wei_god的专栏

帧差法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且二值化来提取图像中的运动区域。#include <opencv2/opencv.hpp>using namespace std;using namespace cv;//计算二值化图中白色像素点个数double bSums(Mat src){ int counter = 0; //迭代器访问像素点

caffe进行目标检测，训练和识别时需要保持数据格式一致才可以保证识别时候的正确率，所以这里把caffe中使用的图片格式列出来：1、灰度图： 灰度值[0-255]1、三通图： BGR格式，若输入图片不是这个格式则需要转化过来。

YUV格式具有亮度信息和色彩信息分离的特点，但大多数图像处理操作都是基于RGB格式。 因此当要对图像进行后期处理显示时，需要把YUV格式转换成RGB格式。 RGB与YUV的变换公式如下： YUV(256 级别) 可以从8位 RGB 直接计算：Y = 0.299 R + 0.587 G + 0.114 BU = - 0.1687 R - 0.3313 G + 0.5 B + 128V = 0

1.序 目前“以图搜图”的引擎越来越多，可参考博文： http://blog.youkuaiyun.com/forthcriminson/article/details/8698175 此篇博文中列出了很多“以图搜图”的引擎，之前很好奇他们是如何进行检索的，偶然间看到了一篇博客，上面说Google和Tineye主要利用的算法是感知哈希算法（Perceptua

大家都用google或baidu的识图功能，上面就是我搜索一幅图片的结果，该引擎实现相似图片搜素的关键技术叫做“感知哈希算法”（Perceptual hash algorithm），它的作用是对每张图片生成一个“指纹”（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。达到图片比较目的且利用信息指纹比较有三种算法，这些算法都很易懂，下面分别介绍一下：1、基于低频的

LBP（Local Binary Patterns，局部二值模式）是一种能够有效地度量和提取图像局部纹理信息的算子，具有旋转不变性和灰度不变性等显著的优点。它是人脸识别中一种提取特征的重要方法，具有对光照不敏感的特性，但是对姿态和表情的鲁棒性不强。 1、背景及理论基础 人脸识别是指将一个需要识别的人脸和人脸库中的某个人脸对应起来（类似于指纹识别），目的是完成识别功能，该术语需要和人脸检测进行区分

概念： 非极大值抑制算法（Non-maximum suppression, NMS）的本质是搜索局部极大值，抑制非极大值元素。非极大值抑制（NMS）主要在图像处理中的应用主要是是为了更精确的定位某种特征。举一个简单的例子：用梯度变化表征边缘时，梯度变化较大的区域通常比较宽，所以利用x和y方向的梯度确定一个法向arctan(y/x)，然后在法向上判断当前梯度测量是否是一个峰值（或局部极大值），如果是

安装gsl 科学计算库 亲测可用

相信很多来到这里的人和我一样，都是想找一种比较好的目标跟踪算法，或者想对目标跟踪这个领域有个比较深入的了解，经典目标跟踪算法，可能我们并不需要那些曾经辉煌但已被拍在沙滩上的tracker，而是那些即将成为经典的，或者就目前来说最好用、速度和性能都看的过去tracker。我比较关注的是目标跟踪中的相关滤波方向，这里尽可能全面的谈谈相关滤波，给大家分享一些我认为比较好的算法，顺便谈谈我的看法，有可能会写

原理 : 高斯模型就是用高斯概率密度函数（ 正态分布 曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。对图像背景建立高斯模型的原理及过程：图像灰度 直方图 反映的是图像中某个 灰度值 出现的频次，也可以认为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相比比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状

OpenCV中几种不同深度的数据格式，其特性统计如下： 图像类型 数据类型 字节 取值范围 显示范围 IPL_DEPTH_8U unsigned char 1 0~255 0~255 IPL_DEPTH_8S char 1 -128~127 -128~128 IPL_DEPTH_16U unsigned short 2 0~6