Lucas_Kanade Motion Estimation

应用背景 很多背景场景都包括复杂的运动目标,解决这种问题的较好方法是获取每个像素或者一组像素的时间序列模型,这类模型可以很好的处理时间起伏。但是,计算复杂度高而且耗时。为了获得与自适应滤波相当接近的性能 关键技术 采用Codebook来建模场景中感兴趣的状态,选择RGB颜色空间模型,学习一个覆盖组成图像像素三个通道上的Codebook,可以有效的解决像素剧烈变化的问题,从而鲁棒探测出场景的前景目标。通过实验结果表明,提出的基于Codebook背景模型的目标 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

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。

MATLAB 语言用于图像处理，如图像打开，沉甸甸的关闭，垂直镜像、 水平镜像、 灰度和颜色直方图均衡、 图像增强、 平滑、 锐化、 加噪声，如盐和胡椒粉高斯噪声、 乘性噪声、 泊松噪声。

(1) 一系列颗粒状物体形成的二值图像，假设各颗粒具有相同的大小，采用形态学算法产生三种图像，使其分别包含 (a) 与边界连通的独立颗粒 (b) 彼此交叠的颗粒 (c) 彼此无交叠的独立颗粒(2) 一系列颗粒状物体形成的二值图像，假设各颗粒具有多种不同的大小，采用形态学算法，将不同大小的颗粒区分开，注意其中重叠颗粒的判断。

数字图像的基本代码，初学者可以看看，进一步完善也挺方便                                                   

下面的 Matlab 项目中包含的源代码和用于 RGB 图像，使用小波变换压缩的 Matlab 例子。RGB 图像只能压缩，然后进行处理。在项目文件中列出了源代码和包含在此项目中的文件。小波变换是图像压缩的最佳技术。

应用背景粒子群算法工具箱 该工具箱将PSO算法的核心部分封装起来，提供给用户的为算法的可调参数，用户只需要定义好自己需要优化的函数(计算最小值或者最大值)，并设置好函数自变量的取值范围、每步迭代允许的最大变化量(称为最大速度，Max_V)等，即可自行优化。关键技术与遗传算法相比，PSO仅需要调整少数几个参数即可实现函数的优化。该算法对待优化函数没有任何特别的要求(如可微分、时间连续等)，因而其通用性极强，对多变量、高度非线性、不连续及不可微的情况更加具有其优势。 该工具箱的使用主要分为几个步骤： 1) 在Matlab中设置工具箱的路径； 2) 定义待优化函数； 3) 调用PSO算法的核心函数：pso_Trelea_vectorized()。 其中第三步最关键，用户需要根据自己的需要设置好参数，可使算法极快收敛。

四路LVDS转换信号，其中一路作为时钟信号，其他三路作为图像数据，转换成十六位并行输出

通过电脑摄像头采集原始图像，调用opencv进行前景背景处理后，调用手势分析算法来对其进行识别，最后将合成的结果反馈到窗口上，达到实时识别

通过2个picture控件，扑捉视频，达到拍照功能利用普通的简易摄像头，通过C#语言即可开发成简易视频程序。本实例利用市场上购买的普通摄像头，利用VFW技术，实现单路视频监控系统。运行程序，窗体中将显示舰体摄像头采集的视频信息