基于Opencv的光流法文献下载

weixin_39821526 2019-08-24 01:30:29

基于Opencv的光流法的文献资料。可用于论文参考。
相关下载链接：//download.csdn.net/download/u011229821/5661639?utm_source=bbsseo

...全文

11 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

基于Opencv的光流法的文献资料。可用于论文参考。

1、参考文献：Forward-Backward Error: Automatic Detection of Tracking Failures，文件附带参考文献 2、用matlab、C、Opencv 混合编程实现 3、遇到不兼容时，请在mex文件夹从新编译生成新的“mex”文件

作　　者：万卫兵等编著出版社：上海交通大学出版社出版时间：2010-1-1 本书系统介绍了智能视频监控中目标检测与识别的基本问题及其相关处理技术。主要内容包括智能视频监控的理论、算法和典型应用实例。包括计算机视觉基本理论、运动目标检测技术、运动目标跟踪和分类技术、运动的场景分析及行为理解技术。其中目标的检测与识别技术在资助的科研项目中有成熟可行的应用实例。本书内容由浅入深、循序渐进，着重于经典内容和最新进展的结合，并辅以较多的应用范例。上篇智能视频监控中目标检测与识别概论第1章绪论 1.1 智能视频监控概述 1.1.1 智能视频监控的发展 1.1.2 智能视频监控中的关键问题 1.2 智能视频监控的研究内容 1.2.1 智能视频监控的系统结构 1.2.2 智能视频监控的难题 1.3 研究现状与应用前景参考文献第2章计算机运动视觉相关理论 2.1 摄像机的标定 2.1.1 坐标系的变换 2.1.2 摄像机的标定 2.2 双目立体视觉 2.2.1 特征匹配关键技术 2.2.2 特征匹配算法分类与立体成像 2.3 运动视觉 2.3.1 运动视觉的研究内容 2.3.2 运动视觉处理框架 2.4 场景理解 2.4.1 场景理解认知框架 2.4.2 静态场景理解 2.4.3 动态场景理解参考文献第3章运动目标检测技术 3.1 运动目标检测概述 3.1.1 光流法 3.1.2 相邻帧差法 3.1.3 背景差法 3.1.4 边缘检测方法 3.1.5 其他重要的相关方法 3.2 视频监控中的背景建模 3.2.1 背景提取与更新算法概述 3.2.2 基于GMM的背景提取与更新算法 3.2.3 基于AKGMM的背景提取与更新算法 3.2.4 去除阴影 3.3 ROI面积缩减车辆检测搜索算法 3.3.1 改进的帧差法 3.3.2 图像的腐蚀与膨胀 3.3.3 车辆目标分割识别 3.3.4 实验结果与分析参考文献第4章运动目标跟踪技术 4.1 目标跟踪的分类 4.2 目标跟踪方法 4.2.1 基于特征的跟踪方法 4.2.2 基于3D的跟踪方法 4.2.3 基于主动轮廓的跟踪方法 4.2.4 基于运动估计的跟踪方法 4.3 粒子滤波器 4.3.1 离散贝叶斯滤波系统 4.3.2 蒙特卡洛采样(Monte Carlo Sampling) 4.3.3 贝叶斯重要性采样(Bayesian Importance Sampling) 4.3.4 序列化重要性采样(Sequential Importance Sampling) 4.3.5 粒子滤波(Particle Filte)一般算法描述 