<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[woxincd的专栏]]></title><description><![CDATA[高级算法、智能视频、嵌入式软件、DSP应用开发，algorithem,c++,c,视频处理,图像处理,模式识别,目标分析,智能监控]]></description><link>https://blog.youkuaiyun.com/woxincd</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; woxincd]]></copyright><item><title><![CDATA[_CRT_SECURE_NO_WARNINGS错误提示,解决办法]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/142626764</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/142626764</guid><author>woxincd</author><pubDate>Sun, 29 Sep 2024 09:05:22 +0800</pubDate><description><![CDATA[方法一：将原来的旧函数替换成新的 Security CRT functions。]]></description><category></category></item><item><title><![CDATA[link，segment等几个地理概念]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/123275437</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/123275437</guid><author>woxincd</author><pubDate>Fri, 04 Mar 2022 14:03:15 +0800</pubDate><description><![CDATA[在空间信息领域，有两个概念，一个是link 一个是segment，理解这两个概念，先要理解node和joint这两个概念。一段路在地图上看，出现与其他路相连接的地方（十字路口，丁字路口）就是一个node，而图上两个node之间的无数构成路段图形形状的连接点就叫joint。两个node之间的一段叫一个link，两个joint之间的一段叫segment。所以segment不能说成链路，一个segment并不构成连通性，它只是一个link内部的细节部分。
...]]></description><category></category></item><item><title><![CDATA[VS2010~VS2015~VS2019颜色字体设置策略]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/119599116</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/119599116</guid><author>woxincd</author><pubDate>Wed, 11 Aug 2021 11:14:26 +0800</pubDate><description><![CDATA[作为一名老算法工程师来说，我之前一直用的字体是Fixedsys Excelsior 3.01，最近我感觉有点审美疲劳，于是我换了一种字体，那就是Consolas。这个字体是VS自带的，所以并不需要安装字体。字体大小设置为10。项背景设置为青色。我感觉比白色背景更有利于保护眼睛。





然后，我们对番茄助手进行颜色设置



最终的显示效果是这样的



我感觉非常的完美








...]]></description><category></category></item><item><title><![CDATA[ECCV2020超快车道线检测算法：Ultra Fast Structure-aware Deep Lane Detection2021-03-24]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/115189728</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/115189728</guid><author>woxincd</author><pubDate>Wed, 24 Mar 2021 22:35:06 +0800</pubDate><description><![CDATA[作者：cfzd| 来源：知乎

https://zhuanlan.zhihu.com/p/157530787

本文仅做学术分享，如有侵权，请联系删除。


很高兴和大家分享一下我们刚刚被 ECCV 2020 接收的新工作：一种超快速的车道线检测算法（https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2004.11757），能够达到SOTA水平的性能，同时保持超高的检测速度。轻量级的版本可以在接近SOTA的性能情况下达到300+FPS的检测速度..]]></description><category></category></item><item><title><![CDATA[AR-HUD相关技术介绍2021-03-23]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/115111320</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/115111320</guid><author>woxincd</author><pubDate>Tue, 23 Mar 2021 10:20:12 +0800</pubDate><description><![CDATA[随着智能驾驶技术的不断革新，越来越多的外部传感器的加入，AR-HUD的功能与效果会得到进一步的提升。

　看过电影《极品飞车》、《钢铁侠》的朋友，在享受其紧张刺激的电影情节的过程中，想必对其中展示的HUD技术也会记忆犹新。



什么是HUD

　　HUD，全称Head Up Display，又可称之为“抬头数字显示仪”。它的前身是战斗机上的光学瞄准器，最早出现在第一次世界大战期间。这种瞄准器利用光学反射原理，将瞄准光圈投射在飞行员前方的玻璃上面，使得飞行员在瞄准射击的同时，可以观察周围的环境变化。

