行人划线检测

 对于人脸识别，目前所采取的大多为对图像进行分析、解剖，把感性的人脸图像抽象化、模式化。以期最终建立关于人脸的数学模型，从而通过模型，让人脸识别变得十分简单。然而人脸之复杂，随环境、年龄、等的变化更是无法预测。我们的最终目的是制造出和我们一样有人脸识别能力的机器，它们的人脸识别能力不应该超出我们的范围。   人脸本身是一个随机的变量，不同的角度、不同的光线、不同的打扮，都会产生不一样的结果。因而我们认为人脸本身更像一个不确定的概率。所以通过模型的建立来进行识别不是不可以，但会十分复杂，而且所达到的目的并不一定是我们想要的。即使是通过机器学习进行的人脸识别，其自身本质也是通过系数加权等最终得到的结果，所以本质也是单一数学模型的建立、数据的各种复杂处理。   人的大脑是最好的识别工具，因此我们应该从人大脑的识别机制入手，模拟大脑的识别

此源代码告诉如何隐藏进程的文本可以采取数字输入图像的地方使用过程中的数字图像隐写术，所以然后可以适当地隐藏内容。

 利用MATLAB 提供的Image  I/O 函数分别完成以下处理： (a) 以测试图像的中心为圆心，图像的长和宽中较小值的一半为半径画一个红颜色的圆； (b)

图像的处理方法根据自己的需要，有目的地选择各种方法。在确定脸部区域上，通常使用的方法有肤色提取。肤色提取对脸部区域的获取则比较高，达到95%以上，并且提取速度快，可以减少工作量。 由于图像的亮度在不同环境的当中，会受到不同光线的影响，图像就会变暗或变亮，我们就需要要对它的亮度进行调整，方案主要的方法是对图像进行光线补偿。 高斯平滑：高斯平滑就是对整幅图像进行像素 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

在传输的多信道图像，图像已损坏的椒盐噪声，由于通讯故障。盐和胡椒粉噪声也被称为脉冲噪声。滤波的目的是要删除的冲动，使噪声免费的形象完全恢复与最小的信号失真。 最著名和最广泛使用的非线性数字滤波器，基于高阶统计量是中值滤波器。中值滤波器以他们的能力，而不会损坏边缘去除脉冲噪声而著称。中值滤波器以他们的能力，去除脉冲噪声，以及保留边缘著称。 有效清除的冲动往往会导致图像的模糊和扭曲功能。理想情况下，过滤应该只应用于已损坏像素同时保持廉洁的像素不变。无条件地跨整个图像应用中值滤波作为实践在常规方案中会不可避免地改变强度并删除廉洁像素的信号细节。因此，两袖清风的像素和应用非线性滤波前的已损坏的像素之间的歧视噪声检测过程是非常可取。 自适应中值是一"基于决策"或"开关"筛选器，第一次用于标识可能的噪声像素，然后替换它们

什么都不多在这里。我想这段代码和我有错误，所以我搜查的另一个版本，我来这里是

应用背景Delphi 开发的USB摄像头拍照及裁剪图像，包括源码，实列。关键技术简单利用USB摄像头进行拍照裁剪图像功能 

资源描述 该程序实现简单的图片缩放功能，首先load一张图片，然后将其resize成你所需的尺寸大小，同时可以将结果图显示或者保存，整体效果如下：

实现运动模糊方向和运动模糊长度参数估计的方法。其中，方向估计用的是差分法，长度估计用的是频域的暗条纹方法。

K-means cluster 用c++实现的，大家一起学习交流。 Step 1. 从n个数据对象任意选择k个对象作为初始聚类中心； Step 2. 循环Step 3到Step 4直到每个聚类不再发生变化为止； Step 3. 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分； Step 4. 重新计算每个（有变化）聚类的均值（中心对象） k-means算法的工作过程说明如下：首先从n个数据对象任意选择