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
4.2k累计阅读
4.2k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
最近做实验，处理数据需要把人脸先抠出来，朋友跟我说Luxand FaceSDK好用。
试了一下，果然好用。
首先去官网https://www.luxand.com/facesdk/下载SDK，我在windows上用，所以下的是exe版本。
安装之后会叫你申请一个试用码
拿到试用码，输入之后就能用它的demo了。
我是在C++上面做检测的，项目配置过程如下：
首先把安装目录的include\C\LuxandFaceSDK.h拷贝的你的工程目录（有main文件的那个）
然后把bin\win32\facesdk.dll和bin\win32\facesdk.lib两个文件拷贝的你的输出目录下，我这里的输出目录是下图的Debug文件夹，如果你新建工程的时候还没有这个文件夹，可以先写个hello world把它给build出来。
然后把刚才的h
Luxand FaceSDK 8.3 在 Delphi 中的人脸检测与识别实战指南
人脸识别技术正从算法原型走向工程落地，而Delphi这类经典原生开发环境同样可以借助商业SDK快速集成人脸检测能力。其核心原理是通过动态库封装底层C/C++引擎，开发者只需按“加载库—激活授权—初始化引擎—调用检测接口”的标准链路，即可在窗体应用中实现摄像头实时人脸框选、特征模板比对等功能。这种集成方式的价值在于：无需重写现有业务系统，即可为老项目补充刷脸登录、考勤打卡、陌生人识别等高价值场景。以Luxand FaceSDK 8.3.0为例，从拆包部署、跨平台授权激活，到多脸追踪参数调优，再到特征库建立与比
Delphi跨平台人脸识别实战：Luxand FaceSDK控件集成与性能优化
人脸识别作为计算机视觉的核心技术，通过特征提取与比对实现身份验证。其原理涉及图像处理、模式识别与机器学习，技术价值在于提升安全性与交互体验，广泛应用于门禁、支付与移动应用。在工程实践中，跨平台部署与性能优化是关键挑战。本文聚焦Delphi开发环境，深入解析如何集成商业级Luxand FaceSDK控件，涵盖Windows、Linux、macOS、iOS和Android五大平台。通过控件化封装，开发者可快速实现人脸检测与识别功能，绕过底层算法复杂性。针对移动端性能瓶颈，文章探讨了图像缩放、检测间隔调整等优化策
Delphi 13集成Luxand FaceSDK v8.3.0实战指南
人脸检测与识别是计算机视觉的基础能力，其核心在于从图像中定位人脸区域并提取高区分度的特征向量。Luxand FaceSDK作为成熟商用SDK，提供跨平台C++接口，而Delphi 13通过Pascal语言ABI桥接实现原生调用，支持Windows（x64）与Android（arm64-v8a）双端部署。该技术栈无需运行时依赖，具备低延迟（42ms@1080p）、高精度（98.2%余弦相似度匹配）和工业级稳定性，适用于边检自助通关、门禁考勤、防疫戴口罩识别等真实场景。本文聚焦Delphi 13下FaceSDK
Delphi 13集成Luxand FaceSDK人脸识别实战与避坑指南
人脸识别技术正从实验室走向工业级应用，其核心链路通常包含人脸检测、关键点定位、特征向量提取与相似度比对。工程实践中，开发者关注的不只是算法准确率，更关心如何高效地集成到现有开发环境，以及如何在真实场景中平衡误识率与拒识率。从通用的人脸检测原理出发，特征模板匹配与阈值设定直接决定了门禁、考勤等身份核验系统的可用性。当使用Delphi 13作为主开发环境时，引入Luxand FaceSDK这样的商业化SDK，可以简化底层图像处理复杂度，并借助其跨平台动态库快速构建多端应用。本文围绕在Delphi 13中集成Lu
Delphi跨平台人脸识别SDK集成实战：从Luxand FaceSDK封装到多平台部署
