在Visual Studio上，使用OpenCV实现人脸识别

news2024/11/26 9:05:45

1. 环境与说明

本文介绍了如何在Visual Studio上，使用OpenCV来实现人脸识别的功能

环境说明 :

  • 操作系统 : windows 10 64位
  • Visual Studio版本 : Visual Studio Community 2022 (社区版)
  • OpenCV版本 : OpenCV-4.8.0 (2023年7月最新版)

实现效果如图所示，识别到的人脸会用红框框出来 :

在这里插入图片描述

2. 配置Visual Studio环境

这部分详见我的另一篇博客 : Visual Studio 2022 cmake配置opencv开发环境

最终配置好后，能够在Visual Studio中正常调用OpenCV，运行CMake项目(C++程序)
在这里插入图片描述

3. 实现摄像头预览

这部分要用到VideoCapture这个类，VideoCapture既支持从视频文件读取，也支持直接从摄像机等监控器中读取，还可以读取 IP 视频流，要想获取视频需要先创建一个 VideoCapture 对象来打开相机，然后就可以来操作视频帧了。

我们将项目代码修改为如下内容

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"

using namespace std;
using namespace cv;

int main()
{
	VideoCapture capture;
	//打开相机，这个传入的相机ID为0
	capture.open(0);
	if (!capture.isOpened())
	{
		cout << "opencv打开摄像头失败!\n" << endl;
		return -1;
	}
	//Mat矩阵，用来存一张图片
	Mat frame;
	while (true)
	{
		//从capture中取数据，将画面输出到frame矩阵里面
		capture >> frame; 
		if (frame.empty())
		{
			cout << "读取摄像头数据失败\n" << endl;
		}
		imshow("摄像头", frame); //显示图像

		if (waitKey(30) == 27) //按下ESC键退出程序
		{
			break;
		}
	}
	return 0;
}

运行程序，效果如下所示

在这里插入图片描述

4. 转化为灰度图像

接下来我们需要将图片转化为灰度图，为什么要进行灰度化处理呢 ? 主要有以下几个作用，提高人脸识别的准确性和可靠性

  • 简化图像处理：灰度化可以将彩色图像转化为黑白图像，使得处理更加简单。彩色图像包含三个通道（红、绿、蓝），而灰度图像只有一个通道，使得处理更加快速和高效。
  • 消除颜色信息：人脸识别对于颜色信息并不是非常敏感，而更关注形状和轮廓等特征。因此，通过灰度化处理，可以消除颜色信息对于后续处理的影响。
  • 提高处理性能：灰度化处理可以减少计算量，提高处理性能。在人脸识别过程中，对每个像素进行颜色计算会消耗大量计算资源，而灰度化处理只需要对每个像素的亮度进行计算，减少了计算量。
  • 突出图像特征：灰度化处理可以突出图像中的边缘和纹理等特征。这些特征对于人脸识别非常关键，可以帮助算法更好地识别人脸。

进行灰度化处理我们需要调用void cvtColor( InputArray src, OutputArray dst, int code, int dstCn = 0 );，这里src是我们输入的图像，dst是我们要输出的图像，code需要传COLOR_BGR2GRAY，表示将BGR转化为灰度图。

要注意，在OpenCV中，是BGR排列方式，而不是RGB排列。

具体完整代码如下

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"

using namespace std;
using namespace cv;

int main()
{
	VideoCapture capture;
	capture.open(0);
	if (!capture.isOpened())
	{
		cout << "opencv打开摄像头失败!\n" << endl;
		return -1;
	}
	Mat frame; //摄像头彩色图像
	Mat grayFrame; //摄像头灰度图像
	while (true)
	{
		//从capture中取数据，将画面输出到frame矩阵里面
		capture >> frame; 
		if (frame.empty())
		{
			cout << "读取摄像头数据失败!\n" << endl;
			return -1;
		}
		imshow("摄像头", frame); //显示彩色图像
		//灰度化处理
		cvtColor(frame, grayFrame, COLOR_BGR2GRAY); //注意 : OpenCV中是BRG
		imshow("灰度化", grayFrame); //显示灰色图像


