计算机视觉库/人脸识别

我们的驾驶员状态检测系统集成了多个YOLO-v5模型,部署在车载设备上,旨在实时监测和评估驾驶员的状态。系统利用摄像头捕捉驾驶员的图像,通过OpenCV进行处理后输入到YOLO-v5模型,从而检测出驾驶员的年龄、性别、驾驶状态(如是否集中)、是否疲劳等关键信息。这一系统能够有效提高行车安全,减少事故风险。 主要功能: 1. 驾驶员特征检测: 年龄识别:利用YOLO-v5模型分析驾驶员的面部特征,准确预测其年龄范围。 性别识别:基于面部特征和模型分析,实时识别驾驶员的性别。 驾驶状态监测: 2. 注意力检测:通过检测驾驶员的眼睛和头部姿态,判断其是否集中注意力。 疲劳检测:通过分析眼睛闭合状态、眨眼频率等指标,实时监测驾驶员是否疲劳。 图像处理与输入: OpenCV处理:使用OpenCV对摄像头捕捉的图像进行预处理,包括图像增强、裁剪和缩放等操作,以便更好地输入模型进行分析。 实时输入:系统能够实时处理和分析图像,确保监测信息的时效性和准确性。 项目优势: 多模型集成:系统结合多个YOLO-v5模型,提供全面的驾驶员状态检测,提升了识别的准确性和多样性。 高效图像处理:通过Open
950C/C++图形/图像处理
项目包含图像处理模块、图像加载模块、参数控制模块、训练验证模块、模型导出模块…… 使用迁移学习、Pytorch、sklearn、混淆矩阵
710计算机视觉库/人脸识别
人脸识别源文件源码
打造一款集成前沿科技的网页应用,需融合精妙的前端设计与强大的后端支持。前端采用HTML/CSS/Django构建直观界面,利用Webcam API捕捉图像,实现流畅的人脸识别流程。后端依托Node.js或Python处理复杂逻辑,同时MySQL数据库确保用户数据的安全存储与高效检索。综合运用这些技术,可构建出既安全又便捷的登录系统,让用户体验未来科技的魅力。
2070前端计算机视觉库/人脸识别
我们的交通标志识别系统利用先进的卷积神经网络(CNN),特别是YOLO-v5模型,来实现对交通标志的实时识别。这一系统经过大量数据的训练,已开发出高精度的识别模型,并成功集成到车载设备中。该车载设备配备摄像头,能够实时捕捉道路图像并通过模型进行分析,从而准确识别出各种交通标志。 主要功能: 1. 实时识别: 高效处理:基于YOLO-v5模型,系统能够在毫秒级别内处理图像并识别交通标志,确保在行车过程中不延迟。 精准识别:通过大量数据训练,模型具备高精度识别能力,能够准确分辨各种类型的交通标志。 2. 车载设备集成: 硬件集成:系统已成功嵌入车载设备,设备内置高性能摄像头,实时捕捉道路影像。 低功耗高性能:设备设计兼顾性能和功耗,确保长时间稳定运行。 3. 图像处理与分析: 实时图像输入:摄像头实时捕捉道路图像,系统即时处理输入图像。 标志识别输出:系统处理图像并输出识别结果,包括交通标志的类型和位置。 4. 项目优势: 高精度识别:利用YOLO-v5模型的优势,通过大量数据训练,实现对交通标志的高精度识别。 实时处理:系统能够在行驶过程中实时处理图像并识别交通标志,提供即时反馈,提升
1000C/C++嵌入式操作系统
依据网页分析,获取需要的数据,采用多线程方式,加快爬取速度和运行速度。充分使用python自带的库,完成项目需求
770数据查询
