点云处理【四】(点云关键点检测)

第一章 点云数据采集
第二章 点云滤波
第二章 点云降采样

1.点云关键点是什么？

关键点也称为兴趣点，它是2D图像、3D点云或曲面模型上，可以通过定义检测标准来获取的具有稳定性、区别性的点集。

我们获得的数据量大，特别是几十万个以上的点云，里面有很多冗余数据，会导致处理起来比较耗时。
降采样是一种有效的减少数据、缩减计算量的方法。

2.关键点检测算法(本数据单位为mm，通常数据单位为m，取半径之类得参数要除1000)

2.1 ISS关键点

ISS 关键点通过计算每个点与其近邻点的曲率变化，得到该点的稳定性和自适应尺度，从而提取稳定性和尺度合适的关键点。

Open3d(需要ply格式)

import open3d as o3d
import numpy as np
import time
class o3dtut:def get_bunny_mesh():mesh = o3d.io.read_triangle_mesh("second_radius_cloud.ply")mesh.compute_vertex_normals()return meshdef keypoints_to_spheres(keypoints):spheres = o3d.geometry.TriangleMesh()for keypoint in keypoints.points:sphere = o3d.geometry.TriangleMesh.create_sphere(radius=10)sphere.translate(keypoint)spheres += spherespheres.paint_uniform_color([1.0, 0.0, 0.0])return spheresmesh = o3dtut.get_bunny_mesh()
pcd = o3d.geometry.PointCloud()
pcd.points = mesh.vertices
tic = time.time()
keypoints = o3d.geometry.keypoint.compute_iss_keypoints(pcd,salient_radius=10,non_max_radius=10,gamma_21=0.5,gamma_32=0.5)
toc = 1000 * (time.time() - tic)
print("ISS Computation took {:.0f} [ms]".format(toc))mesh.compute_vertex_normals()
mesh.paint_uniform_color([0.0, 0.0, 1.0])
o3d.visualization.draw_geometries([o3dtut.keypoints_to_spheres(keypoints), mesh],window_name="ISS检测",width=800,height=800)

请添加图片描述

PCL

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/keypoints/iss_3d.h>
#include <pcl/visualization/pcl_visualizer.h>int main(int argc, char** argv)
{// 读取点云数据pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());if (pcl::io::loadPCDFile<pcl::PointXYZ>("second_radius_cloud.pcd", *cloud) == -1){PCL_ERROR("Couldn't read the input PCD file \n");return (-1);}// ISS关键点检测参数double salient_radius = 10;double non_max_radius = 10;double gamma_21 = 0.5;double gamma_32 = 0.5;double min_neighbors = 5;int threads = 4;// 执行ISS关键点检测pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints(new pcl::PointCloud<pcl::PointXYZ>());pcl::ISSKeypoint3D<pcl::PointXYZ, pcl::PointXYZ> iss_detector;iss_detector.setSearchMethod(tree);iss_detector.setSalientRadius(salient_radius);iss_detector.setNonMaxRadius(non_max_radius);iss_detector.setThreshold21(gamma_21);iss_detector.setThreshold32(gamma_32);iss_detector.setMinNeighbors(min_neighbors);iss_detector.setNumberOfThreads(threads);iss_detector.setInputCloud(cloud);iss_detector.compute(*keypoints);// 可视化pcl::visualization::PCLVisualizer viewer("ISS Keypoints");viewer.setBackgroundColor(0, 0, 0);viewer.addPointCloud<pcl::PointXYZ>(cloud, "cloud");viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "cloud");viewer.addPointCloud<pcl::PointXYZ>(keypoints, "keypoints");viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, "keypoints");viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 0, 0, "keypoints");while (!viewer.wasStopped()){viewer.spinOnce(100);}return 0;
}

请添加图片描述

2.2 Harris关键点

Harris关键点检测通过计算每个点的协方差矩阵，求解特征值和特征向量，来判断该点是否为关键点。如果Harris矩阵的两个特征值都很大，则该点是关键点。具有较好的旋转不变性和尺度不变性。

