- 综合排序
- 最热优先
- 最新优先
AI点检：传统门店管理的智能化应用
通过视频监控与图像识别技术，AI点检系统实现对门店运营的7×24小时自动化监测 AI点检功能是智能巡检系统中的重要组成部分，该技术通过分析视频监控、图像识别或其他传感器数据，实现对门店运营中特定问题或不符合标准行为的自动检测识别 01 零学习成本的操作设计AI点检系统注重用户体验，追求界面友好、操作简便的设计理念。系统采用直观的交互方式，即使是技术基础较弱的用户也能在较短时间内掌握使用方法。 02 AI 助手 Mimo 7x24 小时工作系统完成布控后，AI监测模块即可开始持续工作。实时监控与自动检测 系统对划定区域进行不间断监测，实时捕捉画面动态，包括顾客流动、员工工作状态等。 03 三大核心应用场景AI点检技术在门店管理中主要应用于三个重要领域：运营效率监控 系统可自动检测收银台排队情况、物料保质状态、设备运行状况等运营关键指标。
31410编辑于 2025-09-23- 来自专栏又见苍岚
FAST 角点检测
FAST，全称Features From Accelerated Segment Test，是一种快速的角点检测算法，本文记录相关内容。 特征点提取 特征点提取到底是提取的是什么？ LoG、HoG以及SIFT、SURF等被提出，这些方法大多涉及图像局部邻域的梯度计算和统计，相比较而言，FAST(Features From Accelerated Segment Test)在进行角点检测时 角点分类器 选取需要检测的场景的多张图像进行FAST角点检测，选取合适的阈值n(n<12)，提取多个特征点作为训练数据 对于特征点邻域圆上的16个像素 x \in {1,2,…,16 }，按下式将其划分为 算法特点 FAST算法比其他角点检测算法要快 受图像噪声以及设定阈值影响较大 当设置 <12 FAST 不产生多尺度特征，不具备旋转不变性，而且检测到的角点不是最优 Python OpenCV 实现 它被称为
63710编辑于 2024-07-09 - 来自专栏J博士的博客
openpose模型在AI challenge人体骨骼关键点检测的表现
所以就直接用CMU训练的模型在AI challenge的数据集上做了测试。 最后没有使用AI challenge训练集训练的模型在AI challenge上的得分是0.1667，可以看作是一个baseline。 以下是预处理的说明以及加入预处理程序的源代码。 openpose的源代码使用#openpose ##openpose标注出来了，剩下的就是AI challenge的预处理程序。 在Google Cloud 上使用1片NVIDIA Tesla K80 跑完AI challenge的测试集大约需要24小时，4秒左右处理一副图。 AI challenge测试要求的关键点顺序是：1右肩，2右肘，3右腕，4左肩，5左肘，6左腕，7右髋，8右膝，9右踝，10左髋，11左膝，12左踝，13头顶，14脖子 openpose源码中subset
1.3K20发布于 2020-03-12 - 来自专栏图像处理与模式识别研究所
Harris角点检测
,cv2.COLOR_BGR2GRAY)#将彩色图片转换为灰度图片 gray=np.float32(gray) dst=cv2.cornerHarris(gray,2,3,0.04)#Harris 角点检测 *dst.max()]=[0,0,255]#阈值 cv2.imshow('result',img) cv2.waitKey() cv2.destroyAllWindows() 算法：Harris角点检测是属于局部特征检测 （局部）具有鲁棒性 该区域应该包含感兴趣的结构（可辨别性） dst=cv2.cornerHarris(img, blockSize, ksize, k) img表示原始图像 blockSize表示角点检测中的领域大小 ksize表示Sobel求导中使用的窗口大小 k表示Harris 角点检测方程中的自由参数,取值参数为[0,04, 0.06] 文献：Harris, C.
