智能系统专业实验（三）：人脸检测实验

最新推荐文章于 2022-10-24 08:52:23 发布
最新推荐文章于 2022-10-24 08:52:23 发布
阅读量908 收藏 4
点赞数 1
分类专栏： 大作业
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shunzi1013238638/article/details/107510568
版权
  • 实验目的

了解人脸检测常用方法，掌握模板匹配算法实现人脸检测的基本原理，实现一般环境图像中单个正面人脸的检测。

  • 实验原理
  1. 基本原理

本实验所探讨的是一般环境图像中单个正面端正人脸的检测问题。这种条件下的人脸检测的方法主要有模板匹配方法、可变形模板方法等。概括的说，基于模板匹配的方法是在图形灰度上直接比较目标模板和候选图像区域之间的相似性，而基于特征匹配的方法是比较从图像中抽取的一定特征的相似性。

本实验主要用到两种模板：双眼模板和不同长宽比的模板。在检测时首先使用双眼模板进行粗筛选，然后使用不同长宽比的人脸 模板确定出区域的位置和范围，接着通过确定出来的位置和匹配模板的相似度程度来确定是否是人脸。

模板生成，我们在人脸检测中使用了 6 个模板：一个用于初筛选的双眼模板，五个用于检测不同长宽比的人脸模板。采用多个人脸模板是为了适应不同人脸部的不同长宽比。模板是通过对多个样本平均构造出来的。首先在选取的样本图像上用手工画出人脸的区域作为人脸样本。由于各个样本的尺度大小和灰度分布不同，因此首先对他们进行尺度和灰度标准化，然后将所用样本取灰度平均值并压缩到需要的尺度作为原始模板。拷贝原始模板的眼睛部分，进行灰度分布标准化后作为双眼模板，对原始模板分别按照 1:0.9、1：1、1:1.、1：2、1:1.3 的宽长比变形，进行灰度分布标准化后作为人脸模板，如下所示。

 

图1 人脸检测过程

在模板生成中最主要的工作是图像的尺度变换和灰度分布标准化，尺度变换主要是基于线性插值的重采样方法。将图像看成一个二维矩阵D[W][H]，其中W 和H 分别表示图像的宽和高。

图像的灰度值



灰度分布的方差

灰度均衡化

对于输入的每个样本图像，为了将其灰度平均值和方差变换到事先设定的灰度平均值\mu _{0}和方差\sigma _{0}，从而样本中每个像素点的灰度值进行如下的变换：

假设人脸模板的灰度矩阵为 T[M][N]，灰度均值为\mu _{T}，均方差为\sigma _{T}，输入图像区域的灰度矩阵为 R[M][N]，灰度均值为\mu _{R}，均方差为\sigma _{R}，那么他们之间的相关系数 r(T,R)和对应像素灰度值的平均偏差d(T,R)分别为：

r(T,R)越大表示模板与输入图像区域的匹配程度越高；而

d（T,R）正相反。将他们综合起来作为匹配程度的度量：


算法的基本思路是：搜索输入图像中所有可能为人脸的区域，认为满足一定条件且与模板匹配程度最高的区域是人脸。为了检测不同长宽比的人脸，采用前述 5 种不同长宽比的模板进行匹配。其中α为权重系数。我们取经验值α= 35.0。

  1. 算法步骤

假设输入图像中最多只有一个完整的人脸（正面、端正），可能的人脸宽度在0像素到图像宽度的 1/2 之间，人脸位置未知，设输入图像为I_{s}（宽为 H、高为 W）；双眼模板为T_{eyes}。算法如下：

（1）初始化最大匹配度D_{max}=0，设当前图像I_{c}=I_{s}；

（2）设当前扫描点（x,y）为图像起始点（0,0）；

（3）检测扫描区域是否为双眼区，若不是则转（6）；

（4）检测相应区域是否为人脸（即计算R_{eyes}与模板T_{eyes}的相关系数R_{eyes}是否大于 0.3），是则求出当前区域与人脸的匹配度 D，否则转（6）；

