Jes's Artistic Code

我说的初始化，还不是算法的初始化工作，而是读入图像，响应键盘鼠标之类的工作。作者提供的代码中的工作包含了从摄像头读取和从文件中读取两种输入方案。这里介绍一下从文件输入的办法。因为OpenCV从视频读取图像序列的办法有很好的demo，我这里就不介绍摄像头的办法了。TLD下载后有一个文件夹是_input，里面存放着一组图片组，图片文件的名字为00001.png、00002.png....。我读取图片组

形态学梯度：将膨胀后的原图像和腐蚀后的原图像做差，可以得到形态学梯度。可以突出高亮区域的外围，因为它是区域的膨胀减去区域的收缩// CorrosionAndExpand.cpp : Defines the entry point for the console application.//#include "Stdafx.h"#include #include void main(

工业镜头的选择过程，是将工业镜头各项参数逐步明确化的过程。作为成像器件，工业镜头通常与光源、相机一起构成一个完整的图像采集系统，因此工业镜头的选择受到整个系统要求的制约。一般地可以按以下几个方面来进行分析考虑。一、波长、变焦与否工业镜头的工作波长和是否需要变焦是比较容易先确定下来的，成像过程中需要改变放大倍率的应用，采用变焦镜头，否则采用定焦镜头就可以了。关于工业镜头的工作

距离变换和线性滤波器，形态学变换处于平等位置，是图像处理的一种方法，通过使用两遍扫描光栅算法可以快速计算到曲线或点集的距离。应用：水平集快速斜切匹配图像拼接图像混合的羽化临近点配准方法：首先对图像进行二值化处理，然后给每个像素赋值为离它最近的背景像素点与其距离（Manhattan距离or欧氏距离），得到dist

上一讲我提到对于算法的初始化工作主要是在tldInit这个函数里实现的。主要分为如下几大步骤，1）初始化Detector。2）初始化Trajectory。3）训练Detector1)初始化Detector其中bb_scan为扫描grid区域，该函数输入为boundingBox，输出为一系列的RectBox，是根据boundingBox的大小参数对待搜素区域选择一系列的box作为备选的跟踪区

镜头是工业视觉系统的一个重要组成部分正确地选择镜头是视觉系统设计的很重要的一环。这里给大家提供镜头选择的一个基本思路。1. 工作波长、变焦与定焦      视觉系统通常使用环境是在可见光范围内，这样的镜头是我们最常用的，也有一些系统比较特殊，使用环境是在紫外或者红外波段，需要选用专门的紫外或者红外镜头。    大多数视觉系统的工作距离和放大倍数是不变的，因此镜头焦距也是固定的，但部分系

1. 下载OpenCV-2.4.4，双击解压到%opencv%（凡是出现%opencv%的地方均替换为你自己opencv的路径全名，如D:\program\opencv）。2. 配置OpenCV环境变量　　计算机->（右键）属性->高级系统设置->高级（标签）->环境变量->（双击）path（用户，系统里面的path任选其一）->在变量值里面添加” %opencv%\build\x

In image processing, computer vision and related fields, an image moment is a certain particular weighted average (moment) of the image pixels' intensities, or a function of such moments, usually

最近要用到一些图形学的东西，自然免不了涉及到仿射变换和透视变换的概念，可惜往昔教科书和网上的解释一大堆，共识琳琅满目仍旧没有把概念清楚，下面引用《学习OpenCV》的一张图，简单明了地解释下：从图中可见：仿射变换：其实就包括了平移，旋转，缩放，事实上将这个概念放在三维空间中更能解释，无非就是加一个Z坐标，只不过其值为零，然后通旋转平移变换矩阵转换到另一个三维地坐标系，而

本文为原创，转载请注明出处：http://blog.youkuaiyun.com/autocyz/article/details/44490009Fast Compressive Tracking（快速压缩跟踪）虽然目前有很多种的跟踪算法，但是由于姿态的变化、光照的变化、障碍物等原因的存在，导致很多算法的鲁棒性不好。目前比较主流的跟踪算法有两种，generative  tracking alg