4.3.6 粒子数目N的选取 4.4 多视角目标跟踪 4.4.1 目标交接 4.4.2 多摄像机的协同 4.4.3 摄像机之间的数据通讯 4.4.4 多摄像机系统总体设计与集成参考文献第5章运动目标分类技术 5.1 目标分类方法 5.1.1 基于形状信息的分类 5.1.2 基于运动特性的分类 5.1.3 混合方法 5.2 分类的特征提取 5.2.1 视频图像的两种特征 5.2.2 分类特征选择 5.3 分类器构造 5.3.1 支持向量机理论 5.3.2 多类支持向量机 5.3.3 特征训练 5.4 训练和分类方案 5.4.1 静态图像训练分类模型 5.4.2 动态视频中运动对象的分类 5.4.3 训练和分类的实验结果参考文献第6章行为理解技术 6.1 行为理解的特征选择与运动表征 6.1.1 特征选择 6.1.2 运动表征 6.2 场景分析 6.2.1 场景结构 6.2.2 场景知识库的建立和更新 6.3 行为建模 6.3.1 目标描述 6.3.2 约束表达 6.3.3 分层的行为模型结构 6.4 行为识别 6.4.1 基于模板匹配方法 6.4.2 基于状态转移的图模型方法 6.4.3 行为识别的实现 6.5 高层行为与场景理解 6.6 行为理解存在的问题与发展趋势参考文献下篇智能视频监控应用实例第7章白天车辆检测实例 7.1 道路交通样本库的采集与组织 7.1.1 样本的采集 7.1.2 样本库元信息和组织 7.2 车辆检测系统结构设计 7.2.1 基于视频的车辆检测方法概述 7.2.2 虚拟线圈车辆检测法的算法流程 7.2.3 系统框图 7.3 背景重构 7.3.1 视频背景重构技术回顾 7.3.2 基于IMFKGMM的背景提取与更新算法 7.4 灰度空间阴影检测算法研究 7.4.1 彩色图像的灰度变换 7.4.2 算法原理 7.4.3 试验结果 7.5 虚拟线圈车辆检测法 7.5.1 数学形态学后处理与状态机 7.5.2 交通参数的测量第8章夜间车辆检测实例 8.1 夜间视频车辆检测系统框架 8.2 摄像机配置 8.2.1 摄像机安装和标定 8.2.2 车灯在路面上的投影与视野的设置 8.3 车灯提取配对跟踪算法 8.3.1 车灯提取与车灯形状特征 8.3.2 配对跟踪算法 8.3.3 交通参数计算与实验结果和分析第9章昼夜亮度变化及切换方法 9.1 离线亮度变化建模 9.1.1 交通视频亮度变化实例与S型曲线 9.1.2 离线曲线拟合 9.1.3 在线亮度变化识别 9.2 昼夜检测算法的切换方法 9.2.1 亮度模型分析与切换时间选取策略 9.2.2 过渡时段的切换方法 9.2.3 切换方法试验结果 9.3 仿真试验平台第10章距离测量实例 10.1 摄像机标定及距离测量 10.1.1 OpenCV中的标定方法 10.1.2 测距算法 10.2 实验与结果分析 10.2.1 内参数矩阵与场景无关性 10.2.2 标定平面上两点间距离测量 10.2.3 垂直于标定平面轴线上两点间距离测量 10.2.4 双视角同时标定，任意两点间距离测量第11章客流检测系统实例 11.1 视频图像采集与数据结果传输 11.1.1 视频图像采集系统设置 11.1.2 视频文件 11.1.3 数据结果的传输 11.2 基于背景检测的行人检测 11.2.1 背景分割 11.2.2 行人检测 11.3 基于blob检测的行人跟踪与计数策略 11.3.1 基于blob的跟踪方法 11.3.2 计数策略 11.4 算法的工程实现与实验结果

推荐序前言第1章　基本的图像操作和处理 1.1　pil：python图像处理类库 1.1.1　转换图像格式 1.1.2　创建缩略图 1.1.3　复制和粘贴图像区域 1.1.4　调整尺寸和旋转 1.2　matplotlib 1.2.1　绘制图像、点和线 1.2.2　图像轮廓和直方图 1.2.3　交互式标注 1.3　numpy 1.3.1　图像数组表示 1.3.2　灰度变换 1.3.3　图像缩放 1.3.4　直方图均衡化 1.3.5　图像平均 1.3.6　图像的主成分分析（pca） 1.3.7　使用pickle模块 1.4　scipy 1.4.1　图像模糊 1.4.2　图像导数 1.4.3　形态学：对象计数 1.4.4　一些有用的scipy模块 1.5　高级示例：图像去噪练习代码示例约定第2章　局部图像描述子 2.1　harris角点检测器 2.2　sift（尺度不变特征变换） 2.2.1　兴趣点 2.2.2　描述子 2.2.3　检测兴趣点 2.2.4　匹配描述子 2.3　匹配地理标记图像 2.3.1　从panoramio下载地理标记图像 2.3.2　使用局部描述子匹配 2.3.3　可视化连接的图像练习第3章　图像到图像的映射 3.1　单应性变换 3.1.1　直接线性变换算法 3.1.2　仿射变换 3.2　图像扭曲 3.2.1　图像中的图像 3.2.2　分段仿射扭曲 3.2.3　图像配准 3.3　创建全景图 3.3.1　ransac 3.3.2　稳健的单应性矩阵估计 3.3.3　拼接图像练习第4章　照相机模型与增强现实 4.1　针孔照相机模型 4.1.1　照相机矩阵 4.1.2　三维点的投影 4.1.3　照相机矩阵的分解 4.1.4　计算照相机中心 4.2　照相机标定 4.3　以平面和标记物进行姿态估计 4.4　增强现实 4.4.1　pygame和pyopengl 4.4.2　从照相机矩阵到opengl格式 4.4.3　在图像中放置虚拟物体 4.4.4　综合集成 4.4.5　载入模型练习第5章　多视图几何 5.1　外极几何 5.1.1　一个简单的数据集 5.1.2　用matplotlib绘制三维数据 5.1.3　计算f：八点法 5.1.4　外极点和外极线 5.2　照相机和三维结构的计算 5.2.1　三角剖分 5.2.2　由三维点计算照相机矩阵 5.2.3　由基础矩阵计算照相机矩阵 5.3　多视图重建 5.3.1　稳健估计基础矩阵 5.3.2　三维重建示例 5.3.3　多视图的扩展示例 5.4　立体图像练习第6章　图像聚类 6.1　k-means聚类 6.1.1　scipy聚类包 6.1.2　图像聚类 6.1.3　在主成分上可视化图像 6.1.4　像素聚类 6.2　层次聚类 6.3　谱聚类练习第7章　图像搜索 7.1　基于内容的图像检索 7.2　视觉单词 7.3　图像索引 7.3.1　建立数据库 7.3.2　添加图像 7.4　在数据库中搜索图像 7.4.1　利用索引获取候选图像 7.4.2　用一幅图像进行查询 7.4.3　确定对比基准并绘制结果 7.5　使用几何特性对结果排序 7.6　建立演示程序及web应用 7.6.1　用cherrypy创建web应用 7.6.2　图像搜索演示程序练习第8章　图像内容分类 8.1　k邻近分类法（knn） 8.1.1　一个简单的二维示例 8.1.2　用稠密sift作为图像特征 8.1.3　图像分类：手势识别 8.2　贝叶斯分类器 8.3　支持向量机 8.3.1　使用libsvm 8.3.2　再论手势识别 8.4　光学字符识别 8.4.1　训练分类器 8.4.2　选取特征 8.4.3　多类支持向量机 8.4.4　提取单元格并识别字符 8.4.5　图像校正练习第9章　图像分割 9.1　图割（graph cut） 9.1.1　从图像创建图 9.1.2　用户交互式分割 9.2　利用聚类进行分割 9.3　变分法练习第10章　opencv 10.1　opencv的python接口 10.2　opencv基础知识 10.2.1　读取和写入图像 10.2.2　颜色空间 10.2.3　显示图像及结果 10.3　处理视频 10.3.1　视频输入 10.3.2　将视频读取到numpy数组中 10.4　跟踪 10.4.1　光流 10.4.2　lucas-kanade算法 10.5　更多示例 10.5.1　图像修复 10.5.2　利用分水岭变换进行分割 10.5.3　利用霍夫变换检测直线练习附录a　安装软件包 a.1　numpy和scipy a.1.1　windows a.1.2　mac os x a.1.3　linux a.2　matplotlib a.3　pil a.4　libsvm a.5　opencv a.5.1　windows 和 unix a.5.2　mac os x a.5.3　linux a.6　vlfeat a.7　pygame a.8　pyopengl a.9　pydot a.10　python-graph a.11　simplejson a.12　pysqlite a.13　cherrypy 附录b　图像集 b.1　flickr b.2　panoramio b.3　牛津大学视觉几何组 b.4　肯塔基大学识别基准图像 b.5　其他 b.5.1　prague texture segmentation datagenerator与基准 b.5.2　微软研究院grab cut数据集 b.5.3　caltech 101 b.5.4　静态手势数据库 b.5.5　middlebury stereo数据集附录c　图片来源 c.1　来自flickr的图像 c.2　其他图像 c.3　插图参考文献索引

简介：在计算机视觉中，Lucas–Kanade光流算法是一种两帧差分的光流估计算法。它由Bruce D. Lucas 和 Takeo Kanade提出。光流的概念:(Optical flow or optic flow) 它是一种运动模式，这种运动模式指的是一个物体、表面、边缘在一个视角下由一个观察者（比如眼睛、摄像头等）和背景之间形成的明显移动。光流技术，如运动检测和图像分割，时间碰撞，运动补偿

下载资源悬赏专区

12,800

社区成员

12,339,709

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章