对于重点交通路段的车辆信息进行监测和违法取证。 亮点分析: 1、使用后台线程处理视频帧: 创建了 VideoProcessor 线程类,用于处理视频帧和检测。 通过信号 frame_processed 将处理好的帧和入侵信息传递回主线程,避免主线程阻塞。 2、硬件加速: 确保在OpenCV中使用硬件加速解码(这部分需要确认OpenCV的安装支持硬件加速)。 3、非极大值抑制优化: 使用 cv2.dnn.NMSBoxes 函数进行非极大值抑制,提高检测框的准确性。 4、异步任务: 将繁重的计算任务放在后台线程中执行,提高主界面响应速度。
800python计算机视觉库/人脸识别
我是一名专注于深度学习和人工智能领域的软件工程师,拥有丰富的实践经验和扎实的技术背景。我擅长使用 Python 进行编程,并在图像处理和自然语言处理领域有着深入的研究和实践。我曾成功应用深度学习模型于新闻文本分类、人体姿态识别项目以及图像分类检测等任务。 项目经验 新闻文本分类系统: 行业应用:媒体、出版、内容分析 功能实现:自动化新闻内容分类,个性化新闻推荐,内容审核 技术亮点:利用预训练模型 BERT 提升分类准确性,支持多类别文本分类 人体姿态识别系统: 行业应用:健康监测、运动分析、安全监控、人机交互 功能实现:运动训练分析,老年人跌倒检测,异常行为识别 技术亮点:实时数据处理,高准确性的姿态识别算法,易于集成的 API 设计
750python网络爬虫
当前越多越多的业务开始使用多模态大模型,尤其是视觉-语言预训练模型。在实际使用中,我们通常需要对预训练模型进行调优来适配实际的业务场景,而这需要大量的资源介入且费时费力,尤其是对视觉基座的调优在资源有限的情形下几乎是不可行的。本项目探索了在不调优视觉基座的前提下,仅通过对语言端进行调优并优化推理过程,实现语言增强的零样本多标签分类任务 (Zero-shot Multi-label Classification)。本项目为国际比赛获奖项目。
930图像(Image)
识别数字 根据轨迹寻线送药 根据数字对应的房间 叫药瓶送至病房 激光循迹 另一个激光跟踪 双车巡线 后车跟随
1560图形/图像处理
目前能够跑通深度学习中目标检测、目标分割、对抗网络的代码,主要对这三个方向比较了解与专攻,几乎有所有的代码,包括一些最新的CVPR的代码,能够实现在自己电脑中训练、推理与部署。曾经尝试郭修改算法结构,使其达到更好的效果。
1100C/C++程序调试工具
1.面向行业和所解决问题 行业:面向安防场景,移动端检测场景,自动驾驶场景,门禁轧机,工厂生成线等。 解决问题:目标物体检测和跟踪,目标物体识别,人脸识别,缺陷检测等 2.功能模块和作用 图像处理:图像去噪,去畸变,梯形矫正 检测,分割:使用yolov8模型进行目标物体的检测和分割 识别:使用深度学习模型提取特征并与预存库进行对比识别 3.所选技术和原因 数字图像处理技术:处理各类相机在各类场景下拍摄到的画面,消除由于畸变,噪声等造成的干扰 深度学习技术:使用深度学习模型对特定目标进行训练,保证在个各个复杂常见中能有稳定地检测到,分割出目标物 在移动终端部署:使用各类基于硬件边缘计算厂商的推理框架进行部署(nvidia的TernserRt,rockchip的rknn,海思的nnie等)
2751C/C++计算机视觉库/人脸识别
1数据加载,对数据进行分析,使用数据增强训练等,优化数据分布; 2模型设计,考虑使用卷积神经网络还是transformer等网络结构; 3 模型训练,使用不同的策略进行训练; 4模型验证
620计算机视觉库/人脸识别
1、YOLOv5m+deepsort视觉跟踪算法。结合YOLOv5m的目标检测和deepsort的特征跟踪,该算法在复杂环境下确保了目标的准确与稳定跟踪。在计算机视觉中,这种跟踪技术在安全监控、无人驾驶等领域有着广泛应用。 2、调用实时摄像头拍摄数据,检测道路人员及车辆数量,判断道路拥堵情况。 3、在画面中自定义边界线,统计进出数量。
