搜索资源列表
face
- 人脸识别技术的几个主要研究方向,计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情
20077419401162
- 在数字图像中虹膜位置的有效定位是虹膜识别的关键问题。用一种基于主动轮廓线模型的方法定位虹膜的位置，先用灰度投影法检测出瞳孔内的一点作为瞳孔的伪圆心，该圆心只要能落在瞳孔内部即可。然后以该伪圆心为中心，在其周围等角度间隔地取N个点作为初始的snake基准点，按照snake 的运行机制不断进化，直到虹膜的内边界为止。最后，计算进化后的snake形心和snake上的控制点与该形心的距离，取其平均值作为瞳孔的半径，动态轮廓模型的形心作为瞳孔的圆心，即可准确定位出虹膜内边界的位置。实验表明，与常见的定位方
DistanceTransformationByMATLAB65
- 在MATLAB提供的距离变换函数的基础上，对二值BMP图像进行不同距离度量的距离变换，并给出变换效果。程序已经在MATLAB6.5上运行通过。
ImageSearch
- 基于内容的图像检索示例代码，给定一幅原图像，在图像数据库中根据与原图像之间相似度的大小，搜索与原图像最接近的若干幅图像。本程序相似度主要以两幅图像之间直方图的距离为衡量标准，对此内容感兴趣的同学可以在此基础上加入更多的相似度判别算法。
112233
- 在数字图像中虹膜位置的有效定位是虹膜识别的关键问题。用一种基于主动轮廓线模型的方法定位虹膜的位置，先用灰度投影法检测出瞳孔内的一点作为瞳孔的伪圆心，该圆心只要能落在瞳孔内部即可。然后以该伪圆心为中心，在其周围等角度间隔地取N个点作为初始的snake基准点，按照snake 的运行机制不断进化，直到虹膜的内边界为止。最后，计算进化后的snake形心和snake上的控制点与该形心的距离，取其平均值作为瞳孔的半径，动态轮廓模型的形心作为瞳孔的圆心，即可准确定位出虹膜内边界的位置。实验表明，与常见的定位方
iris1
- 提出一种基于多纹理特征融合的新颖虹膜识别方法。该方法对虹膜图像做Gabor 小波变换 提取不同分辨力不同方向下的纹理特征作为虹膜的全局特征，在滤波后的子窗口图像上运用灰度 级共现矩阵(COM)提取虹膜的局部特征。通过加权欧几里德距离和最小距离分别对全局特征和局部 特征进行分类识别。
RearCali.rar
- 车载后视摄像头标定的源代码，标定后可进行后视画面（广角镜头导致图像畸变严重）的畸变矫正，并估计后视画面上的物体离车尾部的距离。,failed to translate
采用邻域差值特征模板的立体匹配方法
- 算法给出一种图像匹配方法，通过计算一幅图像中间隔一定距离的两点的像素邻域差值作为特征模板，再计算另一幅图像中在同一扫描线上间隔同样距离的像素邻域的差值，将它与特征模板的偏差作为匹配标准，偏差最小的点就认为是匹配点。
findkeypoint
- 摘要：拐点是数字图像中的一个重要信息载体 提出一种新的拐点检测算法 该算法并非寻找连续空间中曲率的离散近似计算方法，而是源于离散曲线的外观特征，推导出离散曲线上拐点处k个点对间欧氏距离平方和局部最小这一重要性质。基于该性质，本算法首先利用Freeman链码的性质.过滤掉物体边界上明显不可能成为拐点的象素，然后在剩余的边界点中通过寻找该局部最小值定位出拐点。给出了本算法与四种著名拐点检测算法的对比实验。 -Abstract: The inflection point is a digital
40
- 近年来，随着互联网的高速发展，网上的多媒体信息也急剧增加，这些多媒体信息以图像为主。如何从浩瀚的图像数据库中快速、准确地找出所需要的图像，己成为一个备受关注的研究课题。有效地组织、管理和检索大规模的图像数据成为迫切需要解决的问题。于是基于内容的图像检索(Content-Based Image Retrieval: CBIR)作为一个崭新的研究领域出现了。 本课题拟研究、分析彩色图像红、绿、蓝三基色直方图的生成、特征提取和相似度等问题，应用图像的颜色信息—三基色直方图对图像进行检索。针对基于颜
mySnake-2
- 在数字图像中虹膜位置的有效定位是虹膜识别的关键问题。用一种基于主动轮廓线模型的方法定位虹膜的位置，先用灰度投影法检测出瞳孔内的一点作为瞳孔的伪圆心，该圆心只要能落在瞳孔内部即可。然后以该伪圆心为中心，在其周围等角度间隔地取N个点作为初始的snake基准点，按照snake 的运行机制不断进化，直到虹膜的内边界为止。最后，计算进化后的snake形心和snake上的控制点与该形心的距离，取其平均值作为瞳孔的半径，动态轮廓模型的形心作为瞳孔的圆心，即可准确定位出虹膜内边界的位置。实验表明，与常见的定位方
