墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2.5k累计阅读
2.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
课题名称：
基于MATLAB的人体行为姿势识别系统
GUI下载链接：MATLAB人体行为姿态识别[GUI].zip_实时视觉监控系统W4和人体运动跟踪系统pfinder等实验室系统-专业指导文档类资源-优快云下载
本课题采用差影法的方法进行人体姿势的识别。背景差影法的原理就是：我们先在路口固定一个摄像头，将这个摄像头与电脑相连。电脑可以把拍到的车流视频保存，然后人为截取车型图片作为背景差影法处理的对象。这里要注意的是，我们首先要拍摄一张没有任何移动物体或者干扰的背景图，这样我们在进行背景差影法做图像处理时就可以尽量得来最理想的结果。然后，我们把存在背景的车型图和没有任何干扰的背景图做减法，就可以很方便的得到我们需要进行识别的车的一个基本的轮廓图。这个轮廓图才是我们最终需要的用来进行车型识别的核心。图像差分就是对图像进行减法，我们在用背景差影法来是被车型图片的时候，必须要注意到背景随晴雨天、光强度这些随时可能发生变化的条件而该改变。
基于深度学习的击剑动作识别系统
一、项目背景击剑是一项历史悠久且充满技巧性的运动项目，其动作的准确性、速度和变化对于运动员的成绩至关重要。然而，传统的击剑动作识别主要依赖于教练和裁判的肉眼观察，这种方式存在主观性强、容易出错等问题。随着深度学习技术的不断发展，越来越多的领域开始利用这种技术来实现更精确、更客观的数据分析和处理。因此，本项目旨在开发一个基于深度学习的击剑动作识别系统，以实现对击剑动作的自动、准确识别。二、项目目标。
Matlab 人体姿态步态识别
第1章 绪论1.1 研究背景对于目标实施追踪一直是人们追求的目标，以前只能通过人为的或者其他信息进行模糊的追踪。20世纪初，数字图像的处理走入大众的视野。在那个时候，人们在两地之间传输了一张照片，该照片经过数字压缩后，传输时间从200多小时缩短到不足三小时。这一过程虽然用到了图像处理方面的相关知识，但计算机却没有参与到整个过程中。但是，数字图像的处理离不开一定的储存空间与计算技巧的配合，与计算机...
MATLAB手写数字识别系统[完美运行，GUI界面，详细教程，万字文稿]
课题题目：基于MATLAB的手写数字识别系统课题介绍手写数字识别是模式识别领域的一个重要分支，它研究的核心问题是：如何利用计算机自动识别人手写在纸张上的阿拉伯数字。手写体数字识别问题，简而言之就是识别出10个阿拉伯数字，由于数字的清晰程度或者是个人的写字习惯抑或是其他，往往手写体数字的性状、大小、深浅、位置会不大一样。手写体识别一般包括3个阶段：预处理、特征提取、分类识别。 手写数字识别前景广阔，...
【图像分割】基于matlab GUI迭代阙值选择+最大类间差+区域生长图像分割【含Matlab源码 816期】
迭代阙值选择+最大类间差+区域生长图像分割 完整代码，直接运行，适合小白！可提供运行操作视频！
基于差分法实现三维人体动作识别 - 附带Matlab代码
本文介绍了一种基于差分法实现三维人体动作识别的方法，并提供相应的Matlab代码。综上所述，本文介绍了一种基于差分法实现三维人体动作识别的方法，并提供相应的Matlab代码。基于差分法实现人体动作识别，借助于计算图像序列之间的时间差分，通过计算不同动作之间的关键点位移差和速度变化来识别不同的动作。3.特征提取：将每个关键点的微分值按照先后顺序连接起来，形成一个向量，作为人体动作的特征向量。5.测试：对新的动作序列提取特征向量，并采用训练好的SVM分类器进行动作识别。
基于MATLAB的差影法三维人体姿态识别与行为分析
本文将介绍基于MATLAB的差影法三维人体姿态识别与行为分析方法，首先对差影法的原理进行简要介绍，然后详细描述如何利用该方法来识别和分析人体姿态以及行为，并给出相应的MATLAB源代码。在差影法中，首先需要使用特定的颜色或形状标记出目标物体的轮廓，然后利用该轮廓对两幅图像进行减法处理，得到一张只包含目标物体的轮廓和背景差异信息的差分图像。本文介绍了基于MATLAB的差影法三维人体姿态识别与行为分析方法，通过对视频帧之间的差分图像进行处理，可以提取人体运动轨迹并进一步分析人体姿态和行为。