（5）若 D> D_{max}，记录当前区域的位置和大小，并令 D_{max}=D；

（6）若 x+24<W， x=x+1，转（3）；

（7）若 y+31<H， x=0， y=y+1 转（3）；

  • 实验结果分析及回答问题（或测试环境及测试结果）
  1. 原图

     2.模板

     3.结果图

由上图，白框内为检测出来的人脸部分。过程主要为通过先对眼睛位置的识别找到眼睛模板在样本图中最佳位置，接下来将眼睛模板在样本图中进行扩充到与其他五个模板大小相同，然后一一进行匹配（相关系数和平均偏差），寻找到最优匹配，最后得到实验结果。

  • 实验代码
#include<stdio.h>
#include<cstring>
#include<math.h>
#include<windows.h>
#include <time.h>

#define imageW 100
#define imageH 100
#define EYEW 68
#define EYEH 18

int ImagePtr[7][10000];
int Height[7];int Width[7];
int bmpHeight, bmpWidth, biBitCount, k_num=3;
unsigned char *pBmpBuf;
RGBQUAD *pColorTable;
int image[10000];
void fun(){
    //灰度均衡化(对5张脸部模版，1张眼睛模版，1张测试图进行处理）
    float u_0 = 0;
    float sigma_0 = 0;
    float U[7];float Sigma[7];
    for(int i = 0; i < 7; i++){
        float u = 0;
        float sigma = 0;
        for(int j = 0; j < Height[i]; j++){
            for(int p = 0; p < Width[i]; p++){
                u += ImagePtr[i][j * Width[i] + p];
            }
        }
        u = u / (Height[i] * Width[i]);
        U[i] = u;
        u_0 += u;
        for(int j = 0; j < Height[i]; j++){
            for(int p = 0; p < Width[i]; p++){
                sigma += pow(ImagePtr[i][j * Width[i] + p] - u, 2);
            }
        }
        sigma = sigma / (Height[i] * Width[i]);
        sigma_0 += sigma;
        Sigma[i] = sigma;
   	}
	u_0 = u_0 / 7;
	sigma_0 = sigma_0 / 7;

	for(int i = 0; i < 7; i++){
    	for(int j = 0; j < Height[i]; j++){
       		for(int p = 0; p < Width[i]; p++){
				ImagePtr[i][j * Width[i] + p] = (sigma_0 / Sigma[i]) * (ImagePtr[i][j * Width[i] + p] - U[i]) + u_0;
        	}
    	}
	 }
	//通过眼睛模版比较寻找合适的点（ox，oy）
	float D_max = -1000;
	unsigned int x = 0;
	unsigned int y = 0;
	unsigned int W = 0;
 	unsigned int H = 0;
	unsigned int ox = 0;
	unsigned int oy = 0;
	int flag = 0;
	int m = 0;
	float rmax = 0;
	while(y + EYEH < imageH){
   		x = 0;
        while(x + EYEW < imageW){
        	float r = 0;
        	float uR = 0;
        	float sR = 0;
        	float uT = u_0;
        	float sT = sigma_0;
        	for(int i = x; i <x +  EYEW; i++){
            	for(int j = y; j < y + EYEH; j++){
                	uR += image[j * imageW + i];
            	}
        	}
        	uR = uR / (EYEW * EYEH);
            for(int i = x; i < x +  EYEW; i++){
                for(int j = y; j < y + EYEH; j++){
                    sR += pow(image[j * imageW + i] - uR, 2);
                }
            }
            sR = sR / (EYEW * EYEH);
            for(int i = x; i < x +  EYEW; i++){
                for(int j = y; j < y + EYEH; j++){
                    r += (image[j * imageW + i] - uR) * (ImagePtr[5][(j - y)*EYEW + i - x] - uT);   
                }
            }
            r = r / (EYEW * EYEH * sT * sR);
            if(r > rmax){
                ox = x;
                oy = y;
                rmax = r;
            }
            x = x + 1;
        }
        y = y + 1;
    }
    
