精华内容
下载资源
问答
  • 完整的目标识别代码,需要的可以做设计引用,快来下载吧。
  • 这个课题是用matlab做的多人场景的人脸识别。先预处理,人脸定位,分割,训练,PCA降维求出协方差矩阵,人脸特征值,然后每个测试的人脸分别进行矩阵求列,作差对比,结果最小的就是目标人脸,输出识别结果,这个...
  • Matlab关于车牌识别的一些论文-基于小波分析和投影特征的多目标定位技术.rar 有自适应滤波,遗传算法,神经网络,小波,投影等
  • matlab开发-原子势变换进化目标识别方法基于边缘特征。一种能够识别个正确目标的形状匹配新方法
  • 通信架构是: 雷达通过CAN接ARM ,ARM导出一个网线, Matlab电脑端连接网线。1 数据可视化毫米波雷达通电并与电脑连接后,在终端中运行:roslaunch ti_mmwave_rospkg rviz_1443_3d.launch就可以在弹出的RViz中可视...

    本文采用的雷达型号为SR73. 通信架构是: 雷达通过CAN接ARM ,ARM导出一个网线, Matlab电脑端连接网线。

    1 数据可视化

    毫米波雷达通电并与电脑连接后,在终端中运行:

    roslaunch ti_mmwave_rospkg rviz_1443_3d.launch

    e5b80a92a57acb27bbf727b6099a1a75.png

    就可以在弹出的RViz中可视化雷达数据

    35063180ebc692888bd59c2db4dec757.png

    2 数据导出

    1)数据在终端上打印

    rostopic echo /mmWaveDataHdl/RScan

    随后终端连续打印出雷达数据

    2c2305dc26cb2cd0e7866d068f011dc4.png

    2)数据录制为bag文件

    打开一个终端,进入想要存放数据的目录下:

    mkdir ~/bagfiles
    cd ~/bagfiles

    录制bag文件命令:

    rosbag record -a

    01f6e0777b218f858da005fbb4a5e9e6.png

    3) bag文件转为txt文件

    将file_name.bag文件中的topic_name话题消息转到为txt_name.txt文件:

    rostopic echo -b file_name.bag -p /topic_name > txt_name.tx

    在本文中话题消息名为/mmWaveDataHdl/RScan,上述命令进一步为:

     rostopic echo -b file_name.bag -p /mmWaveDataHdl/RScan > txt_name.txt

    8cb264c1b33ff22a2ea4d17102623981.png

    4)数据录制为pcd文件

    将topic_name话题消息录制为pcd文件:

    rosrun pcl_ros pointcloud_to_pcd input:=/topci_name

    在本文中话题消息名为/mmWaveDataHdl/RScan,上述命令进一步为:

     rosrun pcl_ros pointcloud_to_pcd input:=/mmWaveDataHdl/RScan

    589dc2ac97524ed534b4b0a9f0146ad0.png

    雷达数据连续录制为pcd文件

    47242903fba0948aa83c58507ef9f340.png

    3 MATLAB处理中pcd文件

    在MATLAB中读取名为pcd_name的pcd文件:

    ptCloud = pcread('pcd_name.pcd')

    提取xyz三维位置数据:

    xyz = ptCloud.Location

    提取强度数据:

    intensity = ptCloud.Intensity
    展开全文
  • 多目标跟踪matlab代码

    2019-01-02 14:30:40
    多目标识别,车辆跟踪,实时性好,便于快速跟踪,基于匈牙利算法
  • matlab运动目标检测

    千次阅读 2020-04-08 14:39:38
    最近做了运动目标检测的程序和GUI实现,参考了挺博客,很都是对数据格式要求比较高或者存在一定的bug(有些是因为版本不同),进行了一些修改。(2014以后的matlab都能运行) (有光流法、帧间差分法) 图1,...

    matlab运动目标检测


    最近做了运动目标检测的程序和GUI实现,参考了挺多博客,很多都是对数据格式要求比较高或者存在一定的bug(有些是因为版本不同),进行了一些修改。(2014以后的matlab都能运行)

    (有光流法、帧间差分法)

    图1,视频背景
    在这里插入图片描述
    图2,目标检测(识别)
    在这里插入图片描述
    图3 报警(提示)
    在这里插入图片描述
    图 展示程序
    在需要私信我

