好不好用，自己看代码，，，视频监控图像报警的朋友应该有用

包含两套车牌字符模板，一套图片大小为20*40，另一套为14*22。

STM32及openmv识别追踪小车源码，个别代码可能需要微调，整体功能比如串口通信，接收处理、PID、语音识别等，有比较没这么灵敏的PID，但是也可以使用！整体功能可以使用！

本书详细阐述图像模型、图像几何学、模式识别与神经网络、图像理解与计算机视觉等基础知识，也给出视觉、光与色、波动光学、辐射传递理论、数学形态学、模糊理论等关联知识，同时结合图像处理领域的最新发展现状，全面论述图像重建、图像变换、图像识别、图像分析等相关理论和具体算法，并就图像特殊效果处理、图形绘制、序列图像处理、文档图像解析、三维图像处理等热点专题进行了系统剖析。

找了好久才找到的一个通过图像识别条形码的例子，能识别CODE39，只要稍做扩展就可以识别其它的条码，如EAN-13，EAN-8

stm32h743，最新的openmv4代，带原理图pcb图，全开源项目，可打板使用，用python做一些简单图像识别功能

本数据集数据取自 https://lttm.dei.unipd.it//downloads/gesture/ 原数据集包含了14个人采集的共1400张样本，共10种手势。包括RGB图像、深度信息等，原图大小1280*960。 本数据集只选用了RGB图像，并将图像缩小为400*300。同时对所有的手势进行了样本标记，以PascalVOC格式记录。 所有标记坐标均以（0,0）为图像左上角点。

【图像识别】基于卷积神经网络(CNN)实现垃圾分类Matlab源码.zip

抽烟检测数据集 xml:4480 jpg:4473

再思考计算机视觉的Inception结构 Rethinking the inception architecture for computer vision (2016) 作者C. Szegedy et al. 摘要：对于多种任务来说，卷及网络处于最先进的计算机视觉解决方案的核心。自2014年以来，超深度卷积网络开始成为主流，在各种benchmark中产生了巨大的收获。虽然对大多数任务来说，增加的模型大小和计算成本往往转化为直接增益（只要提供足够的标记数据用于训练），计算效率和低参数计数仍然是各种用例的有利因素，例如移动视觉和大数据场景。在这里，我们将探讨通过适当的因式分解卷积和积极正则化的方式，尽可能有效地利用增加的算力来扩大网络规模。我们在ILSVRC 2012分类挑战验证集上的benchmark了我们的方法，展示了相对于现有技术的实质性增益：每次推理使用50亿multiply-adds的计算成本及使用少于2500万个参数，每单帧错位率为21.2％top-1和5.6％top-5。综合使用4种模型和multi-crop 评估的综合，我们在验证集上报告3.5％的top-5错误和17.3％的top-1错误，以及正式测试集上3.6％的top-5 错误。 Inception-v4, inception-resnet以及残差连接对学习的影响 Inception-v4, inception-resnet and the impact of residual connections on learning (2016) 作者C. Szegedy et al. 在深度残差网络中识别映射 Identity Mappings in Deep Residual Networks (2016) 作者K. He et al. 图像识别中的深度残差学习 Deep residual learning for image recognition (2016) 作者K. He et al. 深入卷积网络 Going deeper with convolutions (2015) 作者C. Szegedy et al. 大规模图像识别的超深度卷积网络 Very deep convolutional networks for large-scale image recognition (2014) 作者K. Simonyan and A. Zisserman 用于视觉识别的深度卷积网络的空间金字塔池化 Spatial pyramid pooling in deep convolutional networks for visual recognition (2014) 作者K. He et al. 细节魔鬼的回归：深挖卷积网络 Return of the devil in the details: delving deep into convolutional nets (2014) 作者K. Chatfield et al. OverFeat：使用卷积网络融合识别、本地化和检测 OverFeat: Integrated recognition, localization and detection using convolutional networks (2013) 作者P. Sermanet et al. Maxout网络 Maxout networks (2013) 作者I. Goodfellow et al. 深度网络架构 Network in network (2013) 作者M. Lin et al. 使用深度卷积神经网络进行ImageNet 分类 ImageNet classification with deep convolutional neural networks (2012) 作者A. Krizhevsky et al.