PCL

#include
#include <pcl/io/pcd_io.h>
#include <pcl/point_cloud.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/io/io.h>
#include <pcl/keypoints/harris_3d.h>//harris特征点估计类头文件声明
#include
#include
#include <pcl/console/parse.h>
using namespace std;

int main()
{
pcl::PointCloudpcl::PointXYZ::Ptr input_cloud (new pcl::PointCloudpcl::PointXYZ);
pcl::io::loadPCDFile (“second_radius_cloud.pcd”, *input_cloud);
pcl::PCDWriter writer;
float r_normal=10;//法向量估计的半径
float r_keypoint=40;//关键点估计的近邻搜索半径

typedef pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZI> ColorHandlerT3;pcl::PointCloud<pcl::PointXYZI>::Ptr Harris_keypoints (new pcl::PointCloud<pcl::PointXYZI> ());//存放最后的特征点提取结果
pcl::HarrisKeypoint3D<pcl::PointXYZ,pcl::PointXYZI,pcl::Normal>* harris_detector = new pcl::HarrisKeypoint3D<pcl::PointXYZ,pcl::PointXYZI,pcl::Normal> ;harris_detector->setRadius(r_normal);//设置法向量估计的半径
harris_detector->setRadiusSearch(r_keypoint);//设置关键点估计的近邻搜索半径
harris_detector->setInputCloud (input_cloud);//设置输入点云
harris_detector->compute (*Harris_keypoints);//结果存放在Harris_keypoints
pcl::visualization::PCLVisualizer viewer("clouds");
viewer.setBackgroundColor(255,255,255);
viewer.addPointCloud (Harris_keypoints, ColorHandlerT3 (Harris_keypoints, 0.0, 0.0, 255.0), "Harris_keypoints");
viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,8,"Harris_keypoints");
viewer.addPointCloud(input_cloud,"input_cloud");
viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR,0,0,0,"input_cloud");
viewer.initCameraParameters();
viewer.saveScreenshot("screenshot.png");
viewer.spin ();

