: 浜х敓浜嗕笁涓腑蹇冪偣C: 鑱氬悎涓?涓皣锛屽垎鍒湁7锛?锛?涓疄渚?D: 骞虫柟鍜岃宸负8.928绛旀: 杩欑粍鏁版嵁鐢ㄧ畻娉曡凯浠ｅ洓娆?4銆佷娇鐢ㄧ嚎鎬у洖褰掞紙LinearRegression锛夊垎绫诲櫒鍜岀敤M5P鍒嗙被鍣ㄥcpu.arff鍒嗗埆杩涜鍒嗙被锛岀敱鍏惰緭鍑虹殑璇樊鎸囨爣鍙煡锛? 锛夈€?A: LinearRegression鐨勬爣鍑嗚宸瘮M5P鐨勬爣鍑嗚宸皬B: LinearRegression鐨勫钩鍧囩粷瀵硅宸瘮M5P鐨勫钩鍧囩粷瀵硅宸皬C: LinearRegression鐨勭浉瀵硅宸瘮M5P鐨勭浉瀵硅宸皬D: LinearRegression鐨勫钩鍧囨柟鏍硅宸瘮M5P鐨勫钩鍧囨柟鏍硅宸ぇ绛旀: LinearRegression鐨勫钩鍧囨柟鏍硅宸瘮M5P鐨勫钩鍧囨柟鏍硅宸ぇ5銆佸垹鍘籧pu.arff鏁版嵁鏂囦欢涓殑CACH灞炴€у悗锛屼娇鐢∕5P鍒嗙被鍣ㄦ瀯寤烘柟妗堬紝鍦ㄧ粨鏋滀腑锛屽埌杈綥M2鐨勫疄渚嬫暟鏈夛紙锛変釜銆?A: 165B: 21C: 23D: 30绛旀: 216銆佹牴鎹甁48鍒嗙被鍣ㄨ缁僿eather.nominal.arff鎵€鐢熶骇鐨勫喅绛栨爲锛屽綋outlook=sunny锛泃emperature=cool锛沨umidity =high锛泈indy=TRUE鏃讹紝鍒嗙被鐨勭粨鏋滄槸锛?锛夈€?A: YesB: NoC: 娌℃湁缁撴灉D: 鏃犳硶鍒嗙被绛旀: No7銆佹牴鎹甁48鍒嗙被鍣ㄨ缁僫ris.arff鎵€鐢熶骇鐨勫喅绛栨爲锛屽綋sepallength=4.4锛泂epalwidth=3.0锛沺etallength=1.3锛沺etalwidth=0.2鏃讹紝鍒嗙被鐨勭粨鏋滄槸锛? 锛夈€?A: Iris-setosaB: Iris-versicolorC: Iris-virginicaD: 鏃犳硶鍒嗙被绛旀: Iris-setosa8銆佸叧浜嶹eka绂绘暎鍖栬鏄庢纭殑鏄紙锛夈€?A: 绂绘暎鍖栨槸灏嗘暟鍊煎睘鎬ц浆鎹负瀛楃涓插瀷灞炴€?B: 鏈夌洃鐫ｇ鏁ｅ寲鏈変袱绉嶇瓑瀹藉拰绛夐鏂规硶C: 绛夊绂绘暎鍖栨槸浣垮疄渚嬪垎甯冨潎鍖€鐨?D: 绂绘暎鍖栧寘鎷棤鐩戠潱绂绘暎鍖栧拰鏈夌洃鐫ｇ鏁ｅ寲绛旀: 绂绘暎鍖栧寘鎷棤鐩戠潱绂绘暎鍖栧拰鏈夌洃鐫ｇ鏁ｅ寲9銆佷互涓嬶紙锛変笉鏄疻eka鐨勬暟鎹被鍨嬨€?A: numericB: nominalC: stringD: decimal绛旀: decimal10銆佸叧浜嶹eka鐨勬枃浠剁被鍨嬫弿杩伴敊璇殑鏄紙锛夈€?A: Weka鍙互鎵撳紑鏂囦欢鏍煎紡鏈?arff銆?csv銆?xlsxB: Weka澶勭悊鐨勬暟鎹泦绫讳技浜庡叧绯绘暟鎹簱妯瀹炰緥锛岀珫琛屽睘鎬?C: arff鏄疉SCII鏂囦欢锛屽彲浠ョ敤Word绛夋枃鏈紪杈戝櫒鎵撳紑鏌ョ湅D: @relation 瀹氫箟鏁版嵁闆嗗悕绉帮紝@data涔嬪悗鍛堢幇瀹炰緥锛屾瘡涓€琛屽氨鏄竴涓疄渚?绛旀: Weka鍙互鎵撳紑鏂囦欢鏍煎紡鏈?arff銆?csv銆?xlsx11銆佷互涓嬪睘浜庡叧鑱斿垎鏋愮殑鏄紙锛夈€?A: CPU鎬ц兘棰勬祴B: 璐墿绡垎鏋?C: 鑷姩鍒ゆ柇楦㈠熬鑺辩被鍒?D: 鑲＄エ瓒嬪娍寤烘ā绛旀: 璐墿绡垎鏋?12銆佸ぇ鏁版嵁鏃朵唬鐨勫埌鏉ワ紝浣挎垜浠棤娉曚汉涓哄湴鍘诲彂鐜版暟鎹腑鐨勫ゥ濡欙紝涓庢鍚屾椂锛屾垜浠洿搴旇娉ㄩ噸鏁版嵁涓殑鐩稿叧鍏崇郴锛岃€屼笉鏄洜鏋滃叧绯汇€傚叾涓紝鏁版嵁涔嬮棿鐨勭浉鍏冲叧绯诲彲浠ラ€氳繃浠ヤ笅锛? 锛夌畻娉曠洿鎺ユ寲鎺樸€?A: K-meansB: Bayes NetworkC: C4.5D: Apriori绛旀: Apriori13銆佹煇瓒呭競鐮旂┒閿€鍞邯褰曟暟鎹悗鍙戠幇锛屼拱鍟ら厭鐨勪汉寰堝ぇ姒傜巼涔熶細璐拱灏垮竷锛岃繖绉嶅睘浜庢暟鎹寲鎺樼殑锛? 锛夐棶棰樸€?A: 鍏宠仈瑙勫垯鍙戠幇B: 鑱氱被C: 鍒嗙被D: 鑷劧璇█澶勭悊绛旀: 鍏宠仈瑙勫垯鍙戠幇14銆佸湪杩涜鑷姩閫夋嫨灞炴€ф椂锛屽繀椤昏绔嬩袱涓璞★紝鍏朵腑纭畾浣跨敤浠€涔堟柟娉曚负姣忎釜灞炴€у瓙闆嗗垎閰嶄竴涓瘎浼板€肩殑瀵硅薄鏄笅闈㈢殑锛? 锛夈€?A: 鎼滅储鏂规硶B: 灞炴€ц瘎浼板櫒C: 鍏冨垎绫诲櫒D: 瑙勫垯鎸栨帢绛旀: 灞炴€ц瘎浼板櫒15銆佷互涓嬪睘浜庡睘鎬х┖闂寸殑鎼滅储鏂规硶鐨勬槸锛?锛夈€?A: GainRatioAttributeEvalB: BestFirstC: PrincipalComponentsD: SymmetricalUncertAttributeEval绛旀: BestFirst16銆佸湪weka杞欢鎺㈢储鑰呯晫闈腑锛屽埄鐢╒isualize鏍囩椤甸€氳繃鏇存敼鍚勪釜鍙傛暟鏉ヨ繘琛屾暟鎹泦鐨勫彲瑙嗗寲灞炴€ц缃悗锛岄渶瑕佸崟鍑讳互涓嬶紙锛夋寜閽紝鎵€鏈夋洿鏀规墠浼氱敓鏁堛€?A: Select AttributeB: SubSampleC: UpdateD: Fast scrolling绛旀: Update17銆佺粰瀹氬叧鑱旇鍒橝B锛屾剰鍛崇潃锛氳嫢A鍙戠敓锛孊涔熶細鍙戠敓銆?A:瀵?B:閿?绛旀: 閿?18銆佹敮鎸佸害鏄閲忓叧鑱旇鍒欓噸瑕佹€х殑涓€涓寚鏍囥€?A:瀵?B:閿?绛旀: 瀵?19銆丷anker鏂规硶鏃㈠彲浠ョ敤浜庡崟涓睘鎬ц瘎浼板櫒锛屽張鍙互鐢ㄤ簬灞炴€у瓙闆嗚瘎浼板櫒銆?A:瀵?B:閿?绛旀: 閿?20銆佸埄鐢╳eka杞欢杩涜鏁版嵁鍙鍖栨椂锛岀敤鎴峰彲浠ラ€夋嫨绫诲埆灞炴€у鏁版嵁鐐圭潃鑹诧紝濡傛灉绫诲埆灞炴€ф槸鏍囩О鍨嬶紝鍒欐樉绀轰负褰╄壊鏉°€?A:瀵?B:閿?绛旀: 閿?绗洓绔?1銆佽礉鍙舵柉缃戠粶涓殑鑺傜偣浠ｈ〃锛? 锛夈€?A:鍙橀噺B:闅忔満杩囩▼C:闅忔満鍙橀噺D:闅忔満鍑芥暟绛旀: 闅忔満鍙橀噺2銆佽礉鍙舵柉缃戠粶涓紝鑺傜偣闇€缁欏嚭姒傜巼鍒嗗竷鎻忚堪锛屽浜庣鏁ｅ瀷闅忔満鍙橀噺鑰岃█锛屽彲浠ョ敤锛? 锛夌殑褰㈠紡琛ㄧず銆?A:鏉′欢姒傜巼瀵嗗害鍑芥暟B:姝ｆ€佸垎甯?C:鏉′欢姒傜巼琛?D: 鍧囧寑鍒嗗竷绛旀: 鏉′欢姒傜巼琛?3銆佽礉鍙舵柉缃戠粶涓妭鐐逛箣闂寸殑杈逛唬琛紙锛夈€? A:闅忔満鍏崇郴B:姒傜巼鍥犳灉C:缁勫悎鍏崇郴D:闅忔満缁撴灉绛旀: 闅忔満鍏崇郴4銆佽礉鍙舵柉缃戠粶淇濆瓨鐨勬枃浠舵牸寮忔槸( )銆?A:XML BIFB:DOCXC: TXTD:XLS绛旀: XML BIF5銆佷笅闈紙锛変笉鏄弽鍚戜紶鎾缁忕綉缁滅殑缁撴瀯銆? A:杈撳叆灞?B:闅愬惈灞?C:璁＄畻灞?D:杈撳嚭灞?绛旀: 璁＄畻灞?6銆佺缁忕綉缁滀腑鐨勮妭鐐逛唬琛紙锛夈€?A:婵€鍔卞彉閲?B:婵€鍔卞嚱鏁?C:闅忔満鍙橀噺D:闅忔満鍑芥暟绛旀: 婵€鍔卞嚱鏁?7銆佷笅鍒楋紙锛変笉鏄父瑙佺殑婵€鍔卞嚱鏁般€?A:绾挎€у嚱鏁?B:Sigmoid鍑芥暟C:闃堝€煎嚱鏁?D:姝ｅ鸡鍑芥暟绛旀: 姝ｅ鸡鍑芥暟8銆佸湪璐濆彾鏂綉缁滅紪杈戠晫闈㈡椂锛屽鏋滆妭鐐圭殑鍚嶇О娌℃硶瀹屽叏鏄剧ず锛岄渶瑕佷粠锛? 锛夎彍鍗曢」杩涜璋冩暣銆?A:Tools|SetDataB:View|Zoom OutC:View|Zoom InD:Tools|Layout绛旀: Tools|Layout9銆乄EKA涓€夋嫨绁炵粡缃戠粶鍒嗙被鍣ㄦ搷浣滄椂锛屽簲璇ラ€夋嫨锛? 锛夈€?A:rules鏉＄洰涓嬬殑PARTB:functions鏉＄洰涓嬬殑SGD鍒嗙被鍣?C:functions鏉＄洰涓嬬殑MultilayerPerceptron鍒嗙被鍣?D:榛樿鐨勫垎绫诲櫒绛旀: functions鏉＄洰涓嬬殑MultilayerPerceptron鍒嗙被鍣?10銆佷笅闈㈠叧浜嶱ackage Manager瀹夎鍚庣殑鐩綍璇存槑涓嶆纭殑鏄紙锛夈€?A:doc瀛愮洰褰曞瓨鏀続PI鏂囨。
