结合Camshift和Kalman

KNN 分类器

这是一个3dmax 制作虚拟画廊的详细步骤，供初学者学习使用                                          

基于Visual Studio 2010的计算机视觉+ openCV2.4.5得到的10对图像，以计算出摄像机，包括焦距，旋转和转换的更确定的参数，并计算点的3-D世界。与一些像素误差，但好于几乎整个采样图像。

使用帧间差分法对视频图像进行处理，利用相邻图像帧像素亮度差值来判断运动目标，并利用形态学滤波进行滤波去除噪声引起的亮度变化。

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。

在视频显示任务的循环中，程序首先将视频数据从输入缓冲区读入自己开设的临时图像处理缓冲区，再在临时图像处理缓冲区上进行处理，处理后的数据再输出到输出缓冲区。这是购买合众达的DM642开发板时提供的源代码。

这一项目检测行人基于背景差法利用 matlab......希望你喜欢它

1，这是技术结合SVD和DWT2，同步码技术，实现了非常低的概率误差率3，它提出了一个多层次的安全，可靠和高容量的图像水印算法。

利用SIFT算法实现图像特征点的检测与提取，再用SANSAC算法筛选优秀特征点。

Use a standard Lena image as the ground truth, then calculate the PSNR (Peak Signal-to-Noise Ratio) & MSE (Mean Square Error) values of another test image. Note: The two images must be with the same size. The main code: MSE = double(Sum_SE)/(H_src*W_src) PSNR= 10*log10(255^2/MSE)