    展开全文
  • MATLAB 人脸识别.zip

    2020-12-28 20:05:07
    这个课题是用matlab做的多人场景的人脸识别。先预处理,人脸定位,分割,训练,PCA降维求出协方差矩阵,人脸特征值,然后每个测试的人脸分别进行矩阵求列,作差对比,结果最小的就是目标人脸,输出识别结果,这个...
  • 本文目的人脸识别是计算机视觉的常见案例。本文涵盖了人脸识别相关的4个主要话题,并设计了主要...基于USB Camera的实时人脸识别实现对USB camera的视频流,进行人脸识别,也支持个人脸的识别。clc 人脸重识别重...

    本文目的

    人脸识别是计算机视觉的常见案例。本文涵盖了人脸识别相关的4个主要话题,并设计了主要框架平台,和关键算法实现。

    用户朋友,可以借此,做自己的算法测试。

    人脸动态追踪

    实现对视频中人脸的持续动态追踪。

    % Create a cascade detector object.
    

    基于USB Camera的实时人脸识别

    实现对USB camera的视频流,进行人脸识别,也支持多个人脸的识别。

    clc
    

    人脸重识别

    重识别是建立自身的数据库,并真正标识出人脸模型。

    脸部其他目标的识别与测量

    脸部其他部位的识别与测量,例如眼睛、鼻子、嘴唇,可以用于对应AR的应用,比如AR试戴眼镜、AR试口红、AR试粉底。

    4d5f385ee4f82abba9caadcdf4022b41.png
    展开全文
  • 摘要:为了实现农作物图像多目标的准确识别,提出了四连通或八连通的连通域判别法。 利用 MATLAB 的数值计算、图形处理和可视化建模以及动态仿真等功能,对黄瓜植株花朵图像预处理,去除干扰目标, 对目标处理结果...
  • 这是数据库中的二值图像,路标很,所以选择几种典型的,我选择了的是:三角形(黄色)和圆形(红色)的,对应着禁止路标,警示路标,以及提示路标 2.然后是直方图灰度增强,这一步很重要,没这一步效果很不明显。 ...
  • 其中,基于计算机视觉的识别,手势图像信息由一个或个摄像头采集,采集的数据进行预处理,包括去噪和信息增强。然后,利用分割算法获取图像中的目标手势。通过视频处理和分析得到当前手势的分类和描述,最后通过...

    一、简介

    手势识别可以分为基于可穿戴设备的识别、基于触摸技术的识别和基于计算机视觉的识别。其中,基于计算机视觉的识别,手势图像信息由一个或多个摄像头采集,采集的数据进行预处理,包括去噪和信息增强。然后,利用分割算法获取图像中的目标手势。通过视频处理和分析得到当前手势的分类和描述,最后通过手势识别算法对目标手势进行识别。基于手势的手势识别主要由手势分割、手势分析和手势识别三部分组成。

    1 手势分割
    第一步是对输入图像执行手势分段。手势分割过程主要包括手势定位和手势分割两部分。
    (1)手势定位
    手势定位过程在包含手势的图像帧序列中从复杂背景中提取手势区域,实现手势与背景的分离。手势定位后,通过算法将当前手势从背景区域分割出来。静态手势只需要提取单个帧图像的手势特征,而动态手势则需要对提取的帧序列进行手势分析。常用的手势分割方法有基于运动信息的检测分割、基于视觉特征的检测分割和基于多模式融合的检测分割。基于运动信息的检测分割主要包括光流法和差分法。光流法不需要预先获取图像背景来表示复杂环境下的手势运动,但要求背景图像保持静止,对光照要求较高。
    使用光流方法实时跟踪手势。在静态背景下,差分法对手势的分割效果较好。对于一个移动的背景,需要对背景进行建模和区分。
    使用Running Average方法对背景进行建模,然后进行手势分割

