本文是一个网友(彭文伟)的心得体会，现在传上来与大家共享

1,adaptiveskindetector web摄像机

2,bgfg_codebook 摄摄像设备的读取图片的各种方式 3,bgfg_segm 高斯处理视频

4,blobtrack 图像块blob视频追踪

5，calibration 摄像校准

6，calibration_artificial 根据角点自动校准摄像

7，camshiftdemo 彩色跟踪 根据鼠标点击一个区域的色度光谱 来跟踪视频目标

8，contours 轮廓采集

9，convert_cascade

从文件中装载训练好的级联分类器或者从OpenCV中嵌入的分类器数据库中导入 然后另存为一个文件

10，convexhull 求离散点的轮廓

11，delaunay 根据随机点 找到边 Delaunay三角测量 结束计算Voronoi图表的细胞结构

12，demhist 直方图 对比度亮度调节

13，dft 快速傅里叶分解

14，distrans 距离变换 没理解 计算输入图像的所有非零元素对其最近零元素的距离

15，drawing 画点、线、圆、椭圆和文字。

16，edge 纹理边缘检测提取

17，facedetect 人脸识别检测 不包括adaboost训练 加载已经训练好的模型

两层调用cascade.detectMultiScale 第一层测脸 第二层测眼睛

训练部分在C:\OpenCV2.1\apps\traincascade\traincascade.cpp

18，fback 计算视频(两幅图像)的光流

19，fback-c 同上 计算视频(两幅图像)的光流

20，ffilldemo 用指定颜色填充一个连接域

21，find_obj 根据surf方式角点找目标 使用最近邻搜索

选择是否使用opencv库自带的plann的最近邻搜索

22，find_obj_calonder 训练和预测R树 使用分类树

23，find_obj_ferns 也是目标寻找 基于随机蕨丛的快速识别关键点

24，fitellipse 椭圆拟合 查找图像轮廓图形

25，grabcut 鼠标键盘相应和画笔以及图片截取 对于mfc使用opencv来说没意义

26，houghlines 两种哈夫变换方式提取线

27，image 图像加噪和平滑等处理

28，inpaint 鼠标画图

29，kalman 卡尔曼滤波器

30，kmeans 聚类分析

31，laplace 拉普拉斯边缘检测

32，letter_recog

演示训练随机树分类器和boosting监督学习分类器和mlp分类器，使用uci的字符库数据集

33，lkdemo 点跟踪 改进的Lucas-Kanade 光流算法 检测视频运动目标

34，minarea 寻找最小面积的包围圆形

35，morphology 形态学操作 腐蚀膨胀处理图像

36，motempl 运动分割 原理不知

37，mser_sample (Maximally stable extremal regions

mser)MSER方法区域提取图像轮廓 复杂背景下行人检测论文59页

使用颜色距离阈值的基于MSER方法的最大稳定颜色区域检测子(Maximally Stable Colour

Regions，MSCR)

38，mushroom 演示建立决策分类树训练 使用mushroom数据 来自uci的数据库

39，peopledetect HOG (Histogram-of-Oriented

Gradients)行人或人体检测，使用的是hog特征和svm，其中svm分类器实质是一个3781维浮点数组

40，polar_transforms 把图像映射到极指数空间和线性极空间

41，pyramid_segmentation 用金字塔实现图像分割

42，squares 寻找矩形轮廓

43，stereo_calib 摄像机立体校准

44，stereo_match 立体匹配

45，tree_engine 演示使用不同的决策树 CvDTree

dtree;决策树 CvBoost boost;Boosted tree

classifier监督学习树 CvRTrees rtrees;随机树 CvERTrees

ertrees;完全随机树

46，watershed 做分水岭图像分割

39例：

Re: 如何计算窗口中HOG的3780维向量

由 sernia ? 2009-08-16 15:45

The details of our HOG computation are illustrated as

follows:

1).To reduce the illumination variance in different images,the

gray-scale normalization is performed so that all image shave the

same intensity range.

灰度图归一化处理

2). The same centered [-1, 0, 1] mask is used to compute horizontal

gradient px(x,y) and vertical gradient py(x,y) of every

pixel.

用[-1, 0, 1]水平梯度和垂直梯度处理

3).Compute the norm and orientation of each pixel.

计算距离和角度

norm(x, y) = sqrt(px2 (x, y) + py2 (x, y))

orient(x, y) = arc tan( py(x, y) / px(x, y))

4). Split input images into equally-sized cells and group them into

bigger blocks. Before computing the HOG feature, the gradient

magnitude is normalized within the block. In Dalal’s paper he uses

L2-Hys normalization in the computation of HOG feature, however,

during discussion he concludes that L2-Hys, L2-norm and L1-sqrt

performed equally well. Since L2-norm is simpler than L2-Hys, we

choose L2- normalization, as illustrated in (3)

5).After normalization the block is applied with a spatial Gaussian

window with σ = 0.5 * block _ width , as suggested by Dalal.

6).Trilinear interpolation is used to construct the HOG feature for

each cell to obtain the low-level feature in our algorithm.

问题，第三步中计算出来了每个点的模和角度后，接下来怎么做？第四步我的理解是对向量进行归一化，但是第五步直接就是说移动block了，但是1，2，3步中对每个点进行计算以后怎么得到cell的9维向量呢？而且我用openCV里面的default参数时，发现是3780个float，这个float又是根据什么计算的呢？