推荐:opencv学习笔记系列(一)
预处理、特征提取、训练模型
SVM::Create、SVM.setType、SVM.setKernel、SVM.setTermCriteria、SVM.train、SVM.predict、countNonZero
预测输入图像
预处理、特征提取、预测、结果展示
理解Haar级联
Haar级联是一个基于Haar特征的级联分类器。级联分类器是一个把弱分类器串联成强分类器的过程。opencv10 教程弱分类器是一个性能受限的分类器,它们无法正确地区分所有事物。强分类器可以正确地对数据进行分类。
多重尺度法:把图像缩小再次计算同样的特征
提取Haar特征,需要计算图像中封闭矩形区域的像素值总和。为了不改变比例,需要计算多重尺度区域
积分图
在实时视频中覆盖上
resize、cvtColor、equalizeHist、threshold、bitwise_not、bitwise_and、add
戴上太阳镜
跟踪鼻子、嘴和耳朵
理解背景差分
背景差分技术能很好地在一个静态场景中探测移动对象
背景建模:尝试探测场景中的静态部分,然后更新背景模型。opencv10 教程可以根据现场调整的自适应技术
简单背景差分法
帧差值法
计算当前帧与前一帧、当前帧与下一帧之间的绝对差,然后取这些帧差值并使用按位与运算
混合高斯方法
一种混合模型只是一个统计模型,可以用来表示数据中的子群的存在。用高斯函数表示每个子群,它就称为高斯混合
形态学操作
形态学图像操作用于处理图像的形状特征。
形态学运算使用结构元素来修改图像。结构元素总的来说是一个小的形状,它可以用来检查图像中的一个小区域
图像细化

图像加粗
其它形态学运算
形态学开运算:先腐蚀后膨胀
形态学毕运算:先膨胀后腐蚀
绘制边界:形态学梯度
白顶帽变换:计算输入图像和形态学开运算结果之间的差
黑顶帽变换:计算输入图像和形态学闭运算结果之间的差
跟踪特定颜色的对象
(颜色信息对照明条件很敏感)
HSV:色相、饱和度和色值
建立交互式对象跟踪器
算法:
算法:
Meanshift问题是边界框的大小不允许改变。当对象远离镜头时,在人眼中对象会变小,但是Meanshift不会考虑这个现象。在整个跟踪会话中,边界框的大小将保持不变。
CAMShift的有点是它可以根据对象边界框的大小来调整大小,除此之外,它还可以跟踪对象的移动方向。
Mat.copyTo、cvtColor、resize、inRange、mixChannels、calcHist、normalize、calcBackProject、CamShift、ellipse、bitwise_not
使用Harris角点检测器检测点
角点是指两个特征值将有较大值的一个点
Mat::zeros、cvtColor、cornerHarries、normalize、convertScaleAbs
Shi-Tomasi角点检测器
基于特征的跟踪
基于特征的跟踪是指在视频的连续帧中跟踪单个特征点
Lucas-Kanade算法
用于稀疏光流跟踪。稀疏指的是特征点数目相对较少
、
FarneBack算法
用于密集光流跟踪。
第一步:对两个帧中的每个邻域多项式逼近
第二步:通过全局位移来构造一个新的信号
第三步:用二次多项式收益率中的等值系数计算整体位移
、
OCR简介
预处理步骤
图像阈值化:threshold
文本分割:使用连通分量分析,搜索图像组的连续像素;或使用分类器来搜索先前熟知的字母纹理图案
对于方法1:
创建连通区域:膨胀形态学dilate
识别段落快:findContours
确定每个轮廓最小边界旋转矩形:minAreaRect
文本提取和倾斜调整:getRotationMatrix2D、warpAffine、getRectSubPix、copyMakeBorder
在你的操作系统上安装 Tesseract OCR
使用Tesseract OCR库
文本识别API工作原理
实时文字检测问题
极值区域
极值区域是通过均匀强度和环绕的对比度背景特征识别的连接区域
极值区域滤镜
使用文本识别API
文本检测
文本提取
文字识别
https://docs.opencv.org/3.0.0/index.html
站长需要在每个页面的HTML代码中包含以下自动推送JS代码:
推荐:【OpenCV 学习笔记】1、OpenCV的下载与配置
[本篇主要介绍如何下载OpenCV安装程序,如何在VC++ 2010 Express下安装配置OpenCV,最后用个小例子验证环境配置。一、OpenCV的下载可以到SourceForge上OpenCV的主页 htt
本文来自电脑杂谈,转载请注明本文网址:
http://www.pc-fly.com/a/jisuanjixue/article-65349-2.html
不好的他们不要