H264DCT量化

资源描述 相位追踪 OFDM 无线通信符合802.11规范 模块使用Verilog代码编写 是其中的压缩缩放因子。 与相关的上下接口，在FPGA上验证速度可达200MHz.

本程序使用 c + + 使用高斯混合模型的背景减法。这是快到足以检测背景匹配

应用背景这是使用Haar特征训练弱分类器，然后使用约14弱分类器连接节点作为一个强分类器，该方法选择弱分类器是AdaBoost算法。 ；关键技术

图像的小波分解与重构；

从opencv/sample里获得cvInRangeS函数可用于检查一个矩阵中的像素灰度值是否属于某一指定范围。并且可以输出一个单通道矩阵来进行标识。

基于Kinect的信息采集系统，以采集衣服的信息为例。记录每件实物的图像信息和对应的深度信息，并且将他们一一对应的储存起来。图像信息是BGR图，并且采用了无损压缩的png格式，深度信息以灰度图png格式存储。除此之外，系统还可以记录材质，颜色，形状，类型，风格，等其他的信息。这些信息保存在Data文件夹中，以csv格式保存。图像信息保存在Images文件夹中，深度信息保存在Depth文件夹中。

这段代码被与人脸识别。假设如果我们想要认识脸等等和碱的纹理特征，我们可以提取的脸。所以这是脸识别代码。你必须要从中提取的面孔的输入的图像。在这主成分分析用来认识到脸。

摘要：故障诊断起着物理的重要作用 故障分析与产量的学习过程。随着数百亿 晶体管被集成在一个芯片上，多个故障可能 存在的。随着多个故障，故障屏蔽和加固效果 可能会出现。它们可能会导致基于单故障常规 诊断方法，如在一个时刻的单个位置（SLAT） 为无效。如果没有流行的SLAT方法失败 够SLAT图案可以由单个stuckat说明 故障。此外，一个真正的硅缺陷可能表现为不同 故障在不同的故障模式模型（DM），它可 无效使用单故障模型的方法SLAT 在所有失败的模式。在本文中，我们介绍的概念 故障元件，支持多种故障模型，并使用faultelement 图（FEG）考虑故障屏蔽和加固 多故障之间的影响。基于所有失败的FEGs 模式，最有可能的故障位置和故障的因素 被反复识别。同时，FEGs是迭代地 修剪跟踪的其余多个故障的影响，直到 所有的故障点被确定，所有的FEGs减少 为null。实验表明，该诊断 方法可以识别，即使在​​多个故障的位置 DM具有较高的诊断精度和分辨率。 关键词：故障诊断，故障元件，故障元件 图（FEG），多种故障模式，多重故障。

贝叶斯分类器（Naïve Bayes）源代码，使用决策树(Decision tree)分类算法、朴素贝叶斯（Naïve Bayes）算法，对文本进行分类，里面有代码的解析，适合初学者对基于代码对算法进行理解。

导入彩色图片并转换成灰度图片显示出来，C++，RGB转灰度