图像识别

瑞云科技云平台胜利集成NVIDIA CloudXR SDK，并部署了RTX 6000 GPU，极大加强AR/VR/XR等方面的云服务能力，让用户能够随时随地拜访云端XR资源，为各种利用资源的分享奠定了松软的根底。 汽车、教育、医疗、修建地产、工业仿真、智慧园区等行业对渲染品质与速度的需要逐步进步，沉重的图像计算亟需业余牢靠、平安稳固、可继续的解决方案来解决，云计算、云渲染便是其中的优选。 深圳市瑞云科技有限公司是一家专一为视觉行业提供垂直云计算服务的公司，致力于通过技术创新给行业带来低成本、高效、牢靠的云服务。旗下品牌3DCAT实时渲染云，为客户提供可随时随地跨终端、可交互、超高清、沉迷式拜访三维利用的服务。 云端海量GPU算力减速沉重的图像计算瑞云科技3DCAT将云计算、云渲染引入到VR/AR/XR产业中，利用云端海量GPU算力解决沉重的图像计算，实现VR/AR/XR内容上云，并串流同步输入到终端设备（PC、手机、平板、VR/AR等），从而实现终端设备的轻量化。 随着CloudXR产业日趋成熟，平台的用户规模越来越大，对平台算力的需要也逐步减少。与此同时，行业VR/AR/XR技术也在减速更新迭代，3DCAT一直优化更新底层计算资源，满足日益增长的用户需要，将NVIDIA CloudXR SDK和RTX 6000 GPU作为3DCAT的底层架构，实现残缺的SaaS服务，为用户提供了可自在调度、跨平台拜访的实时渲染云服务。 NVIDIA CloudXR SDK和RTX 6000 GPU赋能实时渲染云服务3DCAT利用了NVIDIA的GPU渲染和云服务器架构提供的计算能力，在确保VR/AR/XR内容高清显示的前提下，升高了对终端硬件性能的要求，简化了VR/AR/XR的零碎架构，升高了用户应用门槛，用户应用繁难的一体机即可体验高清、互动、沉迷感强的VR/AR/XR内容。 3DCAT实时渲染云将显卡降级为RTX 6000，基于RTX 6000弱小的显存，能够反对更大的渲染场景。在反对实时光线追踪成果的同时，显示帧数由30 fps晋升至60 fps，为用户带来了更加炫酷的视觉体验。 NVIDIA QUADRO RTX 6000 另外，3DCAT的CloudXR云服务集成了NVIDIA CloudXR™技术，岂但反对无线WIFI网络，还实现了5G网络VR/AR服务，为用户提供高清串流体验。 NVIDIA CloudXR拓展3DCAT利用场景NVIDIA CloudXR SDK为瑞云提供了用于服务器组件的安装程序和易于应用的库，将OpenVR应用程序流式传输到Android或Windows等客户端，为用户提供丰盛的XR内容。 基于NVIDIA CloudXR的技术，3DCAT不仅实现了对传统利用场景的延长，还拓展了更多场景，打造一系列标准化的性能组件，逐渐扩充产品的边界。当初，3DCAT的利用场景涵盖三维仿真、VR、AR等多种渲染场景服务。 利用场景的延长和老本的升高让瑞云进一步扩充了服务畛域，现阶段，3DCAT已在汽车、教育、医疗、修建地产、工业仿真、智慧园区等多个细分行业畛域落地，并已为上百家企业、院校和运营商客户提供了一站式解决方案。例如，3DCAT为滴滴青桔部署云展厅，为青桔粉丝提供就近的边缘运算服务，带来全新的云上漫游、观赏青桔新品的体验。 瑞云科技产品经理Nils Zhao说：“NVIDIA CloudXR SDK非常适合咱们的云渲染模式，能够大幅晋升可视化空间综合性虚构利用的扩展性和便携性。通过实时渲染云服务，用户不再须要依赖各种简单的工作站来体验虚拟现实环境，只须要便携式的一体机就可能在产品展现、游戏、场景互动、旅行等场景中实现协同和共享。” 瑞云科技在IT技术和研发上一直投入，帮忙用户解脱了惨重的IT和计算设施投入，将更多的精力和资源放在内容创作和经营上，大大提高行业生产合作效率，并极大降低成本。 将来，3DCAT将继续减少云端算力规模，携手像NVIDIA英伟达这样的合作伙伴，更深刻和宽泛地联合单方在实时渲染畛域的劣势，为各行业用户提供超高性价比的实时云渲染服务！ 文章起源：NVIDIA英伟达企业解决方案公众号ID：NVIDIA-Enterprise