    printf("%d %d\n",ox,oy);//15 62
    //挑选出5张脸部模版中最适合的模版，记录下其长度W，宽度H
    float D;
    for(int i = 0; i < 5; i++){
        float r = 0;
        float d = 0;
        float uR = 0;
        float sR = 0;
        float uT = u_0;
        float sT = sigma_0;
        for(int j = ox; j <ox +  Width[i]; j++){
            for(int p = oy; p < oy + Height[i]; p++){
                uR += image[p * imageW + j];
            }
        }
        uR = uR / (Width[i] * Height[i]);
        for(int j = ox; j < ox + Width[i]; j++){
            for(int p = oy; p < oy + Height[i]; p++){
                sR += pow(image[p * imageW + j] - uR, 2);
            }
        }
        sR = sR / (Width[i] * Height[i]);
        for(int j = ox; j < ox + Width[i];j ++){
            for(int p = oy; p < oy +Height[i]; p++){
                r += (image[p * imageW + j] - uR) * (ImagePtr[i][(p - oy)*Width[i] + j - ox] - uT);
            }
        }
        r = r / (Width[i] * Height[i] * sT * sR);
        for(int j = ox; j < ox + Width[i]; j++ ){
            for(int p = oy; p < oy + Height[i]; p++){
                d += pow(image[p * imageW + j] - ImagePtr[i][(p - oy)*Width[i] + j - ox], 2);
            }
        }
        d = d / (Width[i] * Height[i]);
        D = r + 35 / (1 + d);
        if(D > D_max){
            W = Width[i];
            H = Height[i];
            D_max = D;
        }
    }
    
    //输出测试结果（用一个白框标记出识别出来的人脸）
    for(int i = ox; i < ox + W; i++){
        for(int j = oy - H/2 - 5; j < oy - H/2; j++){
            image[j * imageW + i] = 255;
        }
    }
    for(int i = ox; i < ox + W; i++){
        for(int j = oy + H/2; j < oy + H/2 + 5; j++){
            image[j * imageW + i] = 255;
        }
    }
    for(int i = ox - 5; i < ox; i++){
        for(int j = oy - H/2 - 5; j < oy + H/2 + 5; j++){
            image[j * imageW + i] = 255;
        }
    }
    for(int i = ox + W; i < ox + W + 5; i++){
        for(int j = oy - H/2 - 5; j < oy + H/2 + 5; j++){
            image[j * imageW + i] = 255;
        }
    }   
}

void read_temp(){
	for (int photonum = 0;photonum < 7;photonum++){

		const char src1[] = "a.bmp";
		const char src2[] = "b.bmp";
		const char src3[] = "c.bmp";
		const char src4[] = "d.bmp";
		const char src5[] = "e.bmp";
		const char src6[] = "eye.bmp";
		const char src7[] = "detect.bmp";
				
		FILE *fp = fopen(src7, "rb");	
		if (photonum == 0) fp = fopen(src1, "rb");
		else if (photonum == 1) fp = fopen(src2, "rb");
		else if (photonum == 2) fp = fopen(src3, "rb");
		else if (photonum == 3) fp = fopen(src4, "rb");
		else if (photonum == 4) fp = fopen(src5, "rb");
		else if (photonum == 5) fp = fopen(src6, "rb");
		
		if (fp == 0){printf("false\n");}
		fseek(fp, sizeof(BITMAPFILEHEADER), 0);
		BITMAPINFOHEADER head;
		fread(&head, 40, 1, fp);
		bmpHeight = head.biHeight;
		bmpWidth = head.biWidth;
		biBitCount = head.biBitCount;
		fseek(fp, sizeof(RGBQUAD), 1);
		int LineByte = (bmpWidth*biBitCount / 8 + 3) / 4 * 4;
		pBmpBuf = new unsigned char[LineByte*bmpHeight];
		fread(pBmpBuf, LineByte*bmpHeight, 1, fp);
		fclose(fp);
	
		int rgbMap[bmpHeight * bmpWidth][3];
		for (int i = 0; i < bmpHeight;i++){ //取位图 rgb 三通道数据
			for (int j = 0; j < bmpWidth;j++){
				unsigned char *tmp;
				tmp = pBmpBuf + i * LineByte + j * 3;
				rgbMap[i * bmpWidth + j][0] = int(*(tmp));
				rgbMap[i * bmpWidth + j][1] = int(*(tmp+1));
				rgbMap[i * bmpWidth + j][2] = int(*(tmp+2));
			}
		}
		for (int i = 0; i < bmpHeight * bmpWidth;i++){
			ImagePtr[photonum][i] = rgbMap[i][0]*0.299 + rgbMap[i][1]*0.587 + rgbMap[i][2]*0.114;
		}
		Height[photonum] = bmpHeight;
		Width[photonum]	= bmpWidth;
	}
}



int main(){
	read_temp();
	
	const char src[] = "detect.bmp";
	FILE *fp = fopen(src, "rb");	
	if (fp == 0){
		printf("false\n");
		return 0;
	}
	fseek(fp, sizeof(BITMAPFILEHEADER), 0);
	
