04 2023 档案
摘要：为了提高毕设的运算速度。为了解决for循环，决定采用并发代替for循环。
阅读全文
摘要：因为前一部分创新点用的是人体姿态估计，所以输出必定是关键点坐标，因此跟踪部分必须是关键点跟踪。 方法一：对前一帧和后一帧比较，进行相似度匹配。这样是无法解决遮挡问题的。看过多篇文章都是基于这个思路。 方法二：选取一个关键点去表示人体去跟所有帧所有人进行相似度估计。 人体跟踪属于工程问题，网络上对人体
阅读全文
摘要：clc;clear all;close all;N = 1000; % # Number of pointsV = [-10, 0; 0, 10; 10, 0]; % # Triangle vertices, pairs of (x, y)t = sqrt(rand(N, 1));s = rand(
阅读全文
摘要：在有限的时间里，应该专注于主要的内容而不是次要内容，因为次要内容即使看懂对后续实验工作帮助并不大。
阅读全文
摘要：它的跟踪技术 首先在当前帧选一个人体，跟前一帧所有人比较，如果相似度大于阈值，则把前一帧相似度最大人的序号赋予当前帧，且之后当前帧其他人不与其进行相似度估计。 current_poses = sorted(current_poses, key=lambda pose: pose.confidence
阅读全文
摘要：class a(): def __init__(self) : self.w=1 v=a() def xiu(s): s.w=2 def xiu1(s): s=2 xiu(v) v1=1 xiu1(v1) print(v1) print(v.w) print(1) 输出分别是 1 2 只有向函数中传
阅读全文
摘要：w1=sum(E_vca,1) [i,index]=sort(w1) E_vca=E_vca(:,index) w2=sum(E_l2,1) [i,index1]=sort(w2) E_l2=E_l2(:,index1)
阅读全文
摘要：论文疑惑 主要的俩个理论 (1)纯像素是单形体的顶点(因为是线性组合)。 (2)即使映射后纯像素依旧是单形体的顶点。 0.SNR是怎么确定的（先用pca找投影方向，然后把投影的向量又加均值算信噪比，暂时不看，琢磨这个没用）。1.为什么用svd投影到那4个维度。（比终端数多的维度也是有效的，并没有说哪
阅读全文
摘要：端元是高光谱数据中可以详尽表示待测地物光谱属性的纯像素。一个像素只包含一种地物种类。端元提取就是找到这个像素。 光谱解混进入像素内部，分析构成混合像素的端元以及各个端元在混合像素所占的比例，这个处理过程成为光谱解混。 解混和端元提取是为了后续地物分类做前期的准备工作。线性解混的假设光子只与一个地物发
阅读全文
摘要：这里是insert函数，它是负责调整格式的。用inset的前提是要有空格这样才能插入。 text.insert( str(i+2)+'.1', list_re[i][0]) text.insert( END, " ") text.insert( str(i+2)+'.20', list_re[i][
阅读全文
摘要：软件体系结构=软件架构 英文名是 software architecture。 uml视图可以表示架构 软件架构的一个例子:构件，连接，连接关系共同组成了软件架构。一个灯泡，开关，电线这三个是构件，电线连接灯泡开关是连接，什么情况下灯泡亮什么情况下灯泡灭这种相互作用叫连接关系。消息映射是廉价而，处理
阅读全文
摘要：svd是把1个矩阵用多个矩阵来表示。 定理1.若Ax=0是n元齐次线性方程组，若R(A)=r，则方程组Ax=0的解空间的维数是n-r。 证明:可以将方程进行约分，r个x=自由解的和。 正交对角化的矩阵解释:用于对角化转换的矩阵是正交矩阵。 定理2.实对称矩阵存在特征值。 定理3.实对称矩阵都能正交对
阅读全文
摘要：w=rand(4,6)[Ud,Sd,Vd]=svds(w/6,4)[Ud1,Sd1,Vd1]=svds(w*w'/6,4) 发现Ud和Ud1的向量值是一样的，或者是相反的。
阅读全文
摘要：误差是在一定范围内的。 [Ud,Sd,Vd] = svds(R/N,d); 我发现他俩还是等价的，因为Ud是一个值我看了。
阅读全文
摘要：我选择最小的6个奇异值和其对应的向量得到。 Ud是映射矩阵，这里的向量是正交的单位正交向量，他可以表示所有数据空间。Ud'*R是映射了，但是Ud再去乘这个矩阵就会变为原矩阵。 但是matlab生成的U不是m*m啊 这俩个代码的U的是相同的。 Ud是R*R转置的特征值。w1的值为
阅读全文
摘要：人不能坐的密集，还有坐的比较端正，手机放大人像，遮挡少 人不能坐的太密，会连上(人不能紧紧的挨着)。也不能驼背。 如果拍摄角度不对会导致背景过大，浪费资源这个是平角拍的。 很需要去解决遮挡严重问题。人像小不容易识别。
