本文设计了一种基于支持向量机（SVM）的运动目标识别算法，以对运动目标进行准确的识别和分类。
鉴于支持向量机在小样本，非线性和高维模式识别方面的优势，构造了一种基于支持向量机的分类器。
利用形状特征构成的特征向量分类样本对支持向量机进行训练和分类，结合支持向量机和二叉决策树构成多分类器。
对象特征向量用作SVM的输入，我们将使用分类器对检测到的运动对象进行分类。
实验结果表明，该算法能够准确识别和分类视频图像中的不同对象。
鉴于支持向量机在小样本，非线性和高维模式识别方面的优势，构造了一种基于支持向量机的分类器。
利用形状特征构成的特征向量分类样本对支持向量机进行训练和分类，结合支持向量机和二叉决策树构成多分类器。
对象特征向量用作SVM的输入，我们将使用分类器对检测到的运动对象进行分类。
实验结果表明，该算法能够准确识别和分类视频图像中的不同对象。
2021/9/4 2:30:54
299KB
1
手脸近距遮挡属于深度传感器应用中具有代表性的难点问题，针对该问题提出了一种综合利用颜色与深度信息的手势识别方法。
采用核模糊C-均值聚类，对手脸遮挡图像进行粗分割和灰度增强，实现手脸分离。
引入初始化水平集函数，处理聚类方法导致的手势区域像元缺失问题。
利用基于深度信息的梯度方向直方图(HOG)特征对手势进行分类识别。
通过采集不同人体手脸近距遮挡情形下的多种手势图像建立了样本数据库，进行了对比实验，实验结果验证了该方法的可行性和有效性。
本文方法能有效分离近距遮挡的手和脸，提取得到相对完整的手势信息，深度HOG特征能够对手势空间信息进行精确描述，具有比传统形状特征更准确的识别效果。
采用核模糊C-均值聚类，对手脸遮挡图像进行粗分割和灰度增强，实现手脸分离。
引入初始化水平集函数，处理聚类方法导致的手势区域像元缺失问题。
利用基于深度信息的梯度方向直方图(HOG)特征对手势进行分类识别。
通过采集不同人体手脸近距遮挡情形下的多种手势图像建立了样本数据库，进行了对比实验，实验结果验证了该方法的可行性和有效性。
本文方法能有效分离近距遮挡的手和脸，提取得到相对完整的手势信息，深度HOG特征能够对手势空间信息进行精确描述，具有比传统形状特征更准确的识别效果。
2018/1/7 4:29:25
11.61MB
1
本资源主要分为三个部分：车牌定位字符分割字符识别，每个部分都可单独运行。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
2016/3/27 9:11:01
47.82MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB