摘要： 初识pytorch,本文基于pytorch构建最基本的神经网络，实现线性回归模型。 (1)构造一组输入数据X和其对应的标签y x_values = [i for i in range(11)] x_train = np.array(x_values, dtype=np.float32)#np.arr 阅读全文

摘要： 本文基于OpenCV并利用dlib工具包，通过实时计算EAR值来统计眨眼次数实现了疲劳检测。 步骤： 首先对对检测到的人脸进行关键点定位并锁定眼睛部分的关键点，然后，对视频的每一帧图像用实时计算的EAR值来统计眨眼次数。 (1)锁定眼睛部分关键点 detector = dlib.get_fronta 阅读全文

摘要： 本文基于OpenCV并利用dlib工具包实现了对传入图像的人脸关键点定位。 步骤： 首先需要对传入图像进行预处理操作，其次，利用dlib工具包对整张图像进行人脸检测，然后，对检测到的每一个人脸框利用dlib官方训练好的工具包:shape_predictor_68_face_landmarks.dat 阅读全文

摘要： 本文使用dlib库以及Caffe训练好的SSD模块对短视频流中的人进行目标追踪，并使用多线程进行优化。 步骤： 首先需要加载SSD分类标签并读取网络模型，其次，对视频流进行预处理操作，然后，基于第一帧检测人并绘制相对位置的框，接着，使用dlib来进行目标追踪，最后，后面的每一帧根据第一帧检测到的人物 阅读全文

摘要： 本文利用OpenCV已有的七种目标追踪算法，通过对传入视频中感兴趣的目标对象进行框选，实现实时追踪框选对象。 步骤： 首先需要配置相应参数并创建MultiTracker对象，其次，读取并处理视频的每一帧，接着，框选ROI区域，然后，给MultiTracker对象添加实际的追踪算法，最后，对每一帧进行 阅读全文

摘要： 本文使用OpenCV加载深度学习模型，实现了对传入的单张图像或多张图像进行预测。 步骤： 首先读入Caffe框架训练好的模型，然后对输入图像进行预处理操作，并将其传入已构建的网络模型，最后对得到的预测结果进行排序，找到概率最大的，通过标签文件得到最终预测的结果并进行输出展示。 1.单张图像 (1)构 阅读全文

摘要： 本文基于OpenCV实现了捕获答题卡中的每个填涂选项，并将获取的填涂选项与正确选项做对比计算其答题正确率。所涉及的图像操作有：灰度转换、高斯去噪、边缘检测、轮廓检测、透视变换、掩模操作。 步骤： 首先需要对输入的原始图像进行灰度转换、高斯去噪；然后进行轮廓检测，通过遍历拿到最大的轮廓也就是答题卡的部 阅读全文

摘要： 本文通过获取停车场的一段视频，实时检测出整个停车场中，当前一共有多少辆车，一共有多少个空余的车位，并标识空余的停车位。运用到了：二值化，灰度化，Canny边缘检测，霍夫变换，Keras。 整体步骤： 首先以视频中某一帧的图像为单位，进行处理，通过二值化，灰度化，边缘检测，特定点标定连线等，把图片中多 阅读全文

摘要： 本文实现了对读入图片进行变换，最后调用pytesseract工具实现图片内容的提取。包含高斯滤波操作去除噪音点、边缘检测、轮廓检测、透视变换、pytesseract文本识别。 步骤： 需要提取读入的图片中要识别的文档部分，于是，首先需要检测到该文档的边缘，其次根据边缘检测轮廓并保留合适部分，最后对检 阅读全文

摘要： 本文实现了对读入图片的基本图像操作，用模板去匹配处理后的银行卡，最终识别出银行卡的卡号。所涉及的图像操作包括：灰度转换、二值转换、阈值分割、轮廓检测、礼帽操作、梯度运算、闭操作、模板匹配。 步骤： 首先需要将模板里的数字单独切出来，然后把银行卡上的数字也单独切出来，最后对银行卡的数字一个一个对比模板 阅读全文