}

请添加图片描述

2.3 NAFR关键点

NARF算法是一种基于法向量的点云关键点提取算法。它通过将点云投影到二维图像上，并计算每个像素周围梯度直方图，来寻找具有唯一性和重复性的关键点。

PCL
注意修改角度范围和角度分辨率

#include <iostream>#include <pcl/range_image/range_image.h> // 深度图头文件#include <pcl/io/pcd_io.h>               // PCD文件读取头#include <pcl/visualization/range_image_visualizer.h>// 深度图可视化头#include <pcl/visualization/pcl_visualizer.h>        // 点云可视化头#include <pcl/features/range_image_border_extractor.h>// 深度图边缘提取头#include <pcl/keypoints/narf_keypoint.h> // NARF关键点计算头#include <pcl/features/narf_descriptor.h>// NARF描述子头#include <pcl/console/parse.h>           // 命令行解析头#include <pcl/common/file_io.h> // 用于获取没有拓展名的文件typedef pcl::PointXYZ PointType;float angular_resolution = 0.1875f; // 角度分辨率float support_size = 20.0f; // 关键点计算范围（计算范围球的半径）pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME; // 深度图坐标系bool setUnseenToMaxRange = false;  // 不设置深度范围bool rotation_invariant = true;	// 是否保持旋转不变性// --------------// -----输出帮助信息-----
// --------------
void printUsage (const char* progName){std::cout << "\n\nUsage: "<<progName<<" [options] <scene.pcd>\n\n"<< "Options:\n"<< "-------------------------------------------\n"<< "-r <float>   angular resolution in degrees (default "<<angular_resolution<<")\n"<< "-c <int>     coordinate frame (default "<< (int)coordinate_frame<<")\n"<< "-m           Treat all unseen points to max range\n"<< "-s <float>   support size for the interest points (diameter of the used sphere - ""default "<<support_size<<")\n"<< "-o <0/1>     switch rotational invariant version of the feature on/off"<<               " (default "<< (int)rotation_invariant<<")\n"<< "-h           this help\n"<< "\n\n";}void setViewerPose (pcl::visualization::PCLVisualizer& viewer, const Eigen::Affine3f& viewer_pose){Eigen::Vector3f pos_vector = viewer_pose * Eigen::Vector3f (0, 0, 0);Eigen::Vector3f look_at_vector = viewer_pose.rotation () * Eigen::Vector3f (0, 0, 1) + pos_vector;Eigen::Vector3f up_vector = viewer_pose.rotation () * Eigen::Vector3f (0, -1, 0);viewer.setCameraPosition (pos_vector[0], pos_vector[1], pos_vector[2],look_at_vector[0], look_at_vector[1], look_at_vector[2],up_vector[0], up_vector[1], up_vector[2]);}int main (int argc, char** argv){if (pcl::console::find_argument (argc, argv, "-h") >= 0){printUsage (argv[0]);return 0;}if (pcl::console::find_argument (argc, argv, "-m") >= 0){setUnseenToMaxRange = true;std::cout << "Setting unseen values in range image to maximum range readings.\n";}if (pcl::console::parse (argc, argv, "-o", rotation_invariant) >= 0)std::cout << "Switching rotation invariant feature version "<< (rotation_invariant ? "on" : "off")<<".\n";int tmp_coordinate_frame;if (pcl::console::parse (argc, argv, "-c", tmp_coordinate_frame) >= 0){coordinate_frame = pcl::RangeImage::CoordinateFrame (tmp_coordinate_frame);std::cout << "Using coordinate frame "<< (int)coordinate_frame<<".\n";}if (pcl::console::parse (argc, argv, "-s", support_size) >= 0)std::cout << "Setting support size to "<<support_size<<".\n";if (pcl::console::parse (argc, argv, "-r", angular_resolution) >= 0)std::cout << "Setting angular resolution to "<<angular_resolution<<"deg.\n";angular_resolution = pcl::deg2rad (angular_resolution);// 读入PCD点云文件或创造出一些点云pcl::PointCloud<PointType>::Ptr point_cloud_ptr (new pcl::PointCloud<PointType>);pcl::PointCloud<PointType>& point_cloud = *point_cloud_ptr;pcl::PointCloud<pcl::PointWithViewpoint> far_ranges;Eigen::Affine3f scene_sensor_pose (Eigen::Affine3f::Identity ());std::vector<int> pcd_filename_indices = pcl::console::parse_file_extension_argument (argc, argv, "pcd");if (!pcd_filename_indices.empty ()){std::string filename = argv[pcd_filename_indices[0]];if (pcl::io::loadPCDFile (filename, point_cloud) == -1){std::cerr << "Was not able to open file \""<<filename<<"\".