만숭이의 블로그 :)

출처 : https://kau-deeperent.tistory.com/53 LBF(Local Binary Pattern)을 이용한 얼굴인식 작성자 : 박승재 기본적인 흐름은 노트북의 카메라 웹캠을 통한 Training_data를 모으고, LBPFacerecognizer를 이용한 model을 training_data로 학습한 후에 노트북 웹캠으로 사람의 얼굴이 인지 되었을 때 회 kau-deeperent.tistory.com import cv2 import numpy as np import os from os import listdir from os.path import isfile, join def detect_face(img): #convert the test image to gray image as ..

""" Tracking any object using dlib discriminative correlation filter tracker 동작 프로그램이 시작되면 마우스로 추적하고자 하는 물건을 드래그하여 4각영역을 선택한다. 키 1을 누르면 트래킹을 시작한다. 키 2를 누르면 중지한다. q를 누르면 종료한다. 참고: 마우스로 영역선택할 때 추적 대상을 얼굴로 추적하면 얼굴을 추적한다. 미션 현재의 프로그램을 동영상 버전으로 수정하시오. 스페이스 바를 누르면 재생이 잠시 중지된다. 이때 마우스 드래그로 목표 영역을 선택한다. """ # Import required packages: import cv2 import dlib def draw_text_info(): """Draw text information..

- 한 트랜잭션이 락을 가지고 있는 동안에 다른 트랜잭션들은 락을 가질 수 없고 그 락이 해제될 때까지 기다려야 한다. 락킹 정책에 따라 한 순간에 단지 하나의 트랜잭션만 실행한다. 따라서 순차적 스케줄만 생성된다. - 직렬적이며 복구가능하며 비연쇄적임을 명백히 알 수 있다. - 트랜잭션에 의해 획득된 모든 락들은 그 트랜잭션이 커밋되거나 중단된 후에(abort) 전부 해제된다 충돌 직렬성 -> 락 기반 프로토콜로 구현 뷰 직렬성 -> 타임스탬프 기반 프로토콜로 구현 SQL -> 질의처리기 -> read/write 트랜잭션 -> 트랜잭션 매니저(여기서 lock request 명령어를 받음) -> 동시성 제어 컴포넌트 -> 스케줄 -> 직렬성 -> Lock Manage 충돌 발생 º 행렬값이 true일때는..

- 동시 수행한 스케줄의 결과가 트랜잭션을 하나씩 순차적으로 수행하는 스케줄의 실행 결과와 동일하도록 함으로써 데이터베이스의 일관성을 보장할 수 있다. ** 동시 수행 스케줄이 순차 스케줄과 동 등해야 한다 -> 직렬 스케줄 - 순차 스케줄은 반드시 직렬성을 갖는다. # Serializability 직렬성 - 충돌 직렬성 - 뷰 직렬성 - 동시에 수행해도 일관성을 유지할 수 있다는 것을 보장 # 충돌 발생하는 상황 - 만약 트랜잭션이 서로 다른 데이터 항목을 액세스 하는 경우에 다른 명령어들에 순서 주지 않고 두 명령어의 순서를 바꿀 수 있다. - 하지만 같은 데이터 항목을 액세스한다면 두 명령어의 순서는 중요한 문제가 될 수 있다. - 트랜잭션 순서에 따라 내용이 변하므로 충돌이 발생한다. - 충돌 발..

# Transaction 거래 - 하나의 논리적 작업 단위를 이루는 연산들의 집합 - 논리적인 작업의 단위 - 데이터베이스 무결성을 지키기 위해 존재 - DB시스템은 비일관성 상태가 되지 않도록 하면서 트랜잭션들의 동시 실행을 지원해야 한다. - 트랜잭션은 항상 일관성 있는 값을 만들어야 한다. ## 꼭 지켜야 하는 규칙 ACID !! # 송금의 경우 ** All or Nothing (성공적인 경우) ** - 1~6까지 잘 이루어짐 - 두 번의 업데이트 작업 (write)도 잘 이루어짐 ** Atomicity 원자성 ** - 4,5,6 이 실행되지 않으면 돈은 증발됨 -> 비일관적인 데이터베이스 상태 (실패 원인 : sw or hw) - 1,2,3 단계에서 실패하면 데이터베이스에 기록하면 안 됨 -> 아..

보호되어 있는 글입니다.

lut함수 없이 -> 따라서 he트랙바 조절시 변화 없음 import cv2 as cv import numpy as np import time def printImgAtt (string): global garo global saero print("\n" + string) data = eval(string) # eval(문자열) - 실행가능한 문자열을 바로 실행시켜주는 함수 print(' type :', type(data)) # imge type = print(' shape = ', data.shape) # 영상 어레이의 크기 알아내기. image shape = (세로, 가로, 3). (행, 열, 채널) saero = data.shape[0] garo ..

클러스터링인덱스 비클러스터링인덱스 희소 -> 클러스터링만 밀집 -> 클러스터링, 비클러스터링 희소 불가능 (pdf 11.2순서인덱스 10.9페이지~) # 인덱스 갱신 인덱스가 추가되면 검색키도 추가됨. 인덱스 삭제되면 검색키도 삭제됨 # 삽입 : 밀집 주인덱스(=클러스터링인덱스) 학과로 검색키를 만들었으며 클러스터링 인덱스이고, 학과 모두 반영 되어있으므로 밀집인덱스이다. 위 그림의 주 인덱스 상황은 중복을 허용한 인덱스로 밀집인덱스를 만든 상황 1) 검색키 값이 인덱스에 없을 경우 순서에 맞게 삽입 2) 동일한 검색키값을 가지는 데이터 레코드들 중 첫번째 레코드에 대한 포인터만 가지고 있다면 별도의 인덱스 수정이 불필요 # B+ 트리 동작 구조

import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 이미지 불러오고 정규화 Path = 'D:/dip/' Name = 'dark1.png' FullName = Path+Name img = cv.imread(FullName,1) img=img/255.0 cv.namedWindow('Brighter image') # scale 트랙바 움직일때 호출되는 콜백 함수 def Change_scale(pos) : global img2 bar = cv.getTrackbarPos("scale", "Brighter image") #-> scale값을 bar에 저장할 수 있다 scale = 1+pos*0.1 # 트랙바 값에 따른 밝기의 정도 img2 ..

1~5절 - 대조비 강화 혹은 약화처리 6~7절 - 선명성 향상 8~9절 - 잡음 제거 # 감마변환 output = input의 감마승 (이때 input은 0~1사이로 정규화) 감마r 1 : 어둡게 처리, 어두운 부분은 어둡게 # LUT(look up table) 함수 연산의 단순화 방법 출력값 테이블 생성하고 처리하는 방법 # 시그모이드 변환 명암의 대조비 강화 m:중간값, w: 강화강도, E: 기울기정도 (대비와 비례) 분모가 0이 될 가능성이 있기에 1이라는 엡실론을 설정. m은 최소 0.5로 설정 w는 0위로 설정 # 히스토그램과 히스토그램 스트레칭 **중요** # 히스토그램이란 화소 값들 개별 누적 개수 히스토그램 방법 1) ** 중요 많이 쓰임 ** np.historgram()함수 이용. nd..