基于弧邻接矩阵的快速椭圆检测 提出了一种基于弧邻接矩阵的快速椭圆检测方法。 我们已经在某些应用中成功使用了这种方法，例如卫星跟踪，UGV制导和姿态估计。 :smiling_face_with_smiling_eyes: 可以从最新版本中下载Matlab和Python的二进制文件。 1编译我们的代码 我们已经成功地将AMED应用于各种平台（Windows，Ubuntu，ARM）。 用于不同平台的代码可能需要进行一些细微的更改。 1.1 Windows OpenCV> 3.1.0 VS 2015 您可以将所有.h和.cpp文件添加到您的项目中。 不要忘记配置有关OpenCV项目:)。 main.cpp给出了一个从图像中检测椭圆的示例。 AAMED aamed（drows，dcols） 。 卓尔（dcols）必须大于所有已使用图像的行（cols）。 然后，我们可以使用aamed.run_FLED（imgG）; 从多个图像中检测椭圆。 非常重要

伪装物体检测（CVPR2020-Oral） 作者：，，，，，。 0.前言 欢迎加入COD社区！ 我们在微信中创建了一个群聊，您可以通过添加联系人（微信ID：CVer222）来加入。 请附上您的从属关系。 该存储库包括详细的介绍，强大的基准（搜索和识别网，SINet）以及用于伪装目标检测（COD）的一键评估代码。 有关伪装物体检测的更多信息，请访问我们的并阅读 / 。 如果您对我们的论文有任何疑问，请随时通过电子邮件与或。 如果您使用SINet或评估工具箱进行研究，请引用本文（ ） 0.1。 :fire: 消息 :fire: [2020/10/22] :collision: 可以通过电子邮件（ ）提供培训代码。 请提供您的姓名和机构。 请注意，该代码只能用于研究目的。 [2020/11/21]已更新评估工具：Bi_cam（cam> threshold）= 1-> Bi_cam（cam> = threshold

DDoS攻击检测和缓解 DDoS攻击缓解功能，用于hping3工具攻击限制/缓解。 注意：每件事都是为基于debian / ubuntu的linux环境定义的。 遵循的步骤 1. Installing required packages 2. Running server 3. Distributing codes to its required places 4. Attacking the server 步骤1 首先要确保您处于superUser模式。 对于安装，只需运行install.sh即可。 它将处理其中的所有东西。 第2步 安装apache服务器。 并确保已启用它，并将任何http网站放置在其/var/www/html位置。 现在，您可以通过运行localhost到Web浏览器来访问它。 步骤-3 对于攻击者 攻击者：此文件夹包含用于攻击服务器 you

服务器上的YOLO 此存储库包含在服务器即服务上运行检测算法的代码，并且具有我的方法的实时实现。 自由使用它:) 强烈建议启动并运行Tensorflow-gpu。 在目录内移动之后。 运行项目： 安装虚拟环境 pip install virtualenv 启动虚拟环境 virtualenv venv 激活virtualenv . venv/bin/activate 安装要求 pip install -r requirements.txt 下载并转换yolov3和yolov3-tiny的权重 wget https://pjreddie.com/media/files/yolov3.weights ./yad2k.py yolov3.cfg yolov3.weights yolo.h5 wget https://pjreddie.com/media/files/yol

此MATLAB软件包根据以下出版物计算EMG信号的开始和偏移时间： 杨大鹏，张华杰，顾一坤，刘宏，在病理，微弱和嘈杂的肌电信号中的准确肌电发作检测。 生物医学信号处理和控制，2017年第33卷，第306-315页， https： //doi.org/10.1016/j.bspc.2016.12.014。（http://www.sciencedirect.com/science/article/pii / S1746809416302269） GUI界面还允许手动校正和调整自动算法的参数输入：有关输入的详细信息，请参见active_EMG_auto.m 示例：fake_EMG = rand（1000,100）; active_EMG = active_EMG_detector（fake_EMG，100,100,500,8,1000）; 输出：emg_active =有效EMG周期的[时间样本

Infrared small target detection based on local intensity and gradient properties

颜色分类leetcode 实时交通标志检测和分类 使用 SSD 的新版本将于今年夏天发布，供任何需要更高精度检测方法的人使用。 请继续关注新的更新！ 1. 说明 该项目是一个使用 OpenCV 的视频交通标志检测和分类系统。 检测阶段使用图像处理技术在每个视频帧上创建轮廓并在这些轮廓中找到所有椭圆或圆。 它们被标记为交通标志的候选对象。 检测策略： 增加视频帧的对比度和动态范围 使用 HSV 颜色范围去除不必要的颜色，如绿色 使用 Laplacian of Gaussian 显示对象的边界 通过二值化制作轮廓。 检测椭圆形和圆形轮廓 在下一阶段 - 分类阶段，通过基于候选坐标从原始帧中裁剪来创建图像列表。 预训练的 SVM 模型将对这些图像进行分类，以找出它们是哪种类型的交通标志。 当前支持的交通标志（每个标志文件的名称与其在 SVM 中的类相对应）： 注意： 所有属于 8 级及以上的标志都被标记为OTHERS，因为比赛需要这样做。 还有一个 0 类被标记为非交通标志 仅对当前帧中最大的标志进行裁剪和分类 每次main.py调用时都会训练 SVM 模型，在检测阶段之前，但我仍然保存模型

霍夫变换检测圆代码MATLAB 计算机视觉项目地球检测 在混乱的环境中进行政治地球仪检测 计算机视觉中的常见问题是在图片或视频流中搜索并找到特定的对象或形状。 在这个特殊的项目中，我们被要求设计和实施一个完整的程序，该程序可以通过选择可用的工具或编写我们自己的代码来识别任何方向和混乱环境中的小政治世界。 要运行该算法，请在Matlab中打开文件“ globe.m”。 它使用文件Hough Circles，DiscardDuplicateCircles，DiscardInnerCircles，DiscardNonEnclosedCircles查找图像中的圆。 完全包含在另一个圆中的圆被丢弃。 同样，不完全位于图像中的圆圈也将被丢弃。 经过初步处理并使用霍夫变换找到圆后，我们检测经度和纬度形成的平方以检测地球。 文件HoughLines，SeparateHorVerLines，DiscardDuplicateLines，DiscardNonHorVerLines，FindSquares用于查找图像中的正方形。 有关该项目的详细信息，请参见-。

骨骨折检测 :worried_face: X射线图像中用于骨折检测的数据扩充和预处理 :person_raising_hand: 1. radius骨远端骨折 :crying_face: 1.1引言 :grinning_face_with_big_eyes: 这部分是关于使用更快的RCNN来检测远侧X射线图像中的远端识别并定位远端radius骨骨折。 （38张图像-分辨率高达1600×1600像素用于训练）。 结果（ACC = 0.96和mAP = 0.866）比医生和放射线医师（仅0.7 ACC）获得的检测结果准确得多。 一些挑战： :grinning_face_with_big_eyes: 在许多情况下，裂缝的尺寸很小且难以检测。 骨折有各种各样的不同形状 Faster R-CNN的优势在于它可以处理高分辨率图像。 同样，可以在检测少量图像的对象时以较高的精度训练Faster R-CNN。 两个明确的任务： 分类远端radius骨是否骨折。 找到骨折的位置。 1.2更快的RCNN 更快的RCNN包含3个部分： 用于分类和生成特征图的卷积深度神经网络。 区域提案

LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt