线性代数2

本文深入探讨了向量的基本属性,包括其平移特性、模长与方向的确定性,以及向量作为矢量的性质。详细解析了向量的数量积与向量积公式,展示了如何通过坐标表示进行向量运算。同时,文章引入了矩阵的概念,阐述了矩阵在线性代数中的作用,即通过线性变换将一组变量转化为另一组向量。

向量可以平移,向量模长与方向确定也不唯一
向量使矢量,既有大小又有方向

数量积:

a⃗⋅b⃗=∣a⃗∣∗∣b⃗∣∗cosθa⃗⋅b⃗=x1y1+x2y2+⋯+xnyn\vec a \cdot \vec b = |\vec a|*|\vec b|*cos\theta \\ \vec a \cdot \vec b=x_1y_1 + x_2y_2 + \cdots + x_ny_n ab=abcosθab=x1y1+x2y2++xnyn

在这里插入图片描述
∣c⃗∣2=(∣a⃗∣sinθ)2+(∣b⃗∣−∣a⃗∣cosθ)2∣c⃗∣2=∣a⃗∣2sin2θ+∣b⃗∣2−2∣b⃗∣∣a⃗∣cosθ+∣a⃗∣2cos2θ∣c⃗∣2=∣a⃗∣2(sin2θ+cos2θ)+∣b⃗∣2−2∣b⃗∣∣a⃗∣cosθsin2θ+cos2θ=1∣c⃗∣2=∣a⃗∣2+∣b⃗∣2−2∣b⃗∣∣a⃗∣cosθ |\vec c|^2 = (|\vec a|sin\theta)^2 + (|\vec b|-|\vec a|cos\theta)^2 \\ |\vec c|^2 = |\vec a|^2sin^2\theta + |\vec b|^2 -2|\vec b||\vec a|cos\theta + |\vec a|^2cos^2\theta \\ |\vec c|^2 = |\vec a|^2(sin^2\theta + cos^2\theta) + |\vec b|^2 -2|\vec b||\vec a|cos\theta \\ sin^2\theta + cos^2\theta = 1 \\ |\vec c|^2 = |\vec a|^2 + |\vec b|^2 - 2|\vec b||\vec a|cos\theta \\ c2=(asinθ)2+(bacosθ)2c2=a2sin2θ+b22bacosθ+a2cos2θc2=a2(sin2θ+cos2θ)+b22bacosθsin2θ+cos2θ=1c2=a2+b22bacosθ
坐标表示:c⃗=a⃗−b⃗a⃗−b⃗=(x1−x2,y1−y2)∣c⃗∣2=(x1−x2)2+(y1−y2)2∣a⃗∣2=x12+y12∣b⃗∣2=x22+y22 \vec c = \vec a - \vec b \\ \vec a - \vec b = (x_1-x_2,y_1-y_2) \\ |\vec c|^2 = (x_1-x_2)^2 + (y_1-y_2)^2 \\ |\vec a|^2 = x_1^2 + y_1^2 \\ |\vec b|^2 = x_2^2 + y_2^2 \\ c=abab=(x1x2,y1y2)c2=(x1x2)2+(y1y2)2a2=x12+y12b2=x22+y22∣c⃗∣2=∣a⃗∣2+∣b⃗∣2−2∣b⃗∣∣a⃗∣cosθ(x1−x2)2+(y1−y2)2=x12+y12+x22+y22−2∣b⃗∣∣a⃗∣cosθx12−2x1x2+x22+y12−2y1y2+y22=x12+y12+x22+y22−2∣b⃗∣∣a⃗∣cosθx12−2x1x2+x22+y12−2y1y2+y22=x12+y12+x22+y22−2∣b⃗∣∣a⃗∣cosθ−2x1x2−2y1y2+=−2∣b⃗∣∣a⃗∣cosθ2x1x2+2y1y2=2∣b⃗∣∣a⃗∣cosθx1x2+y1y2=∣b⃗∣∣a⃗∣cosθ∣b⃗∣∣a⃗∣cosθ=x1x2+y1y2 |\vec c|^2 = |\vec a|^2 + |\vec b|^2 - 2|\vec b||\vec a|cos\theta \\ (x_1-x_2)^2 + (y_1-y_2)^2 = x_1^2 + y_1^2 + x_2^2 + y_2^2 - 2|\vec b||\vec a|cos\theta \\ x_1^2 - 2x_1x_2 + x_2^2 + y_1^2 - 2y_1y_2 + y_2^2 = x_1^2 + y_1^2 + x_2^2 + y_2^2 - 2|\vec b||\vec a|cos\theta \\ \bcancel x_1^2 - 2x_1x_2 + \bcancel x_2^2 + \bcancel y_1^2 - 2y_1y_2 + \bcancel y_2^2 =\bcancel x_1^2 +\bcancel y_1^2 +\bcancel x_2^2 +\bcancel y_2^2 - 2|\vec b||\vec a|cos\theta \\ - 2x_1x_2 - 2y_1y_2 + = - 2|\vec b||\vec a|cos\theta \\ 2x_1x_2 + 2y_1y_2 = 2|\vec b||\vec a|cos\theta \\ x_1x_2 + y_1y_2 = |\vec b||\vec a|cos\theta \\ |\vec b||\vec a|cos\theta = x_1x_2 + y_1y_2 c2=a2+b22bacosθ(x1x2)2+(y1y2)2=x12+y12+x22+y222bacosθx122x1x2+x22+y122y1y2+y22=x12+y12+x22+y222bacosθx122x1x2+x22+y122y1y2+y22=x12+y12+x22+y222bacosθ2x1x22y1y2+=2bacosθ2x1x2+2y1y2=2bacosθx1x2+y1y2=bacosθbacosθ=x1x2+y1y2