SVM_FACE
- 基于支持向量机的人脸检测训练集增强算法实现。根据支持向量机(support vector machine，简称SVM)~ ，对基于边界的分类算"~(geometric approach)~ 言，类别边界附近的样本通常比其他样本包含有更多的分类信息．基于这一基本思路，以人脸检测问题为例．探讨了 对给定训练样本集进行边界增强的问题，并为此而提出了一种基于支持向量机和改进的非线性精简集算法 IRS(improved reduced set)的训练集边界样本增强算法，用以扩大-91l练集并改
celiang
- 使用摄像头拍摄一张有定标板的图片，可以在图像上测出定标板上任意俩点的距离。-There will be a shot using the camera calibration board image, the image can be measured in the calibration of the distance from the board any two points.
simpsal
- 基于视觉注意机制的图像显著图提取，包括亮度，dkl颜色，方向等通道，合成图像的显著性描述图-Image-based visual attention saliency map mechanism extraction, including brightness, dkl color and direction of channels, the significance of synthetic image descr iption graph
Snake-model-bsegmentation-method
- 改进的T- Snake 算法首先在分水岭法中, 对相邻区域以其像素数、灰度均值和灰度方差定义距离, 并据其在图像上建立新的连通图, 以对图像过度分割而产生的一些过小区域合并 其次, 在模型跨边缘时, 利用已分割断层图像中模型内部区域的统计特征, 用区域生长法获取内点并重新参数化模型, 使模型不再跨边缘, 以保证模型形变到正确的边缘-Improved T-Snake algorithm first law in the watershed, the number of pixels in its
gvf-snake--hanhua
- 包含传统、球膨胀、gvf和距离模型，可以简单运用在2值图像上-Contains traditional ball expansion, gvf and distance model, you can simply use the binary image
lineinfo
- 对图像上的一组平行线段根据距离，角度，截距进行分组过滤，统计-The image of a group of parallel lines according to the distance, angle, intercept packet filtering, statistics
GLCM-OpenCV-master
- 由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。 Gray-level co-occurrence matrix from an image 图像的灰度共生矩阵(Because the texture is formed by the repeated appearance of the gray distribution in the
图像两点像素距离和实际距离的转换
- 载入任意图像，在图像上自由选取任意两点，自动测量图像的像素距离（pixel）和进行实际距离（mm）的转换程序，C#写的，导入VS项目中直接运行可见效果。(Load any image, select any two points freely on the image, automatically measure the pixel distance of the image and carry out the conversion program of the actual distance
图像配准算法
- 1.SIFT得到两幅图像的匹配点对 2.通过RANSAC剔除外点，得到N对内点 3.利用DLT和SVD计算全局单应性 4.将源图划分网格，取网格中心点，计算每个中心点和源图上内点之间的欧式距离和权重 5.将权重放到DLT算法的A矩阵中，构建成新的W*A矩阵，重新SVD分解，自然就得到了当前网格的局部单应性矩阵 6.遍历每个网格，利用局部单应性矩阵映射到全景画布上，就得到了APAP变换后的源图 7.最后就是进行拼接线的加权融合