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
600+累计阅读
686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
关键词：人脸检测，人眼检测，语音识别
最近想做一个软件练练我的c#，最终决定做一个视线语音鼠标，用视线控制鼠标的移动，用语音控制鼠标的行为。
语音识别有微软的Speech SDK，还好说。人脸检测神马的就比较难了，有什么PCA，Haar-Adaboost，向量机，人工神经网络等等，都好难好难。Opencv咱也不太会用（汗呀！vs2010+opencv2.2的环境搭了半天都没搭好），所以，咱一个大一的就做些简单的好了……
下面给出我的步骤，每个步骤我都将会撰文进行解说。
1. 捕获视频
2. 每一帧图像的截取
3. 图像的缩放
4. 人脸检测——肤色点的提取
5. 人脸检测——形态学运算
6. 人眼定位
7. 界面及鼠标事件
8. Speech SDK
如果我能写完第八篇文章，那么我就成功了。
这次我们学校的冯如杯我就打算拿它上了，祝我好运！
Ubuntu22.04下ROS2与PX4仿真环境搭建全流程解析
本文详细解析了在Ubuntu22.04系统下搭建ROS2与PX4仿真环境的全流程，包括系统准备、ROS2 Humble安装、PX4飞控环境部署、ROS2与PX4通信桥梁搭建等关键步骤。针对常见问题提供了解决方案，并分享了性能优化和开发调试技巧，帮助开发者快速构建无人机仿真开发环境。
用PowerPoint+Paint打造可呼吸的数字黑板
数字黑板是教育技术中支撑动态推演与思维可视化的核心载体，其本质在于实现低延迟、高可控、零学习成本的实时书写与结构化呈现。相比依赖复杂工具链的方案，基于Windows原生应用的轻量组合——PowerPoint负责知识骨架与认知锚点，Paint承担公式推导、矢量标注与过程直播——以毫秒级响应（<100ms）和像素级操作自由度，精准还原物理等逻辑密集型学科所需的‘笔尖思维同步’。该模式不追求炫技，而聚焦教学本源：让学生的认知节奏与教师的思维流同频共振。适用于高校物理、数学、工程类线上/混合式教学场景，尤其适配无数
SRA数据库
简介 序列读取存档（sequence Read Archive，SRA）数据是可通过多个云提供商和NCBI服务器获得的，它是最大的可公开获得的高通量测序数据存储库。 SRA接受来自生活各个部门以及宏基因组学和环境调查的数据。 SRA存储原始测序数据和比对信息，以提高可重复性并通过数据分析促进新发现。 NCBI网站储存二代测序原始数据的数据库 SRA官网 从Entrez搜索结果中下载SRA序列 例如查找SRA Entrez中BALB / c小鼠淋巴结组织的RNA-Seq记录 获取搜索结果 SRA se
AI训练的递归本质：人类与模型的双向塑造
大型语言模型（LLM）训练并非单向灌输，而是一种人机互构的认知闭环。其核心原理在于训练范式的递归性——人类通过RLHF注入价值锚点，模型又以合成数据反向重塑人类的表达习惯、知识获取方式与判断标准。这种双向塑造的技术价值，在于将抽象价值观转化为可计算、可审计、可迭代的工程实践；典型应用场景覆盖政务助手、教育AI、客服系统等需强价值对齐的领域。当训练数据本身携带文化偏见、标注共识隐含地域局限、模型输出悄然改写用户提问逻辑时，‘递归性’便成为理解AI伦理落地与工程可靠性的关键透镜。
LightTools宏 vs Python API：光学仿真自动化方案选型指南
本文深入对比了LightTools光学仿真自动化中VBA宏与Python API两种方案。VBA宏内嵌易用，适合固定流程批处理；Python API生态强大，尤其在参数优化算法集成方面优势显著，便于构建复杂工作流。文章结合案例，为不同场景下的技术选型提供清晰指南。
Comsol固体力学仿真﹣﹣受均匀内压的厚壁球壳弹塑性分析（加载卸载全流程）
COMSOL固体力学及结构力学仿真较少，故而查询了有关资料，才建立了如下模型。图4 加载卸载全历程中的冯米塞斯应力变化。该有限元模型是通过扫掠而得的结构化网格。图2 加载卸载全历程中的塑型区域变化。图3 加载卸载全历程中的位移应力变化。图6 关键节点第一，第三主应力分布。图5 关键节点应力场与塑性区分布。《弹塑性力学》大作业，记录一下。图1 球体的有限元网格模型。
视线语音鼠标 3 C#视频流截取图像
如何才能从视频流中一帧一帧的截取图像，得以处理结果并且输出呢？我想了一个偷懒的办法，但效果也还不错。就是用一个timer，将处理放在tick里，timer的控制放在那两个按钮中。为了预防以后调试鼠标可时能会不好控制，再设两个热键回车和退格，也具备两个按钮的功能。提取出的图像，一位图形式存储，就是下面的image1。private void button1_Click(object sender, EventArgs e) { //运行视频开始
深度学习&故障诊断初学者 - 学习路线
针对初学者，一头雾水，不知如何学习，本文给出了一个学习路线 Python学习 - 打好编程基础 https://www.bilibili.com/video/BV1vA411b7Rn?spm_id_from=333.337.search-card.all.click B站免费课程 学到P49 建议时长 2周 深度学习理论 - 浅浅理解神经网络 https://www.bilibili.com/video/BV1FT4y1E74V?p=41 建议时长 2周...............