　　]]></description><category></category></item><item><title><![CDATA[谈谈深度学习框架的数据排布【转载】]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/115067177</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/115067177</guid><author>woxincd</author><pubDate>Mon, 22 Mar 2021 10:46:29 +0800</pubDate><description><![CDATA[最近同事碰到了一个不同框架模型互相转换的问题：pytorch模型或caffe模型要转到tensorflow和TFLite上进行移动端的部署。模型从pytorch或caffe转tensorflow通过ONNX作为中转还相对顺利，但是从tensorflow到TFLite的时候却遇到了输入不匹配的问题。原因在于pytorch，caffe输入数据通常以“NCHW”的形式进行排列。虽然转到tensorflow的时候依旧也能按照“NCHW”的方式转成功，但是Tensorflow转TFLite竟然失败了。原来TFLite]]></description><category></category></item><item><title><![CDATA[pytorch训练出来的模型参数如何保存为嵌入式C语言能够调用的形式]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/115002482</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/115002482</guid><author>woxincd</author><pubDate>Fri, 19 Mar 2021 11:39:02 +0800</pubDate><description><![CDATA[在深度学习算法嵌入式开发应用中，如何把在pytorch下训练得到的模型参数，提取出来保存成C语言能够调用的数组形式，是嵌入式应用开发的重要步骤。

以下介绍一个简单的例子，下文中的代码来自莫凡教程，是一个线性回归的简单深度学习例子，输入节点为1个，隐藏层10个节点，输出一个节点。relu用的是普通的，所以不需要参数。

f = open('./w1.txt',mode = 'w+') #是创建一个txt文件。参数 'w+'的意思是如果存在该文件，则删除内容，从头开始书写，如果不存在该文件，则创建一个。

f]]></description><category></category></item><item><title><![CDATA[[神经网络]反向传播梯度计算数学原理]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/112539338</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/112539338</guid><author>woxincd</author><pubDate>Tue, 12 Jan 2021 17:30:12 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/alan-blog-TsingHua/p/9981522.html
]]></description><category></category></item><item><title><![CDATA[self.__dict__.update()的作用 2021-01-09]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/112404875</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/112404875</guid><author>woxincd</author><pubDate>Sat, 09 Jan 2021 20:30:34 +0800</pubDate><description><![CDATA[目录


	描述
		使用前1
		使用前2
		使用后
	


描述

self.dict.update()的好处我觉得是方便，换句话说就是偷懒哈哈哈。
使用self.参数名就可以调用啦，出现黄色提示不用理会。

使用前1



使用前2



使用后


...]]></description><category></category></item><item><title><![CDATA[【OpenCV】图像几何变换：旋转，缩放，斜切]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/105556213</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/105556213</guid><author>woxincd</author><pubDate>Thu, 16 Apr 2020 13:43:41 +0800</pubDate><description><![CDATA[转载：https://blog.youkuaiyun.com/xiaowei_cqu/article/details/7616044#t3



几何变换
几何变换可以看成图像中物体（或像素）空间位置改变，或者说是像素的移动。

几何运算需要空间变换和灰度级差值两个步骤的算法，像素通过变换映射到新的坐标位置，新的位置可能是在几个像素之间，即不一定为整数坐标。这时就需要灰度级差值将映射的新坐标匹配到输出像素之...]]></description><category></category></item><item><title><![CDATA[图像处理基础知识（二）—— 中心矩求主轴方向]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/105362854</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/105362854</guid><author>woxincd</author><pubDate>Tue, 07 Apr 2020 13:40:15 +0800</pubDate><description><![CDATA[转载自https://blog.youkuaiyun.com/hong__fang/article/details/49851569?utm_source=blogxgwz2






]]></description><category></category></item><item><title><![CDATA[halcon求图像相减:abs_diff_image]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/87860455</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/87860455</guid><author>woxincd</author><pubDate>Thu, 21 Feb 2019 14:35:27 +0800</pubDate><description><![CDATA[ 版权声明：本文为博主原创文章，转载需注明出处。    https://blog.youkuaiyun.com/u013698770/article/details/53425870
abs_diff_image算子解析
　　abs_diff_image算子能够得到两幅图像相减后的结果图，其结果是以绝对值的方式呈现。主要用于计算两幅图像的差异，可用于和图片的对比测试。

abs_diff_image(Imag...]]></description><category></category></item><item><title><![CDATA[深度学习 池化的概念]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/85199928</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/85199928</guid><author>woxincd</author><pubDate>Sat, 22 Dec 2018 11:31:14 +0800</pubDate><description><![CDATA[转自：http://blog.youkuaiyun.com/danieljianfeng/article/details/42433475