    (2)手势分割
    基于明显特征的分割方法主要包括肤色分割、纹理分割、手形分割和轮廓分割。
    (a)肤色分割
    肤色分割方法是最常用的方法:
    使用集群的肤色在颜色空间建立肤色模型,如肤色建模通过RGB颜色空间:
    翁等人使用贝叶斯手势分割,建立肤色模型,然后结合皮肤的颜色,运动,和手势识别的轮廓形状信息,大大提高了分割精度。
    这些分割方法不受手形的影响,但由于光照引起的肤色变化,分割错误率大大提高。
    (b)基于多模式融合的分割方法主要是为了克服复杂环境对分割条件的影响,并结合各种特征,如表观特征和运动信息。当使用单色可穿戴设备或背景来简化场景分割时,为了提高分割的准确性,有时会用手进行标记,这极大地影响了交互的自然度,从而限制了应用范围。其次,对手势进行建模和分析。
    主要包括基于外观的手势建模和基于三维模型的手势建模基于外观的手势建模可以分为二维静态模型和运动模型。常用的策略有颜色特征、轮廓几何、可变形和移动图像参数。颜色特征是最常用的建模方法。
    用单台相机捕捉手部运动图像,用颜色、运动、边缘等多种信息建模,建立手部运动的坐标系来识别手势[71]。利用圆周、质心、边界盒等几何特征建立轮廓几何模型。
    使用旋转归一化方法对手势区域的图像进行对齐,并使用KravtCouk矩作为轮廓特征训练模型来识别静态手势。通过一组能够描述全局运动的物体轮廓插值节点,建立了基于gabarit的可变形模型。
    最简单的插值方法是分段线性函数。
    Ju等人利用snake算法分析了课堂上的视频浏览和索引手势。
    基于运动图像参数的模型与其他模型的不同之处在于,它们是由视频序列中对象的平移、旋转和方向等运动参数建模的。
    提出在真实场景中使用一个新的描述符和一个局部运动直方图来描述运动模式,然后通过增强方法选择特征。该方法仅利用局部特征建立了明显的手势建模,计算复杂度较低。利用基于三维的手势模型建立当前图像的三维模型,并根据相关参数计算手势状态。常用的手势模型包括三维骨架模型、三维纹理体模型和三维几何模型。
    骨架模型是最常用的三维模型。
    使用Kinect生成的深度数据进行骨建模。

    2 手势分析
    手势分析由特征检测和参数估计两部分组成。
    特征检测用于从分割后的手势中提取图像特征参数。图像特征主要包括视觉特征和语义特征。视觉特征包括颜色、纹理和轮廓,语义特征代表对图像内容的理解。
    参数估计根据模型的不同使用不同的方法。
    先用方向梯度直方图(HOG)描述运动员的面积,然后用主成分分析(PCA)将HOG投影到线性子空间中,得到PCA-HOG描述特征。曲棍球和足球的实验表明,该方法在光照、姿态和视角的变化下,对跟踪和识别结果具有较强的鲁棒性。

    3 手势识别
    手势识别主要是基于传统的机器学习方法和神经网络。使用传统的机器学习模型识别基于视觉的手势有很多方法。
    静态手势识别采用模板识别,动态手势识别采用与时域信息相关的HMM。
    所选择的识别方法与手势的类型有很大的相关性。
    戴着有色手套,用一对普通的网络摄像头捕捉用户的手势数据,训练HMM模型对用户预定义的八个手势进行实时跟踪和识别。
    近年来,随着深度学习的发展,该技术已广泛应用于手势识别领域。
    同时采集彩色图像和深度图像,提取手势的骨骼特征和梯度直方图特征。然后将提取的特征融合起来,建立快速rnn,将连续的手势分割成孤立的手势。通过一个简单的递归神经网络(SRNN)。通过简单递归神经网络(SRNN)和长短时记忆(LSTM),建立了用于连续手势识别的双流递归神经网络2S-RNN。
    Tsironi等结合卷积神经网络(CNN)对视觉特征的敏感性和LSTM对连续事件的有效性,提出了卷积长短时记忆递归神经网络(CNNLSTM)。