980计算机视觉库/人脸识别
1、项目应用于无人车在行进过程中对道路进行正确的识别,便于有效避障 2、功能主要是提取图像信息中的有效特征,实现道路与周围环境的分割,并将道路与环境通过二值图标注出来 3、主要框架为图像增强、特征提取、特征分析、特征降维、贝叶斯多线索融合机制、图像降噪
170python计算机视觉库/人脸识别
作品最终在新乡市实现批量化生产,自己主要负责视觉与传感器融合的算法调优、QT 界面部分设计,掌握了 QT 界面设计与基础深度学习算法;后续还有下一代机器,主要负责深度学习在嵌入式设备推理部署,掌握PyTorch模型在TensoRT中的推理部署。通过该作品,自己能够掌握神经网络的训练、优化与部署,并且具备一定的前沿视野,能够跑通部分的CVPR代码。
1050python图形/图像处理
项目介绍:票据识别模块:OCR 平台系统基于深度学习算法及中英文检测识别技术 ,通过对上传图片信息进行获取和定位 ,实现图像文字信息自动识 别和分析。提供多种场景下整体文字检测识别与信息提取 ,提供包含位置信息 、生僻字及部分手写字的识别服务 ,能够实现对多种卡 证 、网络图片文字 、表格文字 、发票 、银行票据 、合同等 50 多种凭证的精准识别。 信息采集模块:以 WEB 方式提供“OCR +人工 ”可自由组合的要素信息输出服务 。以业务网段反向发布办公网的形式 ,像全行人员提供 OCR 服务。服务支持 UIAS 统一身份登录 、本地图像上传编辑 、多种识别模式 、识别结果查询下载等功能。 发工具以及所用技术:Springboot+Springcloud+mybatis+redis+Pulsar +webservice + vue + Typescript + oracle +python 责任描述:业绩: 业务测试:该功能就是在web 页面上传报文 ,通过 httpClient 发送请求测试是否联通。 通用表格标注:前端使用 fabric 操作 canvas 加画线功能 ,将文件
930计算机视觉库/人脸识别
1.该软件分为: 1)登录界面:用户登录,验证登录信息, 2)主界面:摄像机通道展示,摄像机视频预览,识别结果, 3)比对记录:人脸比对出来的结果记录, 4)抓怕记录:输入照片进行比对,在数据库中找出比对结果, 5)模板管理:目标任务的信息存储和展示 2.任务:完成以上各个界面开发 技术栈:1)数据库使用thrift 2)多线程 3)界面相关技术 4)算法 3.难点在于人脸识别算法,算法工程师负责
1510mysql
基于人脸关键点框架获取到400+人脸3D关键点数据,并绘制到人脸上。 关键点数据覆盖:眼周、瞳孔、鼻子、额头、内外嘴唇…… MediaPipe
980计算机视觉库/人脸识别
1、主要模块有: 垃圾检测模块,在无人机巡检的视频中检测出相应的垃圾信息,并反馈给用户 2、我主要负责的工作: 整个程序全部由我负责完成 技术栈: 后端:Python 目标识别:yolov5 前端: Python的 tkinter模块 3 遇到的困难: 主要是垃圾的形状、颜色、大小、都不固定,这给识别目标带来了一定的困难。 解决:通过增加喂给AI模型更多数据、更细致的人工打标签,使得识别率达到了90%以上
1050pythonPython开发工具
在采样过程中通过顶棚摄像头图像,识别出车辆的车厢位置及拉筋信息,为采样提供定位坐标,广泛应用于火电厂、冶金行业、焦化厂等。
1261计算机视觉库/人脸识别
当前共127个项目
×
寻找源码
源码描述
联系方式
提交