基于卷积神经网络级联人脸关键点检测算法.docx

基于卷积神经网络的森林火灾烟雾探测算法研究.docx

基于卷积神经网络的梵高作品风格转换.docx

基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究.docx

提出了一种基于卷积神经网络的前方车辆检测方法。首先，根据车底阴影特征，运用基于边缘增强的路面检测算法以及车底阴影自适应分割算法来分割并形成车底候选区域，以解决路面灰度分布不均及光照条件变化问题；其次，运用针对道路交通环境的卷积神经网络结 构，建立图像样本库进行网络训练；在此基础上，采用基于卷积神经网络识别的方法以验证并剔除被误检测为车底阴影的候选区域，进而确定真正的车辆目标；最后，修改网络为三分类识别，以验证本文方法的强扩展性的优势。实验结果表明：本文提出的车辆检测方法能够很好地区分车底阴影和非车底阴影干扰，有效地提高车辆检测的准确率和可靠性，降低误检率。

项目简介 用搭载Keras的tensorflow框架通过卷积神经网络训练模型，使用贝叶斯分类器识别人类的情绪。 根据情绪选择相应的emoji匹配 （更多详情请打开FaceEmotionClassifier.ipynb文件） 项目环境 数据集： Fer2013 ( kaggle挑战赛 ) ，Emoji表情集 神经网络框架： Keras,Tensorflow-gpu 分类器： 基于Opencv-Normal Bayes Classifier(正态贝叶斯分类)训练的贝叶斯分类器 配置环境： python==3.6.0 tensorflow-gpu==1.8.0 keras-gpu==2.1.6 opencv==3.3.1 其他环境详见：environment.yaml

这是我的学士论文。 主要用于欧洲的车牌。 训练集的照片主要是在汽车尾部和头部的停车场拍摄的。 因为神经网络的训练是EXTREMELY TARGETED，例如：如果你的测试照片和我的训练集（包括分辨率、场景、颜色）有很大的差异，就会导致识别不准确。 在这种情况下，您可以使用文件中的两个训练函数来训练您需要识别的场景。 由于我个人能力，没有大数据集提供给我，我的训练数据也只有几百张图片。 如果您有更多的训练数据，则可以获得更好的结果。 车牌识别由三部分组成： 1.图像预处理2.车牌定位3.字符识别 定位模块： 主要思想是首先在适当的图像预处理（形态学处理）后搜索8个连通区域。 如果这一步成功，8-connectivty 捕获的区域通常比神经网络锁定的区域更准确。 车牌和类似标志具有不同于周边区域的明显区域特征：车牌与其周边区域没有通过共同特征连接。 整个预处理图像被二值化并存储在逻辑矩阵中

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

卷积神经网络；分类识别；数据增强与预处理；实时检测；

基于卷积神经网络的车辆检测与分类