Why So Serious?

opencv中常见的与图像操作有关的数据容器有Mat，cvMat和IplImage，这三种类型都可以代表和显示图像，但是，Mat类型侧重于计算，数学性较高，openCV对Mat类型的计算也进行了优化。而CvMat和IplImage类型更侧重于“图像”，opencv对其中的图像操作（缩放、单通道提取、图像阈值操作等）进行了优化。在opencv2.0之前，opencv是完全用C实现的，但是，IplIm

#include "opencv2/highgui/highgui.hpp"#include "opencv2/imgproc/imgproc.hpp"#include #include #include using namespace cv;using namespace std;//全局变量Mat src, src_gray;//源图和灰度图int thresh = 20

进行行人检测的分类器训练时，负样本是从完全不包含人体的图片中随机剪裁出来的，下面程序的目的就是这个

PASCAL VOC目标检测数据集(The PASCAL Visual Object Classes)所以如果想用这个数据集做某种目标识别的训练集的话，需要先从中裁出需要的目标。下面这个程序就是这个目的，其中用到了TinyXML这个简单易用的XML解析器

OpenCV读入图片序列进行HOG行人检测并保存为视频

利用OpenCV中默认的SVM参数进行HOG行人检测，默认参数是根据Dalal的方法训练的。

使用OpenNI2打开XtionProLive时有个问题，彩色图分辨率无论如何设置始终是320*240，深度图倒是可以设成640*480，而OpenNI1.x是可以获取640*480的彩色图的。彩色图配准到彩色图后的深度图1:1融合图代码：#include #include #include #include

华硕XtionPro类似Kinect，都是体感摄像机，可捕捉深度图和彩色图，如图：

难例(Hard Example)就是分错类的负样本，将难例加入负样本集合进行二次训练就是告诉分类器：“这些是你上次分错类的，要吸取教训，改正错误”

正样本来源是INRIA数据集中的96*160大小的人体图片，使用时上下左右都去掉16个像素，截取中间的64*128大小的人体。负样本是从不包含人体的图片中随机裁取的，大小同样是64*128。SVM使用的是OpenCV自带的CvSVM类。首先计算正负样本图像的HOG描述子，组成一个特征向量矩阵，对应的要有一个指定每个特征向量的类别的类标向量，输入SVM中进行训练。训练好的SVM分类器保存为XML文件，然后根据其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数，再调用OpenCV中的多

关于RANSAC算法的基本思想，可从网上搜索找到，这里只是RANSAC用于SIFT特征匹配筛选时的一些说明。RANSAC算法在SIFT特征筛选中的主要流程是：(1) 从样本集中随机抽选一个RANSAC样本，即4个匹配点对(2) 根据这4个匹配点对计算变换矩阵M(3) 根据样本集，变换矩阵M，和误差度量函数计算满足当前变换矩阵的一致集consensus，并返回一致集中元素个数(4

直方图就是对数据进行统计，将统计值组织到一系列事先定义好的bin(直方图中的柱子)中。bin中的数值是从数据中计算出的特征的统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。无论如何，直方图获得的是数据分布的统计图。灰度图像的直方图的性质：(1) 直方图是一幅图像中各像素灰度出现频次的统计结果，它只反映图像中不同灰度值出现的次数，而没反映某一灰度所在的位置。也就是说，它只包

Qt中利用OpenCV显示图片和视频时，需要将OpenCV中的Mat或IplImage结构转换为Qt中QImage结构，转换时需要注意的地方是OpenCV中和Qt中关于三原色的排列的不同：OpenCV中是以BGR的顺序排列，Qt中是以RGB的顺序排列，两种格式在转换时如果没注意到这点，就会出现问题，如下图：上图是读取的美剧《总统一家》中的一集，mkv格式的(OpenCV2中增加

按上篇文章《Qt4.8下应用OpenCV2.4.4搭建环境详细步骤（win7系统）》http://blog.youkuaiyun.com/masikkk/article/details/8693793在Qt Creator中配置了OpenCV2.4.X，但是只能使用opencv1.0的函数，opencv2中的函数，例如：imread()，Mat结构等都不能使用。找原因：(1)看头文件有没有问题

#include "opencv2/highgui/highgui.hpp"#include "opencv2/imgproc/imgproc.hpp"#include #include #include using namespace cv;using namespace std;//全局变量Mat src1, src1_gray, src2, src2_gray;

旋转变换公式的推导：如下图， 在2维坐标上，有一点p(x, y) , 直线op的长度为r, 直线op和x轴的正向的夹角为a。 直线op围绕原点做逆时针方向b度的旋转，到达p’ (s,t) 则有s = r cos(a + b) = r cos(a)cos(b) – r sin(a)sin(b)   (1.1)t  = r sin(a + b)  = r sin(a)cos

