- 博客(17)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 OpenCV(八)人脸关键点检测与疲劳检测
一、人脸的关键点检测1、任务将图片中的人脸识别出来，并且识别出这张人脸中的关键点。原始图片提取出人脸画出人脸关键点的位置2、大致步骤设置参数，有图片、人脸关键点检测器的位置构造有序的字典，用于标记不同脸部部位对应的序号设置人脸检测与人脸关键点检测的检测器检测出n个人脸遍历检测出的每一张人脸，检测人脸的关键点信息检测出人脸关键点的信息不是坐标点的形式，将之转换为坐标点的array形式在人脸上勾勒出每一个关键点的位置，获得每一个关键点的位置信息利用cv2.convexHu
2021-02-16 22:53:56
3211
原创 OpenCV(七)实现对视频中任意目标的追踪
一、目标给定一段视频，实现对视频中一个或者多个目标的追踪。二、实现配置需要的参数：video和tracker追踪算法ap = argparse.ArgumentParser()ap.add_argument("-v", "--video", type=str, help="path to input video file")ap.add_argument("-t", "--tracker", type=str, default="kcf", help="OpenCV object track
2021-02-15 22:46:51
4652
1
原创 OpenCV(六)利用OpenCV的DNN模块实现图像的识别
一、目标用OpenCV的DNN模块加载Googlenet模型用来识别图像。二、DNN模块介绍原创为：深度学习模块-DNN在OpenCV3.3版本发布中把DNN模块从扩展模块移到了OpenCV正式发布模块中，当前DNN模块最早来自Tiny-dnn，可以加载预先训练好的Caffe模型数据，OpenCV做了近一步扩展支持所有主流的深度学习框架训练生成与导出模型数据加载，常见的有如下：CaffeTensorFlowTorch/pytorchOpenCV中DNN模块已经支持与测试过这些常见的网络模
2021-02-14 19:44:00
3192
2
原创 OpenCV(五)停车场的车位识别
一、标题在一段停车场，车辆来往的视频中实时检测出：有多少个停车位被占据了，有多少是空着的；哪个被占，哪个是空的。视频中的一些截图二、思路视频是由一帧一帧的图像构成的，对视频的处理就是对图像的处理。第一步就是用测试图像找出每个停车位的坐标位置（不管是有车的还是没车的）；第二步是用测试图像，检测空车位的位置，可视化。第三步是处理视频，将视频以一帧一帧的形式交给神经网络处理，以视频流的形式输出。三、分步实现：第一步：处理图像：首先对图像进行过滤，除去背景，剩下实物的大致轮廓A。对
2021-02-11 17:19:20
3488
3
原创 OpenCV实际案例(四) 答题卡识别判卷
一、目标扫描如图所示的答题卡，找到其中选的答案，与正确答案对比，给出分数。二、分步实现1、读取数据，进行透视变换数据预处理：高斯滤波、二值化、边缘检测、识别轮廓#对输入图像进行预处理image = cv2.imread(args["image"])contours_img = image.copy()gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray,(5,5),0)cv_show
2021-02-11 14:15:57
1441
4
原创 opencv实际案例(三)全景图像的拼接
一、目标：将两幅图片拼接成为一个全景图：拼接前拼接后二、思路分别将两张图片对应的关键点求出，并将每个关键点对应的特征向量描述出来。对两幅图像的关键点进行特征匹配（这里使用BF-knn方法进行匹配）利用RANSAC方法对匹配好的关键点进行筛选，计算出单应性矩阵H对配对的结果可视化。利用H将图像A进行投影变换，将变换后的图像A的大小设定为A,B拼接好以后图像的大小将图像B拼接在图像A空缺的地方，完成拼接。三、实现求关键点和特征向量 def detectAndDescribe(s
2021-02-09 00:36:33
1369
2
原创 opencv实际案例(二) 文件扫描以及OCR识别
一、目标：将图像中我们需要的部分提取出，进行扫描，提取出其中的文字。二、思路：首先我们要定位我们在图像中需要的部分，将其轮廓提取出。- 1将图像变换大小- 2灰度化，高斯滤波，边缘检测- 3轮廓提取- 4筛选第三步中的轮廓，选择其中较大的- 5绘制轮廓的近似，返回其中有四个点的轮廓image = cv2.imread(args["image"])ratio = image.shape[0] / 500.0#这里记住变换的比例orgi = image.copy()image =
2021-02-07 14:47:35
1223
1
原创 opencv实际案例(一)银行卡号的识别
一、目标：识别银行卡上的卡号二、思路：一 、准备模板，能够与卡号数字样式进行模型匹配二、处理模板图片：将其分割成为单个数字的图片，和所对应的数字相匹配存储可迭代的数据类型中。读入模板图片，并对模板图片进行灰度化，最后转换为二值图像计算模板的轮廓，给轮廓排序（按照在银行卡上的位置），这里选择检索外轮廓，压缩水平的，垂直的和斜的部分按照数字的顺序将每个数字的小图片存入列表def cv_show(name,img): cv2.imshow(name, img) cv2.waitKey(
2021-02-06 15:07:49
1357
2
转载 Jupyter Notebook 设置背景主题、字体大小以及输出部分显示不全的问题
保存一个教程Jupyter Notebook 设置背景主题、字体大小以及输出部分显示不全的问题