	BITMAPINFOHEADER head;
	fread(&head, 40, 1, fp);
	bmpHeight = head.biHeight;
	bmpWidth = head.biWidth;
	biBitCount = head.biBitCount;
	fseek(fp, sizeof(RGBQUAD), 1);
	int LineByte = (bmpWidth*biBitCount / 8 + 3) / 4 * 4;
	pBmpBuf = new unsigned char[LineByte*bmpHeight];
	fread(pBmpBuf, LineByte*bmpHeight, 1, fp);
	fclose(fp);

	int rgbMap[bmpHeight * bmpWidth][3];
	for (int i = 0; i < bmpHeight;i++){ //取位图 rgb 三通道数据
		for (int j = 0; j < bmpWidth;j++){
			unsigned char *tmp;
			tmp = pBmpBuf + i * LineByte + j * 3;
			rgbMap[i * bmpWidth + j][0] = int(*(tmp));
			rgbMap[i * bmpWidth + j][1] = int(*(tmp+1));
			rgbMap[i * bmpWidth + j][2] = int(*(tmp+2));
		}
	}
	
	for (int i = 0; i < bmpHeight * bmpWidth;i++){
		image[i] = rgbMap[i][0]*0.299 + rgbMap[i][1]*0.587 + rgbMap[i][2]*0.114;
	}	

	const char dst[] = "segResultTest.bmp";
	FILE *fp1 = fopen(dst, "wb");
	if (fp1 == 0){
		printf("false\n");
		return 0;
	}
	
	int LineByte1 = (bmpWidth * 8 / 8 + 3) / 4 * 4;
	//修改文件头,其中有两项需要修改，分别为 bfSize 和 bfOffBits
	BITMAPFILEHEADER bfhead;
	bfhead.bfType = 0x4D42;
	bfhead.bfSize = 14 + 40 + 256 * sizeof(RGBQUAD)+LineByte1*bmpHeight;
	bfhead.bfReserved1 = 0;
	bfhead.bfReserved2 = 0;
	bfhead.bfOffBits = 14 + 40 + 256 * sizeof(RGBQUAD);//修改偏移字节数
	fwrite(&bfhead, 14, 1, fp1); //将修改后的文件头存入 fp1；
	BITMAPINFOHEADER head1;
	head1.biBitCount = 8; //将每像素的位数改为 8
	head1.biClrImportant = 0;
	head1.biCompression = 0;
	head1.biClrUsed = 0;
	head1.biHeight = bmpHeight;
	head1.biWidth = bmpWidth;
	head1.biPlanes = 1;
	head1.biSize = 40;
	head1.biSizeImage = LineByte1*bmpHeight;//修改位图数据的大小
	head1.biXPelsPerMeter = 0;
	head1.biYPelsPerMeter = 0;
	fwrite(&head1, 40, 1, fp1); //将修改后的信息头存入 fp1;
	pColorTable = new RGBQUAD[256];
	for (int i = 0; i < 256; i++){	
		pColorTable[i].rgbRed = i;
		pColorTable[i].rgbGreen = i;
		pColorTable[i].rgbBlue = i; //是颜色表里的 B、G、R 分量都相等，且等于索引值
	}
	fwrite(pColorTable, sizeof(RGBQUAD), 256, fp1); //将颜色表写入 fp1
	//写位图数据
	unsigned char *newBmp;
	newBmp = new unsigned char[LineByte1*bmpHeight];
	
	fun();
	
	for (int i = 0; i < bmpHeight; i++){
		for (int j = 0; j < bmpWidth; j++){
			unsigned char *pb;
			pb = newBmp + i * LineByte1 + j;
			*pb = image[i * bmpWidth + j];
		}
	}

	fwrite(newBmp, LineByte1*bmpHeight, 1, fp1);
	fclose(fp1);
	system("pause");
	return 0;
}

 