linux cascadeclassifier路径
linux cascadeclassifier路径Linux CascadeClassifier 路径是指在Linux操作系统中使用CascadeClassifier进行目标检测时，需要配置的CascadeClassifier模型的路径。
CascadeClassifier是一种基于Haar特征的级联分类器，特别适用于人脸检测。
本文将一步一步回答如何设置Linux CascadeClassifier路径。
一、什么是CascadeClassifier？CascadeClassifier是OpenCV库中提供的一种级联分类器，它基于Haar特征并通过Adaboost算法进行级联训练。
CascadeClassifier可以用于目标检测，特别是人脸检测。
它的分类器模型文件（.xml）描述了训练好的级联分类器的特征。
二、在Linux中安装OpenCV在Linux上使用CascadeClassifier之前，首先需要在Linux系统上安装OpenCV库。
1. 打开终端，并使用以下命令安装OpenCV库：sudo apt-get updatesudo apt-get install libopencv-dev2. 等待安装过程完成，检查OpenCV是否安装成功：pkg-config modversion opencv如果成功安装，终端将显示OpenCV的版本号。
三、获取CascadeClassifier文件在Linux操作系统中，CascadeClassifier的路径指向训练好的级联分类器模型文件（.xml）。
你可以选择从OpenCV官方仓库中下载现成的CascadeClassifier模型文件，也可以自己训练一个。
1. 下载现成的CascadeClassifier模型文件：wget上述命令将在当前目录下载一个名为"haarcascade_frontalface_default.xml"的级联分类器模型文件。
基于深度学习的人脸追踪安防监控系统
科学技术创新2020.15随着社会的繁荣发展，社会安全问题越来越得到大家的重视，治安、防火、监护等，都是丞待解决的问题，故此安防监控就成为保证这些社会安全问题的一项解决方案，但现有的大量监控视角范围非常小，无法全方位的监视环境，并且只有录像功能。
文献[1]针对监控图像直观表达视觉图像信息、图像目标变化的特点设计基于树莓派管理及OpenCV 处理的智能监控机器人系统设计并搭建系统的框架及相关模块，引入多图像特征融合的粒子滤波跟踪算法，在图像目标轮廓获取的基础上融合灰度像素特征进行粒子的改进跟踪。
文献[2]利用热释电红外传感器采集周围人体红外线通过STM32单片机系统对信号进行处理，同时控制2个舵机组成的云台系统对摄像头的位置姿态进行调整，使产生红外信号的目标进入摄像头视野范围内，在使目标进入监控范围内的同时，该装置可以通过GSM 模块自动对指定手机发出信息，实现报警提示功能。
与上述相比，区别在于我们的人脸识别算法是基于TensorFlow 训练模型的CNN 人脸识别分类算法。
和上述的图像处理相比,深度学习的人脸识别算法准确率更高，尤其针对采集过程中误差较大的情况时,有较好的鲁棒性。
我们系统采用图像识别的方式进行人体追踪，比上述用的红外传感器检测更为精确。
还能把监控画面实时传送到网络，可在手机或电脑查看监控并控制摄像头转动，以及检测到人和危险气体的泄漏，可以现场实现声光报警。
1系统设计本系统主要由树莓派3B+的ARM 开发板，摄像头模块，气体传感器模块，备用电源模块，舵机模块，电源模组成，方案方框图如图1所示。
它能实时处理和分析视频数据和图像[3]，加载计基于深度学习的人脸追踪安防监控系统赖保均陈公兴李升凯李家壮邵经纬黎清虎（广东技术师范大学天河学院电气与电子工程学院，广东广州510540）摘要：针对现有监控系统存在的问题，提出了结构创新和算法改进，构建人工智能中的深度学习TensorFlow 神经网络框架，通过树莓派控制摄像头读取当前监控环境，用OpenCV 进行图像分析处理并自动跟随人脸转动，实现了无死角的监控和对人体流量识别及检测，具有夜视镜头跟踪人物断电续航的功能，还可用手机实时查看监控及控制摄像头转动。
openCV调用摄像头
CCameraDS 中有如下函数： CCameraDS() 构造函数 CCameraDS() 析构函数 bool OpenCamera(int nCamID, bool bDisplayProperties=true) 打开摄像头，nCamID 指定打开哪个摄像头，取值可以为 0,1,2,...。bDisplayProperties 指示是否自动弹 出摄像头属性页。 bool OpenCamera(int nCamID, bool bDisplayProperties=true, int nWidth=320, int nHeight=240) 打开摄像头，nCamID 指定打开哪个摄像头，取值可以为 0,1,2,...。bDisplayProperties 指示是否自动弹 出摄像头属性页。nWidth 和 nHeight 设置的摄像头的宽和高，如果摄像头不支持所设定的宽度和高 度，则返回 false void CloseCamera() 关闭摄像头，析构函数会自动调用这个函数 static int CameraCount() 返回摄像头的数目。可以不用创建 CCameraDS 实例，采用 int c=CCameraDS::CameraCount();得到结果。 static int CameraName(int nCamID, char* sName, int nBufferSize); 根据摄像头的编号返回摄像头的名字 nCamID: 摄像头编号 sName: 用于存放摄像头名字的数组 nBufferSize: sName 的大小 可以不用创建 CCameraDS 实例，采用 CCameraDS::CameraName();得到结果。 int GetWidth() 返回图像宽度。
1）加载级联分类器
haarcascade_frontalface_default.xml的算法原理
haarcascade_frontalface_default.xml的算法原理一、背景Haarcascade_frontalface_default.xml是一种常用的面部检测算法，它是一种基于机器学习的人工智能算法，主要用于计算机视觉领域中的面部检测任务。
在人脸识别、安防监控、人脸支付等领域，面部检测算法的应用越来越广泛。