8月30日，国家新闻出版署下发《对于进一步严格管理 切实避免未成年人沉迷网络游戏的告诉》。告诉要求，严格限度向未成年人提供网络游戏服务的工夫，所有网络游戏企业仅可在周五、周六、周日和法定节假日每日20时至21时向未成年人提供1小时服务；严格落实网络游戏用户账号实名注册和登录要求，所有网络游戏必须接入国家新闻出版署网络游戏防沉迷实名验证零碎；网络游戏企业不得以任何模式向未实名注册和登录的用户提供游戏服务。 网络游戏企业是防沉迷工作的次要参与方。在国家新闻出版署网络游戏防沉迷实名验证零碎建成运行前，为了帮忙游戏类APP尽快无效落实告诉要求，个推推出了青少年网络游戏防沉迷解决方案，通过实人认证服务+视觉智能技术，从游戏前、游戏中两个层面，助力APP开发者构建起更为欠缺的青少年爱护零碎，独特推动网络环境衰弱倒退。 个推实人认证服务，无效落实实名注册和登录要求实人（名）认证，是游戏注册登录环节中的一道要害防线。 个推实人认证服务对立调用官网权威数据接口，为游戏类APP提供可信、平安的网络身份验证服务，可能对注册用户进行实名、实人等不同类型的身份核验，实现物证合一，帮忙游戏类APP无效落实网络游戏用户账号实名注册和登录要求。 个推实人认证服务具备数据源权威可信、核验过程平安、用户体验便捷等外围劣势，可能在不泄露身份信息的前提下实现在线身份认证，无效满足游戏类APP对用户身份信息核验的需要。 个推视觉智能技术，智能高效判断用户特色除了在注册登录环节对用户进行实人认证外，个推青少年网络游戏防沉迷解决方案还提供了图像智能判断的双重保障。当一些未成年人应用家长身份信息绕过实名验证，冲破身份限度，使得时段时长无奈发挥作用时，游戏类APP可通过个推视觉智能技术，疾速对用户特色进行分类判断，进步防沉迷成果。 个推此前就深度布局了视觉智能畛域，投资了第三方图像智能服务商-涂图，并依靠自研的深度学习算法以及海量数据训练，打造了视觉智能解决方案。 个推视觉智能技术能够无效判断图像信息，并通过一直强化算法、优化模型，帮忙APP疾速智能地判断用户特色，不仅可使用于青少年网络游戏防沉迷爱护，同时可笼罩实名验证、风控核验等不同场景。 随着青少年网民规模持续增长，“触网”低龄化趋势更加显著，如何爱护青少年的集体信息安全备受关注。个推视觉智能技术在利用过程中非常重视青少年个人信息爱护，相干数据均在终端通过加密形式间接进行解决，全程均为机器判断，无人工染指，同时确保相干数据不会被记录和存储，并不会用于任何其余用处，切实保障数据安全和用户隐衷。同时，个推青少年网络游戏防沉迷解决方案还将减少监护人受权环节，在用户充沛知情和受权的前提下，建设判断、疏导和爱护机制，保障账号应用过程中的信息安全。 防沉迷工作是一项系统工程，须要社会各界的共同努力。技术更加精密紧密，落实更加无力无效，青少年能力更好地在衰弱清朗的网络空间里畅游。个推深耕开发者服务十余年，积淀了丰盛的行业解决方案，继续为APP开发者提供翻新技术服务。咱们也始终亲密关注着行业的变动，紧跟政策脚步，以大数据、人工智能等互联网前沿技术踊跃践行社会责任。在国家新闻出版署网络游戏防沉迷实名验证零碎建成运行后，个推还将持续跟进零碎的实际与利用，为推动防沉迷工作落地奏效贡献力量。咱们十分心愿能与宽广开发者及社会各界携手，用更加迷信的形式守护每一位青少年的健康成长。

我的北方姑娘！ 简略的话语，认真的态度，表白我对你的喜爱... 谨以此条动静，记录咱们恋情的开始... ... 当前咱们还会过很多个七夕！ 2021.08.14(七月初七)

PILimport numpy as npfrom PIL import Imageimage_pil = Image.open("./test.jpg").convert('RGB')image_pil = np.asarray(image_pil)OpenCVimport cv2image_cv = cv2.imread("./test.jpg")image_cv = cv2.cvtColor(image_cv, cv2.COLOR_BGR2RGB)查看是否等价print(type(image_cv))print(type(image_pil))print(image_cv.any() == image_pil.any())<class 'numpy.ndarray'><class 'numpy.ndarray'>True转换成TorchTensorfrom torchvision import transformstransform = transforms.Compose([ transforms.Resize([224, 224]), transforms.ToTensor()])image_cv = Image.fromarray(image_cv)img_tensor_cv = transform(image_cv)img_tensor_cv = img_tensor_cv.reshape((1, 3, 224, 224))image_pil = Image.fromarray(image_pil)img_tensor_pil = transform(image_pil)img_tensor_pil = img_tensor_pil.reshape((1, 3, 224, 224))print(torch.equal(img_tensor_cv, img_tensor_pil))False

均值偏移滤波均值偏移滤波(Mean Shift Filtering)，有时也称为均值偏移聚类(Mean Shift Clustering)，是计算机视觉和图像处理中罕用的一种数据聚类算法。 对于图像的每个像素(具备物理空间地位信息和色彩信息)，计算一组相邻像素(在定义的空间半径和色彩间隔内)的均值。 物理空间上2个坐标—x、y，加上色调空间上3个坐标—R、G、B(或任何3维色彩空间)，形成一个5维的空间球体。对于这组相邻像素，将计算新的空间中心点(空间平均值)和新的色彩平均值。这些计算出的平均值将用作下一次迭代的新中心点。所形容的过程将反复进行，直到空间和色彩(或灰度)平均值进行变动为止。在迭代完结时，最终的均匀色彩将调配给该迭代的开始地位。 以下动画解释均值偏移的步骤，这里以2维的圆代表5维的空间球体。 参考自：https://waltpeter.github.io/o... 大津二值化法大津二值化法(Otsu's method)，是大津展之(Nobuyuki Otsu)提出的全局最优阈值解决算法，将一个灰度图像进化为二值图像。应用聚类思维，将图像分为“前景”和“背景”两类，并使得两类的类内方差最小，即类间方差最大。 $$\sigma^2_w(t)=\omega_0(t)\sigma^2_0(t)+\omega_1(t)\sigma^2_1(t)$$ $x=1$$ 参考自：https://www.cnblogs.com/zdfff...

