xiao__run的博客

使用硬件编码，gstreamer推rtsp流至平台

道路病害检测项目方案一、项目背景和意义1.1项目背景截止至 2021年底，全国公路总里程达到519.8万公里，总道路通车里程稳居世界第一。公路建设的迅猛发展不仅让人们的出行变得更加便捷，也在一定程度上促进了我国经济的发展。随着公路里程数的不断增加以及其使用时间的增长，使得路面的保养维护工作变得尤为重要，完善的路面养护系统能够延长路面的使用寿命，保障人们安全日常出行。路面病害是衡量路面质量的一个重要指标，在公路建成投入使用后，因车辆荷载及环境的影响，路面会出现各种各样的病害现象，这些病害.

python监测线程以及FTP文件上传

前言在做自动驾驶的过程中，很常见的一个问题就是，你拥有摄像头的数据，也拥有雷达数据，这时候要怎么融合呢？这时候我们想到了常见的多目标匹配算法：匈牙利算法和KM算法，因为匈牙利算法是没有带权重的，而我们这种场景很显然想要的就是谁离我更近我要谁，当然选用KM算法更为合适。在这篇，先介绍匈牙利算法，有助于理解，实际上KM算法就是在匈牙利算法上添加了权重而已。具体算法介绍网上特别多，大家可以看下这链接里得介绍，我这里主要给实现方式，代码注释，已经调用方法https://zhuanla.

1、卡尔曼滤波的五大公式系统的状态方程为：这个状态方程是根据上一时刻的状态和控制变量来推测此刻的状态，wk-1是服从高斯分布的噪声，是预测过程的噪声，它对应了 xk 中每个分量的噪声，是期望为 0，协方差为 Q 的高斯白噪声wk-1~N(0,Q),Q即下文的过程激励噪声Q.观测方程为：vk是观测的噪声，服从高斯分布，vk~N(0,R),R即下文的测量噪声R。卡尔曼滤波算法有两个基本假设: ( 1) 信息过程的足够精确的模型，是由白噪声所激发的线性( 也可以是时变的) 动态系统..

1、前言确实是好久没有写博客了，好多朋友一直催我写融合得，接下来我更新快点，接着上一篇(210条消息) 摄像头与激光雷达微波雷达的融合算法之二标定_xiao__run的博客-优快云博客继续介绍，接下来我介绍如何进行关联匹配...

我这里有一个start.sh文件脚本需要设置为自启，具体操作如下：1、建立rc-local.service文件sudo vi /etc/systemd/system/rc-local.service2、将下列内容复制进rc-local.service文件################################################[Unit]Description=/etc/rc.local CompatibilityConditionPathExists=/

1、配置文件格式讲解参考glib官网APIhttps://developer.gnome.org/glib/2.60/glib-Key-value-file-parser.htmlGKeyFile允许您解析、编辑或创建包含键值对组的文件，因为缺少更好的名称，我们将其称为“key files”。 现在，一些free desktop.org规范使用key files，例如 Desktop Entry Specification 和 Icon Theme Specification.。Deskt

1、背景 通常我们检测出目标结果后，通常还需要与其他设备进行通信，例如将检测结构化数据进行json或者protobuf序列化，通过udp发送至客户端，此时就需要我们进一步开发，在这篇文章里我们采用deepstream框架进行开发的，需要对gstreamer有一定程度了解，才能进行进一步开发，我们以json UDP发送为例，最红客户端接收的json示例如下：接受代码如下，由于前四个字节是头：import socketimport jsonbufsize=10240...

1、背景 在医院、机场、车站等场所中，需要对行人进行实时口罩检测。本文基于NVIDIA TLT工具，介绍口罩检测模型的训练及部署方法，实现在嵌入式端实时处理的效果。在嵌入式上部署推理性能表如下，可以看到裁剪后的模型，即使在 Jetson Nano平台上也能跑搭配20帧，做到实时处理的效果。流程如下2、 安装2.1 docker部署安装 首先部署一下容器环境，进入容器环境中2.2、训练步骤总体来说分为8步骤 1、下载预...