二、算法原理1. Haarcascade算法简介Haarcascade算法是一种基于Haar特征和AdaBoost算法的面部检测算法。
它通过训练一个级联分类器，将图像中的面部区域与非面部区域进行区分。
该算法具有较高的准确性和实时性，广泛应用于各种场景中。
2. Haar特征提取Haarcascade算法的核心是Haar特征提取。
Haar特征是一种图像局部特征描述子，它通过计算图像中特定区域的特征值，来描述图像的局部结构。
Haar特征能够有效地捕捉图像中的边缘、纹理等信息，适用于面部检测等任务。
在Haarcascade算法中，算法会对训练样本进行图像预处理，将图像划分为多个小的区域，并提取每个区域的Haar特征。
通过计算这些特征值的比值和大小关系，可以确定图像中是否存在面部区域。
3. AdaBoost算法优化AdaBoost算法是一种集成学习算法，用于构建多个弱分类器，并将它们组合成一个强分类器。
在Haarcascade算法中，AdaBoost算法用于优化级联分类器的性能。
通过不断地对分类器进行训练和调整，可以进一步提高分类器的准确性和鲁棒性。
在Haarcascade算法中，AdaBoost算法会将训练样本分为多个子集，每个子集中的样本具有不同的特征分布。
通过对每个子集进行训练和调整，可以构建多个不同的弱分类器，并将它们组合成一个级联分类器。
这种组合方式能够进一步提高分类器的准确性和鲁棒性，适应不同场景下的面部检测任务。
4. 级联分类器应用级联分类器是一种常用的分类器结构，它将多个弱分类器组合在一起，形成一个强分类器。
铁路平交道口智能集控预警系统
铁路平交道口智能集控预警系统周 帅，周 培，武恒颉，周灵钰(南京铁道职业技术学院，南京 210056）摘要：传统铁路道口的安全防护措施因其低效性和高昂的成本，以及潜在的安全隐患，已经无法满足当前的发展需求。
为应对这一挑战，提出一种创新性的铁路道口无线通信智能集控预警系统，旨在确保铁路道口工作人员和交通参与者的生命财产安全。
结合远距离L o R a无线射频通信技术、基于O p e n M V的车辆与行人目标识别技术，计算机联锁技术等设计一款低功耗、易部署的无人值守的铁路道口远程集中管理系统，从而提升铁路运营效率，并增强铁路运输的安全保障水平。
关键词：铁路道口；无线通信；OpenMV；计算机联锁中图分类号：U284.15+1 文献标志码：A 文章编号：1673-4440(2024)03-0106-07Intelligent Centralized Control System for Early Warning of RailwayLevel CrossingsZhou Shuai, Zhou Pei, Wu Hengjie, Zhou Lingyu(Nanjing V ocational Institute of Railway Technology, Nanjing 210056, China) Abstract: The traditional safety protection measures for railway crossings can no longer meet the current development needs due to their low efficiency, high cost and potential safety hazards. To meet this challenge, this paper proposes an innovative intelligent centralized control system based on wireless communication for early warning of railway crossings, which aims to guarantee the life and property safety of the staff and traffi c participants at railway crossings. The LoRa long-range radio-frequency communication technology, OpenMV-based vehicle and pedestrian target recognition technology and computer based interlocking technology are combined to design a low-power, easy-to-deploy remote centralized management system for unattended railway crossings, which can improve the effi ciency of railway operation, and enhance the safety of railway transport.Keywords: railway crossing; wireless communication; OpenMV; computer based interlocking DOI: 10.3969/j.issn.1673-4440.2024.03.020收稿日期：2023-10-07；修回日期：2024-02-19基金项目：南京铁道职业技术学院大学生创新训练项目（yxkc2022026）发明专利：2023实用新型专利（ZL202320583648.0）第一作者：周帅（2003—），男，主要研究方向：城市轨道车辆应用技术，邮箱：*****************。
基于OpenCV和Python的课堂考勤系统的设计与实现
基于OpenCV和Python的课堂考勤系统的设计与实现作者：***来源：《电脑知识与技术》2019年第15期摘要：随着计算机新技术的流行，人脸识别等新技术的应用范围越来越宽广。
在学校招生规模的扩大的前提下，课堂上有效快速点名成了上课教师的新问题。
该文采用OpenCV和Python构建人脸识别技术实现课堂快速考勤。
关键词：OpenCV;Python;人脸识别;课堂考勤中图分类号：TP311 ; ; ; ;文献标识码：A文章编号：1009-3044（2019）15-0066-021 问题的提出近年来，我国学生人数呈现逐步上升的趋势。
特别是在经济发达地区，由于外来务工人员人数非常多，很多地区的学校都招生爆满，每个班人数都在50人以上。
对于任课老师来说，点名考勤成了不小的挑战。
特别对于中职学校来说，实训课很多学生不一定按照指定的位置就座，因此点名时经常出现“张冠李戴”的情况。
另一方面，在实训课上，教师需要操作计算机进行实操演示，这个过程中，有些学生不认真听讲，趴在桌面上睡觉。
怎样快速准确统计出上课时不认真的学生，值得我们研究。
2 系统的构成基于OpenCV和Python的课堂考勤系统其核心是利用基于OpenCV和Python实现人脸识别，通过对人脸的检测、识别及统计实现课堂考勤。
使用到的硬件设备主要是高清摄像头加上一台计算机作为服务器。
