目标跟踪可以运行程序

opencv 眼部和脸部检测opencv eye and face detect

关于全息图的相位解包裹，对于图像的解相位和包裹有很大的帮组.这个基于C++的代码，希望有关这个方面的研究者有用处！！！谢谢大家的支持

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。

目的： 若要编写 2-D 卷积的 MATLAB 函数。 理论： 2-D 卷积可以通过矩阵乘法来执行。若要执行此操作，形成， 块矩阵 H0，H1 等从一个矩阵和阻止的 toeplitz 矩阵已形成 从块矩阵。其他矩阵是以列的形式写的。然后，乘法 之间块 toeplitz 矩阵和写在列矩阵形式将产生的结果 类似于二维卷积。 让大小的矩阵 x [m，n] M1X N1，M1 在哪里的行数，N1 矩阵的列数 x [m，n]。 .让大小的 h 矩阵 [m，n] 是 M2X N2，M2 在哪里的行数和 N2 是 [m，n] 的 h 矩阵的列数。 由 y(m,n) 表示卷积 x(m,n) 和 h(m,n) 之间 在哪里 y(m,n) = x(m,n) * h(m,n) 矩阵 y [m，n] 的大小是 M3X N3，哪里 M3 = M1 + M2-1 和 N3 = N1 + N2-1 如果 A 是块 toeplitz 的 matri x(m,n)，然后 h(m,n) 和输入的线性卷积 由给出 x(m,n) y = Ax 最后重新排列 y 以获取输出响应的元素。

 采用空间分集的方法可以有效地对抗无线信道中的衰落. 由于受到体积 、 重量 、 成本等因素的限制 ,在 无线通信系统的用户终端上实现多天线技术较为困难. 而在单天线的无线用户间通过协作 ,共享天线 ,可以实现虚拟 的多天线. 低密度奇偶校验 (LDPC) 编码是一种性能优良的线性分组码 ,利用其码字内码元间固有的相关性 ,通过不同 的用户发送码字的不同部分 ,可以实现虚拟的多发送天线 ,获得发送分集增益 ,在不增加系统带宽和发射功率 、 系统复 杂度也不会明显增加的情况下能显著地提高系统性能

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

资源描述 basler相机调用程序 读取相机数据 抓取图片，图像处理

关于图像的几个基本操作，包块打开图像，对图像的缩放以及图像的移动等操作。本软件是基于ＱＴ进行编程实现的，对于初学ＱＴ的同学具有一定的借鉴和学习的作用，希望对初学ＱＴ的同学有一定的帮助。谢谢

修补是重建图像的损坏部位的过程。从2.4版本开始，OpenCV的支持修复中algorithm.The棘手的部分是获得图像修复掩模，这是一个二进制图象，其中非零像素表示的区域被inpainted。让面膜后，剩下的应该是easy.After让面膜，我们可以立即拨打inpaint（）inpaint功能。 FMM的工作原理：它是基于快速行进法。考虑图像中的一个区域的补画。从本地区的边界算法开始，去里面的区域逐渐首次填补一切的边界。它需要周围的邻居像素的小邻域被涂。该像素被替换的所有已知的像素邻域归一化加权和。选择的权重是一个重要的问题。更多的权重是给那些像素躺在附近的点，接近正常的边界以及那些趴在边界轮廓。一旦一个像素是我画的，它移动到使用快速行进方法旁边最近的像素。 FMM确保邻近的已知像素的那些像素被首先inpainted，以便它只是像一个手动启发式操作。该算法通过使用该标志，INPAINT_TELEA启用。

Poisson surface reconstruction creates watertight surfaces from oriented point sets. In this work we extend the technique to explicitly incorporate the points as interpolation constraints. The extension can be interpreted as a generalization of the underlying mathematical framework to a screened Poisson equation. In contrast to other image and geometry processing techniques, the screening term is defined over a sparse set of points rather than over the full domain. We show that these sparse constraints can nonetheless be integrated efficiently. Because the modified linear system reta