阅读全文
摘要：1.遮挡的话不好识别，很多学生把电脑拿出来就把自己挡住了。导致模型识别不了。 2.人比较密的话，可能多个人合成一个人体。 解决方案 1.调整角度把位置调高。 2.。
阅读全文
摘要：为什么使用svd？ 为了降维和降噪去除不必要的维度就减少了运输量。 映射然后构造凸形。 映射最后一步 最后一步转化到不同维度的原因。 映射的时候为什么还要选择不同的维度？ 为了降噪，我感觉降维可以去除一些不重要的信息，这些信息里有噪音。
阅读全文
摘要：这里像是去掉无用的维度，vca用投影去提高SNR SIGNAL TO NOISE信噪比。
阅读全文
摘要：import numpy as np x=np.array([1,10]) y=np.array([10,5]) w=[] w1=[] import matplotlib.pyplot as plt for i in range(100): w.append(x[0]*i*0.01+(1-i*0.0
阅读全文
摘要：对vca其实就是要把顶点给提取出来，提取的pure piexel但是吧每次值都不一样。 映射用的是奇异值，有点像去除噪音。 1映射2.然后正交取最大的像素作为终端，就这俩步。 w是随机的方向然后f是与A中所有方向正交的向量。为啥终端信号得正交呢？ 每次映射最大值的像素拿出来。他是取终端数个正交的向量
阅读全文
摘要：但是主函数中只有一个变量去接收function的返回值。 原因是只接收第一个值。
阅读全文
摘要：vca的随机性很大，因为投影方向不固定。还有为什么每次都取正交方向呢？还有映射。但是在一个范围值附近波动。 vca的核心算法就是找出pure pixel，而endmember是根据某种方法获得的。 P_y是R的所有特征值平方的平均值，P_x也是最后要加上r_m。 vca的假设。
阅读全文
摘要：可以直接通过另存为的方式对文件编码方式进行修改。在这里更改编码方式即可。
阅读全文
摘要：端元是顶点的原因，通过向量减法即可得知。 vca是弱监督是指不用标签进行训练，直接输入类别数进行分类。 波段是频率范围，每个物体在频率范围内反射率一样。 象元就是论文中总提到的pixel即对地表信号的记录l，在线性混合模型中是l=wx+b。w是丰富度m维度(端成员数)，x是不同端成员的信号b是噪音。
阅读全文
摘要：# -*- coding: utf-8 -*- import tkinter from tkinter import * from tkinter.ttk import * root = Tk() tree1 = Treeview(root, columns=('qy', 'dz')) # 创建树表
阅读全文
摘要：import tkinter from tkinter import ttk from tkinter import * import pymysql # 导入消息对话框子模块 import tkinter.messagebox def select_student_study(): root =T
阅读全文
摘要：os.path.exists('sutdent_imformation/abnormal.csv') 存在返回真不存在返回假。
阅读全文
摘要：im_root = ImageTk.PhotoImage(Image.open('1.jpeg')) canvas_root = Canvas(root, width=2000, height=2000) canvas_root.create_image(0, 0, image=im_root) c
阅读全文
摘要：import pymysql import cv2 import numpy as np conn = pymysql.connect(host='127.0.0.1', port=3306, user='root', passwd='1234567890', db='studentmemo') c
阅读全文
摘要：for idx,select_row in select.iterrows():
阅读全文
摘要：import cv2 cap = cv2.VideoCapture('student_video/22.MP4') #返回一个capture对象 cap.set(cv2.CAP_PROP_POS_FRAMES,i) #设置要获取的帧号 a,b=cap.read() #read方法返回一个布尔值和一个
阅读全文
摘要：import pandas as pd df = pd.read_csv('sutdent_imformation/abnormal.csv',header=None) all_fps=set(df.iloc[:,38]) 用set做。
阅读全文
