晴堂嬴上

一，说明及环境       代码是完全参考opencv中自带的源代码，将其中很多不必要的代码已经删除。环境是opencv2413，vs2013，win10。       目录结构如图所示：                                                                                         其中的xml文件在

最近做项目需要摄像机标定和图像转换，OpenCV可以较好的实现这个功能。我的这个例子可以生成两个摄像头的3x3转换矩阵。但是因为摄像头本身存在成像畸变，尤其是全景摄像机，可能会有更加严重的成像畸变，所有如果试图通过计算两幅完整图像而得到转换单一矩阵，这个矩阵并不能准确的反应出两幅图像像素之间的对应关系，尤其是靠近边缘区域的像素尤其如此。一个好的建议是将两幅图像分为若干个大小相等也可以不

Sift和Surf算法实现两幅图像拼接的过程是一样的，主要分为4大部分：1. 特征点提取和描述2. 特征点配对，找到两幅图像中匹配点的位置3. 通过配对点，生成变换矩阵，并对图像1应用变换矩阵生成对图像2的映射图像4. 图像2拼接到映射图像上，完成拼接代码如下：#include "highgui/highgui.hpp" #include "opencv2/no

主要步骤：准备车牌单个字符图像作为神经网络分类器的训练数据，越多越好。当然需要对每幅图像提取特征，这里使用的是水平和垂直累计直方图和缩小后的图像信息。获取车牌图像，这里的车牌图像已经完成抠图，并且是灰度图像。将车牌图像中每个字符分割成单一图像（OCR类实现）。提取分割出的字符图像特征信息，并使用分类识别字符（OCR类实现）。 程序运行过程：               

一，说明及环境网上有关FDDB人脸检测库的使用以及ROC文件生成的文章太少，并且都无法检测opencv中自带的人脸检测算法。最近工作的原因，需要用到FDDB库检测我们自己的人脸检测算法性能。所以认真研究了FDDB库的使用，并生成了ROC文件。所有代码在Win10，VS2013，opencv2411下亲测可用。二，过程及代码1，下载FDDB图片库，注解文件以及生成ROC文件的源代

简单的说，这种算法假设一副图像由前景色和背景色组成，通过统计学的方法来选取一个阈值，使得这个阈值可以将前景色和背景色尽可能的分开。或者更准确的说是在某种判据下最优。与数理统计领域的 fisher 线性判别算法其实是等价的。otsu算法中这个判据就是最大类间方差 (intra-class variance or the variance within the class)。下面就来详细说说什

所谓细化就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。骨架，可以理解为物体的中轴，例如一个长方形的骨架是它的长方向上的中轴线；正方形的骨架是它的中心点；圆的骨架是它的圆心，直线的骨架是它自身，孤立点的骨架也是自身。得到了骨架，就相当于突出物体的主要结构和形状信息，去除了多余信息，根据这些信息可以实现图像上特征点的检测，如端点，交叉点和拐点。下面先介绍经

OpenCV中实现神经网络分类非常简单，使用CvANN_MLP定义分类器，CvANN_MLP_TrainParams设置训练参数，添加训练数据，使用train和predict进行训练和预测。        CvANN_MLP_TrainParams各训练参数说明：        term_crit:训练算法的终止标准，确定算法的最大迭代次数（对序列反向传播算法，该值乘以训练集大小）和两次迭

SVM原理：        通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。假设给定一些分属于两类的2维点，这些点可以通过直线分割， 我们要找到一条最优的分割线，如下图所示：