自己开发的小程序，只需输入一幅关键图，就可把本地硬盘中的所有图像文件找出来，并按与关键图的相似程度进行排序浏览，具有ACDSee的一些基本功能。
本来是在做基于内容图像检索课题研究时验证算法用的，现在想做图像搜索引擎，特请大家试用，并批评指教，与我联系：chzqw@sina.com

近年来卷积神经网络框架被成功地应用到目标跟踪领域,并取得了较为稳健的跟踪结果。
基于此思想,提出一种基于定位-分类-匹配模型的目标跟踪方法。
首先,在定位模型中,利用前一帧的位置信息预测当前帧中的候选目标区域。
然后,采用已训练的深度特征对候选区域进行类间筛选,选出N个次优目标区域。
最后,利用常规颜色特征对次优目标区域进行类内寻优匹配,从而确定最终的跟踪目标。
与此同时,分别对定位、分类中的网络进行更新,并对建立的匹配模型进行在线实时更新,使得其对目标的描述愈加准确。
在OTB50和OTB100标准数据库上进行实验测试,结果表明,提出的跟踪方法在快速运动、相似物体干扰、复杂背景等条件下具有较好的跟踪稳健性。

SAPHRHCM

本软件直观的对样品进行鉴定，验证，确认，定性和定量分析，对所有中红外，近红外和拉曼分析都适用。
TQ分析家是一个适用于各种经验水平的光谱工作者的包罗万象的方法发展平台。
特性包括:•光谱的预处理和挑选•光程处理•全面诊断•数据处理•完整的定性和定量工具•运算矫正和定量方法的可传递性TQ分析家也提供了高级特性，帮助没有经验的使用者完善高功能的分析方法。
具有人工智能的迅捷指南，引用“软件向导”，通过方法发展流程以询问基础问题，分析光谱，确定方法可行性和建议方式等指导你进行改善。
尽管TQ分析家提供指南来简化发展流程，有经验者可以直接进入方法流程。
TQ分析家软件提供了一套全面的光谱测量，分类和定量分析工具，其技术有：•检索标准品•距离匹配•相似性匹配•QC比对•判别式分析•简单Beer’s定律•步进多线性回归(SMLR)•经典最小二乘法(CLS)•部分最小二乘法(PLS)•主成分回归(PCR)作为在制造，研究，教育和共同开发的强有力工具，对于OMNICFT-IR软件和RESULT进行补充或作为独立软件包，内置的文件转换器使得多种类型的数据得到分析。
这些特性使得成为适合你需要的首选软件包！

《C#图解教程》作者：美国DanielSolis索利斯以图文并茂的方式用朴实简洁的文字并辅之以大量表格和代码示例精炼而全面地阐述了C#语言的各种特性使读者能够快速理解学习和使用C#同时《C#图解教程》还讲解了C#与VBC++等主流语言的不同点和相似之处"＞《C#图解教程》作者：美国DanielSolis索利斯以图文并茂的方式用朴实简洁的文字并辅之以大量表格和代码示例精炼而全面地阐述了C#语言的各种特性使读者能够快速理解学习和使用C#同时《C#图解教程》还讲解[更多]

通过比较两张人脸相似度判断能否是同一个人，博客说明：http://blog.csdn.net/zhong1113/article/details/25332893

该程序可以实现两个人脸的单独比对，无需大批量的图像数据库就可以直接得出两幅图像能否相似，且给出了四种图像比对方法。

对初学者的React—ReactForBeginners课程的入门文件。
快来和我一起！此存储库中的代码旨在作为与视频课程一起学习的任何人的参考点。
开始注意-依赖项之一是Xcode。
安装时，如果遇到错误消息gyp:NoXcodeorCLTversiondetected!请执行以下操作：在终端执行xcode-select--install。
删除“当天捕获”文件夹中的“node_modules”文件夹。
再次执行npminstall。
cd到catch-of-the-day，并与视频一起跟随stepped-solutions中每个编号的文件夹都包含每个相应编号的视频开头的文件（如果需要）。
因而，如果您需要任何代码，则将适当的文件拖到您catch-of-the-day文件夹中。
欢迎您提交拉取请求，但我希望代码与课程内容尽可能相似。

一个相似于小说网站的小程序

在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；
2）带抖动视频；
3）静态背景下多摄像头对多目标提取；
4）出现异常事件视频的判断等问题。
给出了在不同情况下的前景目标提取方案。
问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。
在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。
由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。
并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。
而且对我们的算法模型做了效果评价。
详细数据参考正文与附录。
问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。
在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。
在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来，再引入超像素去噪，进一步优化结果。
详细结果参考正文与附录。
问题三是在问题一、二基础上的进一步深化。
问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下。
由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型，以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法，比较两种模型效果。
具体效果见正文与附录。
问题四是对前三个问题的综合应用。
运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；
选出具有显著前景目标的参考帧，计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T，遍历所有的视频帧，计算其前景目标所占的面积，通过相减对比，判定显著前景目标。
若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1。
问题五是针对多摄像头多目标的协同跟踪问题。
在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新。
再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位。
由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信完成对多前景目标的检测。
问题六是针对监控视频中前景目标出现异常情况时判断能否有异常事件的问题。
在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。
以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较，如果重构误差大于阈值，则判为异常。

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。