Mat的优势是Mat自动内存管理，不需要显式释放（当然也可以手动调用release()方法强制Mat矩阵数据释放）CvMat则需要调用cvReleaseMat(&cvmat)来释放//CvMat*之间的复制：REAL COPYCvMat* a = cvCloneMat(b);//Mat之间的复制：pseudo COPY - 更改a,b,c的任意一个都会对另外2个产生

以下简称交叉验证(Cross Validation)为CV.CV是用来验证分类器的性能一种统计分析方法,基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train set),另一部分做为验证集(validation set),首先用训练集对分类器进行训练,在利用验证集来测试训练得到的模型(model),以此来做为评价分类器的性能指标.常见CV的方法如下:1).H

在前面的文章《OpenCV中feature2D学习——SURF和SIFT算子实现特征点检测》中讲了利用SIFT和SURF算子进行特征点检测，这里尝试使用FAST算子来进行特征点检测。    FAST的全名是：Features from Accelerated Segment Test，主要特点值计算速度快，比已知的其他特征点检测算法要快很多倍，可用于计算机视觉应用的实时场景。目前以其高计算效率

最常用的全参考视频质量评价方法有以下2种：PSNR（峰值信噪比）：用得最多，但是其值不能很好地反映人眼主观感受。一般取值范围：20-40.值越大，视频质量越好。SSIM（结构相似性）：计算稍复杂，其值可以较好地反映人眼主观感受。一般取值范围：0-1.值越大，视频质量越好。偶然发现了一个很好的网站。里面包含了大量主观评价算法的数据，导入到Matlab中就可以使用。

随机森林(Random Forest):    随机森林是一个最近比较火的算法，它有很多的优点：    在数据集上表现良好    在当前的很多数据集上，相对其他算法有着很大的优势    它能够处理很高维度（feature很多）的数据，并且不用做特征选择    在训练完后，它能够给出哪些feature比较重要    在创建随机森林的时候，对generlization error使用的

一、综述DPM和LatentSVM结合用于目标检测由大牛P.Felzenszwalb提出，代表作是以下3篇paper：[1] P. Felzenszwalb, D. McAllester, D.Ramaman. A Discriminatively Trained, Multiscale, Deformable Part Model. Proceedingsof the IEEE CVPR

主动形状模型（Active Shape Model，ASM）与主动外观模型（Active Appearance Model，AAM）CSDN博文【ASM】ASM总结：http://blog.csdn.net/watkinsong/article/details/8891071ASM算法介绍 ：http://blog.csdn.net/carson2005/article

以下简称交叉验证(Cross Validation)为CV.CV是用来验证分类器的性能一种统计分析方法,基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train set),另一部分做为验证集(validation set),首先用训练集对分类器进行训练,在利用验证集来测试训练得到的模型(model),以此来做为评价分类器的性能指标.常见CV的方法如下:1).H

参考：1http://www.linuxidc.com/Linux/2012-11/73500p3.htm2http://gslsqyz.blog.163.com/blog/static/11799734620134383253257/3http://bbs.pcbeta.com/viewthread-1046663-1-1.html4http://www.cnblogs.c

GSL的主页：http://www.gnu.org/software/gsl/，非windows版本的下载地址：ftp://ftp.gnu.org/gnu/gsl/第一种：安装 Cygwin，主页是：http://www.cygwin.com/。提供类linux环境并且自带GSL。第二种：1.下载windows版本的GSL。GSL1.4下载：http://www6.