1. 简介图像平滑是一个重要的操作，而且有多种成熟的算法。这里主要简单介绍一下Bilateral方法（双边滤波），这主要是由于前段时间做了SSAO，需要用bilateral blur 算法进行降噪。Bilateral blur相对于传统的高斯blur来说很重要的一个特性即可可以保持边缘（Edge Perseving），这个特点对于一些图像模糊来说很有用。一般的高斯模糊在进行采样时主要考虑了

最近在网上多次看到有关Zdenek Kalal的TLD的文章，说他做的工作如何的帅，看了一下TLD的视频，感觉确实做的很好，有人夸张的说他这个系统可以和Kniect媲美，我倒是两者的工作可比性不大，实现的方法也不同。但这个哥们做的真的很棒，最可贵的是人家提供了源码可以下载。他相关的工作网上一搜一大片，推荐一个链接http://www.cvchina.net/article-22-1.html，再给

工业镜头其功能就是光学成像。工业镜头是机器视觉系统中的重要组件，对成像质量有着关键性的作用，它对成像质量的几个最主要指标都有影响，包括：分辨率、对比度、景深及各种像差。工业镜头不仅种类繁多，而且质量差异也非常大，但一般用户在进行机器视觉系统设计时往往对工业镜头的重视不够，导致不能得到理想的图像，甚至导致系统开发失败。　　一、工业镜头的分类:　　1、根据有效像场的大小分类：

引言在上一节我们已介绍Moravec检测器，它仅仅在8个方向（水平、垂直和四个对角方向）计算灰度变化，为了对其扩展，有必要设计一个可以在任何方向对灰度变化进行测度的函数。1988年，Harris和Stephen通过对Moravec算子进行展开，推导得到了Plessey算子，也即Harris算子。即Harris比Moravec有所提升，因它考虑了角评分(平方差的和)的差分。基本理论

随着和我交流TLD的朋友越来越多，我渐渐的知道的也多了，才发现我研究的结果只是沧海一粟。这里先膜拜一下Alan Torres大神，他已经用c++把TLD重新写好了，而且代码很规范。他设计的理念有：1. depends *only* on OpenCV (2.3) 2. no Matlab! 3. easy to compile and run (on linux, work in

直接安装opencv库sudo apt-get install libopencv-dev如果需要从源码安装，步骤如下：Install DependenciesEssentialsThese are libraries and tools required by OpenCV.sudo apt-get install build-essential

以下链接是关于计算机视觉（ComputerVision, CV）相关领域的网站链接，其中有CV牛人的主页，CV研究小组的主页，CV领域的paper,代码，CV领域的最新动态，国内的应用情况等等。打算从事这个行业或者刚入门的朋友可以多关注这些网站，多了解一些CV的具体应用。搞研究的朋友也可以从中了解到很多牛人的研究动态、招生情况等。总之，我认为，知识只有分享才能产生更大的价值，真诚希望下面的链接能对

前几节都是根据作者的程序流程一步步介绍作者的工作，感觉只是对代码的一个注释，这次换一个思路，一部分一部分啃，作者的工作主要就是3部分么，tracking，learning，detection。这次先介绍Tracking的工作。对于Tracking，作者主要使用的是他提出的Forward-Backward Error的办法，使用Lucas-Kanade光流法跟踪，对跟踪的结果，用Forward-

TLD算法好牛逼一个，这里有个视频，是作者展示算法的效果，http://www.56.com/u83/v_NTk3Mzc1NTI.html。下面这个csdn博客里有人做的相关总结，感觉挺好的，收藏了！下面有个Compressive Tracking的网址，提供的代码很少，但实时性很好，matlab代码下下来就能用。 以下博文转自：http://blog.youkuaiyun.com/windtal

本系列文章由 @浅墨_毛星云  出品，转载请注明出处。   文章链接：   http://blog.youkuaiyun.com/poem_qianmo/article/details/26157633作者：毛星云（浅墨）     微博： http://weibo.com/u/1723155442http://www.zhihu.com/people/mao-xing-yun邮

The Watershed TransformationPrincipleAny greytone image can be considered as a topographic surface. If we flood this surface from its minima and, if we prevent the merging of the waters co

TLD is a typical Object-tracking architecture where the full name is tracking, learning, detect. The name implies how it work in practice. Without any bullshit, let’s have a look at a demo to see the p