本文是一個網(wǎng)友(彭文偉)的心得體會，現(xiàn)在傳上來與大家共享

1,adaptiveskindetector web攝像機

2,bgfg_codebook 攝攝像設備的讀取圖片的各種方式?3,bgfg_segm 高斯處理視頻

4,blobtrack 圖像塊blob視頻追蹤

5，calibration 攝像校準

6，calibration_artificial 根據(jù)角點自動校準攝像

7，camshiftdemo 彩色跟蹤 根據(jù)鼠標點擊一個區(qū)域的色度光譜 來跟蹤視頻目標

8，contours 輪廓采集

9，convert_cascade

從文件中裝載訓練好的級聯(lián)分類器或者從OpenCV中嵌入的分類器數(shù)據(jù)庫中導入?然后另存為一個文件

10，convexhull 求離散點的輪廓

11，delaunay 根據(jù)隨機點 找到邊 Delaunay三角測量?結(jié)束計算Voronoi圖表的細胞結(jié)構(gòu)

12，demhist 直方圖 對比度亮度調(diào)節(jié)

13，dft?快速傅里葉分解

14，distrans 距離變換 沒理解?計算輸入圖像的所有非零元素對其最近零元素的距離

15，drawing 畫點、線、圓、橢圓和文字。

16，edge 紋理邊緣檢測提取

17，facedetect 人臉識別檢測 不包括adaboost訓練 加載已經(jīng)訓練好的模型

兩層調(diào)用cascade.detectMultiScale 第一層測臉 第二層測眼睛

訓練部分在C:\OpenCV2.1\apps\traincascade\traincascade.cpp

18，fback 計算視頻(兩幅圖像)的光流

19，fback-c 同上 計算視頻(兩幅圖像)的光流

20，ffilldemo 用指定顏色填充一個連接域

21，find_obj?根據(jù)surf方式角點找目標 使用最近鄰搜索

選擇是否使用opencv庫自帶的plann的最近鄰搜索

22，find_obj_calonder 訓練和預測R樹 使用分類樹

23，find_obj_ferns 也是目標尋找 基于隨機蕨叢的快速識別關鍵點

24，fitellipse 橢圓擬合 查找圖像輪廓圖形

25，grabcut 鼠標鍵盤相應和畫筆以及圖片截取 對于mfc使用opencv來說沒意義

26，houghlines 兩種哈夫變換方式提取線

27，image 圖像加噪和平滑等處理

28，inpaint 鼠標畫圖

29，kalman 卡爾曼濾波器

30，kmeans 聚類分析

31，laplace 拉普拉斯邊緣檢測

32，letter_recog

演示訓練隨機樹分類器和boosting監(jiān)督學習分類器和mlp分類器，使用uci的字符庫數(shù)據(jù)集

33，lkdemo 點跟蹤 改進的Lucas-Kanade 光流算法 檢測視頻運動目標

34，minarea 尋找最小面積的包圍圓形

35，morphology 形態(tài)學操作 腐蝕膨脹處理圖像

36，motempl 運動分割 原理不知

37，mser_sample (Maximally stable extremal regions

mser)MSER方法區(qū)域提取圖像輪廓 復雜背景下行人檢測論文59頁

使用顏色距離閾值的基于MSER方法的最大穩(wěn)定顏色區(qū)域檢測子(Maximally Stable Colour

Regions，MSCR)

38，mushroom 演示建立決策分類樹訓練 使用mushroom數(shù)據(jù) 來自uci的數(shù)據(jù)庫

39，peopledetect HOG (Histogram-of-Oriented

Gradients)行人或人體檢測，使用的是hog特征和svm，其中svm分類器實質(zhì)是一個3781維浮點數(shù)組

40，polar_transforms 把圖像映射到極指數(shù)空間和線性極空間

41，pyramid_segmentation 用金字塔實現(xiàn)圖像分割

42，squares 尋找矩形輪廓

43，stereo_calib 攝像機立體校準

44，stereo_match 立體匹配

45，tree_engine 演示使用不同的決策樹 CvDTree

dtree;決策樹?CvBoost boost;Boosted tree

classifier監(jiān)督學習樹?CvRTrees rtrees;隨機樹?CvERTrees

ertrees;完全隨機樹

46，watershed 做分水嶺圖像分割

39例：

Re: 如何計算窗口中HOG的3780維向量

由 sernia ? 2009-08-16 15:45

The details of our HOG computation are illustrated as

follows:

1).To reduce the illumination variance in different images,the

gray-scale normalization is performed so that all image shave the

same intensity range.

灰度圖歸一化處理

2). The same centered [-1, 0, 1] mask is used to compute horizontal

gradient px(x,y) and vertical gradient py(x,y) of every

pixel.

用[-1, 0, 1]水平梯度和垂直梯度處理

3).Compute the norm and orientation of each pixel.

計算距離和角度

norm(x, y) = sqrt(px2 (x, y) + py2 (x, y))

orient(x, y) = arc tan( py(x, y) / px(x, y))

4). Split input images into equally-sized cells and group them into

bigger blocks. Before computing the HOG feature, the gradient

magnitude is normalized within the block. In Dalal’s paper he uses

L2-Hys normalization in the computation of HOG feature, however,

during discussion he concludes that L2-Hys, L2-norm and L1-sqrt

performed equally well. Since L2-norm is simpler than L2-Hys, we

choose L2- normalization, as illustrated in (3)

5).After normalization the block is applied with a spatial Gaussian

window with σ = 0.5 * block _ width , as suggested by Dalal.

6).Trilinear interpolation is used to construct the HOG feature for

each cell to obtain the low-level feature in our algorithm.

問題，第三步中計算出來了每個點的模和角度后，接下來怎么做？第四步我的理解是對向量進行歸一化，但是第五步直接就是說移動block了，但是1，2，3步中對每個點進行計算以后怎么得到cell的9維向量呢？而且我用openCV里面的default參數(shù)時，發(fā)現(xiàn)是3780個float，這個float又是根據(jù)什么計算的呢？

總結(jié)

以上是生活随笔為你收集整理的opencv心得体会_OpenCV心得的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。