ROCCO#
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
人脸检测 计算机视觉实验
m0_53555511的博客
10-20 1108
import numpy as np import cv2 # 使用haar级联检测图检测人脸 img = cv2.imread("C:/R-C.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 加载人脸检测器 face = cv2.CascadeClassifier('C:/haarcascade_frontalface_default.xml') faces = face.detectMultiScale(gray, 1.2, 7) # 执行人.
人脸检测的简单实验
qq_27704713的博客
02-22 2138
OpenCV和DNN结合实现人脸检测 本人在工作之余，做了一个小功能，在动手之前阅读了不少文档，从而实现人脸检测功能，做这个目的有二，一方面是出于爱好，另一方面是提高自身编码能力。 1.下面是程序的流程图 实现步骤： A) 首先需要先加载DNN模型文件，用深度学习DNN模型检测出人脸区域并进行裁剪，见下图，然后用opencv裁剪出人脸部分； B) 然后把人脸图像转换位灰度图，通过HSV模型计算出二值图像，见下图-二值图像; C) 其中白色区域为皮肤区域，黑色部分为非皮肤区域，最后计算出皮肤区域面积占人
OpenCV实验（7）：人脸面部识别
ALTLI的博客
11-19 4450
Python OpenCV基于肤色模型实现人脸检测
智能专业系统实验（一）：FCM
顺子的博客
07-21 787
实验目的 掌握模糊c-均值（FCM）聚类算法基本原理，并基于C语言编程实现其算法过程，应用于图像的分割实验。 实验基本原理及步骤（或方案设计及理论计算） 1）原理 模糊聚类算法FCM目标函数为： 如果p表示每一个样本的维数，是一个矩阵；N表示样本数目，通常表示图像像素数；C表示聚类数目；是矢量隶属于第 i 类的隶属度函数 ，满足且；聚类中心是矩阵，和更新等式分别为： 对于每一个模糊隶属度，由控制模糊度的权重系数；为相似性度量。 2）变量说明 P为数据样本维数...
智能系统平台专业实验 人脸识别
启功社区
07-07 1447
一、实验目的 在一般环境中识别出人脸。 二、概要 本实验所探讨的是一般环境图像中单个正面端正人脸的检测问题。这种条件下的人脸检测的方法主要有模板匹配方法、可变形模板方法等。概括的说，基于模板匹配的方法是在图形灰度上直接比较目标模板和候选图像区域之间的相似性，而基于特征匹配的方法是比较从图像中抽取的一定特征的相似性。 本实验主要用到两种模板：双眼模板和不同长宽比的模板。在检测时首先使用双眼模
NanopcT4 系统 人脸检测实验 超详细教程 代码及操作步骤
07-06
在这个超详细教程中，我们将深入探讨如何在Nanopc T4系统上进行人脸检测实验，以及涉及的相关软件和工具的使用。Nanopc T4是一款高性能的嵌入式计算平台，适合于各种计算机视觉和人工智能应用，其中包括人脸识别。 ...
基于python的人脸识别的实验室智能门禁系统设计与实现.docx
最新发布
08-10
人脸识别模块使用OpenCV库来实现人脸检测和识别，FaceRecognition库来实现面部特征提取和匹配。身份验证模块使用python语言来实现身份验证逻辑。门禁控制模块使用pyserial库来实现与门禁系统的通信。 五、系统测试 ...
基于人脸识别技术的实验室智能考勤系统.pdf
09-07
【基于人脸识别技术的实验室智能考勤系统】 在当今的高等教育环境中，随着高校的扩招，开放型实验室的数量不断增加，人员流动性大，传统的考勤管理方式面临着诸多挑战，如身份确认困难、代签现象以及签到时间的精确...
智能监控系统中自适应人脸检测跟踪算法改进.pdf
09-12
实验结果表明，改进后的算法在复杂环境中的人脸检测准确率高，抗干扰能力强，满足了实时性的需求。这使得该算法成为构建实时智能监控系统的一种实用方法，特别是在需要高精度和稳定性的场合，如安全监控、公共场所...
人工智能与嵌入式系统教学人脸识别实验平台搭建.pdf
05-11
该系统采用 S3C2440 作为微处理器芯片的 ARM9 开发板，通过交叉编译移植 Linux 操作系统，选取改进的 Adaboost 人脸检测算法和卷积神经网络 VIPLFaceNet 人脸识别算法进行检测和识别。在 FDDB 人脸数据库实验测试，...
