面对识别 + 主成分分析 （PCA）

应用背景输入图像和对应的矩阵可以使自己的图像处理工具：模糊，边缘检测关键技术该关键技术是你计算它的基础上的过滤器矩阵；

具有选择性局部或全局分割的活动轮廓：一种新的变分方法和水平集方法。作者：张开华、张磊、宋慧慧和周文刚

资源描述本代码是大逼哥Vibe算法的c++实现，vibe算法基于背景差法原理提出的算法，用于视频序列中的运动目标检测，针对出现的鬼影现象，提出了结合大津算法进行改进，能够快速消除鬼影，本代码的运行环境opencv2.4.4+vs2010.运行效果很好。

该算法在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。

用C++完成了对图像的一系列处理，包括二值化变换，均值滤波，傅里叶变换，灰度均衡，逆滤波处理等等一系列图像的操作。

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。

Opencv的基本数据结构包括点、矩形框数据类型、矩阵、不确定数组、图像头等。程序对这些数据结构进行操作，使大家对opencv的数据结构有更充分的认识和理解，包括对点、矩形框、矩阵、图像的翻转、信道的分隔与融合等。

利用opencv和VC环境  对图像进行各种处理  包括预处理和分割等，编写一个MFC程序框架

资源描述code implementation for  “Efficient Graph-Based Image Segmentation,” P. Felzenszwalb and D. Huttenlocher,Int’l J. Computer Vision, vol. 59, no. 2, pp. 167-181, Sept. 2004.  It is a well-known algorithm which has been checked and used in many applications. I got this code from internet, and thanks for share. 

基于mfc的数字验证码识别程序，读取灰度图像，去噪，二值化，归一化，bp，