和MFC比较起来，QT的信号槽机制比MFC的信号机制慢，但是因为能很好的实现跨平台，所以我在这里总结一下可能对一些人有点用。OpenCV.China论坛上有一个帖子叫做《在MFC框架中快速应用OpenCV》看了后就想结合QT写一下。0.搭建环境：OpenCV + QT 4.6我的实验是基于VS2008来做的，QT官方虽然提供了VS2008-add-in的插件，我没有用。直接下载器编

（1）首先要保证OpenCV的头文件已包含进程序，并且已在工程中正确lib等文件目录。（2）添加一个picture控件（3）在对话框初始化函数(或者某按钮响应函数)中                     CWnd* pwnd = GetDlgItem(图片控件的ID);//由控件ID获得控件句柄              CDC* pDC = pwnd->GetDC();//再

今天，研究了下Qt 中如何应用OpenCV的问题。与VC6.0环境下MFC只能应用OpenCV1.0版本不同，Qt 中可以应用最新的OpenCV2.4.x版本（又一个Qt 的好处）。搭建环境：操作系统：Win7Qt版本：Qt4.8           开发环境：Qt Creator 2.4.1                         Open

直方图就是对数据进行统计，将统计值组织到一系列事先定义好的bin(直方图中的柱子)中。bin中的数值是从数据中计算出的特征的统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。无论如何，直方图获得的是数据分布的统计图。灰度图像的直方图的性质：(1) 直方图是一幅图像中各像素灰度出现频次的统计结果，它只反映图像中不同灰度值出现的次数，而没反映某一灰度所在的位置。也就是说，它只包含了

对于求一个锐化后的像素点（sharpened_pixel），这个基于拉普拉斯算子的简单算法主要是遍历图像中的像素点，根据领域像素确定其锐化后的值计算公式：sharpened_pixel = 5 * current – left – right – up – down ;见下图：当一个运算是通过领域像素进行的时候，我们通常用一个矩阵来表示这种运算关系，也就是我们经常所说的 核 (Ke

运动检测的一般方法　　目前，运动物体检测的问题主要分为两类，摄像机固定和摄像机运动。对于摄像机运动的运动物体检测问题，比较著名的解决方案是光流法，通过求解偏微分方程求的图像序列的光流场，从而预测摄像机的运动状态。对于摄像机固定的情形，当然也可以用光流法，但是由于光流法的复杂性，往往难以实时的计算，所以我采用高斯背景模型。因为，在摄像机固定的情况下，背景的变化是缓慢的，而且大都是光照，风等等的影

OpenCV提供FeatureDetector实现特征检测及匹配[cpp] view plaincopyclass CV_EXPORTS FeatureDetector  {  public:      virtual ~FeatureDetector();      void detect( const Mat& image

原文地址：http://blog.youkuaiyun.com/abcjennifer/article/details/7401921本code通过直方图变换增强了图像对比度，实现了单通道图像增强。将图像灰度阈值拉伸到0-255，图像检测结果见底部Keywords: 图像增强 增强对比度 直方图变换[cpp] view plaincopyprint?int ImageS

以前总是不知道为什么，从摄像头录入的视频帧，显示在窗口上很正常，但是用来进行数据计算时总要先垂直翻转一下。为此，在涉及图像中坐标的计算中，出过不少错。        现在终于明白了，OpenCV中的图像结构有个很重要的成员origin,它指明了图像的原点位置，可以有两种取值：IPL_ORIGIN_TL和IPL_ORIGIN_BL，其中TL意思是：TopLeft，即左上；BL意思是：Bottom

主要分为以下几个步骤：(1) 读入两张图片并分别提取SIFT特征(2) 利用k-d tree和BBF算法进行特征匹配查找(3) 利用RANSAC算法筛选匹配点并计算变换矩阵(3) 图像融合SIFT算法以及RANSAC算法都是利用的RobHess的SIFT源码，前三个步骤RobHess的源码中都有自带的示例。(1) SIFT特征提取直接调用RobHess源

Mat类表示的图像进行ROI操作有两种方法(1)使用拷贝构造函数Mat(constMat& m, const Rect& roi )，矩形roi指定了兴趣区例如：Mat src = imread(“xx.jpg”);Mat srcROI( src, Rect(0,0,src.cols/2,src.rows/2));srcROI的数据与源图像src共享存储区，所以此后在srcROI

OpenCV中一些相关结构说明：特征点类： class KeyPoint { Point2f pt; //坐标 float size; //特征点邻域直径 float angle; //特征点的方向，值为[0,360)，负值表示不使用 flo

#include#include#includeusing namespace std;using namespace cv;int main(){ Mat src = imread("pic3.png"); Mat dst_warp,dst_warpRotateScale; Point2f srcPoints[3];//原图中的三点 Point2f

OpenCV imshow()之后没有waitKey()无法显示图像