基于Hog特征+SVM分类器，利用Opencv3.0进行手写数字辨认的源代码及所需资源文件（训练图片、测试图片）
2015/8/16 17:18:33
4.52MB
1
使用Python+TensorFlow，全连接的神经网络，基于MNIST数据集。
数据集包含60000张训练图片，10000张测试图片。
MNIST_model文件夹是已经训练30000次的模型，也可以本人再训练。
app.py文件可以测试本人的图片。
也可以到github下载https://github.com/BuXianShan/Handwritten-Numeral-Recognition
数据集包含60000张训练图片，10000张测试图片。
MNIST_model文件夹是已经训练30000次的模型，也可以本人再训练。
app.py文件可以测试本人的图片。
也可以到github下载https://github.com/BuXianShan/Handwritten-Numeral-Recognition
2018/2/6 15:10:15
17.36MB
1
文件包括测试图片和svm颜色分类的cpp文件，我用的是vs2013+opencv3.4.1版本，有两张测试图片。
其中训练集数据接纳的是test.png。
其中训练集数据接纳的是test.png。
2016/6/7 8:48:20
4.08MB
1
资源包含文件：课程word+答辩PPT+项目源码及测试图片数字图像中阴影是普遍存在的，而且其为数字图像处理的很多任务，如图像特征提取，图像识别，图像分割带来了不利的影响。
一个有效的阴影检测与去除方法可以为接下来的图像处理带来很多便利。
与同表面非阴影区域相比，图像中阴影区域一般会具有以下特征：其亮度会明显比非阴影区域低；
与非阴影区域有分界，界线宽度一般不大，在界线上存在渐变；
阴影区域的颜色通道比例和非阴影区域比较接近。
我们可以利用这些特征来完成阴影检测的工作。
详细引见参考：https://blog.csdn.net/sheziqiong/article/details/125589942
一个有效的阴影检测与去除方法可以为接下来的图像处理带来很多便利。
与同表面非阴影区域相比，图像中阴影区域一般会具有以下特征：其亮度会明显比非阴影区域低；
与非阴影区域有分界，界线宽度一般不大，在界线上存在渐变；
阴影区域的颜色通道比例和非阴影区域比较接近。
我们可以利用这些特征来完成阴影检测的工作。
详细引见参考：https://blog.csdn.net/sheziqiong/article/details/125589942
2022/9/25 21:45:41
6.97MB
1
虹膜分割的实现代码，用C++和opencv实现的，资源中还包括了测试图片和方法的PPT引见。
关于该资源的引见也可以参考我的博客文章http://blog.csdn.net/computerme/article/details/41121711
关于该资源的引见也可以参考我的博客文章http://blog.csdn.net/computerme/article/details/41121711
2016/6/4 3:52:36
3.26MB
1
代码导入后直接可用，附带测试图片及视频。
你也可以用自己的脸来识别。
这软件不只可以识别摄像头中的人脸，还可以识别图片，视频文件中的人脸。
应用到特征脸的识别技术。
你也可以用自己的脸来识别。
这软件不只可以识别摄像头中的人脸，还可以识别图片，视频文件中的人脸。
应用到特征脸的识别技术。
2018/9/22 3:10:13
14.46MB
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