计算机视觉处理高级培训课程从CV基础到深度学习实战 第一讲：工欲善其事必先利器——图像处理基础 第二讲：初探计算机视觉 第三讲：空域图像处理的洪荒之力 第四讲：机器视觉中的特征提取与描述 第五讲：坐标变换与视觉测量 第六讲：深度学习在图像识别中的应用 第七讲：图像检索 第八讲：图像标注与问答 第九讲：3D计算机视觉 第十讲：机器视觉项目实战

用于视频目标检测的数据集，包括野牛，犀牛，大象，斑马四个标签的图像和标注，大约1500多张图片，使用yolov5文件夹下的format_dataset.py文件，可以将african-wildlife里的原数据集数据转换成可以被yolov5程序识别的格式，保存到african-wildlife-dataset（自动分割训练集和验证集），videos文件里面是几个用于检测的视频。附赠已经用yolov5实现的源码，对应yolov5的4.0版本，检测效果还行。

Video DownloadHelper的合作应用安装

南京工程学院+数据科学与大数据技术+数字图像处理+整理复习

基于Bags of Features的图像识别算法，非常经典的一片文章，论文+源码

最新版本的光流法代码工具箱，光流法 工具箱 MATLAB代码 机器视觉，图像识别

MATLAB图像识别中的字符定位分割

自动驾驶汽车 基于树莓派图像识别的智能循迹避障小车作者：三无小组视频请点击： ://youtu.be/4E3luEluiFE 基本需求 覆盆子pi3小车模块笔记本电脑树莓派官方摄像头 环境要求 树莓派：rasbian系统电脑：opencv2.45 麻木 具体原理 道路检测 本程序所使用的道路检测算法为最基础的检测算法，可升级至深度学习算法，但是没时间搞主要是不会对于道路检测而言，最基本的就是在图像上随机去除图像上下部等宽区域，将图像的灰度中心计算出来，从而可以修剪，当上半部图像的灰度中心与下半部图像中心的位置差超过阈值时，确定道路出现了转弯，以图像中心为坐标原点，当插值大于0时说明要右转，反

源码用的图像识别库OpenCV，据说可以用于开发机器人视觉系统。用于桌面上图像识别也不错。由于是C++代码，所以只能封装成DLL供易语言调用。功能很多，但时间有限，只封装了两个功能。有兴趣可以自行封装。

前言: 开源的opencv真是一件伟大的产品，那么多个函数跟变量（具体多少还没数过）。要是结合起来综合运用几乎可以胜任任何有关图像识别和处理方面的工作。如果能更深入一点根据具体需要修改或优化里面的源码那更是如虎添翼。 花了点时间浏览了www.opencv.org.cn论坛里的所有贴子，还好不多才200多页。总体上对opencv里的一些常用函数功能作用大致有点了解，筛选一些跟元件识别有关的运用内容，但它论坛里的贴子回复的内容点到即止的居多。从网上下载了能搜到的教程跟代码全学习了解测试了一下，图像处理流程通常先开始都是要进行滤波，除燥，灰度，二值化后再轮廓识别等。 开始动手 经过多次好多次运行测试组合，终于有一次显示出意外的惊人效果，而且相当简单只是调用了几个函数而以，就可以有这样效果实在出人意料。第一个是进行元件中心点获取，也是直接调用函数再加点东西就可以得出元件的四个矩形顶点坐标，有这几个坐标就可以直接算出元件中间点所在的坐标了。如果要检测元件摆放角度是否是垂直90度，只要判断边宽的长度为最小或最大时就是垂直90度。 但这个矩形框无法测出元件具体角度。如截图: 测试视频地址:https://v.youku.com/v_show/id_XMjU5NzY5NTI0.html 不过，还有另外一个函数可以提供这个功能，调用后可以直接求出最小外接矩形和角度 如截图: 测试视频地址:https://v.youku.com/v_show/id_XMjYwMDMzMDc2.html 说明:里面的光源不行，临时用手电筒，和在光盘上插几个LED做环形灯做照明，无法做到无阴影显示。如果光源做的好，效果应该是非常精确稳定。 识别包含下面2种做法: opencv里需要的头文件跟库文件都已编译好放在和设置在当前程序目录下，就可不用安装opencv 也能直接编译。

用于多边形物体的检测，基于opencv.

