基于NB-IoT的实时交通监控系统的探究

结合目前国内的交通实时监控现状,提出了一种基于NB-IoT的实时交通监控的实现方法。利用Matlab工具对系统采集数据进行验证分析,以及系统在校园试点实验表明,基于NB-IoT实时交通监控系统能够对道路车辆的实时定位、车流量的监控以及道路交通的管理。

基于Python的51-job数据抓取程序设计

为了快速地获取职位信息,根据"前程无忧"的网页特点,设计了3种基于Python的爬虫程序,进行职位相关数据的抓取。通过对关键字的提取,匹配符合条件的职位信息,并且抓取相关内容存入Excel文件中,便于寻找相关职位信息及具体要求。实验结果表明:该程序能够快速且大量地抓取相关职位信息,针对性强,简单易读,有利于对职位信息的进一步挖掘及分析。

基于机器视觉的苹果分级检测方法

苹果是人们在日常生活中喜闻乐见的水果,为了实现对苹果的快速分级,本文对基于机器视觉的苹果分级检测方法进行了探究。先是通过图像预处理方法,对图像进行了图像降噪和图像分割等预处理操作,然后在苹果大小特征提取方面,提出利用最小外接圆法实现对苹果直径的计算;关于苹果形状特征提取,则选用了苹果横纵径比值的方法;在苹果颜色方面,使用HSI颜色模型,并通过计算苹果红色着色率的方法进行其表面颜色等级的划分。本文将人工分级与机器视觉分级进行对比。数据表明利用机器视觉技术实现的苹果分级有很好的前景,可以有效的克服人工分级的不足,对于加快苹果产业智能化,及水果产业的智能化水平的提高都有很好的借鉴价值。

Haar-like特征双阈值Adaboost人脸检测

目的针对基于Haar-like特征的Adaboost人脸检测算法,在应用于视频流时训练的时间较长,以及检测效率较低的问题,提出了一种基于区间阈值的Adaboost人脸检测算法。方法通过运行传统的Adaboost算法对人脸图像Haar-like特征值进行提取分析后,对人脸样本与非人脸样本特征值进行比较,发现在某一特定的特征值区间内,人脸和非人脸区域能够得到准确区分,根据此特性,进行分类器的选择,在简化弱分类器计算步骤的同时,降低训练时间,提高对人脸的识别能力。除此之外,弱分类器的增强通过Adaboost算法的放大使得强分类器分类精度提高,与级联结构的配合使用也提升了最终模型检测人脸的准确率。结果利用MIT(Massachusetts Institute of Technology)标准人脸库对改进Adaboost算法的性能进行验证,通过实验验证结果可知,改进后的Adaboost人脸检测算法训练速度提升为原来的1.44倍,检测率上升到94.93%,虚警率下降到6.03%。并且将改进算法在ORL(Olivetti Research Laboratory)、FERET(face recognition technology)以及CMU Multi-PIE(the CMU Multi-PIE face database)这3种标准人脸库中,分别与SVM(support vector machine)、DL(deep learning)、CNN(convolutional neural networks)以及肤色模型等4种算法进行了人脸检测对比实验,实验结果显示,改进后的Adaboost算法在进行人脸检测时,检测率提升了2.66%,训练所需时间减少至624.45 s,检测效果明显提升。结论提出的基于区间阈值的Adaboost人脸检测算法,在分类器的训练和人脸检测方面都比传统的Adaboost算法性能更高,能够更好地满足人员较密集处(如球场等地)对多人脸同时检测的实际需求。