LBP(Local Binary Pattern),即局部二进制模式,对一个像素点以半径r画一个圈,在圈上取K个点(一般为8),这K个点的值(像素值大于中心点为1,否则为0)组成K位二进制数.此即局部二进制模式,实际中使用的是LBP特征谱的直方统计图.在旧版的Opencv里,使用CvHaarClassifierCascade函数,只支持Harr特征.新版使用CascadeClassifier类,还可以支持LBP特征.Opencv的人脸识别使用的是Extended LBP(即circle_LBP)

前言 使用opencv自带的分类器效果并不是很好,由此想要训练自己的分类器,正好opencv有自带的工具进行训练.本文就对此进行展开. 步骤 1.查找工具文件: 2.准备样本数据: 3.训练分类器: 具体操作 注意,本文是在windows系统实现的,当然也可以在linux系统进行. 1.查找工具文件: opencv中的自带的分类器训练工具在开源库中以应用程序的类型呈现的,具体目录如下. .\opencv2410\build\x64\vc12\bin 可以在该目录下查找到相关的工具文件,有open

[wiki,blog]使用opencv自带的融合函数 [wiki,blog]使用opencv自带的融合函数 /*M/////////////////////////////////////////////////////////////////////////////////////// // //  IMPORTANT: READ BEFORE DOWNLOADING, COPYING, INSTALLING OR USING. // //  By downloading, copying,

介绍 使用级联分类器工作包括两个阶段:训练和检测. 检测部分在OpenCVobjdetect 模块的文档中有介绍,在那个文档中给出了一些级联分类器的基本介绍.当前的指南描述了如何训练分类器:准备训练数据和运行训练程序.参考:http://jingyan.baidu.com/article/4dc40848f50689c8d946f197.html   利用OpenCV自带的haar training程序训练一个分类器,需要经过以下几个步骤: )收集训练样本:         训练样本包括正样本和

记录cvSmooth函数的用法和 OpenCV自带的人脸检测. (1)cvSmooth函数 void cvSmooth( const CvArr* src, CvArr* dst,int smoothtype=CV_GAUSSIAN,int param1, int param2, double param3, double param4 ); src:输入图像. dst:输出图像. smoothtype平滑方法: CV_BLUR_NO_SCALE(简单不带尺度变换的模糊),对每个象素的 para

本文为原创作品,转载请注明出处 欢迎关注我的博客:http://blog.csdn.net/hit2015spring 和 http://www.cnblogs.com/xujianqing/ 作者:晨凫追风 配置完Opencv,用来显示一张图片好像有点点不太过瘾,久闻Opencv大名.总得来一发看起来有点点稍微有点点好玩的应用嘛. (…………………..自行忽略…………………)Opencv由于它的开源,给我等凡人提供了非常好的机会接触世界上顶级大师的作品(…………………..自行忽略…………………

代码地址如下:http://www.demodashi.com/demo/12966.html 记得把这几点描述好咯:代码实现过程 + 项目文件结构截图 + 演示效果 1.准备工作 1.1 训练集和测试集准备 先将数据集手动划分成训练集和测试集,并分好类,比如第一类就放在文件夹名为0的文件夹下,第二类就是1,如此类推. 当前程序只能处理10类以下车标,因为当前程序逻辑不支持10以上的数字识别(具体可以仔细看下代码) 所有训练集的图片放在train文件夹中,测试集放在test文件夹下.最终的文件树

本章我们学习LBP图像的原理和使用,因为接下来教程我们要使用LBP图像的直方图来进行脸部识别. 参考资料: http://docs.opencv.org/modules/contrib/doc/facerec/facerec_tutorial.html http://www.cnblogs.com/mikewolf2002/p/3438166.html       LBP的基本思想是以图像中某个像素为中心,对相邻像素进行阈值比较.如果中心像素的亮度大于等于它的相邻像素,把相邻像素标记为1,否则标

参考博文: 1.http://blog.csdn.net/wuxiaoyao12/article/details/39227189 2.http://www.cnblogs.com/easymind223/archive/2012/07/03/2574826.html 3.http://blog.csdn.net/liulina603/article/details/8197889 使用的经验总结: 1 正负样本比例问题:1:4或者1:5训练出来的分类器要优于1:1或者1:10 正负样本比例接近

这个博客系列,简单来说,今天我们就是要研究 https://docs.opencv.org/master/examples.html下的 6个文件,看看在最新的OpenCV中,它们是如何发挥作用的. 在配置使用的过程中,需要注意使用较高版本的VS避免编译器兼容问题:由于DNN程序的运行依赖于训练成功的模型,因此需要预先下载准备:此外如果出现各种报错,需要对症下药. 此外,由于需要使用common.hpp文件,所以需要引入dnn目录到include中 用到的数据集都放在: 链接:https://p

