x48

作者：cynic 原文链接：https://testerhome.com/topics/20436 开篇 从抖音、火山、快手等短视频app的不断流行，越来越多的人开始自己制作视频。由于本人工作原因，也是以视频剪辑app为主的测试，在工作过程中，对于视音频的一些知识需要有所理解。 本文主要介绍视频技术相关知识概念。像素、分辨率、色彩空间、帧速率、码率、比特率、编码方式、封装格式。。。。对于视频文件的相关术语，在非专业人员看来都是一些搞不清楚的词汇。希望通过本文，可以对视频中提及的相关术语能够有更加深刻的理解。 一个视频文件，可以简单理解为由一系列的图片拼接组合而成的文件，在介绍视频之前，先从一张图片开始。 像素 一个图像可以视作一个二维矩阵。如果将色彩考虑进来，我们可以做出推广：将这个图像视作一个三维矩阵——多出来的维度用于储存色彩信息。 如果我们选择三原色（红、绿、蓝）代表这些色彩，这就定义了三个平面：第一个是红色平面，第二个是绿色平面，最后一个是蓝色平面。 我们把这个矩阵里的每一个点称为像素（图像元素）。像素的色彩由三原色的强度（通常用数值表示）表示。例如，一个红色像素是指强度为 0 的绿色，强度为 0 的蓝色和强度最大的红色。粉色像素可以通过三种颜色的组合表示。如果规定强度的取值范围是 0 到 255，红色 255、绿色 192、蓝色 203 则表示粉色。

FLUKE TI400替代产品居然不是TI400+ Fluke Ti400 红外热像仪本产品已停产或重新分类,福禄克建议:Fluke Ti401 PRO 热像仪。居然不是我们正常认为的TI400+。 接下来我们通过产品的参数来看一下： Fluke Ti400： 热像仪配有 LaserSharp™ 自动对焦功能，可获得完美对焦的图像。每一次每个热像仪用户都知道：在进行红外探伤时，最重要的一点就是确保对焦。如果没有对焦准确的图像，温度测量可能会不准确，有时甚至相差 20 度，因此很容易漏过问题。LaserSharp 自动对焦系统可精确对准目标焦点。该系统在对焦前使用激光计算与目标之间的距离。将红色激光点置于正在进行探伤的设备上，然后扣动并释放触发器，以获得完美对焦的清晰图像。 采用 Fluke IR-Fusion® 专利技术，通过 AutoBlend™ 模式，可更快地进行检测并传达问题 通过无线图像传输，更快地直接传输至您的 PC、Apple® iPhone® 或 iPad® Fluke Connect® 应用程序 – 发现。保存。共享。所有数据，现场即得 单手操作、易于使用的用户界面 坚固耐用的 640x480 高分辨率电容式触摸屏，可进行快速菜单导航 使用 IR-PhotoNotes™ 注释系统，捕获额外的数字图像，以显示位置或更多现场详细信息 更多高级显示输出选项，可通过向 PC

GPIO 8 种工作模式如下： 1 GPIO_Mode_AIN = 0x0, // 模拟输入（模拟电信号，保持原始样） 2 GPIO_Mode_IN_FLOATING = 0x04, // 浮空输入（降低功耗） 3 GPIO_Mode_IPD = 0x28, // 下拉输入（控制默认电平，增强输出驱动能力，抗干扰） 4 GPIO_Mode_IPU = 0x48, // 上拉输入（同下拉） 5 GPIO_Mode_Out_OD = 0x14, // 开漏输出（只能输出0,若想输出高电平由外部上拉电压决定） 6 GPIO_Mode_Out_PP = 0x10, // 推挽输出（一推一挽，可输出高或低电平，提高驱动能力） 7 GPIO_Mode_AF_OD = 0x1C, // 复用开漏输出（复用：由具有特殊功能的IO输出，不是普通IO） 8 GPIO_Mode_AF_PP = 0x18 // 复用推挽输出（同上） 来源： oschina 链接： https://my.oschina.net/u/4389064/blog/4504888