\n";printUsage (argv[0]);return 0;}scene_sensor_pose = Eigen::Affine3f (Eigen::Translation3f (point_cloud.sensor_origin_[0],point_cloud.sensor_origin_[1],point_cloud.sensor_origin_[2])) *Eigen::Affine3f (point_cloud.sensor_orientation_);std::string far_ranges_filename = pcl::getFilenameWithoutExtension (filename)+".pcd";if (pcl::io::loadPCDFile (far_ranges_filename.c_str (), far_ranges) == -1)std::cout << "Far ranges file \""<<far_ranges_filename<<"\" does not exists.\n";}else{setUnseenToMaxRange = true;std::cout << "\nNo *.pcd file given => Generating example point cloud.\n\n";for (float x=-0.5f; x<=0.5f; x+=0.01f){for (float y=-0.5f; y<=0.5f; y+=0.01f) {PointType point;  point.x = x;  point.y = y;  point.z = 2.0f - y;point_cloud.push_back (point);}}point_cloud.width = point_cloud.size ();  point_cloud.height = 1;}// 利用点云创造深度图float noise_level = 0.0;float min_range = 0.0f;int border_size = 1;pcl::RangeImage::Ptr range_image_ptr (new pcl::RangeImage);pcl::RangeImage& range_image = *range_image_ptr;   range_image.createFromPointCloud (point_cloud, angular_resolution, pcl::deg2rad (60.0f), pcl::deg2rad (45.0f),scene_sensor_pose, coordinate_frame, noise_level, min_range, border_size);range_image.integrateFarRanges (far_ranges);if (setUnseenToMaxRange)range_image.setUnseenToMaxRange ();// 显示点云pcl::visualization::PCLVisualizer viewer ("3D Viewer");viewer.setBackgroundColor (1, 1, 1);pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> range_image_color_handler (range_image_ptr, 0, 0, 0);viewer.addPointCloud (range_image_ptr, range_image_color_handler, "range image");viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "range image");viewer.initCameraParameters ();setViewerPose (viewer, range_image.getTransformationToWorldSystem ());// 显示深度图pcl::visualization::RangeImageVisualizer range_image_widget ("Range image");range_image_widget.showRangeImage (range_image);// 提取NARF特征pcl::RangeImageBorderExtractor range_image_border_extractor;  pcl::NarfKeypoint narf_keypoint_detector; narf_keypoint_detector.setRangeImageBorderExtractor (&range_image_border_extractor);//深度图像边缘点提取narf_keypoint_detector.setRangeImage (&range_image);narf_keypoint_detector.getParameters ().support_size = support_size;pcl::PointCloud<int> keypoint_indices;// 关键点序列narf_keypoint_detector.compute (keypoint_indices);// 计算narf关键点，并按照序列排序std::cout << "Found "<<keypoint_indices.size ()<<" key points.\n";pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints_ptr (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>& keypoints = *keypoints_ptr;keypoints.resize (keypoint_indices.size ());for (std::size_t i=0; i<keypoint_indices.size (); ++i)keypoints[i].getVector3fMap () = range_image[keypoint_indices[i]].getVector3fMap ();pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> keypoints_color_handler (keypoints_ptr, 0, 255, 0);viewer.addPointCloud<pcl::PointXYZ> (keypoints_ptr, keypoints_color_handler, "keypoints");viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "keypoints");viewer.initCameraParameters();viewer.saveScreenshot("screenshot.png");// 为这些关键点计算NARF描述子std::vector<int> keypoint_indices2;keypoint_indices2.resize (keypoint_indices.size ());for (unsigned int i=0; i<keypoint_indices.size (); ++i) keypoint_indices2[i]=keypoint_indices[i];pcl::NarfDescriptor narf_descriptor (&range_image, &keypoint_indices2);narf_descriptor.getParameters ().support_size = support_size;narf_descriptor.getParameters ().rotation_invariant = rotation_invariant;pcl::PointCloud<pcl::Narf36> narf_descriptors;narf_descriptor.compute (narf_descriptors);std::cout << "Extracted "<<narf_descriptors.size ()<<" descriptors for "<<keypoint_indices.size ()<< " keypoints.\n";while (!viewer.wasStopped ()){viewer.spinOnce ();}
}