这个博客系列,简单来说,今天我们就是要研究 6个文件,看看在最新的OpenCV中,它们是如何发挥作用的. 在配置使用的过程中,需要注意使用较高版本的VS避免编译器兼容问题:由于DNN程序的运行依赖于训练成功的模型,因此需要预先下载准备:此外如果出现各种报错,需要对症下药. 此外,由于需要使用common.hpp文件,所以需要引入dnn目录到include中 ======================================================================

这个博客系列,简单来说,今天我们就是要研究 https://docs.opencv.org/master/examples.html下的 6个文件,看看在最新的OpenCV中,它们是如何发挥作用的. 在配置使用的过程中,需要注意使用较高版本的VS避免编译器兼容问题:由于DNN程序的运行依赖于训练成功的模型,因此需要预先下载准备:此外如果出现各种报错,需要对症下药. 此外,由于需要使用common.hpp文件,所以需要引入dnn目录到include中 用到的数据集都放在: 链接:https://p

这个博客系列,简单来说,今天我们就是要研究 https://docs.opencv.org/master/examples.html下的 6个文件,看看在最新的OpenCV中,它们是如何发挥作用的. 在配置使用的过程中,需要注意使用较高版本的VS避免编译器兼容问题:由于DNN程序的运行依赖于训练成功的模型,因此需要预先下载准备:此外如果出现各种报错,需要对症下药. 此外,由于需要使用common.hpp文件,所以需要引入dnn目录到include中 用到的数据集都放在: 链接:https://p

#include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; int main(int argc, char** argv) { String cascadeFilePath = "F:/CMake_bulid/install/etc/haarcascades/haarcascade_frontalface_alt.xml";//数据路径 Ca

这个博客系列,简单来说,今天我们就是要研究 https://docs.opencv.org/master/examples.html下的 6个文件,看看在最新的OpenCV中,它们是如何发挥作用的. 在配置使用的过程中,需要注意使用较高版本的VS避免编译器兼容问题:由于DNN程序的运行依赖于训练成功的模型,因此需要预先下载准备:此外如果出现各种报错,需要对症下药. 此外,由于需要使用common.hpp文件,所以需要引入dnn目录到include中 用到的数据集都放在: 链接:https://p

这个博客系列,简单来说,今天我们就是要研究 https://docs.opencv.org/master/examples.html下的 6个文件,看看在最新的OpenCV中,它们是如何发挥作用的. 在配置使用的过程中,需要注意使用较高版本的VS避免编译器兼容问题:由于DNN程序的运行依赖于训练成功的模型,因此需要预先下载准备:此外如果出现各种报错,需要对症下药. 此外,由于需要使用common.hpp文件,所以需要引入dnn目录到include中 用到的数据集都放在: 链接:https://p

当希望重新设定一个目标进行跟踪的时候,以下两种做法都是无效的: 1.将新对象的Rect2d直接传递给update()函数: 2.再次使用tracker的init()函数. 解决办法:重新创建一个Tracker对象. 使用create函数建立一个新对象即可: #opencv追踪方法tracker_types = ['BOOSTING', 'MIL', 'KCF', 'TLD', 'MEDIANFLOW', 'MOSSE', 'CSRT']tracker_type = tracker_types[6

cvRound cvFloor cvCeil cvIsNaN cvIsInf

前言   红胖子,来也!  做图像处理,经常头痛的是明明分离出来了(非颜色的),分为几块区域,那怎么知道这几块区域到底哪一块是我们需要的,那么这部分就涉及到需要识别了.  识别可以自己写模板匹配.特征点识别.级联分类器训练识别.  本文章就是讲解级联分类器的训练与识别. 明确目标   目标是识别视频中的歌手,我们先手动采集数据集合.  视频为<绿色>,如下图:   训练分类器前的准备工作 采集正样本图片   正样本的尺寸不是必须一致的,但是要和生成的正样本矢量文件中的宽高有相同的比例(因为训练

我们来看下效果 原图: 效果: 原理其实很简单: 采用一张圣诞帽的png图像作为素材, 利用png图像背景是透明的,贴在背景图片上就是戴帽子的效果了. 人脸检测的目的主要是为了确定贴帽子的位置,类似ps中自由变换的功能,检测到人脸中间的位置,resize圣诞帽子和人脸大小匹配,确定位置,贴上去,ok! 代码:非常简洁,根据参考博客给出的代码,由OpenCV自带的人脸检测代码经过简单修改即可. // getheader.cpp : 定义控制台应用程序的入口点. // #include "stdaf

(一)--安装配置.第一个程序 标签: imagebuildincludeinputpathcmd 2011-10-21 16:16 41132人阅读 评论(50) 收藏 举报  分类: OpenCV(60)  版权声明:本文为博主原创文章,未经博主允许不得转载. 决心开始研究OpenCV.闲言少叙,sourceforge网站最近的版本是2011年8月的OpenCV2.3.1,下载安装,我这里使用的开发环境是vs2008,网上搜了一下配置的教程,与之前的几个OpenCV版本的配置过程大体相同:(