起初我以为牛兄是用 Processing Java 做的,我记得没有好用的手部识别库,而一个 OpenCV 识别脸部的还各种报错。是用 Kinect 做的吗?经过和牛兄的沟通,原来是使用 p5js 实现的,使用的是一个叫做Handtrack.js的一个 js 库。
本文的目标是和各位工友一起有序的快速上手 p5.js ,会讲解 p5.js 的基础用法。
在 《p5.js 光速入门》 中都是使用 CDN 的方式去使用 p5.js 的,不太符合当下的开发习惯。
在 canvas 里,变换是基础功能。很多基于 canvas 封装的库都有这功能,比如 《Fabric.js 变换视窗》。
然后我又继续想啊想,想到我们用 canvas 好像也能做出一款点彩画的绘图工具,但用原生的方式写是不可能的,因为我懒。思前想后,还是觉得用 p5.js 写会好点,毕竟这个库也是个比较知名的艺术库。
原生 canvas 提供了 save() 和 restore() 两个方法去管理画布状态。p5.js 作为一个 canvas 库,也理所当然的提供了状态管理的方法。在 p5.js 里这两个方法叫 push() 和 pop()。
前面写了几篇 p5.js 文章 都还没涉及到3D图形,但其实 p5.js 是提供了基础的3D图形的。
学习本文前你需要具备一点 p5.js 的知识,想了解的请查看 《p5.js 光速入门》。
上一篇文章:填坑!完结娱乐圈明星关系图谱 发布后,古柳印象里过往留下的坑貌似只剩下 图像检索(一):因缘际会与前瞻 的后续实践代码(原文里给了参考代码链接)和在豆瓣Top250电影海报上的尝试效果了。
本文首先介绍了TensorFlow.js的重要性及其组件,并介绍使用其在浏览器中构建机器学习模型的方法。然后,构建使用计算机的网络摄像头检测身体姿势的应用程序。
在本文中,我们将学习在 p5.js 中通过使用线条、 矩形和椭圆来制作房屋的各个部分来制作房屋的简单动画。
你最喜欢用什么工具来编写机器学习模型?数据科学家们对这个永恒的问题会给出各种不同的答案。一些人喜欢RStudio,另一些人更喜欢Jupyter Notebooks。我绝对属于后者。
在 《p5.js 光速入门》 里我们学过加载图片元素,学过过背景色的用法,但当时没提到背景图要怎么使用。
在刚接触 p5.js 时我以为这只是一个艺术方向的 canvas 库,没想到它还支持视频文件和视频流的播放。
p5.js 为开发者提供了很多有用的方法,这些方法实现起来可能不难,但却非常实用,能大大减少我们的开发时间。
p5.js 作为一款艺术类的 canvas 库,对颜色方面的支持是挺下功夫的,比如本文要介绍的渐变方法。
canvas 绘图时会根据当前状态来绘制。很多的 canvas 库都利用到这一特性。比如 p5.js 利用了 canvas 状态特性衍生出 push 和 pop 函数实现状态隔离(既然提到了,下一篇就讲这个)。
但是当学校课程要求(比如今年UCL的DFPI),或者没有其他前端基础的情况下,想把processing里的一些效果在网页上展示,这时候可能就不得不使用p5.js了。
最近在家也不能出门,突然想到自己之前hackathon上面用P5.js做的一些小项目,虽然在本地上面写完了,但是在演示环节还是要部署在网页上,因为我自己也没有接触过网页搭建,所以当时比赛的时候,硬生生的没搞出来,最后还是放在了Openprocessing上面,那可想而知,网站实在是太慢了,整个体验效果并不是很好,所以我也一直在琢磨着有没有什么别的方法可以快速实现呢。正好我最近也在研究一些GitHub的玩法,很多人都用github pages搭建自己的网站,那我也寻思了一下,是不是也可以用github pages部署自己的p5.js代码呢,稍微尝试了一下,发现还是很容易的。
动力学主要分为正向动力学(FK)和反向动力学(IK)。 正向动力学实现起来十分简单,了解点基本原理,或者网上一搜,都能写出来。 反向动力学中比较流行的方法则是 Cyclic Coordinate Descent(CCD)和 Forward And Backward Reaching Inverse Kinematics (FABRIK)。 还有几何分析与雅可比矩阵的方法,计算起来比较复杂,用的不是太多。
