VGG特征提取 从vgg19的最后一层提取特征。 其他可用网络（带Torchvision） 要求 Python3.6 参见requirements.txt 样本 pip3 install -r requirements.txt python3 extract_vgg_features.py

给出常见的[0，b]区间上的球Besset方程本征值问题的特征方程，利用半奇数阶Bessel函数与Bessel函数之间的关系，将球Bessel函数转化为柱Bessel函数，得到一般区间上球Bessel方程的本征值和本征函数，分别对高阶和低阶球Bessel函数的不同情况，讨论使用Matlab编程得到特征方程根的方法，并介绍实际应用。

尺度不变特征变化图像匹配siftFlow 能够直接运行

思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思维导图！！！思

安全帽分割是实现煤矿人员智能视频监控的关键技术之一，可促进人员定位、跟踪、安全帽佩戴检测等相关技术的研究，为此，提出一种基于超像素特征提取与支持向量机(Support Vector Machines,SVM)分类的矿井人员安全帽分割方法。首先，采用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型将人员图像粒化为一定数量内部像素点颜色特征相似且空间位置相近的超像素。其次，提取超像素在RGB，YCbCr，Lab，HSV空间上的颜色特征及其灰度直方图纹理特征，通过分析安全帽二维轮廓线上的斜率变化特性建立安全帽轮廓特征模型。最后，在训练集人员图像中分别提取安全帽正样本超像素和背景负样本超像素的颜色、纹理特征训练SVM分类器，采用已训练的SVM将测试集中的人员图像超像素二分类为安全帽正样本和背景负样本。进一步通过安全帽轮廓特征模型判别SVM误分类的虚假正样本并对其进行类别修正，识别同时包含正样本像素点和负样本像素点的欠分割样本超像素，并通过求取正样本区域边界掩模与Prewitt算子所提取轮廓的差集对其进行二级像素分类，分离出其中的正样本像素区

做传感器研究的朋友，这是关于基于多特征融合的目标跟踪算法的一篇文章不错的。

数据准备和特征工程的详细代码实现+注释（百度飞桨）

1、有9个工件图像，要求从本章讲授的特征提取方法中，选择3~5种提取工件特征并给出数字结果；链码为必选方法，给出数字结果和图形显示，做到链码和原图像的双向变换显示。（实验报告中应描述相应的特征提取方法并略述实现过程） 2、设计的界面中要具备功能：任选1个工件作为目标，以上述实现的特征提取方法识别该目标的工件类型（即序号），并显示该判别基准特征的数据。 3、有可能的话试用聚类、训练或其他方法对这些工件进行分类。

遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

根据由粗到精的思路,综合利用了眼睛在人脸面部特征中所特有的边缘与灰度分布信息,进行人眼特征定位。首先用横向Sobel算子对人脸图像进行边缘检测,获取人脸区域的横向边缘特征,然后采用图像形态学的方法框定人脸主要特征的大致区域,最后用计算灰度梯度密度的算法,快速精确地定位人眼区域。试验表明,本方法能快速而精确地实现人眼特征的定位。