1.目标跟踪综述一般包含：特征表达、跟踪模型、搜索策略跟踪方法分类2.特征表达2.1传统特征表达主要包括HOG、LBP、Harr-like、SIFT和颜色统计1.HOG:图像局部区域梯度加权直方图，一般针对灰度图像

关键点检测角点检测二、harris特征提取原理HarrisDetector的具体流程：harris特征的可复用性旋转尺度scale亮度illuminationviewpoint三、ViolaJones检测原理Harr-like

在确定了特征形式后Harr-like特征的数量就取

在确定了特征形式后Harr-like特征的数量就取决于训练样本图像矩阵的大小，特征

简介：对于Harr特征以及Adaboost的讲解，网上有很多分析，在此记录一些较好的博客。较好的文章：两篇原文：1、RapidObjectDetectionusingaBoostedCascadeofSimpleFeatures2、AnExtendedSetofHaar-likeFeaturesforRapidObjectDetection维基百科：Viola–Jonesobjectdetecti

最近项目需要，搞起了车牌，先大概做了下调研：检测的基本方法有：1用边缘检测+轮廓提取+车牌特征进行车牌的检测2用Harr-like特征或者LBP特征+Adaboost来训练模板用于车牌的检测；还有用神经网络训

发了吧：http://download.csdn.net/detail/kofsky/5555011包括：1、图片预处理；2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法

AdaBoost算法主要包括五个关键技术分别为PAC学习模型、Harr-like特征、积分图、分类器训练及检测器级联。一篇通俗易懂的文章推

本系列文章旨在学习如何在opencv中基于haar-like特征训练自己的分类器，并且用该分类器用于模式识别。该过程大致可以分为一下几个大步骤：1.准备训练样本图片，包括正例及反例样本2.生成样本描述文件3.训练样本4.目标识别=================本文主要对步骤1、步骤2进行说明。1.准备训练样本图片，包括正例及反例样本1)正样本的采集：所谓正样本，是指只包含待识别的物体的图片，一般

1、Haar-like特征直白的说，就是一个矩形框，如下Harr-like特征值就是上图每个矩形框的白色区域的面积减去黑色区域的面积这时候有人会问两个问题：1.这个矩形区域有多大？

简介：对于Harr特征以及Adaboost的讲解，网上有很多分析，在此记录一些较好的博客。较好的文章：两篇原文：1、RapidObjectDetectionusingaBoostedCascadeofSimpleFeatures2、AnExtendedSetofHaar-likeFeaturesforRapidObjectDetection维基百科：Viola–Jonesobjectdetecti

包括Harr-like,光流等大型算法的封装。opencv适用于处理平面图像，OpenCV的全称是：OpenSourceComputerVisionLibrary。

最近项目需要，搞起了车牌，先大概做了下调研：检测的基本方法有：1用边缘检测+轮廓提取+车牌特征进行车牌的检测2用Harr-like特征或者LBP特征+Adaboost来训练模板用于车牌的检测；还有用神经网络训练的

在确定了特征形式后 Harr-like特征的数量

1.Haar-like特征，即很多人常说的Haar特征，是计算机视觉领域一种常用的特征描述算子。它最早是由Papageorigiou等人用于人脸描述。目前常用的Haar-like特征可以分为三类：线性特征、边缘特征、点特征（中心特征）、对角线特征。如下图所示：显然，边缘特征有4种：x方向，y方向，x倾斜方向，y倾斜方向；线特征有8种，点特征有2种，对角线特征有1种。每一种特征的计算都是由黑色填充区

发了吧：  http://download.csdn.net/detail/kofsky/5555011包括：1、图片预处理；2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法

在确定了特征形式后Harr-like特征的数量就取决于训练样本图像矩阵的大

就像我一开始说的，比起ViolaJones人脸检测方法，Lienhart的人脸检测方法只是在Harr-like特征的选取、计算以及AdaBoost的训练算法上有区别。 

在确定了特征形式后Harr-like特征的数量就取决于训练样本图像矩阵的大小

1000个正样本，1000个负样本将图像归一化至24X24选取了10个特征模板：HarrLike{1}=[1-1];HarrLike{2}=[1-1].';HarrLike{3}=[1-11];HarrLike{4}=[1-11].';HarrLike{5}=[01;-10];HarrLike{6}=[10;0-1];HarrLike{7}=[1-1;-11];HarrLike{8}=[111;1

1000个正样本，1000个负样本将图像归一化至24X24选取了10个特征模板：HarrLike{1}=[1-1];HarrLike{2}=[1-1].';HarrLike{3}=[1-11];HarrLike{4}=[1-11].';HarrLike{5}=[01;-10];HarrLike{6}=[10;0-1];HarrLike{7}=[1-1;-11];HarrLike{8}=[111;1