文章导读:这篇文章不是为了全面深入的介绍循环神经网络(recurrent neural networks),而是为那些没有任何机器学习(machine learning)背景知识的读者提供一种思路,意在展示艺术家和设计师运用简单的Javascript和p5.js库构造预训练神经网络、进而创作出交互式数字作品的过程。 引言 近年来,对于那些富有创造性的群体来说,机器学习已经成为一种流行的工具。风格迁移(style transfer)、t-sne算法、自编码器(autoencoders)、生成对抗网络(
Python是机器学习和深度学习的首选编程语言,但绝不是唯一。训练机器学习/深度学习模型并部署对外提供服务(尤其是通过浏览器)JavaScript 是一个不错的选择,市面上也出现了很多机器学习库,比较著名的就是谷歌的 TensorFlow.js。我在《用浏览器玩机器学习,赞!》一文中已详细介绍它的用法,感兴趣的同学可以去看看。
最近重温了一下 Q/Promise[1] 的设计讲解,结合自己的理解和一些小优化,决定也来写一篇手写 Promise 的文章。本文的内容适合对 Promise 的使用有一定了解的童鞋,因为过程中不会过多解释 Promise 的基础操作。我们从一个基础版本开始,渐进式地完成这个 Promise,在过程中分享我的理解和观点。内容可能有点长,废话不多说,我们开始吧。
这是 Siraj Raval 在 Youtube 上用 Tensorflow.js 实现Evolution建模的代码。
在前端的日常工作中,回调函数(callback)应该是见怪不怪了,但是当回调函数遇上了异步(async),这就令人发指了。那么异步是什么意思呢,简单地说就是不等你执行完,就先执行下方的代码了。
ml5.js旨在为创意编程提供开箱即用的机器学习算法。该库封装了常用的机器学习算法和预训练模型,基于TensorFlow.js,可单独使用,也可搭配p5.js使用。
上篇文章古柳写了下关于念念不忘三年的颜色可视化的超长文,整个流程涉及: python 爬b站 api 李子柒数据、搭配 you-get 下载视频、ffmpeg 批量视频抽帧、node.js get-image-colors 模块抽图片颜色,d3.js 颜色可视化。
自 GPT 系列对话大模型以及 DALL・E、Midjourney 等文生图大模型兴起以来,基于它们的硬核、有趣二创应用花样频出,让普通人切身地体验到了大模型的魅力。
零写在前面 对前端工程师而言,开发Kinect的体感游戏似乎有些触不可及,因为目前市面上基本上是用C#或C++来开发,但如果游戏运行在我们熟悉的浏览器中,结合HTML5的新特征,我们是不是可以玩出新高度呢? 一简介 在前不久成都TGC2016展会上,我们开发了一款《火影忍者手游》的体感游戏,主要模拟手游章节《九尾袭来 》,用户化身四代,与九尾进行对决,吸引了大量玩家参与。 表面上看,这款游戏与其它体感体验无异,实际上,它一直运行于浏览器Chrome下,也就是说,我们只需要掌握前端相应技术,就可以开发基于Ki
出现这个问题的原因是我把手机的 HBuilder App 给删掉了,通过电脑连接数据线的方式安装就会提示上面的错误。
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
https://segmentfault.com/a/1190000019151460
为了帮助崭露头角的音乐家为他们的歌曲创造最佳节奏,来自日本AI创业公司的开发人员开发了一种名为Neural Beatboxer的深度学习系统,可将日常的声音转换为数小时自动编译的节奏。
媒介和技术的发展使设计艺术打破了原本界限:从静到动到可交互,从二维到三维到沉浸体验,技术结合设计形成的审美价值在未来是无止境的。视觉设计师们普遍形成了不断从文化、艺术中汲取风格和元素,采用计算机设计软件结合自定义传达内容在媒介载体上传播的工作模式。然而设计软件赋予了设计绚丽的视觉语言却也限制了内在的可能性:设计在不断反复之前出现的文化浪潮,许多设计因软件功能出现了泛同质化难以应对复杂多变的应用场景。现有的设计语言不够丰富,而生成艺术的发展优化了设计创造力的新路径。正如维拉·莫尔纳所言:“这听起来可能很矛盾