案例故事: 场景一：反复重启Android终端产品100次，每重启一次录一个视频; 场景二：做压力测试比如Monkey一晚上，我们需要涉及长时间录像; 场景三：做自动化测试的时候，跑一条自动化用例，录制每条用例执行的整个过程视频。 许多需要长时间的压测的场景，我们都可以通过摄像头录像记录下被测试设备的运行情况， 本篇主要介绍如何通过Python + ffmpeg + 电脑摄像头实现录像功能。 准备阶段 ffmpeg的下载地址及其介绍可参考： ffmpeg - 音视频图像编解码工具 确保ffmpeg.exe已经加入Path环境变量里的某个路径下。 确保摄像头驱动已经Ok，在Windows设备管理器"图像设备"里可以找到这个设备。 Python面向对象类形式 由于涉及设备初始化，开始录像，停止录像等功能。 更建议直接用面向对象类形式来定义这个模块。 # coding=utf-8 import os import time import subprocess class FFmpegRecorder(object): def __init__(self, camera_device="None"): self.__restore_ffmpeg() # 先重置ffmpeg self.camera_device = camera_device self.__ffmpeg_p = None

转自： https://blog.csdn.net/study_all/article/details/102543500 一、简介 二、目标跟踪基本流程与框架 三、快速目标跟踪方法 模板匹配 TLD 光流法(Lucas-Kannade) 四、快速目标跟踪方式的应用效果 一、简介 目标跟踪是计算机视觉研究领域的热点之一，有着非常广泛的应用，如：相机的跟踪对焦、无人机的自动目标跟踪等都需要用到目标跟踪技术。此外，还有特定物体的跟踪，比如人体跟踪，交通监控系统中的车辆跟踪，人脸跟踪和智能交互系统中的手势跟踪等。 过去的几十年来，目标跟踪技术取得了长足的进步。特别是近几年，随着深度学习的目标跟踪方法的出现，获得了令人满意的效果，也涌现了越来越多的方法，这都使得目标跟踪技术取得了突破性的进展。 本文 主要内容 包括：目标跟踪的基本流程与框架，快速目标跟踪相关方法及其应用效果。 希望通过本文能帮助读者对目标跟踪领域有一个较为全面的认识，对其中涉及到的方法及原理有进一步的了解。 二、目标跟踪基本流程与框架 目标（单目标）跟踪任务就是在给定某视频序列初始帧的目标大小与位置的情况下，预测后续帧中该目标的大小与位置。 此基本任务 大致流程 可以根据框架进行如下划分： 输入初始化目标框（初始帧），在下一帧中产生众多候选框（Motion Model），提取这些候选框的特征（Feature

目前腾讯为大家提供了海量的街景数据，并对其服务接口做出了详细的说明（ https://lbs.qq.com/uri_v1/guide-showPano.html ）。 　　 需要注意的是这里的referer需改为key，至于后边key对应的值需自己注册自己应用的key值。 地址： https://lbs.qq.com/dev/console/key/manage 请求连接： https://apis.map.qq.com/ws/streetview/v1/image?size=640x480&pano=10141050150725145721000&heading=0&pitch=0&key=K76BZ-W3O2Q-RFL5S-GXOPR-3ARIT-6KFE5 浏览器请求结果： 直接输入连接则会失败，需设置请求头。 失败效果图： 成功效果图： （设置Referer） Python源代码 说明： 　　本次实验主要需对武汉、北京等地区的街景数据爬虫，采用的核心方法如下： 采用市区最小外包矩形坐标限定拾取街景范围； 坐标采用wgs84转高德火星坐标的方式，坐标千分位依次递增1的方式逐点查询街景图片ID； 根据街景ID获取图片并保存； 　　本文并未进行断点续爬以及相同街景去重操作，后续将完善； 　　 腾讯该接口并不稳定，维护时间距今较长，服务调用不易成功不建议使用该服务； #

from: https://blog.csdn.net/zhangamxqun/article/details/80295833 FFMPEG拥有强大的视频处理能力，可惜的是有很多人不知道如何使用。本文深入介绍如何用编译好ffmpeg.exe程序处理视频，既有常用的简单的处理，也有一些比较少见的高大上的处理，一定能让你受益匪浅。ffmpeg是一把宝刀，在视频处理上，基本是一刀在手，天下我有。 首先下载编译好的ffmpeg程序，可以去下面的网址， https://ffmpeg.zeranoe.com/builds/# 点击"Donload Build"按钮下载最新编译的版本，解压后可以看到ffmpeg.exe文件用于处理视频，ffplay.exe文件用于播放视频。也可以去ffmpeg的官网http://ffmpeg.org/ 下载源码自己编译（这个工作量比较大）。 打开命令行窗口，使用cd命令行进入到ffmpeg所在的目录，接下来就可以直接输入处理命令了。下面就来介绍各种各样的命令。下面命令行中的输入视频和输出视频的路径必须正确，如果路径不存在会出错的哦。 1、知道了视频流地址如何保存出本地文件： ffmpeg -i rtmp://122.202.129.136:1935/live/ch4 -map 0 d:\work\yyy.mp4 2、知道了流地址，播放视频文件： ffplay

