基于PyQt5与OpenCV的特斯拉行车记录仪多视角播放器开发实践

chrome-win64-159.0.8145.0(Canary).zip 内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。 立即下载

那会儿我提车第二天就遇到个糟心事:停车场里被人蹭了后保险杠,人跑了,还好行车记录仪全程拍下来了。按说特斯拉自带的查看器就能看回放,可它那个交互逻辑实在憋屈——切文件要一页一页翻,四个摄像头画面还不方便对照看,我想截个关键帧做取证图,愣是截完还要再拿手机翻拍屏幕。后来我就琢磨着自己写一个,用 Python 和 PyQt5 捣鼓了一个专属于特斯拉行车记录仪的视频播放器,从此看回放这件事再也没烦过我。

这个小工具听着小众,但真做起来涉及的东西其实挺全面的:GUI 框架选型、视频解码、多线程同步、文件目录解析、甚至还有一手 FFmpeg 的裁剪合并技巧。不管你是刚学 Python 想找项目练手,还是自己开特斯拉被自带查看器逼到崩溃,或者单纯想了解怎么用 PyQt5 做一套像样的视频播放界面,这篇记录应该都能给你点实在的参考。

1. 项目背景与整体设计思路

1.1 为什么系统自带查看器不够用

特斯拉行车记录仪默认是把视频存到 U 盘里的,分为前置、后置和左右两侧摄像头视角。TeslaCam 里的文件会按照 RecentClips(最近录像)、SavedClips(保存片段)和 SentryClips(哨兵事件)分类存放。自带查看器能看,但有几个很实际的问题:

  • 无法同时对比四个视角,出事故时想确认到底是前车别我还是后车追尾,得来来回回切画面。
  • 时间联动不直观,没有进度条跳转,一段一分钟的视频只能从头看到尾。
  • 事件文件是按单摄像头拆分的,想还原完整的哨兵事件发生过程,得手动把四路视频分开播放,很容易错过关键帧。
  • 截图功能局限于自带界面的尺寸和画质,不能自由选择倍速慢放找细节。

这些痛点刚好是一个桌面播放器的用武之地。PyQt5 作为 Python 生态里老牌且稳定的 GUI 框架,控件齐全,加上 OpenCV 做视频帧解码,既能快速做原型,后期想扩展导出、拼接、事件标记之类的功能也不至于推倒重来。

1.2 需求拆解与技术路线选择

动手之前我先把需求理清了下,避免做到一半发现方向错了:

  • 核心功能 :本地文件夹读取行车记录文件,按时间顺序组织列表,双击即可播放。
  • 多视角支持 :支持同时打开四个摄像头的视频,并保持基本同步播放。
  • 播放控制 :暂停、继续、进度条拖动、倍速播放(0.5 倍到 4 倍),关键场景能逐帧查看更佳。
  • 截图导出 :任意时刻保存当前帧为 PNG,用于保险取证或分享。
  • 轻量依赖 :尽量只靠 PyQt5、OpenCV、FFmpeg,不引入重型视频编辑库。

技术路线上,视频播放的核心我选了 OpenCV 的 VideoCapture,而不是 Qt 自带的 QMediaPlayer。原因后面详细展开,先记住结论:QMediaPlayer 在跨平台和格式支持上不够稳,尤其对 H.265 编码和双路以上同步播放的支持比较灾难。PyQt5 在这里的角色是 UI 壳和事件循环,视频帧则通过 OpenCV 读出来转换成 QImage,再用 QLabel 显示。这样每个环节都捏在自己手里,调试起来清清楚楚。

2. 核心技术点拆解:PyQt5 视频播放方案怎么选

2.1 三条技术路线对比

我也尝试过几条不同的路子,可以给大家做个对照:

方案 解码能力 多路同步 开发复杂度 可定制性 我的结论
QMediaPlayer + QVideoWidget 依赖系统解码器,H.265 兼容差 差,多实例容易音画不同步 低 低,控件交互受限 直接放弃
Python-VLC / LibVLC 绑定 强,自带解码器 一般,需自己处理时钟 中 中 可用但控制粒度不够细
OpenCV VideoCapture + QImage 渲染 强,支持 H.264/H.265 完全可控 中高 高 最终采用

QMediaPlayer 乍一看最省事,几行代码就能出播放界面。但实测它在 Windows 上播放特斯拉记录仪常用的 MP4(H.264 编码)偶尔会出现画面撕裂,而且当你想同时控制四个 QMediaPlayer 实例跳转到同一帧时,几乎没有可靠的同步接口。OpenCV 则是把视频当成一帧一帧的图片来处理,只要自己管理好“读帧-显示”的节奏,同步不过是个逻辑问题。

