搜索资源列表
main
- 直方圖等化(Histogram Equalization)為一種使用統計方法的影像處理程式設計,它的功能為將統計直方圖的色彩分布平均的打散在直方圖裡,也就是說,讓一張圖的直方圖分布均勻化,同樣的也是使用到LUT(Look-up Table)的方法 而在設計直方圖等化不可或缺的就是需要先知道統計學的機率密度函數(Probability Density Function,PDF)以及累積分配函數(Cumlative Distribution Function,CDF)相關的基本概念,在這邊
AbnormalDetect
- 基于opencv的人群密度估计，源码可用，直接运行mfc-Population density estimates
RealtimeVideo
- 基于VS2008和opencv 1.0的人群检测系统.该系统使用距特征检测人体，并计算人群密度。-the peopel dection system based on vs2008 and opencv.The system can estimate the population and the density of the crowd.
xiangsutezheng
- 做研究生课题之间，整理的一些基于像素特征人群密度分类的一些文档，分享给大家-To do the graduate program, some of the finishing of the classification based on population density of pixel characteristics documents, share
PeopleDensitydll
- 完成视频图像的人群密度检测，已经打包为dll文件，在其他语言系统中可直接调用。-Complete video image of crowd density detection has been packaged as dll files in other language system can be called directly.
HOG_OpenCV
- HOG即histogram of oriented gradient, 是用于目标检测的特征描述子，该技术将图像局部出现的方向梯度次数进行计数，该方法和边缘方向直方图、scale-invariant feature transform类似，不同的是hog的计算基于一致空间的密度矩阵来提高准确率。Navneet Dalal and Bill Triggs首先在05年的CVPR中提出HOG，用于静态图像or视频的行人检测。-HOG i.e. histogram of oriented gradien
imgtest
- 基于OpenCV2.45实现的人流统计统计程序，用于实现统计视频中的人流密度。-Based OpenCV2.45 realize crowd Statistics program for realization of statistics in the video flow density.
kde
- 核密度估计,matlabkernel density estimation是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。Ruppert和Cline基于数据集密度函数聚类算法提出修订的核密度估计方法。-kernel density estimation
MeanShift
- MeanShift算法是一种无参概率密度估计法，算法利用像素特征点概率密度函数的梯度推导而得， MeanShift算法通过迭代运算收敛于概率密度函数的局部最大值，实现目标定位和跟踪，也能对可变形状目标实时跟踪，对目标的变形，旋转等运动也有较强的鲁棒性。MeanShift算法是一种自动迭代跟踪算法，由 MeanShift补偿向量不断沿着密度函数的梯度方向移动。在一定条件下，MeanShift算法能收敛到局部最优点，从而实现对运动体准确地定位。-MeanShift algorithm is a no
divnted-the
- DBSCAN是一个基于密度的聚类算法,改算法将具有足够高度的区域划分为簇(DBSCAN is a density based clustering algorithm, the algorithm will have enough height area is divided into clusters)
高密度环境下行人检测和统计
- 本实验的目的是对高密度行进人群中的行人流量进行统计，并能够区分上行和下行。实验的基本思路是： 在一个行人头部大小的带状区域中进行头部检测（HaarLike Adaboost方法），然后利用一个滑动的跟踪门对检测的头部结果进行关联，同时利用运动历史图分析的方法估计行人轮廓的运动方向，最后对序列关联特征进行分析给出上下行的统计结果。
高密度环境下行人检测和统计
- 本实验的目的是对高密度行进人群中的行人流量进行统计，并能够区分上行和下行。实验的基本思路是： 在一个行人头部大小的带状区域中进行头部检测（HaarLike Adaboost方法），然后利用一个滑动的跟踪门对检测的头部结果进行关联，同时利用运动历史图分析的方法估计行人轮廓的运动方向，最后对序列关联特征进行分析给出上下行的统计结果。