本项目通过上位机树莓派（BCM2711）及下位机（STM32）芯片来实现机器人的行走、图像识别、物品搬运、环境温度监测以及安卓手机APP控制等功能。

师之友阅卷系统软件是完全免费的客观题（选择题）阅卷软件。软件基于当下最流行的图像识别技术，对考试客观题（选择题）进行阅卷分析的智能软件，是老师阅卷的得力帮手。软件使用者可以预先导入学生报名信息，如考号，班级，姓名等信息导入软件，然后选定本次阅卷的年级和科目，选择对应的答题卡类型（可定制），录入标准答案后，即可进行智能阅卷，最终可导出多种报表以提供给老师进行分析，重点讲解。重要的是，软件还支持自己设计制作答题卡哦

图像处理和图像识别中常用的OpenCV函数

INRIA Person 数据集用来对图像和视频中的直立行人进行检测。该数据集包含两类格式的数据，第一类为原始图像和相应的直立行人标注。第二类为标准化为 64x128 像素的直立性人正类和对应图片的负类图像。

微信小程序使用AI开放平台，实现图像识别和人脸融合wxapp-master.zip

MATLAB版本的KCF、DSST、fDSST、SAMF代码合集，顺带图片集 python版本的KCF、DSST算法代码合集，可以直接调用笔记本摄像头来运行，直接框选目标并显示跟踪框坐标，支持不暂停视频的情况下，框选目标，并且有python版本的对比三种算法的代码，即同时运行三种不同的算法，使用不同颜色的跟踪框表示，并计算跟踪效果。

CIFAR-100 是一个图像数据集，包含 60000 张 32x32 分辨率的彩色图像，根据图像内容被分为 100 个小类别，包括：airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck，10个大类下的10个小类，类别之间的交集为空。

包含原始数据，处理后的csv数据

这是 OpenCV 4.8.0 版本的 Android SDK，适用于 Android 平台的开发者。OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，包含了超过2500种优化的算法。这个 SDK 包含了所有你需要开始你的 OpenCV 项目的必要库和文件。下载后的文件格式为 ZIP，需要解压后使用

K210数据集采集脚本，通过按开发板上面的两个KEY进行照片的拍摄和图像类别的增加。

图像识别中中值滤波的FPGA实现，里面有完整代码和测试结果

复杂背景红外弱小目标视频 第二届“空天杯”的红外弱小目标数据集合成的视频数据集 红外图像中的弱小目标，目标属性包涵“弱"和“小’’两个方面：“弱’’是指目标在红外波长上所表现出来的强度，具体反映到所拍摄的红外图像上，就是指目标的灰度值；而“小’’是指目标的尺寸大小，也就是前面所述的成像面积很小，反映到红外图像上就是指目标所占的像素数目很少。 SPIE国际光学工程学会(Societyof Photo一0ptical Instrumentation Engineers，简记为SPIE)从1989年开始，几乎每年都会举办有关弱小目标检测技术的国际会议，研讨弱小目标检测技术的最新研究成果。根据SPIE的定义，成像尺寸小于整个成像区域0.12％的目标均可称为弱小目标(即当成像尺寸为256×256时，弱小目标应不超过81个像素，其目标尺寸在9*9以内)。

包括源码： 1、数据集获取 2、二进制数据集转换为图片 3、提取特征，HOG+Gabor 4、SVM训练结果 5、预测显示

著名的猫图像标注数据集（Cat Annotation Dataset），包含 10000张 各种类型和环境下猫的图像以及相应的猫轮廓位置标注信息。

LBP算法，返回直方图和特征点图像，支持Uniform Pattern

基于stm32f4的OV2640图像识别跟踪

基于中科视拓的Seetaface6编译 编译环境 Windows 10 22H2 + VS 2019 + Cmake + VC++14（运行的时候需要电脑里需要有VC++14的库） 编译了完整的官方原版功能： "人脸检测"、"5点特征点"、"68点特征点"、"活体检测"、"五官遮挡检测"、"年龄检测"、"性别检测"、"口罩检测"、"眼睛开闭检测"、"清晰度评估"、"明亮度评估"、"分辨率评估"、"姿态评估"、"人脸完整性评估"、"人脸跟踪"、"人脸识别" 编译了CPU和GPU两个版本。可以直接离线使用 Windows 10系统下可正常调用。 GPU版本是基于CUDA12编译的。安培架构之前的显卡可以使用。也就是30系显卡之前的显卡。 Github源码：https://github.com/SeetaFace6Open/index 官方文档：https://github.com/seetafaceengine/SeetaFaceTutorial 另外需要正常使用还需要下载官方的模型，总计14个模型。 https://pan.baidu.com/share/in