软件上我们采用OpenCV和Python来实现。
系统的主要功能如下图1：3 相关技术知识OpenCV：OpenCV是一个免费开源的跨平台计算机视觉库，可以运行多个操作系统上。
它的应用领域非常广泛，在人机互动、图像分割、物体识别、动作识别、人脸识别、运动跟踪、运动分析、机器人等多个最新技术领域都有应用[1]。
Python：Python是一种计算机程序设计语言。
Python程序简单易懂功能强大，许多功能不必从零编写，直接使用现成的即可。
许多大型网站就是用Python开发的，例如YouTube、豆瓣。
智慧树知到《大数据工具应用》章节测试答案
绗竴绔?1銆?011骞撮害鑲敗鐮旂┒闄㈡彁鍑虹殑澶ф暟鎹畾涔夋槸锛氬ぇ鏁版嵁鏄寚鍏跺ぇ灏忚秴鍑轰簡甯歌鏁版嵁搴撳伐鍏疯幏鍙栥€佸偍瀛樸€佺鐞嗗拰锛? 锛夎兘鍔涚殑鏁版嵁闆嗐€?A:璁＄畻B:璁块棶C:搴旂敤D:鍒嗘瀽绛旀: 鍒嗘瀽2銆佺敤4V鏉ユ鎷ぇ鏁版嵁鐨勭壒鐐圭殑璇濓紝涓€鑸槸鎸囷細Value銆乂elocity 銆乂olume鍜岋紙锛夈€?A:VarietyB:VainlyC:VagaryD:Valley绛旀: Variety3銆佸ぇ鏁版嵁鍒嗘瀽鍥涗釜鏂归潰鐨勫伐浣滀富瑕佹槸锛氭暟鎹垎绫汇€侊紙锛夈€佸叧鑱旇鍒欐寲鎺樺拰鏃堕棿搴忓垪棰勬祴銆?A:鏁版嵁缁熻B:鏁版嵁璁＄畻C:鏁版嵁鑱氱被D:鏁版嵁娓呮礂绛旀: 鏁版嵁鑱氱被4銆佹柊娴拰浜笢鑱斿悎鎺ㄥ嚭鐨勫ぇ鏁版嵁鍟嗗搧鎺ㄨ崘锛屾槸鐢变含涓滅洸鐩帹閫佸埌褰撳墠娴忚鏂版氮缃戠珯鐨勭敤鎴风殑椤甸潰涓婄殑銆?A:瀵?B:閿?绛旀: 閿?5銆佺洰鍓嶇殑澶ф暟鎹鐞嗘妧鏈彧鑳藉鐞嗙粨鏋勫寲鏁版嵁銆?A:瀵?B:閿?绛旀: 閿?绗簩绔?1銆佹垜浠父鐢ㄧ殑寰蒋Office濂椾欢涓殑Access鏁版嵁搴撹蒋浠剁殑鏁版嵁搴撴枃浠舵牸寮忓悗缂€鍚嶆槸锛? 锛夈€?A:mdfB:mdbC:dbfD:xls绛旀: mdb2銆佸ぇ澶氭暟鏃ュ織鏂囦欢鐨勫悗缂€鍚嶆槸锛? 锛夈€?A:txtB:csvC:xmlD:log绛旀: log3銆佹湰璇剧▼閲嶇偣浠嬬粛鐨剋eka杞欢鐨勪笓鏈夋枃浠舵牸寮忔槸锛? 锛夈€?A:MongoDBB:ARFFC:valueD:key map绛旀: ARFF4銆佹暟鎹竻娲楀伐浣滅殑鐩殑涓昏鏄瑙ｅ喅鏁版嵁鐨勫畬鏁存€с€佸敮涓€鎬с€佸悎娉曟€у拰锛? 锛夈€?A:涓撲笟鎬?B:鎺掍粬鎬?C:涓€鑷存€?D:鍏变韩鎬?绛旀: 涓€鑷存€?5銆佸叓鐖奔杞欢鐨勨€滆嚜瀹氫箟閲囬泦鈥濆伐浣滄柟寮忎笅锛岄渶瑕佸湪杞欢閲岃緭鍏ヤ竴涓紙锛夋潵浣滀负閲囬泦鐨勭洰鏍囥€?A:鐢佃瘽鍙风爜B:鍏抽敭璇?C:缃戦〉鍦板潃D:鐢ㄦ埛鍚?绛旀: 缃戦〉鍦板潃6銆佸叓鐖奔杞欢鐨勯噰闆嗚鍒欏彲浠ラ€氳繃鏂囦欢鐨勫舰寮忔潵瀵煎叆鎴栬€呭鍑猴紝杩欑鏂囦欢鐨勫悗缂€鍚嶆槸锛? 锛夈€?A:otdB:jpgC:pngD:gif绛旀: otd7銆丒xcel鍙互閫氳繃鈥滄暟鎹湁鏁堟€р€濇寜閽搷浣滄潵瑙勮寖鏁版嵁杈撳叆鐨勮寖鍥淬€?A:瀵?B:閿?绛旀: 瀵?8銆丒xcel涓嶈兘瀵煎叆txt鎴朿sv鏍煎紡鐨勬枃浠躲€?A:瀵?B:閿?绛旀: 閿?9銆佸叓鐖奔杞欢鍙兘瀵硅蒋浠跺唴寤轰簡鈥滅畝鏄撻噰闆嗏€濊鍒欑殑缃戠珯閲囬泦鏁版嵁銆?A:瀵?B:閿?绛旀: 閿?10銆佸叓鐖奔杞欢杩涜鑷畾涔夐噰闆嗘椂锛岄渶瑕佷簡瑙ｅ缃戦〉鐨勯〉闈㈢粨鏋勩€?A:瀵?B:閿?绛旀: 瀵?绗笁绔?1銆佷娇鐢―BSCAN绠楁硶瀵归涪灏捐姳鏁版嵁闆嗭紙Iris.arff锛夎繘琛岃仛绫伙紝灏唀psilon鍙傛暟璁剧疆涓?.2锛? minPoints鍙傛暟璁剧疆涓?锛屽拷鐣lass灞炴€э紝閭ｄ箞灏嗗舰鎴愶紙锛変釜绨囥€?A: 1B: 2C: 3D: 4绛旀: 32銆佷娇鐢‥M绠楁硶瀵瑰ぉ姘旀暟鎹泦锛坵eather.numeric.arff锛夎繘琛岃仛绫伙紝灏唍umClusters璁剧疆涓?锛屽嵆绨囨暟涓?锛屽叾浠栧弬鏁颁繚鎸侀粯璁ゅ€硷紝蹇界暐class灞炴€э紝浠庣粨鏋滀腑鍙煡锛屼笅鍒楅€夐」涓紝锛? 锛夋槸閿欒鐨勩€?A: 妯″瀷鐨勬渶澶т技鐒朵及璁″€兼槸-7.18B: 杩欑粍鏁版嵁鐢ㄧ畻娉曡凯浠?5娆?C: 绗洓涓皣鐨勫厛楠屾鐜囨槸0.14D: 绗洓涓皣鐨勫疄渚嬫暟涓?绛旀: 绗洓涓皣鐨勫疄渚嬫暟涓?3銆佷娇鐢⊿impleKMeans绠楁硶瀵瑰ぉ姘旀暟鎹泦锛坵eather.numeric.arff锛夎繘琛岃仛绫伙紝淇濇寔榛樿鍙傛暟锛屽嵆3涓皣浠ュ強娆ф皬璺濈銆傞€夋嫨play灞炴€т负蹇界暐灞炴€э紝浠庣粨鏋滀腑鍙煡锛屼笅鍒楅€夐」涓紝锛? 锛夋槸閿欒銆?A: 杩欑粍鏁版嵁鐢ㄧ畻娉曡凯浠ｅ洓娆?B: 浜х敓浜嗕笁涓腑蹇冪偣C: 鑱氬悎涓?涓皣锛屽垎鍒湁7锛?锛?涓疄渚?D: 骞虫柟鍜岃宸负8.928绛旀: 杩欑粍鏁版嵁鐢ㄧ畻娉曡凯浠ｅ洓娆?4銆佷娇鐢ㄧ嚎鎬у洖褰掞紙LinearRegression锛夊垎绫诲櫒鍜岀敤M5P鍒嗙被鍣ㄥcpu.arff鍒嗗埆杩涜鍒嗙被锛岀敱鍏惰緭鍑虹殑璇樊鎸囨爣鍙煡锛? 锛夈€?A: LinearRegression鐨勬爣鍑嗚宸瘮M5P鐨勬爣鍑嗚宸皬B: LinearRegression鐨勫钩鍧囩粷瀵硅宸瘮M5P鐨勫钩鍧囩粷瀵硅宸皬C: LinearRegression鐨勭浉瀵硅宸瘮M5P鐨勭浉瀵硅宸皬D: LinearRegression鐨勫钩鍧囨柟鏍硅宸瘮M5P鐨勫钩鍧囨柟鏍硅宸ぇ绛旀: LinearRegression鐨勫钩鍧囨柟鏍硅宸瘮M5P鐨勫钩鍧囨柟鏍硅宸ぇ5銆佸垹鍘籧pu.arff鏁版嵁鏂囦欢涓殑CACH灞炴€у悗锛屼娇鐢∕5P鍒嗙被鍣ㄦ瀯寤烘柟妗堬紝鍦ㄧ粨鏋滀腑锛屽埌杈綥M2鐨勫疄渚嬫暟鏈夛紙锛変釜銆?A: 165B: 21C: 23D: 30绛旀: 216銆佹牴鎹甁48鍒嗙被鍣ㄨ缁僿eather.nominal.arff鎵€鐢熶骇鐨勫喅绛栨爲锛屽綋outlook=sunny锛泃emperature=cool锛沨umidity =high锛泈indy=TRUE鏃讹紝鍒嗙被鐨勭粨鏋滄槸锛?锛夈€?A: YesB: NoC: 娌℃湁缁撴灉D: 鏃犳硶鍒嗙被绛旀: No7銆佹牴鎹甁48鍒嗙被鍣ㄨ缁僫ris.arff鎵€鐢熶骇鐨勫喅绛栨爲锛屽綋sepallength=4.4锛泂epalwidth=3.0锛沺etallength=1.3锛沺etalwidth=0.2鏃讹紝鍒嗙被鐨勭粨鏋滄槸锛? 锛夈€?A: Iris-setosaB: Iris-versicolorC: Iris-virginicaD: 鏃犳硶鍒嗙被绛旀: Iris-setosa8銆佸叧浜嶹eka绂绘暎鍖栬鏄庢纭殑鏄紙锛夈€?A: 绂绘暎鍖栨槸灏嗘暟鍊煎睘鎬ц浆鎹负瀛楃涓插瀷灞炴€?B: 鏈夌洃鐫ｇ鏁ｅ寲鏈変袱绉嶇瓑瀹藉拰绛夐鏂规硶C: 绛夊绂绘暎鍖栨槸浣垮疄渚嬪垎甯冨潎鍖€鐨?D: 绂绘暎鍖栧寘鎷棤鐩戠潱绂绘暎鍖栧拰鏈夌洃鐫ｇ鏁ｅ寲绛旀: 绂绘暎鍖栧寘鎷棤鐩戠潱绂绘暎鍖栧拰鏈夌洃鐫ｇ鏁ｅ寲9銆佷互涓嬶紙锛変笉鏄疻eka鐨勬暟鎹被鍨嬨€?A: numericB: nominalC: stringD: decimal绛旀: decimal10銆佸叧浜嶹eka鐨勬枃浠剁被鍨嬫弿杩伴敊璇殑鏄紙锛夈€?A: Weka鍙互鎵撳紑鏂囦欢鏍煎紡鏈?arff銆?csv銆?xlsxB: Weka澶勭悊鐨勬暟鎹泦绫讳技浜庡叧绯绘暟鎹簱妯瀹炰緥锛岀珫琛屽睘鎬?C: arff鏄疉SCII鏂囦欢锛屽彲浠ョ敤Word绛夋枃鏈紪杈戝櫒鎵撳紑鏌ョ湅D: @relation 瀹氫箟鏁版嵁闆嗗悕绉帮紝@data涔嬪悗鍛堢幇瀹炰緥锛屾瘡涓€琛屽氨鏄竴涓疄渚?