com_fang_bean的博客

1.On Windows, execute: set READTHEDOCS=True2'.On Unix based systems, execute: export READTHEDOCS=True3.Now execute: pip install picamera

检测到运动：定义关键事件。 将视频剪辑写入包含事件的文件。步骤1：使用计算机视觉技术检测彩球的存在。 步骤＃2：在视频帧中四处移动时跟踪球，并在移动时绘制其先前位置。from collections import dequefrom imutils.video import VideoStreamimport numpy as npimport argparseimport cv2import imutilsimport timeap = argparse.Argum...

源代码：# import the necessary packagesfrom transform import four_point_transformfrom skimage.filters import threshold_localimport numpy as npimport argparseimport cv2import imutils# construct the argument parser and parse the argumentsap = argpa...

输入anaconda search -t conda库名查看在使用 anaconda show 文件名 就会告诉如何安装对应的库

质心跟踪算法依赖于（1）现有对象质心（即，质心跟踪器之前已经看到的对象）与（2）视频中后续帧之间的新对象质心之间的欧几里得距离。质心跟踪算法的主要假设是一个给定的对象将潜在地移动在后续的帧之间，但距离为帧中的质心之间和将小比对象之间的所有其它距离。因此，如果我们选择将质心与后续帧之间的最小距离相关联，则可以构建对象跟踪器。另外，我们将在旧对象无法与任何现有对象匹配的情况下（总共N个后续帧）注销旧对象。步骤1：接受边界框坐标并计算质心步骤2：计算新边界框与现有对象之间的欧几里得距离步骤3：更新（.

＃将输出图像写入磁盘cv2。imwrite （args [ “ output” ] ，image ）

一个典型的操作，我们可能想要应用的是采取我们的蒙版和按位添加到输入图像，只保留蒙面部分区域：mask = thresh.copy()output = cv2.bitwise_and(image, image, mask=mask)cv2.imshow("Output", output)cv2.waitKey(0)...

侵蚀和膨胀通常用于减少二进制图像中的噪声。为了减小前景对象的大小，我们可以通过多次迭代来侵蚀掉像素：mask = thresh.copy()mask = cv2.erode(mask, None, iterations=5)cv2.imshow("Eroded", mask)cv2.waitKey(0)同样，我们可以在蒙版中前景区域。要扩大区域，同样地，膨胀会增加地面物体的大小：mask = thresh.copy()mask = cv2.dilate(mask, None, i

text→形状轮廓数量的字符串len(cnts)→计算此图像中的对象总数text = "I found {} objects!".format(len(cnts))cv2.putText(output, text, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (240, 0, 159), 2)cv2.imshow("Contours", output)cv2.waitKey(0)...

在图像中我们有6个图形的轮廓，我们使用代码来计算和查找轮廓。查找前景对象的轮廓(即轮廓)，使用阈值化处理后的图像：cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)cnts = imutils.grab_contours(cnts)output = image.copy()在轮廓上循环，在输出图像上用3px粗紫色绘制每个轮廓线outline，然后一次显示一个输出轮廓：f

图像阈值化是图像处理管道的重要中间步骤。阈值处理可以帮助我们去除较亮或较暗的图像区域和轮廓。阈值设置所有像素值小于225到255(白色;和所有像素值>= 225到255(黑色;背景)，从而分割图像thresh = cv2.threshold(gray, 225, 255, cv2.THRESH_BINARY_INV)[1]cv2.imshow("Thresh", thresh)cv2.waitKey(0)代码示意：图像灰度化以后小于225的像素设置为黑色，大于的设置为白色。左为边缘计算以

边缘检测可用于查找图像中对象的边界，对于分割目的非常有效。让我们执行边缘检测以查看该过程如何工作：应用边缘检测，我们可以在其中找到对象的轮廓：执行命令：python3 tuxiang.py -i jp.pngedged = cv2.Canny(gray, 30, 150)cv2.imshow("Edged", edged)cv2.waitKey(0)...

加载输入图像(它的路径是通过命令行提供的)参数)，并将图像显示到屏幕上：image = cv2.imread(args["image"])cv2.imshow("Image", image)cv2.waitKey(0)将图像转换为灰度：gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)cv2.imshow("Gray", gray)cv2.waitKey(0)...

下面我们将学习到如何使用必需的命令行参数运行脚本：首先导包并且构造解析器：import argparseimport imutilsimport cv2ap = argparse.ArgumentParser()ap.add_argument("-i", "--image", required=True, help="path to input image")args = vars(ap.parse_args())...