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言 一、pytorch训练数据、测试 二、转换成tensorrt模型engine 1.模型转换 2.接摄像头模型测试 总结前言最近接到有个目标分类的需求，需要使用jetson-nano海康摄像头针对在大规模农业种植中传统人工农作物病虫害预防和治理上存在的问题同，应用深度学习算法来进行农作物病虫害的检测，对农作物荧光图片进行病害识别检测，包含多个农作物物种。采用目前流行的深度网络结构，如深度

需求介绍客户端请求输入一段视频或者一个视频流，输出人数或其他目标数量，上报给上层服务器端，即提供一个http API调用算法统计出人数，最终http上报总人数相关技术 python pytorch opencv http协议 post请求FlaskFlask是一个Python实现web开发的微框架，对于像我对web框架不熟悉的人来说还是比较容易上手的。Flask安装sudo pip install Flask一个简单服务器应用为了稍微了解一下flask是如何使用的，先做一个简单的服

思路：opencv读取视频 —> 将视频分割为帧 —> 将每一帧进行需求加工后 —>目标检测----> 将此帧写入pipe管道 —> 利用ffmpeg进行推流直播pipe管道：利用这个特点, 把处理后的图片放入管道, 让ffmpeg读取处理后的图像帧并进行rtmp推流即可直接读取摄像头版本的代码import subprocess as sprtmpUrl = "'rtmp://localhost:1935/live_original/4"camera_path

多激光雷达与摄像头的融合算法（二）

软件库：pytorch + numpy+opencv硬件 1080ti描述：速度: 只运行 yolov5 检测, 速率大概为 75 fps, 添加 deep_sort 多目标追踪后, 速率大概为35 fps (显卡 GTX1080Ti.)添加了每一类目标计数的功能https://github.com/xiaorun2345/yolov5-deepsort...

一、 项目描述针对在大规模农业种植中传统人工农作物病虫害预防和治理上存在的问题同，应用深度学习算法来进行农作物病虫害的检测，对农作物荧光图片进行病害识别检测，包含多个农作物物种。采用目前流行的深度网络结构，如深度神经网络图像进行特征抽取，采用交叉熵和正则化项组成损失函数进行反向传播调整,对数据集进行不同情况的划分；并且使用迁移训练训练方式，最终达到根据摄像头采集的荧光照片能够分析出该植物可能有的病症。二、 识别系统设计如下图所示：三 实验步骤实验采用python编程语言，版本为3.7，以及深度

智慧城市——人数统计 与车辆统计方法研究https://github.com/yehengchen/Object-Detection-and-Tracking

2020年得第一篇博客，真是好长时间没发博客，这半年里毕业到一家公司之后比较忙，不发博客内心是比较着急，总觉得没记录点啥。年底了，写点东西吧，不然csdn恐怕要取消我博客专家的评级了。接下俩我分两章介绍一下文章，小编手里有两个传感器，6个激光雷达与摄像头，还有一个微波摄像头，需要将这些传感器进行融合输出目标列表。第一篇讲解如何进行通信，后面第二章讲解具体算法实现。激光雷达可以获取目标前方的环境...

我们来创建一个简单的程序:通过调节滑动条来设定画板颜色。我们要创建一个窗口来显示显色,还有三个滑动条来设置 B,G,R 的颜色。当我们滑动滚动条是窗口的颜色也会发生相应改变。默认情况下窗口的起始颜色为黑。

我先上下结果图吧，效果勉强还行，在这里我只训练了行人，官网的weights是coco数据集训练的，有80类；1、YOLOV3目标检测关于yolov3的原理我在这里就不解释了，可谷歌学术自行阅读，说实话yolov3的效果着实不错，但是源码是C的，不依赖其他任何库，看的云里雾里，在这里我用的darknet训练的，利用tensorflow+keras进行测试的；关于tensorflow+kera...

1 原理车道线检测是无人车系统里感知模块的重要组成部分。利用视觉算法的车道线检测解决方案是一种较为常见解决方案。视觉检测方案主要基于图像算法,检测出图片中行车道路的车道线标志区域。高速公路上的车道线检测是一项具有挑战性的任务,由于车道线标志的种类繁多,车辆拥挤造成车道线标志区域被遮挡,车道线可能有腐蚀磨损的情况,以及天气等因素都能给车道线检测任务带来不小的挑战。过去,大部分车道线检测算法基本是...

