搜索资源列表
Face-orientation-recognition
- LVQ即学习向量量化神经网络是一种用于训练竞争层的有监督学习方法神经网络，在模式识别和优化领域有着广泛的应用。本课题要求使用LVQ神经网络训练人脸的特征数据，得到模型对任一人脸图像的朝向进行识别。-Learning Vector Quantization LVQ neural network that is used to train competitive layer neural network supervised learning methods in the field of patt
diercimonijingsai
- 基于神经网络LVQ的人脸朝向识别。对一部分人脸图像进行训练，再输入另外一部分人脸图，判断其人脸朝向-LVQ neural network based on the face towards the identification. On the part of face images for training, and then enter another part of the face diagram, determine its face towards the
D-FNN
- 模糊神经网络动态分类预测,可以用于语音，图像识别，可以用，很好-Fuzzy Neural Network Dynamic class prediction can be used, very good
Bee-algorithm4
- Bee algorithm(1)信号处理、(2)人工智能与模式识别、(3)神经网络、(4)群体智能算法、(5)混沌分形、(6)图像处理、(7)数据挖掘、(8)Matlab与VC混合编程 -Bee algorithm
Bee-algorithm5
- Bee algorithm Bee algorithm(1)信号处理、(2)人工智能与模式识别、(3)神经网络、(4)图像处理、(5)数据挖掘、-Bee algorithm3
Example1
- 运用神经网络对26个大写的英文字母进行识别，对英文字母进行一定的图像处理，之后用神经网络进行分类-The use of neural network 26 uppercase letters of the alphabet recognition, the letters of the alphabet for a certain image processing, followed by neural network classification
Example1Tr
- 运用神经网络对26个大写的英文字母进行识别，对英文字母进行一定的图像处理，之后用神经网络进行分类-The use of neural network 26 uppercase letters of the alphabet recognition, the letters of the alphabet for a certain image processing, followed by neural network classification
preprocess
- 运用神经网络对26个大写的英文字母进行识别，对英文字母进行一定的图像处理，之后用神经网络进行分类-The use of neural network 26 uppercase letters of the alphabet recognition, the letters of the alphabet for a certain image processing, followed by neural network classification
MyOpenCVConsole
- 常用的opencv图像特征提取算法。包括直方图、边缘检测、角点检测、直线提取、圆形提取等。并包括不太成熟的BP神经网络识别纯底色数字。-Commonly used opencv image feature extraction algorithm. Including histograms, edge detection, corner detection, line extraction, circular extraction. And includes less mature pure b
hand-label
- 道路场景识别，通过对样本图像处理和特征提取，再通过bp神经网络进行学习，最后通过学习后得到的权值进行样本识别。-Road scene recognition, through the sample image processing and feature extraction, and then through bp neural network learning, and finally by learning the weights obtained after the sample ide
FaceRecognitionBased-OnDeepLearning
- 本文运用深度神经网络的方法克服姿态变量和图像分辨率的影响,提出了一种多姿态的人脸超分辨识别算法并在实验数据集上获得了良好的性能表现。另外本文利用深度信念网络探索正面人脸图像和侧面人脸图像的映射,方法放松了深度信念网络的输入也输出之间绝对相等,而只是保证其高层含义上的相等。实验表明了使用深度信念网络可以学习到侧面人脸图像到正面人脸图像的一个全局映射,但是丢失了个体细节差异。本文还提出了基于深度网络保持姿态邻域进行姿态分类的方法,在学习过程中,我们保证了同一个姿态下的人脸图像应该与同一姿态下的多张图
code
- 数字图像识别 包括手写数字识别之Fisher线性判别 手写数字识别之模板匹配法 数字识别之神经网络法 细化算法-numerical recognition
dbn DBN
- dbn DBN深度学习(波尔兹曼机DBM学习，一种新型神经网络)的matlab源码,可用于模式识别，图像处理等领域。
Visual-C-MATLAB-image-processing
- 本书系统地介绍了图像处理与识别的基本原理、典型方法和实用技术。全书共分12章，第1章～第6章是图像处理与识别的基础内容，包括图像科学综述、MATLAB语言图像编程、图像增强、图像分割、图像特征提取和图像识别；第7章～第10章是图像处理与识别的工程实例，涵盖了医学图像处理、文字识别和自导引小车路径识别等应用实例，并结合理论算法，提供了大量MATLAB代码程序，以帮助读者掌握如何使用MATLAB语言快速进行算法的仿真、调试和估计等方法。第11章～第12章，是两个综合性较强的实例，分别是Visual
PlateRecognise
- 基于 VC6.0 的汽车牌照定位与识别, 基本图像处理 与 神经网络算法.-Based on VC6.0 vehicle license positioning and identification, basic image processing and neural network algorithms.
BP-neural-network-image-compression
- 硕士论文的完整程序,可实现基于BP神经网络的图像压缩功能，内含程序说明和33幅测试车牌图像，识别准确率还不错。-A complete program of master s thesis, to achieve image compression based on BP neural network, including the descr iption of the procedures and 33 pieces of test of license plate image, the rec
BP-LPR
- 硕士论文的一种方法：基于BP神经网络的一种汽车牌照字符识别方法，内含程序修改和运行说明，还有33幅测试牌照图像，识别准确率72 ，效果不错，可自行修改使用。-A method of master s thesis: a vehicle license plate character recognition method based on BP neural network, that contains the program modification and operation, there a
Desktop
- 一个用svm和神经网络做的图像识别方面内容，简单修改即可使用-A neural network to do with svm and image content recognition, a simple modification can be used
2005510101315809
- 提出了一种复杂背景下的多车牌图像分割和识别方法，首先采用统计和特征匹配相结合的方法进行背景提取，将可能存在车辆的区域提取出来；然后分别对可能的车辆区域进行局部边缘检测，并使用车牌的先验知识确定车牌的位置和单个字符分割，包括车牌倾斜时的字符分割；最后使用PCA和神经网络相结合的方法精确识别车牌。-Proposed a multi-plate image segmentation and recognition method under a complex background, the first
Textural--neural-network
- 通过图像处理和神经网络方法的建议和例子纹理识别碳酸盐岩。-Textural identification of carbonate rocks by image processing and neural network Methodology proposal and examples