cvx可以指定dnfsp点初始化点吗
点击联系发帖人
时间：2014-10-12 13:59
后使用快捷导航没有帐号？
只需一步，快速开始
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
今天 白天试了下 稳定下来后 基本是560-580瓦。今天西安37度
[ 本帖最后由 tingyuxuan 于
16:38 编辑 ]
交易诚信度0
主题帖子威望
交易诚信度0
提示: 作者被禁止或删除 内容自动屏蔽
交易诚信度0
主题帖子威望
初级会员, 积分 2, 距离下一级还需 3 积分
交易诚信度0
LZ 的CVX是制冷功率比抽湿功率高？？
交易诚信度0
主题帖子威望
初级会员, 积分 1, 距离下一级还需 4 积分
交易诚信度0
这贴才看到，顶楼主，我也买了72CVX，这个夏天柜机的使用时间比挂机高，确实比较舒服，温度稳定，就是用的是空气开关，没法量功耗，现在有数了。卧室里由于上当买了垃圾家具，甲醛超标，不敢关窗，一直窗户大开，35CVX只能设定略低于室温，当略带凉意的风扇用，不过有观察到功率110+W。除非睡觉，否则都在厅里用柜机。
交易诚信度0
主题帖子威望
初级会员, 积分 3, 距离下一级还需 2 积分
交易诚信度0
72cvx管子是5米的吗？
金钱135228
交易诚信度0
主题帖子威望
超级会员, 积分 167, 距离下一级还需 33 积分
交易诚信度0
最近有一贴三菱电机的测下来是500多W。这样看下来，低频涡旋还是可行的。
我为人人~~~天下大爱~~~~
家电以性价比为首选目标~~~~
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
三菱电机是60机，日立是72机，日立最低350W。电机最低400-500W。
交易诚信度0
主题帖子威望
特级会员, 积分 54, 距离下一级还需 46 积分
交易诚信度0
回复 37# jesson 的帖子
你这根本是断章取义。
交易诚信度0
主题帖子威望
初级会员, 积分 2, 距离下一级还需 3 积分
交易诚信度0
72CVX待机功率不知道是多少？
交易诚信度0
主题帖子威望
交易诚信度0
提示: 作者被禁止或删除 内容自动屏蔽
金钱135228
交易诚信度0
主题帖子威望
超级会员, 积分 167, 距离下一级还需 33 积分
交易诚信度0
原帖由 家电盲流 于
07:16 发表
你这根本是断章取义。
就拿事实来讲话吧。
toshibasony 在我的帖子上传了测试三菱电机柜机的情况和图品，
三菱电机SXE60。。。
设置25度，风量高，方向上，摆动开。。。
室外机温度传感器附近32.7度，室内初始温度28.8，温度曲线测量点在客厅与餐厅之间的间隔柜上。。。
Image00000.jpg (205.16 KB, 下载次数: 23)
18:35 上传
我为人人~~~天下大爱~~~~
家电以性价比为首选目标~~~~
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
3匹机器接16A插头的全中国到处都是
72CVX最大不过3200W，16A一点问题没有
[ 本帖最后由 marmot32 于
09:23 编辑 ]
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
柜机安装工也都会带个插头卖给你
2K多W的变频空调非得接空开？
2KW的电暖器都还接着10A的插头出厂呢，这可是实实在在2KW长时间开的
交易诚信度0
主题帖子威望
交易诚信度0
提示: 作者被禁止或删除 内容自动屏蔽
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
回复 1# tingyuxuan 的帖子
请问楼主16A的插头如何插进万方四代？[s:31]
万方四代可是10A的插口啊！
Powered by后使用快捷导航没有帐号？
只需一步，快速开始
交易诚信度1
主题帖子威望
中级会员, 积分 6, 距离下一级还需 14 积分
交易诚信度1
马上注册 家电论坛，众多有奖活动等你来参与！
才可以下载或查看，没有帐号？
离开坛子一月，周一下午休息正好搞下高温环境下的测试。
测试环境：
日下午，室外天气晴，温度35度
房间15平方，高2.7m，朝南大飘窗，无西晒。房内大衣橱，电脑桌，1.8m床，梳妆台，房内一人.
空调设置：温度23，风量强
室内温度欧西亚座机，出风口温度欧西亚探头，座机放于床头柜上，座机温度一般比探头显示高0.5度。
室内温度出风口温度室内湿度内机显示初始32.7N/A60%15分钟31.116.751%2930分钟29.913.242%2845分钟28.811.640%2760分钟27.610.640%27
总结，对于出风口温差还是满意的，基本保持了以前测试的水平，最低依然可以达到10.6，上一次30度室外温度时最低也就10.4.
变频的降温速度还是偏慢，不过运行30-45时，人体基本已经很凉爽了，虽然室内还是28左右，但是由于室外温差和湿度的降低，体感非常舒适了。
运行一小时后，出风口温度开始上升，空调应该是开始降低功率慢慢将室温降低到设定温度。（估计最后也就是26-27了）
对于35cvx在35度室外温度的表现还比较满意，上到40度确实有点吃力了。
金钱453609
交易诚信度0
主题帖子威望
交易诚信度0
交易区新帖推荐
感谢楼主的测试。感觉还是很慢，1小时才降下来5度，实际中无法满足一些应用，比如中午回来午休。所谓的舒服，也就是比较而言，跟35度比较，并不是通常意义上的20-25度的舒适区间。
这机器直冷偏软偏慢无疑了。
抵制日货，人人有责！要铁骨不要铁嘴！航母直接搁浅钓鱼岛！
交易诚信度1
主题帖子威望
中级会员, 积分 6, 距离下一级还需 14 积分
交易诚信度1
被迫的要求好高啊，20-25度才是舒适区间？要冻死人的啊。而且不符合国家标准啊，哈哈。
室外温度35度的时候，被迫的空调依然打到25度以下么？温差10度以上人体反而不舒服了吧？
交易诚信度0
主题帖子威望
中级会员, 积分 13, 距离下一级还需 7 积分
交易诚信度0
我早上测的大金的EMAX35: FTXS35HV2C, 室内初试32度，马上测出风口温度，很快就变成9.4度了，没有继续等待进一步下降。我这时测室内机上面进风口温度，是30~31C之间。
另外我还是用的风量的4档（1~5档，5档风量最强），我的外机朝南太阳直晒，感觉你的这款CVX制冷还是偏软一点。
当然我的机器是变频2级能效的，而且最低功率比你的高，但是强力制冷感觉更“硬”一些。
交易诚信度1
主题帖子威望
中级会员, 积分 6, 距离下一级还需 14 积分
交易诚信度1
恩，cvx是偏软那。
温度下降慢我觉得和我的温度计也有关，扔到冰箱里也要慢慢降低，无法实时显示。所以最低值可以参考下。
追求能耗的结果呀。夏天还是以前用定频机来的爽，哈哈。不过睡觉的时候还是变频舒服
金钱654138
交易诚信度0
主题帖子威望
超级会员, 积分 112, 距离下一级还需 88 积分
交易诚信度0
降温真够慢的
枪手是不麻腿的座便
交易诚信度0
主题帖子威望
初级会员, 积分 4, 距离下一级还需 1 积分
交易诚信度0
估计CVX为了追求能效比啊
金钱733378
交易诚信度6
主题帖子威望
交易诚信度6
看来，所谓压力门纯粹是杞人忧天了。[s:14]
马甲藏好，枪手滚粗！
靠忽悠网友赢取私利者，天诛地灭！
金钱337442
交易诚信度0
主题帖子威望
高级会员, 积分 40, 距离下一级还需 10 积分
交易诚信度0
室外35度对空调来说已不算高温了！
本人性别：男
交易诚信度0
主题帖子威望
中级会员, 积分 15, 距离下一级还需 5 积分
交易诚信度0
买的人说舒服，可是没买的人非要说不舒服，一开始以为是反石头，搞了半天半还是反CVX，CVX的帖子里面总能见到三巨头的身影，空调是让人舒服的，不是让人冷的，在单位吹着小金豆才想起BVX的好，三巨头你好，三巨头再见！
金钱103314
交易诚信度0
主题帖子威望
高级会员, 积分 27, 距离下一级还需 23 积分
交易诚信度0
我是挺CVX的，好不好，用过才知道
金钱654138
交易诚信度0
主题帖子威望
超级会员, 积分 112, 距离下一级还需 88 积分
交易诚信度0
楼主实际测试，1小时才能降到预设的正常使用温度。
请问，这一小时怎么舒适呢？
枪手是不麻腿的座便
交易诚信度0
主题帖子威望
初级会员, 积分 1, 距离下一级还需 4 积分
交易诚信度0
希望能改善一下制冷效果，我的房间朝西南，主卧西晒，如果制冷效果不好，还真不敢买
交易诚信度1
主题帖子威望
中级会员, 积分 6, 距离下一级还需 14 积分
交易诚信度1
大家为什么不探讨下降温慢的原因呢？风量一定的情况下,是否就是出风口和进风口温差太小呢？
我感觉16-17度的温差似乎还可以了，大家觉得慢的，自己的空调温差有多少呢？
交易诚信度0
主题帖子威望
初级会员, 积分 4, 距离下一级还需 1 积分
交易诚信度0
[s:148]原帖由 nanpa365 于
19:25 发表
买的人说舒服，可是没买的人非要说不舒服，一开始以为是反石头，搞了半天半还是反CVX，CVX的帖子里面总能见到三巨头的身影，空调是让人舒服的，不是让人冷的，在单位吹着小金豆才想起BVX的好，三巨头你好，三巨头再见 ...
三巨头。。[s:148] [s:148] [s:148]
优秀斑竹奖
优秀斑竹奖
Powered by1485人阅读
本文通过opencv来实现一种前景检测算法——GMM，算法采用的思想来自论文[1][2][4]。在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定的鲁棒性。最后通过对一个有树枝摇摆的动态背景进行前景检测，取得了较好的效果。
关键字：GMM,opencv，前景检测
前景检测主要分为帧差法，平均背景法，光流法，前景建模法，背景非参数估计，背景建模法等。而本文要实现的方法属于背景建模法中的一种——GMM，也称混合高斯模型。
混合高斯模型最早在计算机视觉中的应用是Stauffer et al.[1],作者将其用来做前景检测，主要是用于视频监控领域，这个系统和稳定且有自学能力，能在户外环境跑16个多月。KaewTraKulPong et al.[2]将GMM的训练过程做了改进，将训练过程分为2步进行，前L帧采用EM算法进行权值，均值，方差更新，后面的过程就采用[1]中的方法进行更新，取得了更好的检测效果。Zivkovic et al.在[3]中对GMM理论做了全面的论述，使得GMM理论的使用不仅金限于计算机视觉领域。并且该作者在[4]将该理论进一步具体到背景减图的前景检测中来，即加入了参数估计的先验知识，取得了很好的效果和稳定性。
最近几年陆续有学者对GMM的背景见图中的应用做了更深一步的研究，其代表性贡献见论文[5][6]。
& 实现过程
本文中主要是根据[2][4]中提出的算法，采用其中的更新方差来根性模型中的3个参数，最后结合用opencv基本底层函数实现该算法。其主要过程如下：
首先将每个高斯的均值,方差，权值都设置为0，即初始化个模型矩阵参数。采用视频中的T帧用来训练GMM模型。对每一个像素而言，建立其模型个数最大GMM_MAX_COMPONT个高斯的GMM模型。当第一个像素来，单独为其在程序中设置好其固定的初始均值，方差，并且权值设置为1。非第一帧训练过程中，当后面来的像素值时，与前面已有的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则任务属于该高斯。此时用如下方程进行更新：
4. 当到达训练的帧数T后，进行不同像素点GMM个数自适应的选择。首先用权值除以方差对各个高斯进行从大到小排序，然后选取最前面B个高斯，使
这样就可以很好的消除训练过程中的噪声点。
5. 在测试阶段，对新来像素点的值与B个高斯中的每一个均值进行比较，如果其差值在2倍的方差之间的话，则认为是背景，否则认为是前景。并且只要其中有一个高斯分量满足该条件就认为是前景。前景赋值为255，背景赋值为0。这样就形成了一副前景二值图。
6. 由于前景二值图中含有很多噪声，所以采用了形态学的开操作将噪声缩减到0，紧接着用闭操作重建由于开操作丢失的边缘部分的信息。消除了不连通的小噪声点。
上面是该算法实现的大概流程，但是当我们在具体编程时，还是有很多细节的地方需要注意，比如有些参数值的选择。在这里，经过试验将一些常用的参数值声明如下：
3个参数的值的更新方差中，取其中的学习率为0.005。也就是说T等于200。定义每个像素的最大混合高斯个数取7。取视频的前200帧进行训练。取Cf为0.3。即满足权值大于0.7的个数为自适应高斯的个数B。训练过程中，需要新建立一个高斯时，其权值取值设为与学习率大小值相等，即0.005。训练过程中，需要新建立一个高斯时，取该高斯的均值为该输入像素值大小本身。方差为15。训练过程中，需要新建立一个高斯时，取该高斯的方差15。
&& 程序流程框图
该工程的流程框图如下图所示：
&&
试验结果
本次试验的数据为摇摆的树枝作为背景，Waving Trees，其来源网址为：
由于该数据是286张bmp格式的图片，所以用的前200张图片来作为GMM参数训练，后186张作为测试。训练的过程中树枝被很大幅度的摆动，测试过程中有行人走动，该行人是需要迁就检测的部分。
下图为训练过程中动态背景截图
由上图可以看出，树枝在不断摇摆，可见其背景是动态的。
没有形态学处理的结果如下：
&&&&&下图是有简单形态学的试验结果：
&&&&& (上面2幅图的左边为测试原始图片，右图为检测效果图)
通过本次试验，不仅学习到了GMM的相关理论知识，以及背景减图法在前景检测中的应用。更重要的时，对opencv在计算机视觉中的使用更进一步的熟悉了。另外对于目标检测的难点有了更深一层的理解。
Stauffer, C. and W. E. L. Grimson (1999).