2.2 帧的流转链路:从视频文件到屏幕像素

这里得解释一下 OpenCV 到 PyQt5 显示的核心链路,理解它,后面代码才不会写得云里雾里。OpenCV 读出来的图像是 numpy 数组,通道顺序是 BGR,而 PyQt5 的 QImage 需要 RGB 格式。转换流程如下:

  1. 用 cv2.VideoCapture 打开文件,按帧读取得到 frame ,它是一个三维 numpy 数组(高、宽、3通道)。
  2. 调用 cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) 把通道顺序调整成 RGB。
  3. 用 QImag
chrome-headless-shell-win64-157.0.8103.38(Stable).zip Chrome for Testing 官方指定版本的 Chrome 浏览器、ChromeDriver 与 Headless Shell 压缩包,适用于 Selenium、Playwright 等自动化测试环境搭建,覆盖 Windows、macOS、Linux 多平台,解压即可使用,无需额外安装或配置。 立即下载

相关推荐

chrome-win32-159.0.8150.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8150.0 win32 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 32 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chromedriver-win32-160.0.8164.0(Canary).zip

chromedriver-win32-160.0.8164.0(Canary).zip

chrome-headless-shell-mac-x64-160.0.8164.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8164.0 mac-x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:macOS Intel 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器内核(Playwright/Puppeteer/Selenium 无界面自动化与爬虫);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chrome-mac-arm64-159.0.8154.2(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8154.2 mac-arm64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:macOS Apple Silicon 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

化工MES-石化盈科信息技术有限责任公司.pptx

化工MES-石化盈科信息技术有限责任公司.pptx

健康管理服务运营方案.pptx

健康管理服务运营方案.pptx

钢铁行业工业互联网安全解决方案.pptx

钢铁行业工业互联网安全解决方案.pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

互联网 医联体信息化建设和实施解决方案.pptx

互联网 医联体信息化建设和实施解决方案.pptx

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

华为智简园区医疗物联网解决方案.pptx

华为智简园区医疗物联网解决方案.pptx

极简架构MES系统解决方案介绍.pptx

极简架构MES系统解决方案介绍.pptx

轨道交通云平台解决方案.pptx

轨道交通云平台解决方案.pptx

工业互联网助力企业数字化转型方案.pptx

工业互联网助力企业数字化转型方案.pptx

TVJ1120资源及合并指令

内容概要:本文提供了TVJ1120.apk拆分文件的下载链接及合并方法,包含两个分卷文件(part1和part2)的CSDN下载地址,并给出在Windows系统下使用copy命令将两个分卷合并为完整APK文件的具体指令。同时提供使用certutil工具对合并后的TVJ1120.apk进行SHA256哈希值校验的命令,以确保文件完整性与安全性。; 适合人群:具备基本计算机操作能力,熟悉命令行工具使用的开发者或技术人员;需要下载并验证安卓应用文件完整性的用户。; 使用场景及目标:①用于从分卷压缩或拆分的APK文件中恢复完整的安装包;②通过哈希校验确保下载的APK文件未被篡改或损坏,保障应用安全性和可用性;③适用于软件分发、移动应用测试、逆向分析等技术场景。; 阅读建议:在操作前确认已下载全部分卷文件,并在相同目录下执行合并命令;建议严格比对生成的SHA256值与官方提供的校验值,防止运行不安全的应用程序。

【M波段2D双树(希尔伯特)小波多分量图像去噪】基于定向M波段双树(希尔伯特)小波对多分量彩色图像进行降噪研究(Matlab代码实现)

内容概要:本文系统研究了基于定向M波段双树(希尔伯特)小波的多分量彩色图像去噪方法,通过引入M波段双树结构的小波变换,增强了传统小波在方向选择性和冗余性方面的表现,有效克服了图像去噪中边缘模糊与纹理丢失的问题。该方法充分利用小波变换的多分辨率分析能力,结合阈值处理策略,在去除高斯噪声、椒盐噪声等多种噪声的同时,显著保留了图像的细节特征与色彩信息。文章详细阐述了算法的数学原理、实现步骤及关键参数设计,并提供了完整的Matlab代码实现,便于读者复现与进一步优化。 适合人群:具备数字图像处理基础知识,熟悉Matlab编程语言,从事图像去噪、计算机视觉、遥感图像处理或医学影像分析等相关领域的研究生、科研人员及工程技术人员。 使用场景及目标:①应用于彩色图像、遥感影像、医学图像等多通道图像的高质量去噪处理;②服务于后续高级视觉任务(如目标检测、图像分割)前的预处理环节,提升整体系统性能;③为需要高保真图像恢复的应用场景提供技术支持。 阅读建议:建议读者结合提供的Matlab代码逐模块理解算法实现流程,重点关注小波分解与重构、方向滤波器组设计、阈值选择与收缩策略等核心环节,同时可通过调整噪声类型与参数设置进行对比实验,深入掌握算法性能边界与优化方向。

