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
1.6w累计阅读
1.6w+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
AI摘要
本文介绍了iPhone X的原深感相机技术，特别是其结构光深度相机的工作原理，包括红外镜头、点阵投影器和RGB摄像头的组合。这种技术用于FaceID，提供安全的人脸识别，并衍生出艺术自拍、人像光效等功能。文章还对比了结构光法与其他深度相机技术，如飞行时间法和双目立体视觉法，并探讨了3D技术在手机领域的未来应用前景。
本文已经首发在个人微信公共号：计算机视觉life（微信号CV_life），欢迎关注！
9月13日苹果发布了致敬十周年的新机型iPhone X，其中前置原深感（TrueDepth）相机引起了极大的舆论关注。该相机的构成如下图所示。从左到右，依次是红外镜头、泛光感应元件、距离传感器、环境光传感器、扬声器、麦克风、700万像素摄像头、点阵投影器。其中最有里程碑意义的当属红外镜头 + 点阵投影器 + RGB摄像头的组合。后面会具体解释原因。
iPhone X 前置原深感相机
据苹果官方介绍，iPhoneX通过前置点阵投影器将超过30000个肉眼不可见的光点投影到人脸，再根据红外镜头接收到的反射光点，就可以计算得到人脸深度图。 RGB摄像头拍摄的2D人脸结合计算的深度人脸信息，经过算法处理就可以绘制出精确细致的3D人脸。该技术安全性极高，可以轻松的识别出普通RGB相机难以处理的利用打印照片、软件合成、面具等进行的人脸识别攻击，可以安全方便的进行人脸活体检测。该技术用于iPhone的人脸解锁方案，称为FaceID，是iPhone X最重要的新功能之一。
<
【深度相机系列四】深度相机原理揭秘--结构光（iPhone X 齐刘海原理）
本文已经首发在个人微信公共号：计算机视觉life（微信号CV_life），欢迎关注！ 导读 结构光法：为解决双目匹配问题而生 深度图效果：结构光vs.双目 投射图案的编码方式 直接编码 时分复用编码 空分复用编码 Kinect1原理 iPhone X原深感相机是缩小版的更强大的Kinect1
ToF深度相机全链路解析：从硬件原理到点云应用
深度相机是实现三维感知的核心器件，其中ToF（飞行时间法）技术因实时性强、不受物体纹理影响而广泛应用。其原理通过发射调制光并测量相位差或飞行时间来计算距离，iToF与dToF分别适用于中近距离与远距离场景。凭借高帧率和主动光特性，ToF在机器人避障、手势识别、工业尺寸测量等领域表现突出。然而，从VCSEL发射、像素解调到深度图与点云生成，中间涉及标定、温度补偿、多机同步等工程挑战。本文系统梳理一条从底层硬件到上层应用的完整链路，帮助开发者理解数据流向与常见问题排查思路。
从iPhone Face ID到扫地机器人：聊聊TOF、结构光、双目相机在你身边的那些事儿
本文探讨了TOF、结构光和双目相机三种深度相机技术在消费电子产品中的应用，如iPhone Face ID、扫地机器人和自动驾驶汽车。详细分析了各技术的优势、局限及适用场景，帮助读者理解这些技术如何重塑日常生活。
深度相机分类：TOF、RGB双目、结构光 对比分析
目前的深度相机根据其工作原理可以分为三种：TOF、RGB双目、结构光 一、RGB双目 RGB双目相机因为非常依赖纯图像特征匹配，所以在光照较暗或者过度曝光的情况下效果都非常差，另外如果被测场景本身缺乏纹理，也很难进行特征提取和匹配。你看看下面的图就懂了。 三种相机的参数对比： 从分辨率、帧率、软件复杂度、功耗等方面来考虑 （1）分辨率 TOF方案深度图分辨率很难提高，一...
