采用非极大值抑制,将重叠的框合并成一个. # import the necessary packages from imutils.object_detection import non_max_suppression import numpy as np import imutils import cv2 # initialize the HOG descriptor/person detector hog = cv2.HOGDescriptor() hog.setSVMDetector(cv

  用 Python 和 OpenCV 检测图片上的的条形码 这篇博文的目的是应用计算机视觉和图像处理技术,展示一个条形码检测的基本实现.我所实现的算法本质上基于StackOverflow 上的这个问题,浏览代码之后,我提供了一些对原始算法的更新和改进. 首先需要留意的是,这个算法并不是对所有条形码有效,但会给你基本的关于应用什么类型的技术的直觉. 假设我们要检测下图中的条形码: 图1:包含条形码的示例图片 现在让我们开始写点代码,新建一个文件,命名为detect_barcode.py,打开并编

OpenCV + python 实现人脸检测(基于照片和视频进行检测) Haar-like 通俗的来讲,就是作为人脸特征即可. Haar特征值反映了图像的灰度变化情况.例如:脸部的一些特征能由矩形特征简单的描述,如:眼睛要比脸颊颜色要深,鼻梁两侧比鼻梁颜色要深,嘴巴比周围颜色要深等. opencv api 要想使用opencv,就必须先知道其能干什么,怎么做.于是API的重要性便体现出来了.就本例而言,使用到的函数很少,也就普通的读取图片,灰度转换,显示图像,简单的编辑图像罢了. 如下: 读取图

利用RGB-D数据进行人体检测 LucianoSpinello, Kai O. Arras 摘要 人体检测是机器人和智能系统中的重要问题.之前的研究工作使用摄像机和2D或3D测距器.本文中我们提出一种新的使用RGB-D的人体检测方法.我们从HOG( Histogram of OrientedGradients)描述子获得灵感,设计了一个在稠密深度数据中检测人体的方法,叫做深度方向直方图HOD(Histogram of Oriented Depths).HOD对局部深度变化的方向进行编码,依靠在预

原文地址:http://python.jobbole.com/80448/ 假设我们要检测下图中的条形码: # load the image and convert it to grayscale 12 image = cv2.imread(args["image"]) 13 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 14 15 # compute the Scharr gradient magnitude representatio

Python isalpha() 方法检测字符串是否只由字母组成.

Python isdigit() 方法检测字符串是否只由数字组成

一定要注重代码规范,按照平时的代码管理,可以将Python代码规范检测分为两种: 静态本地检测:可以借助静态检查工具,比如:Flake8,Pylint等,调研了一下,用Flake8的相对较多,功能满足,本文将使用Flake8 git:可借助git hooks,本文推荐使用pre-commit. 静态本地检测 Flake8包装了Pyflakes.Pycodestyle和McCabe,也可以自定义插件.功能包括: 检查代码是否符合PEP8 检查是否包含语法错误和未使用的变量和导入 检查代码的复杂度

一.需求分析 在上一篇文章,链接如下: https://www.cnblogs.com/xiao987334176/p/10237551.html 已经得到了需要的数据,现在需要对这些端口做检测,判断端口是否正常! 实际情况是,有上百个端口需要检测.如果一个个检测,可能需要花费几分钟的时间,效率不够快! 那么首先想到的就是多进程,但是一个进程会消耗一个CPU. 在不影响性能的情况下,最快的办法,就是使用协程.它是异步的,遇到io会自动切换! 二.协程 介绍 协程是一种用户态的轻量级线程,协程的调

原文链接:https://blog.csdn.net/liqiancao/article/details/55670749 介绍 硕士阶段的毕设是关于昆虫图像分类的,代码写到一半,上周五导师又给我新的昆虫图片数据集了,新图片中很多图片很大,但是图片中的昆虫却很小,所以我就想着先处理一下图片,把图片中的昆虫裁剪下来,这样除去大部分无关背景,应该可以提高识别率. 原图片举例(将红色矩形框部分裁剪出来)):  step1:加载图片,转成灰度图 image = cv2.imread("353.jpg&q

imageai库里面提供了目标识别,其实也可以说是目标检测,和现在很多的收集一样就是物体识别.他可以帮你识别出各种各样生活中遇见的事物.比如猫.狗.车.马.人.电脑.收集等等. 感觉imageai有点差就是没有返回检测目标的坐标出来,所以感觉很low,而且和计算消耗很大,耗时很大,与opencv做实时检测效果很差.不推荐使用. 安装imageai方法见:https://github.com/OlafenwaMoses/ImageAI resnet50_coco_best_v2.1.0.h5 模型