		if (waitKey(30) == 27) //ESC键
		{
			break;
		}
	}
	return 0;
}

运行程序，效果如下所示，左边的是彩色画面，右边的是黑白画面

在这里插入图片描述

5. 直方图均衡化处理

接着，要进行直方图均衡化处理，为什么要进行这一步操作呢 ? 主要有以下几个作用，提高人脸识别的准确性和可靠性

  • 提高对比度：直方图均衡化通过重新分布图像像素的灰度级，将原始图像中的灰度级分布变得更加均匀。这样做可以增强图像的对比度，使得人脸的特征更加清晰可见。
  • 消除光照变化：人脸识别中的一个挑战是光照变化对人脸图像的影响。直方图均衡化可以消除光照变化，使得人脸图像在不同光照条件下具有一致的亮度和对比度。
  • 提高图像质量：直方图均衡化可以改善图像的质量，去除图像中的噪声和伪影。这对于后续的人脸特征提取和匹配非常重要，可以提高人脸识别的准确性和鲁棒性。
  • 增强细节信息：直方图均衡化可以增强图像的细节信息，使得人脸图像中的纹理和特征更加明显。这对于人脸识别算法的性能至关重要，可以提高人脸识别的准确率和鲁棒性。

直方图均衡化处理需要调用void equalizeHist( InputArray src, OutputArray dst);，src是输入的图像，需要是单通道的灰度图，dst是我们输出的图像。

具体完整代码如下

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"

using namespace std;
using namespace cv;

int main()
{
	VideoCapture capture;
	capture.open(0);
	if (!capture.isOpened())
	{
		cout << "opencv打开摄像头失败!\n" << endl;
		return -1;
	}
	Mat frame; //摄像头彩色图像
	Mat grayFrame; //摄像头灰度图像
	Mat equalizeFrame; //直方图
	while (true)
	{
		capture >> frame; //从capture中取数据，将画面输出到frame矩阵里面
		if (frame.empty())
		{
			cout << "读取摄像头数据失败!\n" << endl;
			return -1;
		}
		imshow("摄像头", frame); //显示图像
		//灰度化处理
		cvtColor(frame, grayFrame, COLOR_BGR2GRAY); //注意 : OpenCV中是BRG
		imshow("灰度化", grayFrame); //显示图像
		//直方图均衡化，用来增强图像对比度，从而让轮廓更加明显
		equalizeHist(grayFrame, equalizeFrame);
		imshow("直方图", equalizeFrame);


		if (waitKey(30) == 27) //ESC键
		{
			break;
		}
	}
	return 0;
}

运行程序，效果如下所示，最右边的是经过直方图均衡化处理后的
在这里插入图片描述

6. 加载级联分类器

级联分类器CascadeClassifier的作用是进行目标检测。它是一种基于机器学习的分类器，通过训练多个弱分类器来识别目标物体。这些弱分类器层层级联，形成一个级联分类器，能够快速准确地检测出图像中的目标物体。

级联分类器通常用于人脸检测，可以通过训练来识别人的面部特征，如眼睛、鼻子、嘴巴等，从而识别人脸并定位人脸的位置。在OpenCV中，CascadeClassifier类提供了一个方便的接口，可以加载预训练的级联分类器，并进行目标检测操作。

首先我们要去加载级联分类器文件(xml文件)，这些文件位于D:\Developer\opencv4.8.0\opencv\build\etc目录下，这里我们用的是haarcascade这种基于梯度提升决策树的分类器 (另一种lbpcascade是一种基于局部二值模式LBP的分类器)

在haarcascade目录下，我们可以看到haarcascade_frontalface_alt.xml这个文件，就是我们需要的，用于人脸识别的级联分类器了。
在这里插入图片描述
所以，我们加载级联分类器的时候，去指定这个路径D:\Developer\opencv4.8.0\opencv\build\etc\haarcascades\haarcascade_frontalface_alt.xml，需要注意的是，放到代码里，这里的要将\改为/ (或者改为\\也行)。如果不改，那么路径不对，级联分类器会读取出错。

