模板匹配

应用背景基础轮廓查找——findContours+drawContours；开发测试所用IDE版本：Visual Studio 2012。-Program description: Based on 2.4.4 Function: base profile Find findContours+drawContours development and testing of the operating system: Windows 7 64bit IDE version used for development testing: Visual Studio 2010关键技术opencv2.4+vs2012对图像中的轮廓进行提取，查找

openmv下HAARD cascade二进制文件制作脚本。可以用来将训练的结果.xml文件转换为二进制文件。需要注意的是脚本需要在python2.7环境下使用，如果在python3下，可能因为numpy的版本过高而产生异常。压缩包中有一个cars.xml，以及转换为二进制后的文件cars.cascade.

OpenCV中的Gabor小波程序，包括.c和.h文件，对图像进行多方向、多尺度滤波。把以上文件添加到工程中，调用cvGabor()函数，实现滤波，函数内参数有说明，具体看源文件内部。

在这个程序中，通过离散小波分析和输入图像来得到一个基于高频子带图像插值的图像分辨率增强技术。边缘的增强的基于平稳小波变换 （SWT） 引入一个中间阶段。为了将输入的图像分解成不同子带，使用了离散小波变换。然后，对高频子带以及输入的图像进行插值。估算的高频子代通过平稳小波分析得到的高频子代修正。然后，所有这些子相结合，通过使用逆离散小波变换 （IDWT） 生成一个新的高分辨率图像。定量和视觉结果显示了该方法的优势超过常规和先进的图像分辨率增强技术.

利用主动轮廓线算法和TV模型进行图像处理！ 对应于文献：Fast Global Minimization of the Active Contour/Snake Model

在许多应用程序如地学研究、 天文、 地理信息系统使用卫星图像。在图像中最重要的质量因素来自于其决议。卫星图像增强技术利用离散小波变换和奇异值分解。这一技术将输入的图像分解为四个频率子波段，利用离散小波变换和也估计奇异值矩阵的低-低子带图像和均衡通过逆离散小波变换增强的图像。图像分割技术应用于图像增强过程后该模型采用多区域分辨率和马尔可夫随机场技术提高分割精度，提高图像的质量和它降低噪声的卫星图像。

算法采用camshift跟踪，实现了实时的多车辆尾随检测跟踪算法，对一定环境下的车辆目标能达到不错的效果

一维条形码识别系统基于VC6.0，对输入的条形码图像进行预处理，进一步识别，是目前基于条形码进行货物扫描识别的关键。内含识别图片。

2001年，Adaboost算法首次应用到了人脸检测应用上，并得到了很好的效果，在人脸检测方面取得了巨大的成就：1）首次采用Haar特征来对人脸图像的灰度分布情况进行描述，由于Harr特征的简单有效性，提高了检测速度；2）挑选出一些具有样本能力的Haar特征的组合来构成强分类器；3）采用由粗到精的思路来构造级联人脸检测器，先用强分类器把图片中大多数的背景和无关区域滤除，再增强分类器的复杂度，继续滤掉剩余的无关区域，最后剩下的就是人脸区域，该种方法达到了提高了人脸检测速度的目的。本资源位Adaboost人脸检测的具体实现。

应用背景本项目是针对目标跟踪，并进行目标跟踪；关键技术我用粒子追踪这个项目。