火山口相对导航 该存储库包含必要的组件，以组成地形相对导航（TRN）管道，以便在低（<500 km）高度绕月球导航。 它利用基于UNET（受启发）的火山口边缘检测方法，然后对其进行训练以在模拟的单眼相机图像上执行其任务。 这些图像是使用生成的，并且通过将弹坑的明显椭圆投影到图像平面中来创建训练蒙版。 识别是使用描述的方法完成的，该方法允许系统创建每个（大约）共面陨石坑三元组唯一的射影不变量数据库。 更多信息即将推出...

基于 OpenCV 和 KNN 的睡意驾驶检测系统 ：在这个存储库中，开发了一个程序来根据实时摄像头图像和图像处理技术识别驾驶员的困倦情况，该程序在检测到困倦驾驶时会针对每个困倦程度发出警告警报。 ：基于实时视频和图像处理技术，我们开发了一种程序，可以判断驾驶员的困倦状态，并在驾驶员困倦时根据特定级别发出警告警报。 实时视觉系统实现了驾驶员人脸和眼睛检测方法、通过去除光照影响去除假眼检测方法、睡意检测方法和使用监督学习算法的睡意阶段确定方法。 描述 ：在实时视觉系统的基础上，增加了驾驶员的面部和眼睛检测技术，并去除了由于眼睛检测误报引起的照明效果、困倦检测技术和监督学习算法来识别困倦程度。 Histogram of Oriented Gradients 技术和学习到的 Face Landmark 估计技术被用于检测人脸和眼睛。 为了消除光照的影响，将原始图像的光通道进行分离和反转，然

这是睡意检测数据集。根据眼睛是闭合还是睁开进行分类。 Drowsiness Detection Dataset_datasets.txt Drowsiness Detection Dataset_datasets.zip

DBSCAN异常检测 这是一种受DBScan算法启发的简单算法，但由于DBScan是随机启动的，因此适用于按顺序分析数据。 使用的数据集是一些Yahoo公开数据集，其中包含有关给定时间的Yahoo服务器的信息。 例如，在夜间，由于可能没有活动的用户，服务器的负载较少，但是在白天，由于用户处于活动状态，服务器的负载可能非常大。 主要目标是防止和识别系统异常。 该算法接收三个参数：需要训练的数据集，epsilon和minPts。 在本示例中，将minPts与值1一起使用是因为存在一个单一维度，并且算法从点到点移动并测量其值之间的距离。 最重要的参数是epsilon，因为它是算法测量新的簇或保持当前簇的阈值，当算法测量两个连续点之间的欧几里得距离时。 存在在线学习，因为当算法训练数据时，他能够同时识别出哪些点异常，因此它知道如何处理随机数据。 最具挑战性的部分是找到epsilon的最佳值

自己编写camera，实现camera preview， take picture并保存照片。同时基于opencv 2.4.8库，对保存的照片实现边缘检测。建议用Opencv2.4.8的库，不保证在其他opencv版本上能正常运行。

matlab图像分割肿瘤代码脑肿瘤检测的分水岭算法 该方法结合了分割和形态学运算，这是图像处理的基本概念。 使用MATLAB软件可以从大脑的MRI扫描图像中检测和提取肿瘤。 我们首先要集中精力创建一个程序，该程序需要很少的处理时间来获得结果。 执行代码 在matlab中打开代码 更改每个输入图像的目录图像5的示例I = imread（'C：\ Users \ Manjunatha \ Desktop \ 5.jpg'）; 运行代码

这是主要项目的纯源python版本（不含Flask） 判断篮球投篮 橙色：检测到箍 蓝色：检测到篮球 紫色：不确定的镜头 红色：小姐 绿色：射门进去了 检测到篮球和篮筐 适应曲线的篮球轨迹 连接的篮球检测点

Severstal：钢缺陷检测-Kaggle 准确度：89.5％| 排名1的90.8％ 排名：345/2427 战队：岩浆蓝调 ， ， 平板钢板的生产过程特别精细。 从加热，轧制到干燥和切割，几台机器在准备装运时就接触扁钢。 如今，谢韦尔（Severstal）使用高频摄像机的图像来驱动缺陷检测算法。 竞争涉及开发模型以对钢板上的表面缺陷进行定位和分类。

重新实现CRAFT-字符区域感知以进行文本检测 客观的 复制论文提到的弱监督培训 在所有流行的数据集上生成字符bbox。 使用命令行界面公开经过预训练的模型，以在自定义图像上合成结果 克隆存储库 git clone https://github.com/autonise/CRAFT-Remade.git cd CRAFT-Remade 选项1：Conda环境安装 conda env create -f environment.yml conda activate craft 选项2：Pip安装 pip install -r requirements.txt 在自定义图像上运行 将图像放在文件夹中。 从预先训练的模型列表中获取预先训练的模型（当前仅可使用SYNTH-Text进行严格监督） 运行命令- python main.py synthesize --model=./mo

使用自动编码器神经网络检测恶意URL 该存储库包含使用自动编码器神经网络检测恶意URL的代码源。 中提供了有关其工作原理的文章。 要构建和测试模型，可以运行： $ python train_and_test_urls_autoencoder.py 如果您想生成新的丰富数据，可以运行： $ python enrich_urls_data.py