基于OpenCV的古籍边缘检测技术研究

针对古籍图像自身特点,采用二次滤波改进Canny边缘检测方法,通过图像预处理、Canny检测、边缘修正、二次滤波等步骤对古籍图像进行边缘检测,并给出基于OpenCV算法,通过实验表明该方法有效地提高了古籍边缘检测的效果。     

基于OpenCV的人脸检测算法研究

介绍了一种开放源代码的计算机视觉类库OpenCv,阐述了该软件的特点及结构,并对其在Visual C++2005开发环境下的配置作了详细的说明.然后提出了一个基于OpenCv的人脸检测算法.实验结果表明,该算法具有识别效果、实时性好,检测速度快的特点.     

基于OpenCV的图像处理

OpenCV是Intel公司推出的开源、免费的计算机视觉程序库,利用OpenCV可以很方便地实现图像和视频处理。本文介绍了OpenCV的历史、特点以及结构和应用,并以人脸检测为例介绍了OpenCV在图像处理中的应用。     

基于OpenCV的人脸图像预处理技术研究

对采集到的人脸图像进行预处理和训练,以改善图像的视觉效果,提高图像的清晰度,并且使图像更有利于计算机处理,便于对图像进行分割和边缘检测,从而提高人脸图像人别的准确率,为人脸的提取特征值和识别等操作做好准备.利用PCA人脸识别方法,实现简单且识别准确率高,OpenCV的特点是实现了图像处理和计算机视觉方面的很多通用算法,实验结果表明,通过预处理后的人脸图像识别效果更好,识别速度更快.     

基于OpenCV的人脸检测与识别系统

本论文以OpenCV图像处理库为基础,采用QT作为图形界面开发,具有人脸采集,图片训练,数据库管理及人脸识别等功能,并且使用光线补偿等方式提高识别率.     

基于OpenCV的人脸检测系统设计与实现

本文介绍了OpenCV函数库的基本用法,阐述了目前做人脸检测研究中所使用的常用检测算法,并利用OpenCV设计和实现了图像中人脸的检测,试验结果表明利用OpenCV开发人脸检测系统效率高,识别效果好。     

基于OpenCV的人脸检测系统设计与实现

在生物特征识别技术中,人脸识别不同于指纹识别,人脸识别是最自然、最直接、最友好的识别方法。人脸检测和识别在身份认证、视频监控、公安系统等领域有着广泛的应用。本文利用OpenCV中提供的Boosted Cascade算法进行人脸识别,结果表明识别效率较高,效果好。     

基于Sobel算子的车辆轮廓边缘检测算法

本算法是在经典Sobel算子基础上,结合汽车本身的实际情况,增加了6个方向模板,同时利用基于L^2范数的各同性扩散去噪模型消除噪声,最终得出汽车轮廓图。仿真结果表明：该算法对汽车图像的噪声干扰有较强的抑制能力,汽车轮廓提取定位更准,精度更高,图像更清晰。     

基于OpenCV的人脸检测与跟踪方法实现

人脸是视频内容中的重要信息,对人脸的检测与跟踪是智能视频分析的一个重要分支。实现了基于OpenCV的人脸检测与跟踪方法。首先计算视频图像的Haar-like特征,然后利用AdaBoost级联分类器进行人脸检测,最后使用基于颜色的Camshift算法实现人脸跟踪。在VS 2010开发平台上调用OpenCV函数库进行C++编程;并使用MFC框架实现了人脸检测与跟踪方法。仿真实验结果证明方法思路合理、计算复杂度较低、鲁棒性较好。     

一种移动车辆遮挡下的车道线检测方法

针对存在移动车辆遮挡等强干扰的情况,提出了一种基于轮廓筛选的车道线检测方法.首先基于轮廓角度和像素数目滤除非车道轮廓进而实现特征点粗提取,然后提取像素点的位置信息,通过设计一种基于相对距离与梯度的自适应双阈值筛选法进行车道线特征点的精提取,进而拟合车道线.实验结果表明,该算法具有较强的抗遮挡能力,且满足实时性要求.     

