仿真基站中用户的能效

：kinect实例代码。可以实现获取和现实彩色图像信息、深度图像信息、骨骼识别还有声源位置。-kinect example code. You can access and real-color image, depth image information, bones identify the sound source position.

在linux平台下，使用openni来进行的体感应用开发实战，利用kinect或ASUS xtion pro 传感器来获取彩色图像和深度图像，对获取的深度图像数据进行处理计算来得出物体离kinect或ASUS xtion pro摄像头中心的距离，以及对深度图及RGB图像的采集及显示……

应用离散傅里叶变换的快速算法FFT分析信号的频谱。深刻理解应用FFT分析离散和连续信号的原理，掌握分析过程中出现的现象及解决方法。

资源描述通过相位相关技术，将多行多列光学镜片拼接为全景图像。

采用matlab实现指纹识别 处理的输入是指纹图片,bmp格式的图像-finger recognising in matlab

资源描述利用加权平均融合算法进行灰度或彩色多模态医学图像融合，程序具体很好的通用性，并且提供几种图像融合客观评价指标，还给出3组宝贵的已配准的图像

应用背景vs2010+opencv2.4.8,人脸识别，ORL人脸数据库，里面有两个代码，LBP.cpp利用LBP方法先训练图像得到分类器（xml）然后测试待测样本。LBPload.cpp则直接可以用LBP.CPP生成好的分类器测试待测图片，比LBP.cpp快很多。关键技术用的是LBP算法，也可以换成pca和fish算法，只是LBP更快而且占得内存也小一些，里面也有测试时间。为了方便，我直接确定的测得是第13个人，可以修改的。里面的data文件夹里面的at.txt和待测图片路径记得按照你们的情况修改。

 对于人脸识别，目前所采取的大多为对图像进行分析、解剖，把感性的人脸图像抽象化、模式化。以期最终建立关于人脸的数学模型，从而通过模型，让人脸识别变得十分简单。然而人脸之复杂，随环境、年龄、等的变化更是无法预测。我们的最终目的是制造出和我们一样有人脸识别能力的机器，它们的人脸识别能力不应该超出我们的范围。   人脸本身是一个随机的变量，不同的角度、不同的光线、不同的打扮，都会产生不一样的结果。因而我们认为人脸本身更像一个不确定的概率。所以通过模型的建立来进行识别不是不可以，但会十分复杂，而且所达到的目的并不一定是我们想要的。即使是通过机器学习进行的人脸识别，其自身本质也是通过系数加权等最终得到的结果，所以本质也是单一数学模型的建立、数据的各种复杂处理。   人的大脑是最好的识别工具，因此我们应该从人大脑的识别机制入手，模拟大脑的识别

DSP 与上位机通信程序，DSP外围接口包括 DDR2，EMAC，PCI，IIC，Flash 等，以及一些测试程序。tms320c6455 High-Performance Fixed-Point DSP TMS320C64x+™ DSP Core Enhanced VCP2 Enhanced Turbo Decoder Coprocessor (TCP2) 64-Bit External Memory Interface (EMIFA) Four 1x Serial RapidIO® Links (or One 4x), DDR2 Memory Controller EDMA3 Controller (64 Independent Channels)-tms320c6455 High-Performance Fixed-Point DSP TMS320C64x+™ DSP Core Enhanced VCP2 Enhanced Turbo Decoder Coprocessor (TCP2) 64-Bit External Memory Interface (EMIFA) Four 1x Serial RapidIO® Links 、 DDR2 Memory Controller EDMA3 Controller (64 Independent Channels。

资源描述利用FPGA实现的图像放大源程序，基于XILINX的ML505而实现，其它设备也可参考，主要包括vga模块，iic模块和放大模块！