配好了OpenCV的Python环境,OpenCV的Python环境搭建.于是迫不及待的想体验一下opencv的人脸识别,如下文. 必备知识 Haar-like Haar-like百科释义.通俗的来讲,就是作为人脸特征即可. Haar特征值反映了图像的灰度变化情况.例如:脸部的一些特征能由矩形特征简单的描述,如:眼睛要比脸颊颜色要深,鼻梁两侧比鼻梁颜色要深,嘴巴比周围颜色要深等. opencv api 要想使用opencv,就必须先知道其能干什么,怎么做.于是API的重要性便体现出来了.就本例而

机器学习_深度学习_入门经典(博主永久免费教学视频系列) https://study.163.com/course/courseMain.htm?courseId=1006390023&share=2&shareId=400000000398149 转载https://blog.csdn.net/weixin_42608414/article/details/89092501 作者:Susan Li ,原文:https://towardsdatascience.com/time-serie

一.前言 从学单片机开始鼓捣C语言,到现在为了学CV鼓捣Python,期间在CSDN.简书.博客园和github这些地方得到了很多帮助,所以也想把自己做的一些小东西分享给大家,希望能帮助到别人.记录人生的第一篇博客,mark. 二.图像检测步骤 1. 读取两张图片 第一张是需要检测的小物体,第二章图片是小物体放置在大场景中.代码与输出结果如下所示: import numpy as np import matplotlib.pyplot as plt import cv2 def my_show(

邮件快速检测工具 概要介绍 mmpi,是一款使用python实现的开源邮件快速检测工具库,基于community框架设计开发.mmpi支持对邮件头.邮件正文.邮件附件的解析检测,并输出json检测报告. mmpi,代码项目地址:https://github.com/a232319779/mmpi,pypi项目地址https://pypi.org/project/mmpi/ mmpi,邮件快速检测工具库检测逻辑: 支持解析提取邮件头数据,包括收件人.发件人的姓名和邮箱,邮件主题,邮件发送时间,以及

人脸检测 人脸检测使用到的技术是OpenCV,上一节已经介绍了OpenCV的环境安装,点击查看. 功能展示 识别一种图上的所有人的脸,并且标出人脸的位置,画出人眼以及嘴的位置,展示效果图如下: 多张脸识别效果图: 技术实现思路 图片转换成灰色(去除色彩干扰,让图片识别更准确) 图片上画矩形 使用训练分类器查找人脸 具体实现代码 图片转换成灰色 使用OpenCV的cvtColor()转换图片颜色,代码如下: import cv2 filepath = "img/xingye-1.jpg"

""" Chapter 7 模式匹配和正则表达式 1 用import re 导入正则表达式模块 2 用re.compile()函数创建一个Regex对象(记得使用原始字符串) 3 向Regex对象的search()方法传入想查找的字符串,返回一个Match对象:或者findall()返回一组字符串,包含被查找字符串中所有的匹配 notes: 1 花括号的贪心和非贪心匹配,re.compile(r'(Ha){3,5}') 和 re.compile(r'(Ha){3,5}?')

原文地址:https://www.cnblogs.com/vipstone/p/8884991.html ==================================================== 技术实现思路 图片转换成灰色(去除色彩干扰,让图片识别更准确) 图片上画矩形 使用训练分类器查找人脸 具体实现代码 图片转换成灰色 使用OpenCV的cvtColor()转换图片颜色,代码如下: import cv2 filepath = "img/xingye-1.jpg"

git:https://github.com/linyi0604/Computer-Vision # coding:utf8 import cv2 import numpy as np img_origin = cv2.imread("../data/circle.jpg") img_gray = cv2.cvtColor(img_origin, cv2.COLOR_BGR2GRAY) # 低同滤波进行平滑图像 img = cv2.medianBlur(img_gray, 5) cim

git:https://github.com/linyi0604/Computer-Vision # coding:utf8 import cv2 import numpy as np # 读入图像 img = cv2.imread("../data/line1.png") # 转为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Canny边缘检测 edges = cv2.Canny(gray, 50, 100) "&q