在前面一篇教程中，我们通过取局部最大值的方法来处理检测结果，但是从图像中可以看到harris角的分布并不均匀，在纹理颜色比较深的地方检测的harris角结果更密集一些。本章中，我们使用一个简单的策略算法，首先在检测的harris角图像中，找到一个值最大的角，后...

     在上一篇教程中，我们得到的harris特征角二值图中，角的数目特别多，本章我们用一个局部最大化的方法，只保留局部值最大的harris特征角。//Harris角计算cv::cornerHarris(image,cornerStrength,  ...

     计算机视觉中，我们经常要匹配两幅图像。匹配的的方式就是通过比较两幅图像中的公共特征，比如边，角，以及图像块（blob）等，来对两幅图像进行匹配。    相对于边，角更适合描述图像特征，比如下面的图像中，大概有6种特征，我...

http://docs.opencv.org/2.4/doc/tutorials/features2d/table_of_content_features2d/table_of_content_features2d.html#table-of-content-feature2d Learnabouthowto...

     前面一篇文章中提到，我们在一副脸部图像上选取76个特征点，以及这些特征点的连通性信息来描述脸部形状特征，本文中我们会把这些特征点映射到一个标准形状模型。     通常，脸部形状特征点能够参数化分解为两个变量，一...

   本文中的知识来自于Mastering opencvwithpracticalcomputervisionproject一书。   本文实施的脸部跟踪算法都是基于数据驱动的，主要包括两个部分，训练和测试。训练就是通过脸部标记点的采样数据，训练得到...

原帖地址：http://blog.sina.com.cn/s/blog_6109b5d00101ag7a.html     在摄影测量和计算机视觉中，考虑最优解问题时，经常要用到SVD分解。奇异值分解(singularvaluedecomposition,SVD)是一种...

参考资料:http://docs.opencv.org/modules/core/doc/xml_yaml_persistence.html#include"opencv2/opencv.hpp"#include<time.h>usingnamespacecv;usingnamespac...

     在OpenCV中，自带着Harr分类器人脸特征训练的文件，利用这些文件，我们可以很方面的进行人脸，眼睛，鼻子，表情等的检测。    人脸特征文件目录：../opencv2.46/opencv/data/haarcasca...

在人脸识别模式类中，还实现了一种基于LBP直方图的人脸识别方法。LBP图的原理参照：http://www.cnblogs.com/mikewolf2002/p/3438698.html     在代码中，我们只要使用  Ptr<FaceReco...

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.htmlhttp://www.cnblogs.com/mikewolf2002/...

          前面我们学习了基于特征脸的人脸识别，现在我们学习一下基于Fisher脸的人脸识别，Fisher人脸识别基于LDA(线性判别算法)算法，算法的详细介绍可以参考下面两篇教程内容：http://docs.o...

     在前面一篇教程中，我们学习了OpenCV中基于特征脸的人脸识别的代码实现，我们通过代码Ptr<FaceRecognizer>model=createEigenFaceRecognizer();创建了人脸识别模型类，该识别模型类基于特征值人脸。该类有...

本文主要参考OpenCV人脸识别教程：http://docs.opencv.org/modules/contrib/doc/facerec/facerec_tutorial.html1、OpenCV从2.4开始支持3个新的人脸识别算法。Eigenfaces极值特征脸createEigenFaceRecognizer()...

PCA算法的基本原理可以参考：http://www.cnblogs.com/mikewolf2002/p/3429711.html   对一副宽p、高q的二维灰度图，要完整表示该图像，需要m=p*q维的向量空间，比如100*100的灰度图像，它的向量空间为100*100=10000。下图是...