人脸识别实验报告（含代码及优化）
04-16
人脸识别实验报告（含代码及优化），主要运用特征提取，PCA，包含实验原理、步骤、代码及优化
人脸识别(实验复现)
spylyt的专栏
03-11 1838
英文原文地址:https://medium.com/@ageitgey/machine-learning-is-fun-part-4-modern-face-recognition-with-deep-learning-c3cffc121d78中文翻译版地址:https://zhuanlan.zhihu.com/p/24567586实验脚本:https://github.com/YuTingLiu...
走近人脸检测（1）——基本流程
热门推荐
zchang81的博客
05-10 1万+
人脸检测的任务就是判断给定的图像上是否存在人脸，如果人脸存在，就给出全部人脸所处的位置及其大小。由于人脸检测在实际应用中的重要意义，早在上世纪70年代就已经有人开始研究，然而受当时落后的技术条件和有限的需求所影响，直到上世纪90年代，人脸检测技术才开始加快向前发展的脚步，在新世纪到来前的最后十年间，涌现出了大量关于人脸检测的研究工作，这时期设计的很多人脸检测器已经有了现代人脸检测技术的影子，例如可
人脸检测总结报告（2018_1_20-2018_1_30）
weixin_39740832的博客
02-01 1万+
一、总述 根据Yang，Kriegman，and Ahuja（2002）的分类，人脸检测的方法分为基于特征的、基于模板的和基于表观的方法。 基于特征的方法，尝试寻找有区分性的图像特征的位置，比如眼睛、鼻子和嘴，然后在合理的几何布局上验证这些特征是否存在，这类方法包括一些早期的人脸识别方法以及最新的一些基于模块特征空间的方法、局部滤波器束方法、支持向量机方法和Bossting方法。 基于模板的
人脸检测与识别总结
gzq0723的博客
11-29 4933
上半年跨度到下半年之后，深度学习又进一步推送到了AI的顶端，很多领域都开始涉及到Deep Learning，而在人脸领域，已经被广泛应用，今天本平台再一次详细说说人脸领域的一些知识，想进一步让更多人的有进一步深入的熟知！最近因为种种原因，这方面的知识有得到大家的认可和对其有很大的兴趣，所以平台今天再一次分享这领域知识，让已明白的人更加深入理解，让初学者有一个好的开端与认知，谢谢大家对本平台的支持！
人脸检测论文PCN
hanjiangxue_wei的博客
02-24 1479
tags: PCN;人脸检测; face detection 论文名称： 《Real-Time Rotation-Invariant Face Detection with Progressive Calibration Networks》 作者为中科院计算所山世光及其学生 2018 代码地址：https://github.com/Jack-CV/FaceKit 论文背景 人脸检测器通常...
人脸检测之亚毫秒级人脸检测算法BlazeFace
程序员深度学习
07-13 1637
论文：BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs 代码：https://github.com/tkat0/PyTorch_BlazeFace 1. 简介 BlazeFace算法，是谷歌推出的一款专为移动GPU推理量身定制的轻量级且性能卓越的人脸检测器，BlazeFace 在旗舰移动设备上以200-1000 + F...
人脸识别案例（人脸采集）
yujinlong2002的博客
10-24 2320
人脸识别案例（人脸采集）
目标人脸检测与识别（计算机视觉）
qq_48527460的博客
04-15 1万+
通过python 语言编程设计人脸检测算法，以此人脸作为训练样本，训练目标人脸模型，进一步实现目标人脸的识别。通过上述编程促进学生理解并掌握人脸检测及识别的相关原理，同时培养学生的编程能力。实现人脸的检测及目标人脸识别 采用DNN人脸检测和EigenFaces人脸识别器从包含目标人脸的图像中检测到人脸并保存到文件夹。
人脸识别技术在实验室智能门禁系统中的应用
"基于图像处理技术的实验室智能门禁管理系统设计" 本文主要介绍了一种利用图像处理技术和51单片机控制技术实现的实验室智能门禁管理系统。系统的核心是人脸识别技术，通过LabVIEW平台与MATLAB的结合，进行人脸图像...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值