该项目是一系列用深度图进行人体检测的一些机器学习方法的实现，主要方法是通过传统特征算子提取特征，然后训练SVM分类器，通过多尺度滑窗的方式处理整幅图像。可用于基于机器学习进行深度图人体检测方法的学习或项目。
包括的论文
HDD:
Wu S, Yu S, Chen W. An attempt to pedestrian detection in depth images[C]//Intelligent Visual Surveillance (IVS), 2011 Third Chinese Conference on. IEEE, 2011: 97-100.
SLTP:
Yu S, Wu S, Wang L. Sltp: A fast descriptor for people detection in depth images[C]//Advanced Video and Signal-Based Surveillance (AVSS), 2012 IEEE Ninth International Conference on. IEEE, 2012: 43-47.
ELDP:
Zhong F, Zhang J. Face recognition with enhanced local directional patterns[J]. Neurocomputing, 2013, 119: 375-384.
LDP: Jabid T, Kabir M H, Chae O. Facial expression recognition using local directional pattern (LDP)[C]//2010 IEEE International Conference on Image Processing. IEEE, 2010: 1605-1608.
LTDP:
Shen Y, Hao Z, Wang P, et al. A novel human detection approach based on depth map via Kinect[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2013: 535-541.
编译安装
项目依赖OpenCV3, 假设OpenCV位于D://opencv, 则将CMakeLists.txt中OpenCV_DIR设置为此路径，以方便找到OpenCV.
项目目前支持Windows，但只是一些目录操作使用了windows API, 去除这部分后即可用于其他平台。
mkdir build && cd build cmake .. -G "Visual Studio 14 2015 Win64"
训练
数据准备
准备正负样本图片，其中正样本目录数据为人体图片，训练时会resize为64x128,负样本为背景图片随机抠图。 在训练时，可将负样本原图（即不包含人体）也输入，在训练过程中可进行误检困难样本的挖掘。
训练
在trainer.cpp中设置样本路径，模型存放路径以及困难样本的保存路径，设置要训练的特征算子方法，即可开始训练。 在一轮训练后，将在负样本原图上执行算法，并将误检的图片加入训练，再进行一次训练。
测试&使用
参考detector.cpp, 输入原图，即可得到预测的检测框。如图：
-
立体图像的深度图 作者|OpenCV-Python Tutorials 编译|Vincent 来源|OpenCV-Python Tutorials 目标 在本节中， 我们将学习根据立体图像创建深度图。 基础 在上一节中，我们看到了对极约束和其他相关术语等基本概念。我们还看到，如果我们有两个场景相同的图像，则可以通过直观的方式从中获取深度信息。下面是一张图片和一些简单的数学公式证明了这种想法。 上图
-
目标 在这个章中，我们将学习从立体图像创建深度图。 基本 在上一章中，我们看到了极线约束等相关术语的基本概念。我们也看到，如果我们有两个相同的场景图像，我们可以直观地从中获取深度信息。 上图包含全等三角形。写出它们的等价方程将得到以下结果： $$ disparity = x - x' = \frac{Bf}{Z} $$ $x$ 和 $x'$ 是对应于场景点 3D 的图像平面中的点与其相机中心之间的
-
Keras 是一个高层神经网络 API，Keras 由纯 Python 编写而成并基 Tensorflow、Theano 以及 CNTK 后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择 Keras： 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性） 支持 CNN 和 RNN，或二者的结合 无缝 CPU 和 GPU 切换 Kera
-
停止更新通知 Hi all，十分感谢大家对keras-cn的支持，本文档从我读书的时候开始维护，到现在已经快两年了。这个过程中我通过翻译文档，为同学们debug和答疑学到了很多东西，也很开心能帮到一些同学。 从2017年我工作以后，由于工作比较繁忙，更新频率有所下降。到今年早期的时候这种情况更加严重，加之我了解到，keras官方已经出了中文文档，更觉本份文档似乎应该已经基本完成了其历史使命，该到了
-
Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。
-
代码接收图像，将其转换为灰度。然后使用精明的边缘检测来检测图像中所有物体的边缘。边缘检测图像从底部开始填充白色，直到检测到边缘。这个过程一直持续到整个图像被覆盖。结果是一个二进制图像，对于没有障碍物的区域，白色为白色，对于障碍物，黑色为黑色。然后使用opencv函数侵蚀来去除不必要的噪声。 如果我能得到关于如何改进或使用其他技术的建议，我将不胜感激。