SayCheese v1.0 从目标拍摄网络摄像头，仅发送恶意链接 这个怎么运作？ 该工具使用Serveo或Ngrok端口转发方法生成恶意HTTPS页面，并使用MediaDevices.getUserMedia使用javascript代码捕获请求。 MediaDevices.getUserMedia（）方法提示用户获得使用媒体输入的权限，该输入会产生MediaStream，其中的轨道包含所请求的媒体类型。 该流可以包括，例如，视频轨道（由硬件或虚拟视频源（如相机，视频记录设备，屏幕共享服务等）产生），音频轨道（类似地由物理或视频产生）虚拟音频源（如麦克风，A / D转换器等），以及其他可能的音轨类型。 为了说服目标授予访问凸轮的权限，该页面使用了制作的javascript代码，该图标将收藏夹图标转换为凸轮流。 安装（Kali Linux / Termux）： git clone h

共8178张 训练集：测试集 为9：1 即 7275：903 主要为中小目标、密集目标，可作为小目标车辆训练检测 由于上传文件大小限制原因，内含网盘链接与提取码，请自行下载

本文在优化列车开行方案时综合的考虑了高铁运营企业的运营效益。在确定性假设的条件下，不同停站方案的列车，其开行成本是不同的，所以高铁运营企业的总收益也是不同的。目标函数为不同开行方案的列车开行成本最小，且满足发车能力及各时段的客流量以及服务能力。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真模型及运行结果

非支配排序，拥挤度计算，pareto前沿，A Fast and Elitist Multi-objective Genetic Algorithm:NSGA-II NSGA算法 NSGA算法缺陷 NSGA-II算法 总结 1. 快速非支配排序法将时间复杂度改进为O(MN2)； 2.使用拥塞距离代替代替共享函数算法保持种群多样性； 引入精英保留策略。 非支配排序的复杂度较高: O(MN3) （M是目标函数的个数，N是种群大小)； 缺少精英保留策略； 需要人为指定共享参数σshare（共享小生境步骤）。 NSGA： nondominated sorting genetic algorithms-非支配排序遗传算法 nondominated：非支配 例：回家，两目标（费用，时间），均越小越好 动车A（270 , 7），普快B（120 , 10），飞机C（240，2） C（240，2）支配A（270 ， 7）; A（270 , 7）被C（240，2）支配; B（120 , 10）和C（240，2）不可比，即非支配。 目的：得到一组非支配的解--Pareto最优解集。

基于caffe框架用于识别人脸，质心法实现跟踪，支持多人脸跟踪，包含配置文件deploy.prototxt和res10_300x300_ssd_iter_140000_fp16.caffemodel

【MATLAB教程案例63】学习如何建立自己的深度学习训练样本库，包括分类识别数据库和目标检测数据库这个课程中，所需要的样本图片测试。

[第5讲]目标的动态显示-ABB Panel 800人机界面操作教学视频swf,Compact Products 800 —— Panel 800人机界面操作教学视频!这里展示了一个Panel Builder工具，从新建项目到最终测试。共分11集！视频为SWF文件，您需要按照视频要求点击或输入相应文字才能继续观看，请注意。各部分标题：1、新建项目 2、添加及设置驱动 3、定义并输入访问路径 4、建立模拟显示 5、目标的动态显示 6、如何将工程下载到Panel 7、基础报警系统 8、将报警系统整合到AC 800M中 9、新建趋势显示 10、配方处理 11、最终测试

共100多张高清图片和对应的图像xml汽车坐标

为了进一步提高室内检测跟踪系统的有效性和稳定性,以经典的混合高斯模型为基础,结合了积分直方图方法,提出了一种室内场景中适应光照变化的运动目标检测算法。该方法通过当前帧和背景帧的全局积分直方图差分来确定光线变化的程度。对于全局的光线突变,进行模型的全局更新。对于局部的光线变化,用光线变化比例作为高斯模型权值更新率因子,实时控制更新速率。再对高斯模型提取的前景,用区域局部积分直方图进行虚假前景的判断和消除,从而进一步提纯真实前景。仿真实验结果表明:算法较好地消除了场景中光照变化对目标检测的影响。