包括指纹的细化、特征点的提取、中心点的提取以及输出匹配度。指纹是已经经过预处理的。但是中心点提取对有些仍不够准确，希望各位改进！！！使用C#编的！！！

K-medoids:K-中心点算法 不采用聚类中对象的平均值作为参照点，而是选用聚类中位置最中心的对象，即中心点（medoid）作为参照点 首先随机选择k个对象作为中心，把每个对象分配给离它最近的中心 然后随机地选择一个非中心对象替换中心对象，计算分配后的距离改进量。聚类的过程就是不断迭代，进行中心对象和非中心对象的反复替换过程，直到目标函数不再有改进为止。

全国各省市地图资源数据中心点坐标 例:{ "name": "北京市", "center": "116.407394,39.904211", "districts": [] }

可以用来识别图像中物体的像素中心点坐标

首先，采用张正友标定法对四路鱼眼相机进行标定，利用基于鱼眼标定的畸变矫正 模型对鱼眼图进行畸变矫正。实验结果表明，标定参数准确，畸变矫正效果良好；研究像素坐标系与车辆坐标系之间的转换关系，实现基于坐标转换的单目相机平面测距，测距误差在 5cm 以内，达到自动泊车系统要求。 针对空停车位检测任务，设计适用于空停车位检测任务的深度卷积神经网络并构建 空停车位数据集，该数据集由 16000 张 RGB 彩色鱼眼图像组成，包括空停车位、T 型车位角、L 型车位角三种类别，并进行人工标注。在空停车位数据集上训练空停车位检测模型，并在测试集中进行检测实验。实验结果表明，空停车位检测模型检测的准确率为 98.7%，漏检率为 0.9%，单张图片的检测速度为 19ms，模型具有良好的检测效果。 针对车位角中心点定位任务，基于对单个像素点进行回归的思想，提出用于车位角 中心点定位的浅层卷积神经网络，并制作车位角中心点数据集。车位角中心点数据集包括 10000 张彩色图片，并进行人工标注。在车位角中心点数据集上训练车位角中心点检测模型，并进行检测定位实验。实验结果表明，对数平均漏检率为 0.40%，单张图片检测速度为 18ms，车位角中心点定位误差在 2.5cm 以内，相对传统的检测方法，车位角中心点检测模型具有更高的检测和定位精度及更快的检测速度。 最后将鱼眼图畸变矫正、基于坐标转换的平面测距、空停车位检测模型以及车位角 中心点检测模型四个模块融合，提出自动泊车空停车位检测和定位算法，并在实车上开展实验。实验结果验证了自动泊车空停车位检测和定位算法的正确性和可行性。在实车自动泊车过程中，算法可实时地准确检测和定位空停车位，且可以检测和定位不同路面下的停车位，具有很强的泛化能力。

最传统的K中心点聚类算法，具有易陷入局部最优和随机选取质心的缺点

数据包含省级行政界线矢量数据：①线和面数据都包括，同时包括首都和省级行政中心点数据；②地市级行政中心点矢量数据

MATLAB找出二值化图像的质心，特征点坐标提取，黑色背景上提取白色点坐标

主要介绍了使用opencv识别图像红色区域,并输出红色区域中心点坐标，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

我的平台VS2017, OpenCV3。压缩包里面有13张照片和工程文件夹，详见我的博客：https://blog.csdn.net/qq_38269418/article/details/83867728