人脸识别作为计算机视觉的核心技术，其原理是通过算法定位并分析图像中的人脸特征，实现身份验证、属性分析等功能。这项技术的价值在于为安防、金融、人机交互等场景提供了高效、非接触式的生物识别解决方案。在实际工程中，开发者常借助成熟的商业SDK来快速集成复杂的人脸识别能力，例如Luxand FaceSDK。本文聚焦于如何将此类SDK通过Delphi控件进行封装，实现一次编码即可在Windows、Linux、macOS、iOS和Android等多平台部署。文中详细探讨了控件层的设计思路，包括底层接口封装、面向对象类设
Delphi 13集成FaceSDK：跨平台离线人脸识别实战
人脸识别技术正在从云端API向端侧本地推理迁移，尤其在门禁、考勤、自助终端等对网络依赖敏感的场景中，离线、低延迟、可私有化部署成为刚需。FaceSDK作为一款跨平台的人脸识别SDK，内置检测、特征提取与比对完整管线，无需GPU即可在CPU上完成毫秒级推理，支持Windows、Linux、macOS、iOS、Android五大平台。其本地推理模式不仅规避了网络波动带来的风险，更通过一次性授权显著降低长期使用成本。Delphi开发者可借助官方Pascal接口在RAD Studio 13中快速接入，实现从图像采集
Luxand FaceSDK：人脸识别开源技术与应用指南
Luxand FaceSDK是一款先进的面部识别开发包，提供了一系列的工具和算法，用于快速准确地识别和分析人脸特征。它支持多种编程语言，能够轻松集成到不同的应用程序中，实现各种与面部识别相关的功能。作为开发者，无论你是刚刚接触人脸识别技术，还是希望进一步优化现有系统的性能，Luxand FaceSDK都将是你不可或缺的工具。本章节将介绍FaceSDK的基本功能，以及它如何帮助开发者在项目中实现高级的面部检测和识别任务。
pb+LuxandFace-SDK8实现人脸识别
程序dll由vc9(2008) + pbni编写，实现LuxandFace_SDK8中跟踪器自动人脸识(跟踪器在退出时保存为dat文件)、两图对比人脸识两种方式。
Luxand FaceSDK-7.0的注册码（非破解）
由于超200M了，只能上传注册码，Luxand FaceSDK 7.0 人脸比对技术，支持安卓、linux、windows平台，支持delphi、c++、java等多种开发工具，Luxand FaceSDK是一款专业的人脸识别软件，采用智能人脸识别技术，主要功能包括视频识别、人间检测、面部表情、性别和年龄的识别等，兼容MJPEG的IP摄像头。新版本改进了多项功能，带来更准确的识别能力
Luxand公司人脸识别的专业SDK开发包
Luxand公司人脸识别的专业SDK开发包 Luxand公司人脸识别的专业SDK开发包 Luxand公司人脸识别的专业SDK开发包
Luxand.FaceSDK.v6.1配置详解及注册码
Luxand FaceSDK是一个比较强大的Face API，它支持VC++、C#、object C、Java、VB、Delphi等语言，相对于其他的face api来说，Luxand FaceSDK算是支持的语言比较多的处理人脸的库 文档内含配置步骤和安装注册码
Luxand-FaceSDK说明文档
Luxand_FaceSDK 人脸识别比对的开发包，该PDF文档是他的使用说明
LuxandFaceCropSDK(人脸识别裁剪API)V1.0英文安装版
Luxand FaceCrop SDK(人脸识别裁剪API)工具可以帮助正在开发有关人脸识别系统的用户添加裁剪的功能，裁剪的大小用户可以自定义设计，需要的朋友可以前来本站下载。 软件介绍 Luxand FaceCrop SDK，如果你正在开发人脸识别的程序，那么就有可能用到这个SDK，它可以为你的程序在人脸识别的基础上，再添加裁剪的功能，这个裁剪的大小可以随意调整，还能自定义格式和分辨率，最后
告别AT串口线！用STM32F407的USB FS口直连EC800M进行物联网通信
本文介绍了一种创新的物联网通信方案，利用STM32F407的USB FS接口直连EC800M模块，替代传统的AT串口线连接。通过详细的硬件对比、STM32CubeMX配置和USB驱动调试步骤，展示了如何实现更高效的AT指令通信，同时降低硬件复杂度和功耗。
管道机器人手臂机械结构设计cad【8张】＋三维图＋设计说明书＋绛重
