计算机视觉实战项目3（图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等）

 车辆跟踪及测距 

• 该项目一个基于深度学习和目标跟踪算法的项目，主要用于实现视频中的目标检测和跟踪。
• 该项目使用了 YOLOv5目标检测算法和 DeepSORT
  目标跟踪算法，以及一些辅助工具和库，可以帮助用户快速地在本地或者云端上实现视频目标检测和跟踪！

教程博客_传送门链接------->yolov5单目测距+速度测量+目标跟踪（算法介绍和代码）-CSDN博客

yolov5 deepsort 行人/车辆（检测 +计数+跟踪+测距+测速）

• 实现了局域的出/入 分别计数。
• 显示检测类别，ID数量。
• 默认是 南/北 方向检测，若要检测不同位置和方向，需要加以修改
• 可在 count_car/traffic.py 点击运行
• 默认检测类别：行人、自行车、小汽车、摩托车、公交车、卡车、船。
• 检测类别可在 objdetector.py 文件修改。

yolov5 deepsort 行人/车辆（检测 +计数+跟踪+测距+测速）-CSDN博客教程博客_传送门链接------->yolov5 deepsort 行人/车辆（检测 +计数+跟踪+测距+测速）-CSDN博客

车道线识别

• 本文主要讲述项目集成：从车道线识别、测距、到追踪，集各种流行模型于一体！
• 不讲原理，直接上干货！
• 把下文环境配置学会，受益终生！
• 各大项目皆适用

教程博客_传送门链接------->YOLOV5单目测距+车辆检测+车道线检测+行人检测（教程-代码）-CSDN博客

语义分割

• MMsegmentation是一个基于PyTorch的图像分割工具库，
• 它提供了多种分割算法的实现，包括语义分割、实例分割、轮廓分割等。
• MMsegmentation的目标是提供一个易于使用、高效、灵活且可扩展的平台，以便开发者可以轻松地使用最先进的分割算法进行研究和开发

• 教程博客_传送门链接------->
• 语义分割实战项目（从原理到代码环境配置）_语义分割实战 csdn-CSDN博客

姿态识别

人

• 体姿态估计是计算机视觉中的一项重要任务
• 具有各种应用，例如动作识别、人机交互和监控。
• 近年来，基于深度学习的方法在人体姿态估计方面取得了显著的性能。
• 其中最流行的深度学习方法之一是YOLOv7姿态估计模型。

程博客_传送门链接------->：人体姿态识别+原理+代码+座姿识别(毕设可用)_固定姿态识别-CSDN博客

图像分类

在本教程中，您将学习如何使用迁移学习训练卷积神经网络以进行图像分类。您可以在 cs231n 上阅读有关迁移学习的更多信息。
本文主要目的是教会你如何自己搭建分类模型，耐心看完，相信会有很大收获。废话不多说，直切主题…
首先们要知道深度学习大都包含了下面几个方面：

• 加载（处理）数据
• 网络搭建
• 损失函数（模型优化）
• 模型训练和保存

把握好这些主要内容和流程，基本上对分类模型就大致有了个概念。
**教程博客_传送门链接--------->图像分类（手把手教你搭建分类模型）_2d拉框和图片分类所对应的模型-CSDN博客

交通标志识别

本

1. 项目是一个基于 OpenCV 的交通标志检测和分类系统
2. 可以在视频中实时检测和分类交通标志。检测阶段使用图像处理技术，
3. 在每个视频帧上创建轮廓并找出其中的所有椭圆或圆形。它们被标记为交通标志的候选项。

教程博客_传送门链接------->实时交通标志检测和分类（代码）-CSDN博客

表情识别、人脸识别

• 面部情绪识别（FER）是指根据面部表情识别和分类人类情绪的过程。
• 通过分析面部特征和模式，机器可以对一个人的情绪状态作出有根据的推断。
• 这个面部识别的子领域高度跨学科，涉及计算机视觉、机器学习和心理学等领域的知识。

教程博客_传送门链接------->表情识别-情感分析-人脸识别（代码+教程）_情绪识别如何自动识别视频中的表情-CSDN博客

车牌识别

• 用python3+opencv3做的中国车牌识别
• 包括算法和客户端界面，只有2个文件，一个是界面代码，一个是算法代码
• 点击即可出结果，方便易用！

大致的UI界面如下，点击输入图片，右侧即可出现结果！

教程博客_传送门链接------->

车牌识别技术的应用与前景展望_车牌识别未来展望-CSDN博客

停车位检测

基于深度学习的鱼眼图像中的停车点检测和分类是为二维物体检测而开发的。我们的工作增强了预测关键点和方框的能力。这在许多场景中很有用，因为对象不能用右上的矩形“紧密”表示。
一个这样的例子，道路上的任何标记，由于透视效果，在现实世界中的对象矩形不会在图像中保持矩形，所以关键点检测显得格外重要。鱼眼图像还呈现了观察到这种现象的另一种场景，由于鱼眼宽广的视角，可以扑捉更多画像。

**教程博客_传送门链接--------->车位关键点检测-车位识别-车辆识别检测（教程+代码）-CSDN博客

图像去雾去雨与目标检测

针对不同的天气则采取不同的图像前处理方法来提升图像质量。
雾天天气 时，针对当下求解的透射率会导致去雾结果出现光晕、伪影现象，本文采用加权最小二乘法细化透射率透。
针对四叉树法得到的大气光值不精确的问题，改进四叉树法来解决上述问题。将上述得到的透射率和大气光值代入大气散射模型完成去雾处理；
在图像处理后加入目标检测，提高了目标检测精度以及目标数量。
下图展现了雾天处理后的结果
图第一列为雾霾图像，第二列为没有加入图像处理的目标检测结果图，第三列为去雾后的目标检测结果图

教程博客_传送门链接------->CSDN