具体代码如下

int main()
{
	CascadeClassifier face_CascadeClassifier;
	if (!face_CascadeClassifier.load("D:/Developer/opencv4.8.0/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml")) {
		cout << "级联分类器加载失败!\n" << endl;
		return -1;
	}

	//这里省略了原本其他的代码 ...
}

7. 进行人脸检测

接下来我们就要进行人脸检测了，人脸检测需要调用detectMultiScale方法，第一个参数 image 需要传入我们刚才处理后的直方图，第二个参数objects会返回所有检测出来的人脸的坐标。

void detectMultiScale( InputArray image,
				CV_OUT std::vector<Rect>& objects,
				double scaleFactor = 1.1,
				int minNeighbors = 3, int flags = 0,
				Size minSize = Size(),
				Size maxSize = Size() );

还有一个rectangle方法，用来在得到人脸坐标之后，进行画框。第一个参数img代表要在哪个图像上画框，第二个参数rec表示框的坐标，第三个参数color表示画框的颜色。

void rectangle(InputOutputArray img, Rect rec,
				const Scalar& color, int thickness = 1,
				int lineType = LINE_8, int shift = 0);

主要代码如下所示

std::vector<Rect> faces;
face_CascadeClassifier.detectMultiScale(grayFrame, faces);  //检测人脸

for (size_t i = 0; i < faces.size(); i++)
{
	rectangle(frame,faces[i],Scalar(0,0,255)); //在人脸的位置画红色的框
}

来看一下完整代码

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"

using namespace std;
using namespace cv;

int main()
{
	//加载级联分类器
	CascadeClassifier face_CascadeClassifier;
	if (!face_CascadeClassifier.load("D:/Developer/opencv4.8.0/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml")) {
		cout << "级联分类器加载失败!\n" << endl;
		return -1;
	}

	VideoCapture capture;
	capture.open(0);
	if (!capture.isOpened())
	{
		cout << "opencv打开摄像头失败!\n" << endl;
		return -1;
	}
	Mat frame; //摄像头彩色图像
	Mat grayFrame; //摄像头灰度图像
	Mat equalizeFrame; //直方图
	while (true)
	{
		capture >> frame; //从capture中取数据，将画面输出到frame矩阵里面
		if (frame.empty())
		{
			cout << "读取摄像头数据失败!\n" << endl;
		}
		//imshow("摄像头", frame); //显示图像
		//灰度化处理
		cvtColor(frame, grayFrame, COLOR_BGR2GRAY); //注意 : OpenCV中是BRG
		//imshow("灰度化", grayFrame); //显示图像
		//直方图均衡化，用来增强图像对比度，从而让轮廓更加明显
		equalizeHist(grayFrame, equalizeFrame);
		//imshow("直方图", equalizeFrame);

		std::vector<Rect> faces;
		face_CascadeClassifier.detectMultiScale(grayFrame, faces);  //检测人脸

		for (size_t i = 0; i < faces.size(); i++)
		{
			rectangle(frame,faces[i],Scalar(0,0,255));
		}
		imshow("摄像头", frame); //显示图像


		if (waitKey(30) == 27) //ESC键
		{
			break;
		}
	}
	return 0;
}

运行程序，来看一下效果

可以看到，人脸已经检测出来了，并对人脸进行了画框。但是可以画面非常的卡顿，因为人脸检测是非常耗时的，可能需要500毫秒甚至1-2秒时间，这里每一帧都去检测人脸，导致了异常卡顿。所以这种方式只适合用来检测静态图像，并不适合用作实时的摄像头人脸跟踪检测。

8. 实现实时人脸跟踪检测

8.1 OpenCV Android Demo

那我们需要来怎么做呢 ? 其实我们可以来看一下官方的示例，我们要去下载官方的Android包，里面有Android的官方示例。

在这里插入图片描述

8.2 DetectionBasedTracker_jni.cpp

我们下载解压后，可以在OpenCV-android-sdk\samples\face-detection\jni目录下找到DetectionBasedTracker_jni.cpp这个文件
在这里插入图片描述
在里面的nativeCreateObject方法里，我们可以发现其调用了这几句代码
在这里插入图片描述

