-
基于opencv的sift运动目标跟踪
应用背景
SIFT算法是D.G.Lowe[40]于1999年提出的，SIFT算法可分为两个部分：第一部分是生成SIFT特征，即SIFT特征向量提取过程；第二部分是通过对提取的SIFT特征进行匹配。 特征点描述子生成：计算每个4x4小块上8个方向的梯度方向直方图，并为每个梯度方向做一个累加值，得到一个种子点，如图3.5右图所示。图中每个特征点是由2x2个种子点构成，则每个种子点都具有8个方向的向量信息。为增强SIFT特征匹配的稳定性，每个特征点都通过4x4个种子点来加以描述，这就使得每个特征点都能够生成128个数据，进而形成4x4x8=128维的SIFT特征向量，其中4x4表示16个种子区域，8表示区域的8个方向。
关键技术（1）SIFT算法是一种基于图像局部特征提取的方法，SIFT特征具有尺度缩放不变性、旋转不变性，对视角变化、光照变化、物体运动、噪声也具有良好的稳定性。
（2）高速性，优化的SIFT算法可满足实时性需求。 （3）多量性，SIFT算法可以提取大量的特征点。 （4）可扩展性，SIFT算法可与其他算法相结合。 （5）独特性好、信息量丰富，匹配快速、准确。
经过第一阶段SIFT特征向量生成，第二阶段就是对提取的特征向量进行匹配。其特征点匹配步骤为：假设两幅待匹配的图像分别为S、T，分别从两幅图中提取SIFT特征点。
- 2023-06-24 03:30:06下载
- 积分：1
-
常用的曝光融合图像序列
用于曝光融合的常用图像序列，从欠曝光到上曝光；
- 2022-03-25 05:10:30下载
- 积分：1
-
opencv1.0--Boosting(包含boosting和RF和MLP算法)
应用背景boosting算法训练了T个弱分类器ht,t∈{1,....,T}.这些弱分类器很简单.大多说情况下,它们只是包含一次分裂(称为决策stumps)或仅有几次分裂(可能到3次)的决策树.最后做决定的时候将复制权重αt给每个分类器.AdaBoost训练时输入的特征向量是xi,向量的类别标签是yi(这儿i=1,...,M,M是样本总数),且yi∈{1,-1}.关键技术1.在Release下进行调试
2.指定文件保存路径，如：char* filename_to_save = "F: estdataoutput.xml";
3.选用训练的方法，如method = 1;
4.这步需要使用模型的时候再指定，训练的时候设置为char* filename_to_load = 0;使用模型的时候指定，如char* filename_to_load = "F: estdataoutput.xml";
- 2023-06-29 12:10:04下载
- 积分：1
-
opencv2.4.9 and VS2010 视频抓取图像帧的源程序
VS2010解决方案按OpenCV相关配置1.读入视频文件 将视频加载至内存，文件名需按正确路径添加2.逐帧读取文件 将视频逐帧读取，并每帧读取成图片保存3.帧图像保存 帧图像名包括图像名和序号
- 2022-05-17 05:27:16下载
- 积分：1
-
基于块匹配的运动估计算法
用块匹配法进行运动估计的matlab实现方法，返回运动矩阵
- 2022-02-03 17:11:23下载
- 积分：1
-
基于matlab的图像处理
基本的处理，包含图像增强，平滑，二值化，阈值分割，边缘提取等，可供参考。
- 2023-06-10 01:25:03下载
- 积分：1
-
基于人眼的人脸旋转裁剪
根据给定的人脸的位置，输入人脸的位置，对人脸进行旋转，使得人眼视水平，并处理使人眼之间的距离是100个像素。
最后对整个图片进行裁剪，得到340*340 照片作为最后的结果。
- 2022-03-20 11:29:47下载
- 积分：1
-
三维测量相移法三角波解相
应用背景三维测量中一个重要的分支就是利用投射光栅条纹进行测量，其中一般采用投影仪投射条纹图像，我使用的是三角波模拟生成的条纹图像代替正弦波，其目的主要是加快测量速度，高速测量就能实现动态物体也能运用如相移法等高精度的测量算法。关键技术高速的条纹图像的投射，对调制图像准确的解相，去除噪声背景等的干扰，解相算法上的选择，算法整体速度的优化等，这些问题都有待解决。
- 2023-01-28 19:45:10下载
- 积分：1
-
基于OpenCV摄像机标定
基于OpenCV的OpenCV的摄像机标定问题的研究，文章比较详细透彻地分析了摄像机的标定的一些理论知识的介绍。对于初学者将是一个比较的文件。
- 2022-08-03 03:20:42下载
- 积分：1
-
基于sift特征点的词包模型
1.根据训练文件夹中的图像训练单词表。在每一张图像中提取sift点，将从所有图像中得到的128维sift点进行聚类，类别数就是单词数，聚类中心就是单词，将得到的单词表保存下来。
2.对于每一张新的图像，先提取图像中的sift点，按照之前训练好的单词表将每个sift点对应成某个单词，统计在这幅图像中每种单词的数量，就是词包模型。
注意：生成的文件每行代表一幅图像，将文件复制出来后修改后缀成.doc可以用word打开。
首先运行centr3得到单词表，在运行bagofword生成单词包。
- 2023-09-04 04:55:03下载
- 积分：1