父老们，乡亲们！你晓得人脸、商品、车辆辨认，以图搜图乃至主动驾驶，背地的技术是什么嘛？ 起初小编感觉不就是图像分类、指标检测这些货色嘛，有什么难的？但能纯熟这些利用的BAT高级工程师们都轻松年薪百万，笑傲人生了！！！ 当小编正在酸成柠檬精的时候，BAT大神幽幽的说：这背地是综合应用指标检测、图像分类、度量学习、图像检索的【通用图像识别零碎】… 度量学习是啥？图像检索是啥？通用图像识别零碎又是啥？！看来还是我Too Simple，Too Naive了… 难道我真的就无缘年薪百万了嘛？！正在小编捶胸顿足的时候，小编忽然发现了一个通用图像识别零碎疾速搭建神器！OMG！这不幻想一下就要实现了嘛！ 连忙Star珍藏住：https://github.com/PaddlePaddle/PaddleClas 那这个我的项目到底有什么过人之处，图像识别又比图像分类、指标检测强在哪里呢？ 拿[商品辨认]举个栗子，如果你用单纯的图像分类和指标检测，你会发现： 商品类别数以万计：基本没法当时把所有类别都放入训练集！训练集都不齐备怎么训练算法？样本类别极不平衡：每类商品的数量散布参差不齐，有的类别只有1、2张图片！这样的类别即便投入算法训练，辨认准确率也是十分非常低的。品类更新极快：各个商家不停的推出新的品类，每减少新的产品都要辛辛苦苦从新训练模型！而应用图像识别，不仅能将以上问题完满解决！而且上手极快，简略易懂。筹备好须要辨认的物体图片后，只需三步，多类别、小样本、数据不平衡统统不再是问题！并且它除了商品辨认，还能够进行车辆、人脸、Logo、行人辨认！！！让咱们一起想辨认什么就辨认什么！（是自在的感觉没错了！） 并且这个图像识别零碎的4个外围形成模块，都是通过精心打磨。无论是独自应用亦或是串联开发，都有不凡的成果： 主体检测：采纳高精准超轻量的PP-YOLOv2检测算法，疾速对图像进行主体检测，晋升辨认效率。 骨干网络：精选6个系列Backbone，笼罩最精美的挪动端模型和高精准的服务端模型，反对对构造进行疾速批改，满足不同应用场景的需要。 度量学习：集成ArcMargin, CenterLoss, TriHard等业界最当先的度量学习办法，并能任意组合，轻松训练出鲁棒的图像特色。 检索系统：集成百度自研的Möbius算法，高效实现向量检索，并能随时更新检索库，一次训练长期应用。 开发者不仅能够独自或自主组装应用这四个模块，还能够间接采纳构建好的车辆辨认、LOGO辨认、商品辨认、动漫辨认四个零碎。只须要补充好检索库，就能够间接投产应用了！ 有了它们的助力，看齐大厂程序员，年薪百万不是梦！（逐步露出暴富的笑容~ ） 这么弱小、用心的我的项目 ，你还在等什么？！还不连忙Star珍藏上车吧！ 传送门：https://github.com/PaddlePaddle/PaddleClas 疾速体验： https://github.com/PaddlePaddle/PaddleClas/blob/release%2F2.2/docs/zh_CN/tutorials/quick_start_recognition.md