Adaptive background mixture models for real-time tracking, IEEE.KaewTraKulPong, P. and R. Bowden (2001).
An improved adaptive background mixture model for real-time tracking with shadow detection.Zivkovic, Z. and F. van der Heijden (2004). &Recursive unsupervised learning of finite mixture models.&Pattern Analysis and Machine Intelligence, IEEE Transactions on26(5): 651-656.Zivkovic, Z. and F. van der Heijden (2006). &Efficient adaptive density estimation per image pixel for the task of background subtraction.&Pattern recognition letters27(7): 773-780.Bouzerdoum, A., A. Beghdadi, et al. (2010). &On the analysis of background subtraction techniques using Gaussian mixture models.&Lin, H. H., J. H. Chuang, et al. (2011). &Regularized background adaptation: a novel learning rate control scheme for Gaussian mixture modeling.&Image Processing, IEEE Transactions on20(3):
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 后续改进
需要改进的地方：
1. 程序运行的速度太慢，很多参数都是浮点数，每个像素都要建立一个gmm，gmm个数本身比较多，所以训练过程中速度比较慢，代码需要优化。
2. 最后生成的前景图需要用连通域处理算法进行修整，即需要形态学操作，然后找出连通域大小满足要求的轮廓，用多边形拟合来进行处理。这种算法在《learning opencv》一书中有提到。后续有时间加入该算法，效果会好很多的。
& 附录：工程代码
//gmm.cpp : 定义控制台应用程序的入口点。
2 #include &stdafx.h&
3 #include &cv.h&
4 #include &highgui.h&
5 #include &opencv2/imgproc/imgproc.hpp&
6 #include &opencv2/core/core.hpp&
7 #include &opencv2/highgui/highgui.hpp&
8 #include &stdio.h&
9 #include &iostream&
11 using namespace
12 using namespace
14 //定义gmm模型用到的变量
15 #define GMM_MAX_COMPONT 6
16 #define GMM_LEARN_ALPHA 0.005
//该学习率越大的话，学习速度太快，效果不好
17 #define GMM_THRESHOD_SUMW 0.7
//如果取值太大了的话，则更多树的部分都被检测出来了
18 #define END_FRAME 200
20 bool pause=false;
22 Mat w[GMM_MAX_COMPONT];
23 Mat u[GMM_MAX_COMPONT];
24 Mat sigma[GMM_MAX_COMPONT];
25 Mat fit_num,gmask,
26 vector&Mat& output_m;
27 Mat output_
29 float temp_w,temp_
30 unsigned char temp_u;
31 int i=-<span style="color:#;
34 //For connected components:
35 int CVCONTOUR_APPROX_LEVEL = <span style="color:#;
// Approx.threshold - the bigger it is, the simpler is the boundary
36 int CVCLOSE_ITR = <span style="color:#;
38 //Just some convienience macros
39 #define CV_CVX_WHITE
CV_RGB(0xff,0xff,0xff)
40 #define CV_CVX_BLACK
CV_RGB(0x00,0x00,0x00)
42 //gmm整体初始化函数声明
43 void gmm_init(Mat img);
45 //gmm第一帧初始化函数声明
46 void gmm_first_frame(Mat img);
48 //gmm训练过程函数声明
49 void gmm_train(Mat img);
51 //对输入图像每个像素gmm选择合适的个数函数声明
52 void gmm_fit_num(Mat img);
54 //gmm测试函数的实现
55 void gmm_test(Mat img);
57 //连通域去噪函数声明
58 void find_connected_components(Mat img);
59 //void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers);
61 int main(int argc, const char* argv[])
Mat img,img_
char str_num[<span style="color:#];
char *str_//why does this definition not work?
String str=&WavingTrees/b00&;//string,the 's' can be a captial or lower-caseletters
/****read the first image,and reset the array w,u,sigma****/
img=imread(&WavingTrees/b00000.bmp&);
if(img.empty())
return -<span style="color:#;
output_img=Mat::zeros(img.size(),img.type());
cvtColor(img,img_gray,CV_BGR2GRAY);//covert the colorful image to the corresponding gray-level image
/****initialization the three parameters ****/
gmm_init(img_gray);
fit_num=Mat(img.size(),CV_8UC1,-<span style="color:#);//初始化为1
gmask=Mat(img.size(),CV_8UC1,-<span style="color:#);
foreground=img.clone();
split(img,output_m);
output_m[<span style="color:#]=Mat::zeros(img.size(),output_m[<span style="color:#].type());
output_m[<span style="color:#]=Mat::zeros(img.size(),output_m[<span style="color:#].type());
output_m[<span style="color:#]=Mat::zeros(img.size(),output_m[<span style="color:#].type());
namedWindow(&src&,WINDOW_AUTOSIZE);
namedWindow(&gmask&,WINDOW_AUTOSIZE);
//在定义视频输出对象时，文件名一定后面要加后缀，比如这里的.avi,否则是输出不了视频的！并且这里只能是avi格式的，当参数为('P','I','M','1')时
VideoWriter output_src(&src.avi&,CV_FOURCC('P','I','M','<span style="color:#'),<span style="color:#,Size(<span style="color:#0,<span style="color:#0),<span style="color:#);//c++版本的opencv用Size函数即可，c版本的用cvSize()函数
//VideoWriter output_src(&src.avi&,CV_FOURCC('M','J','P','G'),5,Size(160,120),1);//c++版本的opencv用Size函数即可，c版本的用cvSize()函数
VideoWriter output_dst(&dst.avi&,CV_FOURCC('P','I','M','<span style="color:#'),<span style="color:#,Size(<span style="color:#0,<span style="color:#0),<span style="color:#);//这样输出的是3个通道的数据
while(<span style="color:#)
if(!pause)
<span style="color:#0
<span style="color:#1
/****read image from WavingTrees****/
<span style="color:#2
i++;
<span style="color:#3
_itoa_s(i,str_num,<span style="color:#);//the latest name is _itoa_s or _itoa,not the itoa,although iota can be used,deprecated
<span style="color:#4
if(i&<span style="color:#)
<span style="color:#5
str+=&<span style="color:#&;
<span style="color:#6
else if(i&<span style="color:#0)
<span style="color:#7
str+=&<span style="color:#&;
<span style="color:#8
else if(i&<span style="color:#5)//we used the first 285 frames to learn the gmm model
<span style="color:#9
i=-<span style="color:#;
<span style="color:#0
str+=str_
<span style="color:#1
str+=&.bmp&;
<span style="color:#2
<span style="color:#3
img=imread(str);
<span style="color:#4
if(img.empty())
<span style="color:#5
<span style="color:#6
str=&WavingTrees/b00&;//after read,
<span style="color:#7
<span style="color:#8
cvtColor(img,img_gray,CV_BGR2GRAY);//covert the colorful image to the corresponding gray-level image
<span style="color:#9
<span style="color:#0
/****when it is the first frame,set the default parameter****/
<span style="color:#1
if(<span style="color:#==i)
<span style="color:#2
<span style="color:#3
gmm_first_frame(img_gray);
<span style="color:#4
<span style="color:#5
<span style="color:#6
//the train of gmm phase
<span style="color:#7
//if(1&i&&i&5&&i!=3)//由此可知当i大于等于3以后，就会一直出现错误，且错误在内部排序的部分
<span style="color:#8
if(<span style="color:#&i&END_FRAME)
<span style="color:#9
<span style="color:#0
gmm_train(img_gray);
<span style="color:#1
}//end the train phase
<span style="color:#2
<span style="color:#3
<span style="color:#4
/****chose the fitting number of component in gmm****/
<span style="color:#5
if(END_FRAME==i)
<span style="color:#6
<span style="color:#7
gmm_fit_num(img_gray);
<span style="color:#8
cout&&fit_num&&//其输出值有4个高斯的，但也有0个高斯的，why？照理说不可能的啊！
<span style="color:#9
<span style="color:#0
<span style="color:#1
/****start the test phase****/
<span style="color:#2
if(i&=END_FRAME)
<span style="color:#3
<span style="color:#4
output_src&&
<span style="color:#5
gmm_test(img_gray);
<span style="color:#6
find_connected_components(img_gray);
<span style="color:#7
<span style="color:#8
output_m[<span style="color:#]=gmask.clone();
<span style="color:#9
output_m[<span style="color:#]=gmask.clone();
<span style="color:#0
output_m[<span style="color:#]=gmask.clone();
<span style="color:#1
<span style="color:#2
merge(output_m,output_img);
<span style="color:#3
output_dst&&output_
<span style="color:#4
<span style="color:#5
if(<span style="color:#5==i)
<span style="color:#6
<span style="color:#7
return <span style="color:#;
<span style="color:#8
<span style="color:#9
imshow(&src&,img);
<span style="color:#0
imshow(&gmask&,gmask);
<span style="color:#1
<span style="color:#2
<span style="color:#3
char c=(char)waitKey(<span style="color:#);
<span style="color:#4
if(c==<span style="color:#)//if press the ESC key,the exit the proggram
<span style="color:#5
<span style="color:#6
if(c==' ')
<span style="color:#7
pause=~//if use '~',then the pause key cannot work,why?