(编者注:本翻译不代表登链社区的立场,也不代表我们(有能力并且已经)核实所有的事实并把他的观点分离开来。)
本文的深度相机制造商涉及:Microsoft、Intel、Leap Motion、Orbbec、图漾、Occipital Structure、Stereolabs 、DUO。 文末附深度相机详细对比清单。
Canvas是常见的前端技术,但是由于API众多,使用复杂,且对程序员的数学功底、空间想象能力乃至审美都有一定要求,所以真正擅长canvas的前端并不多,但并不代表大家就学不好canvas。我在此将常用的canvas使用场景罗列出来希望能帮助到大家。
NFT 的场景在当前仍处于萌芽阶段,相信 NFT 所提供的所有权转让以及真实性的特点,会促使 NFT 在艺术、虚拟世界和游戏领域提供更为广阔的空间。
上一篇文章「安利一些不错的D3.js资源 - 牛衣古柳 2021.06.29」的反响还不错,记得有新群友说是主管推给她文章才加过来的,也是很神奇。
前天参加微软混合现实解决方案交流会时,看到有用Hololens来进行肢体跟踪。但是我们都知道第一代Hololens本身只能识别手部几个姿势,所以需要另外搭配其他设备一起来实现这个功能。回来后我也在网上查阅了一些资料,我将分享如何用Hololens和Kinect来构建远程呈现。
在连接kinect机器前,需要先安装两个软件,而在安装这两个软件前需要有vs2010(专业版本和快速版),因为需要包含.net framework 4.0 kinect sdk http://www.microsoft.com/zh-cn/kinectforwindows/develop/developer-downloads.aspx 然后下一步下一步就行 如果在安装sdk中遇到了 sdk service Management fail to start.verify that.....这类话的 我也没
做关于深度信息处理的,正好实验室配备了kinect2代,就想着先用kinect获取深度信息来处理,之后换其他设备只要有深度信息就直接往后推进就行,不过网上教程虽然多,但是第一次总会栽进坑中,记录一波,下回重来的时候长个教训。
今年的E3(Electronic Entertainment Expo)游戏展上,微软发布了全新游戏主机Xbox One S。 外观上,新主机Xbox One S采取了全白色外观设计,有别于此前Xbo
Open3D是一个开源库,支持快速开发和处理3D数据。Open3D在c++和Python中公开了一组精心选择的数据结构和算法。后端是高度优化的,并且是为并行化而设置的。
原标题:Real-time 3D Reconstruction of Dynamic Scenes with Multiple Kinect v2 Sensors
Autoware受BSD许可证保护。请自行负责使用。为了安全使用,我们为不拥有真正自主车辆的人提供基于ROSBAG的仿真方法。如果您使用Autoware与真正的自主车辆,请在现场测试之前制定安全措施和风险评估。
1. 前言 开始做SLAM(Simultaneous Localization and Mapping,机器人同时定位与建图)研究已经近一年了。从一年级开始对这个方向产生兴趣,到现在为止,也算是对这个领域有了大致的了解。然而越了解,越觉得这个方向难度很大。总体来讲有以下几个原因: 入门资料很少。虽然国内也有不少人在做,但这方面现在没有太好的入门教程。《SLAM for dummies》可以算是一篇。中文资料几乎没有。 SLAM研究已进行了三十多年,从上世纪的九十年代开始。其中又有若干历史分枝和争论,要把
继微软发布XBOX ONE之后,索尼在今天也发布了自家的PS4游戏主机。从硬件规格来看PS4与XBOX ONE区别并不大,但PS4最终定价为399美元,比起XBOX ONE要便宜不少。除此之外,为了应对微软XBOX ONE的营销攻势,PS4将不限制二手游戏交易。
http://www.ros.org/news/2014/09/microsoft-kinect-v2-driver-released.html
领取专属 10元无门槛券
手把手带您无忧上云