#3D_Garment_Tryon_System3D虚拟试衣系统随着网络的普及和虚拟现实技术的发展，三维虚拟试衣技术已成为国内外学术界普遍关注和研究的重要课题。
三维服装虚拟试衣系统(3DGarmentVirtualTry-OnSystem)主要包括四个部分：用户试衣时的人体识别、姿势检测；
三维虚拟人体模型的构建与匹配，三维虚拟衣物模型的构建，三维衣物在虚拟人体的着装试穿。
目前我们在三维试衣系统相关理论的基础上，从研究三维人体、衣物建模理论出发，结合物理模型、图形处理等方法，实现了以上四个部分，并对其中一些关键技术进行了研究。
人体识别和姿势检测的研究方面，针对精准度要求较高的情况，我们采用N-best人体识别模型，用深度置信神经网络来对模型进行训练，能够检测出图片中任意姿势各个身体部件；
针对实时性要求较高的情况，我们采用SVM模型，可以判断出几种常见的人们试衣时的动作。
三维虚拟人体建模中，首先我们建立集成于软件中的人体模型库，主要是使用专用的三维人体造型软件Poser，将其中人体模型导出为OBJ文件，再根据OBJ文件的存储格式，提取出人体曲面的顶点信息，然后采用稀疏表示和三角剖分技术，利用一个个小三角形来逼近人体各部件的曲面；
而用户人体模型则是根据用户输入的人体信息，查找模型库中相匹配的人体模型并进行一定调整，最后结合检测到的用户姿势来展示用户特定的人体模型。
对于虚拟试衣，通过衣片三角剖分优化、二维到三维的转化、三维衣片虚拟缝合，构建了简单的衣物模型，基于碰撞检测技术，研究并实现了衣物虚拟穿在了人体模型身上的真实样子，如有褶皱、垂悬等等效果。

机器学习方面的三篇短小的文章，关于该领域面临问题，深度学习和稀疏表示的概要介绍。

基于稀疏表示的人脸识别代码，用MATLAB写的，具体算法参考论文：RobustFaceRecognitionbasedonSparseRepresentation

囊括了当今压缩感知领域信号(图像)稀疏表示重构的经典算法(BP,MP,OMP,StOMP,IST,PFP...),由于本人上传文件限额的限制，这里重点只给大家上传了算法的matlab版code(Solvers文件夹中)

最近的研究表明，稀疏表示（SR）可以很好地解决许多计算机视觉问题，并且其内核版本具有强大的分类能力。
在本文中，我们解决了协作SR在半监督图像注释中的应用，该方法可以增加标记图像的数量，以进一步用于训练图像分类器。
给定一组标记的（训练）图像和一组未标记的（测试）图像，通常的SR方法（我们称为正向SR）用于用几个标记的图像表示每个未标记的图像，然后根据这些标记的注释的注释。
但是，就我们所知，SR方法是在相反的方向上进行的，即我们称呼后向SR来用几个未标记图像表示每个标记图像，然后根据标记图像的注释对任何未标记图像进行注释，即未标记图像由后向SR选择表示，到目前为止尚未解决。
在本文中，我们探

最新的基于稀疏表示的人脸识别程序，用Matlab编写，包括了快速算法的实现，是目前识别率和效率较高的最新人脸识别技术的具体算法实现，不可多得！希望能帮助大家！

稀疏表示作为阵列信号处理领域的重要研究方向，现在受到了越来越多人们的关注，这一综述有助于大家了解这一领域的研究进展。

为进一步强化航道安全，解决海事CCTV人工值守、非自动化问题，提出了基于稀疏表示的船体检测方法。
利用稀疏表示实现对船体的检测时，首先构建样本特征矩阵，然后利用K-SVD算法对样本特征矩阵进行学习，得到冗余字典，最后对测试样本进行重构，根据马氏距离判断测试样本属性。
通过与传统方法的试验比较，实验结果表明，该算法实时性好、检测准确率高，可以很好地对CCTV视频监控的船体进行检测与跟踪，解决CCTV人工值守、非自动化问题，节省大量人力资源。

信号自顺应稀疏表示方法K-SVD，优于短时傅里叶变换

基于稀疏表示的子空间聚类算法跟各人分享一下~~~

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。