a⃗⋅b⃗=∣a⃗∣∗∣b⃗∣∗cosθ∣b⃗∣∣a⃗∣cosθ=x1x2+y1y2a⃗⋅b⃗=x1x2+y1y2 \vec a \cdot \vec b = |\vec a|*|\vec b|*cos\theta \\ |\vec b||\vec a|cos\theta = x_1x_2 + y_1y_2 \\ \vec a \cdot \vec b =x_1x_2 + y_1y_2 ab=abcosθbacosθ=x1x2+y1y2ab=x1x2+y1y2

向量积

∣a⃗×b⃗∣=∣a⃗∣∗∣b⃗∣∗sinθ|\vec a \times \vec b| = |\vec a|*|\vec b|*sin\theta a×b=absinθ

矩阵

矩阵,即描述线性代数中线性关系的参数,即矩阵是一个线性变换,可以将一些变量转换为另一些向量
矩阵是向量的集合

本指南详细阐述基于Python编程语言结合OpenCV计算机视觉库构建实时眼部状态分析系统的技术流程。该系统能够准确识别眼部区域,并对眨眼动作与持续闭眼状态进行判别。OpenCV作为功能强大的图像处理工具库,配合Python简洁的语法特性与丰富的第三方模块支持,为开发此类视觉应用提供了理想环境。 在环境配置阶段,除基础Python运行环境外,还需安装OpenCV核心模块与dlib机器学习库。dlib库内置的HOG(方向梯度直方图)特征检测算法在面部特征定位方面表现卓越。 技术实现包含以下关键环节: - 面部区域检测:采用预训练的Haar级联分类器或HOG特征检测器完成初始人脸定位,为后续眼部分析建立基础坐标系 - 眼部精确定位:基于已识别的人脸区域,运用dlib提供的面部特征点预测模型准确标定双眼位置坐标 - 眼睑轮廓分析:通过OpenCV的轮廓提取算法精确勾勒眼睑边缘形态,为状态判别提供几何特征依据 - 眨眼动作识别:通过连续帧序列分析眼睑开合度变化,建立动态阈值模型判断瞬时闭合动作 - 持续闭眼检测:设定更严格的状态持续时间与闭合程度双重标准,准确识别长时间闭眼行为 - 实时处理架构:构建视频流处理管线,通过帧捕获、特征分析、状态判断的循环流程实现实时监控 完整的技术文档应包含模块化代码实现、依赖库安装指引、参数调优指南及常见问题解决方案。示例代码需具备完整的错误处理机制与性能优化建议,涵盖图像预处理、光照补偿等实际应用中的关键技术点。 掌握该技术体系不仅有助于深入理解计算机视觉原理,更为疲劳驾驶预警、医疗监护等实际应用场景提供了可靠的技术基础。后续优化方向可包括多模态特征融合、深度学习模型集成等进阶研究领域。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值