数字图像处理 灰度直方图

基于opencv的人脸检测代码，适合初学者使用多个弱分类器集成的方法，机器学习中的弱学习到强学习，集成的关键是投票，最简单的方法是“绝对多数”的方法

这是一个简单的案例，利用OpenCV中的CvCapture类型来通过电脑的摄像头获取到实时的图像，使得运行的效果像是视频一样。

%该m文件实现了混合高斯背景算法

C#做的手势识别。在计算机科学中，手势识别是通过数学算法来识别人类手势的一个议题。手势识别可以来自人的身体各部位的运动，但一般是指脸部和手的运动

图像处理中，大部分的处理方法都需要事先把彩色图转换成灰度图才能进行相关的计算、识别。转换灰度图的公式是，对一个RGB值，R、G、B分别是其3色分量，计算：Gray = R * 0.299 + G *0.587 + B * 0.114然后将Gray分别替换掉原来的3色分量。

使用跟踪移动目标的例子,详细文档。卡尔曼滤波是目标跟踪的主要功能,程序使用卡尔曼滤波器实现正确的跟踪移动目标

本系统使用的硬件是天敏VC4000监控卡，其中使用了MPG4c32.dll、MediaTransmit.dll、MediaTransmit.lib、MediaTransmit.h、Sa7134Capture.dll、

采用多层前馈神经的脱机手写体字母字符识别系统网络中的文件中描述。一种新的方法，称为对角基于特征提取介绍用于提取手写字母的功能。第五数据集，每个包含26字母表写由不同的人，用于训练神经网络和570不同的手写体字母字符被用于测试。所提出的识别系统表现相当好得到更高水平的识别精度比采用常规的系统特征提取的水平和垂直的方法。此系统将是合适的，用于将手写的文档转换为文本的结构形式和手写识别的名字手写识别一直是最迷人的和具有挑战性的研究领域之一图像处理和模式识别在最近几年领域[1][2]。它有助于巨大到自动化进程的推进，并能改善之间的接口人与机器的大量应用。一些研究工作一直注重新的技术和方法，将减少处理时间，同时提供更高的识别精度[3]。在一般情况下，手写识别被分为两种类型的离线和在线手写识别方法。在离线识别，写入通常捕获的光通过一个扫描仪和完成写入可作为一个图像。但是，在上线系统的连续点的两维坐标被表示为的函数时间和由作家所作笔顺也可提供。上线的方法有被证明优于其离线对应于识别手写字符由于可用同前所述时间信息[4][5]。然而，在离线的系统中，神经网络已被成功使用，以产生比较高的识别精度等级。几个应用程序，包括邮件分拣，银行处理，文档阅读和邮政地址识别需要脱机手写体识别系统。其结果是，在离线手写识别仍然是一个活跃的研究领域向探索较新的技术，这将提高识别精度[6] [7]。

该代码基本上从输入图像中提取hsv特征。特征提取方法已被应用于图像分割和直方图生成

模糊系统的 GUI。 基于规则的系统。 特定类型的推理，使用"如果那时 else"规则语句。如上文所述，规则是简单模式和推理引擎搜索模式匹配的数据中的模式匹配的规则。"如果"是指"当条件为 true，""那么"是指"采取行动 A"和"else"手段"时的条件不是真正采取行动 B."下面是一个示例与该规则可能的原因： 如果抢劫为 TRUE 和 可疑证人鉴定为 TRUE 和 怀疑的实物证据是 TRUE 和 怀疑缺乏不在场证明是真正的 然后 可能的原因是真正的 其他 围捕嫌疑 规则可以转发链接，也称为数据驱动的推理，因为他们开始用数据或事实和规则，适用于事实直到达到的目标是看看。规则还可以逆向链接，也称为目标驱动推理，因为他们以一个目标开始，寻找规则适用于这一目标，直到得出的一个结论。