xiao__run的博客

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...

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...

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

一、路端场景应用在车路协同中，我们感知的时候经常需要把感知的目标转为经纬度，由此包括图像、雷达坐标转真实世界坐标，世界坐标转WGS84坐标。例如感知到目标经纬度求速度，已知两点经纬度求距离；已知当前雷达84坐标，和雷达前方一障碍物84坐标，求此障碍物与雷达的连线与正北方向夹角；已知雷达84坐标与障碍物相对于雷达的距离，求此障碍物84坐标可转化为以下几个问题处理二、解决问题1、已知两点经纬度，求两点间距离；2、已知两点经纬度，求一点相对于另一点航向；3、已知一点经纬度及与另一点距离和航向，求另一

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

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...

多目标追踪论文代码集锦：https://github.com/SpyderXu/multi-object-tracking-paper-list

本文转自https://zhuanlan.zhihu.com/p/23444244　　　　　　卷积神经网络（CNN）可以说是目前处理图像最有力的工具了。而在机器学习分类问题中，样本不平衡又是一个经常遇到的问题。最近在使用CNN进行图片分类时，发现CNN对训练集样本不平衡问题很敏感。在网上搜索了一下，发现这篇文章https://link.zhihu.com/?target=http%3A//www...

１、引言自动泊车的博客小编已经写了好几篇了，但是部分都没有代码，今天我从鱼眼相机图像到鸟瞰变换之间的变换写一篇博客，以记录这段过程首先我们看下车位的鱼眼图像我们已经通过标定得到了内参与畸变参数，接下来我们进行矫正，由于矫正会损失好多有效信息，这里我给出两个opencv 的ＡＰＩ，我们看下fisheye::estimateNewCameraMatrixForUndistortRectify(...

在这我以mnist数据集为例，简单的搭建了一个７层网络，其余参数与前一博客相同，此代码结合前一篇即可完成自己的数据集训练。import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data/", one_ho...

软件 ：ubuntu +numpy +tensorflow硬件：GPU神经网络的内容一般，一个神经网络程序包含以下几部分内容。1.数据表达和特征提取。对于一个非深度学习神经网络，主要影响其模型准确度的因素就是数据表达和特征提取。同样的一组数据，在欧式空间和非欧空间，就会有着不同的分布。有时候换一种思考问题的思路就会使得问题变得简单。所以选择合适的数据表达可以极大的降低解决问题的难度。同样，...

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...

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 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...

NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。这里主要以人脸检测与车辆检测中的应用为例，来说明NMS人脸检测的一些概念（1） 绝大部分人脸检测器的核心是分类器，即给定一个尺寸固定图片，分类器判断是或者不是人脸；（2）将分类器进化为检测器的关键是：在原始图像上从多个尺度产生窗口，并resize到固定...

最近想学下传统机器学习方法来实现目标检测，从头到尾下来记录下自己的代码过程行人检测加粗样式数据集准备：INRIA行人检测数据集百度云下载，http://pan.baidu.com/s/1eSdlw7g下载完之后我们解压可以看到数据集文件分布INRIADATA{**加粗样式** normalized_images{ train{ pos:96x1...

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...

目录一线性可分二分类问题二 线性不可分割问题三线性不可分多三分类问题支持向量机（SVM）中最核心的是什么？个人理解就是前4个字——“支持向量”，一旦在两类或多累样本集中定位到某些特定的点作为支持向量，就可以依据这些支持向量计算出来分类超平面，再依据超平面对类别进行归类划分就是水到渠成的事了。有必要回顾一下什么是支持向量机中的支持向量。上图中需要对红色和蓝色的两类训练样本进行区分，实现绿线是决策面（

小博极其喜欢这位人工智能领域大牛，非常膜拜，早在他出机器学习的课程的时候，就对机器学习产生了浓厚的兴趣，最近他又推出深度学习的课程，实在是又大火了一把，小博怎能不关注呢，我也跟随着吴恩达老师慢慢敲开深度学习的大门。 吴恩达是斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。吴恩达主要成就在机器学习和人工智能领域，他是人工智能和机器学习领域最权威的学者之一。 2010年，时任斯坦福大

