通过简单的图像识别算法来完成验证码识别

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：车辆检测方法_matlab_车辆识别算法程序.zip 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

function [face_a,skin_region]=face(I); skin_region=skin(I); se = strel('disk',5); se2 = strel('disk',3); er = imerode(skin_region,se2); cl = imclose(er,se); dil = imdilate(cl,se); % morphologic dilation dil = imdilate(dil,se); cl2 = imclose(dil,se); d2 = imfill(cl2, 'holes'); % morphologic fill facearea = bwdist(~d2); % computing minimal euclidean distance to non-white pixel % figure;imshow(facearea,[]); % imshow(d2); face(:,:,1)=double(I(:,:,1)).*d2; face(:,:,2)=double(I(:,:,2)).*d2; face(:,:,3)=double(I(:,:,3)).*d2; face_a=uint8(face);

SupPlate车牌识别系统软件----经得起考验的车牌识别。 带视频跟踪车辆功能，可用于十字路口和路段上卡口违法抓拍. 可检测闯红灯,压实线,压双黄,变道行驶,禁左、直、右转,逆行,违法停车. 有着非常强大的功能。 厦门宸天电子科技有限公司 网站 : http://www.dragonskytech.com 可下载识别演示和sdk开发包。 SupPlate集视频检测卡口,闯红灯电子警察,逆行检测为一体,抓拍率全天候约90%,有效率大于80%。 可很好识别高清照片，对于图像质量差的高清图片，可较好识别。 SupPlate车牌识别是在厦门宸天电子科技有限公司图像处理研发团队经过几年不断精心设计和努力开发的产品。 可识别各种大陆的车牌，包括蓝牌和黑牌，黄牌和白牌，其中黑牌可识别港、澳车牌；黄牌可以识别单排黄色车牌，大型车后车牌和摩托车牌；白牌可以识别包括警车，武警车牌和军车。还可识别香港、澳门地区的车牌，南非和印度尼西亚的车牌识别也有实际应用。 宸天SupPlate车牌识别有以下几大特点： (1):对图像质量要求不敏感：即使图片中车牌处于背光、泛白的情况下(术语对比度低) ,或者车牌字符出现断裂、遮挡、有污渍、模糊、掉漆等等情况，本车牌识别都可较好的识别出来； (2):对图像大小格式要求不严格：可以识别任意大小的图片，在默认参数下车牌字符高度在7～45的范围内，均可识别，对施工要求不是很高； (3): 识别速度快：在P4 2.0 ,512M 机器下768*288图片识别时间不超过50毫秒,如果针对移动实时的可小于30毫秒。 (4):集卡口，闯红灯，逆行，压双黄，移动电子警察等功能为一体，性价比国内最高。 (5):可识别高清晰图片，最大可以获取4个车牌号码。识别500万象素的图像,不超过300毫秒. 特别说明的是：本系统在768*288的图片下识别率极强(对任意质量的图片基本保持在98%以上)，识别准确率较高(全天候约90％),其他大小的图片均可较好的识别。 非常优秀的功能：视频检测和车牌识别一体的识别控件（OCX形式），集成1394与DV连接的移动电子警察功能,录像识别功能.还把摄像机的闯红灯电子警察，路段式卡口和逆行检测融合为一体，在抓拍违法车辆和经过车辆后进行车牌识别，并给出车辆图片(2张全景，1张特写)，车辆信息(车型，车速，经过时间等)，违法信息(正常，闯红灯，逆行，超速等)和车牌信息(车牌号码，车牌颜色，车牌在图像位置信息等)。卡口最多可支持2方向8车道,闯红灯最大可支持4方向,16个车道，替代线圈检测，省去破路面，埋线圈，线圈检测器和系统状态监控器的费用，为用户节约很大一部分的成本。本控件视频检测全天抓拍率大于95%，车牌识别率超过98%，识别准确率约90%,已在国内大量实际应用。 技术服务 QQ :506268930 欢迎加为好友,方便联系. http://www.dragonskytech.com 电话：0592－5622436 5616833

人脸识别是生物识别的一个重要研究方向，随着众多学者的不断努力和长期探索，人脸识别取得了诸多成就，但对于问题的彻底解决还存在一定的距离。近年来诸多学者在神经网络的基础上提出了深度学习，由于其超强的学习能力，现阶段己成为神经网络的主要研究方向。深度学习的提出，为人脸识别问题的彻底解决提供了新的思路。本文利用深度学习算法进行人脸识别，进一步改善人脸识别效果。

卷 积 神 经 网 络 (convolutional neural networks, CNN)是 深 度 学 习 技 术 应用最成熟的模型之一，卷积神经网络算法可以从原始输入中有效学习到高阶不变性的特征，利用卷积神经网络来提取特征进行目标识别和分析是当前 比 较 热 的 研 究 方 向 。 目 前 CNN 主 要 以 单 机 串 行 方 式 实 现 ， 串 行 执 行 的CNN 算 法 存 在 一 些 缺 陷 ：一 是 串 行 模 式 凸 显 出 训 练 时 间 过 长 ，算 法 内 在 并行性得不到发挥，内存不足等；二是伸缩性不足，在处理密集型数据效率不 高 。现 今 比 较 流 行 的 MapReduce 分 布 式 计 算 模 型 具 有 良 好 的 容 错 性 和 扩展 性 ， 本 文 利 用 Hadoop 分 布 式 处 理 平 台 ， 提 出 了 采 用 MapReduce 并 行 CNN 的 算 法 MRCNN。 并 在 MRCNN 算 法 基 础 上 持 续 进 行 优 化 ， 提 出 利 用GPU 加 速 MRCNN 算 法

在研究人脸识别技术的过程中，针对浅度特征（ＬＢＰ、ＳＩＦＴ、ＨＯＧ、Ｇａｂｏｒ等）对人脸特征表达效果不理想的问题，提出了一种基于多特征融合的深度学习人脸识别方 法。该方法首先要用局部二值算法提取人脸局部纹理特征，然后对深度网络模型进行构建，并利用深度卷积网络的共享权值和池化、下采样等技术降低模型的复杂度。在构建后的模型顶层形成人脸图像特征分类面，通过训练后得到完好的深度网络模型，利用该模型对人脸图像进行特征提取，能够有效的完成对人脸图像的识别。实验效果很好的证明了基于多特征融合的深度学习人脸识别方法对人脸特征表达效果良好，显著提高了人脸识别的准确率。

计算机视觉“探奇”：深度剖析基于飞桨的人体姿态识别算法 计算机视觉.pdf

图像-R用户的计算机视觉和图像识别算法 该存储库包含一组R软件包，这些软件包执行图像算法，而其他R软件包（如 ， 或目前不提供这些算法。 由于许可证不同，这些算法被放入不同的程序包中。 当前，以下R软件包可用： 包 功能性 执照 细节 image.CornerDetectionF9 FAST-9角落检测图像 BSD-2 image.CornerDetectionHarris 哈里斯角检测图像 BSD-2 image.LineSegmentDetector 图像的线段检测器（LSD） AGPL-3 image.ContourDetector 图像的无监督平滑轮廓线检测 AGPL-3

LDA线性辨别分析的人脸识别算法，采用KNN分类，用于实现人脸识别。