前篇博文涉及到了使用四路鱼眼图像拼接并识别车位线，这个过程涉及到鱼眼图像的标定，矫正以及裁剪，这篇博文我就就这个工作详细介绍一下，工作流程如下：1采集图像首先采用opencv采集到棋盘格图像，大约２０几张，我的棋盘格是１１x8个角点，６０mm大小．如下：2　标定图像将２０几张图像放入一个文件夹，标定得出内参与畸变参数：，代码如下，opencv3版本与pythonimport cv2im...

１　引言　　在前篇博客中，小博介绍了车位检测得一些方法，当车位识别出来其实就是将车位在图像坐标系中得坐标(u,v)给找出来，但是给出图像坐标是无法提供给决策层去倒车入库得，我们需要提供得是3D坐标，接下来本篇略浅得讲下视觉定位的知识，如何从鱼眼相机2D图像坐标到3D坐标。在看此文之前需要具备基本得相机模型知识，我在前面博文讲过不少双目相机标定得知识，可参考前面得知识。本文参考博客http:/...

1 引言：最近英伟达发布了新的硬件，号称Nvidia良心之作的99美元AI硬件Jetson-Nano:国内售价899元，可参考店家，可加群讨论，加群附上：Jetson-Nano 群号193369905https://item.taobao.com/item.htm?spm=a2126o.11854294.0.0.71ce4831dmvb9w&id=593522489685&...

1、引言这节我们将介绍图像分类问题，任务是给定一个输入图片，将其指派到一个已知的混合类别中的某一个标签。图像分类是计算机视觉领域的核心问题之一，尽管它很（看上去）很简单，但是却有广泛的实践应用。而且，在之后的我将会使用tensorlfow 实现图像分割，许多其他的看上去不同的计算机视觉任务（例如物体识别，分割），都能够还原成图像分类。例如，在下图中，一个图像分类模型将一个图片分配给四个类别（c...

直接接到一个小项目开发，是做公园的人流量统计，涉及到很多方面的知识，小编在这里记录一下流程，涉及行人识别，多目标追踪，匹配等知识。参考国外博文，这是一个opencv学习的很好的网站。小编就是从这位大佬博客入手学习的计算机视觉，特此感谢。https://www.pyimagesearch.com/2018/07/23/simple-object-tracking-with-opencv/１、...

下面给出两个多线程实例，大家可自行学习多线程# -- coding: utf-8 --import cv2import numpy as np#引入多线程模块import threadingi=1t_lock=threading.Lock()class read_frame(threading.Thread): def __init__(self,cap): ...

感谢这位作者https://blog.youkuaiyun.com/qq_36852276/article/details/907611221.理论基础首先要了解UDP的工作模式对于服务器，首先绑定IP和端口，本机测试的时候可以使用127.0.0.1是本机的专有IP，端口号 大于1024的是自定义的，所以用大于1024的端口号，然后接收客户端数据，处理，返回对于客户端，UDP不用建立连接，只管发送不...

谢谢整理的这位大佬转自https://www.zhihu.com/org/bei-jing-zhang-liang-wu-xian-ke-ji-you-xian-gong-si/posts一年一度的校园招聘已经开始了，为了帮助参加校园招聘、社招的同学更好的准备面试，SIGAI整理出了一些常见的机器学习、深度学习面试题。理解它们，对你通过技术面试非常有帮助，当然，我们不能只限于会做这些题目，最终...

目标检测是计算机视觉和模式识别的重要研究方向，主要是确定图像中是否有感兴趣的目标存在，并对其进行探测和精确定位。传统的目标检测流程采用滑动窗口进行区域选择，然后采用 SIFT、HOG 等方法进行特征提取，最后采用 SVM、Adaboost 进行类别判断。但是传统的目标检测方法面临的主要问题有：特征提取鲁棒性差，不能反应光照变化、背景多样等情况；区域选择没有针对性，时间复杂度高，窗口冗余。基于深度学...

