a Line Segment Detector

openmv下HAARD cascade二进制文件制作脚本。可以用来将训练的结果.xml文件转换为二进制文件。需要注意的是脚本需要在python2.7环境下使用，如果在python3下，可能因为numpy的版本过高而产生异常。压缩包中有一个cars.xml，以及转换为二进制后的文件cars.cascade.

1、    采用了模块匹配进行印刷数字识别， 2、    识别的方式是通过图片“bmp”格式 3、    识别的结果在result中显示 4、    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

你好，先生/女士，

与各种 matlab m 文件，可以用于特征提取和分类给出了支持向量机分类器的图像。它包含一个演示，有助于理解支持向量机的工作原理。

原来zbar项目http://zbar.sourceforge.net呈现在Windows平台上的几个问题。我们想解决它在原有的项目，但它暂时不可行。该zbar管理员可能有其他职业，比调整zbar在Windows上运行的有力更重要。我们采用DirectShow技术来访问视频设备。

附件中提供的代码是根据文章“Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries”编写的，整个程序分为两个阶段，第一，稀疏分解，第二，字典学习过程。在稀疏分解中采用的是正交匹配追踪算法（OMP），在字典学习过程中采用K次奇异值分解方法（SVD）更新字典原子。

对于图像饱和度问题进行适当调整，采用了HSV->RGB转换的方法，OpenCV+VC6.0，该方法自动生成dll，并且附有调用函数。 saturation.cpp生成饱和度调整dll baohedu.cpp调用dll saturation.h头文件 学习交流用， 亲测能运行。                                      &n

基于opencv对图像实行双线性插值缩放以及最临近插值缩放#include "highgui.h" #include "cv.h" IplImage *src=NULL; IplImage *dst1,*dst2; void main() { double scale1=0.1; double scale2=10; CvSize dst1_size; CvSize dst2_size; src=cvLoadImage("E:学习VC文件c++ pricticepro1pro1.jpg"); //缩小系数 dst1_size.width=(int)(src->width*scale1); dst1_size.height=(int)(src->height*scale1); dst1=cvCreateImage(dst1_size,src->depth,src->nChannels); cvResize(src,dst1,CV_INTER_NN);//像素插值(最邻近插值)缩小 //放大系数 dst2_size.width=(int)(dst1->width*scale2); dst2_size.height=(int)(dst1->height*scale2); dst2=cvCreateImage(dst2_size,src->depth,src->nChannels); cvResize(dst1,dst2,CV_INTER_NN);//像素插值(最邻近插值)放大 cvNamedWindow("原图",CV_WINDOW_AUTOSIZE); cvNamedWindow("缩小10倍后图",CV_WINDOW_AUTOSIZE); cvNamedWindow("缩小10倍后再放大10倍还原图",CV_WINDOW_AUTOSIZE); cvShowImage("原图",src); cvShowImage("缩小

主要实现一个串口发送器功能，该发送器的数据是从FIFO 中读取的。也就是说，只要FIFO 中有数据，串口发送器就会启动，将数据发送出去。，该串口发送器由三个模块组成。datagene 模块每1s 产生16 个字节递增的数据，这些数据将会写入fifo232 中例化的一个256 字节大小的FIFO 中。一旦检测到FIFO 中有数据，uart_ctrl 模块就会将FIFO 中的数据读出并通过串口发送出去。大家可以用串口线连接SF-EP1C 板和PC 机，通过串口调试助手查看收到的数据是否是一组不停递增的数据。

 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