2021-02-04 11:48:45
333
原创 tensorflow学习笔记（八）
（听了北大曹健老师的课，特此复习）一、本节课的知识点循环神经网络ABCDE连续字母的预测股票预测二、循环神经网络在实际应用中，普通的神经网络对一些具有时间性或者说序列性的问题无法解决，譬如输入abcd预测下一个字母。因为要解决这个问题需要用到前面的信息。循环神经网络与普通的神经网络最大的区别就在于网络的同一层之间的节点不再是无连接的。下面是我在往事不回头，余生不将就这位大佬的博客上截取的一段话，我觉得说的很清楚。RNN的目的使用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再
2021-02-02 16:44:56
361
原创 tensorflow学习笔记（七）
（听完北大曹健老师的课，特此复习）一、本节课的知识点在前几节课中，我们用全连接的神经网络能够对图片、手写数字这些比较简单的对象进行识别与判断。但是在实际的问题中，我们需要识别与判断的对象一般都具有比较复杂的特征，譬如具有RGB三通道的彩色图片。对这些较为复杂的对象，神经网络会增加隐藏层的层数或者增加每一层神经元个数，但是这并不能有效提升模型的正确率，反而会因为待优化的参数过多、网络规模过大导致模型的过拟合。在实际的应用中，我们先对原始的对象进行特征的提取，再将提取到的特征送入全连接的网络。我个人的理
2021-02-01 17:42:32
333
原创 tensorflow学习笔记（六）
（听完北大曹健老师的课，特此复习）一、本节课的知识点自制数据集，解决本领域应用数据增强，扩充数据集断点续训，存取模型参数提取，把参数存入文本acc/loss可视化，查看训练效果应用程序，给图识物二、自制数据集先回顾一下MNIST数据集的特点以及一些使用方法：import tensorflow as tffrom PIL import Imageimport numpy as npimport ostrain_path = './mnist_image_label/mnis
2021-01-30 22:07:31
292
原创 tensorflow学习笔记（五）
（听完北大曹健老师的课，特此复习）一、本节课的知识点神经网络搭建八股iris代码复现MNIST数据集训练MNIST数据集Fashion数据集二、用Tensorflow API：tf.keras搭建网络八股六步法import相关包准备训练集train，测试集test搭建网络结构 model = tf.keras.models.Sequential（顺序搭建的方法）配置模型参数 model.compile配置训练参数 model.fit显示模型结构 model.summary
2021-01-30 01:29:46
190
原创 tensorflow学习笔记（四）
（听完北大曹健老师的课，特此复习）一、本节课学习的点预备知识神经网络复杂度指数衰减学习率激活函数损失函数欠拟合与过拟合正则化减少过拟合优化器更新网络参数二、预备知识tf.where()tf.where(条件语句，真返回A，假返回B)import tensorflow as tfa = tf.constant([1, 2, 3, 1, 1])b = tf.constant([0, 1, 3, 4, 5])c = tf.where(tf.greater(a, b), a, b
2021-01-29 21:54:07
296
原创 深度之眼tensorflow学习笔记（三）：自定义模型训练
一、自动求导机制tf.GradientTape是eager模式下计算梯度用的。watch(tensor)作用：确保某个tensor被tape追踪参数:tensor: 一个Tensor或者一个Tensor列表gradient(target, sources)作用：根据tape上面的上下文来计算某个或者某些tensor的梯度参数target: 被微分的Tensor或者Tensor列表，你可以理解为经过某个函数之后的值sources: Tensors 或者Variables列表（当然可以只有一个值
2021-01-27 21:42:19
746
原创 深度之眼tensorflow学习笔记（二）：模型训练
keras版本模型的训练1、模型的构建与训练import tensorflow as tfinputs = tf.keras.Input(shape=(32,)) #(输入的数据维度为32)x = tf.keras.layers.Dense(64, activation='relu')(inputs) #（64个神经元）x = tf.keras.layers.Dense(64, activation='relu')(x)#（64个神经元）predictions = tf.keras.layer
2021-01-27 16:27:18
1228
原创 深度之眼tensorflow学习笔记（一）：三种建模方式
tensorflow的三种建模方式方法一：Sequential model利用tf.keras.Squentialfrom tensorflow.keras import layersimport tensorflow as tfmodel = tf.keras.Sequential()model.add(layers.Dense(64,activation='relu'))model.add(layers.Dense(64,activation='relu'))model.add(laye
2021-01-26 20:25:50
452
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人