# date  : 2020.3.30import osimport cv2import randomimport numpy as npfrom matplotlib import pyplot as pltimport torchimport torch.nn.functional as Ffrom train_mnist import Net ##重要，尽管显示灰色(即在次代码中没用到)，但若没有引入这个模型代码，加载模型时会找不到模型from torch.autograd import Variableimport pandas as pdres = {}# 读取图像def FourierAddGauss_Blur(img, mu, sigma, k): # 归一化解决 img = np.array(img / 255, dtype=float) # 傅里叶变换 f = np.fft.fft2(img) # print('Fourier Done') fshift = np.fft.fftshift(f) print(fshift) [rows, cols] = fshift.shape for i in range(0, k): for j in range(0, k): # print('before') # print(fshift[i][j]) f_real = fshift[i][j].real f_imag = fshift[i][j].imag f_real += random.gauss(mu, sigma) fshift[i][j] = f_real + (1j * f_imag) # print(fshift[i][j]) # print('Add GaussNoise to (0,10) real Done') res = np.log(np.abs(fshift)) # 傅里叶逆变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) # 自适应高斯滤波 out = cv2.GaussianBlur(iimg, (3, 3), 1) # print('Gaussian Filter Done') # # 滤波后频率图 # f_out = np.fft.fft2(out) # fshift_out = np.fft.fftshift(f_out) # res_out = np.log(np.abs(fshift_out)) # 展现后果 plt.subplot(221), plt.imshow(img, 'gray'), plt.title('Original Image') plt.subplot(222), plt.imshow(res, 'gray'), plt.title('Fourier Image') plt.subplot(223), plt.imshow(iimg, 'gray'), plt.title('Inverse Fourier Image') plt.subplot(224), plt.imshow(out, 'gray'), plt.title('out Image') # plt.subplot(325), plt.imshow(res_out, 'gray'), plt.title('Out Fourier Image') plt.show() return outdef FourierAddGauss_NoBlur(img, mu, var, k): # 归一化解决 img = np.array(img / 255, dtype=float) # 傅里叶变换 f = np.fft.fft2(img) # print('Fourier Done') fshift = np.fft.fftshift(f) [rows, cols] = img.shape f_real = np.zeros(img.shape) f_imag = np.zeros(img.shape) for i in range(0, rows): for j in range(0, cols): f_real[i][j] = fshift[i][j].real f_imag[i][j] = fshift[i][j].imag # 生成高频高斯噪声 noise = np.random.normal(mu, var ** 0.5, img.shape) for i in range(0, rows): for j in range(0, cols): if i > k or j > k: noise[i][j] = 0 print("noise") print(noise) print("f_real") print(f_real) # 退出噪声 f_real = f_real + noise for i in range(0, rows): for j in range(0, cols): fshift[i][j] = f_real[i][j] + (1j * f_imag[i][j]) res = np.log(np.abs(fshift)) # 傅里叶逆变换 print("fshift") print(fshift) ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) iimg = iimg * 255 # 自适应高斯滤波 out = cv2.GaussianBlur(iimg, (3, 3), 1) # print('Gaussian Filter Done') # # 滤波后频率图 # f_out = np.fft.fft2(out) # fshift_out = np.fft.fftshift(f_out) # res_out = np.log(np.abs(fshift_out)) # 展现后果 plt.subplot(221), plt.imshow(img, 'gray'), plt.title('Original Image') plt.subplot(222), plt.imshow(res, 'gray'), plt.title('Fourier Image') plt.subplot(223), plt.imshow(iimg, 'gray'), plt.title('Inverse Fourier Image') plt.subplot(224), plt.imshow(out, 'gray'), plt.title('out Image') # plt.subplot(325), plt.imshow(res_out, 'gray'), plt.title('Out Fourier Image') plt.show() return outdef train_pngAddGauss(root): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = Net() model.load_state_dict(torch.load('mnist_cnn.pt')) # 加载模型 model = model.to(device) model.eval() # 把模型转为test模式 # root = r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\testing\test' # root = r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\testing\test_AddGaussion2000_NoFiltering' # root = r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\testing\test_AddGaussion_NoFiltering' files_path = os.listdir(root) print("start testing:...") for png_name in files_path: # print(png_name) img = cv2.imread(root + "/" + png_name, 0) # print(img.shape) # img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 图片转为灰度图，因为mnist数据集都是灰度图 img = np.array(img).astype(np.float32) img = np.expand_dims(img, 0) img = np.expand_dims(img, 0) # 扩大后，为[1，1，28，28] img = torch.from_numpy(img) img = img.to(device) output = model(Variable(img)) prob = F.softmax(output, dim=1) prob = Variable(prob) prob = prob.cpu().numpy() # 用GPU的数据训练的模型保留的参数都是gpu模式的，要显示则先要转回cpu，再转回numpy模式 # print(prob) # prob是10个分类的概率 pred = np.argmax(prob) # 选出概率最大的一个 res[png_name] = pred.item() print("train over") data = pd.read_csv(r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\testing\test.csv') right = 0 for key, val in res.items(): # print(key,val) if int(data[data['pic_name'] == key]['label']) == val: right = right + 1 # else: # print("Actually:" + key, val) # Wrong_pred = int(data[data['pic_name'] == key]['label']) # print("Wrong predicted:" + str(Wrong_pred)) acc = right / len(res) print(acc) return accdef gasuss_noise(image, mean=0, var=0.001): # ''' # 增加高斯噪声 # image:原始图像 # mean : 均值 # var : 方差,越大，噪声越大 # ''' image = cv2.imread(image) image = np.array(image / 255, dtype=float) # 将原始图像的像素值进行归一化，除以255使得像素值在0-1之间 noise = np.random.normal(mean, var ** 0.5, image.shape) # 创立一个均值为mean，方差为var呈高斯分布的图像矩阵 out = image + noise # 将噪声和原始图像进行相加失去加噪后的图像 if out.min() < 0: low_clip = -1. else: low_clip = 0. out = np.clip(out, low_clip, 1.0) # clip函数将元素的大小限度在了low_clip和1之间了，小于的用low_clip代替，大于1的用1代替 out = np.uint8(out * 255) # 解除归一化，乘以255将加噪后的图像的像素值复原 # cv.imshow("gasuss", out) noise = noise * 255 return [noise, out]def dctAddLowFre(img,mu,var,k): # 归一化解决 img = np.array(img / 255, dtype=float) img_dct = cv2.dct(np.float32(img)) # img_dct_log = np.log(abs(img_dct)) # print('img_dct:') # print(img_dct[0:k, 0:k]) # 生成低频噪声 # 学生成高斯噪声 noise = np.random.normal(mu, var ** 0.5, img.shape) # 创立一个均值为mu，方差为var呈高斯分布的图像矩阵 # 对 GaussionNoise 进行剪裁 for i in range(noise.shape[0]): for j in range(noise.shape[1]): if i > k or j > k: noise[i][j] = 0 # print('noise:') # print(noise) # 对 GaussionNoise 进行 IDCT 失去低频噪声 lowFre_noise = np.zeros(img.shape) lowFre_noise[0:k, 0:k] = cv2.idct(noise[0:k, 0:k]) # print('lowFre_noise:') # print(lowFre_noise[0:k, 0:k]) # 将 低频噪声 退出 img_dct img_dct_AddLowFreNoise = img_dct + lowFre_noise # print('img_dct_AddLowFreNoise') # print(img_dct_AddLowFreNoise[0:k, 0:k]) # 解除归一化 img_dct_AddLowFreNoise = img_dct_AddLowFreNoise * 255 # 逆离散余弦变换，变换图像回实数域 img_idct = cv2.idct(img_dct_AddLowFreNoise) img_idct_Blur = cv2.GaussianBlur(img_idct, (3, 3), 1) # show result plt.subplot(241), plt.imshow(img, 'gray'), plt.title('Img') plt.subplot(242), plt.imshow(noise, 'gray'), plt.title('Gaussion Noise') plt.subplot(243), plt.imshow(lowFre_noise, 'gray'), plt.title('Low Frequency Noise') plt.subplot(244), plt.imshow(img_dct, 'gray'), plt.title('Img_dct') plt.subplot(245), plt.imshow(img_dct_AddLowFreNoise, 'gray'), plt.title('Img_dct_AddLowFreNoise') plt.subplot(246), plt.imshow(img_idct, 'gray'), plt.title('IDCT Image') plt.subplot(247), plt.imshow(img_idct_Blur, 'gray'), plt.title('IDCT-Blur Image') plt.show() return img_idctdef train_pngAddLowFre(root,root_out,mu,var,k): files_path = os.listdir(root) for png_name in files_path: img = cv2.imread(root + "/" + png_name, 0) out = dctAddLowFre(img, mu, var, k) cv2.imwrite(root_out + "/" + png_name, out) train_pngAddGauss(root_out)def main(): # # test # root = r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\testing\test' # root_out = r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\testing\test_AddGaussion_NoFiltering' # # # # train # # root = r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\training\train' # # root_out = r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\training\train_AddGuassion4000_Filtering' # # files_path = os.listdir(root) # # array = [100,200,500,1000,1200,1500,2000,2500,3000,3500,4000,4500,5000] # array2 = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10] # k = 28 # for sigma in array2: # for png_name in files_path: # img = cv2.imread(root + "/" + png_name, 0) # # out = FourierAddGauss_Blur(img, 0, sigma, k) # out = FourierAddGauss_NoBlur(img, 0, sigma, k) # cv2.imwrite(root_out + "/" + png_name, out) # # print(sigma) # train_pngAddGauss(root_out) #单张图片测试 img = cv2.imread(r'D:\PythonProjects\Fourier\0.png',0) #第一个参数是文件门路，可本人批改 out = FourierAddGauss_NoBlur(img, 0, 50, 10) # # 单张图片测试 # # 离散余弦变换 并获取其幅频谱 # img = cv2.imread(r'D:\PythonProjects\Fourier\0.png', 0) # img_addLowFre = dctAddLowFre(img, 0, 0.1, 10) # # 数据集测试 # root = r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\testing\test' # root_out = r'D:\PythonProjects\Fourier\mnist_png_all_files_with_traincsv\testing\test_AddLowFre' # mu = 0 # array_var = [0, 0.01, 0.02, 0.05, 0.1] # array_var2 = [0.6, 0.7, 0.8, 0.9, 1] # k = 10 # # for var in array_var2: # print(var) # train_pngAddLowFre(root, root_out, mu, var, k)if __name__ == '__main__': main()

