ikerpeng

opencv快速学习

1. Mat 初始化为0Mat img；img=Mat::zeros(int rows, int cols, int type);2.Mat 数据结构组合：个人观察：例如：Mat R = Mat( 3, 2, CV_8UC3 )这表示的是 有三个通道，每一个通道上面都是一个3×2的矩阵；因此猜测：RGB图像的Mat应该是 Mat(1,1,CV_8UC3)的.

opencv 特征点的提取和匹配

PC机上的行人检测的C++项目移植到Android平台遇到很多的问题，因此，记录一些重点。

opencv中图像的x,y 坐标以及 height, width,rows,cols 他们的关系经常混淆。rows 其实就是行，一行一行也就是y 啦。height高度也就是y啦。cols  也就是列，一列一列也就是x啦。width宽度也就是x啦。   备忘一下。

结论是： Mat.at(i,j)的方法是很慢的，最好不要用这种方法来。而涉及到指针的方法效果往往比较好！（ O(∩_∩)O哈哈~这个不是作者说的哈，我说的）在《OpenCV 2 Computer Vision Application Programming Cookbook》看到的例子，非常不错，算是对之前的文章的回顾和补充。Color Reduce还是使用经典的R

代码关键点记录：成功不远了！O(∩_∩)O 哈哈~1. Input : load_video_info.m 读入视频文件groundtruth_rect.txt（里面是4个一组的点，x,y, width ,height ?），得到有用的参数：target_sz = [ground_truth(1,4), ground_truth(1,3)];  得到的是目标的尺寸（这里好像

我是做Tracking 的，对于速度要求很高。发现傅里叶变换可以使用。于是学习之！核心： 最根本的一点就是将时域内的信号转移到频域里面。这样时域里的卷积可以转换为频域内的乘积！      在分析图像信号的频率特性时，对于一幅图像，直流分量表示预想的平均灰度，低频分量代表了大面积背景区域和缓慢变化部分，高频部分代表了它的边缘，细节，跳跃部分以及颗粒噪声.  因此，我们可以做相应的锐化和模糊的

原理是很简单的, 在OpenCV实现的是R-HOG, 即对图像img->窗口window->块block->细胞单元cell进行向量统计首先看描述器的构造函数, 我用        HOGDescriptor *desc=new HOGDescriptor(cvSize(40,80),cvSize(10,20),cvSize(5,10),cvSize(5,5),9);进行测

opencv 截取！

BING 算法最终是帮忙找到图像当中的候选的物体区域， Box表示为：Get potential bounding boxes, each of which isrepresented by a Vec4i for (minX, minY, maxX, maxY).将图像归一化到一个相同的尺度（例如：8*8）上，一般对象的封闭轮廓和梯度范数之间具有强联系。能够在识别一个对象之前察觉它，非常接近自底