اشتراکها
استفاده از ASP.NET vNext با Docker
Docker is a popular open source containerization tool.
اشتراکها
CodeLite 6.1 منتشر شد
اشتراکها
NuGet 3.0 CTP 1 منتشر شد
اشتراکها
کامپایل کوئری Entity Framework Core
ویدیو youtube که توسط Dotnet Community Standup برگزار شد، در آن نیز از کتابخانههای نیتو استفاده شد. با استفاده از sqllite، اپلیکیشن میتواند بدون نیاز به اینترنت هم کار کند و زمانی که به اینترنت کانکت شد، خود را با سرور سینک کند. همچنین امکان استفاده از کامپوننتهای بلیزر در react هم خیلی جالب بود که در ویدیو بالا بهش اشاره شده.
IIS 7.5 که به همراه ویندوز سرور 2008 R2 ارائه میشود شامل تازههای زیر است:
- بیش از 50 مورد cmdlet جدید مخصوص Powershell جهت مدیریت IIS
- افزونههای جدید مدیریتی: Database Manager (مدیریت اس کیوال سرور از درون IIS و کنسول آن)، Configuration Editor (تولید خودکار اسکریپتهای مدیریتی جهت اتوماسیون امور مرتبط)، IIS Reports و Request Filtering .
- پشتیبانی از One-click publishing موجود در Visual Studio 10
- Web Deployment Tool یا همان MS Deploy سابق جهت مدیریت بهتر برنامههای وب.
- امکان ردیابی تغییرات در کانفیگ وب سرور
- گزارشگیری بهتر از وضعیت کارآیی سرور
- ساپورت دات نت جهت Server Core معرفی شده در ویندوز سرور 2008
- WebDav که پیشتر به صورت یک افزونهی آن معرفی شده بود، اکنون جزئی از IIS 7.5 است.
- یکپارچگی با URLScan 3.0 جهت بالا بردن امنیت وب سرور.
- FTP server services : با کنسول مدیریتی IIS یکپارچه شده است با بهبودهایی در نحوهی تنظیم کردن و ردیابی آن.
جهت مطالعه بیشتر در مورد تازههای ویندوز سرور 2008 نگارش R2 میتوان به مقالات زیر رجوع کرد:
Windows Server 2008 R2 new features - the complete list - Part 1: Virtualization
Windows Server 2008 R2 new features - the complete list - Part 2: Active Directory
Windows Server 2008 R2 new features - the complete list - Part 3: IIS 7.5 and Performance
Windows Server 2008 R2 new features - the complete list - Part 4: Administration
مطالب
OpenCVSharp #15
تشخیص چهره به کمک OpenCV
OpenCV به کمک الگوریتمهای machine learning (در اینجا Haar feature-based cascade classifiers) و دادههای مرتبط با آنها، قادر است اشیاء پیچیدهای را در تصاویر پیدا کند. برای پیگیری مثال بحث جاری نیاز است کتابخانهی اصلی OpenCV را دریافت کنید؛ از این جهت که به فایلهای XML موجود در پوشهی opencv\sources\data\haarcascades آن نیاز داریم. در اینجا از دو فایل haarcascade_eye_tree_eyeglasses.xml و haarcascade_frontalface_alt.xml آن استفاده خواهیم کرد (این دوفایل جهت سهولت کار، به همراه مثال این بحث نیز ارائه شدهاند).
فایل haarcascade_frontalface_alt.xml اصطلاحا trained data مخصوص یافتن چهرهی انسان در تصاویر است و فایل haarcascade_eye_tree_eyeglasses.xml کمک میکند تا بتوان در چهرهی یافت شده، چشمان شخص را نیز با دقت بالایی تشخیص داد؛ چیزی همانند تصویر ذیل:
مراحل تشخیص چهره توسط OpenCVSharp
ابتدا همانند سایر مثالهای OpenCV، تصویر مدنظر را به کمک کلاس Mat بارگذاری میکنیم:
همچنین در اینجا جهت بالا رفتن سرعت کار و بهبود دقت تشخیص چهره، این تصویر اصلی به یک تصویر سیاه و سفید تبدیل شدهاست و سپس متد Cv2.EqualizeHist بر روی آن فراخوانی گشتهاست. این متد وضوح تصویر را جهت یافتن الگوها بهبود میبخشد.
سپس فایل xml یاد شدهی در ابتدای بحث را توسط کلاس CascadeClassifier بارگذاری میکنیم:
پس از بارگذاری فایلهای XML اطلاعات نحوهی تشخیص چهره و اعضای آن، با فراخوانی متد DetectMultiScale، کار تشخیص چهره و استخراج آن از grayImage انجام خواهد شد. در اینجا minSize، اندازهی حداقل چهرهی مدنظر است که قرار هست تشخیص داده شود. نواحی کوچکتر از این اندازه، به عنوان نویز در نظر گرفته خواهند شد و پردازش نمیشوند.
خروجی این متد، مستطیلها و نواحی یافت شدهی مرتبط با چهرههای موجود در تصویر هستند. اکنون میتوان حلقهای را تشکیل داد و این نواحی را برای مثال با مستطیلهای رنگی، متمایز کرد:
در اینجا علاوه بر رسم یک مستطیل، به دور ناحیهی تشخیص داده شده، نحوهی استخراج تصویر آن ناحیه را هم در سطر var detectedFaceImage مشاهده میکنید.
