Steven的博客

之前的车牌定位中已经获取到了车牌的位置，并且对车牌进行了提取。我们最终的目的是进行车牌识别，在这之前需要将字符进行分割，方便对每一个字符进行识别，最后将其拼接后便是完整的车牌号码。关于车牌定位可以看这篇文章：OpenCV车牌定位(C++)，本文使用的图片也是来自这里。先来看一看原图：最左边的汉字本来是 沪，截取时只获得了右边一点点的部分，这与原图和获取方法都有关，对于 川、沪… 这一类左右分开的字会经常发生这类问题，对方法进行优化后可以解决，这里暂时不进行讨论。后面的字都是完整的，字符分割的过程不

最近开始接触 C++ 了，就拿一个 OpenCV 小项目来练练手。在车牌自动识别系统中，从汽车图像的获取到车牌字符处理是一个复杂的过程，本文就以一个简单的方法来处理车牌定位。我国的汽车牌照一般由七个字符和一个点组成，车牌字符的高度和宽度是固定的，分别为90mm和45mm，七个字符之间的距离也是固定的12mm，点分割符的直径是10mm。使用的图片是从百度上随便找的（侵删），展示一下原图和灰度图：#include <iostream> #include <opencv2/highg

目标检测就是对目标进行动态实时跟踪定位，常见的目标检测算法有 R-CNN、Fast R-CNN、Faster R-CNN、SSD、Yolo 等，其中 Yolo 的速度和精确度都比较高，且只需训练一次，使用起来比较方便。这里我们就使用官方现成的模型来检测图片，看一看效果，先学会使用流程，以后再训练自己的模型。注意：opencv-python 目前只有 4.4.0 版本适配了 YOLOv4导入库import numpy as npimport timeimport cv2设置标签和标注颜色

我们随手拍摄的照片，很难达到摄影师的水准，因此不管是手机上还是电脑内，都有一些软件可以添加特效让照片更好看，手机拍摄时也有即时的美化效果。不过我比较好奇漫画特效，但是一直在网上看到别人的成品而找不到针对性的软件，因此只有自己实现一下，虽然跟专业的还有差距，但效果还不错。本次使用 OpenCV，采用 Python 实现。对比现实中的画画，一般是先画出边缘轮廓使整体规划好，再填充颜色使其完整，因此在这里我们也采用这种方式。不过对图片直接操作与从零开始着笔不一样，要将原始图片进行两次不同的处理，再将处理后的

imutils 这个图像处理工具包，除了简化 opencv 的一些操作之外，还有专门配合 dlib 处理人脸数据的工具 face_utils。dlib 提取人脸数据后，五官都是用一些特征点来表示的，每个部位的点的索引是固定的，想要进一步操作就得对这些点进行处理，而 face_utils 就是简化这些点的表现方式本文就来解析一下 face_utils 的处理方法，方便我们理解它的用处特征点索引提取查看源码：#For dlib’s 68-point facial landmark detector:

imutils 是一个图像处理工具包，它对 opencv 的一些方法进行了二次加工，使其更加简单易用。相比较于 opencv 的学习难度，导致很多方法使用起来需要一定的基础，新手可能会起步的较慢，而 imutils 使用起来比较便利，能够辅助我们理解 opencv本文就来解析一下 imutils 的源码，看它如何调用 opencv 的方法。顺便也学习一下，这里主要讲其常用的几个图像函数平移查看源码：def translate(image, x, y): # define the trans

练一个模型，让它去“背书”吧，背完了再看看它学的怎么样。本次使用的是 TensorFlow2，采用基于循环神经网络的 GRU 。给它一两个字或者一句诗，甚至一个字也不给，然后写出格式正确的诗。不会照搬已存在诗句，而是根据它对看过的诗的理解

机器学习基本分为监督学习、无监督学习、强化学习，而自编码器则是无监督学习的一种，不过它比较自觉，别人不监督它但它自己监督自己，对输入样本 xxx 进行训练，得出结果后再与 xxx 进行对比。通过这一特性，自编码器可以随机生成与训练数据类似的数据，比如对图片进行重建。AE的结构无监督学习的数据没有额外的标注信息，只有数据 xxx 本身。利用数据 xxx 本身作为监督信号来指导网络的训练，即希望神经网络能够学习到映射 fθ:x→xf_{\theta}:x\to xfθ​:x→x。我们把网络 fθf_

