其他

先通過向量來理解矩陣。向量[1, -3, 4]可以解釋成如下的向量的加法任意向量v都可以寫成如下擴充形式進一步寫成：右側的單位就是x, y, z軸，記為nx, ny, nz。我們可以將其寫成：v=x*nx+y*ny+z*nz 如果我們用向量p,g,r重寫nx, ny,

如何使用表格：最前面的代碼為程式中的代號，第二項為樂器的英文名稱，第三項為樂器中文名稱。鋼琴 0 Acoustic Grand Piano  大鋼琴（聲學鋼琴） 1 Bright Acoustic Piano         明亮的鋼琴 2 Electric Grand Piano              電鋼琴 3 Honky-tonk Piano                酒吧鋼琴 4 Rhodes Piano                柔和的電鋼琴 5 Chorused Pian

本文轉自http://www.ricoh.com/about/company/technology/voice/column/020.htmlColumn(No.20) Weak Classifier and Strong ClassifierAnimals, human beings included, behave based on environmental perceptions, which are made quickly and often unconsciously. If

（一）為什麼你應該（從現在開始就）寫部落格用一句話來說就是，寫一個部落格有很多好處，卻沒有任何明顯的壞處。（阿靈頓的情況屬於例外，而非常態，就像不能拿抽煙活到一百歲的英國老太太的個例來反駁抽煙對健康的極大損傷一樣）讓我說得更明確一點：用部落格的形式來記錄下你有價值的思考，會帶來很多好處，卻沒有任何明顯的壞處。Note：碎碎念不算思考、心情瑣記不算思考、嘮嘮叨叨也不算思考、沒話找話也不算思考，請以此類推。下面是我個人認為寫一個長期的價值部落格的最大的幾點好處：1)

本文轉自http://blog.csdn.net/sangni007/article/details/8112486在很多視頻跟蹤或分割中，總是需要初始化第一幀，即在第一幀上畫一個框，或者標註前景與背景啊等等，今天就把初始化第一幀，在第一幀上畫一個框的代碼實現了一下，順便複習一下OpenCV裡面的滑鼠召回事件，在此貼上代碼，與大家分享，也方便以後尋找。[cpp] view plaincopyprint?#include "opencv2/opencv.hpp"

轉載來源：http://blog.csdn.net/u010821455/article/details/8991947——————————————————————————————————————————————  先通過向量來理解矩陣。向量[1, -3, 4]可以解釋成如下的向量的加法 任意向量v都可以寫成如下擴充形式進一步寫成：右側的單位就是x, y, z軸，記為nx, ny, nz。我們可以將其寫成：v=x*nx+y*ny+z*nz 如果我們用向量p,g,r重寫nx, ny,

雖然opencv官方提供的Blob Tracking Tests工程具有一次編譯可以驗證很多演算法的特性，但是初學者往往不知道寫什麼樣的命令來使用這個工程，為了我便於理解這個vs架構，寫了一個很簡單的，可以直接使用的Blob Tracking

因為本身我不是學習音樂的，所以在開始有很多的樂理知識都不懂，例如音符了，分子分母了，節拍了，音色了，等等吧，這些全部不懂，所以呢，參考了大量網上有關樂理的文章及視頻，下面列舉一些http://v.youku.com/v_show/id_XMzM5MjgxOTI=.html?f=2029179  ；這是個視頻系列，主要介紹樂理的基礎知識的。http://baike.baidu.com/view/7969.htm   ；這裡是講解midi介面的命令的定義的。下面正式總結我們需要用到的樂理知識：（1）

Mat類型較CvMat和IplImage有更強的矩陣運算能力，支援常見的矩陣運算（參照Matlab中的各種矩陣運算），所以將IplImage類型和CvMat類型轉換為Mat類型更易於資料處理。Mat類型可用於直接儲存映像資訊，通過函數imread、imwrite、imshow等實現（與Matlab中的函數相似），似乎在某種程度上可以取代IplImage類型。（1）將IplImage類型轉換到Mat類型Mat::Mat(const IplImage* img, bool