视线语音鼠标 5 C#图像缩放
<br />为什么缩小图像呢？有两个目的：1.加速，2.减小噪声的出现。<br />我还以为要写个函数呢，结果发现用Bitmap就好了，一行搞定……<br />//将原图缩小为120*90 Image image1 = new Bitmap((Image)obj1.GetData(typeof(Bitmap)),120,90); pictureBox1.Image = image1;
TC387 MCMCAN Message RAM配置详解：Tx Buffer与Rx FIFO地址布局
在嵌入式CAN/CAN FD通信系统中，缓冲区和FIFO是数据收发的核心机制，而AURIX TC3xx系列单片机将这一机制集成在了MCMCAN模块专用的Message RAM中。这是一块由CAN控制器独占的内存区域，开发人员需要按照寄存器规范手动划分Tx Buffer、Rx FIFO、过滤元素等子区间。合理的RAM布局能确保不同功能区域互不重叠、有序排列，避免数据覆盖与错帧。通过掌握TXBC、RXF0C等配置寄存器的字段含义，结合实用的地址布局表，可以显著降低多节点CAN通信的调试成本。本内容面向使用TC3
paddle 43 用onnxruntime实现ppyoloe模型的部署（含python和c++版本）
PP-YOLOE+是PP-YOLOE模型的升级版，PP-YOLOE+_l在COCO test-dev2017达到了53.3的mAP, 同时其速度在Tesla V100上达到了78.1 FPS。PP-YOLOE+_s/m/x同样具有卓越的精度速度性价比。paddle官方只给出了基于paddle框架的部署案例，为了更好的部署，为此实现将paddle模型转换为onnx模型，然后在python下实现onnxruntime部署。后续会补充c++ onnxruntime部署
视线语音鼠标 2 C#视频捕获
要引用system32中的avicao32.dll和user32.dll四个函数的意思分别为设置捕获窗口，关闭窗口，发送消息，和设置窗口位置。我用panel显示视频，button和1button2分别控制视频的开关，这里有个小bug，有时会蹦出视频源那个窗口，要快速的多点几次才行。不知是怎么一回事，知道的一定要告诉我一声！using System; using System.Collections.Generic; using System.ComponentModel; using System.D
国科大学习资料--计算机视觉--期末考试解析
国科大学习资料–计算机视觉（胡占义）–期末考试解析 ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ；
视线语音鼠标 7 人脸检测-形态学运算
开运算，闭运算为基础，有腐蚀和膨胀两种。我用的样本是5*5的，腐蚀（膨胀）说白了就是只要这个点是0（1），周围5*5的就都是0（1）。做两次形态学运算。先腐蚀，后膨胀。然后再先膨胀，后腐蚀。用以去除噪声。最后用floodfill做连通块，并根据矩形的大小及长宽比进行判定。至此，我们简单的人脸检测完毕。public void Cal(int[,] Seg, out int[,] Seg1, out int l, out int r, out int u, out int d) {
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")
视线语音鼠标 6 肤色点检测
<br />我用了那个椭圆聚类，转成YCb’Cr’，为了取得更好的效果，取它和rgb肤色空间点的交。<br />整个处理在读入中进行，二值图结果用Seg导出。<br /> double Y = r * 0.256789 + g * 0.504129 + b * 0.097906+ 16; double Cb = r *-0.148223 + g * -0.290992 + b * 0.439215+ 128;
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
视线语音鼠标 4 C#图像的读取和显示