8.3 CascadeDetectorAdapter

CascadeDetectorAdapter是一个适配器类，用于将CascadeClassifier与Detector接口适配起来，从而用于检测人脸。

再来看一下CascadeDetectorAdapter这个类，里面的detect方法就是用来检测人脸的
在这里插入图片描述

8.4 DetectorAgregator

然后来看一下第三行代码中的DetectorAgregator，这里面有tracker = makePtr<DetectionBasedTracker>(mainDetector, trackingDetector, DetectorParams);这行代码是我们需要的，用来传入mainDetector和trackingDetector，生成一个tracker对象。
在这里插入图片描述

8.5 开始重新编写代码

这里我们将原来写的人脸检测的代码删除了，代码恢复到了刚配置好OpenCV的初始状态，然后将CascadeDetectorAdapter这个类的代码复制到我们的项目中

class CascadeDetectorAdapter: public DetectionBasedTracker::IDetector
{
public:
    CascadeDetectorAdapter(cv::Ptr<cv::CascadeClassifier> detector):
            IDetector(),
            Detector(detector)
    {
        CV_Assert(detector);
    }

    void detect(const cv::Mat &Image, std::vector<cv::Rect> &objects)
    {
        Detector->detectMultiScale(Image, objects, scaleFactor, minNeighbours, 0, minObjSize, maxObjSize);
    }

    virtual ~CascadeDetectorAdapter(){}

private:
    CascadeDetectorAdapter();
    cv::Ptr<cv::CascadeClassifier> Detector;
};

声明 tracker这个对象。

cv::Ptr<DetectionBasedTracker> tracker;

然后创建tracker，并调用run()方法，会启动一个异步线程，后面的人脸检测会在这个异步线程进行检测了。

string stdFileName = "D:/Developer/opencv4.8.0/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml";
//创建一个主检测适配器
cv::Ptr<CascadeDetectorAdapter> mainDetector = makePtr<CascadeDetectorAdapter>(
	makePtr<CascadeClassifier>(stdFileName));
//创建一个跟踪检测适配器
cv::Ptr<CascadeDetectorAdapter> trackingDetector = makePtr<CascadeDetectorAdapter>(
	makePtr<CascadeClassifier>(stdFileName));
//创建跟踪器
DetectionBasedTracker::Parameters DetectorParams;
tracker = makePtr<DetectionBasedTracker>(mainDetector, trackingDetector, DetectorParams);
tracker->run();

然后在人脸检测的使用调用tracker->process(grayFrame);进行人脸检测，并调用tracker->getObjects(faces);获得识别出来的人脸。

tracker->process(grayFrame);
tracker->getObjects(faces);

核心代码就是如上所示，接下来我们再来看一下完整的代码

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"

using namespace std;
using namespace cv;

class CascadeDetectorAdapter : public DetectionBasedTracker::IDetector
{
public:
	CascadeDetectorAdapter(cv::Ptr<cv::CascadeClassifier> detector) :
		IDetector(),
		Detector(detector)
	{
		CV_Assert(detector);
	}

	void detect(const cv::Mat& Image, std::vector<cv::Rect>& objects)
	{
		Detector->detectMultiScale(Image, objects, scaleFactor, minNeighbours, 0, minObjSize, maxObjSize);
	}

	virtual ~CascadeDetectorAdapter()
	{
	}

private:
	CascadeDetectorAdapter();
	cv::Ptr<cv::CascadeClassifier> Detector;
};

cv::Ptr<DetectionBasedTracker> tracker;

int main()
{
	string stdFileName = "D:/Developer/opencv4.8.0/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml";
	//创建一个主检测适配器
	cv::Ptr<CascadeDetectorAdapter> mainDetector = makePtr<CascadeDetectorAdapter>(
		makePtr<CascadeClassifier>(stdFileName));
	//创建一个跟踪检测适配器
	cv::Ptr<CascadeDetectorAdapter> trackingDetector = makePtr<CascadeDetectorAdapter>(
		makePtr<CascadeClassifier>(stdFileName));
	//创建跟踪器
	DetectionBasedTracker::Parameters DetectorParams;
	tracker = makePtr<DetectionBasedTracker>(mainDetector, trackingDetector, DetectorParams);
	tracker->run();

