手写体的字符识别

采用误差反向传播算法的神经 networkk 培训。回 propagagtion 算法用于训练神经网络.backwards 的输入的验证

c# 360全景视觉图片浏览,3d效果显示图片浏览，非常酷值得学习和搜藏的好源码

应用背景使用VS+opencv 2.4.9中 进行运动物体跟踪时，现有的程序只是结合Camshift 程序而已，其缺点就是目标遇到遮挡的时候，容易丢失。为了解决这个问题，本人引入kalman知识，对目标运动进行实时预测，当目标遇到遮挡的时候，可以进行预测，这时候能提高鲁棒性。关键技术本文的Camshift + Kalman进行行人跟踪预测代码是基于opencv2.4.9进行编写的，可以直接拿来应用，非常方便。有兴趣的朋友，可以在本算法的基础上进一步进行优化。由于引入kalman知识，对目标运动进行实时预测，当目标遇到遮挡的时候，可以进行预测。

Mean Shift，我们 翻译为“均值飘Mean Shift 这个概念最早是由Fukunaga等人于1975年在一篇关于概率密度梯度函数的估计（The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition ）中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.移”。其在聚类，图像平滑。图像分割和跟踪方面得到了比较广泛的应用。

基于DSP的红外与可见光融合   金字塔算法  该包是在CCS下的用于可见光和红外光的图像融合程序。 融合规则为加权法，任何级数为2   过程为： 滤波->分解->融合->重构

我们建议制定多目标跟踪为最小化连续能量函数。以外的许多近来的方案，我们专注于设计的能量函数，代表该问题尽可能忠实地，而不是一个是适合于优雅的优化。然后，我们去构建一个合适的优化方案，以找到能提出强烈的局部极小。该方案扩展了共轭梯度法具有周期性的反式维跳跃。这些举动允许Search逃脱弱极小和探索可变维搜索空间的一个更大的部分，同时仍然总是减少的能量。为了证明这种方法我们都在合成数据和六个不同的实际视频序列提出了广泛的定量评价的有效性。在这两种情况下，我们实现了一个扩展卡尔曼滤波器的基线，以及国家的最先进的基于ILP的跟踪一个显著的性能提升。

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

半马尔可夫模型，用于人体行为识别。

手势检测从视频序列中检测到手并定位手的区域，该过程对于特征的选择与处理相当关键，肤色及运动信息是经常被采用的两个有效的特征。但是，现实环境中由于光照变化、背景复杂及其它不可预知的干扰，仅一个特征往往不能有效地定位出手，需要多种特征互补，手势检测方法分为基于肤色信息、基于运动信息及多信息结合三类。本实验通过肤色信息检测出人手的位置，并使用红色矩形框框出区域。

索贝尔检测