opencv246 人脸识别

vc++数字图像模式识别算法技术详解，对想学图像识别的人是非常有帮助的。

资源描述神经网络过程，主要使用的是BP神经网络模型实现图像压缩！！！其中包括图像压缩和图像重建过程。对学习图像压缩的盆友有帮助

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。

    William T. Freeman大神经典的马尔科夫随机场超分辨影像重建全部代码，数据集，论文和大神页面。非常适合超分辨率初学者和相关研究的人员。很多代码下载了之后无法运行或者缺少文件，但是这个可直接运行，无需太多的调试。This is an implementation of the example-based super-resolution algorithm of [1]. Although the applications of MSFs have now extended beyond example-based super resolution and texture synthesis, it is still of great value to revisit this problem, especially to share the source code and examplar images with the research community. We hope that this software package can help to understand Markov random fields for low-level vision, and to create benchmark for super-resolution algorithms.When you refer to this code in your paper, please cite the following book chapter:W. T Freeman and C. Liu. Markov Random Fields for Super-resolution and Texture Synthesis. In A. Blake, P. Kohli, and C. Rother, eds., Advances in Markov Random Fields for Vision and Image Processing, Chapter 10. MIT Press, 2011. To appear.

H264流直接封装到mp4文件， 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

ScienceSlides是非常方便快捷小巧的ppt插图软件，里边包含了大量的专业素材，比如神经元，细胞，人体结构，DNA等等，而且都是彩色的，具有很好的视觉效果。

此程序能够实行图形的旋转和平移，在VS2008上能正确的运行，却能够实现任意角度的旋转，任意距离的平移

对当今静态手势识别技术中的各种方法进行了详细的分析，并在此基础上，设计并实现了一套可以进行实时识别的静态手势识别系统。本系统共分为四个模块：手势图像捕捉、图像预处理、特征提取以及手势的分类识别。系统在运行的过程中首先由 USB 摄像头捕获手势图像，再经过图像预处理得到手势的二值图像以及轮廓图像，针对这两幅图像对手势进行特征提取，最后采用基于欧氏距离的模板匹配法进行识别。在系统的图像预处理以及特征提取两个模块中，加入了 OpenCV（微软开源视觉库）函数库，在运行的效率以及速度上都达到了良好的效果。在实际的系统测试中对本文定义的十个手势建立了模板库，并且在固定手势采集距离以及非固定手势采集距离两种情况下对 681 个测试样本进行了识别，平均识别率为 92.80%，达到了很好的识别效果。同时，符合高识别率以及实时处理的设计准则。

在图像处理方面的实际应用中，为了完成实际的需要，可能整个图像处理过程仅仅对一些图像目标较为关注，整个流程都是围绕着这些图像目标所进行的。按照实际需要，一副图像可以分为两部分：前景（对应于实际中要使用的图像目标）和背景（图像中非目标的其它区域）。在作物病害诊断系统中，对图像进行分割后，为了完成最后的识别过程，需要对分割后的目标图像区域的特征（颜色、形状等）进行提取和分析，因此，图像分割在整个诊断过程中是十分重要的。

它包括stip-velocityfeatures.zip文件高新区（tempororal时空兴趣点）光流是包括