这是基于YOLOV5目标检测模型的实时车牌识别，包括对车辆的车牌区域精确定位，利用校正探测器对定位的车牌进行边框校正处理，使用增强神经网络模型对车牌区域进行超分辨率技术处理和光学字符识别。
经过多次试验测试，可以对视频中的车辆车牌实时识别以及图片中的车辆车牌进行精确定位和识别，识别速度快，精确率高，比那些传统车牌识别方法效果好很多。
效果演示视频：1.https://www.bilibili.com/video/BV1eK4y1m7GQ/2.https://www.bilibili.com/video/BV13K4y1K7Pi/
经过多次试验测试，可以对视频中的车辆车牌实时识别以及图片中的车辆车牌进行精确定位和识别，识别速度快，精确率高，比那些传统车牌识别方法效果好很多。
效果演示视频：1.https://www.bilibili.com/video/BV1eK4y1m7GQ/2.https://www.bilibili.com/video/BV13K4y1K7Pi/
2022/12/22 22:45:52
321.24MB
1
SODATA算法是在k-均值算法的基础上，添加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。
迭代次数会影响最终结果，迭代参数选择很重要。
迭代次数会影响最终结果，迭代参数选择很重要。
2016/8/5 9:16:36
5.8MB
1
针对海面背景舰船目标单一波段图像识别率低的问题,提出了一种基于卷积神经网络(CNN)的融合识别方法。
该方法提取可见光、中波红外和长波红外3个波段舰船目标特征进行融合识别。
模型次要分为3个步骤：通过设计的6层CNN,同时对三波段图像进行特征提取;利用基于互信息的特征选择方法对串联的三波段特征向量按照重要性进行排序,并按照图像清晰度评价指标选取固定长度的特征向量作为目标识别依据;通过额外的2个全连接层和输出层进行回归训练。
采用自建的三波段舰船图像数据库进行模型的训练和测试,共包含6类目标,5000余张图像。
实验结果表明,本文方法识别率达到84.5%,与单波段识别方法相比有明显提升。
该方法提取可见光、中波红外和长波红外3个波段舰船目标特征进行融合识别。
模型次要分为3个步骤：通过设计的6层CNN,同时对三波段图像进行特征提取;利用基于互信息的特征选择方法对串联的三波段特征向量按照重要性进行排序,并按照图像清晰度评价指标选取固定长度的特征向量作为目标识别依据;通过额外的2个全连接层和输出层进行回归训练。
采用自建的三波段舰船图像数据库进行模型的训练和测试,共包含6类目标,5000余张图像。
实验结果表明,本文方法识别率达到84.5%,与单波段识别方法相比有明显提升。
2018/2/16 16:48:36
8.49MB
1
本项目即拿MFC做了一个画板，画一个数字后可自行识别数字。
有保存图片，清空画板功能，简单实用。
识别方法为SVM，调用已经训练好的MNIST数据集"SVM_DATA.xml"训练方法自行百度，一大堆。
。
。
基于OpenCv2.4.6,下载的朋友自行修改配置为本人使用的OpenCv版本即可。
有保存图片，清空画板功能，简单实用。
识别方法为SVM，调用已经训练好的MNIST数据集"SVM_DATA.xml"训练方法自行百度，一大堆。
。
。
基于OpenCv2.4.6,下载的朋友自行修改配置为本人使用的OpenCv版本即可。
2020/5/12 19:21:26
10.93MB
1
手脸近距遮挡属于深度传感器应用中具有代表性的难点问题，针对该问题提出了一种综合利用颜色与深度信息的手势识别方法。
采用核模糊C-均值聚类，对手脸遮挡图像进行粗分割和灰度增强，实现手脸分离。
引入初始化水平集函数，处理聚类方法导致的手势区域像元缺失问题。
利用基于深度信息的梯度方向直方图(HOG)特征对手势进行分类识别。
通过采集不同人体手脸近距遮挡情形下的多种手势图像建立了样本数据库，进行了对比实验，实验结果验证了该方法的可行性和有效性。
本文方法能有效分离近距遮挡的手和脸，提取得到相对完整的手势信息，深度HOG特征能够对手势空间信息进行精确描述，具有比传统形状特征更准确的识别效果。
采用核模糊C-均值聚类，对手脸遮挡图像进行粗分割和灰度增强，实现手脸分离。
引入初始化水平集函数，处理聚类方法导致的手势区域像元缺失问题。
利用基于深度信息的梯度方向直方图(HOG)特征对手势进行分类识别。
通过采集不同人体手脸近距遮挡情形下的多种手势图像建立了样本数据库，进行了对比实验，实验结果验证了该方法的可行性和有效性。
本文方法能有效分离近距遮挡的手和脸，提取得到相对完整的手势信息，深度HOG特征能够对手势空间信息进行精确描述，具有比传统形状特征更准确的识别效果。
2018/1/7 4:29:25
11.61MB
1
手写数字的识别是模式识别及机器学习的一个重要应用,应用范围非常广泛。
本文提出一种基于决策树算法的手写数字识别方法,该方法通过提取基于密度的特征,通过训练得到一个决策树分类模型,进而进行手写数字的识别。
实验证明该方法能够快速无效的进行手写数字的识别。
本文提出一种基于决策树算法的手写数字识别方法,该方法通过提取基于密度的特征,通过训练得到一个决策树分类模型,进而进行手写数字的识别。
实验证明该方法能够快速无效的进行手写数字的识别。
2022/9/3 0:25:35
292KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB