¿Qué departamento se encarga de colocar los coches chocadores en la plaza?
Análisis jurídico: Los proyectos comerciales de ocio son puestos ilegales y deben ser gestionados por la gestión urbanística.
Base jurídica: "Medidas de Gestión Urbana y Aplicación de la Ley"
Artículo 5 El departamento competente de gestión urbana y aplicación de la ley promoverá el establecimiento de un mecanismo de coordinación de la gestión urbana y coordinará las cuestiones pertinentes. departamentos para hacer un buen trabajo en gestión urbana y aplicación de la ley.
Artículo 6 El departamento de aplicación de la ley de gestión urbana fortalecerá la publicidad y popularización de las leyes, reglamentos y normas de gestión urbana, mejorará la conciencia de la gente sobre el cumplimiento de la ley y mantendrá conjuntamente el orden de gestión urbana.
上篇: Cómo mejorar la velocidad de detección de texto de escena en opencv3Publicado desde: Problemas que puede encontrar: 1. Si ejecuta un clasificador, no habrá respuesta ni se mostrará durante varias horas. Porcentaje de entrenamiento. Esto se debe a que su número de muestras negativas es demasiado pequeño o el tamaño de las muestras negativas es demasiado pequeño. Todas las muestras negativas en el clasificador han sido RECHAZADAS y el programa no puede ingresar al siguiente ciclo y darse por vencido de manera decisiva. La solución es hacer que la muestra negativa sea lo más grande posible. Por ejemplo, mi muestra positiva es 40*15, ***300 y la muestra negativa es 640*480, ***500. o argumento demasiado grande de la función CvAlloc, Internet dice que este error es Debido a que la asignación de memoria de una única imagen ip proporcionada por opencv no puede exceder los 10,000, y el tamaño de cada una de mis muestras negativas no excederá este tamaño, la razón específica no está clara. Posteriormente reduje el número de muestras negativas y aumenté el tamaño, y el problema quedó solucionado. Recientemente tuve que hacer un proyecto de reconocimiento de género. Utilicé el entrenamiento de cabello OPENCV para la detección de rostros y el posicionamiento de rasgos faciales. En los últimos dos días, aprendí aquí cómo usar opencv para entrenar mi propio clasificador. Durante estos dos días de estudio, encontré muchos problemas, pero conocí a varios héroes de buen corazón que me ayudaron a resolver muchos problemas, especialmente a Wuji. Aquí me gustaría agradecerle nuevamente por su ayuda. I. Introducción El método de detección de objetivos fue propuesto originalmente por Paul Viola [Viola01] y luego mejorado por Rainer Lienhart [Lienhart02]. Los pasos básicos de este método son: primero, utilizar la función Hash de las muestras (alrededor de varios cientos de imágenes de muestra) para entrenar un clasificador para obtener un clasificador potenciador en cascada. El término "cascada" en clasificadores se refiere a que el clasificador final es una cascada de múltiples clasificadores simples. En la detección de imágenes, la ventana detectada pasa por cada nivel del clasificador por turno, de modo que la mayoría de las áreas candidatas quedan excluidas en las capas de detección anteriores, y todas las áreas detectadas por cada nivel del clasificador son áreas objetivo. Una vez entrenado el clasificador, se puede aplicar a la detección de regiones de interés en la imagen de entrada. La salida del clasificador es 1 si se detecta la región objetivo y 0 en caso contrario. Para detectar la imagen completa, la ventana de búsqueda se puede mover alrededor de la imagen para detectar posibles objetivos. Para buscar objetos objetivo de diferentes tamaños, el clasificador está diseñado para cambiar el tamaño, lo cual es más efectivo que cambiar el tamaño de la imagen a detectar. Por lo tanto, para detectar objetos de destino de tamaño desconocido en la imagen, el programa de escaneo generalmente necesita escanear la imagen varias veces usando ventanas de búsqueda de diferentes proporciones. Actualmente existen cuatro técnicas de impulso que admiten dichos clasificadores: impulso discreto (DiscreteAdaboost), impulso real (RealAdaboost), impulso suave (GentleAdaboost) y impulso lógico (Logitboost). El llamado "impulso" significa que cada capa del clasificador en cascada puede elegir un algoritmo de impulso (votación ponderada) y obtenerlo mediante el autoentrenamiento del clasificador básico. Según el análisis anterior, la detección de objetivos se divide en tres pasos: 1. Crear muestras 2. Entrenar al clasificador 3. Usar el clasificador entrenado para la detección de objetivos; 2. Cree muestras. Las muestras de entrenamiento se dividen en muestras positivas y muestras negativas. Las muestras positivas se refieren a las muestras objetivo que se van a detectar y las muestras negativas se refieren a cualquier otra imagen. Muestras negativas Las muestras negativas pueden provenir de cualquier imagen, pero estas imágenes no pueden contener características de destino. Las muestras negativas se describen mediante archivos de descripción de fondo. El perfil de fondo es un archivo de texto en el que cada línea contiene el nombre de archivo de la imagen negativa (según la ruta relativa al perfil). El proceso de creación de archivos es el siguiente: Utilice el comando Dos para generar un archivo de descripción de muestra. 下篇: ¿Cómo buscar en el espacio QQ de celebridades?