sinat_29950703的博客

一、背景建模法1：帧差法由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。背景为0，运动目标为1，过滤掉背景帧差法非常简单，但是会引入噪音 和 空洞问题法2：混合高斯模型在进行前景检测前，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（高

答题卡识别效果【大致思路】：先进行仿射变换去除背景（只留试卷部分），二值化，圆形轮廓检测，遍历每一行选项，统计非零像素，记录填充选项（即非零像素最多的轮廓区域），与正确答案进行比对，正确则correct数+1，得到总成绩1-4 基础操作+透视变换1-4是基础操作, 3是做近似变换, 取最大的那个轮廓,最有可能是图像最大外围的轮廓3的近似变换 和 4的透视变换原理 可以参考我的 OCR文档扫描实战博客# 1.预处理image = cv2.imread(args["image"])contour

任务描述：识别这种停车场图的 空车位 与 被占用车位识别流程：预处理 -> 保存 空车位 和 已被占用车位的图片 -> 训练VGG网络进行二分类img_process 图像预处理过程1.select_rgb_white_yellow 过滤背景（得到mask）inRange(图,min阈值,max阈值) 小于min(大于max)的为0,min-max的为255dst = cv.bitwise_and(src1, src2[, dst[, mask]]src1:图1 sr

一、Harris 角点检测Harris 算法的原理 与 公式解析在一副图像中可能存在以下三类点：平面点，边界点 和 角点用下面这张图两条线做个夹角，表示三种点的位置。当它们移动的时候，灰度值会发生变化平面点：x 和 y 方向变化不大边界点：x 或 y 方向变化大角点：x 和 y 方向的变化都大做减法：是为了获得平移前后的差异平方：是为了获得这样一个变化的趋势，负数就无意义了，因为-5 比 2的变化幅度大；而且对这趋势做了个增强总结一下Harris算法流程 获取点数据后,

边缘检测 -> 获得轮廓 -> 透视变换(即放平，包括平移旋转反转等) -> OCR识别

一、基础配置# 导入工具包from imutils import contoursimport numpy as npimport argparseimport cv2import myutils# 设置参数ap = argparse.ArgumentParser()ap.add_argument("-i", "--image", required=True,help="path to input image")ap.add_argument("-t", "--template", r

环境配置：Anaconda：https://www.anaconda.com/download/Python：https://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv快速安装opencv：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-pythonpip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-co