基于Blutility的Fbx导入器（虚幻引擎4） 该存储库包含C ++函数库（已暴露给蓝图），可在blutilities中使用该库来批量导入UE4中的fbx文件。

Coherently demodulated orbital angular momentum shift keying system using a CNN-based image identifier as demodulator

KVM(Kernel based Virtual Machine)+OpenVswitch搭建SDN基础设施层

Rock thin sections identification based on improved squeeze-and

This document describes an object format for carrying geographical information on the Internet. This location object extends the Presence Information Data Format (PIDF).

Classification problems are significant because they constitute a meta-model for multiple theoretical and practical applications from a wide range of fields. The belief rule based (BRB) expert system has shown potentials in dealing with both quantitative and qualitative information under uncertainty. In this study, a BRB classifier is proposed to solve the classification problem. However, two challenges must be addressed. First, the size of the BRB classifier must be controlled within a feasible

Camera self-calibration method based on two vanishing points

基于仿射和 B 样条网格的两个 2D 彩色/灰度图像或 3D 体积或点数据的配准和数据拟合。 配准可以基于强度/像素，或基于地标/对应点（参见 OpenSurf），或组合进行。 描述 基于像素的配准： 该函数是 D. Rueckert 等人中 b 样条配准算法的（增强）实现。 “使用自由形式变形的非刚性配准：对乳房 MR 图像的应用”。 包括 Rueckert（薄金属片弯曲能量）和 Jacobian（微分形）函数的平滑度惩罚。 还包括将局部标准化互信息作为配准误差，允许图像或体积为不同类型/模态，例如 MRI T1 和 T2 患者扫描。 这个怎么运作： 构建了一个 b 样条控制点网格，它控制输入图像的变换。 误差测量用于测量运动图像和静态图像之间的配准误差。 准牛顿 Matlab 优化器 fminlbfgs（也在 Mathworks 上）用于移动控制点，以实现两幅图像之间的最佳配准，

We apply graph matching method to detect infrared small moving targets using image sequences. Candidates (interest points) detected in the first frame form one graph and the same candidates in the last frame form another one. The real moving targets are extracted by matching these two graphs. Experimental results demonstrate that the proposed method is robust and efficient to the translation and rotation of the background.

人脸图像特征提取matlab代码基于特征值的面部识别和匹配 该项目旨在通过使用Haar分类器来改进人脸检测系统，以获得更高的准确度结果。 Haar分类器用于面部检测，因为它可以非常快速地检测到所需图像。 该算法已用于检测，实现了较高的检测精度。 1.数据预处理 出于该项目的目的，已经获得了40个人的数据集。 这些人每个人都有10个姿势不同的图像。 这意味着总共有40 x 10 = 400张图像。 对于每个人，都有单独的文件夹。 用这种方式解释会造成混乱。 在图1中，我们可以在第一行中看到40个标记为1、2、3到40的人。每个人都有10张图像。 这些图像是灰度的。 所有这些图像必须具有相同的尺寸和分辨率。 最后，每个人的图像都保存在单独的文件夹中。 在图1中，s1，s2，s3…..s40代表文件夹。 此过程的摘要如下：•每个人10张图像•每个人1个文件夹（s1，s2，s3等）•图像必须为灰度级•图像必须具有相同的分辨率和尺寸。 我已经拍摄了92 x 112像素的图像。 •图像名称必须是数字，例如1、2、3。•并且图像必须具有相同的扩展名，例如bmp，pgm和/或任何图像格式 2.数据集加