一种基于OpenCV的多扇区圆检测方法

针对工业控制现场和生产流水线上对机器视觉的需求,提出了一种基于OpenCV的多扇区圆检测方法。首先对OpenCV做了简单介绍,给出了多扇区圆检测的原理与检测步骤,然后经过实验表明,在较高的干扰下仍能将圆形准确无误的检测出来,与随机Hough变换相比,有较高的识别准确率和较小的计算开销。     

基于OpenCV的改进RANSAC车道线检测方法

车道线的检测技术是自动驾驶汽车中的重要技术。为了提高车道线的检测能力,提出了一种改进RANSAC的车道线识别方法。通过设置感兴趣区域提取路面图像并进行缩放;把彩色图像的RGB通道按5∶5∶0的权重转化成灰度图像;再用速度更快的积分图法对图像进行自适应二值化;接下来进行一系列的形态学处理来减小噪声;提取Harris角点作为拟合数据点;最后,运用改进了选择初始点和删除外点的RANSAC(random sample consensus)的方法,根据数据点估计车道线参数。实验结果表明,该算法适合多种道路环境下的车道线检测,具有较好的鲁棒性和实时性。     

基于Adaboost算法的车牌检测在OpenCV上的研究与实现

Adaboost是一个构建精确分类器的学习算法,在目标检测领域有着广泛的应用。OpenCV是Intel开源计算机视觉库。该文给出了在OpenCV上利用Adaboost算法,实现车辆车牌检测的完整实验过程,包括样本的建立、训练级联分类器、以及利用训好的分类器进行目标检测。     

OpenCV的车道线检测方法

基于开源计算机视觉库(OpenCV),提出一种轻量级的车道线检测方法.首先,对输入的原始图像进行灰度化处理,紧接着使用双边滤波滤除噪声,大幅度保留原始图像的边缘信息;然后,用Canny边缘检测提取图像边缘;最后,使用速度更快的渐进概率Hough变换(PPHT)识别车道线.仿真结果表明:预期检测车道线的效果较好.     

基于目标检测结果的轮廓及颜色识别研究

基于深度学习方法给出的目标矩形框检测结果,针对实时目标轮廓提取和颜色识别问题,提出了一种基于边缘提取和形态学操作的方法.首先通过Canny边缘检测算法提取图像大致轮廓,应用多次形态学闭操作将目标主体与背景、噪声等加以区分,找出最大轮廓即目标轮廓,然后利用目标轮廓所包含的区域,在HSI颜色空间中完成目标颜色的统计和识别,并采用真实场景中的无人机、小汽车和人的图像来进行实验验证.实验结果表明,所提出的方法相比纯粹基于深度神经网络的方法在效率上有较大提升,相比纯粹的底层图像处理方法在精度上有较大提高,既保证了实时性,又确保了较高的精度.     

基于OpenCV的口唇检测研究

唇读技术在提高噪音环境中语音识别系统的识别率和帮助有听力障碍的人更好的理解语言方面起到了一定的辅助作用。由于说话过程中口型变化较大,直接提取口型区域较困难;而在发音过程中鼻子形状不会发生较大变化,且OpenCV自带的人脸检测器可以很好的检测出人脸。提出了一种利用嘴唇与人脸和鼻子的相对位置关系进行检测嘴唇区域的方法。实验证明,该方法可以比较快速,精确地提取出嘴唇区域,从而利于精确的进行口唇分割。     

基于OPenCV哈密瓜纹理特征的提取

采用400~1000 nm高光谱成像仪获取哈密瓜高光谱图像,并选取哈密瓜纹理特征图像,在VC++6.0环境下利用开源计算机视觉库OpenCV进行编程,通过对图像的形态学去噪、平滑处理、消除背景以及二值化处理,获取哈密瓜纹理的二值化图像,实现了对哈密瓜高光谱图像纹理特征的提取。实验结果表明:该方法可以快速有效地实现哈密瓜纹理特征提取。     

基于边缘检测及灰度跳变的车牌定位算法研究

为了能在复杂背景及不同光照条件下准确地定位出车牌,提出了一种基于边缘检测和灰度跳变的车牌定位算法．该算法首先对获取的图像进行灰度化、图像二值化等预处理操作,提高图像质量,突出车牌信息,接着对车牌图像进行边缘检测,在此基础上采用水平方向和垂直方向上的灰度跳变统计来确定车牌区域的上下边界和左右边界,从而实现车牌定位。实验结果表明,该方法可以比较准确、快速地实现车牌区域的定位．