履带式管道机器人适用于各种管道环境，包括直管道、弯曲管道、水平管道、垂直管道等，其灵活性和适应性使得它可以应对不同形状和尺寸的管道，完成全面的检测和维护工作。管道机器人研究具有重要的现实意义和深远的社会影响，通过提高工作效率、降低人员风险、提升服务质量、节约成本资源和促进科技创新等方面的作用，为现代工程技术领域的发展和进步做出了积极的贡献。管道机器人是一种能够在管道内部执行各种任务的智能机器人，而管道机器人的机械臂对于管道机器人在管道内执行任务的灵活性、稳定性和效率至关重要。
Xilinx IP库在Modelsim/Questasim中的高效仿真实践
本文详细介绍了在Modelsim/Questasim中高效仿真Xilinx FPGA设计的核心方法。针对仿真时常见的IP核缺失错误，重点解析了两种主流解决方案：使用Vivado的compile_simlib命令自动编译完整仿真库，以及利用export_simulation命令为特定工程生成仿真脚本。文章还提供了手动配置库的深入理解、实战排错步骤及高级避坑指南，帮助用户构建稳定、高效的独立仿真环境。
谈谈 FOC和BLDC 电机控制
更具体地说，通过 “Park 变换”，我们可以把三相交流电流信号转换成两相直流电流信号，从而可以把三相交流电机的控制变得和两相直流电机控制一样简单。在内环 “电流环”中，一些比较重要的模块有 “Clark 变换” 和 “Park 变换” 等数学模块、电机电流信号检测模块以及能够提供电机的转速和转角位置信息的模块。日前，Qorvo 电机控制应用高级系统/应用工程师张绍发表了一个与 BLDC 和 FOC 相关的演讲，科普了 FOC 的相关知识，还讲解了 Qorvo 用于简化 FOC 实施方案的方法。
树莓派CSI/DSI二合一接口深度玩法：同时驱动MIPI摄像头和屏幕的配置秘籍
本文详细解析了树莓派5上CSI/DSI二合一接口的深度玩法，提供了同时驱动MIPI摄像头和屏幕的完整配置秘籍。从硬件连接到软件设置，包括config.txt的优化配置，帮助用户充分利用树莓派5的双多功能接口，实现高效的双设备工作模式。
Quanto option期权公式推导（更新中）
Quanto期权不同于以标的股票或资产的计价货币支付最终收益的普通欧式期权，它以另一种货币以预先确定的汇率支付最后的收益。以股票B的计价货币来计价的quanto看涨期权的收益为F0×max(Sa(T)−K,0)×Sb(T)F_0 \times \max(S_a(T)-K, 0) \times S_b(T)F0×max(Sa(T)−K,0)×Sb(T) 其中SaS_aSa以货币A计价，SbS_bSb以货币B计价，F0F_0F0是预先固定的汇率. 假设上述股票均遵循几何布朗运动，可以得到以下恒等式
ArcGIS Pro 3.4 二次开发 - 地理数据库
本文介绍了在ArcGIS Pro SDK 3.4和.NET 8环境下，如何操作地理数据库的多种方法。首先，通过路径打开文件地理数据库，并处理可能出现的异常。其次，使用连接属性或sde文件路径打开企业级地理数据库。此外，还展示了如何从项目项、要素图层中获取地理数据库，以及如何执行SQL语句。最后，文章详细说明了如何从地理数据库中获取单个定义或定义列表，包括表定义、要素类定义、关系类定义和要素数据集定义。这些操作均在后台线程中执行，确保应用程序的响应性。
safetensors_rust.SafetensorError: Error while deserializing header: MetadataIncompleteBuffer解决方案
本文主要介绍了safetensors_rust.SafetensorError: Error while deserializing header: MetadataIncompleteBuffer解决方案，希望能对使用Python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案 2.1 Windows 2.2 Linux
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
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")
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
263
扫一扫
