rk3588安装opencv4.1.0 (0积分)

下载了放再～下，按照博文安装

一些文件.zip，包括安装脚本、xdma驱动

一些文件.zip，包括安装脚本、xdma驱动

cuda env.zip

cuda env.zip

基于树莓派的人脸识别打卡系统

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）。

opencv人脸识别（c++实现）

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

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）

行人检测(adboost)，包含训练脚本、测试程序

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

芯片字符识别

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。