算法思维间接对bounding box的地位和置信度进行回归。 算法流程将图片划分成S*S的格子，如果box核心落到某个格子内，则该格子负责预测这个box；每个格子负责预测b个bounding box（预测绝对于以后格子的坐标以及绝对于全图的长宽），最初选定置信度最大的格子输入；计算回归损失。推理流程图片通过网络前向计算失去S*S*(5*b+num_classes)个输入，在pascal VOC数据集中，YOLOv1采纳S=7, b=2, 一共20类，所以num_classes=20, 最初的输入为7*7*30，即每个格子预测两个bounding box；筛选出bounding box置信度(confidence)大于阈值的框（此时在YOLOv1中曾经过滤掉大部分）；对筛选出的bounding box进行nms（非极大克制）。依据业务不同要求，nms的模式也可能不同，YOLOv1中间接对所有bbox的score进行排序，在所有bbox中做nms；而在要求召回较高的场景须要对每一类别离做nms。优缺点长处速度很快，pipline简略YOLO会基于整张图片信息进行预测，而其余滑窗式的检测框架，只能基于部分图片信息进行推理。YOLO学到的图片特色更为通用背景误检率低毛病因为输入层为全连贯层，因而在检测时，YOLO训练模型只反对与训练图像雷同的输出分辨率；每个格子只能预测一个bbox。当一个格子蕴含多个物体时，只能检出一个；地位检测不精确。YOLO loss函数中，大物体IOU误差和小物体IOU误差对网络训练中loss奉献值靠近（尽管采纳求平方根形式，但没有基本解决问题）。因而，对于小物体，小的IOU误差也会对网络优化过程造成很大的影响，从而升高了物体检测的定位准确性。代码https://github.com/Howe-Young...

torchvision.models 里蕴含了许多模型，用于解决不同的视觉工作：图像分类、语义宰割、物体检测、实例宰割、人体关键点检测和视频分类。 本文将介绍 torchvision 中模型的入门应用，一起来创立 Faster R-CNN 预训练模型，预测图像中有什么物体吧。 import torchimport torchvisionfrom PIL import Image创立预训练模型model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)print(model) 可查看其构造： FasterRCNN( (transform): GeneralizedRCNNTransform( Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) Resize(min_size=(800,), max_size=1333, mode='bilinear') ) (backbone): BackboneWithFPN( ... ) (rpn): RegionProposalNetwork( (anchor_generator): AnchorGenerator() (head): RPNHead( (conv): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (cls_logits): Conv2d(256, 3, kernel_size=(1, 1), stride=(1, 1)) (bbox_pred): Conv2d(256, 12, kernel_size=(1, 1), stride=(1, 1)) ) ) (roi_heads): RoIHeads( (box_roi_pool): MultiScaleRoIAlign(featmap_names=['0', '1', '2', '3'], output_size=(7, 7), sampling_ratio=2) (box_head): TwoMLPHead( (fc6): Linear(in_features=12544, out_features=1024, bias=True) (fc7): Linear(in_features=1024, out_features=1024, bias=True) ) (box_predictor): FastRCNNPredictor( (cls_score): Linear(in_features=1024, out_features=91, bias=True) (bbox_pred): Linear(in_features=1024, out_features=364, bias=True) ) ))此预训练模型是于 COCO train2017 上训练的，可预测的分类有： ...

人工智能、云计算、5G等新兴技术正在放慢媒体行业智能化降级步调。12月24日，人民日报举办“2020智慧媒体高峰论坛”，公布人民日报“创作大脑”，百度公司提供技术支持，助力智能编辑部建设，开启智能媒体新时代。 人民日报“创作大脑”具备直播智能拆条、在线视频快编、图片智能解决、智能字幕制作、可视化大数据、智能写作、新闻转视频、实时新闻监测等18项重点性能，是集轻利用平台、智慧媒体云、常识社区、凋谢生态于一身的一站式智能创作平台，可能为媒体机构提供全媒体生态智能解决方案。 人民日报“创作大脑”背地，是百度智能云提供当先的云+AI技术支持，尤其是来自百度大脑智能创作平台的反对。百度大脑智能创作平台基于自然语言解决、常识图谱、视觉、语音的整合技术能力，为创作者提供多项能力，助力新闻生产的策、采、编、审、发全流程，全面晋升内容生产效率。 (智能创作平台全景图) 智能策动，将数据转化为业务智慧 在智能策动方面，基于百度常识图谱的核心技术与数据，汇聚全网文本、视频、图片、语音等海量信息，借助全网资源构建具备语义关系的主题图谱，高效汇聚海量创作资源，通过关联剖析实时发现热点，智能化地构建事件脉络、通稿常识的关联与扩大等反对专题深度开掘的性能，堪称每日"选题会"利器。 (基于常识图谱的素材举荐性能示意图) 新闻编辑可通过智能策动性能，疾速获取以后热点，寻找创作灵感，开掘深度主题。借助热度趋势还可理解主题舆论现状，通过主题关联剖析取得指标主题的泛滥切入角度，晋升文章视角档次与深度。 智能采编，智能内容生产晋升内容创作效率和品质 智能生产则更加关注内容创作的效率和品质，为媒体内容生产提供主动创作和辅助创作的反对。百度大脑智能创作平台集成自然语言解决、常识图谱、视觉技术泛滥算法能力，反对智能文章创作及智能视频生产，包含新闻快讯生成、专题报道聚合、视频新闻主动生成等性能。从通稿式"规范"内容，一键转化为快讯、短视频等多样化状态。想要触达不同平台、不同受众?AI帮你疾速做到! (多模AI技术加持的智能采编) 智能文章创作：可通过接入数据、配置专属写作模板，疾速实现批量和主动文章生成能力，能间接承当具备高时效、简略、反复个性创作流程。通过可视化编辑等形式，基于数据和素材起源，实现创作模板、必要数据和素材解决;聚合写作，辅助实现一手时效性报道，从实时和海量的社交数据中，挖掘出有价值的资讯或新闻内容，利用常识加工、计算、聚合等形式产生高时效、高质量的独家内容，让创作者从反复繁琐的查找、收集材料工作中解放。 视频新闻自动生产：多模态视频智能创作，高效实现视频主动生成，解决视频素材获取老本高、行业视频制作门槛高、制作效率低工夫久的痛点，利用图片、视频、文字等多模态信息交融技术实现视频新闻的生产。它可利用算法和AI模型主动生成故事线，升高素材收集、整顿、匹配、剪辑的工夫老本，实现全自动智能化新闻视频内容生产。用户可零门槛疾速上手，通过图文链接一键导入，主动实现配音不同格调的男女声AI语音播报、字幕、画面、片头片尾的视频内容生产。同时通过视频编辑器疾速反对视频的宰割、视频剪辑、多视频合并、缩放与裁剪性能，通过AI技术赋能视频剪辑，带来晦涩应用体验。 多模态媒资智能治理，内容价值开掘利用：在媒资治理方面，通过剖析媒体资源造成结构化素材知识库，为使用者提供创作的素材起源。该过程由百度大脑通过常识图谱、语言了解、多模了解对内容资源深入分析，理解内容背地常识外延，建设内容语义关联，实现视频拆条、编目自动化，涵盖多畛域的视频主题、摘要、标签、人物、地点辨认。同时反对常识摸索举荐、语义检索，并基于新闻内容实现内容的生成与散发。 (视频了解、主动拆条和主动编目性能示意图) 智能审校：多维度审校，全方位保障内容品质 依靠自然语言解决技术，可反对采编素材、视频文字、图书稿件等场景的多维度审校，汇合纠错、一致性查看、格局校对等实用能力，可秒级实现十万字审核。而传统形式下一个人须要3.3天审核工夫，这使得媒体人有更多精力投入到创造性工作中。 (智能审校示意图) 散发营销晋升效率，助力内容推广千人千面 如何实现创作内容的精准散发?通过对创作者的生产内容进行剖析，帮忙创作者高效实现千人千面的内容散发和营销优化。在散发过程中，题目、摘要、主题短语等信息须要在较短的篇幅内抓住用户注意力，而在传统内容生产中，这些内容须要专门投入人力去手工提炼撰写。百度大脑智能创作可能主动且精确地为内容计算标签、题目、摘要、主题短语等信息，不仅节约创作者的编辑工夫，也能无效晋升散发效率，晋升内容的影响力。 (智能创作在散发场景的性能示意图) 百度大脑智能创作平台反对人民日报“创作大脑”的产品落地，标记着传统消耗大量精力及工夫的内容生产过程将被更新优化，是人工智能技术赋能媒体生产的进一步落地。百度助力人民日报推出的创作大脑，将首先在人民日报内容生产中投入利用，进而转化为可能为其余媒体机构和内容创作者服务的全媒体生态智能解决方案，为全国媒体深度交融倒退助力。

