https://download.csdn.net/download/qq_41739364/86339152
2024/11/2 16:33:25
2.08MB
1
摄像测量学(Videometrics或Videogrammetry)是近十几年来国际上迅速发展起来的新兴交叉学科。
它主要是由传统的摄影测量学(Photogrammetry)、光学测量(OpticalMeasurement)与现代时尚的计算机视觉(ComputerVision)和数字图像处理分析(DigitalImageProcessingandAnalysis)等学科交叉、融合,取各学科的优势和长处而形成的。
它的处理对象以数字(视频)序列图像为主。
它主要是由传统的摄影测量学(Photogrammetry)、光学测量(OpticalMeasurement)与现代时尚的计算机视觉(ComputerVision)和数字图像处理分析(DigitalImageProcessingandAnalysis)等学科交叉、融合,取各学科的优势和长处而形成的。
它的处理对象以数字(视频)序列图像为主。
2024/1/27 21:46:56
4.46MB
1
针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。
以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。
最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。
实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。
以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。
最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。
实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。
2023/9/29 1:55:43
1.44MB
1
均值漂移算法meanshiftTrack一、实验内容完成基于MeanShift的目标跟踪算法，红框标出目标区域实现实时追踪。
二、算法原理1.在当前帧，计算候选目标的特征2.计算候选目标与初始目标的相似度3.计算权值4.利用MeanShift算法，计算目标新位置在这里插入图片描述5.若新目标中心需位于原目标中心附近，则停止，否则转步骤2三、思路流程截取跟踪目标矩阵rect；
求取跟踪目标的加权直方图hist1；
读取视频序列中的一帧，先随机取一块与rect等大的矩形，计算加权直方图hist2；
计算两者比重函数，如果后者差距过大，更新新的矩阵中心Y，进行迭代（MeanShift是一种变步长可以迅速接近概率密度峰值的方法），直至一定条件（移动步长平方和大于0.5或超过20次迭代）后停止。
二、算法原理1.在当前帧，计算候选目标的特征2.计算候选目标与初始目标的相似度3.计算权值4.利用MeanShift算法，计算目标新位置在这里插入图片描述5.若新目标中心需位于原目标中心附近，则停止，否则转步骤2三、思路流程截取跟踪目标矩阵rect；
求取跟踪目标的加权直方图hist1；
读取视频序列中的一帧，先随机取一块与rect等大的矩形，计算加权直方图hist2；
计算两者比重函数，如果后者差距过大，更新新的矩阵中心Y，进行迭代（MeanShift是一种变步长可以迅速接近概率密度峰值的方法），直至一定条件（移动步长平方和大于0.5或超过20次迭代）后停止。
2023/8/2 9:24:56
187.81MB
1
第一篇 底子学识第1章 图像/视频底子学识第2章 图像缩放第3章 图像品质增强底子本领第4章 超分说率规复本领第二篇 基于重修的超分说率规复第5章 基于重修的图像超分说率规复本领概述第6章 凸集投影以及最大后验概率估量第7章 基于mrf模子的map图像超分说率规复第8章 基于梯度矢量流解放的图像超分说率规复第9章 基于货物的监控视频超分说率规复第10章 基于权值矩阵的超分说率盲规复第11章 基于小波变更域的超分说率规复第12章 基于单帧高分说率图像的视频序列超分说率规复第三篇 基于学习的超分说率规复第13章 基于学习的超分说率规复本领概述第14章 基于示例学习的超分说率规复算法第15章 基于多类料想器学习的超分说率规复第16章 基于学习的人脸图像超分说率规复第四篇 高动态规模展现第17章 高动态规模图像可视化本领概述第18章 基于自顺应细节增强的高动态规模图像可视化第五篇 超分说率规复本领的阻滞趋向第19章 超分说率规复本领的阻滞趋向
2023/5/3 9:58:06
38.89MB
1
本法度圭表标准经由对于收集到的视频序枚举行阐发，付与配景差法以及自顺应配景更新的方式对于，进入视频序列或者摄像头中的人体举行自动检测
2023/4/18 5:04:54
6KB
1
针对于视频序列行为目的检测易受情景噪声干扰、提取目的外表难题的下场,提出了一种基于边缘多通道梯度改善模子的多行为目的检测算法。
起首,行使Canny算子患上到视频序列中目的的边缘信息,并依据人类视觉色调的恒常特色,对于目的边缘建树功夫、空间、色调多通道梯度模子;而后,行使该模子患上到目的边缘像素点的行为外形描摹信息,实现配景边缘以及行为物体边缘的离散;末了,将陆续边缘像素点与其邻域点的行为外形相联系瓜葛,以毗邻目的陆续边缘,实现行为目的外表的提取,并将毗邻后的外表举行外形学处置以联系出目的。
试验下场评释,与同尺度算法相比,本算法内行为目的检测中具备的实时性、准确性以及鲁棒性更好。
起首,行使Canny算子患上到视频序列中目的的边缘信息,并依据人类视觉色调的恒常特色,对于目的边缘建树功夫、空间、色调多通道梯度模子;而后,行使该模子患上到目的边缘像素点的行为外形描摹信息,实现配景边缘以及行为物体边缘的离散;末了,将陆续边缘像素点与其邻域点的行为外形相联系瓜葛,以毗邻目的陆续边缘,实现行为目的外表的提取,并将毗邻后的外表举行外形学处置以联系出目的。
试验下场评释,与同尺度算法相比,本算法内行为目的检测中具备的实时性、准确性以及鲁棒性更好。
2023/4/8 17:49:19
2.85MB
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