face-detection

应用背景该算法是从一个静态相机视频背景减法。所有您需要做的是提供一个视频，你可以得到前景视频。你必须提供背景模型。 ； ；然后比较这个设置为当前的像素值来确定该像素是否属于背景，适应模型，通过随机选择的值来代替从背景模型。这种方法不同于那些古老的价值观的基础上，首先应更换经典的信念。最后，当像素是背景的一部分，它的价值是传播到邻近的像素背景模型。我们描述方法的详细资料（包括伪代码和使用的参数值）和比较其他减背景技术。效率的数字显示，我们的方法优于最近的和成熟的国家的最先进的方法的计算速度和检测率。我们还分析了一个缩小的版本，我们的算法的一个比较和每像素一个字节的内存最低限度的性能。看来，即使是这样的一个简化版本，我们的算法的性能比主流技术。关键技术在这段代码中使用的技术是视觉工作室。语言是C + +。该算法有很多的应用程序，可以帮助你在前景检测 ；一个典型的视频监控小目标检测：盛传为物体的轮廓是非常精确的因为没有空间滤波。这对小目标的一个有效的检测是特别有用的。 ；一个更好的划分对象的深度图的氛围和RGB同时使用噪声图像中盛传的表演后处理工具对象分割。修复与氛围感应范围（深度）地图

使用IR 模块  DE2-115 开发板配备有一个红外接收（IR）模组（型号：IRM-V538N7/TR1），相关的电路图可以在DE2-115 系统光盘里面的DE2_115_datasheetIR_Receiver 目录下找到。需要注意的是，这个一体化接收模组，仅兼容38kHz 载波脉宽调制模式。附带的使用uPD6121G 芯片编码的遥控器可以产生与接收器匹配的调制信号。

应用背景boosting算法训练了T个弱分类器ht,t∈{1,....,T}.这些弱分类器很简单.大多说情况下,它们只是包含一次分裂(称为决策stumps)或仅有几次分裂(可能到3次)的决策树.最后做决定的时候将复制权重αt给每个分类器.AdaBoost训练时输入的特征向量是xi,向量的类别标签是yi(这儿i=1,...,M,M是样本总数),且yi∈{1,-1}.关键技术1.在Release下进行调试 2.指定文件保存路径，如：char* filename_to_save = "F: estdataoutput.xml"; 3.选用训练的方法，如method = 1; 4.这步需要使用模型的时候再指定，训练的时候设置为char* filename_to_load = 0;使用模型的时候指定，如char* filename_to_load = "F: estdataoutput.xml";

应用背景OCR的广泛应用和日益提高的一天。这将给你的OCR的基本想法大多数的OCR。但不要认为这是非常有效和准确的。作为这个项目的目的是给你整个整体概述。关键技术下面的算法包括预处理（图像处理命名。m）的基本操作如rgb2gray和gray2binary。然后逐行执行和信分离信。然后用训练数据的相关性将最大值定义的信保存在DOC文件。

自己学习freeimage，用vs2005编写的对freeimage的调用实例， 测试了图像显示，图像转换，图像压缩和解压几个接口

该文件提供视频图像运动目标检测的框架，包括简单实现，数字图像处理一书中的源代码，MFC多文档实现

程序提供了使用 c + + 向尺度图像的一种算法，它创建一个单一的文档来解决问题。

自己一边学一边编的，有放大缩小还原功能的图形界面的图片浏览器，适合初学者继续开发完善。

本程序是基于opeCV的图片浏览器，可实现windows自带图片浏览软件的功能：如图片打开，实际大小显示，适合屏幕大小显示，图片顺时针旋转，图片逆时针旋转，前一图片，后一图像，图像删除等功能。本程序基于openCV2.4.6，需要添加库文件，opencv_highgui246.lib，opencv_core246.lib，opencv_imgproc246.lib开发环境：VS2008关于openCV配置请到网上查阅相关资料，在此不再赘述。 

这些代码被用来实现粒子滤波基于视觉对象跟踪（PF），卡尔曼粒子滤波基于视觉对象跟踪，无味粒子滤波基于视觉对象跟踪。其耐用性远远超出了传统的视觉对象的跟踪算法，如均值漂移（均值漂移）和CamShiftThe码KPF和UPF的视觉目标跟踪耗费了巨大的精力，而你找不到任何相关的算法代码互联网！我们的研究小组已经优化了这些代码和应用他们开发的主动视觉目标跟踪的平台。现在，我分享他们给你，希望你爱他们！