传统的边缘检测方法大都基于灰度图像，不能充分利用彩色图像的全部信息。针对已有算法中存在的像素点扩散、边缘定位不准确、边缘不连续等问题，提出了一种彩色图像边缘提取算法，基于图像自身梯度方向信息和多通道信息融合技术，将灰度边缘模板算子扩展应用到彩色图像的边缘检测中，在RGB空间中对原彩色图像进行多通道边缘检测；同时采用滤波来抑制噪声，依靠边缘生长保证检出边缘的连续性，并提出了自适应确定边缘提取门限值的方法。该文提出的彩色图像边缘检测算法计算量小，实验结果表明了其能充分利用图像的颜色和梯度信息，有效地消除噪声，

摘要:VC/C++源码,图形处理,边缘检测 边缘检测VC源码，带可执行文件和所需控件，在Win7、win7SP1下完成测试，Vista SP2（未测试）、Win8（未测试），本边缘检测程序不支持XP操作系统，注意：在Windows XP系统下不能运行生成的Exe程序。 运行环境：Windows/Visual C/C++

sensor_feature_extraction sensor_feature_extraction 从可穿戴惯性传感器数据中计算 100 多个特征。 这些特征是统计的、基于信号处理的和生物力学的。 步态周期事件检测还计算几个与步数/步幅相关的指标。

手工标注行人检测数据集，图片为jpg，共485张，xml485个。

采用小波变换的方法进行显著性图像检测，获取图像中的显著区域

matlab cusum代码安装软件包 > 贝叶斯检测器 Adwin检测器 累积和 运行演示 > demo () 预测变化置信函数 (PCCF) 脚本包含核心功能 函数pccf(T, mu, sigma)使用解析解计算高斯分布的 Pccf 函数pccf_mp(T, mu, sigma)使用简单的消息传递算法计算 Pccf（对于任意分布的情况，可以轻松修改） 函数write_pccf(filepath, T = 100, mu = 25.0, sigma = 3.2) Pccf 值打印到文件中 脚本运行模拟确认pccf()和pccf_mp()正确性 Gamma 分布案例 用于 Gamma 分发的 PCCF 位于文件 ./r-code/pccfGamma.R PS：程序是用语言编写的（语法是 ）。 参考

摘要：针对目前严重的疲劳驾驶行为，研制了一种疲劳驾驶检测装置。在座椅头枕上前方正对驾驶员头部的位置安装1个红外线发射二极管和2个红外线接收头，由单片机控制红外线发射的电流强度，同时检测接收头的信息就可以检测头部的相对位置。如果驾驶员处在疲劳驾驶状态中，头部必定偏离正常位置并且时间超过设定值，则输出报警和制动控制信号。在几种典型车辆上对该系统进行了实验，验证了方法的正确性和有效性，并能达到较高的测量精度。 　　1　检测仪结构特点 　　该检测仪由单片机控制反射式红外线传感器对驾驶员头部位置进行检测，通过检测驾驶员在常规坐姿下的头部与座椅头枕的相对位置，自动判断驾驶员是否处在疲劳驾驶状态中。

马氏距离异常检测 马氏距离用于多变量异常检测的实现。 此仓库包含使用数据组件之间的马氏距离在多变量数据中创建阈值异常检测的功能。 点安装-i mahala-ad 改编自： :

基于STM32单片机二氧化碳CO2检测采集报警系统阈值.zip

该存储库包含本文中使用的tensorflow模型和训练脚本： 。 这些脚本改编自，此处为了使这些脚本自成一体，在此重复了一些脚本。 要训​​练具有3个完全连接的层且每层具有128个神经元的DNN，请运行： python train.py --model_architecture dnn --model_size_info 128 128 128 命令行参数--model_size_info用于将神经网络层尺寸（例如层数，卷积过滤器尺寸/步幅）作为列表传递给models.py，后者根据提供的模型体系结构和层尺寸构建张量流图。 有关每种网络体系结构的model_size_info的更多信息，请参见 。 与所有的超参数训练命令复制在显示模型给出了。 要从训练/验证/测试集上的检查点对训练后的模型进行推断，请运行： python test.py --model_architecture d