摘要： 1.dlib.get_frontal_face_detector() # 获得人脸框位置的检测器, detector(gray, 1) gray表示灰度图， 2.dlib.shape_predictor(args['shape_predictor']) # 获得人脸关键点检测器， predictor 阅读全文

摘要： 1. cv2.dnn.readNetFromCaffe(prototxt, model) 用于进行SSD网络的caffe框架的加载 参数说明:prototxt表示caffe网络的结构文本，model表示已经训练好的参数结果 2.t=delib.correlation_tracker() 使用deli 阅读全文

摘要： 1. tracker = cv2.multiTracker_create() 获得追踪的初始化结果 2.cv2.TrackerKCF_create() 获得KCF追踪器 3.cv2.resize(frame, (w, h), cv2.INTER_AEAR) # 进行图像大小的重新变化参数说明：fra 阅读全文

摘要： 1.cv2.goodFeaturesToTrack(old_gray, mask=None, **feature_params) 用于获得光流估计所需要的角点参数说明：old_gray表示输入图片，mask表示掩模，feature_params:maxCorners=100角点的最大个数,quali 阅读全文

摘要： 1. cv2.VideoCapture('test.avi') 进行视频读取 参数说明：‘test.avi’ 输入视频的地址2. cv2.getStructureElement(cv2.MORPH_ELLIPSE, (3, 3)) # 构造一个全是1的kernel用于形态学的操作 参数说明：cv2. 阅读全文

摘要： 1.H = cv2.getPerspectiveTransform(rect, transform_axes) 获得投射变化后的H矩阵 参数说明：rect表示原始的位置左上，右上，右下，左下， transform_axes表示变换后四个角的位置 2.cv2.warpPerspective(gray, 阅读全文

摘要： import numpy import os from keras import applications from keras.preprocessing.image import ImageDataGenerator from keras import optimizers from keras.models import Sequential, Model from keras.laye... 阅读全文

摘要： 第一步：去除背景 第二步：进行灰度化 第三步：使用cv2.canny进行边缘检测 第四步：进行图像区域的选择 第五步：使用霍夫曼进行直线检测 第六步：对删选出的直线进行画图操作 第七步：找出每一列车的x1, y1, x2, y2 第八步：根据gap间隔，找出每一列车所在的(x1, y1, x2, y 阅读全文

摘要： 1. sift.detectAndComputer(gray， None) # 计算出图像的关键点和sift特征向量 参数说明：gray表示输入的图片 2.cv2.findHomography(kpA, kpB, cv2.RANSAC, reproThresh) # 计算出单应性矩阵 参数说明：kp 阅读全文

摘要： 1.cv2.drawMatches(imageA, kpsA, imageB, kpsB, matches[:10], None, flags=2) # 对两个图像关键点进行连线操作 参数说明：imageA和imageB表示图片，kpsA和kpsB表示关键点， matches表示进过cv2.BFMa 阅读全文