rk3588安装opencv4.1.0 (0积分)
下载了放再~下,按照博文安装
详情请参考https://blog.csdn.net/qq_32768679/article/details/96432354。本资源集合了采集、训练、识别,利用python、opencv实现的人脸识别功能,树莓派端实现的代码,包括识别成功后开启门(io口模拟)。
https://blog.csdn.net/qq_32768679/article/details/96432354这篇文章很详细了。实现了实现人脸检测软体,集采集、训练、识别为一体。所传资源是除去界面外的部分,分别为采集、训练、预测。
识别并跟踪红灯,硬件利用树莓派实现。python、opencv实现软件功能。其中有高效扫描方法对比,场景:‘我要识别一个红灯,已经把目标准确的提取出来了,二值图像中白色为目标物,现在要算出二值图中的白色像素点的坐标。因为之后需要移植到树莓派,所以需要高效的方法’。 https://blog.csdn.net/qq_32768679/article/details/84398229(目标识别说明) https://blog.csdn.net/qq_32768679/article/details/84317173(小工具说明)
无论是人脸检测类还是自己训练分类器来识别物体,opencv的adboost([linux 下opencv的adboost使用方法](https://blog.csdn.net/qq_32768679/article/details/83652501))都为我们提供了便捷快速的接口。但对于长时间的检测或每帧都要进行处理来说,opencv还为我们提供了更加快速稳定的跟踪算法。这次记录的是利用opencv的人脸检测与其跟踪算法做对比,在检测目标运动不是很快的情况下,跟踪算法在稳定性和运行速度上都更胜一筹。 下面运用人脸检测第一帧然后之后进行跟踪该帧的检测目标,与每帧都进行检测作为对比,判断因素为帧率和检测框的稳定性。 本资源提供opencv adboost训练脚本以及以训练好的行人检测分类器,和测试程序。跟踪算法见博客https://blog.csdn.net/qq_32768679/article/details/89309383
博客配套代码:https://blog.csdn.net/qq_32768679/article/details/89337710 0 ——mask0 ,**基于颜色阈值法+找轮廓实现**; mask0——mask1,全局矩阵腐蚀算法,定义一个合适大小的矩阵,遍历扫描,扫描到矩阵平均像素值小于一定值,就全部赋值0。 mask1——mask2,边界腐蚀算法,定义一个偏大的矩阵,只扫描四个边界,如果满足平均像素值大于一定值,则赋值0,然后内层扫描都同上一次操作,完成该层后该边界扫描完成。(代码在后面贴出) mask2——result ,通过边界扫描,确定roi范围。 result——result_mask,字符颜色阈值二值化,开闭运算滤除噪点; result_mask——show_char,x、y方向的直方图,先进行行分割,再逐行图片进行列分割,,根据字符直方图波峰数量过滤logo,得出字符。字符进行边缘腐蚀去边处理。 终端中的[ ]内的坐标代表波峰结束的点,只有[0]代表第一个波峰出现的点,两点的距离表示波峰宽度;一定会包含字符,但也会包含一定的波谷区域,所以最后运用边缘腐蚀进行过滤非字符边界区域。
笔耕不辍
五一创作勋章
分享达人
阅读者勋章
持续创作
创作能手