matlab自然图像抠图

资源描述ＶＢ　通过VFM调用USB摄像头，可实现画面显示，录制视频，调节摄像头参数等功能

针对camshift跟踪容易丢失目标问题，加入了kalman滤波来预测下一个可能存在的位置，跟踪丢失的几率降低。cam-shift算法的原型是mean-shift算法，后者的核心是沿某种函数的梯度方向迭代，之后根据迭代次数和误差阈值收敛于某一个范围，这个范围就是“要找”的区域。 这个函数是目标区域色彩直方图在当前关键帧的投影得到的图像，可以把这个图像理解成一种空间函数分布——色彩地形图。 cam-shift算法是对mean-shift算法的升级，可以进行窗口可变的迭代……cam-shift是一种基于密度函数迭代的跟踪算法，对运动不敏感，所以不能进行两帧之间目标的关联分析（这一部分要我们自己做）。而这个算法之所以能够用来跟踪，我认识是算法的前提假设，相连帧间目标的运动是微小的，即运动是近似连续的，这样密度函数是连续的，就可以沿梯度方向寻找局部最优值，这是这个局部最值就是目标区域。 cam-shift算法很容易跟丢，这是因为密度函数可能有多个峰，而梯度搜索很容易掉进局部最优值，而不能再到全局最优。多峰值的出现是因为背景的干扰。所以密度函数的选取，即目标特征的表示方式，是一个很重要的部分。

基于sift的图像复制粘贴篡改检测算法，该算法首先提取出sift特征，用的是网上提供的提取sift的混合编程方法，然后将sift特征进行匹配并聚类，再用RANSAC算法剔除误匹配对，最后用线段将原始块和复制粘贴块中的匹配点连接起来。此算法能抵抗各种后处理操作，如旋转、尺度缩放、添加噪声等以及它们的几种组合。

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。

手势识别程序，动态的从射像头获取图像就动态的提取图像中的手势，扣出手势，经过一些图像处理，显示出手势是什么手势

论文源码中调用的第三方库都被编译成了静态库，vs2008可以直接运行 显示图片用了opencv2.3.1.

采用肤色分割的人脸检测具有计算简单、检测率高的特点，并且对于人脸有旋转和倾斜的人脸图像也有较好的检测效果。但在检测时会把一些类似于人脸肤色的人体其他部位和类似于肤色的背景误检为人脸，具有较高的误检率。而且基于肤色分割的人脸检测对于光照条件等外部环境要求比较高，外部环境会直接影响其检测的效果。采用Adaboost算法的人脸检测有很好的检测效果，但该方法计算十分复杂，检测速度比较慢，对于有旋转和倾斜的人脸图像的检测率不高，而且当背景环境很复杂的时候该算法的误检率很高。因此，本代码是结合两者的优点的人脸检测

实现了基于opencv 的手写数字字符识别主要参照文章： http://blog.damiles.com/2008/11/basic-ocr-in-opencv/ 基本上就是按着人家的代码来配置的，完后小改动了几个参数，写了一个文档，方便大家学习吧。

代码是c++，调用opencv的库函数，基于opencv的分类器，调用训练好的xml文件，用于摄像头人脸识别，先获取视频的每一帧，然后扫描整个图片，确定人脸位置

基于LBP-TOP算法的人脸表情识别，SMIC数据库，芬兰大学实验室的的代码，这是表情识别的主代码，包括两个mat的二进制文件，是比较好的一个算法实现