Cascade

1. 源代码 先给出测试的结果，关键点并不是特别准，原因是训练样本数据量太少。 以下给出完整的人脸关键点检测器训练代码。详细的代码解读请看第二部分。 /* faceLandmarksTrain.cpp function:借助dlib训练自己的人脸关键点检测器(参考dlib/examples/train_shape_predictor_ex) date:2016/11/6 author:Elaine_Bao */ #include <dlib/image_processing.h> #include <dlib/data_io.h> #include <iostream> using namespace dlib; using namespace std; // ---------------------------------------------------------------------------------------- //获取两眼间距离，输出D[i][j]表示objects[i][j]中人脸的两眼间距离 std::vector<std::vector<double> > get_interocular_distances( const std::vector<std::vector<full_object_detection> >& objects ); // -

开发配置 OpenCV的例程中已经带有了人脸检测的例程，位置在：OpenCV\samples\facedetect.cpp文件，OpenCV的安装与这个例子的测试可以参考我之前的博文 Linux 下编译安装OpenCV 。 网上能够找到关于OpenCV人脸检测的例子也比较多，大多也都是基于这个例程来更改，只是多数使用的是OpenCV 1.0的版本，而OpenCV2.0以后由于模块结构的更改，很多人并没有将例程运行起来。如果是新版的OpenCV跑旧的例程，编译运行出错的话，需要确保： #include "opencv2/objdetect/objdetect.hpp" 头文件被引用，老的头文件包含可能会提示找不到定义 libopencv_objdetect243.dll.a 库需要加入链接 之前找了几个例程，不尽如人意，于是决定还是改自带的例程更靠谱，更多的信息，已经在程序中添加注释，参见程序吧。 pro文件的工程配置，具体路径按照安装路径更改，Linux下也一样。 人脸检测基础知识整理 下面整理下人脸检测的相关知识。 人脸检测从整体来看分为四个部分： 1、Face detection 人脸识别，即识别出这是人的脸，而不管他是谁的。 2、Face preprocessing 面部预处理，即提取出脸部图像。 3、Collect and learn faces 脸部的特征采集和学习 4

一看就懂的MySQL教程 一、安装 二、卸载 三、配置 1、MySQL服务启动 2、MySQL登录 3、MySQL 退出 四、SQL 1、什么是SQL 2、SQL通用语法 3、SQL分类 1）DDL 2）DML 3）DQL 4）DCL 五、DDL：操作数据库、表 1、操作数据库：CRUD 2、操作表 六、DQL:增删改表中的数据 1、添加数据 2、删除数据 3、修改数据 七、DQL：查询语句 1、语法： 2、基础查询 3、条件查询 4、排序查询 5、聚合函数 6、分组查询 7、分页查询 八、表的约束 1、概念 2、分类 1.主键约束：primary key 2.非空约束：not null 3.唯一约束： unique，值不能重复 4.外键约束：foreign key 九、多表操作 1、分类 十、三大范式 1、数据库设计的范式 概念 分类： 十一、数据库的备份和还原 十二、多表查询 1.查询语法 2.笛卡尔积 3.多表查询的分类 4.外连接查询 十三、子查询 1.概念： 2. 子查询不同情况 十四、事务 1.概念 2.操作 3.例子 4.MySQl数据库中事务默认自动提交 5.事务的四大特征 6.事务的隔离级别（了解） 十五、用户管理和权限管理 1.管理用户 2.权限管理 一、安装 直接网上下载，看着提示安装就行，要是看不懂英文，手机版的有道词典是个好东西，可以拍照翻译！！！ 二

【Opencv综合应用】自制训练集的人脸识别4——利用训练的xml识别人脸 说明 一，主要步骤 二，全部代码 三，结果 说明 本文参考自 https://www.cnblogs.com/fpzs/p/10550450.html . 还是和之前一样，由于Opencv版本的不同，需要增加头文件#include <opencv2/imgproc/types_c.h>，修改detectMultiScale中第5个参数CV_HAAR_DO_ROUGH_SEARCH为CASCADE_SCALE_IMAGE，然后就没问题了。 有了之前三篇文章的基础 【Opencv综合应用】自制训练集的人脸识别3——用csv文件生成xml文件 . 【Opencv综合应用】自制训练集的人脸识别2——制作csv文件 . 【Opencv综合应用】自制训练集的人脸识别1——拍摄10张人脸图片 . 终于，到了这个项目的最后一步了，现在我们就可以用训练好的模型，把检测到的人脸与人脸模型里面的进行对比，找出这是谁的脸了。 一，主要步骤 使用的是opencv中的Haar特征分类器，Harr Cascades 识别对象为视频中的人脸 1.打开摄像头。 2.加载人脸检测器，加载人脸模型。 3.待识别图像预处理 resize cvtColor 等，人脸检测。 4.把检测到的人脸与人脸模型里面的进行对比，找出这是谁的脸。 5

#前言部分来自Django Book （一） 前言 大多数web应用本质上： 1、 每个页面都是将数据库的数据以HTML格式进行展现。 2、 向用户提供修改数据库数据的方法。（例如：注册、发表评论信息等） 把数据存取逻辑、业务逻辑和表现逻辑组合在一起的概念有时被称为软件架构的 Model-View-Controller(MVC)模式。 在这个模式中， Model 代表数据存取层，View 代表的是系统中选择显示什么和怎么显示的部分，Controller 指的是系统中根据用户输入并视需要访问模型，以决定使用哪个视图的那部分。 对于Django，可以理解为遵循MVC模式： M ，数据存取部分，由django数据库层处理，即模型。 V ，选择显示哪些数据要显示以及怎样显示的部分，由视图和模板处理。 C ，根据用户输入委派视图的部分，由 Django 框架根据 URLconf 设置，对给定 URL 调用适当的 Python 函数。 由于 C 由框架自行处理，而 Django 里更关注的是模型（Model）、模板(Template)和视图（Views），Django 也被称为 MTV 框架 。在 MTV开发模式中： M 代表模型（Model），即数据存取层。 该层处理与数据相关的所有事务： 如何存取、如何验证有效性、包含哪些行为以及数据之间的关系等。 T 代表模板(Template)