<span style="color:#8
<span style="color:#9
<span style="color:#0
return <span style="color:#;
<span style="color:#1 }
<span style="color:#2
<span style="color:#3
<span style="color:#4 //gmm初始化函数实现
<span style="color:#5 void gmm_init(Mat img)
<span style="color:#6 {
<span style="color:#7
/****initialization the three parameters ****/
<span style="color:#8
for(int j=<span style="color:#;j&GMM_MAX_COMPONT;j++)
<span style="color:#9
<span style="color:#0
w[j]=Mat(img.size(),CV_32FC1,<span style="color:#.0);//CV_32FC1本身体现了正负符号
<span style="color:#1
u[j]=Mat(img.size(),CV_8UC1,-<span style="color:#);//为什么这里赋值为0时，后面的就一直出错？暂时还不知道原因，先赋值-1，其实内部存储的也是0
<span style="color:#2
sigma[j]=Mat(img.size(),CV_32FC1,<span style="color:#.0);//float类型
<span style="color:#3
<span style="color:#4
<span style="color:#5
//为什么一下语句不能放在这个函数里面呢
<span style="color:#6 //
output_m[0]=Mat(img.size(),CV_8UC1,0);
<span style="color:#7 //
output_m[1]=Mat(img.size(),CV_8UC1,0);
<span style="color:#8 //
output_m[2]=Mat(img.size(),CV_8UC1,0);
<span style="color:#9 }
<span style="color:#0
<span style="color:#1
<span style="color:#2 //gmm第一帧初始化函数实现
<span style="color:#3 void gmm_first_frame(Mat img)
<span style="color:#4 {
<span style="color:#5
for(int m=<span style="color:#;m&img.m++)
<span style="color:#6
for(int n=<span style="color:#;n&img.n++)
<span style="color:#7
<span style="color:#8
w[<span style="color:#].at&float&(m,n)=<span style="color:#.0;
<span style="color:#9
<span style="color:#0
//if the pixvel is gray-clever,then we should use unsigned char,not the unsigned int
<span style="color:#1
u[<span style="color:#].at&unsigned char&(m,n)=img.at&unsigned char&(m,n);// 一定要注意其类型转换，否则会得不得预期的结果
<span style="color:#2
sigma[<span style="color:#].at&float&(m,n)=<span style="color:#.0;//opencv 自带的gmm代码中用的是15.0
<span style="color:#3
<span style="color:#4
for(int k=<span style="color:#;k&GMM_MAX_COMPONT;k++)
<span style="color:#5
<span style="color:#6
/****when assigment this,we must be very carefully****/
<span style="color:#7
w[k].at&float&(m,n)=<span style="color:#.0;
<span style="color:#8
u[k].at&unsigned char&(m,n)=-<span style="color:#;
<span style="color:#9
sigma[k].at&float&(m,n)=<span style="color:#.0;//防止后面排序时有分母为0的情况
<span style="color:#0
<span style="color:#1
<span style="color:#2 }
<span style="color:#3
<span style="color:#4
<span style="color:#5 //gmm训练过程函数实现
<span style="color:#6 void gmm_train(Mat img)
<span style="color:#7 {
<span style="color:#8
for(int m=<span style="color:#;m&img.m++)
<span style="color:#9
for(int n=<span style="color:#;n&img.n++)
<span style="color:#0
<span style="color:#1
int k=<span style="color:#;
<span style="color:#2
int nfit=<span style="color:#;
<span style="color:#3
for(;k&GMM_MAX_COMPONT;k++)
<span style="color:#4
<span style="color:#5
if(w[k].at&float&(m,n)!=0)//只有在权值不为0的情况下才进行比较
<span style="color:#6
<span style="color:#7
int delam=abs(img.at&unsigned char&(m,n)-u[k].at&unsigned char&(m,n));//防止溢出
<span style="color:#8
long dis=delam*
<span style="color:#9
if(dis&<span style="color:#.0*sigma[k].at&float&(m,n))//the present pixpel is fit the component
<span style="color:#0
<span style="color:#1
/****update the weight****/
<span style="color:#2
w[k].at&float&(m,n)=w[k].at&float&(m,n)+GMM_LEARN_ALPHA*(<span style="color:#-w[k].at&float&(m,n));
<span style="color:#3
<span style="color:#4
/****update the average****/
<span style="color:#5
u[k].at&unsigned char&(m,n)=u[k].at&unsigned char&(m,n)+(GMM_LEARN_ALPHA/w[k].at&float&(m,n))*
<span style="color:#6
<span style="color:#7
/****update the variance****/
<span style="color:#8
sigma[k].at&float&(m,n)=sigma[k].at&float&(m,n)+(GMM_LEARN_ALPHA/w[k].at&float&(m,n))*(dis-sigma[k].at&float&(m,n));
<span style="color:#9
<span style="color:#0
<span style="color:#1
<span style="color:#2
<span style="color:#3
w[k].at&float&(m,n)=w[k].at&float&(m,n)+GMM_LEARN_ALPHA*(<span style="color:#-w[k].at&float&(m,n));
<span style="color:#4
nfit++;
<span style="color:#5
<span style="color:#6
<span style="color:#7
<span style="color:#8
<span style="color:#9
////训练过程加速算法
<span style="color:#0
//for(int bb=k+1;bb&GMM_MAX_COMPONT;bb++)
<span style="color:#1
<span style="color:#2
w[bb].at&float&(m,n)=w[bb].at&float&(m,n)+GMM_LEARN_ALPHA*(0-w[bb].at&float&(m,n));
<span style="color:#3
nfit++;
<span style="color:#4
<span style="color:#5
<span style="color:#6
//对gmm各个高斯进行排序,从大到小排序,排序依据为w/sigma
<span style="color:#7
for(int kk=<span style="color:#;kk&GMM_MAX_COMPONT;kk++)
<span style="color:#8
<span style="color:#9
for(int rr=rr&GMM_MAX_COMPONT;rr++)
<span style="color:#0
<span style="color:#1
//怎样才能做到gmm结构体整体排序呢？
<span style="color:#2
if(w[rr].at&float&(m,n)/sigma[rr].at&float&(m,n)&w[kk].at&float&(m,n)/sigma[kk].at&float&(m,n))
<span style="color:#3
<span style="color:#4
//权值交换
<span style="color:#5
temp_w=w[rr].at&float&(m,n);
<span style="color:#6
w[rr].at&float&(m,n)=w[kk].at&float&(m,n);
<span style="color:#7
w[kk].at&float&(m,n)=temp_w;
<span style="color:#8
<span style="color:#9
//均值交换
<span style="color:#0
temp_u=u[rr].at&unsigned char&(m,n);
<span style="color:#1
u[rr].at&unsigned char&(m,n)=u[kk].at&unsigned char&(m,n);
<span style="color:#2
u[kk].at&unsigned char&(m,n)=temp_u;
<span style="color:#3
<span style="color:#4
//方差交换
<span style="color:#5
temp_sigma=sigma[rr].at&float&(m,n);
<span style="color:#6
sigma[rr].at&float&(m,n)=sigma[kk].at&float&(m,n);
<span style="color:#7
sigma[kk].at&float&(m,n)=temp_
<span style="color:#8
<span style="color:#9
<span style="color:#0
<span style="color:#1
<span style="color:#2
//****如果没有满足条件的高斯，则重新开始算一个高斯分布****/
<span style="color:#3
if(nfit==GMM_MAX_COMPONT&&<span style="color:#==w[GMM_MAX_COMPONT-<span style="color:#].at&float&(m,n))//if there is no exit component fit,then start a new componen
<span style="color:#4
<span style="color:#5
//不能写为for(int h=0;h&MAX_GMM_COMPONT&&((0==w[h].at&float&(m,n)));h++)，因为这样明显h不会每次都加1
<span style="color:#6
for(int h=<span style="color:#;h&GMM_MAX_COMPONT;h++)
<span style="color:#7
<span style="color:#8
if((<span style="color:#==w[h].at&float&(m,n)))
<span style="color:#9
<span style="color:#0
w[h].at&float&(m,n)=GMM_LEARN_ALPHA;//按照论文的参数来的
<span style="color:#1
u[h].at&unsigned char&(m,n)=(unsigned char)img.at&unsigned char&(m,n);
<span style="color:#2
sigma[h].at&float&(m,n)=<span style="color:#.0;//the opencv library code is 15.0
<span style="color:#3
for(int q=<span style="color:#;q&GMM_MAX_COMPONT&&q!=h;q++)
<span style="color:#4
<span style="color:#5
/****update the other unfit's weight,u and sigma remain unchanged****/
<span style="color:#6
w[q].at&float&(m,n)*=<span style="color:#-GMM_LEARN_ALPHA;//normalization the weight,let they sum to 1
<span style="color:#7
<span style="color:#8
break;//找到第一个权值不为0的即可
<span style="color:#9
<span style="color:#0
<span style="color:#1
<span style="color:#2
//如果GMM_MAX_COMPONT都曾经赋值过，则用新来的高斯代替权值最弱的高斯，权值不变，只更新均值和方差
<span style="color:#3
else if(nfit==GMM_MAX_COMPONT&&w[GMM_MAX_COMPONT-<span style="color:#].at&float&(m,n)!=<span style="color:#)
<span style="color:#4
<span style="color:#5
u[GMM_MAX_COMPONT-<span style="color:#].at&unsigned char&(m,n)=(unsigned char)img.at&unsigned char&(m,n);
<span style="color:#6
sigma[GMM_MAX_COMPONT-<span style="color:#].at&float&(m,n)=<span style="color:#.0;//the opencv library code is 15.0
<span style="color:#7
<span style="color:#8
<span style="color:#9
<span style="color:#0
<span style="color:#1 }//end the train phase
<span style="color:#2
<span style="color:#3
<span style="color:#4 //对输入图像每个像素gmm选择合适的个数
<span style="color:#5 void gmm_fit_num(Mat img)
<span style="color:#6 {
<span style="color:#7
//float sum_w=0.0;//重新赋值为0，给下一个像素做累积
<span style="color:#8
for(int m=<span style="color:#;m&img.m++)
<span style="color:#9
for(int n=<span style="color:#;n&img.n++)
<span style="color:#0
<span style="color:#1
float sum_w=<span style="color:#.0;//重新赋值为0，给下一个像素做累积
<span style="color:#2
//chose the fittest number fit_num
<span style="color:#3
for(unsigned char a=<span style="color:#;a&GMM_MAX_COMPONT;a++)
<span style="color:#4
<span style="color:#5
//cout&&w[a].at&float&(m,n)&&
<span style="color:#6
sum_w+=w[a].at&float&(m,n);
<span style="color:#7
if(sum_w&=GMM_THRESHOD_SUMW)//如果这里THRESHOD_SUMW=0.6的话，那么得到的高斯数目都为1，因为每个像素都有一个权值接近1
<span style="color:#8
<span style="color:#9
fit_num.at&unsigned char&(m,n)=a+<span style="color:#;
<span style="color:#0
<span style="color:#1
<span style="color:#2
<span style="color:#3
<span style="color:#4 }
<span style="color:#5
<span style="color:#6
<span style="color:#7 //gmm测试函数的实现
<span style="color:#8 void gmm_test(Mat img)
<span style="color:#9 {
<span style="color:#0
for(int m=<span style="color:#;m&img.m++)
<span style="color:#1
for(int n=<span style="color:#;n&img.n++)
<span style="color:#2
<span style="color:#3
unsigned char a=<span style="color:#;
<span style="color:#4
for(;a&fit_num.at&unsigned char&(m,n);a++)
<span style="color:#5
<span style="color:#6
//如果对sigma取根号的话，树枝当做前景的概率会更大，不过人被检测出来的效果也更好些；用2相乘，不用开根号效果还不错
<span style="color:#7
if(abs(img.at&unsigned char&(m,n)-u[a].at&unsigned char&(m,n))&(unsigned char)(2*(sigma[a].at&float&(m,n))))
<span style="color:#8
if(abs(img.at&unsigned char&(m,n)-u[a].at&unsigned char&(m,n))&(unsigned char)(<span style="color:#.5*(sigma[a].at&float&(m,n))))
<span style="color:#9
<span style="color:#0
gmask.at&unsigned char&(m,n)=<span style="color:#;//背景
<span style="color:#1
<span style="color:#2
<span style="color:#3
<span style="color:#4
if(a==fit_num.at&unsigned char&(m,n))
<span style="color:#5
gmask.at&unsigned char&(m,n)=<span style="color:#5;//前景
<span style="color:#6
<span style="color:#7 }
<span style="color:#8
<span style="color:#9 //连通域去噪函数实现
<span style="color:#0 void find_connected_components(Mat img)
<span style="color:#1 {
<span style="color:#2
morphologyEx(gmask,gmask,MORPH_OPEN,Mat());
<span style="color:#3 //
morphologyEx(gmask,gmask,MORPH_CLOSE,Mat());
<span style="color:#4 }
<span style="color:#5
<span style="color:#6 ////连通域去噪函数实现
<span style="color:#7 //void find_connected_components(Mat img)