	VideoCapture capture;
	capture.open(0);
	if (!capture.isOpened())
	{
		cout << "opencv打开摄像头失败!\n" << endl;
		return -1;
	}
	Mat frame; //摄像头彩色图像
	Mat grayFrame; //摄像头灰度图像
	Mat equalizeFrame; //直方图
	while (true)
	{
		capture >> frame; //从capture中取数据，将画面输出到frame矩阵里面
		if (frame.empty())
		{
			cout << "读取摄像头数据失败!\n" << endl;
			return -1;
		}
		//imshow("摄像头", frame); //显示图像
		//灰度化处理
		cvtColor(frame, grayFrame, COLOR_BGR2GRAY); //注意 : OpenCV中是BRG
		//imshow("灰度化", grayFrame); //显示图像
		//直方图均衡化，用来增强图像对比度，从而让轮廓更加明显
		equalizeHist(grayFrame, equalizeFrame);
		//imshow("直方图", equalizeFrame);

		std::vector<Rect>  faces;

		tracker->process(grayFrame);
		tracker->getObjects(faces);

		for (size_t i = 0; i < faces.size(); i++)
		{
			rectangle(frame, faces[i], Scalar(0, 0, 255));
		}

		imshow("摄像头", frame); //显示图像


		if (waitKey(30) == 27) //ESC键
		{
			break;
		}
	}
	tracker->stop();
	return 0;
}

8.6 运行效果

运行程序，我们就可以看到本文开头给出的效果了

在这里插入图片描述
至此，我们就使用OpenCV完成实时人脸跟踪识别了。

9. 本文源码下载

使用OpenCV实现人脸识别示例Demo

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/875720.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

SAP SM30 自动带出描述实现

SAP SM30 自动带出描述实现

需求&#xff1a; 在SM30中维护销售订单类型的时候&#xff0c;根据维护的销售订单类型自动带出订单类型描述 事务码&#xff1a; SE11 进入表维护生成器中 创建事件 选择【维护事件】: 05 自定义子例程&#xff1a; SET_DESCRIPTION 点击编辑器按钮进行代码编辑 具体代码…
阅读更多...
浅学实战：探索PySpark实践，解锁大数据魔法！

浅学实战：探索PySpark实践，解锁大数据魔法！

文章目录 Spark和PySpark概述1.1 Spark简介1.2 PySpark简介 二 基础准备2.1 PySpark库的安装2.2 构建SparkContext对象2.3 SparkContext和SparkSession2.4 构建SparkSession对象2.5 PySpark的编程模型 三 数据输入3.1 RDD对象3.2 Python数据容器转RDD对象3.3 读取文件转RDD对象…
阅读更多...
【力扣每日一题】1572. 矩阵对角线元素的和 8.11打卡

【力扣每日一题】1572. 矩阵对角线元素的和 8.11打卡

文章目录 题目思路代码 题目 1572. 矩阵对角线元素的和 难度&#xff1a; 简单 描述&#xff1a; 给你一个正方形矩阵 mat&#xff0c;请你返回矩阵对角线元素的和。 请你返回在矩阵主对角线上的元素和副对角线上且不在主对角线上元素的和。 返回合并后的二叉树。 注意…
阅读更多...
(leecode)密码检查

(leecode)密码检查

有点感觉&#xff0c;试试看~ 先贴解法&#xff0c;再说题目和思路 题解 #include <stdio.h> #include <string.h> #include <ctype.h>int main() {int N 0;scanf("%d",&N);getchar();while(N--) {char str[101] {0};scanf("%s&…
阅读更多...
Android性能优化——内存优化

