其他

最近一直在看一個演算法，其中有用到opencv MAt類的rowRange函數，因為對opencv函數還不熟悉，於是測試了一下。測試代碼如下：#include<stdio.h>#include<opencv.hpp>#include<iostream>using namespace cv;using namespace std;int main(){ //初始化一個3*3的矩陣 Mat examples=(Mat_<float>(3,3)<&

本文轉自http://blog.sina.com.cn/s/blog_80e381d101015fza.html1概述 本文顯示二類分類器的表現可以通過未標記資料結構化的處理過程來提升，也就是說，如果知道一個樣本的標記對其他樣本的標記有限制，那麼認為資料是結構化的。本文提出P-N learning 用已標記和未標記的樣本來訓練二類分類器，訓練的過程通過用來限制未標記資料集的“正約束”、“負約束”來指導。每次迭代過程中P-N

  對於一張二值映像而言，假如白色像素地區為目標像素地區，黑色像素為背景，用1表示白色，0表示黑色像素，則映像目標的形心求取公式如下：其中x0，y0是質心座標，f（x，y）是二值化映像在點（x，y）處的像素值根據上面的公式，通過像素的遍曆，利用Opencv可以寫出一個函數，來求形心代碼如下：CvPoint GetCenterPoint(IplImage *src){ int i,j; int x0=0,y0=0,sum=0; CvPoint center; CvScalar

首先將自己下載的工具箱解壓到matlab安裝檔案下的toolbox目錄下面，之後，在matlab菜單調用（File -> Set Path…）。開啟主介面後，相信不用太多解釋了。Add Folder… 或者 Add with subfolders… 就可以了，添加完畢後，如果需要儲存該路徑，則在close前save一下就可以了。 選取所安裝資料夾下面的任意一個test.m檔案，在命令視窗中輸入which

Opencv中擷取矩陣的元素值有多種方法，這裡主要介紹宏定義的方法CV_MAT_ELEM( mat, elemtype, row, col )參數介紹： mat表示一個矩陣，elemtype表示元素類型，row 表示對應的行，col表示對應的列測試代碼：#include<iostream>#include<cv.h>#include<cxcore.h>#include<cxtypes.h>using namespace std;int main()

時間長了，也不知道原作者是誰了，先文章在這裡% mov=aviread('2.avi');%讀取視訊框架,視頻格式為[1*100]Struct% temp=size(mov); %temp=[1 100]% fnum=temp(2);   %fnum=100% % for i=1:fnum,%    strtemp=strcat(int2str(i),'.','JPG');%    imwrite(mov(i).cdata(:,:,:),strtemp);% end 

從 RGB 到 HSL 或 HSV 的轉換設 (r, g, b) 分別是一個顏色的紅、綠和藍座標，它們的值是在 0 到 1 之間的實數。設 max 等價於 r, g 和 b 中的最大者。設min 等於這些值中的最小者。要找到在 HSL 空間中的 (h, s, l) 值，這裡的 h ∈ [0, 360）度是角度的色相角，而s, l ∈ [0,1] 是飽和度和亮度，計算為： （1）Matlab RGB轉換為HSVI = imread('Lena.jpg');HSV = rgb2hsv(I);H =

在vs裡面調用opencv函數時通常需要在工程建好之後添加附加依賴項，否則編譯時間，會出現各種錯誤。vs中，可以設定程式的不同版本release和debug兩種，不同的版本附加依賴項是有很大區別的。在opencv

本文轉自http://blog.163.com/forever_871226/blog/static/34424308201143110442964/#include <cv.h>#include <highgui.h>#include <stdio.h>#pragma comment(lib,"C:\\Program Files\\OpenCV1.0\\lib\\cv.lib")#pragma comment(lib,"C:\\Program Files\\

