matlab人脸识别，口罩遮挡条件下的人脸识别，人脸考勤，口罩检测，条码识别，花卉识别，试卷分数录入，公式识别，路标识别，条形码识别等。 CNN神经网络，SVM、决策树等机器学习，GUI界面设计。 >传统机器学习算法 >深度学习神经网络 >GUI 界面搭建优化 秉持质量第一的原则，系统能得到较高的准确度，完成目标检测的任务要求。 985本硕，设计目标检测算法，包运行，可提供讲解，人很耐心，可以手把手教会你程序的逻辑，提出你的想法吧！保证你不后悔~~~ 可以先下载预览程序和GUI界面，也可以提出自己的需求，适合自己的才是最好的！

本文介绍了一种基于图像生成对抗网络的算法，用于感知遮挡人脸的还原。该算法通过对抗网络的生成器和判别器进行训练，实现了对遮挡人脸的还原。实验结果表明，该算法在还原遮挡人脸方面具有较好的效果。本文的研究对于提高人脸识别的准确性和安全性具有重要意义。

解决在弹出输入法时，布局被遮挡的问题，如果觉得还不错的话，给个好评呗。(*^_^*)

考虑雪崩击穿效应，以光伏电池元双二极管模型为基础，建立了适用于分析光伏电池部分被遮光问题的数学仿真模型，并利用户外实验验证了模型的正确性。运用此模型分析了单片空间太阳电池在反向偏压下的输出特性和串联组件在不同阴影遮挡情况下的I-V,P-V特性及输出能力。结果表明，空间太阳电池串联组件从无阴影遮挡到40%阴影遮挡，最大输出功率下降40%。串联组件输出功率随单片空间太阳电池遮挡比例的增大迅速下降；从遮挡1/5片,2/5片到整片被阴影遮挡，相应最大输出功率分别下降7.36%,25.81%与97.94%。

传统MeanShift目标跟踪算法通过bin-bin颜色直方图表示目标特征，直方图中往往会混入背景颜色信息，造成跟踪不准确；同时由于MeanShift算法具有局部最优性，当目标受到严重遮挡丢失后，不能对目标重新定位跟踪。为了解决上述问题，在颜色直方图和抗遮挡能力方面进行了改进。利用交叉bin颜色直方图代替传统的bin-bin颜色直方图表示目标特征，减少背景颜色的干扰，提高MeanShift算法跟踪精度；当目标受到严重遮挡丢失后，通过一种尺度变化调整机制，在全局范围内搜索目标位置，提高MeanShift算法抗遮挡能力。实验显示，改进后的算法不仅在背景干扰大时对目标的跟踪精度更高，而且当目标受到严重遮挡丢失后，也能够对目标重新定位跟踪。

有时，某些文本注释的确切位置并不重要。 这就像 TEXT（包括属性调用）一样工作，只是没有指定 X、Y 位置。 子例程 TSCAN（从 Matlab LSCAN 例程修改而来）自动放置文本，优先放置下/左角。

将传统均值漂移算法进行改进，针对有遮挡，目标快速变化以及目标尺度变化等情况进行改进

作业要求将图片前景的黑色栏杆去除，恢复遮挡部分。要求修改的图片有两张，第一张图片的前景栏杆较窄，第二张图片的前景栏杆大部分较窄，有一根栏杆较粗。 为了去除遮挡部分，首先需要找到遮挡部分的位置，即 mask，这一步使用一系列图像处理的方法来完成。 针对第一张图片，由于遮挡物较窄，我使用了 Fast Marching Method 算法来实现去遮挡，该算法运算较快，对窄遮挡物去除效果较好，但对宽遮挡物（宽度大于 15 像素）进行修复时会出现模糊现象(Telea, 2004)。因此，针对第二张图片的宽栏杆部分，我使用了 criminisi 算法来进行修复，该算法运算较慢，但对宽遮挡物修复效果极佳(Criminisi, Perez, &Toyama, 2003)。 此外，我对 criminisi 算法做了一点改动，大大提高了它的运算速度，同时保证修复质量。 为了便于可执行文件的使用，我制作简单的 UI 界面。 去遮挡算法难以用矩阵运算实现，只能使用 for 循环，因此运算速度整体较慢。为了减少运算时间，我缩小了图片尺寸。

基于形态学算子的车辆遮挡检测与分割算法 现代汽车工业的Swift发展促进了道路交通的发展，并增加了汽车数量。 各种各样的道路交通问题导致汽车数量激增，从而推动了ITS（智能交通系统）的诞生。 视频车辆检测是ITS的重要研究。 在实际的交通监控视频中，由于摄像头的光轴与路面之间的角度较小，因此被捕获的车辆往往会相互重叠，这会在检测到的图像中引起粘连。 因此，遮挡车辆的检测和分割是视频车辆检测研究的重要组成部分。 遮挡车辆检测和分割算法的研究基本上可以分为三个方向：第一，基于视频流；第二，基于视频流。 第二，基于图像形态学； 第三，基于车辆和情景建模。 其中，基于形态学的算法由于其相对较高的准确性和效率而成为近年来国内外研究的热点。 本文的主要方向也将是基于形态学的算法。 本文的主要工作： 通过腐蚀将凹面图像分成几个相连的区域； 确定每个连接区域，并检测附着力； 通过形态学方法找到分

桌面整理+透明状态栏+小图标，避免遮挡