Android性能优化——内存优化

一、内存问题 内存抖动&#xff0c;锯齿状&#xff0c;GC导致卡顿内存泄漏&#xff0c;可用内存减少&#xff0c;频繁GC 内存溢出&#xff0c;OOM&#xff0c;程序异常 二、内存分析工具 Memory ProfilerMemory Analyzer LeakCanary Memory Profiler 实时图表展示应用内存使…
阅读更多...
10分钟极速入门dash应用开发

10分钟极速入门dash应用开发

大家好我是费老师&#xff0c;几天前我发布了由我开源维护的dash通用网页组件库fac的0.2.x全新版本&#xff0c;为大家介绍了其具有的诸多实用特性功能&#xff0c;也吸引了很多对基于dash的Python全栈应用开发感兴趣的朋友&#xff0c;为了方便更多对dash应用开发不甚了解的朋…
阅读更多...
stable diffusion 电商应用技术（插图部分重绘）

stable diffusion 电商应用技术（插图部分重绘）

1.下载inpaint anything插件 2.下载识别模型 3.使用全景分割 4.分割模版，获取蒙版 5.发送到图生图重绘制 6.固定姿势 7.clip反推提示词 8.生成重绘衣服
阅读更多...
msvcr110.dll缺失的解决方法分享，多种方法教你修复msvcr110.dll

msvcr110.dll缺失的解决方法分享，多种方法教你修复msvcr110.dll

我们在使用电脑的时候会遇到各种各样的问题&#xff0c;特别是dll文件缺失的这一块更是经常可以看到的&#xff0c;如你在使用电脑的时候&#xff0c;突然弹出一个电脑缺失了msvcr110.dll文件&#xff0c;一些程序无法运行&#xff0c;这时候我们就要针对于这方面来进行一些解决…
阅读更多...
【C++】vector容器

【C++】vector容器

0.前言 1.vector构造函数 #include <iostream> using namespace std; #include <vector>void printVector(vector<int>& v) //此处&代表 引用 &#xff1b;若取地址&#xff0c;则是 数据类型* 变量名 {for (vector<int>::iterator it v.begi…
阅读更多...
PLUS操作流程、应用与实践，多源不同分辨率数据的处理、ArcGIS的应用、PLUS模型的应用、InVEST模型的应用

PLUS操作流程、应用与实践，多源不同分辨率数据的处理、ArcGIS的应用、PLUS模型的应用、InVEST模型的应用

PLUS模型是由中国地质大学&#xff08;武汉&#xff09;地理与信息工程学院高性能空间计算智能实验室开发&#xff0c;是一个基于栅格数据的可用于斑块尺度土地利用/土地覆盖(LULC)变化模拟的元胞自动机(CA)模型。PLUS模型集成了基于土地扩张分析的规则挖掘方法和基于多类型随机…
阅读更多...
从LeakCanary看Fragment生命周期监控

从LeakCanary看Fragment生命周期监控

前文中我们已经了解到LeakCanary中Service生命销毁的监听方式&#xff0c;那么Fragment的生命周期监听又是怎么实现的呢&#xff1f; Activity生命周期监听&#xff0c;在Application里面有ActivityLifecycleCallbacks&#xff0c;那么Fragment是否相似呢&#xff1f;我们的第…
阅读更多...
Docker 本地镜像发布到私有仓库

Docker 本地镜像发布到私有仓库

1. 本地镜像发布到私有库流程 2. 是什么 1 官方Docker Hub地址&#xff1a;https://hub.docker.com/&#xff0c;中国大陆访问太慢了且准备被阿里云取代的趋势&#xff0c;不太主流。 2 Dockerhub、阿里云这样的公共镜像仓库可能不太方便&#xff0c;涉及机密的公司不可能提供镜…
阅读更多...
使用 NLP 进行文本摘要

