学校爬围墙有什么后果（学校围墙攀爬识别检测预警 python）

学校围墙攀爬识别检测预警通过python+yolo网络模型深度学习技术
    
    
    
    
，学校围墙攀爬识别检测预警算法能主动识别分析出学生翻墙    
    
    
    
    
、打架事件 


     


     


     


     


、人群聚集事件

 




 




 




 




 、人员倒地倒事件   

   

   

   

   
、区域闯入事件  

     

     

     

     

、违规攀爬事件     


     


     


     


     ，通过python+yolo网络模型深度学习技术提升校园安全监控管控效率
    
    
    
    
。Python可以使用C / C++轻松扩展 




 




 




 




 



，这使我们可以在C / C++中编写计算密集型代码

   

   

   

   

，并创建可用作Python模块的Python包装器     


     


     


     


     。这给我们带来了两个好处：首先     

     

     

     

    ，代码与原始C / C++代码一样快（因为它是在后台工作的实际C++代码）  




  




  




  




  


，其次


  


  


  


  


，在Python中编写代码比使用C / C++更容易 




 




 




 




 



。OpenCV-Python是原始OpenCV C++实现的Python包装器

   

   

   

   

。

目标检测架构分为两种     
     
     
     
   ，一种是two-stage   




   




   




   




   

，一种是one-stage



 



 



 



 



，区别就在于 two-stage 有region proposal过程                      ，类似于一种海选过程,网络会根据候选区域生成位置和类别    




    




    




    




    
，而one-stage直接从图片生成位置和类别     

     

     

     

    。今天提到的 YOLO就是一种 one-stage方法  




  




  




  




  


。YOLO是You Only Look Once的缩写,意思是神经网络只需要看一次图片
























，就能输出结果


  


  


  


  


。YOLO 一共发布了五个版本                     ，其中 YOLOv1 奠定了整个系列的基础     



     



     



     



     ，后面的系列就是在第一版基础上的改进
























，为的是提升性能     
     
     
     
   。 YOLO系列算法是一类典型的one-stage目标检测算法
    
    
    
    
，其利用anchor box将分类与目标定位的回归问题结合起来     


     


     


     


     ，从而做到了高效


  




  




  




  




 、灵活和泛化性能好   




   




   




   




   

。

Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测 




 




 




 




 



，核心思想就是利用整张图作为网络的输入

   

   

   

   

，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别     

     

     

     

    ，Yolo意思是You Only Look Once  




  




  




  




  


，它并没有真正的去掉候选区域


  


  


  


  


，而是创造性的将候选区和目标分类合二为一     
     
     
     
   ，看一眼图片就能知道有哪些对象以及它们的位置



 



 



 



 



。Yolo模型采用预定义预测区域的方法来完成目标检测   




   




   




   




   

，具体而言是将原始图像划分为 7x7=49 个网格（grid）



 



 



 



 



，每个网格允许预测出2个边框（bounding box                      ，包含某个对象的矩形框）    




    




    




    




    
，总共 49x2=98 个bounding box                      。我们将其理解为98个预测区
























，很粗略的覆盖了图片的整个区域                     ，就在这98个预测区中进行目标检测    




    




    




    




    
。

 Adapter接口定义了如下方法：

public abstract void registerDataSetObserver (DataSetObserver observer)

Adapter表示一个数据源     



     



     



     



     ，这个数据源是有可能发生变化的
























，比如增加了数据  


  


  


  


  
、删除了数据   
     
     
     
     
、修改了数据
    
    
    
    
，当数据发生变化的时候     


     


     


     


     ，它要通知相应的AdapterView做出相应的改变
























。为了实现这个功能 




 




 




 




 



，Adapter使用了观察者模式

   

   

   

   

，Adapter本身相当于被观察的对象     

     

     

     

    ，AdapterView相当于观察者  




  




  




  




  


，通过调用registerDataSetObserver方法


  


  


  


  


，给Adapter注册观察者                     。

public abstract void unregisterDataSetObserver (DataSetObserver observer)

通过调用unregisterDataSetObserver方法     
     
     
     
   ，反注册观察者     



     



     



     



     。

public abstract int getCount () 返回Adapter中数据的数量
























。

public abstract Object getItem (int position)

Adapter中的数据类似于数组   




   




   




   




   

，里面每一项就是对应一条数据



 



 



 



 



，每条数据都有一个索引位置                      ，即position    




    




    




    




    
，根据position可以获取Adapter中对应的数据项
    
    
    
    
。

public abstract long getItemId (int position)

获取指定position数据项的id
























，通常情况下会将position作为id     


     


     


     


     。在Adapter中                     ，相对来说     



     



     



     



     ，position使用比id使用频率更高 




 




 




 




 



。

public abstract boolean hasStableIds ()

hasStableIds表示当数据源发生了变化的时候
























，原有数据项的id会不会发生变化
    
    
    
    
，如果返回true表示Id不变     


     


     


     


     ，返回false表示可能会变化

   

   

   

   

。Android所提供的Adapter的子类（包括直接子类和间接子类）的hasStableIds方法都返回false     

     

     

     

    。

public abstract View getView (int position, View convertView, ViewGroup parent)

getView是Adapter中一个很重要的方法 




 




 




 




 



，该方法会根据数据项的索引为AdapterView创建对应的UI项  




  




  




  




  


。