FAST检测特征点+SURF描述特征点速度上要比SURF在多尺度下检测特征点后描述要快的多在自己的电脑上做了两种实验的对比，通过VS性能分析可以看到结果配置I5 2.7GHZ X64 VS2012 OPENCV249代码中大津法二值化可以直接用opencv提供的大津法接口 代码功能SURF提取描述FAST提取SURF描述特征点提取24.2%0.9%特征点描述25%14.7%特
转载
2024-04-11 09:38:04
100阅读
据说，现在很多小区都上线了AI抓拍高空抛物的黑科技，可以自动分析抛物轨迹，用来协助检查很多不文明行为。你想不想知道，这类检测视频中目标物的黑科技是怎么实现的呢？虽然不同场景下的目标检测模型训练不同，但底层技术都是一样的。这里就一步步来教一下大家如何用C++ 和OpenCV 实现视频目标检测（YOLOv4模型）。1. 实现思路读取视频流，载入
转载
2023-12-26 14:17:35
133阅读
本文翻译自Deep Learning based Object Detection using YOLOv3 with OpenCV ( Python / C++ )基于OpenCV和YOLOv3深度学习的目标检测 本文，我们学习如何在OpenCV上使用目前较为先进的目标检测技术YOLOv3。YOLOv3是当前流行的目标检测算法YOLO(You Only Look Once)的最新变种算
转载
2024-01-17 09:45:11
130阅读
OpenCV实现yolov3实时目标检测前言这是小白第一次写博客，有什么错误和不严谨的地方还希望大家多多斧正。最近在B站看了一个小哥从youtube搬来的一个视频，自己就照虎画猫跟着敲起了代码，接下来我就给大家介绍一下基本流程步骤，自己也学习学习。OpenCV是一个十分强大的开源跨平台计算机视觉库，同时提供了Python、Ruby、MATLAB等语言的接口，可以运行在Linux、Windows、A
转载
2023-10-29 09:56:15
99阅读
文章目录前言目标检测发展史及意义一、数据集的准备1.标注工具的安装2.数据集的准备3.标注数据4.解释xml文件的内容二、网络结构的介绍三、代码实现0.工程目录结构如下1.导入库2.配置GPU/CPU环境3.数据加载器4.模型构建YoloV3-tinyYoloV35.模型训练1.学习率设置2.优化器设置3.损失设置4.循环训练6.模型预测四、算法主入口YoloV3-tinyYoloV3五、训练效
在上一节内容中，介绍了如何将YOLO应用于图像目标检测中，那么在学会检测单张图像后，我们也可以利用YOLO算法实现视频流中的目标检测。将YOLO应用于视频流对象检测首先打开 yolo_video.py文件并插入以下代码：# import the necessary packages
import numpy as np
import argparse
import imutils
imp
转载
2024-04-29 10:04:48
173阅读
文章目录一、引言二、步骤概述三、深入探讨主要步骤四、结论和参考 一、引言 作为数据科学家，我们有机会对足球视频剪辑做一些分析，使用深度学习和opencv可以在视频剪辑中提取一些有趣的见解。我们可以检测所有球员+裁判员+足球，还可以根据球衣的颜色预测球员所在的球队，这些都可以实时完成 二、步骤概述 TensorFlow目标检测API是一个非常强大的资源，能够用来快速构建目标检测模型。如果你不
转载
2024-05-09 23:33:06
53阅读
文章目录1.提升模型感受野1）SPP2）ASPP3）RFB2.注意力机制1）SE2）SAMCAM（Channel Attention Module）SAM（Spatial Attention Module）3）modified SAM3.特征融合模块1）Skip Connection2）Hyper Column3）FPN4）SFAM5）ASFF6）BiFPN4.激活函数1）Swish、hard-
转载
2024-04-09 21:30:33
92阅读
目标检测就是对目标进行动态实时跟踪定位，常见的目标检测算法有 R-CNN、Fast R-CNN、Faster R-CNN、SSD、Yolo 等，其中 Yolo 的速度和精确度都比较高，且只需训练一次，使用起来比较方便。这里我们就使用官方现成的模型来检测图片，看一看效果，先学会使用流程，以后再训练自己的模型。注意：opencv-python 目前只有 4.4.0 版本适配了 YOLOv4导入库imp
转载
2023-09-04 15:18:40
65阅读
使用OpenCV进行目标检测和跟踪的常见方法是使用Haar Cascade分类器进行对象检测，使用OpenCV的目标跟踪API进行目标跟踪。以下是如何使用OpenCV进行目标检测和跟踪的简要步骤：目标检测a. 准备训练集：Haar Cascade分类器需要一个训练集，该训练集由一组已知的正样本（包含目标）和一组已知的负样本（不包含目标）组成。可以从公共数据集中获取这些样本，或者自己创建训练集。b.
