使用Flex撷取影像

在Flex 2撷取影像其实很简单,之前不小心在网络上看到一个范例(不过我忘记在哪了:P),不过那倒无所谓,我做了一个类似的范例,原理就是祗要建立一个 ActionScript组件,利用mxml里呼叫此组件,当然您需要一个按钮来做这快照,再实时地快照到面版里就可以。

直接浏览范例:http://j2eemx.com/flex/webcam/webcam.html

所有程序代码...

ActionScript Class文件范例如下:

    package myComponents{ import mx.containers.Panel; import flash.media.Camera;    import flash.media.Video;    import mx.core.UIComponent;   

          public class WebcamPanel extends Panel

            {

            public var video:Video

            public function WebcamPanel(){

            super();

            insertWebcamVideo();

            }

            public function insertWebcamVideo():void{

            var videoHolder:UIComponent = new UIComponent();

            var camera:Camera = Camera.getCamera();

            video = new Video(camera.width*2, camera.height*2);

            video.attachCamera(camera);

            videoHolder.addChild(video);

            addChild(videoHolder);

            videoHolder.y =10;

            }

            }

            }
WebCam.mxml程序代码如下:
<?xml version="1.0" encoding="utf-8"?>

<mx:Application xmlns:mx="http://www.adobe.com/2006/mxml" 

xmlns:MyComp="myComponents.*" layout="absolute">

            <mx:Script>

            <![CDATA[

            import mx.core.UIComponent;

            import flash.display.BitmapData; 

          //快照函数 

            public function takeSnapshot():void{

            var snapshotHolder:UIComponent = new UIComponent();

            var snapshot:BitmapData = new BitmapData(320, 240, true);

            var snapshotbitmap:Bitmap = new Bitmap(snapshot);

            snapshotHolder.y =10;

            snapshotHolder.addChild(snapshotbitmap);

            pnlSnapshot.addChild(snapshotHolder);

            snapshot.draw(pnlWebcam.video);

            pnlSnapshot.visible = true;

            }

            ]]>

            </mx:Script>

          <!--初始影像面版 -->

<MyComp:WebcamPanel x="69" y="51" width="360"  height="320"  layout="absolute" backgroundColor="#ffffff" 

            backgroundAlpha="1.0" title="这是动态影像" fontSize="18" fontFamily="Verdana" 

            color="#000000" borderColor="#0080ff" borderStyle="solid" cornerRadius="0" barColor="#FFFFFF" borderThickness="10" 

            dropShadowColor="#FFFFFF" dropShadowEnabled="false"  footerColors="#FFFFFF" headerColors="#FFFFFF" 

            highlightAlphas="0" shadowDirection="center" textAlign="right" textDecoration="none" borderAlpha="0" 

            fontWeight="bold" id="pnlWebcam" shadowDistance="10" alpha="1.0" >

</MyComp:WebcamPanel>

<!--影像撷取后之面版 -->

<mx:Panel x="499" y="51" width="360" height="320" layout="absolute" backgroundColor="#ffffff" backgroundAlpha="1.0" title="这是影像撷取" fontSize="18" fontFamily="Verdana" color="#ff0080" borderColor="#ff0080" borderStyle="solid" cornerRadius="0" barColor="#FFFFFF" borderThickness="10" dropShadowColor="#FFFFFF" dropShadowEnabled="false" footerColors="#FFFFFF" headerColors="#FFFFFF" highlightAlphas="0" shadowDirection="right" textAlign="left" textDecoration="none" borderAlpha="0" fontWeight="bold" id="pnlSnapshot" visible="false">

</mx:Panel>

<!--按钮触发快照影像 -->

<mx:Button x="192" y="379" borderColor="#FFFFFF" focusAlpha="1" color="#ffffff" textRollOverColor="#FFFFFF" textSelectedColor="#000000" themeColor="#0080ff" fillAlphas="[1.0, 1.0]" errorColor="#ff0080" fillColors="[#0080ff, #0080ff]" fontSize="14" fontFamily="Verdana" fontWeight="bold" cornerRadius="0" alpha="1.0" click="takeSnapshot()" label="撷 取 影 像"/>

<mx:Label x="69" y="25" text="Flex Demo From RiS http://j2eemx.com" fontSize="18"/>

</mx:Application>
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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