android调用matlab代码Android-App-for-Object-Detection 这个项目是关于使用 OpenCV 和神经网络开发一个应用程序，并考虑到目标检测目标（特别是 TinyYOLOv3）。 入门 好吧，该项目已经开始使用应用程序制作的基本版本。 这只是一个使用相机的 .apk，按下时只有一个按钮； 使用 . 使用智能手机摄像头检测 您可以使用下面给出的文件在 Android Studio 中创建一个项目并在您的手机上运行该应用程序。 如果您还想自己编译项目，则需要执行一个预处理步骤。 在手机的内部存储（不是 SD 卡）中创建一个名为“dnns”的文件夹。 下载“yolov3-tiny.cfg”和“yolov3-tiny.weights”文件 将您下载的文件复制到您在手机中制作的文件“dnss”中。 添加了对象检测器的文件。 这只是整个 Android Studio 项目； 如果你只专注于重要的三重奏，我帮你解决了； 你可以在下面找到它们。 库是为 mainactivity.java 中使用的函数实现的。 对于此代码和教程，所有功劳都归功于精彩：。 在开发过程

Face-Mask-Detection:在真实视频流上使用Python，Keras，OpenCV检测面罩

Improving Object Detection With One Line of Code.pdf

URFD数据集。国内下载原地址的数据集网速较慢，上传一个用到的一号摄像头的视频部分，包括30个摔倒视频序列和40个日常活动视频序列。

面膜检测 该代码由用于图像分类的各种库组成。 该代码的主要目的是检测人脸上的遮罩，并说明检测的完美程度，如果未检测到遮罩，则用红色边框包围面部并指定没有遮罩。 。 使用OpenCV，Keras和Tensorflow制作的python程序，用于检测人的脸部是否戴着面具。

matlab中拟合中心线的代码车道检测 在此项目中，MATLAB被用作图像处理工具来检测道路上的车道。 以下技术用于车道检测。 •色彩遮罩•Canny边缘检测•感兴趣区域选择•Hough变换线检测 预处理图像 第一步是导入视频文件并初始化变量以在代码中使用。 还从.mat文件中导入了一些变量以在代码中使用。 初始化循环以一帧一帧地拍摄 首先读取帧，然后使用高斯滤波器对其进行滤波。 while hasFrame(VideoFile) %------------------Reading each frame from Video File------------------ frame = readFrame(VideoFile); figure('Name','Original Image'), imshow(frame); frame = imgaussfilt3(frame); figure('Name','Filtered Image'), imshow(frame); 图1：原始图像 图2：过滤后的图像 为白色和黄色掩盖图像 车架以黄色和白色掩盖，可以完美地检测车道线。 %--

birdong_detection_dashboard_docker

说明： 基于红绿灯图片进行红绿灯进定位、检测和识别。编译环境cmake+opencv。 (Location, detection and recognition of traffic lights based on traffic lights pictures. Compile environment cmake + OpenCV.)

raspi4B_mask_detection_runtime 基于树莓派4B与Paddle-Lite实现的实时口罩识别 v2.6更新 使用了Paddle-Lite v2.6的预测库与PaddleHub上最新的模型 鲁棒性大大提升。 环境要求 ARMLinux 树莓派4B（），验证的系统环境是64为系统，理论上32位系统也可使用，请自行测试。 支持树莓派4B摄像头采集图像，关于此系统的安装教程以及摄像头的配置具体参考博客 gcc g++ opencv cmake的安装（以下所有命令均在设备上操作） $ sudo apt-get update $ sudo apt-get install gcc g++ make wget unzip libopencv-dev pkg-config $ wget https://www.cmake.org/files/v3.10/cmake-3.10.3.t

人类通过肢体语言，语音，面部表情等各种方式表达情绪。我们已经使用面部表情来检测非常重要的情绪，并且在机器学习中有着广泛的应用，尤其是在医学，通讯，教育和娱乐领域。 老年健康监测，安全系统，心理学和计算机视觉，驾驶员疲劳监测是情感检测在现实世界中的少数应用。 该系统旨在识别七种情绪，即愤怒，悲伤，幸福，惊奇，中立，惊奇和厌恶。 我们的系统提出通过卷积神经网络（CNN）使用面部表情对人类进行情感检测。 进行了文献综述以选择最佳的深度学习模型。 应用的主要算法是CNN。 使用的数据集是Fer2013和JAFFE。