在输入图像上绘制矩形，圆形和直线。在图像上覆盖文本。流程：1.我们制作原始图像的副本，并将副本存储为output。2.我们继续绘制称为output 就位，因此我们不会破坏原始图像。output = image.copy()cv2.rectangle(output, (320, 60), (420, 160), (0, 0, 255), 2)cv2.imshow("Rectangle", output)cv2.waitKey(0)添加关键区域：画一个蓝色的20px(填充)圆在图

在许多图像处理管道中，我们必须对图像进行模糊处理以减少高频噪声，从而使我们的算法更容易检测和理解图像的实际内容，而不仅仅是使“混淆”算法的噪声。在OpenCV中，对图像进行模糊处理非常容易，并且有多种方法可以完成图像处理。使用到函数：GaussianBlur应用11x11内核的高斯模糊平滑图像，在降低高频噪声时非常有用。blurred = cv2.GaussianBlur(image, (11, 11), 0)cv2.imshow("Blurred", blurred)cv2.waitK.

#首先使用OpenCV顺时针旋转图像45度，计算图像中心，然后构造旋转矩阵，然后最后应用仿射经线。center = (w // 2, h // 2)M = cv2.getRotationMatrix2D(center, -45, 1.0)rotated = cv2.warpAffine(image, M, (w, h))cv2.imshow("OpenCV Rotation", rotated)cv2.waitKey(0)...

调整图像大小为200x200px，忽略纵横比：resized = cv2.resize(image, (200, 200))cv2.imshow("Fixed Resizing", resized)cv2.waitKey(0)效果：

接之前教程代码：提取100 × 100像素的ROI(感兴趣的区域)，输入图像x=320,y=60, x=420,y=160roi = image[0:100, 320:420]cv2.imshow("ROI", roi)cv2.imwrite("cv_cut_thor.jpg", roi)cv2.waitKey(0)效果：

在上一篇的基础上：(B, G, R) = image[100, 50]print("R={}, G={}, B={}".format(R, G, B))访问位于x=50, y=100的RGB像素，记住OpenCV以BGR顺序存储图像，而不是RGB顺序。

1.安装Ubuntu2.安装opencv和imutils3.学习编写加载图片代码# import the necessary packagesimport imutilsimport cv2# load the input image and show its dimensions, keeping in mind that# images are represented as a multi-dimensional NumPy array with# shape no. rows

道路网络上的Aknearest neighbor(kNN)查询根据给定位置的网络距离检索knearest point of interest (POIs)。今天，在无处不在的移动计算时代，这是一个非常切题的问题。虽然欧几里得距离已经被用来作为一种启发式的搜索最接近的poi的道路网络距离，其有效性还没有被彻底的研究。最新的方法在查询性能方面有了显著的改进。早期的研究提出了基于磁盘的索引，并将其与主存储器中的当前技术进行了比较。然而，最近的研究表明，主要的记忆比较是具有挑战性的，需要仔细的适应。为了解决这些问题

https://developer.nvidia.com/compute/machine-learning/cudnn/secure/7.6.5.32/Production/10.1_20191031/cudnn-10.1-windows10-x64-v7.6.5.32.zip

1.下载最新gpu版本的openposehttps://github.com/CMU-Perceptual-Computing-Lab/openpose/releases/tag/v1.6.02.下载项目，打开model文件夹，双击getModels.bat文件下载模型。3.在项目内打开cmd控制台输入命令bin\OpenPoseDemo.exe --video examples\media\video.avi查看效果...

1.dataset.py用于下载需要使用的数据集hmdb51：import requestsimport osimport globdef download_file(URL, destination): session = requests.Session() response = session.get(URL, stream = True) save_response_content(response, destination) def save

直接把cuda（async=true）中的async=true去掉即可。

1.创建一个记事本文件并更改后缀名为.bat2.写入：@echo offsetlocal enabledelayedexpansion ::批量去掉文件名前N个字符，如果有文件夹会搜索文件夹下的每个文件进行修改set /p format=请输入需要操作的文件格式：set /p deletenum=请输入需要删除文件名前多少个字符：for /r %%i in (.) do ( for /f "delims=" %%a in (' dir /b "%%i\*.%format%" 2