使用 NLP 进行文本摘要

一、说明 文本摘要是为较长的文本文档生成简短、流畅且最重要的是准确摘要的过程。自动文本摘要背后的主要思想是能够从整个集合中找到最重要信息的一小部分&#xff0c;并以人类可读的格式呈现。随着在线文本数据的增长&#xff0c;自动文本摘要方法可能会非常有用&#xff0c…
阅读更多...
激活函数总结（八）：基于Gate mechanism机制的激活函数补充(GLU、SwiGLU、GTU、Bilinear、ReGLU、GEGLU)

激活函数总结（八）：基于Gate mechanism机制的激活函数补充(GLU、SwiGLU、GTU、Bilinear、ReGLU、GEGLU)

激活函数总结&#xff08;八&#xff09;&#xff1a;基于Gate mechanism机制的激活函数补充 1 引言2 激活函数2.1 GLU激活函数2.2 SwiGLU激活函数2.3 GTU激活函数2.4 Bilinear激活函数2.5 ReGLU激活函数2.6 GEGLU激活函数 3. 总结 1 引言 在前面的文章中已经介绍了介绍了一系…
阅读更多...
【多视重建】从Zero-123到One-2-3-45：多视角生成

【多视重建】从Zero-123到One-2-3-45：多视角生成

文章目录 摘要一、引言二、相关工作三、Zero-1-to-33.1.学习如何控制照相机的视角3.2.视角作为条件的扩散3.3三维重构3.4 数据集 四、One-2-3-454.1 Zero123: 视角条件的 2D Diffusion4.2 NeRF优化&#xff1a;将多视图预测提升到三维图像4.3 基于不完美多视图的 神经表面重建*…
阅读更多...
Linux下在qtcreator中创建qt程序

Linux下在qtcreator中创建qt程序

目录 1、新建项目 2、单工程项目创建 3、多工程项目创建 4、添加子工程&#xff08;基于多工程目录结构&#xff09; 5、 .pro文件 1、新建项目 切换到“编辑”界面&#xff0c;点击菜单栏中的“文件”-“新建文件或项目” 2、单工程项目创建 只有一个工程的项目&#…
阅读更多...
【自用】终端设备（ESP32-S3）连接云服务器 HomeAssistant + MQTT 物联网平台

【自用】终端设备（ESP32-S3）连接云服务器 HomeAssistant + MQTT 物联网平台

总览 1.流程概述 2.开始搭建&#xff01; 3. 一、流程概述 0.总体流程 二、开始搭建 1.下载 MQTTX 客户端&#xff08; 在PC上 &#xff09; https://mqttx.app/zh/downloads 2.新建 MQTTX 连接 0.点击左侧的加号&#xff0c;开始新建连接。 一共需要填写几个参数&#…
阅读更多...
合并图形并共享同一个图例的三种方法

合并图形并共享同一个图例的三种方法

简介 小编在科研中&#xff0c;需要将多个图形进行合并&#xff0c;并共享同一个图例。此时应该如何实现&#xff1f;关于图形合并的相关推文写了很多了&#xff1a;R可视乎&#xff5c;合并多幅图形、cowplot包&#xff0c;ggplot2图形排版R包。 但是对于今天这个问题&#x…
阅读更多...
SpringBoot-Hello World

SpringBoot-Hello World

SpringBootWeb快速入门 创建Springboot工程&#xff0c;并勾选web开发相关依赖定义HelloController类&#xff0c;添加方法hello&#xff0c;并添加相关注释运行测试 创建新的SpringBoot项目 几个注意的点&#xff1a; Name&#xff1a;基本上不用管&#xff0c;会根据下面的Ar…
阅读更多...
智能电动机保护控制器的应用与分析

智能电动机保护控制器的应用与分析

安科瑞 华楠 分析了智能电动机保护器相比热继电器的优点&#xff0c;指出了在我公司成功应用的原因&#xff0c;提出了应用过程中需要注意的地方。 公司新建一车间中&#xff0c;当工程设计到电动机保护这一部分时&#xff0c;设计者出于对热继电器保护性能的不满意&#xff0c…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023