Space-Time Resolution

从摄像头获取一帧帧图像，经过一些初步处理，包括图像的二值化，灰度化，形态学滤波，图像腐蚀，图像膨胀等方法完成对获得图像的初步处理，然后利用opencv库中的霍夫圆识别算法，识别灰度图像中的圆并实时显示在摄像头画面中。运行环境：win7，vs2010，opencv2.4.3

利用形态学处理对道路进行分割提取，包括中值滤波3x3,5x5,7x7等不同模版下的道路提取，可以有效的提取出道路的骨外扩，后面有详细的备注说明。                                                                                                                                  

图像平滑处理，主要是平滑算法，对于初学opencv实现的人来说是个很不错的例子。

利用 opencv 和 haar 分类器的人脸检测。 这是一种代码包含 opencv 的训练，利用 haar 分类器分类器比检测的面孔中不同的图片，可以做为一部电影的不同帧。

开幕式和闭幕式是形态学图像处理，可以用来填补在对象上的小洞和移除小不良对象的复合经营。我曾经申请关闭图像删除一些小孔，并保持较大的。为此，我已经用盘形大小大于小孔但小于大孔的结构元素。第一项产出： 另一幅图像，我已数的近似数圈，但圈子首先分割出来行。我已经用开放盘形结构元素删除的行。我有试着构建元素大小 9，11，13 等来找到一个最佳规模。一旦删除了行，我已经用抄送标签来计算圈数。第二个输出:

插值法图像超分辨率重建，matlab代码，可以交流学习一下。第一次做，希望大家可以交流。

不确定性下多传感器数据融合的dempster-shafer matlab工具箱

应用背景人脸检测算法的可靠性很大程度上依赖于分类器的设计，在2001年，Viola和Jones两位大牛发表了经典的《Rapid Object Detection using a Boosted Cascade of Simple Features》和《Robust Real-Time Face Detection》，在AdaBoost算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测，他俩不是最早使用提出小波特征的，但是他们设计了针对人脸检测更有效的特征，并对AdaBoost训练出的强分类器进行级联。关键技术 人脸检测从整体来看分为四个部分： 1、Face detection 人脸识别，即识别出这是人的脸，而不管他是谁的。 2、Face preprocessing 面部预处理，即提取出脸部图像。 3、Collect and learn faces 脸部的特征采集和学习 4、Face recognition 脸部识别，找出最相近的相近脸部图像。

C++写的读取并打开显示bmp图像文件，界面操作简单，功能可扩展性强，这是一个基于MFC对话框的程序，程序简单易懂，适合初学者熟悉MFC的基本知识编程...

资源描述使用vs+C++，opencv2.4.9在windows平台上的运动目标检测追踪代码