小编最近太忙，在潜心研究如何检测渔网，好让ROV避开破损丢弃的渔网，一直没有折腾rov, 一直好多人问我bluerov咋么使用usb摄像头，我没时间看源码，所以、先直接拿USB换CSI，发现不成功，于是我就想到了mjpg-streamer,经过调试，成功实现，在这露我先贴出这段源码吧，我不仅调用了一下，还实现了在线检测，由于只是测试，就检测了下人脸，至于bluerov的源码编译，我明天再贴出来吧，小

代码是最为耐心、最能忍耐和最令人愉快的伙伴，在任何艰难困苦的时刻，它都不会抛弃你（开场白） 长时间不写博客，我总感觉自己没有做事情，最近一直在做目标检测，想结合一下双目视觉，做立体检测，于是就研究了一下双目视觉，参考了很多人的相关博客，在这里，特意表示感谢一下。 使用Opencv实现张正友法相机标定之前，有几个问题事先要确认一下，那就是相机为什么需要标定，标定需要的输入和输出分别是哪些？相机标定

检测或者训练有问题的可发邮件咨询小编，小编尽力解答1039463596@qq.com 好吧，正式开始跑程序（其实官网都有） 这篇文章是训练YOLO v2过程中的经验总结，我使用YOLO v2训练一组自己的数据，训练后的model，在阈值为.25的情况下，Recall值是95.54%，Precision 是97.27%。 需要注意的是，这一训练过程可能只对我自己的训练集有效，因为我是根据我这一训

小编来自水下机器人社区193369905，里面小编给出了很多资料 在本贴中，小编“我”分享了如何使用python 代码(及 OpenCV)在Jetson TX2上抓取和显示摄像头影像，包括IP摄像头, USB 网络摄像头和Jetson板载摄像头.这个简单代码也同样可以在Jetson TX1上运行。 1 准备工作 需要在Jetson TX2上安装 GStreamer 支持的 python

基于图像的人数统计属于模式识别问题，可应用于安防领域。传统的方法包括：1）视频捕获；2）目标提取（背景建模、前景分析）——常见方法有高斯背景建模、帧差法、三帧差法等；3）目标识别（模式识别、特征点分析），如人脸识别，头肩部识别等，OpenCV里可以使用Hear特征、级联分类器来进行特征检测；4）目标跟踪——基本方法有直方图特征匹配和运动目标连续性匹配，opencv里可以使用CamShift算法直接对

由于最近在做一个只能设备，需要实时传输视频，并且要调用mjpg-stream视频流进行图像处理。为了研究如何调取这个视频流，小硕就在树莓派上做了这个实验 1.在树莓派安装 编译/运行 Mjpg-Streamer 网络摄像头（电脑在ubuntu下也可以），首先我们需要想办法提取图像安装依赖。**sudo apt-get install libv4l-dev libjpeg-dev**２.下载代码，并

在这篇文章里，我将会用python-opencv实现Ｍeanshift，我将给出用鼠标框出追踪目标，实现追踪。 基于MeanShift的Camshift算法原理详解(整理) meanshift算法思想其实很简单：利用概率密度的梯度爬升来寻找局部最优。它要做的就是输入一个在图像的范围，然后一直迭代（朝着重心迭代）直到满足你的要求为止。但是他是怎么用于做图像跟踪的呢？这是我自从学习meanshift

在图像处理中，我们经常需要通过设备对场景进行录像，拍照，以及视频处理等工作，本文将具体介绍一下利用python 实现一下这些功能。 配置环境 首先安装python-opencv ，在前面的文章我已经介绍过了，只需要一行命令即可sudo apt-get install python-opencv安装完openv 之后，我们即可操作了。 摄像头获取： 在这里我的VideoCapture(1),由

现在一系列的文章，有不少算法都于去雾有关，比如限制对比度自适应直方图均衡化算法原理、实现及效果、局部自适应自动色阶/对比度算法在图像增强上的应用这两个增强算法都有一定的去雾能力，而最直接的就是《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果及其他 一文，描述了暗通道去雾这一state-of-the-art a

在平常使用图像处理中的时候，例如检测追踪的时候，我们经常需要用到画图函数，例如手动标定一个目标，调用鼠标时间，然后进行追踪，或者检测完一个目标，画上矩形或者其他形状，然后进行追踪，这些都是做图像处理的基础。接下来我将对几个常见的函数进行讲解，并给出几个平常追踪的例子。 　　使用opencv 中cv2.line(),cv2.circle(),cv2.rectangle(),cv2.ellipse()