本文轉自http://blog.csdn.net/muzi198783/article/details/7392255首先是run_TLD 在其次就是tldExample 最後到了初始化函數tldInit第一個比較關鍵的函數   bb_scan將映像網格化，將圖片首先 SCALE = 1.2.^[-10:10];（21 個規格），在每個規格上打網格 這個函數有一個比較重要的方法ntuples（就是重複） 因為網格上的點很多點有相同的X，或者Y 具體方法大家在matlab中調用一句ntuples(

原創，轉載請指明出處：http://blog.csdn.net/zhuzhudeailnn/article/details/8853585Matlab版的TLD的運行環境配置：安裝環境:matlab2010a,，opencv2.2 ，vs2008(或者只要有VC++的編譯工具就行)安裝過程：1.        安裝matlab和vs（vs的路徑強烈建議就用安裝的預設路徑（即C盤的目錄，不要更改，不然後面matlab在配置編譯工具的時候很容易找不到編譯工具）2.        安裝opencv2.

 TLD即Tracking Learning Detection，Zdenek Kalal在其首頁上給出的代碼http://info.ee.surrey.ac.uk/Personal/Z.Kalal/tld.html我電腦的程式配置：WIN7+VS2010+MATLAB

這裡只限於傳統方法，主要是兩方面：Mean Shift， Particle Filter。Ido Leichter  ： Technion - Israel Institute of Technology -> Microsof@ Israel主要研究內容：粒子濾波， Mean Shift代表論文：[1] I. Leichter. Mean Shift Trackers with Cross-Bin Metrics. IEEE Transactions on Pattern

opencv 中的 cvPutText() 函數是加上文字的意思：cvPutText(CvArr* img, const char* text, CvPoint origin, constCvFont* font, CvScalar color);函數中各個參數的含義如下所示：img---圖片指標(需要說明的是，CvArr*

          在智能視頻分析系統的研究過程中，尤其是對於一些工程應用來說，光照的突然變化是一個很棘手的問題。儘管，不少學者對光照的突然變化進行了大量的研究，而且也提出了相關的光照不變的演算法（illumination invariant），對解決這類問題提供了一定的思路。一般都是通過計算光照不變特徵來實現，文章包括：      1）An Illumination Invariant Change Detection Algorithm.      2）Bayesian

編號 參數意義0 音色庫選擇MSB1 顫音深度（粗調）2 呼吸（吹管）控制器（粗調）3 N/A4 踏板控制器（粗調）5 連滑音速度（粗調）6 高位元組資料輸入（Data Entry MSB）7 主音量（粗調）8 平衡控制（粗調）9 N/A10 聲像調整（粗調）11 情緒控制器（粗調）12-15 N/A16-19 一般控制器20-31 N/A32 插口選擇33 顫音速度（微調）34 呼吸（吹管）控制器（微調）35 N/A36 踏板控制器（微調）37 連滑音速度（微調）38

本文轉自http://blog.csdn.net/muzi198783/article/details/7349640現在，我們來找最適合跟蹤的三個參數，W1，W2，W3。我們首先需要規定參數的範圍（前面說了這是個很笨的方法就在這裡），【-2，-1,0,1,2】思路：首先排除掉線性相關的係數（【W1，W2，W3】=k【W1'，W2'，W3'】）             然後在一個一個的代進去得到最好的結果。實現：思路確實很簡單而且很笨，但是具體過程還是設計到很多的細節處理。           

本文轉自http://blog.csdn.net/weixingstudio/article/details/7631241目前因為做Face Service的一個小項目，用到了AdaBoost的Face

首先是run_TLD 在其次就是tldExample 最後到了初始化函數tldInit第一個比較關鍵的函數   bb_scan將映像網格化，將圖片首先 SCALE = 1.2.^[-10:10];（21 個規格），在每個規格上打網格 這個函數有一個比較重要的方法ntuples（就是重複） 因為網格上的點很多點有相同的X，或者Y 具體方法大家在matlab中調用一句ntuples([1 2],[1

上一篇串連：http://blog.csdn.net/weixingstudio/article/details/7631241 1. 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)