内容概要：主要利用开源openpose实现对人体19个部位点的识别 适用人群：人资姿态识别初学者，openpose初学者 使用场景及目标：工厂工人操作规范检测 操作指导效果链接：https://blog.csdn.net/weixin_37864926/article/details/124929651

为了提高有雾视频的可用性，针对视频增强的需求，基于图像去雾的物理模型，利用视频相邻帧间的信息冗余性，提出了基于光流法的视频去雾方法；对视频中亮度变化以及光流法误差引起的去雾对象边界不平滑的问题，通过引入时间域和空间域能量函数，对待处理视频进行时空一致性约束。实验证明：对于定点拍摄的视频数据，使用时空一致性优化的视频去雾算法能够增加帧间稳定性，获得较为理想的去雾结果。

Viterbi算法详解，用于信号检测与估计的研究，详细讲述了算法的过程，希望给大家有用武之地！

研究了电子侦察信号处理中正弦信号幅度盲估计问题。提出了一种基于相关累加及线性回归的正弦信号幅度盲估计算法。先对接收到的信号进行频率估计，建立参考信号，将接收信号与参考信号相关后变换到基带并作累加，后将相关累加曲线进行最小二乘线性回归，以回归得到的直线斜率值作为信号幅度的估计值。仿真结果表明，当信噪比大于[-3 dB]时，方法的估计均方根误差小于1.1倍克拉美罗限，可在低信噪比条件下，实现正弦信号幅度的盲估计。

颜色分类leetcode 疲劳检测 眼睛状态分类使用 OpenCV 和 DLib 来估计眼睛闭合百分比 (PERCLOS) 并提醒昏昏欲睡的人（例如司机）。 依赖项： ... 1. OpenCV（3.0 或更高版本）... 2. Dlib（19.0 或更高版本，用于面部标记） 使用长/短轴的纵横比 (cpp) 使用 DLib 面部标志检测器来查找眼睛的长轴和短轴以及嘴巴。 长轴和短轴的纵横比用于确定眼睛/嘴巴是否张开； 这允许眼睛状态分类和打哈欠检测。 需要 .dat 文件中的预训练 DLib 面部标志检测器模型。 使用二元阈值 使用 OpenCV Haar Cascade 分类器检测人脸，然后检测人脸边界框内定义的粗糙区域内的眼睛。 眼睛状态分类是通过对肤色的图像进行阈值处理并计算黑色像素的数量来完成的，阈值通过 HSV 直方图针对肤色进行归一化

b-样条配准matlab代码运动估计-压缩传感-MRI 该存储库包含JFPJ Abascal、P Montesinos、E Marinetto、J Pascau、M Desco论文中介绍的基于 B 样条的压缩感知 (SPLICS) 方法的 MATLAB 代码。 小动物研究中自门控心脏电影 MRI 的总变异与基于运动估计的压缩感知方法的比较。 PLOS ONE 9(10): e110594, 2014. DOI: SPLICS 通过将连续帧之间的运动建模到重建框架中来概括时空总变化 (ST-TV)。 使用基于分层 B 样条的非刚性配准方法估计运动。 SPLICS 解决了以下问题 其中第一项对应于 TV，T 是时间稀疏算子，F 是傅立叶变换，u 是重构图像，f 是欠采样数据。 使用 Split Bregman 公式可以有效地解决优化问题。 这个演示 此演示在心脏电影 MRI 数据上比较 TV、时空 TV 和 SPLICS。 此版本的 SPLICS 包括两个步骤：i) 根据先前的重建（在此示例中由 TV 给出的图像）估计运动，以构建编码运动的稀疏时间算子，ii) 考虑先前估计的运动算子的图像

matlab中的gompertz代码== 模型黑盒 == 这个 matlab 包打算用作参数估计和模型模拟的黑匣子 它支持三种不同的后端： 八度（优化包） Matlab（优化工具箱） Matlab（SBTOOLBOX2 工具箱） 我们建议使用 Octave 或 Matlab 自己的工具箱，因为如果数据规模增加，SBTOOLBOX2 可能会变得不稳定。 模型基本目录中的模型与 Octave 和 Matlab 兼容。 基于 Octave 的模型的要求 Octave 环境（用 3.6.2 测试） 优化包 () 基于 Matlab 的模型的要求 Matlab环境 优化工具箱 编译器工具箱 基于 SBTOOLBOX2 的模型的要求 Matlab环境 编译器工具箱 SBTOOLBOX2 工具箱 SBPD 工具箱 结构 任何模型的使用都取决于具有三个文件： 模型：定义模型方程的地方 estimator : .m 文件，定义了估计参数的必要步骤 模拟器：.m 文件，模拟具有给定参数的曲线 这些文件允许为可以在线或在本地计算机中访问的模型生成 cgi 脚本 创建一个新的模型黑盒 Octave / Mat

为了准确地估计源图像的清晰区域，提高多聚焦图像融合的效率，提出了一种新的基于清晰度估计的图像融合方法。首先利用基于离散小波的清晰度估计方法获取源图像的聚焦区域；然后使用均值滤波和空洞填充进一步优化该聚焦区域；最后结合清晰度估计和相似性特性，将不同聚焦区域合并生成融合图像。该方法获得的融合图像在客观评价和主观质量上都优于以往基于清晰度的图像融合方法。

本文介绍了R包bayesGARCH，它为使用Student-t创新的简约但有效的GARCH（1,1）模型提供了贝叶斯估计功能。 估计过程是全自动的，因此避免了调整采样算法的耗时且困难的任务。 在经验应用程序中显示了包的用法以交换汇率对数收益。

DOA估计：基于一维线阵的MUSIC算法