由于C++语言的运行优势，多数算法模型在实际应用时需要部署到C++环境下运行，以提高算法速度和稳定性 本文主要讲述WIn10下在VS工程中通过Opencv部署yolov5模型，步骤包括： 1.python环境下通过export.py导出.onnx模型 2.C++环境下通过tensorrt进行模型导入和调用，过程中实现int8量化加速 适合刚开始部署模型的小白或者研究者，内附教程

计算机视觉方向经典教材，英文原版，彩色

Python语言；代码包括有原始图像确定ROI；对前方道路的透视变换；边缘检测（采用sobel采用 x 方向的索贝尔算子）;在RGB色彩空间中对黄白两种颜色进行过滤从而提取出车道线的像素；HLS阈值化处理；组合梯度和色彩过滤车道线像素；滑窗多项式拟合车道线；拟合曲线使用透视变换还原到原视角。

三维点云手眼标定（眼在手上和眼在手外），资源包括了三维点云眼在手上和眼在手外场景的标定Halcon代码。 可应用于三维点云建立线激光与机器人关系求解，应用场景可能会用于无序抓取和鞋点胶之前建立线激光与机器人坐标。 适用于刚接触三维，刚接触HALCON,对三维手眼标定不了解的视觉爱好者，可参考学习，应用于项目实战中。 里面也包含了欧拉角求解，对这块求解有疑惑的也可参考。 可参考我之前标定过程画的流程图标定。

毕业设计 这是我使用“深度学习”的学士学位毕业项目的仓库。

基于Python写的bresenham算法（未优化），有个小小的漏洞就是不能算斜率小于零的题。

在这个项目中，我将对15个场景数据库（Bedroom、Coast、Forest、Highway、Industrial、InsideCity、Kitchen、LivingRoom、Mountain、Office、OpenCountry、Store、Street、Suburb、TallBuilding）进行训练和测试，借助HOG特征提取构建词袋模型，并利用集成学习分类器实现场景识别。 最邻近分类器：准确率（55.0%） 随机森林分类器：准确率（69.1%） 直方图梯度提升分类器：准确率（72.1%） 线性支持向量机分类器：准确率（72.7%） Ours：准确率（74.2%）

主要介绍了Python计算机视觉 图像扭曲（仿射扭曲），文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

资源中是《计算机视觉中的数学方法》对应的课件。本书由射影几何、矩阵与张量、模型估计三个部分组成，它们是三维计算机视觉所涉及到的基本数学理论与方法。I.射影几何学是三维计算机视觉的数学理论基础，是从事计算机视觉研究所必备的数学知识。II.矩阵与张量是描述和解决计算机视觉问题的必要数学工具，视觉领域研究人员都应该掌握这门数学。III.模型估计是三维计算机视觉的基本问题，通常涉及到变换或某种数学量的估计。

肺炎的预测 使用迁移学习预测肺炎（计算机视觉） Inception v3是一种广泛使用的图像识别模型，已显示在ImageNet数据集上达到了78.1％以上的精度。 该模型是多年来由多个研究人员提出的许多想法的集合。 它基于原始论文：Szegedy等人的“重新思考计算机视觉的初始架构”。 al。 该模型本身由对称和不对称的构建块组成，包括卷积，平均池，最大池，连接，丢失和完全连接的层。 Batchnorm在整个模型中得到广泛使用，并应用于激活输入。 损耗是通过Softmax计算的。 我们已经对模型进行了微调，以使其可以用于2个新的不同类的分类。 记住要安装requirements.txt