    二、源代码

    function varargout = show(varargin)
    % SHOW MATLAB code for show.fig
    %      SHOW, by itself, creates a new SHOW or raises the existing
    %      singleton*.
    %
    %      H = SHOW returns the handle to a new SHOW or the handle to
    %      the existing singleton*.
    %
    %      SHOW('CALLBACK',hObject,eventData,handles,...) calls the local
    %      function named CALLBACK in SHOW.M with the given input arguments.
    %
    %      SHOW('Property','Value',...) creates a new SHOW or raises the
    %      existing singleton*.  Starting from the left, property value pairs are
    %      applied to the GUI before show_OpeningFcn gets called.  An
    %      unrecognized property name or invalid value makes property application
    %      stop.  All inputs are passed to show_OpeningFcn via varargin.
    %
    %      *See GUI Options on GUIDE's Tools menu.  Choose "GUI allows only one
    %      instance to run (singleton)".
    %
    % See also: GUIDE, GUIDATA, GUIHANDLES
    
    % Edit the above text to modify the response to help show
    
    % Last Modified by GUIDE v2.5 03-Jan-2018 20:17:07
    
    % Begin initialization code - DO NOT EDIT
    gui_Singleton = 1;
    gui_State = struct('gui_Name',       mfilename, ...
                       'gui_Singleton',  gui_Singleton, ...
                       'gui_OpeningFcn', @show_OpeningFcn, ...
                       'gui_OutputFcn',  @show_OutputFcn, ...
                       'gui_LayoutFcn',  [] , ...
                       'gui_Callback',   []);
    if nargin && ischar(varargin{1})
        gui_State.gui_Callback = str2func(varargin{1});
    end
    
    if nargout
        [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
    else
        gui_mainfcn(gui_State, varargin{:});
    end
    % End initialization code - DO NOT EDIT
    
    
    % --- Executes just before show is made visible.
    function show_OpeningFcn(hObject, eventdata, handles, varargin)
    % This function has no output args, see OutputFcn.
    % hObject    handle to figure
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    structure with handles and user data (see GUIDATA)
    % varargin   command line arguments to show (see VARARGIN)
    
    % Choose default command line output for show
    handles.output = hObject;
    
    % Update handles structure
    guidata(hObject, handles);
    
    % UIWAIT makes show wait for user response (see UIRESUME)
    % uiwait(handles.figure1);
    
    
    % --- Outputs from this function are returned to the command line.
    function varargout = show_OutputFcn(hObject, eventdata, handles) 
    % varargout  cell array for returning output args (see VARARGOUT);
    % hObject    handle to figure
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    structure with handles and user data (see GUIDATA)
    
    % Get default command line output from handles structure
    varargout{1} = handles.output;
    
    
    % --- Executes on button press in button_start.
    function button_start_Callback(hObject, eventdata, handles)
    % hObject    handle to button_start (see GCBO)
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    structure with handles and user data (see GUIDATA)
    
    %1.Get the hardware information //获取硬件信息
    global obj;%obj在其他地方要调用,所以设为全局变量
    info=imaqhwinfo('winvideo');%获得摄像头硬件信息
    obj=videoinput('winvideo',info.DeviceIDs{1});%创建视频对象
    set(obj,'FramesPerTrigger',1);%每次触发存储一张相片
    set(obj,'ReturnedColorSpace','RGB');%接收图像为RGB模式
    
    %get(obj)%获取obj信息,查看设置是否成功,最后注释掉
    axes(handles.axes1);
    
    %2.show the video //动态显示视频图像
    Resolution=get(obj,'videoResolution');%分辨率
    nBands=get(obj,'NumberOfBands');%频段
    hImage=image(zeros(Resolution(2),Resolution(1),nBands));
    preview(obj,hImage);%在特定的位置(hImage)显示
    
    % --- Executes on button press in button_catch.
    function button_catch_Callback(hObject, eventdata, handles)
    % hObject    handle to button_catch (see GCBO)
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    structure with handles and user data (see GUIDATA)
    global obj;
    catch_pic=getsnapshot(obj);%摄取图像
    catch_pic=imresize(catch_pic,[240, 320]);  %统一图片大小
    axes(handles.axes2);
    imshow(catch_pic);%在axes2显示摄取的图片
    setappdata(gcf,'pic',catch_pic);%把catch_pic变成全局变量
    