همچنین اگر علاقمند باشیم تا در این ناحیهی یافت شده، چشمان شخص را نیز استخراج کنیم، میتوان به نحو ذیل عمل کرد:
کدهای ابتدایی آن همانند توضیحات قبل است. تنها تفاوت آن، استفاده از nestedCascade بارگذاری شدهی در ابتدای بحث میباشد. این nestedCascade حاوی trained data استخراج چشمان اشخاص، از تصاویر است. پارامتر ورودی آنرا نیز تصویر سیاه و سفید ناحیهی چهرهی یافت شده، قرار دادهایم تا سرعت تشخیص چشمان شخص، افزایش یابد.
کدهای کامل این مثال را از اینجا میتوانید دریافت کنید.
OpenCV به کمک الگوریتمهای machine learning (در اینجا Haar feature-based cascade classifiers) و دادههای مرتبط با آنها، قادر است اشیاء پیچیدهای را در تصاویر پیدا کند. برای پیگیری مثال بحث جاری نیاز است کتابخانهی اصلی OpenCV را دریافت کنید؛ از این جهت که به فایلهای XML موجود در پوشهی opencv\sources\data\haarcascades آن نیاز داریم. در اینجا از دو فایل haarcascade_eye_tree_eyeglasses.xml و haarcascade_frontalface_alt.xml آن استفاده خواهیم کرد (این دوفایل جهت سهولت کار، به همراه مثال این بحث نیز ارائه شدهاند).
فایل haarcascade_frontalface_alt.xml اصطلاحا trained data مخصوص یافتن چهرهی انسان در تصاویر است و فایل haarcascade_eye_tree_eyeglasses.xml کمک میکند تا بتوان در چهرهی یافت شده، چشمان شخص را نیز با دقت بالایی تشخیص داد؛ چیزی همانند تصویر ذیل:
مراحل تشخیص چهره توسط OpenCVSharp
ابتدا همانند سایر مثالهای OpenCV، تصویر مدنظر را به کمک کلاس Mat بارگذاری میکنیم:
var srcImage = new Mat(@"..\..\Images\Test.jpg"); Cv2.ImShow("Source", srcImage); Cv2.WaitKey(1); // do events var grayImage = new Mat(); Cv2.CvtColor(srcImage, grayImage, ColorConversion.BgrToGray); Cv2.EqualizeHist(grayImage, grayImage);
سپس فایل xml یاد شدهی در ابتدای بحث را توسط کلاس CascadeClassifier بارگذاری میکنیم:
var cascade = new CascadeClassifier(@"..\..\Data\haarcascade_frontalface_alt.xml"); var nestedCascade = new CascadeClassifier(@"..\..\Data\haarcascade_eye_tree_eyeglasses.xml"); var faces = cascade.DetectMultiScale( image: grayImage, scaleFactor: 1.1, minNeighbors: 2, flags: HaarDetectionType.Zero | HaarDetectionType.ScaleImage, minSize: new Size(30, 30) ); Console.WriteLine("Detected faces: {0}", faces.Length);
خروجی این متد، مستطیلها و نواحی یافت شدهی مرتبط با چهرههای موجود در تصویر هستند. اکنون میتوان حلقهای را تشکیل داد و این نواحی را برای مثال با مستطیلهای رنگی، متمایز کرد:
var rnd = new Random(); var count = 1; foreach (var faceRect in faces) { var detectedFaceImage = new Mat(srcImage, faceRect); Cv2.ImShow(string.Format("Face {0}", count), detectedFaceImage); Cv2.WaitKey(1); // do events var color = Scalar.FromRgb(rnd.Next(0, 255), rnd.Next(0, 255), rnd.Next(0, 255)); Cv2.Rectangle(srcImage, faceRect, color, 3); count++; } Cv2.ImShow("Haar Detection", srcImage); Cv2.WaitKey(1); // do events
همچنین اگر علاقمند باشیم تا در این ناحیهی یافت شده، چشمان شخص را نیز استخراج کنیم، میتوان به نحو ذیل عمل کرد:
var rnd = new Random(); var count = 1; foreach (var faceRect in faces) { var detectedFaceImage = new Mat(srcImage, faceRect); Cv2.ImShow(string.Format("Face {0}", count), detectedFaceImage); Cv2.WaitKey(1); // do events var color = Scalar.FromRgb(rnd.Next(0, 255), rnd.Next(0, 255), rnd.Next(0, 255)); Cv2.Rectangle(srcImage, faceRect, color, 3); var detectedFaceGrayImage = new Mat(); Cv2.CvtColor(detectedFaceImage, detectedFaceGrayImage, ColorConversion.BgrToGray); var nestedObjects = nestedCascade.DetectMultiScale( image: detectedFaceGrayImage, scaleFactor: 1.1, minNeighbors: 2, flags: HaarDetectionType.Zero | HaarDetectionType.ScaleImage, minSize: new Size(30, 30) ); Console.WriteLine("Nested Objects[{0}]: {1}", count, nestedObjects.Length); foreach (var nestedObject in nestedObjects) { var center = new Point { X = Cv.Round(nestedObject.X + nestedObject.Width * 0.5) + faceRect.Left, Y = Cv.Round(nestedObject.Y + nestedObject.Height * 0.5) + faceRect.Top }; var radius = Cv.Round((nestedObject.Width + nestedObject.Height) * 0.25); Cv2.Circle(srcImage, center, radius, color, thickness: 3); } count++; } Cv2.ImShow("Haar Detection", srcImage); Cv2.WaitKey(1); // do events
کدهای کامل این مثال را از اینجا میتوانید دریافت کنید.