全套现代汽车：17辆漂亮的汽车； 具有镜面反射（金属工作流程），法线和咬合图的PBR材料 准备用于任何交通系统或作为简单的静态预制件。 网格非常详细，因此暂时不适合移动。 每辆车都有自己的预制件和材料，玻璃和标牌除外，其中所有车子共享相同的材料。

Obstacle Detection for Self-Driving Cars Using Only Monocular Cameras and Wheel Odometry

无人驾驶汽车的动手视觉和行为 这是Packt发布的《无人驾驶的代码库。 使用Python 3和OpenCV 4探索视觉感知，车道检测和对象分类 这本书是关于什么的？ 这本书将使您对推动自动驾驶汽车革命的技术有深刻的了解。 首先，您所需要的只是计算机视觉和Python的基础知识。 本书涵盖以下激动人心的功能： 了解如何执行相机校准 熟悉使用OpenCV在自动驾驶汽车中进行车道检测的工作原理 通过在视频游戏模拟器中自动驾驶来探索行为克隆 掌握使用激光雷达的技巧 探索如何配置自动驾驶仪的控件 使用对象检测和语义分割来定位车道，汽车和行人 编写PID控制器以控制在模拟器中运行的自动驾驶汽车 如果您觉得这本书适合您，请立即获取！ 说明和导航 所有代码都组织在文件夹中。 例如，Chapter02。 该代码将如下所示： img_threshold = np.zeros_like(chan

为实现玉米种子含水率(MC)的精确、快速、无损检测, 消除种子放置方式(胚部朝上/下)的影响, 基于高光谱成像和图像处理技术, 结合变量筛选法, 针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像, 提取质心区域光谱数据, 采用竞争性自适应重加权变量选择算法筛选特征波段, 建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势, 挑选4个特征波段(1104, 1304, 1454, 1751 nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果, 自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明, 使用波段运算正、反面识别率分别为97.8%、100%; 正、反两面验证集相关系数分别为0.969, 0.946, 均方根误差分别为0.464%, 0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。

javaCard2.2规范，中文。只是一部份。

CARS特征波长提取。竞争性自适应重加权算法(CARS)是通过自适应重加权采样(ARS)技术选择出PLS模型中回归系数绝对值大的波长点

自适应重加权波近红外光谱段选择的PYTHON代码

opencv 车辆识别 训练模型文件 cars.xml

级联分类器，完成的车辆和人脸识别的训练集，调用即可使用

该数据集主要包括 AutoTel 共享汽车的主要信息，例如时间，经纬度等位置信息。通过机器学习，该数据集被用于预测共享汽车的地理位置可用性，从而修改业务模型，以便实现共享汽车从低需求区到高需求区的调用