读取图像的rgb信息，做视频流的话，不用指针速度是无法忍受的。用rectangle框选，转为bitmapData，用指针读，注意颜色顺序是b,g,r。现实的话也是差不多的，我的图像显示是二值图（Seg存的），返回bitmap，到时可用pictureBox什么的显示就行了。不多说了，上代码。 public void InIt(Bitmap Source) { int iWidth = Source.Width; int iHe
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
第6章第4节：自定义分词器
本节详解Elasticsearch自定义分词器，解析analyzer三段式结构（char_filter→tokenizer→filter），掌握常用组件如ik_max_word、synonym_graph、ngram等。通过_analyze API调试分词效果，实现“索引时扩展同义词、搜索时不带”的生产级方案，提升中文搜索与智能提示体验。
C#使用opencv和Yolo模型识别车牌号
本文基于OpenCVSharp与OnnxRuntime，结合YoloV8n-pose_plate模型（检测车牌位置）和OCR模型（识别车牌文字），实现高效车牌识别。通过预处理、目标检测、NMS筛选及文字识别流程，最终输出车牌框位置与识别文本。代码封装良好，支持自定义路径与置信度阈值，具备实际应用价值。
C# NAFNet 图片去模糊
基于NAFNet与ONNX Runtime的C# WinForms图片去模糊工具，支持DirectML GPU加速与CPU回退，实现一键去模糊、大图分块处理、并排对比及拖拽打开。具备高DPI适配、自绘圆角界面、命令行批量处理等功能，适用于Windows 10/11系统，可灵活配置模型路径与分块大小，解决显存不足与边缘接缝问题。
使用C#代码提取、修改或删除 Excel 中的超链接
通过 C# 和 VB.NET，可以方便地管理 Excel 文件中的超链接，包括提取、修改和删除等操作。提取超链接： 获取工作表中的超链接集合，读取每个超链接的地址和类型，并将相关信息保存到文本文件中。修改超链接： 更新超链接的显示文本和目标地址，确保链接信息准确。删除超链接： 移除指定的超链接，同时可以选择保留单元格中的原有显示文本，或清除单元格的全部内容。这些操作可以帮助开发人员更高效地管理 Excel 文档中的链接信息，减少重复的手动操作，也便于在数据迁移、文档维护和自动化报表处理等场景中使用。
C#: 控件不支持透明的背景色
把透明度固定为255。
基于 OPC UA 的半导体工厂化学气体传输 SCADA 监控系统：架构设计与 C# MVVM 实现
本文提出一套面向半导体化学气体传输的可演进SCADA系统，基于OPCUA统一信息模型与C#+WPF+MVVM技术栈，实现从气源到机台的全链路实时监控、安全联锁与追溯。通过资产树建模、分层解耦架构与标准对齐（SEMI E30/E95/S2），确保系统可扩展、可维护、可审计，满足高安全、高可靠要求，支持快速落地与持续演进。
如何使用C#代码清理 Excel 表格中的空白行与空白列
通过 C# 代码，可以自动检查并删除 Excel 工作表中的空白行和空白列。利用IsBlank属性判断行或列是否为空，再分别调用和方法，即可完成清理操作。与手动逐行、逐列检查相比，这种方式更适合处理包含大量数据的 Excel 文件，能够减少重复操作，提高数据整理效率，使工作表保持整洁、清晰。在实际使用中，建议从工作表的末尾向前遍历并删除空白行和空白列，避免删除操作改变索引位置，影响后续检查。
使用C#代码在 Word 中设置行距和段落间距
通过 C# 代码，可以灵活调整 Word 文档中的行间距和段落间距，从而改善文档的整体排版效果。设置段前间距： 使用属性调整段落前方的空白距离。设置段后间距： 使用属性调整段落后方的空白距离。设置行间距： 使用属性控制同一段落中各行文本之间的距离。合理设置这些间距，不仅可以提高 Word 文档的可读性，还能优化页面空间利用率。这种方式适用于批量格式调整、自动化文档生成以及统一文档排版等场景。
Avalonia 设备监测实战设计｜高频采样怎么接到实时曲线、热力图和 3D 视图？
设备每秒推来的采样批次和页面刷新的节奏通常不同。把每条采样直接推给 UI，会让绘制次数跟着输入速率增长。用做 Avalonia 监测页面时，可以把采集、显示窗口和视图更新拆开，再用测点 ID 把三个视图串起来。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
607
扫一扫