Labview机器视觉-USB摄像头识别二维码-完整程序。基于NI-VISION的视觉识别，需要安装好对应的扩展。使用USB摄像头，在程序中实时识别和解码二维码。使用程序前注意先阅读read me.txt文件，选择好摄像头编号，便可在前面板中实时识别二维码。如果想要了解代码中每个vi的作用，可以在我的博客主页搜索《【Labview机器视觉】- USB摄像头识别和解码二维码 - 学习记录》该文章并学习，感谢您的支持和鼓励！

本代码来源于《VC数字图像处理典型案例详解》，使用VS2008+OpenCV2.1开发。程序使用步骤： 1.首先单击载入图像菜单项（载入车辆图像）,图像在images文件夹下面。 2.然后单击车牌定位与识别单项，依次进行车牌提取、倾斜校正、字符分割、字符识别。

此安装包用于指导pycharm 中安装opencv，内含.whl文件，并指导如何检测安装成功

本程序是当时做2018江苏省电赛信号题D题手势识别时加的一个拓展功能，题目要求是用FDC2214硬件做的手势识别，我们这里拓展了一个摄像头识别手势的程序，要单独用一块k66开发板和一个OV7725小钻风摄像头，手势识别算法还是比较稳定的，只需把手放在一块黑布上面，摄像头对准黑布和手就可以识别出来手指个数。 喜欢图像识别、手势识别或摄像头的电子爱好者不妨参考一下！

视觉变压器 Pytorch重新实现了针对随论文 ，Alexey Dosovitskiy，Lucas Beyer，Alexander Kolesnikov，Dirk Weissenborn，翟小华，Thomas Unterthiner，Mostafa Dehghani一起发布， Matthias Minderer，Georg Heigold，Sylvain Gelly，Jakob Uszkoreit和Neil Houlsby。 本文表明，将Transformers直接应用于图像补丁并在大型数据集上进行预训练，在图像识别任务上确实能很好地工作。 Vision Transformer使用标准的Transformer编码器和固定大小的补丁程序，可以实现图像识别任务中的最新技术。为了执行分类，作者使用了在序列中添加一个额外的可学习的“分类令牌”的标准方法。 用法 1.下载经过预先​​训练的模型（

yolov5 部署到net

本课程将以理论加实践的方式，带你深入理解深度学习基础和图像分类任务。通过GPU平台训练自己的代码，真正做到现学现用！ 代码逐行分析！！！ 课程大纲：  知识基础要求(1) 熟悉基本Python语法 (2) 基本数学知识 (3) 对深度学习有一定理论的认识 教学目标通过理论与代码实践教学，使学员能够 (1) 掌握深度学习基础理论知识 (2) 熟悉并理解深度学习图像分类的理论知识并进行项目实战。 (4) 通过在线 GPU 训练深度学习代码( PyTorch 框架) 其他说明： 注意：本课程费用不包括GPU、答疑等。

用于深度学习图像识别，使用python语言写的

我自己整理好的图像识别资料，可以广泛应用于多种工程实践，具有很好的参考价值

做了一年多的智能车，积累了不少资料，把认为比较重要的几篇发给大家学习交流。里面主要是：路径识别、模糊控制、图像识别、 黑线提取等的一些经典论文，大部分是硕士毕业论文。 论文题目： 1、基于路径识别的巡线机器人控制系统设计 2、基于视觉的智能车模糊PID控制算法 3、摄像头黑线识别算法和赛车行驶控制策略 4、图像采集与处理在智能车系统中的应用 。。。。。

01-Linux基础 02-Python基础 05-面向对象 06-MySQL 07-网络编程 08-多线程 09-MongoDB数据库 10-正则表达式 11-Git 13-HTML&CSS 15-前端项目 21-爬虫 23-Numpy基础,数据分析 24-机器学习介绍 25-决策树 26-朴素贝叶斯分类 27-支持向量机,聚类 28-推荐引擎，自然语言 29-语言识别。图像识别 30-人脸识别

