基于简单高斯模型和OTSU的肤色检测，opencv实现

本期我们将展示一种对路面类型和质量进行分类的方法及其步骤。为了测试这种方法,我们使用了我们制作的RTK数据集。 路面分类 该数据集[1]包含用低成本相机拍摄的图像,以及新兴国家常见的场景,其中包含未铺

针对传统混合高斯模型(GMM)在检测运动目标时存在噪声、计算量大、效果不佳等问题,提出了一种混合四帧差分算法的改进混合高斯目标检测方法。通过选定不同规则,分别更新前后帧图像的学习速率来消除“鬼影”;提

opencv2中的各种人脸检测模型。以及opencv3中的新出的结合ＤＮＮ的人脸检测神经网络cafffe模型

基于opencv的车道线检测，供大家参考，具体内容如下传统的车道线检测，多数是基于霍夫直线检测，其实这个里面有个很大的误区，霍夫直线拟合容易受到各种噪声干扰，直接运用有时候效果不好，更多的时候通过霍夫

输入一幅图像，输出人脸对应的椭圆，在原图上绘制并显示。 在vs2008环境下编译通过，基于OpenCV1.0完成图像相关功能。 上传vs2008Project的所有文件，包括灰度图像和彩色图像的训练数

基于混合高斯背景模型的背景差检测的视频运动目标检测

它是属于模糊分类的一种。充分结合了高斯混合模型的数学优势和云模型的描述概念的普适性，使得遥感图像的分类更加接近人的思维！

基于高斯模型建立的概率模型，作为一个两类的分类器，在Matlab上实现

对OTSU算法的简单实现,其中图像指针需要稍微改动即可实现,很简单

基于C++和Python以及opencv的人脸检测和微笑检测实现方法，通过调用opencv库中的函数实现了对图像中人脸和微笑的识别，并提供了部分代码和结果展示。