<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[f3244077856的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/f3244077856</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; f3244077856]]></copyright><item><title><![CDATA[内推，金三银四，微派]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/158619698</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/158619698</guid><author>f3244077856</author><pubDate>Tue, 03 Mar 2026 17:34:24 +0800</pubDate><description><![CDATA[投递链接: https://wepie.jobs.feishu.cn/s/y1bz02J-WCo。微派网络校招内推码: E8BYJ8V。]]></description><category></category></item><item><title><![CDATA[微派校招内推冬令营来了！！！]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/154960070</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/154960070</guid><author>f3244077856</author><pubDate>Mon, 17 Nov 2025 21:51:52 +0800</pubDate><description><![CDATA[微派掘金计划是微派网络面向本科及硕士毕业生推出的暑期/寒假实习项目，覆盖产品、策划、美术、UI、服务器、安卓 /iOS/ 鸿蒙 / 小程序、Unity/Cocos 七大热门方向。1. 专业背景：产品 / 策划方向不限专业；6. 安卓 /iOS/ 鸿蒙 / 小程序方向：参与对应平台的应用开发与适配工作，协助完成功能模块编码、调试与优化，跟进平台特性迭代与兼容性测试；3. 美术方向：根据项目风格要求，完成角色设计、场景绘制、道具建模等美术产出，参与美术资源的优化与迭代，配合团队完成视觉风格统一；]]></description><category></category></item><item><title><![CDATA[可以内推微派网络科技有限公司]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/150978633</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/150978633</guid><author>f3244077856</author><pubDate>Fri, 29 Aug 2025 11:09:32 +0800</pubDate><description><![CDATA[投递链接: https://wepie.jobs.feishu.cn/s/Uo-qs3HXLec。微派网络校招内推码: E8BYJ8V。]]></description><category></category></item><item><title><![CDATA[编译原理 第五章笔记分享（3）]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/144458687</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/144458687</guid><author>f3244077856</author><pubDate>Fri, 13 Dec 2024 19:39:34 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[编译原理 第五章笔记分享（2）]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/144458674</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/144458674</guid><author>f3244077856</author><pubDate>Fri, 13 Dec 2024 19:38:48 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[编译原理 第五章笔记分享（1）]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/144458657</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/144458657</guid><author>f3244077856</author><pubDate>Fri, 13 Dec 2024 19:37:56 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[头歌-第5关：LoG 边缘算子]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/144458430</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/144458430</guid><author>f3244077856</author><pubDate>Fri, 13 Dec 2024 19:25:20 +0800</pubDate><description><![CDATA[拉普拉斯算子对图像中的嗓声相当敏感，而且它常产生双像素宽的边缘，也不能提供边缘方向的信息。为此，马尔（Marr）和希尔得勒斯（Hildreth）根据人类视觉特性提出了一种边缘检测的方法，该方法将高斯滤波和拉普拉斯检测算子结合在一起进行边缘检测的方法，故称为 LoG（Laplacian of Gassian ）算法，也称之为拉普拉斯高斯算法。然后使用定义的算子对图像进行卷积计算，图6描述了二维图像的卷积算法，即使用卷积核对原像素的相同大小部分的对应位置相乘，把相乘的结果相加，放在中心的像素位置上替代原像素。]]></description><category></category></item><item><title><![CDATA[人脸识别系统 —— OpenCV人脸检测 色彩空间及其转换]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143867709</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143867709</guid><author>f3244077856</author><pubDate>Sun, 24 Nov 2024 16:15:00 +0800</pubDate><description><![CDATA[在科学研究一般不采用RGB色彩空间，它将色调，亮度，饱和度三个量放在一起表示，很难分开，这样难以对其进行数字化的调整。目前，色彩空间已经有上百种表示方式，被采用的大多数色彩空间都是面向硬件或面向应用的，大部分只是局部的改变或专用于某一领域。它是最通用的面向硬件的色彩空间。在OpenCV的灰度空间中，和一般的色彩空间相同，每一个颜色都有三个量，但是只有第一个亮度有值，所以表示为（亮度，0，0）。色彩空间（Color space）是对色彩的组织方式，是坐标系统和子空间的阐述，位于系统的每种颜色都有单个点表示。]]