用PyInstaller打包.py文件2021/1/4 背景课程设计要用PyQt制作GUI并打包成.exe文件，在学习PyQt，就做了一个读取图片的小小程序，顺便试一下用PyInstaller打包。 注释PyInstaller的装置我用的时候发现曾经装好了，应该是我大三试着玩的时候装的，这里就不表了。 PyInstaller的应用win + R关上运行窗口，输出cmd后回车进入控制台进入要打包的py文件的目录 输出d:进入D盘输出cd D:\_study\Grade4-1\CourseDesign\learn_PyQt\mine进入py文件所在文件夹输出指令pyinstaller -F -w -i favicon.ico mine.py -F 生成的dist文件夹只含有单个的exe程序-w exe文件关上时只有指标窗口，没有俊俏的控制台-i favicon.ico 为程序加上指定门路的图标，这里只能是ico文件，jpg会报错我试了mine.py 筹备打包的py文件各种参数的含意和用法在附录链接的文章中有具体介绍期待打包实现即可关上exe文件打包实现后文件夹里会新呈现以下货色 _pycache_ build dist 三个文件夹mine.specexe文件即在dist文件夹中，点击运行即可 过程中遇到的问题及解决图标格局必须是ico，用jpg在打包时会报错程序中要用到的图片素材等在代码援用素材时中应用相对路径'res/faye.jpg'打包完结后将res文件夹复制一份放在与exe文件并列的地位其余仿佛须要在零碎的主python环境中装置须要的库，我的PyQt一开始只装在anaconda创立的虚拟环境中，造成打包后点击exe不呈现图形界面，在主环境中装置PyQt5后问题解决总结这是我第一次写博文来记录学习，也是第一次应用markdown编辑文本，有些青涩见谅:)感激plb消耗100+mb流量帮我测试生疏环境下的程序运行。 附录PyInstaller各参数含意繁难图形程序的代码import sysimport cv2import numpyfrom PyQt5.QtWidgets import QApplication, QWidget, QPushButton, QMessageBox, QLineEditfrom PyQt5.QtGui import QIconfrom random import randintclass Example(QWidget): def __init__(self): super().__init__() self.initUI() # self.filename = 'a.jpg' def initUI(self): self.setGeometry(300, 300, 300, 150) self.setWindowTitle('读取图片') self.setWindowIcon(QIcon('res/faye.jpg')) self.bt1 = QPushButton('读取', self) self.bt1.setGeometry(115, 90, 70 ,30) self.bt1.setToolTip('<b>点击这里读取图片</b>') self.bt1.clicked.connect(self.showMessage) self.text = QLineEdit('在这里输出文件门路（不要含有中文）', self) self.text.selectAll() self.text.setFocus() self.text.setGeometry(25, 50, 250 ,30) self.show() def showMessage(self): filename = self.text.text() # print(filename) img = cv2.imread(filename) img1 = cv2.imread('a.jpg') if type(img) == type(img1): QMessageBox.about(self, '小问题...','门路如同错了') self.text.selectAll() self.text.setFocus() else: cv2.imshow(filename, img) cv2.waitKey(0) self.text.clear() self.text.setText('在这里输出文件门路（不要含有中文）') self.text.selectAll() self.text.setFocus() def closeEvent(self, event): reply = QMessageBox.question(self, '确认', '确认退出吗', QMessageBox.Yes | QMessageBox.No, QMessageBox.No) if reply == QMessageBox.Yes: event.accept() else: event.ignore() if __name__ == '__main__': app = QApplication(sys.argv) ex = Example() sys.exit(app.exec_())