京城第少本地生活信息平台源码:电脑站+手机站+后台+App+小程序

一套可直接二次开发的本地生活/分类信息平台源码,包含电脑站、手机站、后台管理、安卓 WebView App 和微信小程序。支持信息发布审核、商家入驻、会员/VIP、商品与团购、订单支付、社群、直播入口、图片视频上传和多端同步。后端使用 Node.js + JSON 文件库,前端为原生 HTML/CSS/JS,附带 Cloudflare Worker 代理配置与部署说明。适合学习全栈项目、做本地生活平台原型或私有部署。源码包不含生产数据库、支付密钥和上传媒体文件。

在Kintex-7 FPGA上实现皮秒级时间测量:手把手教你搭建CARRY4进位链TDC(附源码与约束)

本文详细介绍了在Kintex-7 FPGA上利用CARRY4进位链实现皮秒级时间测量(TDC)的完整方案。从CARRY4的物理特性分析到硬件架构设计,再到校准方法与精度提升技巧,手把手教你构建测量精度达53ps的TDC系统,并附源码与约束文件,助力激光雷达、高能物理等精密计时应用开发。

weixin_42550052的博客 449

大整数因数分解工具——yafu

可以将大整数放在一个新建文件中——data.txt,最后面一定要换行,不然会出现eof;done processing batchfile,运行命令。2.点击设置——系统——系统信息——高级系统设置——环境变量——点击PATH(上下都可以)——新建 添加yafu-x64.exe 所在路径——点击确定。,如果整数数过长,会出现错误mismatched parens;1.找到yafu-x64.exe 所在的文件路径。如果出现以下图像,说明配置成功。3.打开cmd,输入。

l2ohvef的博客 6167

MATPOWER下载安装教程

将MATPOWER文件复制在C:\Program Files (x86)\MATLAB\R2016b\bin目录下。原来的窗口中多了很多文件路径,点击【保存】,再点击【关闭】选择所要添加的MATPOWER文件夹,点击【选择文件夹】二、将MATPOWER放在bin目录下。找到菜单栏的【设置路径】点击【添加并包含子文件】一、从官网下载后解压。

weixin_47365903的博客 2万+

Java Swing之多文档界面设计-JDesktopPane、JInternalFrame类简单应用示例

Java MDI多文档界面是一种用户界面风格,允许在一个主窗口中包含多个子窗口(文档窗口),每个子窗口可以显示不同的内容或功能模块,从而可以满足用户打开不同窗口完成不同功能的需求。开发多文档程序,一般需要JDesktopPane(桌面面板类)和JInternalFrame(内部窗体类)两个类。以下简单介绍,最后通过一个实例介绍实现逻辑。

编程语言教学工作者的博客 2214

别再乱设阻尼了!Abaqus动力分析中瑞利阻尼的α和β到底怎么算?

本文深入解析Abaqus动力分析中瑞利阻尼参数α和β的科学计算方法,帮助工程师准确设置阻尼参数以提升仿真精度。详细介绍了基于模态阻尼比的经典计算方法和多模态优化法,并结合工程案例演示参数设置流程,避免常见的阻尼设置误区。

weixin_42634811的博客 745

Centos 7 Linux 安装 JDK 8:下载、安装、配置环境变量、验证

本文详细介绍了在 CentOS 7 系统上手动安装 JDK 8 的完整流程,包括环境准备、JDK 安装包下载与上传、解压安装、配置全局环境变量,以及最终的验证步骤。适用于使用 VMware 虚拟机、云服务器或物理机的 CentOS 7 用户,操作清晰、步骤完整,帮助开发者快速搭建 Java 开发环境。

寒水馨 · 轻量级技术文档 · hanshuixin.org 2588

(4-2)A*

实际已经花费的代价(g(n)):从起点到当前节点n的实际路径代价。启发式估计的剩余代价(h(n)):从当前节点n到目标节点的估计路径代价。这是A算法的关键之一,启发式函数要足够接近实际代价,但又要高效计算。如果启发式函数等于0,A算法就相当于Dijkstra算法。实现A*算法的核心步骤如下所示。(1)初始化:将起点加入开放列表(open list),并将其f值设为g值和h值的和。(2)循环:从开放列表中选择具有最小f值的节点作为当前节点。如果当前节点是目标节点,算法结束;

码农三叔 1809

NX二次开发 计算多个体的最小包围盒

多个体的最小包围盒

weixin_72680115的博客 430

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

上一篇: W5500全解析:硬件TCP/IP协议栈、SPI通信与寄存器映射实战指南
下一篇: 水下机器人仿真:smarc_stonefish_sims项目深度解析与实战
诺坎普之约
博客等级 码龄8年 54粉丝 9042原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址