    % --- Executes on button press in button_cut.
    function button_cut_Callback(hObject, eventdata, handles)
    % hObject    handle to button_cut (see GCBO)
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    structure with handles and user data (see GUIDATA)
    pic = getappdata(gcf,'pic'); %获取全局变量
    l = get(handles.popupmenu_choose,'value'); %获取下拉菜单选中项
    if l==1  %基于阈值分割(尤其适用于纯背景)
        graypic = rgb2gray(pic); %灰度图像
    %     graypic = localenhance(graypic); %局部增强
    %     figure,imshow(graypic);
        pic_filt=medfilt2(graypic,[3 3]); %3*3中值滤波
        axes(handles.axes3);imshow(pic_filt);
        pause(1);%延迟1s
        pic_cut = threshold_cut(pic_filt);
    end
    if l==2  %基于YCgCr肤色分割(适用于较复杂背景)
        pic_cut = colour_cut(pic);
    end
    axes(handles.axes3);
    imshow(pic_cut);
    setappdata(gcf,'pic_cut',pic_cut);%把catch_pic变成全局变量
    
    % --- Executes on selection change in popupmenu_choose.
    function popupmenu_choose_Callback(hObject, eventdata, handles)
    % hObject    handle to popupmenu_choose (see GCBO)
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    structure with handles and user data (see GUIDATA)
    
    % Hints: contents = cellstr(get(hObject,'String')) returns popupmenu_choose contents as cell array
    %        contents{get(hObject,'Value')} returns selected item from popupmenu_choose
    
    
    % --- Executes during object creation, after setting all properties.
    function popupmenu_choose_CreateFcn(hObject, eventdata, handles)
    % hObject    handle to popupmenu_choose (see GCBO)
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    empty - handles not created until after all CreateFcns called
    
    % Hint: popupmenu controls usually have a white background on Windows.
    %       See ISPC and COMPUTER.
    if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
        set(hObject,'BackgroundColor','white');
    end
    
    
    % --- Executes on button press in pushbutton_open.
    function pushbutton_open_Callback(hObject, eventdata, handles)
    % hObject    handle to pushbutton_open (see GCBO)
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    structure with handles and user data (see GUIDATA)
    [filename, pathname] = uigetfile( ...
    {'*.bmp;*.jpg;*.fig;*.tif','MATLAB Files (*.bmp;*.jpg;*.fig;*.tif)';
       '*.*',  'All Files (*.*)'}, ...
       'Pick a file');
    pic=imread([pathname,filename]);%读取图片给im
    pic=imresize(pic,[240, 320]);  %统一图片大小
    axes(handles.axes2);
    imshow(pic);%在axes2显示摄取的图片
    setappdata(gcf,'pic',pic);%把pic变成全局变量
    
    
    % --- Executes on button press in pushbutton_denoise.
    function pushbutton_denoise_Callback(hObject, eventdata, handles)
    % hObject    handle to pushbutton_denoise (see GCBO)
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    structure with handles and user data (see GUIDATA)
    pic_cut = getappdata(gcf,'pic_cut'); %获取全局变量
    pic_denoise = denoise(pic_cut);
    axes(handles.axes4);
    imshow(pic_denoise);
    setappdata(gcf,'pic_denoise',pic_denoise);%把pic变成全局变量
    
    % --- Executes on selection change in popupmenu_operator.
    function popupmenu_operator_Callback(hObject, eventdata, handles)
    % hObject    handle to popupmenu_operator (see GCBO)
    % eventdata  reserved - to be defined in a future version of MATLAB
    % handles    structure with handles and user data (see GUIDATA)
    

