提出了一种基于深度学习的车位智能检测方法。利用TensorFlow深度学习平台对车辆目标识别模型进行了训练, 提取了有效车辆图像的优化间隔, 给出了车辆分布的精准识别结果, 实现了对车辆分布识别结果的有序编号和车位空缺状况的准确判断。利用模拟数据和实际采集数据, 分别验证了车位分布的智能识别、车位智能编号和空车位判断的可靠性。

针对海面背景舰船目标单一波段图像识别率低的问题, 提出了一种基于卷积神经网络(CNN)的融合识别方法。该方法提取可见光、中波红外和长波红外3个波段舰船目标特征进行融合识别。模型主要分为3个步骤：通过设计的6层CNN, 同时对三波段图像进行特征提取; 利用基于互信息的特征选择方法对串联的三波段特征向量按照重要性进行排序, 并按照图像清晰度评价指标选取固定长度的特征向量作为目标识别依据; 通过额外的2个全连接层和输出层进行回归训练。采用自建的三波段舰船图像数据库进行模型的训练和测试, 共包含6类目标, 5000余张图像。实验结果表明, 本文方法识别率达到84.5%, 与单波段识别方法相比有明显提升。

对遥感图像数据进行智能目标识别及场景理解，参赛者需要基于一定体量的数据集训练模型，在测试集中完成对大型场景类地物目标（包括：桥梁、港口、机场）与密集型关键目标（包括：油罐、船只、飞机）的快速准确识别，并对整体场景进行分析与理解。本赛题着重考核当训练样本具有不同地面分辨率、数据量有限的特点时，算法的鲁棒性及泛化能力，综合考量识别的准确性和速度。

YOLO3 目标识别在OpenCV3.4.2中用C++实现。YOLO: Real-Time Object Detection,You only look once (YOLO) is a state-of-the-art, real-time object detection system. On a Pascal Titan X it processes images at 30 FPS and has a mAP of 57.9% on COCO test-dev.我用i7 8700K CPU跑，每张图片只需要160ms左右，速度还是蛮快的了。

_嵌入SENet结构的改进YOLOV3目标识别算法，论文，非常好的学习YOLO的论文。

用于目标识别跟踪的图片序列素材，有车，行人，熊猫视频的图片序列（已存为图片序列）等。有七份

此文档是小编使用传统方法，对图像进行sobel算子、灰度化、形态学腐蚀膨胀、矩形框标记进行目标识别的原始代码（可以正常运行），适用于图像处理基础，很好的理解传统目标检测流程。

基于OpenCV的红点识别，对做图像目标识别跟踪领域方面工作的有启发.

代码简单，有中文注解，是从书上敲下来，应该不会有大错误

Matlab在图像处理与目标识别方面的应用实验的几个示例-Matlab在图像处理与目标识别.rar Matlab在图像处理与目标识别方面的应用实验 一、染色体识别与统计 二、汽车牌照定位与字符识别 三、基于BP神经网络识别字符的简单实验