></description><category></category></item><item><title><![CDATA[人脸识别系统 —— OpenCV人脸检测 图片基本操作]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143867656</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143867656</guid><author>f3244077856</author><pubDate>Sat, 23 Nov 2024 13:30:00 +0800</pubDate><description><![CDATA[本关任务：了解OpenCV计算机视觉库，学习使用OpenCV采集图片、读取图片、展示图片以及保存图片。补充完代码后，点击测评，平台会对你编写的代码进行测试，当你的结果与预期输出一致时，即为通过。在完成图像的一系列操作之后，可以使用cv2.imwrite()将图片保存到本地。在接下来的实训中，我们会根据这个流程，一一讲解，带大家快速高效的入门人脸识别。第一个参数为图片路径，图片应该在当前的工作路径，或在指定的绝对路径下；第一个参数为图片路径，图片应该在当前的工作路径，或在指定的绝对路径下；]]></description><category></category></item><item><title><![CDATA[人脸识别系统 —— OpenCV人脸检测 绘制人脸与人眼区域]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143867850</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143867850</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 09:19:00 +0800</pubDate><description><![CDATA[图片坐标以左上角为原点，(x,y)代表人脸区域左上角坐标，w代表人脸区域的宽度(width)，h代表人脸区域的高度(height)。对于上图的红色人脸边框，可以指定左上角坐标为(x,y)，右上角坐标为(x+w,y+h)，颜色设定红色，边框线粗度为2。同样的(ex,ey,ew,eh)中(ex,ey)代表眼睛区域的左上角坐标，ew代表宽度，wh代表高度。所以，一般情况下，我们会先检测出人脸区域，然后在人脸区域中使用眼睛区域检测模型得到眼睛区域，进而绘制。使用OpenCV绘制人脸区域中眼睛区域。]]></description><category></category></item><item><title><![CDATA[人脸识别系统 —— OpenCV人脸检测 基于Harr特征的人脸检测分类器]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143867747</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143867747</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 09:17:59 +0800</pubDate><description><![CDATA[图像中的特征通常是指，图片的像素点经过一系列的运算之后得到的结果，这些结果可能是向量、矩阵和多维数据等等。类Harr特征是一种反映图像的灰度变化的，像素分模块求差值的一种特征。红色的搜索框不断移动，检测出是否包含人脸。一般来说，输入的图片会大于样本，为了检索出不同大小的目标，分类器可以按比例的改变自己的尺寸，对输入图片进行多次的扫描。补充完代码后，点击测评，平台会对你编写的代码进行测试，当你的结果与预期输出一致时，即为通过。特征模板的特征值计算的方式，是用黑色矩形像素总和的均值减去白色矩形像素总和的均值。]]></description><category></category></item><item><title><![CDATA[基于OpenCV的行人检测 实战：基于openCV的行人检测（三）]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143961231</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143961231</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 09:17:29 +0800</pubDate><description><![CDATA[在任务九中我们有提到，OpenCV有封装好的行人检测器，但是为了更贴合我们自己的应用场景需求，我们使用自己训练的模型来进行预测，因此加载训练模型我们选择上一小节中的第一类方式，使用cv2.HOGDecriptor保存和加载模型，另外为了节省时间，这里我们不放取完整的训练预测数据集，仅仅放上其中的一小部分，以供同学们熟悉整个流程，测试的时候我们不使用这一小部分数据训练得到的模型，而是使用完整数据集离线训练好的模型来进行测试。这里我们使用的是第一种方式，使用cv2.HOGDecriptor保存和加载模型。]]></description><category></category></item><item><title><![CDATA[基于OpenCV的行人检测 实战：基于openCV的行人检测（二）]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143960885</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143960885</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 09:05:01 +0800</pubDate><description><![CDATA[这里我们可以使用OpenCV中已经训练好的行人检测分类器，需要注意的是OpenCV自带的分类器是利用HOG论文作者Navneet Dalal和Bill Triggs提供的样本进行训练的，得到的模型不一定能够适用于你的应用场合，因此针对你的特定应用场景，很有必要进行重新训练得到适合的分类器，也就是创建并使用自己的数据训练一个SVM分类器。在前面的任务中我们介绍了使用OpenCV进行样本数据处理，以及HOG特征的提取，在本次任务中，我们将会基于OpenCV，使用提取的HOG特征来训练SVM分类器。]]></description><category></category></item><item><title><![CDATA[基于OpenCV的行人检测 实战：基于openCV的行人检测（一）]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143960719</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143960719</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 08:57:00 +0800</pubDate><description><![CDATA[负样本是从不包含人体的图片中随机截取，每张样本图片截取10张图，顶点随机生成，大小同样为64 * 128。在前面的任务中我们介绍了使用OpenCV进行图像处理，图像HOG特征的提取，SVM分类器以及非极大值抑制（NMS），在之后的任务中，我们将会基于OpenCV，使用SVM来对提取的HOG特征进行分类，进行行人检测任务，这里我们不再讨论HOG或者SVM的理论部分，直接进入实战阶段，本次任务为基于OpenCV的行人检测的第一部分，编程实现相关内容，在实践中对相关内容有一个深刻认识。]]