绛旀: Weka鍙互鎵撳紑鏂囦欢鏍煎紡鏈?arff銆?csv銆?xlsx11銆佷互涓嬪睘浜庡叧鑱斿垎鏋愮殑鏄紙锛夈€?A: CPU鎬ц兘棰勬祴B: 璐墿绡垎鏋?C: 鑷姩鍒ゆ柇楦㈠熬鑺辩被鍒?D: 鑲＄エ瓒嬪娍寤烘ā绛旀: 璐墿绡垎鏋?12銆佸ぇ鏁版嵁鏃朵唬鐨勫埌鏉ワ紝浣挎垜浠棤娉曚汉涓哄湴鍘诲彂鐜版暟鎹腑鐨勫ゥ濡欙紝涓庢鍚屾椂锛屾垜浠洿搴旇娉ㄩ噸鏁版嵁涓殑鐩稿叧鍏崇郴锛岃€屼笉鏄洜鏋滃叧绯汇€傚叾涓紝鏁版嵁涔嬮棿鐨勭浉鍏冲叧绯诲彲浠ラ€氳繃浠ヤ笅锛? 锛夌畻娉曠洿鎺ユ寲鎺樸€?A: K-meansB: Bayes NetworkC: C4.5D: Apriori绛旀: Apriori13銆佹煇瓒呭競鐮旂┒閿€鍞邯褰曟暟鎹悗鍙戠幇锛屼拱鍟ら厭鐨勪汉寰堝ぇ姒傜巼涔熶細璐拱灏垮竷锛岃繖绉嶅睘浜庢暟鎹寲鎺樼殑锛? 锛夐棶棰樸€?A: 鍏宠仈瑙勫垯鍙戠幇B: 鑱氱被C: 鍒嗙被D: 鑷劧璇█澶勭悊绛旀: 鍏宠仈瑙勫垯鍙戠幇14銆佸湪杩涜鑷姩閫夋嫨灞炴€ф椂锛屽繀椤昏绔嬩袱涓璞★紝鍏朵腑纭畾浣跨敤浠€涔堟柟娉曚负姣忎釜灞炴€у瓙闆嗗垎閰嶄竴涓瘎浼板€肩殑瀵硅薄鏄笅闈㈢殑锛? 锛夈€?A: 鎼滅储鏂规硶B: 灞炴€ц瘎浼板櫒C: 鍏冨垎绫诲櫒D: 瑙勫垯鎸栨帢绛旀: 灞炴€ц瘎浼板櫒15銆佷互涓嬪睘浜庡睘鎬х┖闂寸殑鎼滅储鏂规硶鐨勬槸锛?锛夈€?A: GainRatioAttributeEvalB: BestFirstC: PrincipalComponentsD: SymmetricalUncertAttributeEval绛旀: BestFirst16銆佸湪weka杞欢鎺㈢储鑰呯晫闈腑锛屽埄鐢╒isualize鏍囩椤甸€氳繃鏇存敼鍚勪釜鍙傛暟鏉ヨ繘琛屾暟鎹泦鐨勫彲瑙嗗寲灞炴€ц缃悗锛岄渶瑕佸崟鍑讳互涓嬶紙锛夋寜閽紝鎵€鏈夋洿鏀规墠浼氱敓鏁堛€?A: Select AttributeB: SubSampleC: UpdateD: Fast scrolling绛旀: Update17銆佺粰瀹氬叧鑱旇鍒橝B锛屾剰鍛崇潃锛氳嫢A鍙戠敓锛孊涔熶細鍙戠敓銆?A:瀵?B:閿?绛旀: 閿?18銆佹敮鎸佸害鏄閲忓叧鑱旇鍒欓噸瑕佹€х殑涓€涓寚鏍囥€?A:瀵?B:閿?绛旀: 瀵?19銆丷anker鏂规硶鏃㈠彲浠ョ敤浜庡崟涓睘鎬ц瘎浼板櫒锛屽張鍙互鐢ㄤ簬灞炴€у瓙闆嗚瘎浼板櫒銆?A:瀵?B:閿?绛旀: 閿?20銆佸埄鐢╳eka杞欢杩涜鏁版嵁鍙鍖栨椂锛岀敤鎴峰彲浠ラ€夋嫨绫诲埆灞炴€у鏁版嵁鐐圭潃鑹诧紝濡傛灉绫诲埆灞炴€ф槸鏍囩О鍨嬶紝鍒欐樉绀轰负褰╄壊鏉°€?A:瀵?B:閿?绛旀: 閿?绗洓绔?1銆佽礉鍙舵柉缃戠粶涓殑鑺傜偣浠ｈ〃锛? 锛夈€?A:鍙橀噺B:闅忔満杩囩▼C:闅忔満鍙橀噺D:闅忔満鍑芥暟绛旀: 闅忔満鍙橀噺2銆佽礉鍙舵柉缃戠粶涓紝鑺傜偣闇€缁欏嚭姒傜巼鍒嗗竷鎻忚堪锛屽浜庣鏁ｅ瀷闅忔満鍙橀噺鑰岃█锛屽彲浠ョ敤锛? 锛夌殑褰㈠紡琛ㄧず銆?A:鏉′欢姒傜巼瀵嗗害鍑芥暟B:姝ｆ€佸垎甯?C:鏉′欢姒傜巼琛?D: 鍧囧寑鍒嗗竷绛旀: 鏉′欢姒傜巼琛?3銆佽礉鍙舵柉缃戠粶涓妭鐐逛箣闂寸殑杈逛唬琛紙锛夈€? A:闅忔満鍏崇郴B:姒傜巼鍥犳灉C:缁勫悎鍏崇郴D:闅忔満缁撴灉绛旀: 闅忔満鍏崇郴4銆佽礉鍙舵柉缃戠粶淇濆瓨鐨勬枃浠舵牸寮忔槸( )銆?A:XML BIFB:DOCXC: TXTD:XLS绛旀: XML BIF5銆佷笅闈紙锛変笉鏄弽鍚戜紶鎾缁忕綉缁滅殑缁撴瀯銆? A:杈撳叆灞?B:闅愬惈灞?C:璁＄畻灞?D:杈撳嚭灞?绛旀: 璁＄畻灞?6銆佺缁忕綉缁滀腑鐨勮妭鐐逛唬琛紙锛夈€?A:婵€鍔卞彉閲?B:婵€鍔卞嚱鏁?C:闅忔満鍙橀噺D:闅忔満鍑芥暟绛旀: 婵€鍔卞嚱鏁?7銆佷笅鍒楋紙锛変笉鏄父瑙佺殑婵€鍔卞嚱鏁般€?A:绾挎€у嚱鏁?B:Sigmoid鍑芥暟C:闃堝€煎嚱鏁?D:姝ｅ鸡鍑芥暟绛旀: 姝ｅ鸡鍑芥暟8銆佸湪璐濆彾鏂綉缁滅紪杈戠晫闈㈡椂锛屽鏋滆妭鐐圭殑鍚嶇О娌℃硶瀹屽叏鏄剧ず锛岄渶瑕佷粠锛? 锛夎彍鍗曢」杩涜璋冩暣銆?A:Tools|SetDataB:View|Zoom OutC:View|Zoom InD:Tools|Layout绛旀: Tools|Layout9銆乄EKA涓€夋嫨绁炵粡缃戠粶鍒嗙被鍣ㄦ搷浣滄椂锛屽簲璇ラ€夋嫨锛? 锛夈€?A:rules鏉＄洰涓嬬殑PARTB:functions鏉＄洰涓嬬殑SGD鍒嗙被鍣?C:functions鏉＄洰涓嬬殑MultilayerPerceptron鍒嗙被鍣?D:榛樿鐨勫垎绫诲櫒绛旀: functions鏉＄洰涓嬬殑MultilayerPerceptron鍒嗙被鍣?10銆佷笅闈㈠叧浜嶱ackage Manager瀹夎鍚庣殑鐩綍璇存槑涓嶆纭殑鏄紙锛夈€?A:doc瀛愮洰褰曞瓨鏀続PI鏂囨。
基于OpenCV的X光手指骨图像分割方法
基于OpenCV的X光手指骨图像分割方法张林;吴振强【摘要】Bone age assessment plays an important role in preventive medicine,clinical medicine,sports science and judicial field. With the rapid development of computer technology and image processing technology,image processing-based bone age recognizing system becomes the tendency for bone age assessment. In image processing,image preprocessing and image segmentation technology occupy a large proportion. Segmentation quality has a great influence on later image recognition. Currently there exist a variety of image segmenta-tion methods. In this paper,in view of the bone age assessment system of X-ray finger bone,with the standard of CHN,8 out of 14 fea-tured bones are chosen to study. One except the thumb is chosen to identify the division of the four finger bones,target detection based on Haar classifier is used to complete the recognition and segmentation of the bone. After the recognition,what is recorded is the coordinating information of finger edges. Segmentation of fingers done on coordinate lays foundation for later marking of featured dots and calculating of feature value. Experimental results show that using Haar classifier for extracting finger recognition has high speed and higher accuracy.