多个对象跟踪

这是CXimage的入门必下载的源码和工具，关于图片格式转换或者图像处理非常有用

应用背景 SIFT算法是D.G.Lowe[40]于1999年提出的，SIFT算法可分为两个部分：第一部分是生成SIFT特征，即SIFT特征向量提取过程；第二部分是通过对提取的SIFT特征进行匹配。 特征点描述子生成：计算每个4x4小块上8个方向的梯度方向直方图，并为每个梯度方向做一个累加值，得到一个种子点，如图3.5右图所示。图中每个特征点是由2x2个种子点构成，则每个种子点都具有8个方向的向量信息。为增强SIFT特征匹配的稳定性，每个特征点都通过4x4个种子点来加以描述，这就使得每个特征点都能够生成128个数据，进而形成4x4x8=128维的SIFT特征向量，其中4x4表示16个种子区域，8表示区域的8个方向。  关键技术（1）SIFT算法是一种基于图像局部特征提取的方法，SIFT特征具有尺度缩放不变性、旋转不变性，对视角变化、光照变化、物体运动、噪声也具有良好的稳定性。  （2）高速性，优化的SIFT算法可满足实时性需求。 （3）多量性，SIFT算法可以提取大量的特征点。 （4）可扩展性，SIFT算法可与其他算法相结合。 （5）独特性好、信息量丰富，匹配快速、准确。  经过第一阶段SIFT特征向量生成，第二阶段就是对提取的特征向量进行匹配。其特征点匹配步骤为：假设两幅待匹配的图像分别为S、T，分别从两幅图中提取SIFT特征点。

迷宫规划求解使用 matlab.only 中的图像处理提供输入的图像文件，您将得到以下输出

应用背景用C++在VC6.0平台下绘出了一个正方形，并且加入了控制部分，可以对该立方体进行控制，想了解C++图形控制的可以参考关键技术关键技术包括计算机图形学，C++程序编译，以及面向对象的程序编程，有一定的编程经验。

人脸识别的源代码，亲测可用。采用PCA方法简化特征，然后调用opencv库进行实现。

Simulink 基于对象跟踪文件。它用于跟踪红色的对象并报告其位置插入图片的框架。Web cam 视频输入。此外跟踪此程序可以区分的对象，如下所示： -是红颜色的对象的基础 -绿色的颜色是前面的另外进行了定位的对象的对象 -最后的蓝颜色给作为对象的 ID： -一种蓝色颜色在红色的外框-内检测到标记为 1 -两个蓝色的区域，在红色的外框-内检测到标记为 2 等。 也使用 UDP 协议这个代码可以用来将信息发送到另一个实例的 matlab 运行，或连到另一台计算机。

目前的技术来生成动画的场景涉及的视频 （其分辨率是有限的） 或单个图像 （这需要大量的用户交互）。在这个项目中，我们描述一个系统，允许用户快速和容易产生一个令人信服的看动画从高分辨率剧照小集合。我们的系统有两个独特的功能。第一，它适用自动部分时间顺序恢复算法于剧照为近似原始的现场动态。

这是基于一个勺子形状图像的识别程序，基于形状因子的提取，方法是循环遍历的方法。

jsDraw2D是jsFiction公司提供的第一个产品，他们计划创造各种各样的革命性的JavaScript库和应用，来帮助JavaScript 开发者，Web开发者以及Web站长扩展JavaScript的内涵和功能。 jsDraw2D包括基本形状(如多边形，弧形，圆)，填充形状，以及贝塞尔曲线(包括一次，二次和立体曲线)。开发者可以在div元素中改变坐标系统的 原点到任意点上，并且可以选择缺省或者笛卡尔坐标系统。 jsDraw2D还可以允许你设置图形的大小比例。

应用背景kmeans是最简单的聚类算法之一，但是运用十分广泛。最近在工作中也经常遇到这个算法。kmeans一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。聚类，简单地说就是把相似的东西分到一组，同 Classification (分类)不同，对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning (监督学习)，而在聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，因此，一个聚类算法通常只需要知道如何计算相似 度就可以开始工作了，因此 clustering 通常并不需要使用训练数据进行学习，这在 Machine Learning 中被称作 unsupervised learning (无监督学习)。关键技术kmeans是最简单的聚类算法之一，但是运用十分广泛。最近在工作中也经常遇到这个算法。kmeans一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。