快速背景高斯混合模型

OpenCV检测原理主要步骤为：1.加载分类器。用cvLoad函数读入xml格式的文件。文件在OpenCV安装目录下2.读入待检测图像。读入图片或者视频。3.检测人脸。

本系统的代码是在VC6.0平台下完成的。VC实现的人脸检测系统，全部基于MFC实现。通过颜色空间转换、 皮肤颜色建模、膨胀、腐蚀、去除伪人脸区域、二次膨胀与腐蚀，从而大致定位人脸区域。再通过眼睛亮度 与色度匹配、嘴巴匹配从而精确定位人脸。 实验结果可以精确定位人脸区域。 以下是算法文件清单： DIB.cpp DIB.h 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

这一项目划分输入视频到其相应的帧......你可以冲浪在每一帧之间单独......编译使用处理

%%我们创造了输入性否定了这个功能％这是一种线性变换％撰稿：Soheil Mohammadpour，26/01/2013，伊朗伊斯法罕％的电子邮件：soheilmpour@gmail.comCLC，全部清除，关闭所有;I = im2double（imread（"woman_darkhair.tif"））;图，imshow（I，[]）％，在下面的行，我们这个创造了性否定图像变换，我们让1->0％和0->1和0.50 - >0.5和...I2 =（Ⅰ-1）* - 1;图，imshow（I2，[]）;

在视频显示任务的循环中，程序首先将视频数据从输入缓冲区读入自己开设的临时图像处理缓冲区，再在临时图像处理缓冲区上进行处理，处理后的数据再输出到输出缓冲区。这是购买合众达的DM642开发板时提供的源代码。

  基于模板匹配操作比较简单，实现效果也是比较好的。该方法的主要思路是待检测图像与先前做好的模板图像之间提取的特征向量逐个进行比较，计算它们之间的相似度，然后将图像归于相应的类。本次实验使用的模板是trainImgs中的train20.dat文件先建立模板，然后  在计算待检测图像与模板之间的欧氏距离，与设定的阈值相比较，从而检测出该图像的人脸区域。#include "stdafx.h"#include "facedetect.h"#include "facedetectDoc.h"#include "facedetectView.h"#ifdef _DEBUG#define new DEBUG_NEW#undef THIS_FILEstatic char THIS_FILE[] = __FILE__;pDC->TextOut(600,10,"操作说明：");pDC->TextOut(600,40,"步骤一：载入训练库 *.dat 生成模板");pDC->TextOut(630,60,"（训练库在程序关闭前只需载入一次）");pDC->TextOut(600,80,"步骤二：载入 *.raw 或 *.txt/*.lst");pDC->TextOut(630,100,"如果载入的是 *.txt/*.lst 列表");pDC->TextOut(640,120,"按 Page Down/Up 翻页");pDC->TextOut(650,140,"（需要修改 *.txt/*.lst 里边的存放地址）");pDC->TextOut(650,160,"（注意存放地址不得出现中文或符号

step1:用高斯滤波器平滑图象；  step2:用一阶偏导的有限差分来计算梯度的幅值和方向；  step3:对梯度幅值进行非极大值抑制；  step4:用双阈值算法检测和连接边缘。

生物指标是归档的生物数据的统计分析。脸是最好的生物数据最能说明一个人之一。人脸识别系统发现应用在许多领域的脸广泛公认是总是向社会开放。脸识别中人机交互、 安防系统、 社会网络等发现应用程序。

图像生产过程中HHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ

该程序首先采用OpenCV函数实现图像搜索边界，然后直线拟合，在求解对应顶点，最后用旋转拉伸到指定大小的图像上。在将该OpenCV代码用C语言实现，最后用CUDA使用。该程序调试通过。程序主要使用联想E430c笔记本。CUDA程序在GT635M显卡和Tegra K1嵌入式平台上测试通过。