<span style="color:#8 //{
<span style="color:#9 //
morphologyEx(gmask,gmask,MORPH_OPEN,Mat());
<span style="color:#0 //
morphologyEx(gmask,gmask,MORPH_CLOSE,Mat());
<span style="color:#1 ////
erode(gmask,gmask,Mat());//只腐蚀是不行的，人来了也被腐蚀掉了
<span style="color:#2 //
<span style="color:#3 //
vector&vector&Point&&//由点向量组成的向量，所以有2个层次结构
<span style="color:#4 //
vector&Vec4i&//typedef Vec&int,4&Vec4i;即由4个整数组成的向量
<span style="color:#5 //
<span style="color:#6 //
//找到gmask的轮廓，存储在contours中，其拓扑结构存储在hierarchy中，且仅仅找出最外面的轮廓，用压缩算法只存储水平，垂直，斜对角线的端点
<span style="color:#7 //
//其中暗含了hierarchy[i][2]=hierarchy[3]=-1,即其父轮廓和嵌套轮廓不用考虑
<span style="color:#8 //
findContours(gmask,contours,hierarchy,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
<span style="color:#9 //
if(contours.size()==0)
<span style="color:#0 //
<span style="color:#1 //
<span style="color:#2 //
int idex=0;
<span style="color:#3 //
for(idex=0;idex&contours.size();idex++)
<span style="color:#4 //
<span style="color:#5 //
const vector&Point&& c=contours[idex];
<span style="color:#6 ////
const vector&Point&& cnull::zeros();
<span style="color:#7 //
double len=arcLength(c,false);//求出轮廓的周长，并不一定要求其是封闭的
<span style="color:#8 //
double q=(img.rows+img.cols)/4;
<span style="color:#9 //
if(q&=len)
<span style="color:#0 //
<span style="color:#1 //
const vector&Point& &cnew=contours[idex];
<span style="color:#2 //
Mat mcnew=Mat(cnew);
<span style="color:#3 //
<span style="color:#4 //
approxPolyDP(Mat(c),mcnew,CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
<span style="color:#5 //
approxPolyDP(Mat(c),Mat(cnew),CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
<span style="color:#6 //
approxPolyDP(Mat(c),cnew,CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
<span style="color:#7 //
cnew=vector&Point&(mcnew);
<span style="color:#8 //
contours[idex]=
<span style="color:#9 //
<span style="color:#0 ////
else contours[idex]=vector&Point(0,0,0)&;
<span style="color:#1 //
<span style="color:#2 //
<span style="color:#3 //}
<span style="color:#4
<span style="color:#5 ///////////////////////////////////////////////////////////////////////////////////////////
<span style="color:#6 //void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers)
<span style="color:#7 // This cleans up the forground segmentation mask derived from calls to cvbackgroundDiff
<span style="color:#8 //
<span style="color:#9 // mask
Is a grayscale (8 bit depth) &raw& mask image which will be cleaned up
<span style="color:#0 //
<span style="color:#1 // OPTIONAL PARAMETERS:
<span style="color:#2 // poly1_hull0
If set, approximate connected component by (DEFAULT) polygon, or else convex hull (0)
<span style="color:#3 // perimScale
Len = image (width+height)/perimScale.
If contour len & this, delete that contour (DEFAULT: 4)
<span style="color:#4 // num
Maximum number of rectangles and/or centers to return, on return, will contain number filled (DEFAULT: NULL)
<span style="color:#5 // bbs
Pointer to bounding box rectangle vector of length num.
(DEFAULT SETTING: NULL)
<span style="color:#6 // centers
Pointer to contour centers vectore of length num (DEFULT: NULL)
<span style="color:#7 //
<span style="color:#8 //void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers)
<span style="color:#9 //{
<span style="color:#0 //
static CvMemStorage*
mem_storage
<span style="color:#1 //
static CvSeq*
<span style="color:#2 ////
static CvSeq**
<span style="color:#3 //
<span style="color:#4 //
//CLEAN UP RAW MASK
<span style="color:#5 //
//开运算作用：平滑轮廓，去掉细节,断开缺口
<span style="color:#6 //
cvMorphologyEx( mask, mask, NULL, NULL, CV_MOP_OPEN, CVCLOSE_ITR );//对输入mask进行开操作，CVCLOSE_ITR为开操作的次数，输出为mask图像
<span style="color:#7 //
//闭运算作用：平滑轮廓，连接缺口
<span style="color:#8 //
cvMorphologyEx( mask, mask, NULL, NULL, CV_MOP_CLOSE, CVCLOSE_ITR );//对输入mask进行闭操作，CVCLOSE_ITR为闭操作的次数，输出为mask图像
<span style="color:#9 //
<span style="color:#0 //
//FIND CONTOURS AROUND ONLY BIGGER REGIONS
<span style="color:#1 //
if( mem_storage==NULL ) mem_storage = cvCreateMemStorage(0);
<span style="color:#2 //
else cvClearMemStorage(mem_storage);
<span style="color:#3 //
<span style="color:#4 //
//CV_RETR_EXTERNAL=0是在types_c.h中定义的，CV_CHAIN_APPROX_SIMPLE=2也是在该文件中定义的
<span style="color:#5 //
CvContourScanner scanner = cvStartFindContours(mask,mem_storage,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
<span style="color:#6 ////
CvContourScanner scanner = cvFindContours(mask,mem_storage,firstContour,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
<span style="color:#7 //
<span style="color:#8 //
int numCont = 0;
<span style="color:#9 //
while( (c = cvFindNextContour( scanner )) != NULL )
<span style="color:#0 //
<span style="color:#1 //
double len = cvContourPerimeter( c );
<span style="color:#2 //
double q = (mask-&height + mask-&width) /perimS
//calculate perimeter len threshold
<span style="color:#3 //
if( len & q ) //Get rid of blob if it's perimeter is too small
<span style="color:#4 //
<span style="color:#5 //
cvSubstituteContour( scanner, NULL );
<span style="color:#6 //
<span style="color:#7 //
else //Smooth it's edges if it's large enough
<span style="color:#8 //
<span style="color:#9 //
<span style="color:#0 //
if(poly1_hull0) //Polygonal approximation of the segmentation
<span style="color:#1 //
c_new = cvApproxPoly(c,sizeof(CvContour),mem_storage,CV_POLY_APPROX_DP, CVCONTOUR_APPROX_LEVEL,0);
<span style="color:#2 //
else //Convex Hull of the segmentation
<span style="color:#3 //
c_new = cvConvexHull2(c,mem_storage,CV_CLOCKWISE,1);
<span style="color:#4 //
cvSubstituteContour( scanner, c_new );
<span style="color:#5 //
numCont++;
<span style="color:#6 //
<span style="color:#7 //
<span style="color:#8 //
contours = cvEndFindContours( &scanner );
<span style="color:#9 //
<span style="color:#0 //
// PAINT THE FOUND REGIONS BACK INTO THE IMAGE
<span style="color:#1 //
cvZero( mask );
<span style="color:#2 //
IplImage *maskT
<span style="color:#3 //
//CALC CENTER OF MASS AND OR BOUNDING RECTANGLES
<span style="color:#4 //
if(num != NULL)
<span style="color:#5 //
<span style="color:#6 //
int N = *num, numFilled = 0, i=0;
<span style="color:#7 //
<span style="color:#8 //
double M00, M01, M10;
<span style="color:#9 //
maskTemp = cvCloneImage(mask);
<span style="color:#0 //
for(i=0, c= c != NULL; c = c-&h_next,i++ )
<span style="color:#1 //
<span style="color:#2 //
if(i & N) //Only process up to *num of them
<span style="color:#3 //
<span style="color:#4 //
cvDrawContours(maskTemp,c,CV_CVX_WHITE, CV_CVX_WHITE,-1,CV_FILLED,8);
<span style="color:#5 //
//Find the center of each contour
<span style="color:#6 //
if(centers != NULL)
<span style="color:#7 //
<span style="color:#8 //
cvMoments(maskTemp,&moments,1);
<span style="color:#9 //
M00 = cvGetSpatialMoment(&moments,0,0);
<span style="color:#0 //
M10 = cvGetSpatialMoment(&moments,1,0);
<span style="color:#1 //
M01 = cvGetSpatialMoment(&moments,0,1);
<span style="color:#2 //
centers[i].x = (int)(M10/M00);
<span style="color:#3 //
centers[i].y = (int)(M01/M00);
<span style="color:#4 //
<span style="color:#5 //
//Bounding rectangles around blobs
<span style="color:#6 //
if(bbs != NULL)
<span style="color:#7 //
<span style="color:#8 //
bbs[i] = cvBoundingRect(c);
<span style="color:#9 //
<span style="color:#0 //
cvZero(maskTemp);
<span style="color:#1 //
numFilled++;
<span style="color:#2 //
<span style="color:#3 //
//Draw filled contours into mask
<span style="color:#4 //
cvDrawContours(mask,c,CV_CVX_WHITE,CV_CVX_WHITE,-1,CV_FILLED,8); //draw to central mask
<span style="color:#5 //
} //end looping over contours
<span style="color:#6 //
*num = numF
<span style="color:#7 //
cvReleaseImage( &maskTemp);
<span style="color:#8 //
<span style="color:#9 //
//ELSE JUST DRAW PROCESSED CONTOURS INTO THE MASK
<span style="color:#0 //
<span style="color:#1 //
<span style="color:#2 //
for( c= c != NULL; c = c-&h_next )
<span style="color:#3 //
<span style="color:#4 //
cvDrawContours(mask,c,CV_CVX_WHITE, CV_CVX_BLACK,-1,CV_FILLED,8);
<span style="color:#5 //
<span style="color:#6 //
<span style="color:#7 //}
作者：tornadomeet出处：/tornadomeet欢迎转载或分享，但请务必声明文章出处。
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：13387次
排名：千里之外
转载：10篇
(1)(1)(3)(2)(5)(1)}
只需一步，快速开始
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
今天 白天试了下 稳定下来后 基本是560-580瓦。今天西安37度
[ 本帖最后由 tingyuxuan 于
16:38 编辑 ]
交易诚信度0
主题帖子威望
交易诚信度0
提示: 作者被禁止或删除 内容自动屏蔽
交易诚信度0
主题帖子威望
初级会员, 积分 2, 距离下一级还需 3 积分
交易诚信度0
LZ 的CVX是制冷功率比抽湿功率高？？
交易诚信度0
主题帖子威望
初级会员, 积分 1, 距离下一级还需 4 积分
交易诚信度0
这贴才看到，顶楼主，我也买了72CVX，这个夏天柜机的使用时间比挂机高，确实比较舒服，温度稳定，就是用的是空气开关，没法量功耗，现在有数了。卧室里由于上当买了垃圾家具，甲醛超标，不敢关窗，一直窗户大开，35CVX只能设定略低于室温，当略带凉意的风扇用，不过有观察到功率110+W。除非睡觉，否则都在厅里用柜机。
交易诚信度0
主题帖子威望
初级会员, 积分 3, 距离下一级还需 2 积分
交易诚信度0
72cvx管子是5米的吗？
金钱135228
交易诚信度0
主题帖子威望
超级会员, 积分 167, 距离下一级还需 33 积分
交易诚信度0
最近有一贴三菱电机的测下来是500多W。这样看下来，低频涡旋还是可行的。
我为人人~~~天下大爱~~~~
家电以性价比为首选目标~~~~
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
三菱电机是60机，日立是72机，日立最低350W。电机最低400-500W。
交易诚信度0
主题帖子威望
特级会员, 积分 54, 距离下一级还需 46 积分
交易诚信度0
回复 37# jesson 的帖子
你这根本是断章取义。
交易诚信度0
主题帖子威望
初级会员, 积分 2, 距离下一级还需 3 积分
交易诚信度0
72CVX待机功率不知道是多少？
交易诚信度0
主题帖子威望
交易诚信度0
提示: 作者被禁止或删除 内容自动屏蔽
金钱135228
交易诚信度0
主题帖子威望
超级会员, 积分 167, 距离下一级还需 33 积分
交易诚信度0
原帖由 家电盲流 于
07:16 发表
你这根本是断章取义。
就拿事实来讲话吧。
toshibasony 在我的帖子上传了测试三菱电机柜机的情况和图品，
三菱电机SXE60。。。
设置25度，风量高，方向上，摆动开。。。
室外机温度传感器附近32.7度，室内初始温度28.8，温度曲线测量点在客厅与餐厅之间的间隔柜上。。。
Image00000.jpg (205.16 KB, 下载次数: 23)
18:35 上传
我为人人~~~天下大爱~~~~
家电以性价比为首选目标~~~~
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
3匹机器接16A插头的全中国到处都是
72CVX最大不过3200W，16A一点问题没有
[ 本帖最后由 marmot32 于
09:23 编辑 ]
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
柜机安装工也都会带个插头卖给你
2K多W的变频空调非得接空开？
2KW的电暖器都还接着10A的插头出厂呢，这可是实实在在2KW长时间开的
交易诚信度0
主题帖子威望
交易诚信度0
提示: 作者被禁止或删除 内容自动屏蔽
交易诚信度0
主题帖子威望
新手上路, 积分 0, 距离下一级还需 1 积分
交易诚信度0
回复 1# tingyuxuan 的帖子
请问楼主16A的插头如何插进万方四代？[s:31]
万方四代可是10A的插口啊！
Powered by后使用快捷导航没有帐号？
只需一步，快速开始
交易诚信度1
主题帖子威望
中级会员, 积分 6, 距离下一级还需 14 积分
交易诚信度1
马上注册 家电论坛，众多有奖活动等你来参与！
才可以下载或查看，没有帐号？
离开坛子一月，周一下午休息正好搞下高温环境下的测试。
测试环境：
日下午，室外天气晴，温度35度
房间15平方，高2.7m，朝南大飘窗，无西晒。房内大衣橱，电脑桌，1.8m床，梳妆台，房内一人.
