包含KMeans以及KMeans++聚类算法的python实现，以及测试文件读写的框架程序。其中KMeans.py是以随机初始化聚类中心的方法实现聚类，KMeanspp.py则是以KMeans++的方式初始化聚类中心。testKMeans.py则是主函数入口，负责打开文件，调用算法，显示运行结果。所有文件用python编写，并配有详细注释。

win7系统下编译好的OpenCV-4.5.5，在Vs2019、Realease下编译，头文件和lib文件在opencv-4.5.5\build\install\x64目录下，源码编译方法可以看我的博客。

使用OpenPose/DLIB库实现一些最先进的计算机视觉应用程序。 基于C/C++/Python的计算机视觉模型，使用OpenPose、OpenCV、DLIB、Keras和Tensorflow库。目标检测、跟踪、人脸识别、手势、情绪和姿势识别 C/C++/Python based computer DLIB：计算机视觉和其他机器学习的现代C++工具包。 Kerasify：用于从C++应用程序运行KARAS模型的小型库。 OPENCV：开源计算机视觉库。 OpenStA:一个实时多人关键点检测和多线程C++库。 操作系统（支持）： Ubuntu 16.04 Nvidia Jetson TX2 要求： 至少有1.6 GB可用的NVIDIA图形卡（NVIDIA smi命令检查Ubuntu中可用的GPU内存）。 至少2 GB的可用RAM内存。 推荐：cuDNN和至少8核的CPU。

使用常规相机获得的人脸图像可能具有固定的限制，阻碍脸部图像中一些特定信息表达。为了实现更好的性能，通过专门的采集方法捕获的３Ｄ面部己经用于改进的方法。虽然由于诸如成本和可访问性的若干问题，这些３Ｄ图像仍然难以获得，但是低成本的深度传感器如Ｋｉｎｅｃｔ允许直接获取３Ｄ信息以及ＲＧＢ彩色图像。这为计算机视觉和人脸识别研究提供了新的机会。

随着计算机技术的发展，在各种领域如计算机视觉、人脸识别、生物信息以及医学上都面临着高维数据的难题。高维数据中往往包含了冗余信息和噪声。数据降维是将高维数据投影至低维空间并保持数据本身固有的结构，在过去几十年里被众多学者不断地研究并取得了很大进展。在人脸识别中，入脸图像往往由于受到光照，表情和姿势的影响而难以识别，降维算法可以提取人脸图像中有效特征，去除其中的冗余和干扰，提高识别率。

VIVADO2018.1 win10 工程下载后，可以直接运行

本文来自于专知，本文使用最流行的Python语言为工具，对图像处理技术的具体操作进行详细讲述，旨在让零基础的读者也可以轻松上手！【导读】在当今互联网飞速发展的社会中，数量庞大的图像和视频充斥着我们的生活，让我们需要对图片进行检索、分类等操作时，利用人工手段显然是不现实的，于是，计算机视觉相关技术便应运而生，并且得到了快速的发展。Python中有好多工具包应用于图像处理当中，这一节作为入门章节，首先来介绍Python中最基本的几个工具包，也希望读者可以在之后自行练习。PIL(PythonImagingLibrary)为图像处理类库，它为Python提供了基本的图像处理功能和基本操作。PIL

基于ubuntu18.04的python3.6编译好的opencv-contrib-python文件

首先pip install -r rerequirements.txt 搭建好yolov5的环境 搭建好yolov5的环境后直机运行 python detect_and_stereo_video_003.py

L2-RLS基于L2范数的视频目标跟踪算法，matlab2021a，动态跟踪，背景晃动下跟踪效果良好。matlab2021a测试 %%Update Model if (size(wimgs,2) >= opt.batchsize) %%(1)Incremental SVD [tmpl.basis, tmpl.eigval, tmpl.mean, tmpl.numsample] = ... sklm(wimgs, tmpl.basis, tmpl.eigval, tmpl.mean, tmpl.numsample, opt.ff); %%(2)Clear Data Buffer wimgs = []; %%(3)Keep "opt.maxbasis" Number Basis Vectors if (size(tmpl.basis,2) > opt.maxbasis) tmpl.basis =