    三、运行结果

    在这里插入图片描述

    四、备注

    完整代码或者代写添加QQ 1564658423

    展开全文
  • PAGE PAGE # 静止背景下的多目标追踪 随着计算机技术以及智能汽车行业的发展 多目标的检测与追踪的实用性与 研究价值逐渐提高在计算机视觉的三层结构中目标跟踪属于中间层是其他 高层任务例如动作识别以及行为分析等...
  • 先预处理,人脸定位,分割,训练,PCA降维求出协方差矩阵,人脸特征值,然后每个测试的人脸分别进行矩阵求列,作差对比,结果最小的就是目标人脸,输出识别结果,这个设计有可视化GUI用户操作界面。 function ...
  • 第1章 绪论1.1 研究背景对于目标实施追踪一直是人们追求的目标,以前只能通过人为的或者其他信息进行模糊的追踪。20世纪初,数字图像的处理走入大众的视野。在那个时候,人们在两地之间传输了一张照片,该照片经过...
  • 对于目标实施追踪一直是人们追求的目标,以前只能通过人为的或者其他信息进行模糊的追踪。20世纪初,数字图像的处理走入大众的视野。在那个时候,人们在两地之间传输了一张照片,该照片经过数字压缩后,传输时间从...
  • 方向梯度直方图(Histogram of Oriented Gradient,HOG)是用于在计算机视觉和图像处理领域,目标检测的特征描述子。该项技术是用来计算图像局部出现的方向梯度次数或信息进行计数。此种方法跟边缘方向直方图、尺度不变...
  • 这是基于MATLAB的Alexnet和Webcam进行的深度学习算法模型,总共只需要11行代码,可利用电脑摄像头实现1000种常见物品的识别,对于刚接触MATLAB的新手提起兴趣很有帮助,因为做出来实在是太容易了。呵呵不废话太了...
  • 1检测出视频中的人脸 2检测和识别经摄像头实时获取的人脸 3测试系统在单人脸下的识别准确率 4测试系统在多人脸、目标沾粘、遮挡等情况下的识别准确率
  • 通信架构是: 雷达通过CAN接ARM ,ARM导出一个网线, Matlab电脑端连接网线。1 数据可视化毫米波雷达通电并与电脑连接后,在终端中运行:roslaunch ti_mmwave_rospkg rviz_1443_3d.launch就可以在弹出的RViz中可视...
  • 目标识别是指一个特殊目标(或一种类型的目标)从其他目标(或其他类型的目标)中被区分出来的过程。给出了高阶马尔可夫随机场下的区域邻域系统定义;通过贝叶斯分析,构建了基于协方差矩阵描述子刻画的图像区域度量的先验...
  • 语音识别MATLAB实现

    热门讨论 2009-03-03 21:39:18
    语音识别MATLAB实现 声控小车结题报告 小组成员:关世勇 吴庆林 一、 项目要求: 声控小车是科大华为科技制作竞赛命题组的项目,其要求是编写一个语言识别程序并适当改装一个小型机动车,使之在一个预先不知道...
  • 先预处理,人脸定位,分割,训练,PCA降维求出协方差矩阵,人脸特征值,然后每个测试的人脸分别进行矩阵求列,作差对比,结果最小的就是目标人脸,输出识别结果,这个设计有可视化GUI用户操作界面。 二、源代码 ...
  • Matlab中有很神经网络工具包,并且有自带的标注工具,用来做深度学习很方便,下面我主要介绍一下标签如何做,用Matlab中APP中的Image Labeler工具进行标注。 用的版本为Matlabr2019版本 一丶找到Image Labeler 二...
  • (1)抗原识别。输入目标函数和各种约束作为免疫算法的抗原。 (2)初始抗体生成。随机生成初始抗体种群。 (3)亲和力计算。计算抗体的适应值。对解群体中的各个解个体进行综合评价,包括解(抗体)与问题(抗原)的适应...
  • 其中,基于计算机视觉的识别,手势图像信息由一个或个摄像头采集,采集的数据进行预处理,包括去噪和信息增强。然后,利用分割算法获取图像中的目标手势。通过视频处理和分析得到当前手势的分类和描述,最后通过...
  • 这里 J 是目标函数,U 是含有6个参数的函数,不过 F 和 v 可以通过试验的方式测出来,得到很组一一对应的F和v的值,其余4个参数未知,想做的是通过遗传算法找到目标函数最小值,实现其余4个参数的识别!...
  • 其二,直方图表征图像区域的统计特性,可以有效表示模态的特征分布,并且本身具备一定的旋转不变性。因此,在计算机视觉领域,基于不同底层特征的各种新颖直方图描述子层出不穷,包括亮度直方图,颜色直方图,HOG...
  • 1. 简述 ... 如果你要匹配目标,那就设定一个阈值,就是说,只要咋俩的相似度大于比如0.8,我就认为你是我要匹配的目标。 2. 原理 2.1 计算步骤 你有一张模板图像T TT和一张较大的待搜索图像I II,

空空如也

空空如也

1 2 3 4 5 6
收藏数 109
精华内容 43
关键字:

matlab多目标识别

matlab 订阅