空调设置：温度23，风量强
室内温度欧西亚座机，出风口温度欧西亚探头，座机放于床头柜上，座机温度一般比探头显示高0.5度。
室内温度出风口温度室内湿度内机显示初始32.7N/A60%15分钟31.116.751%2930分钟29.913.242%2845分钟28.811.640%2760分钟27.610.640%27
总结，对于出风口温差还是满意的，基本保持了以前测试的水平，最低依然可以达到10.6，上一次30度室外温度时最低也就10.4.
变频的降温速度还是偏慢，不过运行30-45时，人体基本已经很凉爽了，虽然室内还是28左右，但是由于室外温差和湿度的降低，体感非常舒适了。
运行一小时后，出风口温度开始上升，空调应该是开始降低功率慢慢将室温降低到设定温度。（估计最后也就是26-27了）
对于35cvx在35度室外温度的表现还比较满意，上到40度确实有点吃力了。
金钱453609
交易诚信度0
主题帖子威望
交易诚信度0
交易区新帖推荐
感谢楼主的测试。感觉还是很慢，1小时才降下来5度，实际中无法满足一些应用，比如中午回来午休。所谓的舒服，也就是比较而言，跟35度比较，并不是通常意义上的20-25度的舒适区间。
这机器直冷偏软偏慢无疑了。
抵制日货，人人有责！要铁骨不要铁嘴！航母直接搁浅钓鱼岛！
交易诚信度1
主题帖子威望
中级会员, 积分 6, 距离下一级还需 14 积分
交易诚信度1
被迫的要求好高啊，20-25度才是舒适区间？要冻死人的啊。而且不符合国家标准啊，哈哈。
室外温度35度的时候，被迫的空调依然打到25度以下么？温差10度以上人体反而不舒服了吧？
交易诚信度0
主题帖子威望
中级会员, 积分 13, 距离下一级还需 7 积分
交易诚信度0
我早上测的大金的EMAX35: FTXS35HV2C, 室内初试32度，马上测出风口温度，很快就变成9.4度了，没有继续等待进一步下降。我这时测室内机上面进风口温度，是30~31C之间。
另外我还是用的风量的4档（1~5档，5档风量最强），我的外机朝南太阳直晒，感觉你的这款CVX制冷还是偏软一点。
当然我的机器是变频2级能效的，而且最低功率比你的高，但是强力制冷感觉更“硬”一些。
交易诚信度1
主题帖子威望
中级会员, 积分 6, 距离下一级还需 14 积分
交易诚信度1
恩，cvx是偏软那。
温度下降慢我觉得和我的温度计也有关，扔到冰箱里也要慢慢降低，无法实时显示。所以最低值可以参考下。
追求能耗的结果呀。夏天还是以前用定频机来的爽，哈哈。不过睡觉的时候还是变频舒服
金钱654138
交易诚信度0
主题帖子威望
超级会员, 积分 112, 距离下一级还需 88 积分
交易诚信度0
降温真够慢的
枪手是不麻腿的座便
交易诚信度0
主题帖子威望
初级会员, 积分 4, 距离下一级还需 1 积分
交易诚信度0
估计CVX为了追求能效比啊
金钱733378
交易诚信度6
主题帖子威望
交易诚信度6
看来，所谓压力门纯粹是杞人忧天了。[s:14]
马甲藏好，枪手滚粗！
靠忽悠网友赢取私利者，天诛地灭！
金钱337442
交易诚信度0
主题帖子威望
高级会员, 积分 40, 距离下一级还需 10 积分
交易诚信度0
室外35度对空调来说已不算高温了！
本人性别：男
交易诚信度0
主题帖子威望
中级会员, 积分 15, 距离下一级还需 5 积分
交易诚信度0
买的人说舒服，可是没买的人非要说不舒服，一开始以为是反石头，搞了半天半还是反CVX，CVX的帖子里面总能见到三巨头的身影，空调是让人舒服的，不是让人冷的，在单位吹着小金豆才想起BVX的好，三巨头你好，三巨头再见！
金钱103314
交易诚信度0
主题帖子威望
高级会员, 积分 27, 距离下一级还需 23 积分
交易诚信度0
我是挺CVX的，好不好，用过才知道
金钱654138
交易诚信度0
主题帖子威望
超级会员, 积分 112, 距离下一级还需 88 积分
交易诚信度0
楼主实际测试，1小时才能降到预设的正常使用温度。
请问，这一小时怎么舒适呢？
枪手是不麻腿的座便
交易诚信度0
主题帖子威望
初级会员, 积分 1, 距离下一级还需 4 积分
交易诚信度0
希望能改善一下制冷效果，我的房间朝西南，主卧西晒，如果制冷效果不好，还真不敢买
交易诚信度1
主题帖子威望
中级会员, 积分 6, 距离下一级还需 14 积分
交易诚信度1
大家为什么不探讨下降温慢的原因呢？风量一定的情况下,是否就是出风口和进风口温差太小呢？
我感觉16-17度的温差似乎还可以了，大家觉得慢的，自己的空调温差有多少呢？
交易诚信度0
主题帖子威望
初级会员, 积分 4, 距离下一级还需 1 积分
交易诚信度0
[s:148]原帖由 nanpa365 于
19:25 发表
买的人说舒服，可是没买的人非要说不舒服，一开始以为是反石头，搞了半天半还是反CVX，CVX的帖子里面总能见到三巨头的身影，空调是让人舒服的，不是让人冷的，在单位吹着小金豆才想起BVX的好，三巨头你好，三巨头再见 ...
三巨头。。[s:148] [s:148] [s:148]
优秀斑竹奖
优秀斑竹奖
Powered by1485人阅读
本文通过opencv来实现一种前景检测算法——GMM，算法采用的思想来自论文[1][2][4]。在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定的鲁棒性。最后通过对一个有树枝摇摆的动态背景进行前景检测，取得了较好的效果。
关键字：GMM,opencv，前景检测
前景检测主要分为帧差法，平均背景法，光流法，前景建模法，背景非参数估计，背景建模法等。而本文要实现的方法属于背景建模法中的一种——GMM，也称混合高斯模型。
混合高斯模型最早在计算机视觉中的应用是Stauffer et al.[1],作者将其用来做前景检测，主要是用于视频监控领域，这个系统和稳定且有自学能力，能在户外环境跑16个多月。KaewTraKulPong et al.[2]将GMM的训练过程做了改进，将训练过程分为2步进行，前L帧采用EM算法进行权值，均值，方差更新，后面的过程就采用[1]中的方法进行更新，取得了更好的检测效果。Zivkovic et al.在[3]中对GMM理论做了全面的论述，使得GMM理论的使用不仅金限于计算机视觉领域。并且该作者在[4]将该理论进一步具体到背景减图的前景检测中来，即加入了参数估计的先验知识，取得了很好的效果和稳定性。
最近几年陆续有学者对GMM的背景见图中的应用做了更深一步的研究，其代表性贡献见论文[5][6]。
& 实现过程
本文中主要是根据[2][4]中提出的算法，采用其中的更新方差来根性模型中的3个参数，最后结合用opencv基本底层函数实现该算法。其主要过程如下：
首先将每个高斯的均值,方差，权值都设置为0，即初始化个模型矩阵参数。采用视频中的T帧用来训练GMM模型。对每一个像素而言，建立其模型个数最大GMM_MAX_COMPONT个高斯的GMM模型。当第一个像素来，单独为其在程序中设置好其固定的初始均值，方差，并且权值设置为1。非第一帧训练过程中，当后面来的像素值时，与前面已有的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则任务属于该高斯。此时用如下方程进行更新：
4. 当到达训练的帧数T后，进行不同像素点GMM个数自适应的选择。首先用权值除以方差对各个高斯进行从大到小排序，然后选取最前面B个高斯，使
这样就可以很好的消除训练过程中的噪声点。
5. 在测试阶段，对新来像素点的值与B个高斯中的每一个均值进行比较，如果其差值在2倍的方差之间的话，则认为是背景，否则认为是前景。并且只要其中有一个高斯分量满足该条件就认为是前景。前景赋值为255，背景赋值为0。这样就形成了一副前景二值图。
6. 由于前景二值图中含有很多噪声，所以采用了形态学的开操作将噪声缩减到0，紧接着用闭操作重建由于开操作丢失的边缘部分的信息。消除了不连通的小噪声点。
上面是该算法实现的大概流程，但是当我们在具体编程时，还是有很多细节的地方需要注意，比如有些参数值的选择。在这里，经过试验将一些常用的参数值声明如下：
3个参数的值的更新方差中，取其中的学习率为0.005。也就是说T等于200。定义每个像素的最大混合高斯个数取7。取视频的前200帧进行训练。取Cf为0.3。即满足权值大于0.7的个数为自适应高斯的个数B。训练过程中，需要新建立一个高斯时，其权值取值设为与学习率大小值相等，即0.005。训练过程中，需要新建立一个高斯时，取该高斯的均值为该输入像素值大小本身。方差为15。训练过程中，需要新建立一个高斯时，取该高斯的方差15。
&& 程序流程框图
该工程的流程框图如下图所示：
&&
试验结果
本次试验的数据为摇摆的树枝作为背景，Waving Trees，其来源网址为：
由于该数据是286张bmp格式的图片，所以用的前200张图片来作为GMM参数训练，后186张作为测试。训练的过程中树枝被很大幅度的摆动，测试过程中有行人走动，该行人是需要迁就检测的部分。
下图为训练过程中动态背景截图
由上图可以看出，树枝在不断摇摆，可见其背景是动态的。
没有形态学处理的结果如下：
&&&&&下图是有简单形态学的试验结果：
&&&&& (上面2幅图的左边为测试原始图片，右图为检测效果图)
通过本次试验，不仅学习到了GMM的相关理论知识，以及背景减图法在前景检测中的应用。更重要的时，对opencv在计算机视觉中的使用更进一步的熟悉了。另外对于目标检测的难点有了更深一层的理解。
Stauffer, C. and W. E. L. Grimson (1999).
