差分演算法代碼

『壹』 進化演算法的差分演算法

差分進化演算法(Differential Evolution, DE)是一種新興的進化計算技術，或稱為差分演化演算法、微分進化演算法、微分演化演算法、差異演化演算法。它是由Storn等人於1995年提出的，最初的設想是用於解決切比雪夫多項式問題，後來發現DE也是解決復雜優化問題的有效技術。DE與人工生命，特別是進化演算法有著極為特殊的聯系。
差分進化演算法是基於群體智能理論的優化演算法，通過群體內個體間的合作與競爭產生的群體智能指導優化搜索。但相比於進化演算法，DE保留了基於種群的全局搜索策略，採用實數編碼基於差分的簡單變異操作和一對一的競爭生存策略，降低了遺傳操作的復雜性。同時，DE特有的記憶能力使其可以動態跟蹤當前的搜索情況，以調整其搜索策略，具有較強的全局收斂能力和魯棒性，且不需要藉助問題的特徵信息，適於求解一些利用常規的數學規劃方法所無法求解的復雜環境中的優化問題。
差分進化演算法是一種基於群體進化的演算法，具有記憶個體最優解和種群內信息共享的特點，即通過種群內個體間的合作與競爭來實現對優化問題的求解，其本質是一種基於實數編碼的具有保優思想的貪婪遺傳演算法。
DE是一種用於優化問題的啟發式演算法。本質上說，它是一種基於實數編碼的具有保優思想的貪婪遺傳演算法 。同遺傳演算法一樣，DE包含變異和交叉操作，但同時相較於遺傳演算法的選擇操作，DE採用一對一的淘汰機制來更新種群。由於DE在連續域優化問題的優勢已獲得廣泛應用，並引發進化演算法研究領域的熱潮。
DE由Storn 以及Price提出，演算法的原理採用對個體進行方向擾動，以達到對個體的函數值進行下降的目的，同其他進化演算法一樣，DE不利用目標函數的梯度信息，因此對目標的可導性甚至連續性沒有要求，適用性很強。同時，演算法與粒子群優化有相通之處 ，但因為DE在一定程度上考慮了多變數間的相關性，因此相較於粒子群優化在變數耦合問題上有很大的優勢。演算法的實現參考實現代碼部分。

『貳』 請求幫助 實現 背景差減法 、幀間差分法、光流法 的演算法，C++或者matlab都行，現成的源碼都行

建議用opencv庫
環境搭建:
http://jingyan..com/album/2a138328497ce6074b134f64.html
矩陣操作:
http://blog.sina.com.cn/s/blog_afe2af380101bqhz.html

代碼:
absdiff(frame, prveframe, differframe);//獲取差分幀 differframe= frame-prveframe

『叄』 求基於OpenCV的三幀差分演算法代碼

Detector虛類）：實現前景檢測，
2.團塊檢測模塊（CvBlobDetector虛類）：實現運動物體（團塊）的的檢測
3.團塊跟蹤模塊（CvBlobTracker虛類）：實現運動物體跟蹤
4.團塊運動軌跡產生模塊（CvBlobTrackGen虛類）：實現的功能與模塊名字同（下同）
5.團塊軌跡後處理模塊（CvBlobTrackPostProc虛類）
6.團塊軌跡分析模塊（CvBlobTrackAnalysis虛類）
7.以及處理流程模塊（cvBlobTrackerAuto虛類)：此模塊可看成膠水，集成上面的模塊。

除了處理流程模塊（因為它只控制流程呀~），每一個模塊可以用多種演算法實現，在程序中，這些演算法就是函數。如（15-16行）：
CvFGDetector* cvCreateFGDetector0()
CvFGDetector* cvCreateFGDetector0Simple()
CvFGDetector* cvCreateFGDetector1()
也就是說這三個函數都是能完成前景檢測，具體用哪個，由你在main()函數中調用。
其他模塊也是這樣。
實現這些模塊的類以及完成這些演算法的函數都由OPENCV幫你實現了，blobtrack要做的就是在main()函數中調用這些函數，初始化函數參數以及各種變數。