></description><category></category></item><item><title><![CDATA[基于OpenCV的行人检测 非极大值抑制算法]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143960613</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143960613</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 08:51:33 +0800</pubDate><description><![CDATA[对于目标检测任务来说，使用训练好的模型预测图像是否存在目标对象时，获得到很多同类候选框，他们往往大部分是重叠在一起的，非极大值抑制的含义就是对于重叠度较高的一部分同类候选框来说，去掉那些置信度较低的框，只保留置信度最大的那一个进行后面的流程，这里的重叠度高低与否是通过 NMS 阈值来判断的。简单来说，就是找出不同候选框的置信度进行比较，并考虑不同候选框的重叠问题。选择测试结果列表中置信度最高的候选框加入到最终输出列表中，并将其从测试结果列表中删除；计算置信度最高的候选框与其他候选框的IoU；]]></description><category></category></item><item><title><![CDATA[基于OpenCV的行人检测 基于OpenCV实现支持向量机]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143960564</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143960564</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 08:48:14 +0800</pubDate><description><![CDATA[OpenCV有一个Machine learning库—cv2.ml创建一个SVM模型来训练，OpenCV相关内容文档阅读（https://docs.opencv.org/3.4/d1/d2d/classcv_1_1ml_1_1SVM.html）。线性SVM：当训练数据不能线性可分但是可以近似线性可分时，通过软间隔(soft margin)最大化也可以学习到一个线性分类器，即软间隔SVM；SVM是用来解决分类问题的，如果解决两个变量的分类问题，可以理解成用一条直线把点给分开，完成分类。]]></description><category></category></item><item><title><![CDATA[基于OpenCV的行人检测 基于OpenCV提取HOG特征（二）]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143960430</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143960430</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 08:41:56 +0800</pubDate><description><![CDATA[所以窗口每滑动一次，得到一个block，一个block有四个cell，在前面的步骤中，我们基于图像的梯度对每个cell创建了一个直方图，即有四个直方图，将这4个直方图拼接成长度为36的向量，然后使用L2范数对这个向量进行归一化。比如上面方向图中蓝圈包围的像素，角度为80度，这个像素对应的幅值为2，所以在直方图80度对应的bin加上2。右图是 8×8 的cell中表示梯度的原始数字，注意角度的范围介于0到180度之间，而不是0到360度， 这被称为“无符号”梯度，因为两个完全相反的方向被认为是相同的。]]></description><category></category></item><item><title><![CDATA[人脸识别系统——Dlib人脸检测 检测并绘制人脸区域]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143960174</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143960174</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 08:17:20 +0800</pubDate><description><![CDATA[在Dlib中，已经有通过大量的数据和参数优化训练的效果非常的模型，该模型也是基于HOG+SVM的。print("所在区域： {}: Left: {} Top: {} Right: {} Bottom: {}".format(i, d.left(), d.top(), d.right(), d.bottom()))对于dets中的每一个元素d，都可以通过d.left(), d.top(), d.right(), d.bottom()分别获取到d对应的人脸区域的最左，最上，最右和最下的四个值。]]></description><category></category></item><item><title><![CDATA[人脸识别系统——Dlib人脸检测 训练人脸检测模型]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143960146</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143960146</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 08:14:08 +0800</pubDate><description><![CDATA[大量的研究和实验表明，在物体检测的领域中，与HOG一起使用的算法中，SVM算法的效果是最好的。定义模型训练需要的参数, 其中：add_left_right_image_flips设置为True，SVM的惩罚因子C设置为5，CPU核数num_threads设置为4，be_verbose属性设置为假(False)；在SVM中，C是惩罚系数，即对误差的宽容度。其中，training_xml_path是训练数据标记文件路径，options是我们前一步设置的值，将最后的检测器输出为 detector.svm文件。]]></description><category></category></item><item><title><![CDATA[人脸识别系统——Dlib人脸检测 HOG特征描述方法]]></title><link>https://blog.youkuaiyun.com/f3244077856/article/details/143960084</link><guid>https://blog.youkuaiyun.com/f3244077856/article/details/143960084</guid><author>f3244077856</author><pubDate>Fri, 22 Nov 2024 08:06:39 +0800</pubDate><description><![CDATA[举个简单的例子吧，现在有一个(5,55)对，首先梯度角度为55度，它位于[40度,60度]之间，那么它会映射到第3个bins，第3个bins的值会加上他的梯度，也就是加上5。图像是由一个个像素点组成的，可以将图像看成二维离散函数f(x,y)，图像函数f(x,y)在点(x,y)的梯度G(x,y)是一个具有大小和方向的矢量，设为G x和 G y , 分别表示水平(x)方向和垂直(y)方向的梯度.其中 I(i,j)表示(i,j)像素点处的图像的像素值, Θ(i,j)表示(i,j)像素点梯度的方向。]]></description><category></category></item></channel></rss>