道路裂缝图像分割数据集，已划分好训练测试验证集。

利用AI驱动的HuskyLens模块，使诸如图像识别和对象检测之类的复杂任务变得简单，并在LoRa上传输该数据。 硬件部件: Arduino 101和Genuino 101×1个 NodeMCU ESP8266分支板×1个 DFHuskyLens机器人×1个 RYLR907×1个 软件应用程序和在线服务: Arduino IDE 在这个项目中，我们将看看DFRobot的HuskyLens。它是一款由AI驱动的相机模块，能够执行多种人工智能操作，例如人脸识别，对象识别和线条识别等。 它有点类似于我们在这个项目中讨论过的MatchX模块。由于MatchX模块有点贵，因此我决定自己做类似的事情，为此，我发现HuskyLens是一个不错的选择，因为与MatchX模块相比，它更便宜，并且可以完成MatchX可以做的所有事情，除了数据传输，为此，我们将把Huskylens模块与Reyax的RYLR907 LoRa模块连接起来，我们会做的很好。连接之后，我们将使用此HuskyLens检测对象，并使用LoRa模块将检测到的数据发送到接收方的另一个LoRa模块。

majsoul_wrapper 是一款猫粮工作室开发的一款多人在线日本麻将游戏。 majsoul_wrapper封装了基于websocket抓包的输入接口(input)与基于图像识别的鼠标操作输出接口(output)，作为sdk供第三方AI调用，以实现自动化在《雀魂》中打麻将。一个使用majsoul_wrapper的MajsoulAI示例可以参考。 使用说明 开启mitmproxy majsoul_wrapper使用以中间人攻击(Man-in-the-middle Attack)的形式抓取经过代理服务器的网络通信。 如果你还没有安装mitmproxy，那么需要先安装: $pip install mitmproxy $mitmdump --version 如果你正处在majsoul_wrapper的目录中，可以通过以下命令开启mitmproxy控制台进程: $mitmdump -s addo

Caltech-UCSD Birds 200 是一个鸟类图片数据集，包含 200 不同种鸟类，共计 11788 张图片。

课程主要学习树莓派的一些基础知识和一些常规的操作和安装软件出现的常见问题以及学习基于树莓派的一些项目，避免新手入坑。例如：从安装系统——远程桌面控制——中文界面的设置——密码的设置—— 安装输入法 ——Linux基础命令——文件操作——树莓派摄像头的使用 ——基于树莓派人脸识别——语音识别——图像识别——语音播报——OpenCV2的安装——无论是新手还是树莓派爱好者希望能在里边共同学习到一些树莓派知识和使用方法。

MajsoulAI MajsoulAI项目旨在实现在《雀魂》中用AI代替玩家打麻将。MajsoulAI前端使用通过监听《雀魂》websocket对局信息作为输入，以基于图像识别的模拟鼠标点击作为输出。MajsoulAI后端桥接至一个开源的天凤麻将AI()。 使用说明 运行环境 运行时环境推荐使用，以Win10系统python 3.7.7版本为例，首先建立一个venv环境并激活： $python -m venv ./venv $cmd $.\venv\Scripts\activate.bat 然后安装必要的依赖： $python -m pip install --upgrade pip $pip install -r requirements.txt 一个特殊的依赖是pytorch，由于其版本与安装方式经常变化，建议参考选择合适的版本的安装命令，例如当前最新的Windows-Pip-Cuda

头像资源打包集合下载 海边风景头像500张打包， 可以用来随机生成头像使用。 也可以满足个人微信QQ微博等社交渠道作为头像

安卓opencv4.5.0 完整demo、sdk及说明，可用于安卓图像视频处理，Android studio导入直接使用

可以用于开发机器人视觉系统。用于桌面上图像识别也不错。由于是C++代码，所以只能封装成DLL供易语言调用。功能很多，但时间有限，只封装了两个功能。有兴趣可以自行封装。

基于svm的手写数字图像识别以及数字图像的特征提取

Caltech-256 是一个图像物体识别数据集，包含 30608 张图片，256个物体类别，每类图片最少80张，最多827张。