Adaptive background mixture models for real-time tracking, IEEE.KaewTraKulPong, P. and R. Bowden (2001).
An improved adaptive background mixture model for real-time tracking with shadow detection.Zivkovic, Z. and F. van der Heijden (2004). &Recursive unsupervised learning of finite mixture models.&Pattern Analysis and Machine Intelligence, IEEE Transactions on26(5): 651-656.Zivkovic, Z. and F. van der Heijden (2006). &Efficient adaptive density estimation per image pixel for the task of background subtraction.&Pattern recognition letters27(7): 773-780.Bouzerdoum, A., A. Beghdadi, et al. (2010). &On the analysis of background subtraction techniques using Gaussian mixture models.&Lin, H. H., J. H. Chuang, et al. (2011). &Regularized background adaptation: a novel learning rate control scheme for Gaussian mixture modeling.&Image Processing, IEEE Transactions on20(3):
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 后续改进
需要改进的地方：
1. 程序运行的速度太慢，很多参数都是浮点数，每个像素都要建立一个gmm，gmm个数本身比较多，所以训练过程中速度比较慢，代码需要优化。
2. 最后生成的前景图需要用连通域处理算法进行修整，即需要形态学操作，然后找出连通域大小满足要求的轮廓，用多边形拟合来进行处理。这种算法在《learning opencv》一书中有提到。后续有时间加入该算法，效果会好很多的。
& 附录：工程代码
//gmm.cpp : 定义控制台应用程序的入口点。
2 #include &stdafx.h&
3 #include &cv.h&
4 #include &highgui.h&
5 #include &opencv2/imgproc/imgproc.hpp&
6 #include &opencv2/core/core.hpp&
7 #include &opencv2/highgui/highgui.hpp&
8 #include &stdio.h&
9 #include &iostream&
11 using namespace
12 using namespace
14 //定义gmm模型用到的变量
15 #define GMM_MAX_COMPONT 6
16 #define GMM_LEARN_ALPHA 0.005
//该学习率越大的话，学习速度太快，效果不好
17 #define GMM_THRESHOD_SUMW 0.7
//如果取值太大了的话，则更多树的部分都被检测出来了
18 #define END_FRAME 200
20 bool pause=false;
22 Mat w[GMM_MAX_COMPONT];
23 Mat u[GMM_MAX_COMPONT];
24 Mat sigma[GMM_MAX_COMPONT];
25 Mat fit_num,gmask,
26 vector&Mat& output_m;
27 Mat output_
29 float temp_w,temp_
30 unsigned char temp_u;
31 int i=-<span style="color:#;
34 //For connected components:
35 int CVCONTOUR_APPROX_LEVEL = <span style="color:#;
// Approx.threshold - the bigger it is, the simpler is the boundary
36 int CVCLOSE_ITR = <span style="color:#;
38 //Just some convienience macros
39 #define CV_CVX_WHITE
CV_RGB(0xff,0xff,0xff)
40 #define CV_CVX_BLACK
CV_RGB(0x00,0x00,0x00)
42 //gmm整体初始化函数声明
43 void gmm_init(Mat img);
45 //gmm第一帧初始化函数声明
46 void gmm_first_frame(Mat img);
48 //gmm训练过程函数声明
49 void gmm_train(Mat img);
51 //对输入图像每个像素gmm选择合适的个数函数声明
52 void gmm_fit_num(Mat img);
54 //gmm测试函数的实现
55 void gmm_test(Mat img);
57 //连通域去噪函数声明
58 void find_connected_components(Mat img);
59 //void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers);
61 int main(int argc, const char* argv[])
Mat img,img_
char str_num[<span style="color:#];
char *str_//why does this definition not work?
String str=&WavingTrees/b00&;//string,the 's' can be a captial or lower-caseletters
/****read the first image,and reset the array w,u,sigma****/
img=imread(&WavingTrees/b00000.bmp&);
if(img.empty())
return -<span style="color:#;
output_img=Mat::zeros(img.size(),img.type());
cvtColor(img,img_gray,CV_BGR2GRAY);//covert the colorful image to the corresponding gray-level image
/****initialization the three parameters ****/
gmm_init(img_gray);
fit_num=Mat(img.size(),CV_8UC1,-<span style="color:#);//初始化为1
gmask=Mat(img.size(),CV_8UC1,-<span style="color:#);
foreground=img.clone();
split(img,output_m);
output_m[<span style="color:#]=Mat::zeros(img.size(),output_m[<span style="color:#].type());
output_m[<span style="color:#]=Mat::zeros(img.size(),output_m[<span style="color:#].type());
output_m[<span style="color:#]=Mat::zeros(img.size(),output_m[<span style="color:#].type());
namedWindow(&src&,WINDOW_AUTOSIZE);
namedWindow(&gmask&,WINDOW_AUTOSIZE);
//在定义视频输出对象时，文件名一定后面要加后缀，比如这里的.avi,否则是输出不了视频的！并且这里只能是avi格式的，当参数为('P','I','M','1')时
VideoWriter output_src(&src.avi&,CV_FOURCC('P','I','M','<span style="color:#'),<span style="color:#,Size(<span style="color:#0,<span style="color:#0),<span style="color:#);//c++版本的opencv用Size函数即可，c版本的用cvSize()函数
//VideoWriter output_src(&src.avi&,CV_FOURCC('M','J','P','G'),5,Size(160,120),1);//c++版本的opencv用Size函数即可，c版本的用cvSize()函数
VideoWriter output_dst(&dst.avi&,CV_FOURCC('P','I','M','<span style="color:#'),<span style="color:#,Size(<span style="color:#0,<span style="color:#0),<span style="color:#);//这样输出的是3个通道的数据
while(<span style="color:#)
if(!pause)
<span style="color:#0
<span style="color:#1
/****read image from WavingTrees****/
<span style="color:#2
i++;
<span style="color:#3
_itoa_s(i,str_num,<span style="color:#);//the latest name is _itoa_s or _itoa,not the itoa,although iota can be used,deprecated
<span style="color:#4
if(i&<span style="color:#)
<span style="color:#5
str+=&<span style="color:#&;
<span style="color:#6
else if(i&<span style="color:#0)
<span style="color:#7
str+=&<span style="color:#&;
<span style="color:#8
else if(i&<span style="color:#5)//we used the first 285 frames to learn the gmm model
<span style="color:#9
i=-<span style="color:#;
<span style="color:#0
str+=str_
<span style="color:#1
str+=&.bmp&;
<span style="color:#2
<span style="color:#3
img=imread(str);
<span style="color:#4
if(img.empty())
<span style="color:#5
<span style="color:#6
str=&WavingTrees/b00&;//after read,
<span style="color:#7
<span style="color:#8
cvtColor(img,img_gray,CV_BGR2GRAY);//covert the colorful image to the corresponding gray-level image
<span style="color:#9
<span style="color:#0
/****when it is the first frame,set the default parameter****/
<span style="color:#1
if(<span style="color:#==i)
<span style="color:#2
<span style="color:#3
gmm_first_frame(img_gray);
<span style="color:#4
<span style="color:#5
<span style="color:#6
//the train of gmm phase
<span style="color:#7
//if(1&i&&i&5&&i!=3)//由此可知当i大于等于3以后，就会一直出现错误，且错误在内部排序的部分
<span style="color:#8
if(<span style="color:#&i&END_FRAME)
<span style="color:#9
<span style="color:#0
gmm_train(img_gray);
<span style="color:#1
}//end the train phase
<span style="color:#2
<span style="color:#3
<span style="color:#4
/****chose the fitting number of component in gmm****/
<span style="color:#5
if(END_FRAME==i)
<span style="color:#6
<span style="color:#7
gmm_fit_num(img_gray);
<span style="color:#8
cout&&fit_num&&//其输出值有4个高斯的，但也有0个高斯的，why？照理说不可能的啊！
<span style="color:#9
<span style="color:#0
<span style="color:#1
/****start the test phase****/
<span style="color:#2
if(i&=END_FRAME)
<span style="color:#3
<span style="color:#4
output_src&&
<span style="color:#5
gmm_test(img_gray);
<span style="color:#6
find_connected_components(img_gray);
<span style="color:#7
<span style="color:#8
output_m[<span style="color:#]=gmask.clone();
<span style="color:#9
output_m[<span style="color:#]=gmask.clone();
<span style="color:#0
output_m[<span style="color:#]=gmask.clone();
<span style="color:#1
<span style="color:#2
merge(output_m,output_img);
<span style="color:#3
output_dst&&output_
<span style="color:#4
<span style="color:#5
if(<span style="color:#5==i)
<span style="color:#6
<span style="color:#7
return <span style="color:#;
<span style="color:#8
<span style="color:#9
imshow(&src&,img);
<span style="color:#0
imshow(&gmask&,gmask);
<span style="color:#1
<span style="color:#2
<span style="color:#3
char c=(char)waitKey(<span style="color:#);
<span style="color:#4
if(c==<span style="color:#)//if press the ESC key,the exit the proggram
<span style="color:#5
<span style="color:#6
if(c==' ')
<span style="color:#7
pause=~//if use '~',then the pause key cannot work,why?