%骨龄评价在预防医学、临床医学、体育科学和司法领域等都有着广泛的应用.随着计算机技术、图像处理技术的快速发展,基于图像处理的骨龄识别系统是目前骨龄评价的发展趋势.在图像处理中,图像预处理和图像分割技术占有很大的比重,分割质量的好坏对后期的图像识别影响很大.目前图像的分割方法有多种,文中针对骨龄测评系统中的X光片手指骨,按照CHN标准,14块特征骨块中,取其中8块进行研究,对除了拇指外的四根手指进行分割识别,使用基于Haar分类器的目标检测,来完成对手骨的识别、分割.识别出手指后,记录的实际上是手指边缘的坐标信息,依据坐标对手指进行分割提取,为后续的特征点标记以及特征值的计算打下基础.实验结果表明,使用Haar分类器进行手指的识别提取,速度快,准确率较高.【期刊名称】《计算机技术与发展》【年(卷),期】2015(025)011【总页数】5页(P200-203,208)【关键词】OpenCV;手指骨;图像分割;骨龄;X片【作者】张林;吴振强【作者单位】商洛学院数学与计算机应用学院,陕西商洛 726000;陕西师范大学计算机学院,陕西西安 710062【正文语种】中文【中图分类】TP391.41随着骨龄评定标准日趋成熟以及图像处理技术的发展，对于骨龄测评系统的研究在近几年来有了很大的发展，在欧美国家，许多系统已经可以实现图像自动识别并计算出骨龄，替代人工评定。
贝叶斯分类器训练过程
贝叶斯分类器训练过程一、数据收集贝叶斯分类器训练的第一步是收集用于训练的数据。
数据可以通过多种方式收集，包括公开可用的数据集、内部数据库、或通过用户输入等。
数据收集的目的是获取足够的信息，以便能够训练出准确的分类器。
二、数据预处理在收集到数据后，需要进行预处理，以确保数据的质量和一致性。
预处理可能包括数据清洗、数据转换、数据标准化等步骤。
例如，可能需要对缺失值进行填充，对异常值进行处理，将不同类型的数据进行转换等。
三、特征提取特征提取是贝叶斯分类器训练过程中的重要步骤。
它涉及到从原始数据中提取有用的信息，这些信息将被用于建立分类器的概率模型。
特征可能包括数值型特征、文本型特征、图像特征等。
在提取特征时，应考虑如何利用数据的结构化信息和上下文信息，以便更有效地建立分类器。
四、概率模型建立在提取了特征后，需要建立概率模型。
贝叶斯分类器通常基于朴素贝叶斯（Naive Bayes）算法。
朴素贝叶斯假设特征之间相互独立，通过训练数据来计算特征之间的概率和类别条件概率。
五、模型参数估计在建立了概率模型后，需要对模型参数进行估计。
这通常涉及到使用最大似然估计法或贝叶斯估计法等统计方法，以确定模型参数的最佳值。
参数估计的目的是使模型能够准确地对新数据进行分类。
六、模型评估在模型参数估计完成后，需要对模型进行评估。
评估可以通过使用测试集或交叉验证等方法进行。
评估的目的是确定模型的性能和准确性。
如果模型的性能不佳，可能需要进一步优化模型参数或调整特征提取方法。
七、模型优化如果模型的性能不佳，需要进行模型优化。
这可能涉及到调整模型的参数、改变特征提取方法、引入新的特征等。
优化的目的是提高模型的性能和准确性。
在优化过程中，可能需要反复进行模型评估和调整，直到达到满意的性能为止。
八、模型部署在模型优化完成后，可以将模型部署到实际应用中。
在部署过程中，需要注意如何将模型集成到实际应用中，并确保模型的稳定性和可扩展性。
此外，还需要定期对模型进行更新和维护，以保持其性能和准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
分类：数据库/DB2/文章第一步采集样本1、将正负样本分别放在两个不同的文件夹下面分别取名pos和neg，其中pos用来存放正样本图像，neg用来存放负样本注意事项：1、正样本要统一切成24*24像素（或者其他）的格式，建议保存成灰度图，节省空间2、正样本的数目越多，训练的时间也将越长，训练出来的效果也就越好3、负样本的数量想对于正样本一定要足够的多，很多朋友在训练的时候，往往出现了CPU占用率达到了100%，但是训练只是停留在一个分类器长达几小时没有相应，问题出现在取负样本的那个函数icvGetHaarTrainingDataFromBG中; 当剩下所有的negtive样本在临时的cascade Classifier中,evaluate的结果都是0（也就是拒绝了），随机取样本的数目到几百万都是找不到误检测的neg样本了，因而没法跳出循环2、建立正负样本的说明文件这里我们假定根目录在D:\boost下面。
在cmd下面进入pos目录，输入dir /b > pos.txt这个时候会在pos文件加下面生成一个pos.txt文件，打开pos.txt我们对它进行如下编辑：（1）、将BMP 替换成为BMP 1 0 0 24 24注意：1代表此图片出现的目标个数后面的0 0 24 24代表目标矩形框（0,0)到(24,24)，用户可以根据自身需要调整数值（2）、删除文本中最后一行的“pos.txt”2、对负样本进行编辑在CMD下输入dir /b > neg.txt同理，打开neg目录下的neg.txt文件，只需要删除最后一行的neg.txt这一句注意：1、负样本说明文件不能含有目标物体2、负样本图像尺寸不受到限制，但是尺寸越大，训练所用的时间越长，3、负样本图像可以是灰度图，也可以不是，笔者建议使用灰度图，这样处理起来可能更有效率4、负样本图像一定不要重复，增大负样本图像的差异性，可以增加分类器的使用范围，笔者建议可以使用网上的素材库，将1000多张不含目标的图片灰度处理后用来训练，效果更佳二、使用opencv_createsamples.exe创立样本VEC文件1、首先我们将要用的的2个程序opencv_createsamples.exe和opencv_haartraining.exe拷到根目录下在CMD下输入如下命令：opencv_createsamples.exe -vec pos.vec -info pos\pos.txt -bg neg\neg.txt -w 40 -h 40 -num 142以上参数的含义如下：－vec <vec_file_name>训练好的正样本的输出文件名。
