简要： EigenFace是基于PCA降维的人脸识别算法，PCA是使整体数据降维后的方差最大，没有考虑降维后类间的变化。 它是将图像每一个像素当作一维特征，然后用SVM或其它机器学习算法进行训练。但这样维数太多，根本无法计算。我这里用的是ORL人脸数据库，英国剑桥实验室拍摄的，有40位志愿者的人脸，在不同表情不同光照下每位志愿者拍摄10张，共有400张图片，大小为112*92，所以如果把每个像素当做特征拿来训练的话，一张人脸就有10304维特征，这么高维的数据根本无法处理。所以需要先对数据进行降维，去掉一些冗余的特征。 第一步：将ORL人脸图片的地址统一放在一个文件里，等会通过对该文件操作，将

c# 调用yolov7-tiny，使用openchsharp加载.weights 和.cfg文件，进行推理。i5 10400 的 total时间 在25ms左右。

1.通过一个界面打开视频文件，并显示文件信息 2.启动行人检测功能，用bounding box标记出来 3.选择一个目标文件夹，将行人检测出来

opencv的fps源码分析及基于ffmpeg的解决方案 密码6967

这是根据《python趣味编程：从入门到人工智能》第4单元第34课的python代码改写的julia代码，需要安装OpenCV库。

利用opencv C++录制视频

使用opencv-python

简介：图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。 普通图像二值化 代码如下： import cv2 as cv import numpy as np #全局阈值 def threshold_demo(image): gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY) #把输入图像灰度化 #直接阈值化是对输入的单通道矩阵逐像素进行阈值分割。 ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_TRIA

有时找到的数据集大小不同，需要处理成指定大小

正样本集为包含“识别物体”的灰度图，一般大于等于2000张，尺寸不能太大，尺寸太大会导致训练时间过长。负样本集为不含“识别物体”的任何图片，一般大于等于5000张，尺寸比正样本集稍大。一般为正样品集的3倍。在当前文件夹下新建五个文件夹，pos和neg放处理后的图片，ini_pos和ini_neg放原来的图像，xml放以后自定义生成的分类器将下载的正负样本集分别放入ini_pos和ini_neg文件夹。我百度图片上下载了船的图片到ini_pos,鱼的图片到ini_neg。