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
