作者：BERNTSCHIELE其是计算机视觉以及模式识别方面权威人士，本文重点总结HOG+SVM在分类识别方面的性能，并同其它算法如Adboost,Shapemodebased等都作为了比较，相信对于这方面技术比较感性趣的朋友读完此文之后，对于整个识别算法方面有一个比较全面的了解！
2023/11/11 7:07:05
2.66MB
1
基于SVM与人工神经网络的车牌识别算法，使用了OpenCV的图像处理函数，在VS2013+OpenCV2.4.9平台上实现
2023/10/18 19:02:24
15.12MB
1
给大家分享一个我写的用FPGA实现的实时连通区识别源代码。
具体介绍请看下文。
源代码附件里有，或者给我发邮件索取此算法的特点是：1）仅用一片低端FPGA即可实现，无需外接任何存储器。
用Xilinx的LX25就能装下，大概只用了十几个块RAM，其余的逻辑也不多。
2）实时性高，延时固定且很小。
由于该方法进行的是并行流水线处理，即对图像扫描一遍就可完成对所有连通区域的识别，因此识别每个连通区域的延时都是固定的，并不会因为图像中连通区域多，延时就增加。
该延时也很小，约扫描十几行图像的时间。
其实该算法用嵌入式cpu或dsp也可以实现，也可以做到消耗内存少，延时小。
3）能同时给出连通区域的各种统计信息。
该方法在识别出连通区域的同时还能给出该连通区域的面积、周长、外切矩形中心点坐标等统计信息。
还可以统计出该连通区内某特定颜色的点有多少个之类的信息。
4）可靠性高。
对一些特殊形状的连通区，例如U型W型等，都能识别并给出正确的统计信息。
具体介绍请看下文。
源代码附件里有，或者给我发邮件索取此算法的特点是：1）仅用一片低端FPGA即可实现，无需外接任何存储器。
用Xilinx的LX25就能装下，大概只用了十几个块RAM，其余的逻辑也不多。
2）实时性高，延时固定且很小。
由于该方法进行的是并行流水线处理，即对图像扫描一遍就可完成对所有连通区域的识别，因此识别每个连通区域的延时都是固定的，并不会因为图像中连通区域多，延时就增加。
该延时也很小，约扫描十几行图像的时间。
其实该算法用嵌入式cpu或dsp也可以实现，也可以做到消耗内存少，延时小。
3）能同时给出连通区域的各种统计信息。
该方法在识别出连通区域的同时还能给出该连通区域的面积、周长、外切矩形中心点坐标等统计信息。
还可以统计出该连通区内某特定颜色的点有多少个之类的信息。
4）可靠性高。
对一些特殊形状的连通区，例如U型W型等，都能识别并给出正确的统计信息。
2023/10/2 11:07:01
559KB
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