# Download H36M annotations mkdir data cd data wget http://visiondata.cis.upenn.edu/volumetric/h36m/h36m_annot.tar tar -xf h36m_annot.tar rm h36m_annot.tar # Download H36M images mkdir -p h36m/images cd h36m/images wget http://visiondata.cis.upenn.edu/volu

把对应文件夹里面_int_.py文件删除就好了。。。

class FasterRCNNBase(nn.Module):广义R-CNN的主要类。参数:支柱(nn.Module):项(nn.Module):roi_heads (n . module):从RPN获取特性+建议并计算探测/遮罩。转换(n . module):执行从输入到feed的数据转换该模型def __init__(self, backbone, rpn, roi_heads, transform):-》参数重新赋值給变量 super(FasterRCNNBase, se...

def __init__(self, voc_root, transforms, train_set=True):-》voc_root训练集所在根目录，transforms预处理方法，train_set boolean变量 self.root = os.path.join(voc_root, "VOCdevkit", "VOC2012") self.img_root = os.path.join(self.root, "JPEGImages")-》图像根目录 ...

这是一个脚本生成train.txt等txt文件1.files_path = "./VOCdevkit/VOC2012/Annotations"-》记住文件路径2.if not os.path.exists(files_path): print("文件夹不存在") exit(1)-》检测路径存不存在3.val_rate = 0.5-》验证集比例4.files_name = sorted([file.split(".")[0] for file in os.listdir(fil...

解读create_model方法：1.backbone = resnet50_fpn_backbone()-》默认使用resnet50_fpn_model的resnet50_fpn_backbone方法2. model = FasterRCNN(backbone=backbone, num_classes=num_classes)-》调用FasterRCNN建立模型3.device = torch.device("cuda:0" if torch.cuda.is_available() e..

首先看一下系统架构:解读create_model方法1.backbone = MobileNetV2(weights_path="./backbone/mobilenet_v2.pth").features-》加载MobileNetV2预训练模型 backbone.out_channels = 1280-》设置输出通道2.anchor_generator = AnchorsGenerator(sizes=((32, 64, 128, 256, 512),), ...

解读create_model方法1.num_classes：分类数2.backbone = resnet50_fpn_backbone() model = FasterRCNN(backbone=backbone, num_classes=91)-》调用faster_rcnn_framework的FasterRCNN方法，传入分类数num_classes为91

Rcnn第一步：输入图像，采用Selective Search 从原始图片中提取2000个左右区域候选框第二步：划分区域提案，进行归一化：将所有候选框变为固定大小的（227*227）区域，对每个候选区域，使用深度网络提取特征第三步：CNN网络提取特征 送入每一类的SVM分类器，判别是否属于该类第四步：NMS(非极大值抑制)区域边框，采用DPM精修边框的位置先模型输入为一张图片，然后在图片上提出了约2000个待检测区域，然后这2000个待检测区域一个一个地(串联方式)通过卷积...

COCO数据集方面：COCO数据集现在有3种标注类型：1, object instances（目标实例）, 2, object keypoints（目标上的关键点）, 3, image captions（看图说话）使用JSON文件存储。每种类型又包含了训练和验证，所以共6个JSON文件。Object Instance 类型的标注格式1，整体JSON文件格式数据集中的instances_train2017.json、instances_val2017.json这两个文件就.

1.k-means优点：精度高，对异常值不敏感，无数据输入假定缺点：计算复杂度高，空间复杂度高适用范围：数值型和标称型最近的邻居输入:inX:与现有数据集进行比较的向量(1xN)数据集:大小m已知向量的数据集(NxM)标签:数据集标签(1xM向量)k:用于比较的邻居的数量(应该是奇数)输出:最流行的类标签创建数据集和标签：def createDataSet(): group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])...

1.os.environ["CUDA_VISIBLE_DEVICES"] = '0'->目的：使用CUDA环境变量CUDA_VISIBLE_DEVICES来限定CUDA程序所能使用的GPU设备.2.parser = argparse.ArgumentParser(description='Skeleton-Based Action Recgnition')-》创建解析器，使用 argparse 的第一步是创建一个 ArgumentParser 对象。fit.add_fit_args(parser

fit.py作用：解析器:argparse.ArgumentParser返回一个添加了fit所需参数的解析器args = parser.add_argument_group('Training', 'model training')-》对命令行参数进行概念型分组。 args.add_argument('--network', type=str, help='the neural network to use')-》用于命令项选项与参数解析的模块...