Face-Recognition 基于jsp+servlet+javabean+opencv实现的人脸识别项目 该网站是以OpenCV视觉图像库为核心，可对用户的头像图片进行训练，进而形成该用户的训练集。当上传一名该用户的头像时，可在网站中进行检索，返回用户的基本个人信息。网站包括用户的登陆注册功能，完善个人信息，上传图片与信息回显等基本功能。

语音识别技术越来越多地用于电话应用，例如旅行预订和信息，金融帐户信息，客户服务呼叫路由和目录服务。 使用受约束的语法识别，此类应用程序可以实现非常高的准确性。 随着实现这种语音激活系统的成本下降并且这些系统的实用性和有效性得到了提高，语音识别技术的研究和开发持续增长。 例如，为电话应用程序优化的识别系统通常可以提供有关特定识别的置信度的信息，如果置信度低，则可以触发该应用程序以提示呼叫者确认或重复他们的请求。 索引词：语音，识别，验证，声音，孤立，单词。

Pattern Recognition And Machine Learning 中文版，经典中的经典，终于有了中文版。

生物识别技术是计算机辅助个人识别的最重要和最可靠的方法之一。 它具有广泛的应用，包括国民身份证等政府计划、签证和签证处理以及反恐战争，以及在逻辑和物理访问控制等领域的个人应用。 虹膜识别是最准确的个人身份生物识别技术，正因如此，它在需要高安全性的政府部门的身份管理中得到了应用。 索引词：Matlab、源码、代码、虹膜、识别、一对一、一对多、验证、识别、匹配。

马氏距离matlab代码手势连续识别的比较研究 该存储库包含Matlab代码，用于与连续手势识别方法之间的比较： M1是一种使用高斯混合模型和高斯混合回归对手势建模并使用马哈拉诺比斯距离对每个手势进行概率分类的方法。 如果相关联的概率超过某些阈值，则将检测到手势实例。 SLOTH是一种使用长期短期记忆递归神经网络（LSTM-RNN）作为概率分类器的方法。 将随时间变化的概率行为与预期行为进行比较，以检测手势。 “ Data_Feeding”模块加载存储在data文件夹中的示例序列，对SLOTH的数据进行下采样，并根据滑动窗口技术提供两种方法。 每种方法的手势识别过程的结果都显示在一个绘图中。 已经在论文“使用模糊逻辑来增强人类运动图元的分类”中进行了介绍。 有关更多信息，请参考此出版物。 SLOTH已在论文“使用递归神经网络和可穿戴传感器进行的在线手势识别”中提出。 有关更多信息，请参考此出版物。 两种方法之间的比较研究结果已提交给意大利人工智能协会第17届国际会议。 作者 亚历山德罗·卡菲（AlessandroCarfì），部门。 DIBRISUniversitàdegli Stud

口语数字识别 :studio_microphone: LSTM语音数字识别 内容 概述 语音数字识别是一个隔离的单词识别系统，可转录0-9之间的各个语音号码。 数据集 使用免费语音数字数据集（FSDD）来训练该模型，该模型具有来自3位讲英语且带有重音的扬声器的1,500张录音。 该模型接受了1,470张唱片的训练，并在30张唱片上进行了测试。 模型与训练 该模型包括： LSTM层 全连接层 损失函数：分类交叉熵 优化算法：亚当 模型在300个时代进行了训练。 改进和要添加的功能 数据集需要更多不同类型的发言人，包括不同性别和不同口音的人，以便该系统在世界范围内正常运行 模型本身可以改进 使用更好的培训/测试策略 具有使用自己的声音来测试模型的界面，使前端易于与模型进行交互 改善模型性能 基本上，这是我的实验，旨在了解如何构建仅检测语音数字的语音识别系统。 用法 python spoke_digit.py为了运行

光学字符识别（OCR）的目的是对字母数字或其他字符对应的光学模式（通常包含在数字图像中）进行分类。OCR的过程包括几个步骤，包括分割、特征提取和分类。该程序使用图像处理工具箱来获取。

从面部表情实时情感分析 从面部表情实时进行人类情绪分析。 它使用了深度的卷积神经网络。 使用的模型在测试数据上的准确性达到63％。 实时分析器为当前情绪分配合适的表情符号。 模型实现是在keras中完成的。 一些预测的输出： 使用的表情符号： 实时情绪分析器快照 从图中可以明显看出，给定帧的模型预测是中性的。 模型架构 文件清单 facial Emotions.ipynb ：Jupyter笔记本，具有记录完整的代码，从开始到培训都说明模型准备。 可用于重新训练模型。 main.py ：主python webcam_utils ：用于从面部实时检测情绪的代码prediction_utils ：

印第安手语识别 您好，该存储库包含用于识别印度手语（ISL）手势的python实现。 由于研究较少，因此网络上没有可用的标准数据集。 因此，我们决定创建自己的手势图像。 ISL数据集包含所有字母（AZ）和数字（1-9），总类别=35。每个类别具有1200张图像。 由于涉及两只手并且由于复杂性，ISL手势实际上很难识别。 为了对图像进行分类，已使用SVM实现了词袋（弓）模型。 70:30的比例已用于训练和测试拆分。 使用这种方法，模型可以提供大约99％的准确度，而错误率却非常低。 手势 数据集中使用的所有手势均在下图所示的带有标签的图像中。 必需的设置 python 2.7（不适用于较高版本，因为openCV不支持SURF功能） opencv-python的== 3.4.2.16 opencv-contrib-python == 3.4.2.16 麻木 盗用者 执行 该实现遵循以下几个

Face-Recognition-by-CNN.zip，这是一份不错的文件