本文轉自http://blog.csdn.net/weixingstudio/article/details/76319491. 弱分類器在確定了訓練子視窗中的矩形特徵數量和特徵值後，需要對每一個特徵f ，訓練一個弱分類器h(x,f,p,O) 。在CSDN裡編輯公式太困難了，所以這裡和公式有關的都用了。特別說明：在前期準備訓練樣本的時候，需要將樣本歸一化和灰階化到20*20的大小，這樣每個樣本的都是灰階映像並且樣本的大小一致，保證了每一個Haar特徵（描述的是特徵的位置）都在每一個樣本中出現。 

本文轉自http://blog.csdn.net/carson2005/article/details/7647519之前翻譯過一篇PN學習的文章：http://blog.csdn.net/carson2005/article/details/7483027，但該文章的內容還是略顯生澀，不太容易理解。尤其是在TLD跟蹤演算法中，PN學習又是一個很重要的模組。如果不能很好理解該部分，是很難完全掌握TLD演算法精髓的。所以，這裡我在上次翻譯的基礎上，結合TLD演算法中的PN學習的具體應用，再次講述P

      vs中的程式有debug和release兩個版本，Debug通常稱為調試版本，通過一系列編譯選項的配合，編譯的結果通常包含調試資訊，而且不做任何最佳化，以為開發 人員提供強大的應用程式調試能力。而Release通常稱為發布版本，是為使用者使用的，一般客戶不允許在發布版本上進行調試。所以不儲存調試信 息，同時，它往往進行了各種最佳化，以期達到代碼最小和速度最優。為使用者的使用提供便利。      

Jia-Bin Huang童鞋收集，此童鞋畢業於國立交通大學，之前拍過很多CVPR舉辦地科羅拉多州的照片，這裡大多為matlab code,link: https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.html包括：Feature Extraction：SIFT [1] [Demo program][SIFT Library] [VLFeat]PCA-SIFT [2] [Project]Affine-SIFT [3]

/************************************************************************///視頻跟蹤中經常需要確定第一幀中的目標位置，本程式利用滑鼠響應函數實現了在視頻的任意位置畫框，並且可以反覆的重新畫框//代碼主要參考了CT跟蹤的畫框方法#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include

本文轉自http://blog.csdn.net/zwlq1314521/article/details/8142020 本文會介紹tld中隨機森林的建立方法及隨機森林的一些基本概念。    首先需要知道的是在tld中的隨機森林是用於目標檢測分類器，它能夠線上更新和預測，撇開它的p-n學習的外套，我們來看它的本質，他就是一個改進的adaboost。 

            局部二值模式LBP由於其簡單、高效在目標檢測、目標識別、映像檢索等領域得到了廣泛的應用。現如今，LBP的變體不下上十種，如VLBP、SILBP等。要瞭解更多關於LBP的知識可以參考：紋理分類-全域特徵LBP及相關文獻。          下面介紹的三種LBP運算元的區別見：            本文不介紹LBP的理論知識，只是簡單的說說LBP及其變體的實現：            1）最原始的LBP運算元的實現代碼           void lbp(

Opencv中的RNG類主要用來產生隨機數，此類的定義如下：class CV_EXPORTS RNG{public:    enum { UNIFORM=0, NORMAL=1 };    RNG();    RNG(uint64 _state);    //! updates the state and returns the next 32-bit unsigned integer random number    unsigned next();    operator uchar(); 

本文轉自http://blog.csdn.net/yang_xian521/article/details/7358078之前看到的TLD代碼中裡機器學習的部分就是用的這個方法。不過TLD作者在論文中實現使用的是random forest，不過歸到底，random forest和random

openv中對cvWaitkey函數的定義如下：int cvWaitKey( int delay=0

本文轉自http://blog.csdn.net/zwlq1314521/article/details/8140974 之所以從TLD這個演算法開始扒，是因為它夠經典，涉及的範圍夠廣，引用的參考文獻也夠經典，哈哈，原作者已經在籌備開公司了。我剛開始學習就是從它入手，逐漸的擴充，寫下來，給初學的人一點點參考。