目标检测 机器学习方法 静态场景 测试车辆检测

利用机器学习方法（分类）实现静态场景下的测试车辆检测  利用C语言或者Open_CV库，或者是MATLAB软件编写实现静态场景下的测视车辆检测。需使用机器学习方法。代码可以通过一个主函数直接运行出实验结果。  Data文件夹中包含train_34x94（训练集）和test（测试集）两个文件夹。其中，train_34x94文件夹中的数据用于训练模型，包含pos文件夹（内有550个正例样本）和neg文件夹（内有500个负例样本）； Test文件夹中的数据用于测试。  在Test测试集中的总体检测性能的评价指标为Recall、Precision 和F-measure，写出对算法的性能评价和对实现中遇到问题的理解。

高斯混合模型背景建模

利用Scene_Data文件夹中的视频帧序列实现基于GMM（高斯混合模型）的背景建模。  利用C语言或者Open_CV库，或者是MATLAB软件编写混合高斯模型算法的程序。实现给定图像帧序列的背景建模及跟踪。代码可以通过一个主函数直接运行出实验结果。  要求写出对算法即其实现遇到问题的理解和实时性问题，每秒能处理多少帧，录制代码运行时的视频拷屏

基于均值漂移法的目标跟踪

利用Mean Shift（均值漂移）算法对Car_Data文件夹中的视频帧序列实现目标跟踪，待跟踪的目标为场景中的车辆，初始目标位置标定需手工标定，（该视频序列中目标尺度没有很大变化，故在实现算法中只考虑单一尺度即可，即首帧中的目标大小。）后续帧中的目标位置需通过均值漂移方法得到。

模板匹配技术

更深入理解模板匹配技术，能够独立根据已知算法（相关匹配（Correlation Matching）、基于Hausdorff距离匹配方法 及考虑对场景图象距离变换（Distance Transform）的Hausdorff距离匹配方法）在MATLAB下编程实现相关的模板匹配技术，并通过结果，对比不同算法的优缺点。 1）利用①相关匹配（Correlation Matching）、②基于Hausdorff距离匹配方法 及③考虑对场景图象距离变换（Distance Transform）的Hausdorff距离匹配方法,实现模板目标在场景图象中的定位。 2）对于每个模板分别给出最后的目标定位位置坐标（左下角坐标为（0,0））,对于方法①与②，比较定位精度的偏差；对于方法②与③比较定位效率（时间）。

利用聚类技术实现纹理图像分割

利用聚类技术实现纹理图像分割 a）针对合成纹理图像（共有4个合成纹理图像，见文件夹：data\Texture_mosaic）中每一个像素提取纹理特征向量（提取纹理特征的方法可以为课堂讲的，也可以自己查找资料）； b）利用聚类技术（推荐用k-均值聚类，可以从网上查找原码）对特征向量空间中的点进行聚类，类别数可根据图像中的实际纹理类数确定。最后把类属标签映射成图像形式显示（如下图，其中b、d、f、h为相应的基准分割图像）。

利用基于直方图的自适应阈值方法实现分割前景与背景

利用基于直方图的自适应阈值方法实现分割前景与背景 a）设定三个不同阈值，直接观察分割结果； b) 利用统计直方图，得到一个自适应的阈值，再观察实验结果； c) 以报告形式（word）阐述对所采用的基于直方图的自适应阈值法、实验结果以及对实验结果的分析。具体格式不限，但条理要清晰

windows程序设计_第五版(中文完整版)

windows很全的入门，也很经典，大家可以下载看看