wahaha1_的专栏

同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的

写这篇博客的目的：主要是记录我的一些感受，怕遗忘；另一个目的就是分享一种处理问题的方式，希望对有需求的人有所帮助。           情感信息提取可以通过“生物信信号”进行分析、判断。但是，在非医学的应用中，这种方法大大增加了实验了难度。相反，通过对人脸检测和分析大大提高了实验的可行性，主要是利用人物的面部动作。实验样本：视频。   提及一下，所谓的情感计算主要是分为三个部分：机

void CDlib_MFCDlg::OnBnClickedFace(){ // TODO: 在此添加控件通知处理程序代码 char img_file[]="G:\\Source\\111.jpg"; char mark_file[]="G:\\Source\\shape_predictor_68_face_landmarks.dat";//必须导入该模型 Mat img=imread(

在讲解KMeans算法聚类之前，先推出一个场景：在上政治课的过程中，有N个班级，每个班级为M人，按照正常逻辑，相熟悉的人，会坐在一起。但是，不代表每个班的同学恰巧都坐在一起，为了把每个班的同学聚集在一起，我们需要给每个同学贴一个Label。同时，让每个班的班长站起来，其余同学根据自己身上的Label(即：属于哪个班集体),自动的和身边的人换座，向班长靠拢。这个过程和KMeans所表达的思想基本上是

//咱走的不是流量，走的是心#include#include#include#include#include#includeusing namespace std;#define Length  5    //数据维数(每个数据集，5维向量)#define K       5     //类别数(分为5类)#define Psize  50

理解矩阵和特征向量的本质原文地址最近复习矩阵论中，又是一堆定理和证明突然发现学了这么常时间的矩阵论、线性代数，记住的只是一堆莫名其妙的定理而已，一些本质的东西都没有搞清楚。比如，为什么要有矩阵，它仅仅是一堆数的组合吗，集合也是数的组合，为什么不能代替矩阵？特征值和特征向量的含义是什么？描述的是什么“特征”？矩阵乘法的含义是什么？

int CutOut(IplImage* src, IplImage* dst, int x, int y, int w,int h){ //x,y为矩形框左上角点坐标，w为宽度，h为高度 int width_src = src->widthStep; int height_src = src->height; byte* gray_src = (byte*)src->imageData