43020编辑于 2022-05-28 - 来自专栏Python编程 pyqt matplotlib
OpenCV 斑点检测
Opencv中提供了SimpleBlobDetector的特征点检测方法，正如它的名称，该算法使用最简单的方式来检测斑点类的特征点。 再细化检测参数 params = cv2.SimpleBlobDetector_Params() #斑点检测的可选参数 #params.minThreshold= 10 #亮度最小阈值控制 #params.maxThreshold 1.0 #params.filterByInertia = True# 惯性率控制 #params.minInertiaRatio = 0.2#圆形的惯性率等于1，惯性率越接近1，圆度越高 然后执行斑点检测 ： detector = cv2.SimpleBlobDetector_create(params)#创建斑点检测器 keypoints = detector.detect(gauss) #在哪个图上检测斑点 plt.subplot(1,1,1) plt.imshow(cv2.cvtColor(im_with_keypoints, cv2.COLOR_BGR2RGB)) plt.title("OpenCV 斑点检测
4.4K30发布于 2019-09-25 - 来自专栏图像处理与模式识别研究所
DoH斑点检测
原始图像 im_gray=rgb2gray(im)#将彩色图片转换为灰度图片 blobs_doh=blob_doh(im_gray,max_sigma=30,threshold=0.005)#DoH斑点检测 axes[idx+1].add_patch(col),axes[idx+1].set_axis_off() pylab.tight_layout() pylab.show() 算法：DoH斑点检测是通过计算图像黑塞行列式矩阵中的极大值来检测斑点
96930编辑于 2022-05-28 - 来自专栏大数据智能实战
AI展示框架(7)：基于dlib实现人脸检测及关键点检测
dlib是人脸识别与人脸特征关键点获取的常用库，最近实现了将该库集成到展示框架的实验。
1.4K10发布于 2019-05-26 - 来自专栏OpenCV 系列
OpenCV 之 角点检测
都大且近似相等 为了便于直观理解，绘制成 $\lambda_1-\lambda_2$ 平面如下图： 2.3 cornerHarris() OpenCV 中 Harris 角点检测的函数为 lambda_2) $ 则相应的 $\lambda_1-\lambda_2$ 平面为： 3.1 goodFeaturesToTrack() OpenCV 中 Shi-Tomasi 角点检测函数为 2.5, Scalar(0, 255, 0)); } imshow("Shi-Tomasi corner", src); waitKey(0); } 检测结果： 4 角点检测的实现 0); } 检测结果：将求得的角点响应值$R$，输出 txt 文件，与 cornerHarris() 输出的 $R$ 进行比较，结果几乎完全相同 (只有几处小数点后7位的值不同) 5 亚像素角点检测
84150发布于 2021-03-18 - 来自专栏图像处理与模式识别研究所
LoG斑点检测
im_gray=rgb2gray(im)#将彩色图片转换为灰度图片 blobs_log=blob_log(im_gray,max_sigma=30,num_sigma=10,threshold=.1)#LoG斑点检测 axes[idx+1].add_patch(col),axes[idx+1].set_axis_off() pylab.tight_layout() pylab.show() 算法：LoG斑点检测是通过搜索
75520编辑于 2022-05-28 - 来自专栏图像处理与模式识别研究所
DoG斑点检测
)#原始图像 im_gray=rgb2gray(im)#将彩色图片转换为灰度图片 dog_blobs=blob_dog(im_gray,max_sigma=30,threshold=0.1)#DoG斑点检测 axes[idx+1].add_patch(col),axes[idx+1].set_axis_off() pylab.tight_layout() pylab.show() 算法：DoG斑点检测类似于
59310编辑于 2022-05-28 - 来自专栏AI科技时讯
人脸关键点检测
人脸关键点检测是人脸在工业应用中一个比较重要的基础性研究，可以说，大多数的人脸相关业务都是在此基础上进行的二次开发。比如人脸识别，试妆算法，人脸融合等。人脸的关键点检测的好坏，直接影响后续的业务。 目前很多公司都有关于人脸关键点检测的api的业务，比如腾讯云，百度云，face++等。 这里不做过多的介绍，只是讲解一下，利用opencv的包dlib以及调用face++的接口，展示一下人脸关键点检测大致概念。 使用dlib进行人脸关键点检测 dlib封装了一个人脸关键点提取算法，下载好模型后可直接调用。 （68点） 使用face++ APi接口进行人脸关键点检测 face++ 实现了83点以及106点的关键点检测，直接去官网申请账号，进行调用接口就行。 ? (83点) ?
2.8K20发布于 2020-01-02 - 来自专栏Python编程 pyqt matplotlib
OpenCV 角点检测
COLOR_BGR2GRAY) gray = np.float32(gray) dst = cv2.cornerHarris(gray, blockSize=5, ksize=7, k=0.1) #第三个参数ksize决定了角点检测的灵敏度
76010发布于 2020-05-20 - 来自专栏图像处理与模式识别研究所
Shi-Tomasi角点检测
cvtColor(img,cv2.COLOR_BGR2RGB)#转换为RGB格式 plt.imshow(img) plt.axis('off') plt.show()#显示检测结果 算法：Shi-Tomasi角点检测是史建波 （Jianbo Shi）和卡罗·托马西（Carlo Tomasi）在哈里斯角点检测基础上提出的改进角点检测的方法。
52320编辑于 2022-09-21 - 来自专栏又见苍岚
亚像素角点检测