请添加图片描述

2.4 SIFT关键点

SIFT3D算法是一种基于高斯差分和尺度空间的点云关键点提取算法。它通过在多个尺度下对点云进行高斯滤波和差分操作，来提取稳定性和尺度不变性的关键点。

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/io.h>
#include <pcl/keypoints/sift_keypoint.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/console/time.h>namespace pcl
{template<>struct SIFTKeypointFieldSelector<PointXYZ>{inline floatoperator () (const PointXYZ &p) const{return p.z;}};
}int main()
{pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_xyz(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ>("second_radius_cloud.pcd", *cloud_xyz) == -1) // load the file{PCL_ERROR("Couldn't read file");return -1;}std::cout << "points: " << cloud_xyz->points.size() << std::endl;// Parameters for sift computationconst float min_scale = 5.0f; //the standard deviation of the smallest scale in the scale spaceconst int n_octaves = 6;//the number of octaves (i.e. doublings of scale) to computeconst int n_scales_per_octave = 4;//the number of scales to compute within each octaveconst float min_contrast = 1.0f;//the minimum contrast required for detectionpcl::console::TicToc time;time.tic();// Estimate the sift interest points using z values from xyz as the Intensity variantspcl::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift;pcl::PointCloud<pcl::PointWithScale> result;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());sift.setSearchMethod(tree);sift.setScales(min_scale, n_octaves, n_scales_per_octave);sift.setMinimumContrast(min_contrast);sift.setInputCloud(cloud_xyz);sift.compute(result);std::cout << "Computing the SIFT points takes " << time.toc() / 1000 << "seconds" << std::endl;std::cout << "No of SIFT points in the result are " << result.points.size() << std::endl;// Copying the pointwithscale to pointxyz so as visualize the cloudpcl::PointCloud<pcl::PointXYZ>::Ptr cloud_temp(new pcl::PointCloud<pcl::PointXYZ>);copyPointCloud(result, *cloud_temp);std::cout << "SIFT points in the result are " << cloud_temp->points.size() << std::endl;// Visualization of keypoints along with the original cloudpcl::visualization::PCLVisualizer viewer("PCL Viewer");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> keypoints_color_handler(cloud_temp, 0, 255, 0);pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud_xyz, 255, 0, 0);viewer.setBackgroundColor(0.0, 0.0, 0.0);viewer.addPointCloud(cloud_xyz, cloud_color_handler, "cloud");//add point cloudviewer.addPointCloud(cloud_temp, keypoints_color_handler, "keypoints");//add the keypointsviewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "keypoints");while (!viewer.wasStopped()){viewer.spinOnce();}return 0;}

请添加图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/112217.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【MySQL】数据库——表操作

【MySQL】数据库——表操作

文章目录 1. 创建表2. 查看表3. 修改表修改表名add ——增加modify——修改drop——删除修改列名称 4. 删除表 1. 创建表 语法&#xff1a; create table 表名字 ( 列名称 列类型 ) charset set 字符集 collate 校验规则 engine 存储引擎 ; charset set字符集 &#xff0c;若…
阅读更多...
Java设计模式 | 基于订单批量支付场景，对策略模式和简单工厂模式进行简单实现

Java设计模式 | 基于订单批量支付场景，对策略模式和简单工厂模式进行简单实现

基于订单批量支付场景&#xff0c;对策略模式和简单工厂模式进行简单实现 文章目录 策略模式介绍实现抽象策略具体策略1.AliPayStrategy2.WeChatPayStrategy 环境 使用简单工厂来获取具体策略对象支付方式枚举策略工厂接口策略工厂实现 测试使用订单实体类对订单进行批量支付结…
阅读更多...
景联文科技语音数据标注：AUTO-AVSR模型和数据助力视听语音识别

景联文科技语音数据标注：AUTO-AVSR模型和数据助力视听语音识别

ASR、VSR和AV-ASR的性能提高很大程度上归功于更大的模型和训练数据集的使用。 更大的模型具有更多的参数和更强大的表示能力&#xff0c;能够捕获到更多的语言特征和上下文信息&#xff0c;从而提高识别准确性&#xff1b;更大的训练集也能带来更好的性能&#xff0c;更多的数据…
阅读更多...
网工内推 | 金融业，网络管理岗，CCIE优先，最高30k

