shinuone的博客

备注：以下源码均可运行，不同项目涉及的函数均有详细分析说明。

（1）【CPU版本】Anaconda（Python） + Pycharm + Pytorch（CPU） + Opencv（2）【GPU版本】Anaconda（Python） + Pycharm + CUDA + cuDNN + Pytorch（GPU） + Opencv

主要汇总了深度学习不同领域的实战项目，每个项目都附有详细的算法分析、数据集以及源代码。

图像增强：通过一系列技术和方法对图像进行处理，以改善其视觉效果和特征表现。

本项目基于dlib库提供的人脸检测器、关键点定位工具以及眼睛纵横比算法完成。通过分析摄像头或视频流中的人脸，实时计算眼睛纵横比EAR（Eye Aspect Ratio），以判断眼睛是否闭合。通过统计眨眼次数，可以检测出眨眼的频率和时长，用于评估用户的注意力水平或疲劳状态。

该项目基于dlib模块提供的人脸检测器以及关键点定位工具完成。首先通过检测器在图像中定位人脸的位置，然后通过关键点定位工具提取脸部关键点坐标，最后绘制脸部特征点。

项目思路：1. 读取图像2. 获取图像信息3. 新建模板4. 像素值反转5. 显示图像

一款在线AI自动抠图免费工具（桌面版APP需注册账号）removebg网站提供了API 接口，可以直接调用并实现抠图。图片必须有一个明显是前景的主题，例如人、动物、产品或汽车（更多信息）。使用API or APP每个月只有50张图片的免费处理权限；而网站的使用无限制且全免费。免费处理权限：只支持最高 25 万像素的小分辨率图片（如：625 × 400 像素），想要获得高像素抠图则需要花费credit。用完之后就会拒绝你的API请求。支持上传最大12 兆字节的任何JPG 或 PNG 图像。

项目介绍：设置框架参数，指定存放图像的文件夹地址，遍历图像并缩放至与框架相同尺寸，移除摄像头拍摄的背景，与指定图像进行叠加，实时更新。

项目思路（1）调用`PaddlenHub模块`的`口罩检测预训练模型`，通过`PaddlenHub.face_detection`API，完成图片检测或实时检测任务。（2）若未佩戴口罩，则使用`PlaySound模块`播放录制的MP3文件（一秒钟提示音），完成警告提示。

如何实现人脸识别？通过定位和对齐得到人脸的区域图像，然后卷积网络提取人脸特征进行分类识别。定位（Detection）：在图像中找到所有人脸的位置，并画出矩形框。对齐（Alignment）：找到人脸的若干个关键点（如眼角、鼻尖、嘴角等），然后通过相似变换（如旋转、缩放和平移）得到标准人脸（模板）。特征提取（Feature Extraction）：通过深度卷积网络提取特征（权重参数）。

项目思路：1、获取视频、读取帧图像。2、计算连续两张图像的像素绝对差获取动态目标。3、图像预处理：灰度图、高斯模糊、二值化、膨胀。4、轮廓检测、绘制矩阵轮廓、绘制物体轮廓。5、分别实时显示矩阵轮廓、物体轮廓。

7+1种目标追踪算法函数说明算法原理类似于Harr cascdes(AdaBoost)，是一种很老的算法。速度慢并且不准。（最低支持OpenCV 3.0.0）比BOOSTING更精确，但是失败率比较高。（最低支持OpenCV 3.0.0）速度比BOOSTING和MIL更快，与BOOSTING和MIL一样不能很好的处理遮挡问题。比KCF更准一些，但是速度比KCF慢。（最低支持OpenCV 3.4.2）在多帧遮挡下效果最好。但是TLD的误报非常多。（最低支持OpenCV 3.0.0）