TX2如何刷机，安装caffe,cuda,cudnn，请参考我的上一篇博客http://blog.youkuaiyun.com/xiao__run/article/details/78776834 YOLOv2安装 1.获取源码git clone https://github.com/pjreddie/darknetcd darknet2.修改Makefile  我们打开MakeFile文件：   na

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

Jetson TX1是英伟达公司出的GPU开发板，拥有世界上先进的嵌入式视觉计算系统，提供高性能、新技术和极佳的开发平台。虽然TX2已经出了，可以买到，但是为了稳妥起见，还是先买个TX1试试水，以后再升级吧。TX1的包装还是蛮精致的：     先来张全家福吧，可以看到，Jetson TX1包含：一块开发板、WIFI天线、电源适配器(在指定淘宝买，缺少插座现，需要自己买)、Micro USB线(下

图片重命名、目标检测标注、生成xml Main文件 VOC数据集格式 VOCdevkit …..VOC2007 …..Annotations …..JPEGImages …..ImageSets ……Main ...

如何在嵌入式设备上跑通实时目标检测实在是太重要了，平常由于我们手上没有大显卡，只有一台笔记本或者一块小树莓派，毕竟大显卡非常昂贵，一块1080pi或者泰坦都得1w+ ,这些对于我们打工族来说实在是天价，前段时间微软开源了Moblenet，模型不到20M，精度也不低，刚好符合我们的要求，既然好用大家就应该拿来用，于是小编迫不及待用caffe实现了下，在此分享给大家，自己也有所记录。 首先我们看下效...

1、opencv3.3以上版本安装忽略，见博客效果图 在OpenCV3.3版本发布中把DNN模块从扩展模块移到了OpenCV正式发布模块中，当前DNN模块最早来自Tiny-dnn，可以加载预先训练好的Caffe模型数据，OpenCV做了近一步扩展支持所有主流的深度学习框架训练生成与导出模型数据加载，常见的有如下： Caffe TensorFlow Torch/PyTorch ...

我在学习深度学习的过程中遇到了很多坑，刚开始时配置一个深度学习框架caffe需要一周，现在只需要一个小时。下面的这些网页给了我很大的帮助。希望也能给一些对深度学习感兴趣的同学一点帮助。 1.爆详细Ubuntu16.04,CUDA8.0,Caffe,OpenCV3.1,Theano,Tensorflow完全配置指南（Ubuntu16.04的编译器GCC默认是5.1，可能需要降级） http://...

提起目标跟踪，大家可能会想起的就是camshift，但是camshift跟踪往往达不到我们的跟踪要求，包括稳定性和准确性。opencv3.1版本发行后，集成了多个跟踪算法，但需要扩展模块，即tracker，大部分都是近年VOT竞赛榜上有名的算法，虽然仍有缺陷存在，但效果还不错。 下面我提供C++ 版本和python版本，大家自行测试#include <opencv2/opencv....

这段时间小编参加了一个叫prcv的挑战赛，其中就有一个项目是多标签图像分类，可是小编一直使用的是caffe框架，这给这个任务带来了比较大的挑战，据说可以通过修改caffe源码来实现多标签分类问题，但是我觉得太麻烦了，也不想去修改我的caffe源码，毕竟caffe也不太好安装，tensorflow,keas等框架小编半生不熟，经过搜索，打听到mxnet比较适合解决这个问题，于是小编开始摸索mxnet...

暂且贴出代码记录下，省的弄丢了，后面我有时间再修改，哈哈import tensorflow as tfimport osfrom PIL import Imageimport matplotlib.pyplot as pltimport numpy as np'''#当制作数据集取消注释，将读数据给注释掉cwd='/home/xiaorun/deeplerning/class...

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...

今天初次接触关于恩智浦的芯片，发现里面涉及opexcv部分知识，头疼不已，现将学习的记录下吧 1、读入图片 我们通过opencv读入图片，然后转换成opexcv数据类型Vsdk Umatvsdk::UMat image = cv::imread("in_color_256x256.png", CV_LOAD_IMAGE_COLOR).getUMat(cv::ACCESS_RW);// ...

Faster-R-CNN算法由两大模块组成：1.PRN候选框提取模块 2.Fast R-CNN检测模块。其中，RPN是全卷积神经网络，用于提取候选框；Fast R-CNN基于RPN提取的proposal检测并识别proposal中的目标。