针对现有计算机视觉对交通路标识别的复杂性和不稳定性的问题，通过运用图像轮廓识别技术，提出了由全局特征到局部特征再到结构特征的多层次轮廓识别，在交通路标的识别过程中，分别构造了图像密度、形状度量、光滑程度和轮廓熵值4个层次的图像轮廓，同时结合Sobel算子和信息熵对交通路标图像进行了提取与分块处理。通过实验仿真结果表明：在图像的提取过程中，交通路标图像随着其DMOS值的增大，图像的质量越差，清晰度越低，其NRSS值越小；在图像的识别过程中，低通滤波器的大小设置为7×7，原图NRSS为0.7654，形状度量为1.3和2.4时，NRSS分别为0.3712和0.2667。这种层次化的轮廓分析在路标的识别上具有较好的稳健性。

利用AlphaShapes算法提取离散点轮廓线.doc

是一个可执行的文件，需要opencv3.3.0的环境配置。对于研究活动轮廓模型算法的人很有帮助。

对简单场景下的点云数据进行分类（建筑物点、地面点、植被），提取轮廓线并三维可视化。具体的效果可参考博客：https://blog.csdn.net/qq_32867925/article/details/123301985

基于点云数据的建筑物轮廓提取，LIDAR点云数据，建筑物，轮廓提取

安全帽分割是实现煤矿人员智能视频监控的关键技术之一，可促进人员定位、跟踪、安全帽佩戴检测等相关技术的研究，为此，提出一种基于超像素特征提取与支持向量机(Support Vector Machines,SVM)分类的矿井人员安全帽分割方法。首先，采用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型将人员图像粒化为一定数量内部像素点颜色特征相似且空间位置相近的超像素。其次，提取超像素在RGB，YCbCr，Lab，HSV空间上的颜色特征及其灰度直方图纹理特征，通过分析安全帽二维轮廓线上的斜率变化特性建立安全帽轮廓特征模型。最后，在训练集人员图像中分别提取安全帽正样本超像素和背景负样本超像素的颜色、纹理特征训练SVM分类器，采用已训练的SVM将测试集中的人员图像超像素二分类为安全帽正样本和背景负样本。进一步通过安全帽轮廓特征模型判别SVM误分类的虚假正样本并对其进行类别修正，识别同时包含正样本像素点和负样本像素点的欠分割样本超像素，并通过求取正样本区域边界掩模与Prewitt算子所提取轮廓的差集对其进行二级像素分类，分离出其中的正样本像素区

OpenCV根据矩形轮廓校正倾斜。详细说明请参考博文：http://blog.csdn.net/mengchicmc/article/details/77981112

图像的边沿特征提取和轮廓跟踪，不下是你的错，很好用

这是我自己研发的机器人三维涂胶，满足曲面涂胶，异形件、反光件，任意姿态摆放，无需工装，快速部署，节省了很多繁琐的工序

1、描述 berkeley segmentation data set (BSDS500)是伯克利大学computer vision group提供的数据集可以用来图像分割和物体边缘检测。该数据集包含200张训练图，100张验证图，200张测试图。所有标注用.mat文件保存，包含segmentation和boundaries，每张图片对应标注有五个，训练时真值可采用平均值或者用来扩充数据。 数据集中包含2个子文件夹： bench：用于评测自己方法的指标，主要为matlab的.m文件，核心文件correspondPixels.cc文件需要编译，如果是Linux64位电脑则不需要编译源文件，因为已有编译好的correspondPixels.mexa64文件在里面。 BSDS500：数据集，包括训练集、测试集、验证集 2、使用方式 使用方式 可用于物体边缘检测、语义分割等任务