该程序车牌识别总体分为三步： 车牌定位-->车牌检测-->车牌字符识别

字符分割和字符识别项目，包含项目收集数据集和cnn模型，以及项目的说明资料 项目语言：C++11 项目平台：Microsoft Visual Studio 2015 计算机视觉库：Opencv 3.2+opencv-contrib V3.1 cmake3.8.1 源码编译 SVM: Libsvm ANN： Opencv CNN: Caffe 该项目以数字图像处理和机器学习为基础，以1485张图片组成的原始数据集为出发点，研究了如何从原始图片集中得到用于分类器训练的数据集；针对车牌区域特点和输入图片的全局特点，提出了四种不同的可能的车牌区域提取方法，经过校正后得到车牌区域候选人；参考自然场景下的文本检测方法和车牌中的字符分布特点，对车牌候选区域提取改进的最大稳定极值区域，通过使用非极大值抑制和区域校正得到字符候选人，通过字符判断分类器和字符搜索，实现非车牌区域的滤除和车牌区域7个字符的提取，其中字符判断使用基于20个描述性特征的支持向量机实现；通过使用金字塔梯度方向直方图特征得到了用于数字和字母识别的三层BP神经网络模型，定义了10层的卷积神经网络模型MyLeNet实现汉字的识别。

基本步骤： 车牌定位->转灰度图->Otus分割->开运算->提取连通区域->显示最终结果

卷积神经网络，研究综述，pdf，CNN,

基于CNN卷积神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上

基于CNN卷积神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上

基于CNN卷积神经网络的数据回归预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据回归预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据回归预测（Matlab完整程序和数据） 运行版本2018及以上

贝叶斯优化CNN-RNN时间序列预测（Matlab完整程序） 贝叶斯优化CNN-LSTM时间序列预测（Matlab完整程序） 贝叶斯优化CNN-BiLSTM时间序列预测（Matlab完整程序）

SoC星级建模 介绍 我们项目的目的是制作一个模型，该模型给出夜空的图像，识别其中存在的星座。 为此，我们使用CNN分类器，并使用Stellarium API生成所需的数据集。 程序 产生资料 我们制作了一个，可以拍摄夜空的随机图像快照。 该脚本指向一个随意的姿势，并拍摄了天空的屏幕截图。 每个星群中可见的星星分数是使用星星的坐标，视角和FOV，图像的纵横比来计算的。 大多数大气和天文影响（大气，闪烁，流星，行星，黄道光）被排除在外，而某些（银河系，震级限制）保持启用状态。 图像最初是1920x1080，但我们使用了按比例缩小的256x144图像来训练CNN。 使用此脚本，我们制作了10000个训练图像和1000个测试图像： 财产 价值 视场 60度 磁限 6 长宽比 16：9 投影 看法 使用CNN VGG16 现在，在获得数据集之后，我们创建了一个模型，该模型给出了图像，该图像告

基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包）