◆如果一张含有汽车的照片,你如何用代码识别出汽车来?◆

牧牛人软件 2003-05-26 07:48:32
照片是bmp格式
欢迎讨论!
...全文
467 48 打赏 收藏 转发到动态 举报
写回复
用AI写文章
48 条回复
切换为时间正序
请发表友善的回复…
发表回复
qinyunpeng 2003-05-28
  • 打赏
  • 举报
回复
这种办法用在什么情况下?
我认为最好不编这种软件,请保安,提高就业率
lurvhuacreep 2003-05-28
  • 打赏
  • 举报
回复
我的一个师兄做过人脸拟合的课题,做得还不错,给定两张脸,特定的算法给出拟合率,我觉得基本上可以达到你的那个要求。可以设置一个标准的拟合率边界进行判断。不过一定要给定样板。
wenw 2003-05-28
  • 打赏
  • 举报
回复
如果是车牌识别或者是人脸识别可能比识别广泛定义的车要容易多了,如果是识别指定车型的车就好办多了。
HUANG_JH 2003-05-28
  • 打赏
  • 举报
回复
今年的《计算机工程与设计》的1,2期都有关于这类型的论文,一个是人脸识别、一个是车牌识别,我想,这和汽车识别应该是一样的道理吧
lanren_me 2003-05-27
  • 打赏
  • 举报
回复
颜色
freeforchina 2003-05-27
  • 打赏
  • 举报
回复
这实际上是一个数学理论上的问题
c12916 2003-05-27
  • 打赏
  • 举报
回复
不知道你要建立一个多大的数据库!!!!
woainihaha 2003-05-27
  • 打赏
  • 举报
回复
模式识别领域的问题,主要解决方法为神经网络.
要模式识别首先要有特征值,比如色彩对比度,色彩连续性,形状规律性等等
其次要有训练数据,通过训练划分你的特征值权值和网络的分之数目和网络层数

就拿你现在的汽车识别来说,首先要确立特征值.一副有复杂背景的图片来说,汽车的特征和背景特征是不一样的.可能是汽车的色单调和背景的色复杂对比度不同,也可能是汽车的色连续性和背景的色不连续性.也可能是汽车轮廓的形状规律性和背景的无规律性.所以即使是模式识别也只能识别特定领域或特定类型的图象.其次呢,你要能把这些特征值提取出来,可以采用训练你认为特征值明显的图片来确定权值的范围,对于没有真正理解神经网络的程序员来说,你训练的效果可能远远不能达到效果.如果复杂的图片,建议先用简单的神经网络将其进行类别划分,然后对每个可能独立的特征值进行网络识别,能很大程度的减少网络复杂性和设计难度,并且能提高识别程度,但划分网络也可能造成部分数据无法识别.反正就我看来,你最好选择比较容易(肉眼识别比较容易其特征值一般来说就比较明显,并且特征值单调)的图片来做,否则恐怕很有难度.
HUANG_JH 2003-05-27
  • 打赏
  • 举报
回复
我回去找找资料,明天告诉你去哪找
HUANG_JH 2003-05-27
  • 打赏
  • 举报
回复
我在一些专业的杂志看过一些研究生发表的论文,有很多篇关于图像、车牌识别的文章,都不是很能看懂,在我想,这应该是一项比较成熟的技术了吧??
MAX°孟兆 2003-05-27
  • 打赏
  • 举报
回复
你找以前的软件学报中就有很多关于图像分析的文章,但很难
软件学报网站
http://www.jos.org.cn/
qsqwmy 2003-05-27
  • 打赏
  • 举报
回复
听说要用模糊数学的算法
huang_jihua 2003-05-27
  • 打赏
  • 举报
回复
这样做好像不实际,我觉得你可以考虑探测汽车的其他地方来确定是否是汽车。
netsys2 2003-05-27
  • 打赏
  • 举报
回复
这是数学问题,编程简单。
wer1024 2003-05-27
  • 打赏
  • 举报
回复
学习
要用代码写出来,那也有蛮复杂
benjiam 2003-05-27
  • 打赏
  • 举报
回复
学习
nobill 2003-05-27
  • 打赏
  • 举报
回复
关注!
「已注销」 2003-05-27
  • 打赏
  • 举报
回复
关注、学习
COKING 2003-05-27
  • 打赏
  • 举报
回复
不能! 因为汽车本身就是一个模糊概念!
什么是汽车。玩具、模型、图片?
再比如,在汽车的某一位置在贴上一副“汽车的画”,那怎么办?
大小,颜色,形状等都不是判断的依据!!!!
dexing 2003-05-27
  • 打赏
  • 举报
回复
up
加载更多回复(28)
内容概要:本文围绕不确定环境下的多式联运路径优化问题展开研究,提并实现了基于AFO算法、遗传算法(GA)和粒子群优化算法(PSO)的三种智能优化方法,并借助Matlab平台完成算法编程与仿真。研究构建了考虑时间、成本、转运风险等多重不确定因素的路径优化模型,系统比较了AFO、GA、PSO三种算法在收敛速度、全局寻优能力和稳定性方面的表现,同时引入Matlab自带的全局优化搜索器作为基准对照,深入分析各算法在复杂物流网络中的适用边界与性能差异。研究表明,AFO算法在解决此类组合优化问题时展现更快的收敛效率和更强的局部规避能力。; 适合人群:具备一定Matlab编程基础与运筹优化知识,从事物流工程、交通运输规划、智能算法开发等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于多式联运、综合货运网络中的路径决策支持系统构建;②为不确定性条件下复杂路径规划问题提供智能算法选型依据与技术实现方案;③支持科研人员复现主流优化算法并开展横向性能对比实验,推动算法改进与实际落地。; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现流程,重点理解目标函数设计、约束条件处理及参数敏感性分析部分,可通过调整问题规模与算法参数进行对比实验,进一步拓展至动态路径规划或大规模网络优化等延伸场景。
内容概要:本文研究了基于QLearning自适应强化学习的PID控制器在自主水下航行器(AUV)运动控制中的应用,通过Matlab代码实现了控制算法的仿真验证。该方法融合强化学习的在线自适应能力与传统PID控制的稳定性优势,利用QLearning算法动态优化PID控制器的比例、积分、微分参数,以应对水下复杂流体环境、模型不确定性及外部干扰等挑战,从而提升AUV轨迹跟踪的精度、鲁棒性与动态响应性能。文中系统阐述了AUV的六自由度非线性动力学建模过程、QLearning算法的状态空间与动作空间设计、奖励函数构造及训练机制,并详细说明了PID参数自整定的闭环控制架构。仿真结果表明,相较于传统固定参数PID控制器,该智能控制策略在多种工况下均展现更优的控制效果,有效抑制了超调,加快了响应速度,并增强了抗干扰能力。; 适合人群:具备自动控制理论、强化学习基础及Matlab/Simulink仿真能力,从事水下机器人、智能控制、海洋工程、自动化等领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于AUV、UUV等无人水下平台的高精度自主导航与运动控制;②为解决非线性、强耦合、时变系统的控制器参数自适应整定问题提供智能化解决方案;③作为强化学习与经典控制理论深度融合的技术范例,推动智能控制算法在海洋装备中的工程化应用。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点剖析QLearning的状态-动作-奖励机制设计、PID参数更新逻辑及仿真对比实验结果,有条件者可在更复杂的动力学模型或实际硬件平台上进一步验证与优化算法性能。

13,872

社区成员

发帖
与我相关
我的任务
社区描述
C++ Builder相关内容讨论区
社区管理员
  • 基础类社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