其他

自行設定了字型ZeroMemory(&m_logFont,sizeof(m_logFont));     lstrcpy(m_logFont.lfFaceName,_T("黑體"));     m_logFont.lfHeight = - abs( CUIManager::GetValue(_T("HideItem"),_T("FontSize"), 25) );     m_logFont.lfWeight = FW_BLACK;    

Map是STL的一個關聯容器，它提供一對一（其中第一個可以稱為關鍵字，每個關鍵字只能在map中出現一次，第二個可能稱為該關鍵字的值）的資料處理能力，由於這個特性，它完成有可能在我們處理一對一資料的時候，在編程上提供快速通道。這裡說下map內部資料的組織，map內部自建一顆紅/黑樹狀結構(一種非嚴格意義上的平衡二叉樹)，這顆樹具有對資料自動排序的功能，所以在map內部所有的資料都是有序的，後邊我們會見識到有序的好處。下面舉例說明什麼是一對一的資料對應。比如一個班級中，每個學生的學號跟他的姓名就存在

 首先可以直接用Visual Studio

          近年來，二維碼技術得到了廣泛的應用，在很多社區和APP中都能見到其身影。二維條碼作為一種技術，具有唯一性標誌的特性。而且二維碼相對於一維碼具有儲存量大、保密性高、追蹤性高、可讀性強、錯誤修正效能強、抗損性強、備援性大、成本低、資訊可隨載體移動等優點，可以對照片、文字、指紋、掌紋、聲音、簽名等資訊進行編碼，廣泛應用於證件、票據防偽以及商品防偽中。         

（1）Fahad Shahbaz Khan1;, Rao Muhammad Anwer2;, Joost van de Weije.Color Attributes for Object Detection,         2012 CVPR.（2）Lisa M. Brown. Color Retrieval for Video Surveillance,  International Conference on Advanced Video and Signal         

轉自：http://blog.csdn.net/carson2005/article/details/8316835申明，本文是筆者在閱讀了幾篇行人檢測綜述性文章之後，翻譯、總結、歸納所得。方便自己瞭解行人檢測的發展趨勢，同時，也給打算從事行人檢測研究的朋友們提供一些思路吧。行人檢測的曆史：早期以靜態影像處理中的分割、邊緣提取、運動檢測等方法為主。例如：（1）以Gavrila為代表的通用範本方法：基於輪廓的分層匹配演算法，構造了將近2500個輪廓模板對行人進行匹配, 從而識別出行人。為瞭解決模板

轉自：http://www.opencv.org.cn/forum/viewtopic.php?f=1&t=9146#p35176/////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

轉自：http://www.opencvchina.com/thread-1658-1-2.html         我們在做項目時，通常需要把依賴於opencv，vs（例如vs2005），或者vc（例如vc6.0）的程式，在沒有安裝相關環境的電腦上去運行。那麼現在有哪些方法可以擺脫這些依賴？       

轉自：http://blog.csdn.net/sangni007/article/details/7544401 這幾天一直為一個問題撓頭，搞得好幾天沒心情，今天想明白了一點趕緊記下來，省的以後忘了。這幾天一直折磨我的問題就是Hog.detectMultiScale()函數。我看到網上的有些HoG的文章從一幅完整映像中檢測出目標對象時，一個很NB的框框，框的還那麼准，比如OpenCV內建的sample:http://blog.csdn.net/sangni007/article/details

著作權聲明：本文由LeftNotEasy發佈於http://leftnoteasy.cnblogs.com, 本文可以被全部的轉載或者部分使用，但請註明出處，如果有問題，請聯絡wheeleast@gmail.com前言：又有很長的一段時間沒有更新部落格了，距離上次更新已經有兩個月的時間了。其中一個很大的原因是，不知道寫什麼好-_-，最近一段時間看了看關於 SVM(Support Vector

紋理分類的第二大類方法是基於texton的方法，具體的方法是先提取特徵點的局部特徵，然後聚類形成texton；之後對於每幅求出統計長條圖作為最後的特徵，之後用knn或者svm分類。開始的時候各位大蝦都在filter bank上面做文章，方法比較接近texton，但是還是有區別的，詳見：A Statistical Approach to Texture Classication from Single Images。比較出名的filter bank有: Leung-Malik (LM) set,

 轉自：http://blog.csdn.net/carson2005/article/details/8861685 如題，該庫名為BGSLibrary，是採用C++編寫的用於 background subtraction (BGS）背景減去相關演算法的開源庫，包含了29種目前常用的背景減去演算法。目前發布在google code上面，其連結為：https://code.google.com/p/bgslibrary/，遵守GNU GPL

static char BASED_CODE szFilter[] = "*.ppt";     CFileDialog FileDlg(TRUE,"PPT",NULL,OFN_FILEMUSTEXIST|OFN_NONETWORKBUTTON                 |OFN_PATHMUSTEXIST,szFilter);     FileDlg.DoModal();     // To get the selected file's path and name    

轉自：http://blog.sina.com.cn/s/blog_534497fd01018xvf.html 問題1：目前提取hog特徵後，要把右側特徵翻轉疊加到左側來learn或者test，這樣做的目的是減少特徵、提高運行速度。但是會不會造成一類誤判，就是左側特徵強，右側空白的情況，誤認為是目標：答：這種情況，不管是否翻轉，都會有誤判。 問題2：Train函數中的形參中，有一個是keepsv，函數說明中指出它=true的話，則在train的迴圈間保持支援向量。但在代碼中，沒有實現這一功能。有

         最近在研究Meanshift跟蹤演算法，遇到一些概念，比如顏色長條圖和反向投影，有些不理解，故百度搜之，並小結，希望能印象深刻。（一）顏色長條圖        顏色特徵是映像檢索中應用最為廣泛的視覺特徵，主要原因在於顏色往往和映像中所包含的物體或情境十分相關。此外，與其他的視覺特徵相比，顏色特徵對映像本身的尺寸、方向、視角的依賴性較小，從而具有較高的魯棒性。        首先，我們需要合適的色彩空間來描述顏色特徵；其次，我們要採用一定的量化方法將顏色特徵表達為向量的形式；最後

轉自： 

註：轉自  http://grunt1223.iteye.com/blog方向梯度長條圖（Histograms of Oriented Gradients，簡稱HOG特徵）結合支援向量機（ support vector machine， 簡稱SVM），被廣泛應用於Image

SURF演算法是SIFT演算法的加速版，opencv的SURF演算法在適中的條件下完成兩幅映像中物體的匹配基本實現了即時處理，其快速的基礎實際上只有一個——積分映像haar求導，對於它們其他方面的不同可以參考本blog的另外一篇關於SIFT的文章。   

轉載：http://blog.csdn.net/onezeros編寫一個函數int IsOnRECT(float x, float y, float r,        float x1, float y1, float x2, float y2)x,y表示一個圓的圓心，r是圓的半徑x1,y1,x2,y2表示一個矩形的一條對角線上的兩個頂點的座標矩形的四邊均與座標軸平行或者垂直要判斷這個圓和這個矩形有沒有重合的部分輸入：按照參數傳遞進行輸入，範例中一行就是一次輸入按順序分別對應x,y,d,x1,