人脸识别活体检测在生物识别系统中，为防止恶意者伪造和窃取他人的生物特征用于身份认证，生物识别系统需具有活体检测功能，即判断提交的生物特征是否来自有生命的个体。一般生物特征的活体检测技术利用的是人们的生理特征，例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息，活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息，活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、瞳孔对可见光源强度的收缩

本次任务是将AstraPro3D摄像头和机械狗运用起来，AstraPro为奥比中光开发的3D传感摄像头，机械狗是云深处绝影mini，过程中主要运用到了AstraSDK做骨架提取，ros系统控制机械狗和如何在Ubuntu16.04上基本的利用fswebcam去调用AstraPro摄像头配置环境：Ubuntu16.04（通过TeamViewer登陆进机械狗系统）摄像头：AstraPro首先如何配置As

角点时图像中存在物体边缘角落位置的点或者一些特殊位置的点，角点检测(Corner Detection)是计算机视觉系统中获取图像特征的一种方法，是运动检测、图像匹配、视频跟踪、三维重建和目标识别的基础。

双目相机标定以及立体测距原理及OpenCV实现下篇

本教程所使用标定工具为一个9x7的棋盘格，单格尺寸123mm。内参标定1.1 借助ROS中的usb_cam功能包，具体实现如下：安装usb_cam功能包$ sudo apt-get install ros-kinetic-usb-cam安装标定功能包$ sudo apt-get install ros-kinetic-camera-calibration启动摄像头$ roslaunch usb_c

摘要目的：对象实例分割（区别出不同的对象）提出：Mask R-CNN（扩展的FasterR-CNN）——通过在每个RoI处添加用于预测分割的mask（小的FCN），与用于分类和边界框回归的Faster R-CNN并行。优点：很容易训练，易于实现，计算量小，运行速度为5 fps。1、算法对比1.1Faster R-CNN：使用RoIPool，并进行了量化操作，未进行像素分类mask R-CNN：提出

对传输线进行特性阻抗(Z)控制是RF及高速数字电路设计中的重要一环。良好的阻抗匹配能够显著减少高频高速信号的反射，从而避免出现信号完整性问题。在pcb设计的过程中，我们经常会遇到共面阻抗的情况。如双层板做单端50欧的阻抗控制，我们知道，对传输线特性阻抗影响最大的因素是耦合平面的高度(H)，为了保证PCB的机械强度，PCB不可能做得很薄，这就造成了双面板的耦合平面高度（H）偏大，对导线的耦合影响大大

使用C++编写一套基于OpenCV的YOLO目标检测，这个程序里包含了经典YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现。

本文作者使用C++编写一套基于OpenCV的YOLO目标检测，包含了经典的YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现。附代码详解。

作者：计算机视觉研究院编辑：3D视觉开发者社区链接:https://pan.baidu.com/s/1hyLejH0ewBLxo3QnJJ776Q密码: 8r4n移动设备越来越依赖于通过深度神经网络(DNN)进行目标检测(OD)来执行关键任务。由于它们的高度复杂性，这些DNN的执行需要过多的时间和精力。低复杂度目标跟踪(OT)可与OD一起使用，后者定期应用以生成用于跟踪的“新”参考。但是，使用OD