网工内推 | 金融业，网络管理岗，CCIE优先，最高30k

01 国民养老保险 招聘岗位&#xff1a;网络管理岗 职责描述&#xff1a; 1.负责公司整体网络架构规划、设计&#xff0c;制定整体网络方案&#xff0c;完善网络拓扑架构标准化文档&#xff0c;对公司现有网络进行梳理及持续优化。 2.负责公司网络系统建设&#xff0c;建立具备…
阅读更多...
macos 12 支持机型 macOS Monterey 更新中新增的功能

macos 12 支持机型 macOS Monterey 更新中新增的功能

macOS Monterey 能让你以全然一新的方式与他人沟通联络、共享内容和挥洒创意。尽享 FaceTime 通话新增的音频和视频增强功能&#xff0c;包括空间音频和人像模式。通过功能强大的效率类工具&#xff08;例如专注模式、快速备忘录和 Safari 浏览器中的标签页组&#xff09;完成更…
阅读更多...
9月，1Panel开源面板项目收到了这些评论

9月，1Panel开源面板项目收到了这些评论

2023年9月27日&#xff0c;1Panel开源面板项目&#xff08;https://github.com/1Panel-dev&#xff09;发布了题为《当1Panel开源项目被社区平台推荐后&#xff0c;我们收获了这些评论》的社区评论合集&#xff0c;在该文章的评论区&#xff0c;很多社区用户跟帖发表了自己对1P…
阅读更多...
【Java】Java 11 新特性概览

【Java】Java 11 新特性概览

Java 11 新特性概览 1. Java 11 简介2. Java 11 新特性2.1 HTTP Client 标准化2.2 String 新增方法&#xff08;1&#xff09;str.isBlank() - 判断字符串是否为空&#xff08;2&#xff09;str.lines() - 返回由行终止符划分的字符串集合&#xff08;3&#xff09;str.repeat(…
阅读更多...
C进阶-语言文件操作

C进阶-语言文件操作

本章重点&#xff1a; 什么是文件 文件名 文件类型 文件缓冲区 文件指针 文件的打开和关闭文件的顺序读写文件的随机读写文件结束的判定 1. 什么是文件 磁盘上的文件是文件。 但是在程序设计中&#xff0c;我们一般谈的文件有两种&#xff1a;程序文件、数据文件 1.1 程序文件…
阅读更多...
安达发|制造企业生产排产现状和APS系统的解决方案

安达发|制造企业生产排产现状和APS系统的解决方案

随着市场竞争的加剧&#xff0c;制造业企业面临着生产效率、成本控制和客户满意度等方面的巟大压力。在这种背景下&#xff0c;生产排产作为制造业的核心环节&#xff0c;对企业的生产经营具有重要意义。本文将针对制造业的生产排产现状进行分析&#xff0c;并提出相应的APS系统…
阅读更多...
基于YOLOv5-7.0的PCB板缺陷检测

基于YOLOv5-7.0的PCB板缺陷检测

目录 参考引用一、数据集介绍二、环境配置三、构建训练数据集四、修改配置文件五、训练及tensorboard可视化六、效果测试七、遇到的BUG 参考引用 你的陈某某-基于YOLOv5的PCB板缺陷检测 一、数据集介绍 印刷电路板&#xff08;PCB&#xff09;瑕疵数据集。它是一个公共合成P…
阅读更多...
有什么小程序可以下载视频号的视频？

有什么小程序可以下载视频号的视频？

​最近有一些朋友问我&#xff0c;【视频号下载助手】和【视频下载bot】小程序&#xff0c;有什么作用&#xff1f; 首先视频号下载助手是协助用户进行下载的&#xff0c;但由于下载要符合平台规定&#xff0c;我们就将视频下载助手与视频下载bot小程序想结合的模式&#xff0…
阅读更多...
YOLO目标检测——红白细胞血小板数据集【含对应voc、coco和yolo三种格式标签】