在文章中，咱们将对输出到机器学习模型中的数据集进行预处理。 这里咱们将对一个硬币数据集进行预处理，以便当前在监督学习模型中进行训练。在机器学习中预处理数据集通常波及以下工作: 清理数据——通过对四周数据的平均值或应用其余策略来填补数据缺失或损坏造成的破绽。标准数据——将数据缩放值标准化到一个规范范畴，通常是0到1。具备宽泛值范畴的数据可能会导致不标准，因而咱们将所有数据都放在一个公共范畴内。一种热编码标签——将数据集中对象的标签或类编码为N维二进制向量，其中N是类的总数。数组元素都被设置为0，除了与对象的类绝对应的元素，它被设置为1。这意味着在每个数组中都有一个值为1的元素。将输出数据集分为训练集和验证集——训练集被用于训练模型，验证集是用于查看咱们的训练后果。这个例子咱们将应用Numpy.NET，它基本上是Python中风行的Numpy库的.NET版本。 Numpy是一个专一于解决矩阵的库。 为了实现咱们的数据集处理器，咱们在PreProcessing文件夹中创立Utils类和DataSet类。Utils类合并了一个动态Normalize 办法，如下所示: public class Utils { public static NDarray Normalize(string path) { var colorMode = Settings.Channels == 3 ? "rgb" : "grayscale"; var img = ImageUtil.LoadImg(path, color_mode: colorMode, target_size: (Settings.ImgWidth, Settings.ImgHeight)); return ImageUtil.ImageToArray(img) / 255; } }在这种办法中，咱们用给定的色彩模式(RGB或灰度)加载图像，并将其调整为给定的宽度和高度。而后咱们返回蕴含图像的矩阵，每个元素除以255。每个元素除以255是使它们标准化，因为图像中任何像素的值都在0到255之间，所以通过将它们除以255，咱们确保了新的范畴是0到1，包含255。 咱们还在代码中应用了一个Settings类。该类蕴含用于跨应用程序应用的许多常量。另一个类DataSet，示意咱们将要用来训练机器学习模型的数据集。这里咱们有以下字段: _pathToFolder—蕴含图像的文件夹的门路。_extList—要思考的文件扩展名列表。_labels—_pathToFolder中图像的标签或类。_objs -图像自身，示意为Numpy.NDarray。_validationSplit—用于将总图像数划分为验证集和训练集的百分比，在本例中，百分比将定义验证集与总图像数之间的大小。NumberClasses-数据集中惟一类的总数。TrainX -训练数据，示意为Numpy.NDarray。TrainY -训练标签，示意为Numpy.NDarray。ValidationX—验证数据，示意为Numpy.NDarray。ValidationY-验证标签，示意为Numpy.NDarray。这是DataSet类： public class DataSet { private string _pathToFolder; private string[] _extList; private List<int> _labels; private List<NDarray> _objs; private double _validationSplit; public int NumberClasses { get; set; } public NDarray TrainX { get; set; } public NDarray ValidationX { get; set; } public NDarray TrainY { get; set; } public NDarray ValidationY { get; set; } public DataSet(string pathToFolder, string[] extList, int numberClasses, double validationSplit) { _pathToFolder = pathToFolder; _extList = extList; NumberClasses = numberClasses; _labels = new List<int>(); _objs = new List<NDarray>(); _validationSplit = validationSplit; } public void LoadDataSet() { // Process the list of files found in the directory. string[] fileEntries = Directory.GetFiles(_pathToFolder); foreach (string fileName in fileEntries) if (IsRequiredExtFile(fileName)) ProcessFile(fileName); MapToClassRange(); GetTrainValidationData(); } private bool IsRequiredExtFile(string fileName) { foreach (var ext in _extList) { if (fileName.Contains("." + ext)) { return true; } } return false; } private void MapToClassRange() { HashSet<int> uniqueLabels = _labels.ToHashSet(); var uniqueLabelList = uniqueLabels.ToList(); uniqueLabelList.Sort(); _labels = _labels.Select(x => uniqueLabelList.IndexOf(x)).ToList(); } private NDarray OneHotEncoding(List<int> labels) { var npLabels = np.array(labels.ToArray()).reshape(-1); return Util.ToCategorical(npLabels, num_classes: NumberClasses); } private void ProcessFile(string path) { _objs.Add(Utils.Normalize(path)); ProcessLabel(Path.GetFileName(path)); } private void ProcessLabel(string filename) { _labels.Add(int.Parse(ExtractClassFromFileName(filename))); } private string ExtractClassFromFileName(string filename) { return filename.Split('_')[0].Replace("class", ""); } private void GetTrainValidationData() { var listIndices = Enumerable.Range(0, _labels.Count).ToList(); var toValidate = _objs.Count * _validationSplit; var random = new Random(); var xValResult = new List<NDarray>(); var yValResult = new List<int>(); var xTrainResult = new List<NDarray>(); var yTrainResult = new List<int>(); // Split validation data for (var i = 0; i < toValidate; i++) { var randomIndex = random.Next(0, listIndices.Count); var indexVal = listIndices[randomIndex]; xValResult.Add(_objs[indexVal]); yValResult.Add(_labels[indexVal]); listIndices.RemoveAt(randomIndex); } // Split rest (training data) listIndices.ForEach(indexVal => { xTrainResult.Add(_objs[indexVal]); yTrainResult.Add(_labels[indexVal]); }); TrainY = OneHotEncoding(yTrainResult); ValidationY = OneHotEncoding(yValResult); TrainX = np.array(xTrainResult); ValidationX = np.array(xValResult); }}上面是每个办法的阐明： ...

