u013129690的专栏

#include #include  // Define our callback which we will install for// mouse events.//void my_mouse_callback(   int event, int x, int y, int flags, void* param //声明鼠标事件的回调函数；   //event0

最近在做一个多目标跟踪的问题，需要用到openCV中的Camshift算法，Kalman滤波算法和Condensation算法，前两个算法的资料相对较多，在"学习OpenCV"这本书中讲解的也比较明白，但是Condensation算法的资料相对较少，没有一个详细的介绍，最后只在日本的论坛上找到一段使用Condensation的示例代码，总算看明白了，建议需要学习的朋友们先去搞懂Kalman滤波算法

转载地址：http://www.cnblogs.com/tornadomeet/archive/2012/05/04/2483444.html

转载地址：http://www.cnblogs.com/tornadomeet/archive/2012/11/09/2763271.html

Cv照相机定标和三维重建目录 [隐藏]1 针孔相机模型和变形2 照相机定标2.1 ProjectPoints22.2 FindHomography2.3 CalibrateCamera22.4 FindExtrinsicCameraParams22.5 Rodrigues22.6 Undistort22.7 InitUndistortMa

前景检测算法_1(codebook和平均背景法)      前景分割中一个非常重要的研究方向就是背景减图法，因为背景减图的方法简单，原理容易被想到，且在智能视频监控领域中，摄像机很多情况下是固定的，且背景也是基本不变或者是缓慢变换的，在这种场合背景减图法的应用驱使了其不少科研人员去研究它。      但是背景减图获得前景图像的方法缺点也很多：比如说光照因素，遮挡因素，动态周期背景，且背

meanshift算法思想其实很简单：利用概率密度的梯度爬升来寻找局部最优。它要做的就是输入一个在图像的范围，然后一直迭代（朝着重心迭代）直到满足你的要求为止。但是他是怎么用于做图像跟踪的呢？这是我自从学习meanshift以来，一直的困惑。而且网上也没有合理的解释。经过这几天的思考，和对反向投影的理解使得我对它的原理有了大致的认识。    在opencv中，进行meanshift其实很简单，

HOG特征描述首先我们来了解一下HOG特征描述子。HOG特征描述子（HOG descriptors）是由Navneet Dalal和 Bill Triggs在2005年的一篇介绍行人检测方法的论文提到的特征描述子（论文以及演讲可参见参考资料1、2）。其主要思想是计算局部图像梯度的方向信息的统计值，来作为该图像的局部特征值。如上图，归一化图像后，由于颜色数

OpenCV支持大量的轮廓、边缘、边界的相关函数，相应的函数有moments、HuMoments、findContours、drawContours、approxPolyDP、arcLength、boundingRect、contourArea、convexHull、fitEllipse、fitLine、isContourConvex、minAreaRect、minEnclosingCircle、

1、cvLoadImage：将图像文件加载至内存；2、cvNamedWindow：在屏幕上创建一个窗口；3、cvShowImage：在一个已创建好的窗口中显示图像；4、cvWaitKey：使程序暂停，等待用户触发一个按键操作；5、cvReleaseImage：释放图像文件所分配的内存；6、cvDestroyWindow：销毁显示图像文件的窗口；7、cvCreateFileC

原文地址：http://blog.163.com/thomaskjh@126/blog/static/370829982010112810358501/  图像的反向投影图是用输入图像的某一位置上像素值（多维或灰度）对应在直方图的一个bin上的值来代替该像素值，所以得到的反向投影图是单通的。用统计学术语，输出图像象素点的值是观测数组在某个分布（直方图）下的概率。 其中b