常见的3D深度相机综述与编程
本文介绍了几种常见的3D深度相机，并提供了相应的源代码示例，包括基于结构光原理的深度相机、基于飞行时间原理的深度相机和基于双目视觉的深度相机。读者可以根据自己的需求选择适合的深度相机，并运用相应的编程技术进行开发。基于飞行时间原理的深度相机通过测量光线从相机发射到物体表面并返回的时间差来计算深度。ToF（Time-of-Flight）相机是一种常用的基于飞行时间原理的深度相机。基于结构光原理的深度相机通过发射光束并测量其从物体表面反射回来所需的时间或相位差来计算深度。二、基于飞行时间原理的深度相机。
毕设别再硬肝了：我用 GPT + Codex 做项目、写论文，效率直接起飞
这个也是神器。你项目做完之后，最怕的是老师一问就懵。这时候你直接把你的项目发给它，让它模拟老师提问。这是我的毕业设计题目和项目简介，请你站在答辩老师角度，提出20个高频问题，并给出简洁好背的回答。要求：问题尽量贴近计算机专业本科毕业答辩。为什么选这个题目？技术选型为什么这样定？你的创新点是什么？系统难点是什么？数据库怎么设计的？你的模型为什么选这个？如果继续优化，下一步怎么做？这个对答辩真的帮助很大。说实话，如果没有 GPT + Codex，
【BAAS】基于supabase的知识库详细设计
为满足快速开发需要和减少开发及维护成本，使用BAAS（Backend-as-a-Service）模式可以很好的降低我们的后端维护成本，并提高前端对接效率。一般来说，BAAS是一种云服务模式，BaaS供应商会为提供一些通用的能力，例如用户身份验证、数据库管理、远程更新和推送通知（针对移动应用程序），以及云存储和自托管。BaaS最主流的是Google的firebase，具有相当完善的功能和集成方案，但他是收费的，而且在我们实际项目中，可能需要私有化部署，这时就需要一些开源的替代方案，例如主流的。
#Linux内存管理# 用一个案例详细介绍ARMv7-A架构 缺页中断处理的原理
跳转到异常向量：根据 异常向量表基地址（通常配置在 VBAR 寄存器中，例如 0xFFFF0000） + 数据中止异常的偏移量 0x10，跳转到数据中止异常的处理程序入口点 0xFFFF0010（实践中，这个入口通常是一条跳转到更复杂处理函数的指令）。malloc 通常不会立即分配物理内存页，它只是在内核为该进程维护的虚拟地址空间中找到一段足够大的空闲虚拟地址区域（比如 0x00008000 - 0x00008FFF），标记为已用，并返回起始地址（例如 0x00008000）给程序。
Zabbix 简介、优缺点、基础原理
(8条消息) Zabbix 的基础概念、原理和架构_Lee木木的博客-优快云博客_zabbix架构类型Zabbix 的基础概念、原理和架构_Lee木木的博客-优快云博客_zabbix架构类型 --------------------------------------------------------------------------------------------------------------------------- 一、Zabbix 简介 Zabbix是由A...
Linux ARM平台开发系列讲解（摄像头V4L2子系统） 2.12.7 摄像头V4L2驱动开发流程总结
1.概述前几章对摄像头V4L2驱动开发各个环节做了展开分析，这一章节就做一个汇总，用来回顾前几章得知识点，概括一下摄像头开发得流程，本次使用RK3399。2.SensorSub-device开发移植Sensor驱动位于目录下，注意到本章节所描述的是具有属性的sensor驱动，故目录下的驱动并不适用。在结构下，Sensor一般作为sub-device并通过pad与cif、isp或者mipiphy链接在一起。本章主要介绍Sensor驱动的代码[1]，dts配置，及如何验证sensor5个部分。...
k8s上分离集群seatunnel部署（生产推荐）
k8s上分离集群seatunnel部署（生产推荐）
灰度图像采集显示
灰度图像采集显示 在FPGA内部，采集到的视频数据线通过一个FIFO，将原本与25MHZ时钟同步的数据流转换到FPGA内部50MHZ的时钟。接着将这个数据再送入写DDR3缓存的异步FIFO中，这个FIFO中的数据一旦达到一定数量，就会被写入DDR3中。于此同时，使用另一异步FIFO缓存从DDR3读出的图像数据；LCD驱动模块不断地发出读图像数据请求给到这个FIFO，从中读取图像数据并送给VGA显示器进行实时图像的显示。 ...
Vue3 - Element Plus 组件库 Tabs 标签页右侧区域插入按钮，＜el-tabs＞ / ＜el-tab-pane＞ 选项卡组件右侧自定义插槽内容教程（右边区域添加自定义按钮功能区）
vue3，elementplus，tabs选项卡如何在插槽按钮，tabs标签页组件怎么自定义右侧内容，vue3elementplustabs组件右侧插槽按钮，element-plus在el-tabs组件的最右侧添加按钮，如何在选项卡右边加入按钮搜索框等内容，哪个属性能在tab选项卡右侧插入自定义按钮，在el-tabs组件最右侧添加按钮，vue3el-tabs组件怎么自定义右侧插槽内容，Tabs标签页右侧自定义插槽，ElementPlusTab右边加按钮，el-tabs组件自定义右侧按钮，在E
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
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")
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3万+
扫一扫
