人脸检测

编程语言为c++，编程环境为opencv249和vs2010，光流法和聚类结合的运动目标检测算法值得被推荐，其中金字塔LK和DBSCAN聚类结合的效果很好，但是HS光流法和KMEANS聚类结合耗时非常多。

基于混合高斯模型(GMM)和CamShift算法的多目标检测与跟踪，基于OpenCV实现的，压缩包里包括代码和测试数据，要运行需要自己配置头文件和依赖库的路径。可以用于车辆和行人的检测与跟踪，自动检测运动目标，适合初学者学习研究。

通过形态学滤波操作，能够实现如下功能：消除噪声、分割独立的图像元素、在图像中连接相邻的元素、寻找图像中明显的极大值区域或极小值区域、求出图像的梯度，膨胀求解图像局部最大值

基于opencv3.0， 对照相机拍摄的单张图片进行相机的单目标定，获得相机的内参矩阵 

基于C++和Python利用opencv实现人脸检测和微笑检测

  SURF角点检测算法是对SIFT的一种改进，主要体现在速度上，效率更高。它和SIFT的主要区别是图像多尺度空间的构建方法不同。在计算视觉领域，尺度空间被象征性的表述为一个图像金字塔，向下降采样一般用高斯金字塔。其中，输入图像函数反复与高斯函数的核卷积并反复对其进行二次抽样，这种方法主要用于SIFT算法的实现，但每层图像依赖于原图像（当前尺度可能和原图象尺度相差很大，这时候再那原图像卷积确实有点二了），并且图像需要重设尺寸，因此，这种计算方法运算量较大。SURF算法对积分图像进行操作，卷积只和前一幅图像有关，其降采样的方法是申请增加图像核的尺寸，这也是SIFT算法与SURF算法在使用金字塔原理方面的不同。SURF算法允许尺度空间多层图像同时被处理，不需对图像进行二次抽样，从而提高算法性能。

光流法是用于目标跟踪：对于一个连续的视频帧序列进行处理；针对每一个视频序列，利用一定 目标检测方法，检测可能出现的前景目标；如果某一帧出现了前景目标，找到其具有代表性的关键特征点；对之后的任意两个相邻视频而言，寻找上一帧中出现的关键特征点在当前帧中的最佳位置，从而得到前景目标在当前帧中的位置坐标；如此迭代进行，便可实现目标的跟踪。

基于VC++平台，利用opencv的库函数，对双目摄像机的采集图像进行特征点匹配。 匹配算法为经典的SIFT算法，利用图像尺度金字塔提取特征点，效果稳定。

学习图像处理的入门教程代码，有清晰的注视，详细的代码，值得刚入门学习图像处理OPENCV的同学下载下来学习。里面还有各种机器学习算法的简介，可以学习了解下。

本人做研究生数学建模时候写的代码，关于动态视频，前景识别检测代码，精确度非常高，获得国家二等奖