YOLO目标检测——红白细胞血小板数据集【含对应voc、coco和yolo三种格式标签】

实际项目应用&#xff1a;红白细胞血小板计数和分类数据集说明&#xff1a;YOLO目标检测数据集&#xff0c;真实场景的高质量图片数据&#xff0c;数据场景丰富。使用lableimg标注软件标注&#xff0c;标注框质量高&#xff0c;含voc(xml)、coco(json)和yolo(txt)三种格式标签&…
阅读更多...
yxy销售网站后台管理系统

yxy销售网站后台管理系统

springbootmybatisthymeleaf 第一个练习的项目就是小商品零售平台后台管理系统&#xff0c;但是当时由于业务不熟练&#xff0c;需求分析先不做好&#xff0c;导致在开发的过程中出现了很多问题。 这次首先把需求确定&#xff0c;详细的做好前期准备工作&#xff0c;再来进行…
阅读更多...
吴恩达开新课了：面向所有人的生成式 AI 课程！我已偷偷学了起来

吴恩达开新课了：面向所有人的生成式 AI 课程！我已偷偷学了起来

作者 | 智商掉了一地 斯坦福大学的吴恩达教授可能是许多人接触 AI 的启蒙课导师吧&#xff0c;在过去的十多年中&#xff0c;他的《Machine Learning》课程已经对数百万的学习者产生了积极影响。 ▲image.png 而随着 ChatGPT 的推出&#xff0c;大模型和各类生成式人工智能&am…
阅读更多...
你知道谁是计算机之父吗？

你知道谁是计算机之父吗？

“计算机之父” 这个词通常用来指代计算机科学领域的杰出人物&#xff0c;他们在计算机科学和技术的发展中发挥了重要作用。有多位人物被认为是计算机之父&#xff0c;其中包括&#xff1a; 查尔斯巴贝奇&#xff08;Charles Babbage&#xff09;&#xff1a;是英国的一位杰出的…
阅读更多...
博客后台模块续更(四)

博客后台模块续更(四)

八、博客后台模块-Excel表格 1. 接口分析 在分类管理中点击导出按钮可以把所有的分类导出到Excel文件 请求方式 请求地址 请求头 GET /content/category/export 需要token请求头 响应体&#xff1a; 直接导出一个Excel文件 失败的话响应体如下&#xff1a; {"c…
阅读更多...
通过尖端技术创造价值：释放生成式 AI 的力量

通过尖端技术创造价值：释放生成式 AI 的力量

塔曼纳 一、说明 近年来&#xff0c;世界见证了人工智能&#xff08;AI&#xff09;的重大进步&#xff0c;生成式AI是最具革命性的技术之一。生成式人工智能已成为一种强大的方法&#xff0c;使机器能够创建新的原创内容&#xff0c;使其成为不同行业各种应用背后的驱动力。在…
阅读更多...
window系统如何管理多版本node

window系统如何管理多版本node

何时需要切换node版本 如果你正在维护一个旧项目&#xff0c;同时也在进行新项目&#xff0c;两个项目所依赖的node版本害不同&#xff0c;那么你可以就需要经常切换node版本。项目中可能依赖于某些npm包&#xff0c;而这些包对特定版本的Node有要求。需要满足这些要求以确保依…
阅读更多...
隐式类型转换

隐式类型转换

什么是隐式类型转换&#xff0c;多参数的造函数隐式类型转换&#xff0c;和单参数的构造函数隐式类型转换有什么区别 C中有三种主要的隐式类型转换&#xff1a; 1:多参数的构造函数隐式类型转换 2:单参数的构造函数隐式类型转换 3:成员函数隐式类型转换。…
阅读更多...
EasyCVR视频汇聚平台显示有视频流但无法播放是什么原因？该如何解决？

EasyCVR视频汇聚平台显示有视频流但无法播放是什么原因？该如何解决？

视频汇聚/视频云存储/集中存储/视频监控管理平台EasyCVR能在复杂的网络环境中&#xff0c;将分散的各类视频资源进行统一汇聚、整合、集中管理&#xff0c;实现视频资源的鉴权管理、按需调阅、全网分发、云存储、智能分析等&#xff0c;视频智能分析平台EasyCVR融合性强、开放度…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023