摘要：
步骤分两步： 第一步先将图片摆正，输出扫描版（应用透视变换） 第二步用pytesseract识别即可 main.py import torch import numpy as np import cv2 import math import test def show(img): cv2.imsho 阅读全文
摘要：
泰勒展开后得 （式子中w没有写） 将二次型标准化后的可得 c(x, y, △x,△y) = λ1x2 + λ2y2 根据λ1 和 λ2的大小判断是否是角点 opencv中都封装到了cv2.cornerHarris(img, blockSize, ksize, k) img:图像，float32类型， 阅读全文
摘要：
main.py import cv2 import math import torch import numpy as np import scan_utils def show(img): cv2.imshow('name', img) cv2.waitKey(0) cv2.destroyAllW 阅读全文
摘要：
def cmp(x): return x[0][0] def Sort(contours): bbox = [cv2.boundingRect(c) for c in contours] (_, ret) = zip(*sorted(zip(bbox, contours), key = cmp)) 阅读全文
摘要：
对图像求直方图，即统计每个像素值有多少个点 第一个参数为图像，第二个参数为图像通道（0表示灰度图），第三个参数为掩膜（None表示没有） 第四个参数为直方图中有多少柱子，第五个参数为统计像素值的范围 img_x = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) his 阅读全文
摘要：
注意：轮廓检测需要使用二值图像 img_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #为了更高的精确率使用二值图像，第一个返回值为127，即阈值，第二个为二值图像 _, img_bin = cv2.threshold(img_gray, 127, 25 阅读全文
摘要：
Canny边缘检测分为四步： 1、图像降噪：使用高斯滤波器，平滑图像，滤除噪声，噪声是灰度值变化较大的部分，容易被识别为噪声 2、计算图像梯度：图像的梯度即为图像的灰度值的变化最快的地方，梯度的模即为方向导数的最大值（将图像看作函数），边缘也是灰度值变化最快的地方 3、非极大值抑制：将局部范围内的梯 阅读全文
摘要：
import torch import numpy from torch.utils.data import TensorDataset from troch.utils.data import DataLoader #TensorDataset将数据和标签封装到一起，再用DataLoader封装后 阅读全文
摘要：
为什么要进行maxpool？ max pooling之后，仅保留了最代表性的pixel 浅层网络输出： 深层网络输出： 图1虽然人容易看，但特征不具有代表性，就是说不能通过一个特征就判定它是否是行人，之所以人看起来容易，是因为人做了后面深层网络做的东西。 图2比较难以区分，因为它已经对某些结构进行了 阅读全文
摘要：
神经网络只需要学习一个函数d d（img1, img2） = degree of difference between imags d将输出两张图片的差异，如果有新人加入，则不需要重新训练网络，只需要用新人的照片与数据库中的去作比较 如果输出的差异小于某个阈值，则判断为是同一个人 Siamese n 阅读全文