搜索资源列表
motion-tracking-system-
- 本文分析比较了传统运动目标检测的3种主要方法:背景图像差分法、时态差分法和光流法,在此基础上给出了一种背景图像预测算法,大大减少了因为背景变化而产生的目标检测误差。本文基于OpenCV设计出改进的运动目标检测与跟踪算法,实现了运动目标的跟踪,并在VC++编译环境下,利用USB摄像头作为视频采集器,通过观察实验结果可以看出,本文的运动目标检测算法能够正确地检测出视频图像中的运动目标,而且在检测性能上优于普通的自适应背景差分法。 -OpenCV-based motion tracking sys
optical-flow-algorithm-simulation-
- 提出一种基于OpenCV图像库的运动目标处理算法仿真方法，介绍了OpenCV库的特点和VC6环境下的配置，通过调用库中的视频读写函数、图像特征计算和光流计算函数，得到运动目标的光流场，为运动目标状态分析和跟踪提供了基础，仅在-OpenCV-based optical flow algorithm simulation exercise goals
motion-detection-techniques
- 研究了基于混合高斯模型的运动目标检测技术,在分析了混合高斯模型的基本原理的基础上,使用了一种改进的混合高斯模型更新算法.在Visual C++6.0中利用OpenCV完成了相关算法,成功地提取出了运动目标和实验场景的背景,验证了该改进的混合高斯模型更新算法的可行性-OpenCV-based motion detection techniques I have read some articles, I feel you can, share
adaptive-filter-summary
- 自适应滤波技术综述,用于运动分析和对象跟踪-summary for adaptive filter, can be used for motion analysis and object tracking
FindMoving
- 由运动目标检测的两种基本方法----帧间差分法和背景差分法,借助于OpenCV技术，在Visual C++ 6.0编程环境下开发了运动目标检测系统。该系统首先对不同途径采集的视频图像序列进行相关的预处理之后，分别采用不同检测算法检测出图像序列中的变化区域，最后用形态学滤波和连通性分析对变化区域进行后处理，从而将视频图像序列中的运动目标比较可靠地检测出来。-The two basic methods of moving target detection---- inter-frame diffe
OpticalFlow-BY-SURF
- 基于SURF的光流法的运动物体检测应用——检测PTZ是否转动 内容： （1） 对光流法和SURF进行理论分析。 （2） 应用光流法对运动物体进行检测，理解David Stavens的demo。 （3） 用SURF提取的特征点来作为光流法中的特征点，来检测运动物体，并应用于一个实例：检测ptz云台是否转动。 【实验室项目】-use of optical flow with SURF Motion estimation and video compressi
genzong
- c++实现跟踪分割视频中运动的物体，有不错的的效果，对分割视频提取检测特征，并实行特征分析跟踪-c++ object segmentation for tracking the movement of the video, have a good effect, to split video detection feature extraction, feature analysis and implementation of tracking
opencv
- opencv随书源码，图像处理，图像处理：cvSobel，cvCanny等 结构分析：ContourArea等 运动分析与目标跟踪：cvMeanShift等 模式识别：CvHaarFeature 摄像头定标与三维重建：cvCalibrateCamer2(Opencv with the book source, image processing)
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。