原理解析 在亚像素级精度的角点检测算法中，一种方法是从亚像素角点到周围像素点的矢量应垂直于图像的灰度梯度这个观察事实得到的，通过最小化误差函数的迭代方法来获得亚像素级精度的坐标值。
1.3K20编辑于 2023-04-12 - 来自专栏生信修炼手册
异常点检测算法
专用的异常点检测算法 对于异常点检测而言，其本质是一个分类问题，将所有样本划分为正常样本和异常样本两类，但是不同于监督学习中的分类算法，这里的输入数据是没有标签的，所以是一种无监督学习的策略。 第二步计算每颗决策树中样本点的高度平均值，离根节点越近，高度越小，离根节点越远，高度越大； 第三步判断是否为异常点，根据高度值构建一个打分系统，取值范围0-1，靠近1被认为是异常点； sickit-learn中提供了多种异常点检测算法 ，上述两种异常点检测算法的用法如下 >>> from sklearn.svm import OneClassSVM >>> X = [[0], [0.44], [0.45], [0.46], [1]]
1.1K40发布于 2021-04-29 - 来自专栏又见苍岚
Harris 像素级角点检测
从图像分析的角度来定义角点可以有以下两种定义： 角点可以是两个边缘的角点； 角点是邻域内具有两个主方向的特征点； 一提到角点检测，最常用的方法莫过于Harris角点检测，opencv 中也提供了 Harris 角点检测的接口，即cornerHarris()，但是 Harris 角点检测存在很多缺陷（如角点是像素级别的，速度较慢等），opencv 中有另一个功能更为强大的函数— goodFeaturesToTrack ()，它不仅支持 Harris 角点检测，也支持 Shi Tomasi 算法的角点检测。 mask 如果指定，它的维度必须和输入图像一致，且在 mask 值为 0 处不进行角点检测。 useHarrisDetector 用于指定角点检测的方法，如果是 true 则使用 Harris 角点检测，false 则使用Shi Tomasi 算法。
1.1K10编辑于 2023-04-12 - 来自专栏机器学习算法原理与实践
异常点检测算法小结
异常点检测，有时也叫离群点检测，英文一般叫做Novelty Detection或者Outlier Detection,是比较常见的一类非监督学习算法，这里就对异常点检测算法做一个总结。 1. 异常点检测算法使用场景 什么时候我们需要异常点检测算法呢？常见的有三种情况。一是在做特征工程的时候需要对异常的数据做过滤，防止对归一化等处理的结果产生影响。 异常点检测算法常见类别 异常点检测的目的是找出数据集中和大多数数据不同的数据，常用的异常点检测算法一般分为三类。 第二类是基于聚类的方法来做异常点检测。 第三类是基于专门的异常点检测算法来做。
1.4K30发布于 2018-08-07 - 来自专栏SIGAI学习与实践平台
人体骨骼关键点检测综述
关键点个数为16，样本数25K； MSCOCO： 多人人体关键点检测数据集，关键点个数为17，样本数多于30W，目前的相关研究基本上还需要在该数据集上进行验证； AI Challenger： 多人人体关键点检测数据集 人体骨骼关键点检测 算法概述 多人人体骨骼关键点检测主要有两个方向，一种是自上而下，一种是自下而上，其中自上而上的人体骨骼关键点定位算法主要包含两个部分，人体检测和单人人体关键点检测，即首先通过目标检测算法将每一个人检测出来 自上而下的人体关键点检测算法 自上而下（Top-Down）的人体骨骼关键点检测算法主要包含两个部分，目标检测和单人人体骨骼关键点检测，对于目标检测算法，这里不再进行描述，而对于关键点检测算法，首先需要注意的是关键点局部信息的区分性很弱 自下而上的人体关键点检测算法 自下而上（Bottom-Up）的人体骨骼关键点检测算法主要包含两个部分，关键点检测和关键点聚类，其中关键点检测和单人的关键点检测方法上是差不多的，区别在于这里的关键点检测需要将图片中所有类别的所有关键点全部检测出来 自上而下的关键点检测算法在效果上要明显好于自下而上的关键点检测算法，因为自上而下的检测方法加入了整个人体的一个空间先验。
3.2K40发布于 2018-08-07 - 来自专栏AI科技时讯
OpenCV：特征及角点检测
Harris和Mike Stephens在1988年的论文《 A Combined Corner and Edge Detector 》中做了一次找到这些角点的早期尝试，所以现在将该方法称为哈里斯角点检测器 必须最大化这个函数 E(u,v) 用于角点检测。这意味着，必须最大化第二个项。 OpenCV中的哈里斯角检测 在OpenCV中有实现哈里斯角点检测，cv2.cornerHarris()。 docs.opencv.org/4.1.2/dd/d1a/group__imgproc__feature.html#ga354e0d7c86d0d9da75de9b9701a9a87e ---- 目标 在本章中，将学习另一个角点检测器
1K30编辑于 2023-09-01 - 来自专栏李蔚蓬的专栏
计算机视觉 OpenCV Android | 特征检测与匹配之角点检测——Harris角点检测与Shi-Tomasi角点检测
本文要点总结（俩算法的联系与区别） Harris角点检测与Shi-Tomasi角点检测都是经典的角点特征提取算法， 但两者在API的使用上有出入（详见文中代码或GitHub项目）； Harris角点检测的 1 Harris角点检测 关于角点特征提取最经典的算法之一就是Harris角点检测。 2 Shi-Tomasi角点检测 还有一种经常使用的角点检测方法称为Shi-Tomasi角点检测， 其与Harris角点检测类似，这种方法同样是基于梯度图像发展而来的， 它是1994年由两位作者Jianbo Shi-Tomasi角点检测与Harris角点检测唯一（指的是方法逻辑，不包括API，API的输出还不同） 不同的地方在于计算角点响应R值时使用的是如下方法： ? useHarrisDetector：是否使用Harris角点检测，true表示使用，若为false则使用Shi-Tomasi角点检测。 k：当使用Harris角点检测的时候才使用。
1.5K30发布于 2019-03-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号