摘要:实现图像中人脸检测,和人眼定位.输出检测标记图像和定位坐标. 工具:vs2015 opencv3  C++ 资源:haarcascade_frontalface_alt2.xml;haarcascade_eye_tree_eyeglasses.xml 链接:https://pan.baidu.com/s/1uk8P1TF7XXCoMMd0sNDGVg 提取码:az01 实现结果: 实现过程: Detect.h #pragma once #include <opencv2/opencv.hp

Viola-Jones 人眼检测算法+meanshift跟踪算法 这次的代码是对视频中的人眼部分进行检测加跟踪,检测用的是matlab自带的人眼检测工具箱 下面是matlab官网介绍这个算法的一些东西: http://cn.mathworks.com/help/vision/examples/face-detection-and-tracking-using-camshift.html?searchHighlight=Viola-Jones http://cn.mathworks.com/hel

上学时候用matlab学过一些图像处理的基础知识,当时课程作业是用haar实现人脸检测 but当时是心思根本不在图像处理上,so找了个同学帮忙做的,自己没上心 然鹅天道好轮回,现在捡起来了原来的算法一脸懵逼,自己挖的坑再深也得跳下去啊! 先上一张经典的lena图镇场子! 流程图: 读取一张图片→转灰度图→人眼/人脸检测→标识出来→显示/保存结果 其中,重中之重就是怎样进行检测?下面主要讲一下openCV中现成的一种算法——Haar 算法详解请参考https://blog.csdn.net/pla

球体的双目视觉定位(matlab,附代码) 标签(空格分隔): 机器视觉 引言 双目视觉定位是我们的一个课程设计,最近刚做完,拿出来与大家分享一下,实验的目的是在拍摄的照片中识别球体,并求出该球体到相机的实际距离吗,我们要求需要用matlab,但是matlab调用双目摄像头(一个USB口)却老是只能调用双目摄像头中的一个,但是利用Python的OpenCV库却可以同时调用两个,因此我们选用了Python用于拍摄图片. 1.基本流程 备注:因为得出的视差图识别出圆球略困难,我们没有采用视差图深度图

java实现 HTTP/HTTPS请求绕过证书检测代码实现 1.开发需求 需要实现在服务端发起HTTP/HTTPS请求,访问其他程序资源. 2.URLConnection和HTTPClient的比较 HttpClient是个很不错的开源框架,封装了访问http的请求头,参数,内容体,响应等等, DefaultHttpClient和它的兄弟AndroidHttpClient都是HttpClient具体的实现类,它们都拥有众多的API,而且实现比较稳定,bug数量也很少. 3.使用Apache的Ht

Git钩子的作用: (pre-commit ) 在用户执行 git commit -m "xxx" 命令之前,先执行pre-commit文件中的脚本命令 在pre-commit文件中,编写脚本 执行pom.xml中配置的各种插件 对代码先进行检测 如果所有插件都检测通过,git commit 命令才能执行成功,然后才能继续执行 git push 命令 否则 commit失败,git push的内容会为空. 简而言之:就是控制代码的提交,在代码提交到远程仓库之前会先对代码进行检查(检查内

上一篇博客写了k-means聚类算法和改进的k-means算法.这篇博客就贴出相应的MATLAB和C++代码. 下面是MATLAB代码,实现用k-means进行切割: %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 功能:实现怎样利用Kmeans聚类实现图像的切割. 时间:2015-07 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function kmeans_segmentation() clear;c

深度学习算法火起来之后,基于深度学习各种模型都如雨后春笋一般在各个领域广泛应用. 由于想把深度学习算法应用在在视频目标检测方向,得到一个较好的结果.由于视频数据的复杂性,因此使用深度学习算法在视频中的目标检测难度比较大,但是仍然可以借鉴现阶段state-of-art的目标检测算法r-cnn.通过自己运行r-cnn目标检测代码,可以明确目标检测的流程,同时构建目标检测的baseline.下面详细讲解构建r-cnn框架的过程和方法以及过程中遇到的问题解决方案. 在跑r-cnn代码之前需要明确一些问题

Jekyll自动检测代码更新 jekyll是一个静态博客生成软件, 我们把代码放在一个仓库里, 只要远程代码更新, 我们就从把它拉到自己的服务器, 然后重新启动jekyll. cd /root/blog git clone outproject 设置定时器 自动拉取代码重新部署jekyll: crontab -e */1 * * * * /root/blogpull.sh >> /root/cronblogpull.log /root/blogpull.sh如下: 脚本文件内容 #! /bin

[已解决][求助] 求虚拟机防检测代码 虚拟机如何躲过游戏等软件的检测,并能用vmware tools: 先把vmtools安装好后!   然后用这代码 monitor_control.restrict_backdoor = "TRUE"   我游戏过虚拟检测就是这么干的!

一款检测代码中TODO的eslint插件 前言 看了我标题进来的同学应该也知道我做的是个啥东西 没错是一个eslint插件,前端魔法师们日常所使用的工具之一 什么?你不知道eslint是干嘛的--吃鲸.jpg ESLint 是一个开源的 JavaScript 代码检查工具 能在多人协作项目中帮助统一代码风格 百闻不如一见,先带大家看看插件效果 因为在工作中临时会插入许多其它的事,或者有些代码,接口是有时效性的需要手动下线 插件功能简单讲就是为不完善的代码做标记,提醒自己如期修改完善bug 想亲自

先贴几个链接: http://blog.csdn.net/abcjennifer/article/details/7639681  Rachel-Zhang的 http://blog.csdn.net/manji_lee/article/details/8922474 David G. Lowe的两篇标志性的文章分别叫 Object recognition from local scale-invariant features 和 Distinctive Image Features from

这个提供的代码例子是Emgu CV提供的源码里面自带的例子,很好用,基本不需要改,代码做的是人脸检测不是人脸识别,这个要分清楚.再就是新版本的Emgu CV可能会遇到系统32位和64位处理方式有区别的问题,解决的办法不止一种,我这里的建议在条件允许的情况下尽量使用Emgu CV的早期版本,因为越新的版本的兼容性越差,早期的版本是不分32位和64位的,而且新版本的Emgu CV可能不再支持一些老的硬件,这也是选择老版本的原因,总之,是具体情况而定吧.这里只是给大家看看代码,要想运行起来,完整的解决

关注代码质量是高效开发必须要做的一件事,那么在 Ruby 开发的过程中,是否有什么好的代码质量检测工具呢?下面由 Ruby 工程师路英瑞介绍一下 RubyCritic--一款还不错的代码质量检测工具. 最近在开发 Cloud Insight API(一款能够优雅监控多种操作系统.数据库.中间件.云主机的解决方案) 时,发现一个可以检测 Ruby 代码质量的工具-RubyCritic. RubyCritic 集成 Reek, Flay 和 Flog 这3个分析代码的工具,能够对你的 Ruby 代码

参考:http://blog.csdn.net/trent1985/article/details/50904173 根据国外一篇大牛的文章:No-Reference Perceptual Quality Assessment of JPEG Compressed Images 在无参考图像的质量评价中,图像的清晰度是衡量图像质量优劣的重要指标,它能够较好的与人的主观感受相对应,图像的清晰度不高表现出图像的模糊.本文针对无参考图像质量评价应用,对目前几种较为常用的.具有代表性清晰度算法进行讨论分

公司内部电脑招受到新的勒索病毒Petya(永恒之蓝)攻击,直接导致受攻击的电脑系统崩贵无法启动,这次勒索病毒攻击影响范围之广,IT,人事,工程,生产,物控等部门都无一幸免,对整个公司运转产生了非常严重的破坏, 经过整个IT运维与开发团队的全体努力病毒基本得到了控制.在这里分享一下Petya(永恒之蓝)勒索病毒补丁检测 关于Petya勒索信息可以点击http://blogs.360.cn/post/petya.html 一.电脑中了Petya(永恒之蓝)勒索病毒后的图像 二.Petya(永恒之蓝)

TensorFlow代码 https://github.com/eragonruan/text-detection-ctpn 训练 main/train.py 1. utils/prepare/split_label.py 缩放图片resize image(长宽 最大1200,最小600) label处理 将大矩形框label划分一个个16*16的小矩形 2. 输入 input_image 原图像 [[1, H, W, 3]] bbox(GT) [[x_min, y_min, x_max, y_

function [hough_space,hough_circle,para] = hough_Circle(BW,step_r,step_angle,r_min,r_max,p) % %%%%%%%%%%%%%%%%%%%%%%%%%% % input % BW:二值图像: % step_r:检测的圆半径步长 % step_angle:角度步长,单位为弧度 % r_min:最小圆半径 % r_max:最大圆半径 % p:以p*hough_space的最大值为阈值,p取0,1之间的数 % %%

最终实现效果说明:用 git commit 提交代码之前,利用 pre-commit git 钩子,实现代码规范检测(eslint.standard 规范),符合规范之后才可以提交到 git 仓库.这样在团队合作开发时,可以统一代码风格,如果某些同志代码不符合规范,是无法进行提交代码的. 我的demo地址:demo地址 规范doc:standard规范eslint规范 git 钩子git 钩子 那么问题来了,这种验证是如何实现的呢?! 请确保已经安装了: node | npm | git 安装传

0. cpplint - python脚本, google使用它作为自己的C++代码规范检查工具: 1. 安装 方法一: $sudo apt-get install python-pip $pip install cpplint 方法二: 进入cpplint源码地址 - https://github.com/google/styleguide/tree/gh-pages/cpplint: copy cpplint.py中的源码至本地的cpplint.py中: 2. 使用说明 以冒泡排序为例进行编