在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。

为什么可以通过降低维度呢？

因为图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。...]]></description><category></category></item><item><title><![CDATA[一文读尽SIFT算法]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/85199235</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/85199235</guid><author>woxincd</author><pubDate>Sat, 22 Dec 2018 11:13:23 +0800</pubDate><description><![CDATA[1.SIFT概述

SIFT的全称是Scale Invariant Feature Transform，尺度不变特征变换，由加拿大教授David G.Lowe提出的。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。

1.1 SIFT算法具的特点

图像的局部特征，对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
	独特性好，信息...]]></description><category></category></item><item><title><![CDATA[深度学习主流框架比较]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/85061212</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/85061212</guid><author>woxincd</author><pubDate>Tue, 18 Dec 2018 10:40:44 +0800</pubDate><description><![CDATA[版权声明：Sin_Geek笔记与总结，欢迎分享讨论~~    https://blog.youkuaiyun.com/lyh03601/article/details/82587435
常见的深度学习框架有 TensorFlow 、Caffe、Theano、Keras、PyTorch、MXNet等，如下图所示。这些深度学习框架被应用于计算机视觉、语音识别、自然语言处理与生物信息学等领域，并获取了极好的效果。下...]]></description><category></category></item><item><title><![CDATA[图形学--（中点画线法+Bresenham画线算法）]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/79205455</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/79205455</guid><author>woxincd</author><pubDate>Tue, 30 Jan 2018 14:17:19 +0800</pubDate><description><![CDATA[图形学--（中点画线法+Bresenham画线算法）

   原文地址:https://www.cnblogs.com/llsq/p/7506597.html
     编程环境：codeblocks+EGE库
     用到的函数：putpixel(int x1,int y1,int color)  用某种颜色打亮一个坐标点。
 这俩种算法都是用来在计算机上画一条直线的，那么我们为什么]]></description><category></category></item><item><title><![CDATA[【图像处理】透视变换 Perspective Transformation]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/78199704</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/78199704</guid><author>woxincd</author><pubDate>Wed, 11 Oct 2017 09:06:36 +0800</pubDate><description><![CDATA[http://blog.youkuaiyun.com/xiaowei_cqu/article/details/26471527]]></description><category></category></item><item><title><![CDATA[N个点直线拟合]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/70170757</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/70170757</guid><author>woxincd</author><pubDate>Fri, 14 Apr 2017 11:47:58 +0800</pubDate><description><![CDATA[转载自：http://blog.sina.com.cn/s/blog_648868460100hevs.html




曲线拟合中最基本和最常用的是直线拟合。设x和y之间的函数关系为：

                   y＝a+bx

式中有两个待定参数，a代表截距，b代表斜率。对于等精度测量所得到的N组数据（xi，yi），i＝1，2……，N，xi值被认为是准确的，所有的]]></description><category></category></item><item><title><![CDATA[OpenCV实现基于傅里叶变换的旋转文本校正]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/60766950</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/60766950</guid><author>woxincd</author><pubDate>Tue, 07 Mar 2017 16:05:49 +0800</pubDate><description><![CDATA[OpenCV实现基于傅里叶变换的旋转文本校正
发布于 2013年11月25日 作者： John
 Hany14,148次阅读

代码
        先给出代码，再详细解释一下过程：



123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525]]></description><category></category></item><item><title><![CDATA[Harris角点检测算法详解]]></title><link>https://blog.youkuaiyun.com/woxincd/article/details/60754658</link><guid>https://blog.youkuaiyun.com/woxincd/article/details/60754658</guid><author>woxincd</author><pubDate>Tue, 07 Mar 2017 10:27:09 +0800</pubDate><description><![CDATA[Harris角点算法




特征点检测广泛应用到目标匹配、目标跟踪、三维重建等应用中，在进行目标建模时会对图像进行目标特征的提取，常用的有颜色、角点、特征点、轮廓、纹理等特征。现在开始讲解常用的特征点检测，其中Harris角点检测是特征点检测的基础，提出了应用邻近像素点灰度差值概念，从而进行判断是否为角点、边缘、平滑区域。Harris角点检测原理是利用移动的窗口在图像中计算灰度变化值，]]></description><category></category></item></channel></rss>