<span style="color:#8
<span style="color:#9
<span style="color:#0
return <span style="color:#;
<span style="color:#1 }
<span style="color:#2
<span style="color:#3
<span style="color:#4 //gmm初始化函数实现
<span style="color:#5 void gmm_init(Mat img)
<span style="color:#6 {
<span style="color:#7
/****initialization the three parameters ****/
<span style="color:#8
for(int j=<span style="color:#;j&GMM_MAX_COMPONT;j++)
<span style="color:#9
<span style="color:#0
w[j]=Mat(img.size(),CV_32FC1,<span style="color:#.0);//CV_32FC1本身体现了正负符号
<span style="color:#1
u[j]=Mat(img.size(),CV_8UC1,-<span style="color:#);//为什么这里赋值为0时，后面的就一直出错？暂时还不知道原因，先赋值-1，其实内部存储的也是0
<span style="color:#2
sigma[j]=Mat(img.size(),CV_32FC1,<span style="color:#.0);//float类型
<span style="color:#3
<span style="color:#4
<span style="color:#5
//为什么一下语句不能放在这个函数里面呢
<span style="color:#6 //
output_m[0]=Mat(img.size(),CV_8UC1,0);
<span style="color:#7 //
output_m[1]=Mat(img.size(),CV_8UC1,0);
<span style="color:#8 //
output_m[2]=Mat(img.size(),CV_8UC1,0);
<span style="color:#9 }
<span style="color:#0
<span style="color:#1
<span style="color:#2 //gmm第一帧初始化函数实现
<span style="color:#3 void gmm_first_frame(Mat img)
<span style="color:#4 {
<span style="color:#5
for(int m=<span style="color:#;m&img.m++)
<span style="color:#6
for(int n=<span style="color:#;n&img.n++)
<span style="color:#7
<span style="color:#8
w[<span style="color:#].at&float&(m,n)=<span style="color:#.0;
<span style="color:#9
<span style="color:#0
//if the pixvel is gray-clever,then we should use unsigned char,not the unsigned int
<span style="color:#1
u[<span style="color:#].at&unsigned char&(m,n)=img.at&unsigned char&(m,n);// 一定要注意其类型转换，否则会得不得预期的结果
<span style="color:#2
sigma[<span style="color:#].at&float&(m,n)=<span style="color:#.0;//opencv 自带的gmm代码中用的是15.0
<span style="color:#3
<span style="color:#4
for(int k=<span style="color:#;k&GMM_MAX_COMPONT;k++)
<span style="color:#5
<span style="color:#6
/****when assigment this,we must be very carefully****/
<span style="color:#7
w[k].at&float&(m,n)=<span style="color:#.0;
<span style="color:#8
u[k].at&unsigned char&(m,n)=-<span style="color:#;
<span style="color:#9
sigma[k].at&float&(m,n)=<span style="color:#.0;//防止后面排序时有分母为0的情况
<span style="color:#0
<span style="color:#1
<span style="color:#2 }
<span style="color:#3
<span style="color:#4
<span style="color:#5 //gmm训练过程函数实现
<span style="color:#6 void gmm_train(Mat img)
<span style="color:#7 {
<span style="color:#8
for(int m=<span style="color:#;m&img.m++)
<span style="color:#9
for(int n=<span style="color:#;n&img.n++)
<span style="color:#0
<span style="color:#1
int k=<span style="color:#;
<span style="color:#2
int nfit=<span style="color:#;
<span style="color:#3
for(;k&GMM_MAX_COMPONT;k++)
<span style="color:#4
<span style="color:#5
if(w[k].at&float&(m,n)!=0)//只有在权值不为0的情况下才进行比较
<span style="color:#6
<span style="color:#7
int delam=abs(img.at&unsigned char&(m,n)-u[k].at&unsigned char&(m,n));//防止溢出
<span style="color:#8
long dis=delam*
<span style="color:#9
if(dis&<span style="color:#.0*sigma[k].at&float&(m,n))//the present pixpel is fit the component
<span style="color:#0
<span style="color:#1
/****update the weight****/
<span style="color:#2
w[k].at&float&(m,n)=w[k].at&float&(m,n)+GMM_LEARN_ALPHA*(<span style="color:#-w[k].at&float&(m,n));
<span style="color:#3
<span style="color:#4
/****update the average****/
<span style="color:#5
u[k].at&unsigned char&(m,n)=u[k].at&unsigned char&(m,n)+(GMM_LEARN_ALPHA/w[k].at&float&(m,n))*
<span style="color:#6
<span style="color:#7
/****update the variance****/
<span style="color:#8
sigma[k].at&float&(m,n)=sigma[k].at&float&(m,n)+(GMM_LEARN_ALPHA/w[k].at&float&(m,n))*(dis-sigma[k].at&float&(m,n));
<span style="color:#9
<span style="color:#0
<span style="color:#1
<span style="color:#2
<span style="color:#3
w[k].at&float&(m,n)=w[k].at&float&(m,n)+GMM_LEARN_ALPHA*(<span style="color:#-w[k].at&float&(m,n));
<span style="color:#4
nfit++;
<span style="color:#5
<span style="color:#6
<span style="color:#7
<span style="color:#8
<span style="color:#9
////训练过程加速算法
<span style="color:#0
//for(int bb=k+1;bb&GMM_MAX_COMPONT;bb++)
<span style="color:#1
<span style="color:#2
w[bb].at&float&(m,n)=w[bb].at&float&(m,n)+GMM_LEARN_ALPHA*(0-w[bb].at&float&(m,n));
<span style="color:#3
nfit++;
<span style="color:#4
<span style="color:#5
<span style="color:#6
//对gmm各个高斯进行排序,从大到小排序,排序依据为w/sigma
<span style="color:#7
for(int kk=<span style="color:#;kk&GMM_MAX_COMPONT;kk++)
<span style="color:#8
<span style="color:#9
for(int rr=rr&GMM_MAX_COMPONT;rr++)
<span style="color:#0
<span style="color:#1
//怎样才能做到gmm结构体整体排序呢？
<span style="color:#2
if(w[rr].at&float&(m,n)/sigma[rr].at&float&(m,n)&w[kk].at&float&(m,n)/sigma[kk].at&float&(m,n))
<span style="color:#3
<span style="color:#4
//权值交换
<span style="color:#5
temp_w=w[rr].at&float&(m,n);
<span style="color:#6
w[rr].at&float&(m,n)=w[kk].at&float&(m,n);
<span style="color:#7
w[kk].at&float&(m,n)=temp_w;
<span style="color:#8
<span style="color:#9
//均值交换
<span style="color:#0
temp_u=u[rr].at&unsigned char&(m,n);
<span style="color:#1
u[rr].at&unsigned char&(m,n)=u[kk].at&unsigned char&(m,n);
<span style="color:#2
u[kk].at&unsigned char&(m,n)=temp_u;
<span style="color:#3
<span style="color:#4
//方差交换
<span style="color:#5
temp_sigma=sigma[rr].at&float&(m,n);
<span style="color:#6
sigma[rr].at&float&(m,n)=sigma[kk].at&float&(m,n);
<span style="color:#7
sigma[kk].at&float&(m,n)=temp_
<span style="color:#8
<span style="color:#9
<span style="color:#0
<span style="color:#1
<span style="color:#2
//****如果没有满足条件的高斯，则重新开始算一个高斯分布****/
<span style="color:#3
if(nfit==GMM_MAX_COMPONT&&<span style="color:#==w[GMM_MAX_COMPONT-<span style="color:#].at&float&(m,n))//if there is no exit component fit,then start a new componen
<span style="color:#4
<span style="color:#5
//不能写为for(int h=0;h&MAX_GMM_COMPONT&&((0==w[h].at&float&(m,n)));h++)，因为这样明显h不会每次都加1
<span style="color:#6
for(int h=<span style="color:#;h&GMM_MAX_COMPONT;h++)
<span style="color:#7
<span style="color:#8
if((<span style="color:#==w[h].at&float&(m,n)))
<span style="color:#9
<span style="color:#0
w[h].at&float&(m,n)=GMM_LEARN_ALPHA;//按照论文的参数来的
<span style="color:#1
u[h].at&unsigned char&(m,n)=(unsigned char)img.at&unsigned char&(m,n);
<span style="color:#2
sigma[h].at&float&(m,n)=<span style="color:#.0;//the opencv library code is 15.0
<span style="color:#3
for(int q=<span style="color:#;q&GMM_MAX_COMPONT&&q!=h;q++)
<span style="color:#4
<span style="color:#5
/****update the other unfit's weight,u and sigma remain unchanged****/
<span style="color:#6
w[q].at&float&(m,n)*=<span style="color:#-GMM_LEARN_ALPHA;//normalization the weight,let they sum to 1
<span style="color:#7
<span style="color:#8
break;//找到第一个权值不为0的即可
<span style="color:#9
<span style="color:#0
<span style="color:#1
<span style="color:#2
//如果GMM_MAX_COMPONT都曾经赋值过，则用新来的高斯代替权值最弱的高斯，权值不变，只更新均值和方差
<span style="color:#3
else if(nfit==GMM_MAX_COMPONT&&w[GMM_MAX_COMPONT-<span style="color:#].at&float&(m,n)!=<span style="color:#)
<span style="color:#4
<span style="color:#5
u[GMM_MAX_COMPONT-<span style="color:#].at&unsigned char&(m,n)=(unsigned char)img.at&unsigned char&(m,n);
<span style="color:#6
sigma[GMM_MAX_COMPONT-<span style="color:#].at&float&(m,n)=<span style="color:#.0;//the opencv library code is 15.0
<span style="color:#7
<span style="color:#8
<span style="color:#9
<span style="color:#0
<span style="color:#1 }//end the train phase
<span style="color:#2
<span style="color:#3
<span style="color:#4 //对输入图像每个像素gmm选择合适的个数
<span style="color:#5 void gmm_fit_num(Mat img)
<span style="color:#6 {
<span style="color:#7
//float sum_w=0.0;//重新赋值为0，给下一个像素做累积
<span style="color:#8
for(int m=<span style="color:#;m&img.m++)
<span style="color:#9
for(int n=<span style="color:#;n&img.n++)
<span style="color:#0
<span style="color:#1
float sum_w=<span style="color:#.0;//重新赋值为0，给下一个像素做累积
<span style="color:#2
//chose the fittest number fit_num
<span style="color:#3
for(unsigned char a=<span style="color:#;a&GMM_MAX_COMPONT;a++)
<span style="color:#4
<span style="color:#5
//cout&&w[a].at&float&(m,n)&&
<span style="color:#6
sum_w+=w[a].at&float&(m,n);
<span style="color:#7
if(sum_w&=GMM_THRESHOD_SUMW)//如果这里THRESHOD_SUMW=0.6的话，那么得到的高斯数目都为1，因为每个像素都有一个权值接近1
<span style="color:#8
<span style="color:#9
fit_num.at&unsigned char&(m,n)=a+<span style="color:#;
<span style="color:#0
<span style="color:#1
<span style="color:#2
<span style="color:#3
<span style="color:#4 }
<span style="color:#5
<span style="color:#6
<span style="color:#7 //gmm测试函数的实现
<span style="color:#8 void gmm_test(Mat img)
<span style="color:#9 {
<span style="color:#0
for(int m=<span style="color:#;m&img.m++)
<span style="color:#1
for(int n=<span style="color:#;n&img.n++)
<span style="color:#2
<span style="color:#3
unsigned char a=<span style="color:#;
<span style="color:#4
for(;a&fit_num.at&unsigned char&(m,n);a++)
<span style="color:#5
<span style="color:#6
//如果对sigma取根号的话，树枝当做前景的概率会更大，不过人被检测出来的效果也更好些；用2相乘，不用开根号效果还不错
<span style="color:#7
if(abs(img.at&unsigned char&(m,n)-u[a].at&unsigned char&(m,n))&(unsigned char)(2*(sigma[a].at&float&(m,n))))
<span style="color:#8
if(abs(img.at&unsigned char&(m,n)-u[a].at&unsigned char&(m,n))&(unsigned char)(<span style="color:#.5*(sigma[a].at&float&(m,n))))
<span style="color:#9
<span style="color:#0
gmask.at&unsigned char&(m,n)=<span style="color:#;//背景
<span style="color:#1
<span style="color:#2
<span style="color:#3
<span style="color:#4
if(a==fit_num.at&unsigned char&(m,n))
<span style="color:#5
gmask.at&unsigned char&(m,n)=<span style="color:#5;//前景
<span style="color:#6
<span style="color:#7 }
<span style="color:#8
<span style="color:#9 //连通域去噪函数实现
<span style="color:#0 void find_connected_components(Mat img)
<span style="color:#1 {
<span style="color:#2
morphologyEx(gmask,gmask,MORPH_OPEN,Mat());
<span style="color:#3 //
morphologyEx(gmask,gmask,MORPH_CLOSE,Mat());
<span style="color:#4 }
<span style="color:#5
<span style="color:#6 ////连通域去噪函数实现
<span style="color:#7 //void find_connected_components(Mat img)
<span style="color:#8 //{
<span style="color:#9 //
morphologyEx(gmask,gmask,MORPH_OPEN,Mat());
<span style="color:#0 //
morphologyEx(gmask,gmask,MORPH_CLOSE,Mat());
<span style="color:#1 ////
erode(gmask,gmask,Mat());//只腐蚀是不行的，人来了也被腐蚀掉了
<span style="color:#2 //
<span style="color:#3 //
vector&vector&Point&&//由点向量组成的向量，所以有2个层次结构
<span style="color:#4 //
vector&Vec4i&//typedef Vec&int,4&Vec4i;即由4个整数组成的向量
<span style="color:#5 //
<span style="color:#6 //
//找到gmask的轮廓，存储在contours中，其拓扑结构存储在hierarchy中，且仅仅找出最外面的轮廓，用压缩算法只存储水平，垂直，斜对角线的端点
<span style="color:#7 //
//其中暗含了hierarchy[i][2]=hierarchy[3]=-1,即其父轮廓和嵌套轮廓不用考虑
<span style="color:#8 //
findContours(gmask,contours,hierarchy,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
<span style="color:#9 //
if(contours.size()==0)
<span style="color:#0 //
<span style="color:#1 //
<span style="color:#2 //
int idex=0;
<span style="color:#3 //
for(idex=0;idex&contours.size();idex++)
<span style="color:#4 //
<span style="color:#5 //
const vector&Point&& c=contours[idex];
<span style="color:#6 ////
const vector&Point&& cnull::zeros();
<span style="color:#7 //
double len=arcLength(c,false);//求出轮廓的周长，并不一定要求其是封闭的
<span style="color:#8 //
double q=(img.rows+img.cols)/4;
<span style="color:#9 //
if(q&=len)
<span style="color:#0 //
<span style="color:#1 //
const vector&Point& &cnew=contours[idex];
<span style="color:#2 //
Mat mcnew=Mat(cnew);
<span style="color:#3 //
<span style="color:#4 //
approxPolyDP(Mat(c),mcnew,CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
<span style="color:#5 //
approxPolyDP(Mat(c),Mat(cnew),CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
<span style="color:#6 //
approxPolyDP(Mat(c),cnew,CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
<span style="color:#7 //
cnew=vector&Point&(mcnew);
<span style="color:#8 //
contours[idex]=
<span style="color:#9 //
<span style="color:#0 ////
else contours[idex]=vector&Point(0,0,0)&;
<span style="color:#1 //
<span style="color:#2 //
<span style="color:#3 //}
<span style="color:#4
<span style="color:#5 ///////////////////////////////////////////////////////////////////////////////////////////
<span style="color:#6 //void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers)
<span style="color:#7 // This cleans up the forground segmentation mask derived from calls to cvbackgroundDiff
<span style="color:#8 //
<span style="color:#9 // mask
Is a grayscale (8 bit depth) &raw& mask image which will be cleaned up
<span style="color:#0 //
<span style="color:#1 // OPTIONAL PARAMETERS:
<span style="color:#2 // poly1_hull0
If set, approximate connected component by (DEFAULT) polygon, or else convex hull (0)
<span style="color:#3 // perimScale
Len = image (width+height)/perimScale.