对于具有时间维度的数据，比如阅读的文本、说话时发出的语音信号、随着时间变化的股市参数等，这类数据并不一定具有局部相关性，同时数据在时间维度上的长度也是可变的。这一特性导致一般的神经网络难以处理，而循环神经网络则以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接，具有记忆性、参数共享并且图灵完备，因此在对序列的非线性特征进行学习时具有一定优势，可以很好地解决问题。下面就来详细说明其原理。RNN的结构基础的神经网络只在层与层之间建立了权连接，而 RNN 则在此基础上在层之间的神经元之间也建

众所周知，股票预测是一个玄学问题，没有经验和方法，一不留神就可能被割韭菜了。当然本文仅针对单纯的数据进行预测，不具备实际操作性，主要用于学习技术。如果想将预测数据用于实际操作，则仅供娱乐，不要太注重结果。

面对如今的大数据时代，各种各样的信息令人眼花缭乱，你根本不知道哪些信息是自己所需要的，而一个个看又会浪费很多时间，更不用说对一大堆信息进行分类或总结了。对于聚类处理，这里使用 birch...

垃圾邮件识别，算是一个二分类问题，也是一个相对简单的文本分类问题。这里使用sklearn库进行训练，使用其集成的各种优秀算法，帮助我们快速区分大量烦人的垃圾邮件...

sklearn是目前python中十分流行的用来实现机器学习的第三方包，其中包含了多种常见算法如：决策树，逻辑回归、集成算法等。即使你还不太懂机器学习的具体过程，依旧可以使用此库进行机器学习操作，因为其对各种算法进行了良好的封装，可以在不了解算法实现过程的情况下使用算法，所以可以把 sklearn 库当作学习过程中的一个过度，如果你想快速建立一个模型，这也是一个不错的选择。数据导入skle...

蒙特卡罗方法，也称统计模拟方法，是1940年代中期由于科学技术的发展和电子计算机的发明，而提出的一种以概率统计理论为指导的数值计算方法。是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法蒙特卡罗方法可以粗略地分成两类：一类是所求解的问题本身具有内在的随机性，借助计算机的运算能力可以直接模拟这种随机的过程。另一种类型是所求解问题可以转化为某种随机分布的特征数，比如随机事件出现的概率，或...

主成分分析（PCA）是一种统计分析、简化数据集的方法。它利用正交变换来对一系列可能相关的变量的观测值进行线性变换，从而投影为一系列线性不相关变量的值，这些不相关变量称为主成分。具体地，主成分可以看做一个线性方程，其包含一系列线性系数来指示投影方向。PCA对原始数据的正则化或预处理敏感（相对缩放）。概念主成分分析就是对数据进行降维操作，这样在面对多变量大样本的数据时可以明显地减少工作量，而...

线性规划 （ Linear Programming ，简称LP ）特指目标函数和约束条件皆为线性的最优化问题。在作业研究中所面临的许多实际问题都可以用线性规划来处理，特别是某些特殊情况，例如：网路流、多商品流量等问题，都被认为非常重要。 目前已有大量针对线性规划算法的研究。 很多最优化问题算法都可以分解为线性规划子问题，然后逐一求解。概念线性规划问题其实一直陪伴着我们，上中学时有一类题目...

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有...

灰色关联分析是指对一个系统发展变化态势的定量描述和比较的方法，其基本思想是通过确定参考数据列和若干个比较数据列的几何形状相似程度来判断其联系是否紧密，它反映了曲线间的关联程度。通常可以运用此方法来分析各个因素对于结果的影响程度，也可以运用此方法解决随时间变化的综合评价类问题，其核心是按照一定规则确立随时间变化的母序列，把各个评估对象随时间的变化作为子序列，求各个子序列与母序列的相关程度，依照相...

灰色预测是就灰色系统所做的预测。所谓灰色系统是介于白色系统和黑箱系统之间的过渡系统。其具体的含义是:如果某一系统的全部信息已知为白色系统，全部信息未知为黑箱系统，部分信息已知，部分信息未知，那么这一系统就是灰色系统。相关概念白色系统：指一个系统的内部特征的完全已知的，即系统信息是完全公开的黑色系统：与白色系统相反，指一个系统的内部信息对外界来说是一无所知的，只能通过它与外界的联系来加...