OpenCV-2.4.6.0

MSP430

基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CN

1、imshow展示图像大小随意调整 2、常规图形检测实例 3、检测图形轮廓demo 4、检测多个轮廓取轮廓拟合，取最小能包围住物体的轮廓 5、边缘检测，梯度算法

opencv android sdk

python红绿灯检测opencv识别红绿灯信号灯检测 效果简介：https://blog.csdn.net/xifenglie123321/article/details/124653316

目标检测-RCNN.pptx 图像识别（classification）： 输入：图片 输出：物体的类别 评估方法：准确率 定位（localization）： 输入：图片 输出：方框在图片中的位置（x,y,w,h） 评估方法：检测评价函数 intersection-over-union ( IOU ) 卷积神经网络CNN已经帮我们完成了图像识别（判定是猫还是狗）的任务了，我们只需要添加一些额外的功能来完成定位任务即可 物体检测需要定位出物体的bounding box，就像下面的图片一样，我们不仅要定位出车辆的bounding box 我们还要识别出bounding box 里面的物体就是车辆。对于bounding box的定位精度，有一个很重要的概念，因为我们算法不可能百分百跟人工标注的数据完全匹配，因此就存在一个定位精度评价公式：IOU

TruthEyeTool 比软好的opencv深度学习软件 比VIDI deepmind优秀 主要是功能模块都有，适合学习研究

Opencv项目中人脸识别模型文件

opencv_contrib_python-3.4.9.33-cp36-cp36m-manylinux1_x86_64.whl