－img<image_file_name>源目标图片（例如：一个公司图标）－bg<background_file_name>背景描述文件。
－num<number_of_samples>要产生的正样本的数量，和正样本图片数目相同。
－bgcolor<background_color>背景色（假定当前图片为灰度图）。
背景色制定了透明色。
对于压缩图片，颜色方差量由bgthresh 参数来指定。
则在bgcolor－bgthresh 和bgcolor＋bgthresh 中间的像素被认为是透明的。
－bgthresh<background_color_threshold>－inv如果指定，颜色会反色－randinv如果指定，颜色会任意反色－maxidev<max_intensity_deviation>背景色最大的偏离度。
－maxangel<max_x_rotation_angle>－maxangle<max_y_rotation_angle>，－maxzangle<max_x_rotation_angle>最大旋转角度，以弧度为单位。
－show如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而创建过程继续。
这是个有用的debug 选项。
－w<sample_width>输出样本的宽度（以像素为单位）－h《sample_height》输出样本的高度，以像素为单位。
按下回车后我们的正样本三、使用opencv_haartraing.exe进行训练参数说明如下：Haartraining 的命令行参数如下：－data<dir_name>存放训练好的分类器的路径名。
－vec<vec_file_name>正样本文件名（由trainingssamples 程序或者由其他的方法创建的）－bg<background_file_name>背景描述文件。
－npos<number_of_positive_samples>，－nneg<number_of_negative_samples>用来训练每一个分类器阶段的正/负样本。
合理的值是：-nPos = 7000;nNeg = 3000－nstages<number_of_stages>训练的阶段数。
－nsplits<number_of_splits>决定用于阶段分类器的弱分类器。
如果1，则一个简单的stump classifier 被使用。
如果是2 或者更多，则带有number_of_splits 个内部节点的CART 分类器被使用。
－mem<memory_in_MB>预先计算的以MB 为单位的可用内存。
内存越大则训练的速度越快。
－sym（default）－nonsym指定训练的目标对象是否垂直对称。
垂直对称提高目标的训练速度。
例如，正面部是垂直对称的。
－minhitrate《min_hit_rate》每个阶段分类器需要的最小的命中率。
总的命中率为min_hit_rate 的number_of_stages 次方。
－maxfalsealarm<max_false_alarm_rate>没有阶段分类器的最大错误报警率。
总的错误警告率为max_false_alarm_rate 的number_of_stages 次方。
－weighttrimming<weight_trimming>指定是否使用权修正和使用多大的权修正。
一个基本的选择是0.9－eqw－mode<basic(default)|core|all>选择用来训练的haar 特征集的种类。
basic 仅仅使用垂直特征。
all 使用垂直和45 度角旋转特征。
－w《sample_width》－h《sample_height》训练样本的尺寸，（以像素为单位）。
必须和训练样本创建的尺寸相同在CMD下输入opencv_haartraining.exe -data xml -vec pos.vec -bg neg\neg.txt -w 40 -h 40 -mem 800然后开始训练训练过程如图，呵呵，要是成百上千的样本的话，我们先去吃完泡面休息一下吧好了，休息回来，训练完成提示信息如下：在根目录下就会生成相应的XML文件人脸数据库汇总■Annotated Database (Hand, Meat, LV Cardiac, IMM face) (http://www2.imm.dtu.dk/~aam/)■AR Face Database (/~aleix/aleix_face_DB.html)■BioID Face Database (/downloads/facedb/index.php)■Caltech Computational Vision Group Archive (Cars, Motorcycles, Airplanes, Faces, Leaves, Background)(/html-files/archive.html)■Carnegie Mellon Image Database (motion, stereo, face, car, ...) (/idb/)■CAS-PEAL Face Database (/peal/index.html)■CMU Cohn-Kanade AU-Coded Facial Expression Database (/projects/project_421.html■CMU Face Detection Databases (/projects/project_419.html)■CMU Face Expression Database (/projects/FaceAuthentication/download.htm)■CMU Face Pose, Illumination, and Expression (PIE) Database (/projects/project_418.html)■CMU VASC Image Database (motion, road sequences, stereo, CIL’s stereo data with ground truth, JISCT, face, face expressions, car) (/idb/)■Content-based Image Retrieval Database (/research/imagedatabase/groundtruth/) ■Face Video Database of the Max Planck Institute for Biological Cybernetics (http://vdb.kyb.tuebingen.mpg.de/)■FERET Database (/)■FERET Color Database (/iad/humanid/colorferet/home.html/colorferet/ )■Georgia Tech Face Database (/face_reco.htm)■German Fingerspelling Database (/face_reco.htm )■Indian Face Database (http:// /~vidit/IndianFaceDatabase)■MIT-CBCL Car Database (/software-datasets/CarData.html)■MIT-CBCL Face Recognition Database (/software-datasets/heisele/facerecognition-database.html)■MIT-CBCL Face Databases (/software-datasets/FaceData2.html)■MIT-CBCL Pedestrian Database (/software-datasets/PedestrianData.html)■MIT-CBCL Street Scenes Database (/software-datasets/streetscenes/)■NIST/Equinox Visible and Infrared Face Image Database (/products/HID.html)■NIST Fingerprint Data at Columbia (Link)■ORL Database of Faces (/research/dtg/attarchive/facedatabase.html)■Rutgers Skin Texture Database (/rutgers_texture/)■The Japanese Female Facial Expression (JAFFE) Database (/jaffe.html■The Ohio State University SAMPL Image Database (3D, still, motion) (/database.htm)■The University of Oulu Physics-Based Face Database (http://www.ee.oulu.fi/research/imag/color/pbfd.html)■UMIST Face Database (/danny/database.html)■USF Range Image Data (with ground truth) (/range/DataBase.html)■Usenix Face Database (hundreds of images, several formats) (Link)■UCI Machine Learning Repository (/~mlearn/MLSummary.html)■USC-SIPI Image Database (collection of digitized images) (/services/database/Database.html)■UCD VALID Database (multimodal for still face, audio, and video) (http://ee.ucd.ie/validdb/)■UCD Color Face Image (UCFI) Database for Face Detection (http://ee.ucd.ie/~prag/)■UCL M2VTS Multimodal Face Database (http://www.tele.ucl.ac.be/PROJECTS/M2VTS/m2fdb.html)■Vision Image Archive at UMass (sequences, stereo, medical, indoor, outlook, road, underwater, aerial, satellite, space and more) (/database/)■Where can I find Lenna and other images? (/faqs/compression-faq/part1/section-30.html)■Yale Face Database (/projects/yalefaces/yalefaces.html)■Yale Face Database B (/projects/yalefaces/yalefaces.html)目前人脸识别领域常用的人脸数据库主要有:1. FERET人脸数据库[2]由FERET项目创建,包含14,051张多姿态,光照的灰度人脸图像,是人脸识别领域应用最广泛的人脸数据库之一.其中的多数人是西方人,每个人所包含的人脸图像的变化比较单一.2. MIT人脸数据库[4]由麻省理工大学媒体实验室创建,包含16位志愿者的2,592张不同姿态,光照和大小的面部图像.3. Yale人脸数据库[5]由耶鲁大学计算视觉与控制中心创建,包含15位志愿者的165张图片,包含光照,表情和姿态的变化.4. Yale人脸数据库B[6]包含了10个人的5,850幅多姿态,多光照的图像.其中的姿态和光照变化的图像都是在严格控制的条件下采集的,主要用于光照和姿态问题的建模与分析.由于采集人数较少,该数据库的进一步应用受到了比较大的限制.5. PIE人脸数据库[7]由美国卡耐基梅隆大学创建,包含68位志愿者的41,368张多姿态,光照和表情的面部图像.其中的姿态和光照变化图像也是在严格控制的条件下采集的,目前已经逐渐成为人脸识别领域的一个重要的测试集合.6. ORL人脸数据库[8]由剑桥大学AT&T实验室创建,包含40人共400张面部图像,部分志愿者的图像包括了姿态,表情和面部饰物的变化.该人脸库在人脸识别研究的早期经常被人们采用,但由于变化模式较少,多数系统的识别率均可以达到90%以上,因此进一步利用的价值已经不大.7. PF01人脸数据库[9]由韩国浦项科技大学创建,包含103人的1,751张不同光照,姿态,表情的面部图像,志愿者以韩国人为主.8. AR人脸数据库[10]由西班牙巴塞罗那计算机视觉中心建立,包含116人的3,288幅图像.采集环境中的摄像机参数,光照环境,摄像机距离等都是严格控制的.9. BANCA人脸数据库[11]该数据库是欧洲BANCA计划的一部分,包含了208人,每人12幅不同时间段的面部图像.10. KFDB人脸数据库[12]包含了1,000人,共52,000幅多姿态,多光照,多表情的面部图像,其中姿态和光照变化的图像是在严格控制的条件下采集的.志愿者以韩国人为主.11. MPI人脸数据库[13]该人脸数据库包含了200人的头部3维结构数据和1,400幅多姿态的人脸图像.12. XM2VTS人脸数据库[14]包含了295人在4个不同时间段的图像和语音视频片断.在每个时间段,每人被记录了2个头部旋转的视频片断和6个语音视频片断.此外,其中的293人的3维模型也可得到.opencv老是卡在某一层，最近在做人脸检测的Haartraining训练分类器，发现训练到最后误检率很低时分类器总是卡到某一层就不在继续进行，像是进入了死循环，程序代码与参数输入应该是没有任何问题的，所以我从网上找这方面的资料，最后在OpenCV的中文论坛看到一个帖，终于找到原因了。