转载
2023-08-23 19:03:20
200阅读
本文主要介绍下opencv中怎样使用hog算法，因为在opencv中已经集成了hog这个类。其实使用起来是很简单的，从后面的代码就可以看出来。本文参考的资料为opencv自带的sample。 关于opencv中hog的源码分析，可以参考本人的另一篇博客：opencv源码解析之(6)：hog源码分析开发环境：opencv2.4.2+Qt4.8.2+ubuntu12.04+QtCrea
转载
2024-04-28 11:21:36
0阅读
计算机视觉领域中，目标检测一直是工业应用上比较热门且成熟的应用领域，比如人脸识别、行人检测等，国内的旷视科技、商汤科技等公司在该领域占据行业领先地位。相对于图像分类任务而言，目标检测会更加复杂一些，不仅需要知道这是哪一类图像，而且要知道图像中所包含的内容有什么及其在图像中的位置，因此，其工业应用比较广泛。那么，今天将向读者介绍该领域中表现优异的一种算算法——“你只需要看一次”（you only l
转载
2024-03-07 23:15:32
59阅读
模板匹配是一种在图像中定位目标的方法，通过把输入图像在实际图像上逐像素点滑动，计算特征相似性，以此来判断当前滑块图像所在位置是目标图像的概率。在Opencv中，模板匹配定义了6种相似性对比方式： CV_TM_SQDIFF 平方差匹配法：计算图像像素间的距离之和，最好的匹配是0，值越大，是目标的概率就越低。 CV_TM_CCORR 相关匹配法：一
转载
2024-05-01 20:20:39
52阅读
利用模板匹配的方法追踪摄像头的目标效率比较底下，而且受fps影响重容易跳帧，但在物体低速移动下也不失为一种简单的识别算法。其原理是在摄像头的一帧画面中选定要追踪的范围，利用模板匹配的方法刷新每一帧模板的位置，本文只设定了从左上角截取矩形的方法，其他方法可自行画瓢 不过本文有两个不足 1是只能左上角开始截取，否则会报错 2是要提前预备一张任意图片来置换模板图 否则匹配找不到模板Rect rect;/
转载
2024-03-06 14:41:31
67阅读
平时工作就是做深度学习，但是深度学习没有落地就是比较虚，目前在移动端或嵌入式端应用的比较实际，也了解到目前主要有caffe2，腾讯ncnn，tensorflow，因为工作用tensorflow比较多，所以也就从tensorflow上下手了。下面内容主要参考&翻译： https://www.tensorflow.org/mobile/?hl
转载
2024-05-27 17:12:24
75阅读
可以从静态场景中检测出移动的物体，并对目标进行标记和计数。本文的主要工作包括：在图像预处理阶段，本文采用HSV色彩空间减轻了目标阴影对目标提取的影响，采用中值滤波器去掉了椒盐噪声，采用图像二值化使图像变的简单，采用图像学去噪中的腐蚀和膨胀分别提取消除图像噪声和填充图像空洞。在动态目标识别的阶段，采用三帧差分法提取出动态的目标，并用更新运动历史图像的方法来减轻重影现象。最后通过在原图像帧中画矩形框的
转载
2023-11-17 10:24:03
81阅读
教程 | 如何使用Docker、TensorFlow目标检测API和OpenCV实现实时目标检测和视频处理 参与：李诗萌、路雪本文展示了如何使用 Docker 容器中的 TensorFlow 目标检测 API，通过网络摄像头执行实时目标检测，同时进行视频后处理。作者使用的是 OpenCV 和 Python3 多进程和多线程库。本文重点介绍了项目中出现的问题以及作者采用的解决方案。用 YouTub
转载
2024-05-14 13:26:29
32阅读
DMRANet 总结Depth-induced Multi-scale Recurrent Attention Network for Saliency Detection ICCV 2019基于深度诱导多尺度循环注意力网络的显著性检测 图1 复杂场景中几种最先进的基于CNNs的方法的显著图1、论文主要研究内容本文主要研究如何在具有挑战的场景下有效的利用RGB-D数据增强模型的鲁棒性。 第一、本文
转载
2024-04-26 14:42:13
48阅读
目标检测用矩形框框出感兴趣的物体同时预测物体类别。应用方面：人脸识别：身份识别、属性分析等。智慧城市：垃圾检测、非法占道违章停车检测、确保环境安全等。自动驾驶：环境感知、路径规划与控制。下游视觉任务：检测文字出现的区域以供识别、检测出人体以供姿态估计。与图像分类比较目标检测的物体数量、位置、大小都不固定。但需要算法理解图像的内容，通过深度神经网络实现。思路通过滑窗sliding windows遍历
转载
2024-04-30 09:05:16
63阅读
15.1 引言 模板匹配就是在给定的图像中，通过计算模板与图片对应区域的匹配度，查找与模板最相似的区域。模板匹配的核心其实就是将模板与源图像的每个区域进行比较，逐像素滑动。从本质上讲，是将模板在源图像上进行卷积，创建新的图像或矩阵，其中每个像素值表示模板与源图像中相应区域之间的相似性。分析结果图像，可以通过峰值找到与模板匹配的紧缺位置。15.2
转载
2024-09-19 10:49:33
60阅读