If contour len & this, delete that contour (DEFAULT: 4)
<span style="color:#4 // num
Maximum number of rectangles and/or centers to return, on return, will contain number filled (DEFAULT: NULL)
<span style="color:#5 // bbs
Pointer to bounding box rectangle vector of length num.
(DEFAULT SETTING: NULL)
<span style="color:#6 // centers
Pointer to contour centers vectore of length num (DEFULT: NULL)
<span style="color:#7 //
<span style="color:#8 //void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers)
<span style="color:#9 //{
<span style="color:#0 //
static CvMemStorage*
mem_storage
<span style="color:#1 //
static CvSeq*
<span style="color:#2 ////
static CvSeq**
<span style="color:#3 //
<span style="color:#4 //
//CLEAN UP RAW MASK
<span style="color:#5 //
//开运算作用：平滑轮廓，去掉细节,断开缺口
<span style="color:#6 //
cvMorphologyEx( mask, mask, NULL, NULL, CV_MOP_OPEN, CVCLOSE_ITR );//对输入mask进行开操作，CVCLOSE_ITR为开操作的次数，输出为mask图像
<span style="color:#7 //
//闭运算作用：平滑轮廓，连接缺口
<span style="color:#8 //
cvMorphologyEx( mask, mask, NULL, NULL, CV_MOP_CLOSE, CVCLOSE_ITR );//对输入mask进行闭操作，CVCLOSE_ITR为闭操作的次数，输出为mask图像
<span style="color:#9 //
<span style="color:#0 //
//FIND CONTOURS AROUND ONLY BIGGER REGIONS
<span style="color:#1 //
if( mem_storage==NULL ) mem_storage = cvCreateMemStorage(0);
<span style="color:#2 //
else cvClearMemStorage(mem_storage);
<span style="color:#3 //
<span style="color:#4 //
//CV_RETR_EXTERNAL=0是在types_c.h中定义的，CV_CHAIN_APPROX_SIMPLE=2也是在该文件中定义的
<span style="color:#5 //
CvContourScanner scanner = cvStartFindContours(mask,mem_storage,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
<span style="color:#6 ////
CvContourScanner scanner = cvFindContours(mask,mem_storage,firstContour,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
<span style="color:#7 //
<span style="color:#8 //
int numCont = 0;
<span style="color:#9 //
while( (c = cvFindNextContour( scanner )) != NULL )
<span style="color:#0 //
<span style="color:#1 //
double len = cvContourPerimeter( c );
<span style="color:#2 //
double q = (mask-&height + mask-&width) /perimS
//calculate perimeter len threshold
<span style="color:#3 //
if( len & q ) //Get rid of blob if it's perimeter is too small
<span style="color:#4 //
<span style="color:#5 //
cvSubstituteContour( scanner, NULL );
<span style="color:#6 //
<span style="color:#7 //
else //Smooth it's edges if it's large enough
<span style="color:#8 //
<span style="color:#9 //
<span style="color:#0 //
if(poly1_hull0) //Polygonal approximation of the segmentation
<span style="color:#1 //
c_new = cvApproxPoly(c,sizeof(CvContour),mem_storage,CV_POLY_APPROX_DP, CVCONTOUR_APPROX_LEVEL,0);
<span style="color:#2 //
else //Convex Hull of the segmentation
<span style="color:#3 //
c_new = cvConvexHull2(c,mem_storage,CV_CLOCKWISE,1);
<span style="color:#4 //
cvSubstituteContour( scanner, c_new );
<span style="color:#5 //
numCont++;
<span style="color:#6 //
<span style="color:#7 //
<span style="color:#8 //
contours = cvEndFindContours( &scanner );
<span style="color:#9 //
<span style="color:#0 //
// PAINT THE FOUND REGIONS BACK INTO THE IMAGE
<span style="color:#1 //
cvZero( mask );
<span style="color:#2 //
IplImage *maskT
<span style="color:#3 //
//CALC CENTER OF MASS AND OR BOUNDING RECTANGLES
<span style="color:#4 //
if(num != NULL)
<span style="color:#5 //
<span style="color:#6 //
int N = *num, numFilled = 0, i=0;
<span style="color:#7 //
<span style="color:#8 //
double M00, M01, M10;
<span style="color:#9 //
maskTemp = cvCloneImage(mask);
<span style="color:#0 //
for(i=0, c= c != NULL; c = c-&h_next,i++ )
<span style="color:#1 //
<span style="color:#2 //
if(i & N) //Only process up to *num of them
<span style="color:#3 //
<span style="color:#4 //
cvDrawContours(maskTemp,c,CV_CVX_WHITE, CV_CVX_WHITE,-1,CV_FILLED,8);
<span style="color:#5 //
//Find the center of each contour
<span style="color:#6 //
if(centers != NULL)
<span style="color:#7 //
<span style="color:#8 //
cvMoments(maskTemp,&moments,1);
<span style="color:#9 //
M00 = cvGetSpatialMoment(&moments,0,0);
<span style="color:#0 //
M10 = cvGetSpatialMoment(&moments,1,0);
<span style="color:#1 //
M01 = cvGetSpatialMoment(&moments,0,1);
<span style="color:#2 //
centers[i].x = (int)(M10/M00);
<span style="color:#3 //
centers[i].y = (int)(M01/M00);
<span style="color:#4 //
<span style="color:#5 //
//Bounding rectangles around blobs
<span style="color:#6 //
if(bbs != NULL)
<span style="color:#7 //
<span style="color:#8 //
bbs[i] = cvBoundingRect(c);
<span style="color:#9 //
<span style="color:#0 //
cvZero(maskTemp);
<span style="color:#1 //
numFilled++;
<span style="color:#2 //
<span style="color:#3 //
//Draw filled contours into mask
<span style="color:#4 //
cvDrawContours(mask,c,CV_CVX_WHITE,CV_CVX_WHITE,-1,CV_FILLED,8); //draw to central mask
<span style="color:#5 //
} //end looping over contours
<span style="color:#6 //
*num = numF
<span style="color:#7 //
cvReleaseImage( &maskTemp);
<span style="color:#8 //
<span style="color:#9 //
//ELSE JUST DRAW PROCESSED CONTOURS INTO THE MASK
<span style="color:#0 //
<span style="color:#1 //
<span style="color:#2 //
for( c= c != NULL; c = c-&h_next )
<span style="color:#3 //
<span style="color:#4 //
cvDrawContours(mask,c,CV_CVX_WHITE, CV_CVX_BLACK,-1,CV_FILLED,8);
<span style="color:#5 //
<span style="color:#6 //
<span style="color:#7 //}
作者：tornadomeet出处：/tornadomeet欢迎转载或分享，但请务必声明文章出处。
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：13387次
排名：千里之外
转载：10篇
(1)(1)(3)(2)(5)(1)}
我要回帖
更多关于 辐射3初始加点 的文章
更多推荐
- ·生命不能承受之重感悟是什么意思生命不能承受之重感悟的解释
- ·电带动雾炮车的作用和水压带动雾炮车的作用区别在哪？
- ·这个是正确的吗，如果是错误的最后得出的这个数额定功率750w是什么意思？ 750瓦电源，总价579元，平均1.3元1瓦
- ·wps怎么一页显示多页添加新的一页？
- ·活佛济公第三部剧情分集介绍季第几集女人怀抱婴儿
- ·dnf漫游刷图加点能量残骸换什么好
- ·这配置怎么样才能玩好lol，玩cf,lol卡不
- ·求知一个盛大传奇哪个版本好玩版本。
- ·梦三国马年无双第三届娱乐无双杯草船第几
- ·直接复制dota2整个文件夹dota2为什么么还要下载4个G文件
- ·怎么用棉花糖做牛轧糖做开炮效果
- ·大话西游单机版2 4抽为什么没3抽吸的多
- ·求1000元1000以内的质数表高科技好玩玩具或最新游戏机等等
- ·求一个cf号，要求有穿越火线cf火麒麟麟，或者黑骑士，或者天龙…其他，等级什么的不在乎。号没有绑定任何东西的，无
- ·魔域9星副本视频副本里面会刮风，怎么破？
- ·魔兽争霸英雄3怎样用制作器让一个英雄在游戏中达到一定等级变成另一个英雄？
- ·360360高清影视大全全这样怎么办
- ·g620能不能配gt610显卡电源要多大玩英雄联盟第一次会不会很痛卡，
- ·城市酷跑nel超级联赛总决赛赛女主持人是谁？
- ·cvx可以指定dnfsp点初始化点吗
- ·NBA2K14，怎么把雷阿伦凯尔特人，加内特和皮尔斯换到凯尔特人
- ·最新热血类网页游戏帮忙一有声下吧ysx8谢谢!
- ·cf在腾讯cf游戏平台台里怎怎设置快捷模式
- ·怎么通过玩游戏也能赚钱赚钱，
- ·最终幻想10 2攻略怎么雇佣球员
- ·为什么打坦克世界会影响我玩英雄联盟网速要求
- ·全民飞机大战天使祝福得分成本加成合同百分之二十能不能留过第二天用
- ·万达集团官网官网在线选票后怎么退票
- ·剑豪带12的冰河剑好还是野猪的巨剑好 野猪出来了 冰河裂谷剑满属性还差40个陨石 有12强化卷
- ·一款游戏里边有三款游戏有个类似于消除方块另一个类似于爱情连连看看还有一个就不知道了苹果手机游戏
- ·圣安地列斯跳舞车任务Z点飞机任务求帮忙过!!!
- ·gba4ios下载能用wamo游戏手柄吗
- ·朋克丛林肉搏船长怎么玩游戏怎么玩
- ·我的世界him视频的死对头