1. 设备驱动加载及系统配置 关于sensor的开发环境、MPP的工作原理、ISP简介等可参考shugenyin的博客——海思Hi3518EV200。 cd ko ./load3516a -a -sensor sc3035 -osmem 64 在load脚本中添加sensor的相关配置，这里使用smartsens的SC3035-M的360万像素CMOS sensor。 insert_sns() { case $SNS_TYPE in sc3035) himm 0x200f0050 0x2; # i2c0_scl himm 0x200f0054 0x2; # i2c0_sda himm 0x2003002c 0xB0007 # sensolsr unreset, clk 27MHz, VI 250MHz ;; *) echo "xxxx Invalid sensor type $SNS_TYPE xxxx" report_error ;; esac } 2. sensor的库文件生成(.so) sensor的库文件需要在Linux服务器中的SDK包中编译得到，将生成的.so文件放到SDK包中的stream软件包中的Hi3516A_Stream_xxx/libs目录下。 sc3035_sensor_ctl.c实现sensor的初始化。 void sensor_init() {

　　大家好，我是痞子衡，是正经搞技术的痞子。今天痞子衡给大家分享的是 i.MXRT1170上LCD花屏显示问题的分析解决经验 。 　　痞子衡最近这段时间在参与一个基于i.MXRT1170的大项目（先保个密），需要做一个开机动画功能，板子连接的LCD屏分辨率是1280x480，因为开机动画要求达到30fps，并且要画质清晰，如果是从SD卡里读mp4或者jpeg去解码，这么高分辨率的图像（暂不考虑低分辨率的图片再用PXP模块去拉伸的方案）解码耗时比较长，恐怕难以达成30fps，所以痞子衡打算直接把图片的裸rgb数据事先存在Flash里，然后LCD模块直接去刷Flash里的数据去显示。 　　板子上的SPI NOR Flash有两种，默认是八线DDR高性能Flash，还有一个可选的四线SDR普通Flash，痞子衡做好的代码在默认高性能Flash上跑得没问题，换到另一块rework为普通四线Flash上就出问题了，显示完全是花屏，没有一点图片的影子，到底是怎么回事？跟着痞子衡一起去发现答案吧。 一、项目板卡简图 　　先来看一下这个项目板卡简图，简图里只示意了痞子衡今天要分享的LCD问题相关的器件，显示屏是TM103XDKP13控制器驱动的LVDS接口屏，跟i.MXRT连接的话需要有一个RGB2LVDS转接。Flash都是选的旺宏的，一个是MX25UW51345（200MHz,8bit,DDR

一、项目说明 　　给定数据集train.csv，要求使用卷积神经网络CNN，根据每个样本的面部图片判断出其表情。在本项目中，表情共分7类，分别为：（0）生气，（1）厌恶，（2）恐惧，（3）高兴，（4）难过，（5）惊讶和（6）中立（即面无表情，无法归为前六类）。所以，本项目实质上是一个7分类问题。 数据集介绍： 　　（1）、CSV文件，大小为28710行X2305列； 　　（2）、在28710行中，其中第一行为描述信息，即“label”和“feature”两个单词，其余每行内含有一个样本信息，即共有28709个样本； 　　（3）、在2305列中，其中第一列为该样本对应的label，取值范围为0到6。其余2304列为包含着每个样本大小为48X48人脸图片的像素值（2304=48X48），每个像素值取值范围在0到255之间； 　　（4）、数据集地址： https://pan.baidu.com/s/1hwrq5Abx8NOUse3oew3BXg ，提取码：ukf7 。 二、思路分析及代码实现 　　给定的数据集是csv格式的，考虑到图片分类问题的常规做法，决定先将其全部可视化，还原为图片文件再送进模型进行处理。 　　借助深度学习框架Pytorch1.0 CPU（穷逼）版本，搭建模型，由于需用到自己的数据集，因此我们需要重写其中的数据加载部分，其余用现成的API即可。