基于MATLAB的车牌识别系统（GUI界面+库外识别+计时计费+语音播报）.zip
之前做过的一些项目 其他博主的代码都是有残缺的，这里我复现了一下 程序真实可靠 能运行 有问题请联系2531996920@qq.com 大桃子技术
Spring AI实现RAG（检索增强生成）详解与实践
支持多种文件格式的文档加载实现高效的向量存储和检索构建智能的问答系统提供可追溯的知识服务RAG技术为AI应用提供了强大的知识增强能力，使得模型能够基于实际文档生成准确、可靠的回答。
Geant4 案例分析（一）: B1
本文是对Geant4 B1的案例分析，其中特定的功能不做介绍，而注重于各个文件的主要功能，以及它们组织的方式。
nRF52840 低功耗蓝牙开发指南：从硬件架构到物联网应用实战
本文深入解析nRF52840低功耗蓝牙芯片的硬件架构与开发实践，涵盖从开发环境搭建到BLE协议栈开发的详细指南。通过实战案例分享低功耗优化技巧，帮助开发者高效实现物联网应用，特别适合智能家居和工业场景。
【OpenCV】复杂场景下的高精度圆检测实战（附完整代码）
本文针对OpenCV霍夫圆检测在复杂场景下易失效的问题，提出了一套基于轮廓分析的高精度圆检测实战方案。通过图像预处理、轮廓发现及多轮几何筛选（面积、周长、椭圆拟合、多边形逼近），有效排除噪声和类圆干扰物，显著提升复杂场景下的检测鲁棒性，并附完整可调参的Python代码实现。
Excel转LaTeX表格神器：excel2latex.xla插件使用全攻略（含下载链接与配置教程）
本文详细介绍了Excel转LaTeX表格神器excel2latex.xla插件的完整使用攻略。从下载安装、基础转换到高级配置，深入讲解了如何利用该插件高效生成LaTeX代码，特别针对IEEE双栏等复杂排版需求提供了专业解决方案，帮助用户彻底告别手动编码，提升学术与专业文档的排版效率。
【maven】idea左侧External Libraries里，没有Maven的依赖包 代码飘红
文章目录1.概述M.参考 1.概述 因为内网开发，然后这几天我被隔离了，然后公司搞了一个外网的vpn能连接的云桌面，云桌面也是网络隔离的，因此只能自己拷贝相关的文件到里面。 然后我就拷贝了代码和maven仓库中的一部分，因为本地的20G一次拷贝不完，需要多次拷贝，但是我拷贝了kafka，仍然飘红。具体如下 idea左侧External Libraries里，没有Maven的依赖包 然后整了很久都没搞定，后来我自己新建了一个项目,然后引入发现是不可以的，而且框框里面的飘红。 然后我就想是不是因为缺少依赖
【Unity3D插件】XCharts插件完全教程《全网最全》-专栏文章目录
最近在做图表类需求功能的时候，发现了一款强大的Unity3D插件,也就是XCharts图表插件，功能强大，支持多种图表。官方介绍：一款基于UGUI的功能强大、简单易用的数据可视化图表插件。支持折线图、饼状图、饼图、雷达图、散点图、热力图、环形图、K线图、极坐标、平行坐标等十多种内置图表，以及3D饼图、3D金字塔、漏斗图、仪表盘、水位图、象形柱图、甘特图、矩形树图等拓展图表。内置丰富示例和模板，参数可视化配置，效果实时预览，纯代码绘制。支持折线图、柱状图、饼图、雷达图、散点图、热力图等常见图表。
数据分析：蛋白质组的GO term的富集分析详解
在获取差异表达蛋白质的数据之后，依据蛋白质与基因的对应映射关系，开展GO（Gene Ontology）term的富集分析。通过这一分析流程，能够精准地识别出不同实验组中过表达基因所关联的显著富集的GO term通路。这些富集的GO term通路为后续的生物学研究提供了关键线索，有助于深入探究基因功能、揭示潜在的生物学机制，从而推动生物学发现的进程。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
961
扫一扫
