目标检测的图像特征提取之（三）Haar特征
目标检测的图像特征提取之（三）Haar特征 1、Haar-like特征 Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征。 Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定
交互系统的构建之（二）Linux下鼠标和键盘的模拟控制
交互系统的构建之（二）Linux下鼠标和键盘的模拟控制 本文将完成： Linux下鼠标和键盘的模拟控制，也就是为手势和语音控制鼠标和键盘部分服务的。 有关于本系统构建的文章结构都会由三个部分来组织，一是该功能模块的介绍和在Linux下简单赢咖4平台的实现；二是将该功能模块整合到交互系统（
交互系统的构建之（三）TTS语音合成的加盟
交互系统的构建之（三）TTS语音合成的加盟 本文将完成： TTS语音合成模块，具体是移植Ekho（余音）TTS引擎并整合到TLD系统中。 有关于本系统构建的文章结构都会由三个部分来组织，一是该功能模块的介绍和在Linux下简单赢咖4平台的实现；二是将该功能模块整合到交互系统（先以TLD为地基）中去；三是分
交互系统的构建之（四）手掌与拳头检测加盟TLD
交互系统的构建之（四）手掌与拳头检测加盟TLD 本文将完成： 运行前加入手掌的检测，检测到手掌作为需要跟踪的目标（这样就不需要用鼠标框选目标box了）、运行时加入拳头的检测，检测到拳头，则表示用户单击。 有关于本系统构建的文章结构都会由三个部分来组织，一是该功能模块的介绍和在Linux
Kinect开发学习笔记之彩色、深度、骨骼和用户抠图结合
要实现目标：整合前面所说的彩色图像、深度图像和骨骼图像，就是实现和SDK自带的那个SkeletonView例程差不多的功能。另外，再增加用户抠图功能，这个功能和SDK自带的那个Green Screen功能差不多。我们通过OpenCV来显示。 一、编程前期分析 这里因为是整合前面几个学习笔记提到的功能，所以
压缩跟踪Compressive Tracking源码理解
CompressiveTracker.h /************************************************************************ *File:CompressiveTracker.h ************************************************************************/ //这是一个比较常用的C/C++杂注，只要在头文件的最
从最大似然到EM算法浅解
机器学习十大算法之一：EM算法。能评得上十大之一，让人听起来觉得挺NB的。什么是NB啊，我们一般说某个人很NB，是因为他能解决一些别人解决不了的问题。神为什么是神，因为神能做很多人做不了的事。那么EM算法能解决什么问题呢？或者说EM算法是因为什么而来到这个世界上，还吸引了那么多世人的目
模板匹配中差值的平方和（SSD）与互相关准则的关系
模板匹配TemplateMatching是在图像中寻找目标的方法之一。原理很简单，就是在一幅图像中寻找和模板图像（patch）最相似的区域。在OpenCV中有对应的函数可以调用： void matchTemplate( const Mat& image, const Mat& templ, Mat&result, int method ); 该函数的功
流Optical Flow介绍与OpenCV实现
光流（optic flow）是什么呢？名字很专业，感觉很陌生，但本质上，我们是最熟悉不过的了。因为这种视觉现象我们每天都在经历。从本质上说，光流就是你在这个运动着的世界里感觉到的明显的视觉运动（呵呵，相对论，没有绝对的静止，也没有绝对的运动）。例如，当你坐在火车上，然后往窗外看。你可以看到树、
简单粗糙的指尖检测方法（FingerTips Detection）
在人机交互领域，如果可以比较好的检测指尖，对于交互的丰富度、灵活性来说是有很大提升 的。目前指尖检测的方法也很多，我这里稍微尝试了下简单了两种。这两种方法都借助了手的几何特征，简单但比较粗糙，鲁棒性不够。 方法一：重心距离法 见下图，红色点是手的重心，那么手的边缘的所有点与重
TLD（Tracking-Learning-Detection）学习与源码理解之（七）
TLD（Tracking-Learning-Detection）学习与源码理解之（七） 下面是自己在看论文和这些大牛的分析过程中，对代码进行了一些理解，但是由于自己接触图像处理和机器视觉没多久，另外由于自己编程能力比较弱，所以分析过程可能会有不少的错误，希望各位不吝指正。而且，因为编程很多地方不懂，所以注释得
TLD（Tracking-Learning-Detection）学习与源码理解之（四）
TLD（Tracking-Learning-Detection）学习与源码理解之（四） 下面是自己在看论文和这些大牛的分析过程中，对代码进行了一些理解，但是由于自己接触图像处理和机器视觉没多久，另外由于自己编程能力比较弱，所以分析过程可能会有不少的错误，希望各位不吝指正。而且，因为编程很多地方不懂，所以注释
运动检测（前景检测）之（一）ViBe
因为监控发展的需求，目前前景检测的研究还是很多的，也出现了很多新的方法和思路。个人了解的大概概括为以下一些： 帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏光流、稠密光流）、运动竞争（Motion Competition）、运动模版（运动历史图
语音信号处理之（二）基音周期估计（Pitch Detection）
1.2、基音周期估计的现有方法 到目前为止，基音检测的方法大致上可以分为三类： 1）时域估计法，直接由语音波形来估计基音周期，常见的有：自相关法、并行处理法、平均幅度差法、数据减少法等； 2）变换法，它是一种将语音信号变换到频域或者时域来估计基音周期的方法，首先利用同态分析方法将声道
OpenCV学习笔记（二十七）——基于级联分类器的目标检测objdect
目录(?)[-] 1加载级联分类器 2读取视频流 3对每一帧使用该分类器 4显示目标 OpenCV支持的目标检测的方法是利用样本的Haar特征进行的分类器训练，得到的级联boosted分类器（Cascade Classification）。注意，新版本的C++接口除了Haar特征以外也可以使用LBP特
运动检测（前景检测）之（二）混合高斯模型GMM
因为监控发展的需求，目前前景检测的研究还是很多的，也出现了很多新的方法和思路。个人了解的大概概括为以下一些： 帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏光流、稠密光流）、运动竞争（Motion Competition）、运动模版（运动历史图像
时空上下文视觉跟踪（STC）算法的解读与代码复现
一、概述 该论文提出一种简单却非常有效的视觉跟踪方法。更迷人的一点是，它速度很快，原作者实现的Matlab代码在i7的电脑上达到350fps。 该论文的关键点是对时空上下文（Spatio-Temporal Context）信息的利用。主要思想是通过贝叶斯框架对要跟踪的目标和它的局部上下文区域的时空关
计算机视觉目标检测的框架与过程
计算机视觉目标检测的框架与过程 个人接触机器视觉的时间不长，对于机器学习在目标检测的大体的框架和过程有了一个初步的了解，不知道对不对，如有错误，请各位大牛不吝指点。 目标的检测大体框架： 目标检测分为以下几个步骤： 1、训练分类器所需训练样本的创建： 训练样本包括正样本和