一、多表 sql 单表 多表 多对一 多对多 一对一 =============================================== 一对多： Book id title price publish_id 1 php 100 1 2 python 200 1 3 go 300 2 Publish id name email addr 1 人名出版社 @ 北京 2 沙河出版社 @ 沙河 一旦确定是 一对多 怎么建立一对多的关系？---》 关联字段 ，建在‘多’的表中 查询python这本书的出版社的邮箱 (子查询) select email from Publish where id = ( select publish_id from Book where title = 'python' ) =============================================== 多对多：(彼此一对多) Book id title price publish_id 1 php 100 1 2 python 200 1 3 go 300 2 Author id name age addr 1 alex 34 beijing 2 egon 29 nanjing Book2Author id book_id author_id 1 2 1 2 2 2 3 3 2

资料来源： 人工智能前沿讲习 表格资料来源： hoya012的Github Detector VOC07 (mAP@IoU=0.5) VOC12 (mAP@IoU=0.5) COCO (mAP@IoU=0.5:0.95) Published In R-CNN 58.5 - - CVPR'14 SPP-Net 59.2 - - ECCV'14 MR-CNN 78.2 (07+12) 73.9 (07+12) - ICCV'15 Fast R-CNN 70.0 (07+12) 68.4 (07++12) 19.7 ICCV'15 Faster R-CNN 73.2 (07+12) 70.4 (07++12) 21.9 NIPS'15 YOLO v1 66.4 (07+12) 57.9 (07++12) - CVPR'16 G-CNN 66.8 66.4 (07+12) - CVPR'16 AZNet 70.4 - 22.3 CVPR'16 ION 80.1 77.9 33.1 CVPR'16 HyperNet 76.3 (07+12) 71.4 (07++12) - CVPR'16 OHEM 78.9 (07+12) 76.3 (07++12) 22.4 CVPR'16 MPN - - 33.2 BMVC'16 SSD 76.8 (07+12) 74.9 (07++12) 31.2

时钟架构总览 7系的FPGA使用了专用的全局(Global)和区域(Regional)IO和时钟资源来管理设计中各种的时钟需求。Clock Management Tiles(CMT)提供了时钟合成(Clock frequency synthesis)，倾斜矫正(deskew)，过滤抖动(jitter filtering)功能。非时钟资源，例如本地布线，不建议使用在时钟设计中。 全局时钟树(Global clock tree)可以驱动device中的所有同步原件（synchronous elements） IO和区域时钟树(Regional clock tree)可以驱动最多三个垂直连接的时钟区域 每一个CMT包括了一个MMCM(Mixed-mode clock manager)和一个PLL(Phase-Locked Loop)。两者存在于的CMT柱（CMT Column）中，而CMT柱则在IO柱(IO Column)旁边。 为了满足不同的时钟使用需求，每一个7系的device都把时钟分成了区域(Regions) 根据不同的device大小，时钟区域从最少的4个到最大的24个 一个时钟区域包括了所有的同步元件(例如： CLB， IO， Serial Transceivers，DSP， Block RAM， CMT)，也包括了50个CLBs和一个IO bank

/**************************************************************************************************/ // 函数名称：OnMenu020503() // 函数功能：“对角积分图”菜单。 // 函数参数： // 输入参数: 无 // 输出参数: 无 // 返 回 值：void // 创建作者：（QQ：370711753） // 修改日期：2017/11/08 16:25:58 /**************************************************************************************************/ void COpenCVDlg::OnMenu020503() { try // 错误处理 { Mat lv_MatImageIntegralSum = Mat(); Mat lv_MatImageIntegralSqSum = Mat(); Mat lv_MatImageIntegralTilted = Mat(); Mat lv_MatImageIntegralNorm = Mat(); // 计算积分图像 cv::integral(m_MatImageRead, lv_MatImageIntegralSum,

作者|OpenCV-Python Tutorials 编译|Vincent 来源|OpenCV-Python Tutorials 简介 使用弱分类器的增强级联包括两个主要阶段：训练阶段和检测阶段。 对象检测教程 中介绍了使用基于HAAR或LBP模型的检测阶段。本文档概述了训练自己的弱分类器的级联所需的功能。当前指南将逐步完成所有不同阶段：收集训练数据，准备训练数据并执行实际模型训练。 为了支持本教程，将使用几个官方的OpenCV应用程序：opencv_createsamples，opencv_annotation，opencv_traincascade和opencv_visualisation。 重要的事项 如果您遇到任何提及旧的opencv_haartraining工具（ 不推荐使用，仍在使用OpenCV1.x界面 ）的教程，请忽略该教程并坚持使用opencv_traincascade工具。此工具是较新的版本，根据OpenCV 2.x和OpenCV 3.x API用C ++编写。opencv_traincascade支持类似HAAR的小波特征[227]和LBP（局部二进制模式）[127]特征。与HAAR特征相比，LBP特征产生整数精度，产生浮点精度，因此LBP的训练和检测速度都比HAAR特征快几倍。关于LBP和HAAR的检测质量，主要取决于所使用的训练数据和选择的训练参数