这两天应用了一下didi云的gpu服务器总的来说不能间接用，开始有很多的货色要装didi云的gpu服务器大略是3块钱一小时，p4 8g的显存我抉择的是ubuntu16.04 cuda10.1的操作系统下来后一看没有tensorflow, 没有深度学习环境那只能本人装了tensorflow1.14.0可用，装上能辨认而后还要装置cv2和mtcnn，这两个也挺费时间这些都装上后发现cv2不能解决视频还须要装置opencv-contrib-python总之光装置环境就须要几个小时了 做完后筹备弄个快照，以不便下次应用

因为笔记上不能用照片，所以在这边记录下 HSV对应BGR色彩的表格参考链接

摘要：本文将为初学者带详细分析如何进行YOLOv1 Testing的内容。YOLOv1 Testing进入testing阶段，咱们曾经失去98个bounding box和confidence还有Class probability map，接下来咱们须要一些筛选bounding box的算法，咱们开始引入NMS（Non-max suppression）非极大值克制。 NMS非极大值克制概述非极大值克制（Non-Maximum Suppression，NMS），顾名思义就是克制不是极大值的元素，能够了解为部分最大搜寻。这个部分代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不探讨通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于指标检测中提取分数最高的窗口的。例如在行人检测中，滑动窗口经提取特色，经分类器分类辨认后，每个窗口都会失去一个分数。然而滑动窗口会导致很多窗口与其余窗口存在蕴含或者大部分穿插的状况。这时就须要用到NMS来选取那些邻域里分数最高（是行人的概率最大），并且克制那些分数低的窗口。 NMS在计算机视觉畛域有着十分重要的利用，如视频指标跟踪、数据挖掘、3D重建、指标辨认以及纹理剖析等。 YOLOv1中Testing过程上篇博客中，咱们曾经介绍了LOSS函数，并且给出了置信度计算公式以及Class概率公式（图中粉框圈出），并且为已知数值。如下方途中公式二者相乘并化简，即可失去图中等式右方后果。 1. 二者相乘得出20×1个score，对于98个bounding box都进行此运算，失去98×20个score。 2. 获取第一组class of scores，假如为dog的scores，如图中框1标出的。 3. 通过一个thresh的筛选，将score<0.2（概率太低）的值置为0。如框2标出的。 4. 将批改后的scores进行降序排列。如框3标注的。 5. 应用NMS将重叠的框去除。如框4标注的。 NMS在YOLOv1中实现过程如下图，咱们假如按降序排列好的scores中，bounding box 47的score最大为0.8，第二高的为bounding box 20的score，为0.5。 1.取score最大的一个bounding box，将他保留。 2.找到他上面一个非零框，即score为0.5的bounding box。 3.计算他们两个的IOU交并比，如果大于0.5，阐明他们两个重合度十分高，将score较小的bounding box的值置为0. 4.再按程序取下一个score，与score为0.8的bounding box计算交并比。如果交并比小于0.5就保留这个值。 5.当score=0.8的bounding box与其余bounding box都计算结束后，取这些scores中比0.8小的最大的score，在进行上述操作，直到满足完结条件。 6.将第二到第二十个class也进行上述操作。 7.依据每个bounding box的score进行比拟大小。取出这个bounding box中最大的数值。 8.如果有大于0的最大score，那么就画出这个score对应的框，并且把他当作这个class。直到遍历完所有的bounding box。 点击关注，第一工夫理解华为云陈腐技术~

随着移动行业的爆发式发展，手机配置不断提高，基于手机平台的信息采集、图像处理、数据传输等方面的研究也成为了热点，这使得基于手机平台上的车牌识别成为可能。传统的车牌识别系统一般都基于固定的桌面平台、图像采集不灵活，特别是对于交通管理部门来说，对违章车辆车牌的自动登记非常不便，因此基于移动端车牌识别出现了。       那么如何实现车牌识别的呢，下面简单说说：       首先对现存的车牌识别算法进行了研究，在诸多算法中寻找到一种适合在Android、iOS平台上运行的算法。先通过智能手机的摄像头获得车牌的彩色图像，然后将采集到的图像进处理，包括通过YUV模型进行灰度化，分段线性变换进行灰度拉升，二值化，Roberts算子进行边缘检测，数学形态学处理等，然后通过Hough变换进行车牌矫正，其次用双投影和灰度跳变的方法实现车牌的定位、分割，最后通过模板匹配实现车牌识别。       移动端车牌识别实现的过程简单为以下几个部分：       图像采集：通过智能手机摄像头拍摄车牌图像。       预处理：灰度化、二值化、边缘增强、噪声过滤、自动白平衡、自动曝光以及伽马校正、对比度调整等。       车牌定位：在经过图像预处理之后的灰度图像上进行行列扫描，确定车牌区域，车牌切斜校正。       字符分割：在图像中定位出车牌区域后，通过灰度化、二值化等处理，精确定位字符区域，然后根据字符尺寸特征进行字符分割。       字符识别：对分割后的字符进行缩放、特征提取，与字符数据库模板中的标准字符表达形式进行匹配判别。       结果输出：将车牌识别的结果以文本格式输出。       下面简单介绍移动端车牌识别技术应用领域：       停车管理系统会用到移动端车牌识别，停车管理系统需要做到的是对车辆的管理，特别像占道停车，总没可能安装一个一体机在路边上，然后一个车位安装一个，这会非常耗费成本。移动端车牌识别在占道停车能被非常好地用上，移动端车牌识别会让他们的工作更加的方便，用前端扫一扫车牌就能计费了。尤其是在停车管理系统宕机后系统无法工作，这时候移动端车牌识别手持收费设备就起到了应急作用。       移动警务、移动执法中也会用到移动端车牌识别技术，比如巡逻执勤，交警执法等，因为警务执法人员会每天接触到大量的信息，他们的信息录入需要非常快速的准确的录入下来，所以，在警务通中集成移动端车牌识别sdk，在信息录入效率方面，直接使用警务通设备摄像头扫描车牌即可识别上传车牌信息，让移动警务方面的应用更加的快捷。       车辆保险、现场勘察方面也会用到移动端车牌识别，比如车险移动查勘，他们会将移动端车牌识别与移动端证件识别技术结合起来，如果车辆没有车牌，也可以将车架号识别集成进来，他们在前期也是减少保险服务人员的工作量，并且会提高信息采集的正确率。       汽车服务行业汽修等也会用到移动端车牌识别，比如汽车4S点，汽车维修保养。       汽修服务行业的app上，最近也是一个非常火的应用，将移动端车牌识别sdk集成在app上，就能实现手机车牌识别的功能。       当前，车牌识别已经成为每个城市的车辆管理重点工作之一，有效、准确、及时的车牌识别为警务人员的交通执法、停车场车辆管理等工作带来极大的便利。 ...