Learning OpenCV 3 Computer Vision with Python

opencv-java-tutorials：使用Java的OpenCV教程的源代码

卷积递归神经网络 该软件实现了卷积递归神经网络（CRNN），它结合了CNN，RNN和CTC损失，可用于基于图像的序列识别任务，例如场景文本识别和OCR。 有关详细信息，请参阅我们的论文 。 更新2017年3月14日，一个Docker文件已添加到项目中。 感谢 。 UPDATE 2017年5月1日一PyTorch已作出 。 更新2017年6月19日对于端到端文本检测器+识别器，请通过签出 。 建立 该软件仅在Ubuntu 14.04（x64）上经过测试。 需要启用CUDA的GPU。 要构建项目，请首先安装最新版本的 ， 和LMDB。 请分别遵循其安装说明。 在Ubuntu上，可以通过apt-get install liblmdb-dev 。 要构建项目，请转到src/并执行sh build_cpp.sh来构建C ++代码。 如果成功，则应在src/目录中生成一个名为libcrnn.so的文件。 运行演示 演示程序可以在src/demo.lua找到。 在运行演示之前，请从下载预训练的模型。 将下载的模型文件crnn_demo_model.t7放入目录model/crnn_demo/

视频异常检测 目的 具有多种算法的视频异常检测系统，并提供实时支持。 目前实施的方法 对于每种方法，都应该有一个jupyter笔记本，评估支持（进行样本测试并输出是否异常）和实时支持。 方法 笔记本状态 评估支持 实时支持 去做 做完了 去做 做完了 去做 去做 构型 通过复制Config.py.example创建一个新的Config.py，其中包含以下参数。 DATASET_PATH ：USCDped1 / Train目录的路径。 SINGLE_TEST_PATH ：要运行的测试样本。 RELOAD_DATASET ：布尔参数。 如果是第一次读取数据库，则设置为True否则从缓存中读

Computer Vision: Algorithms and Applications 机器视觉算法与应用 作者Richard Szeliski 2010 文字版，可编辑

DehazeZoo（基于单个图像与视频） ，李玉凤，黄玉凤 1说明 DehazeZoo：一项关于从视频和单个图像中去除雾霾的调查。维护论文，代码和数据集。 感谢有分享 。 有关图像去雾和去油的更多详细信息，请参见。 2图像质量指标 PSNR（峰值信噪比） SSIM（结构相似性） VIF（视觉质量） FSIM（功能相似性） NIQE（自然度图像质量评估器） 3除雾研究 3.1数据集 3R [] [] KITTI [论文] [] RESIDE [] [] HazeRD [] [] SceneNet [论文] [] I-HAZE [] [] O-HAZE [] [] D-HAZY [ ] [ ] Middlebury [] [] 3DRealisticScene [] [] 纽约大学深度数据集V2 [] [] 3.2论文 2021年 Shy

Template Matching Techniques in Computer Vision. Theory and Practice .pdf

上海科技大学CS172计算机视觉I课程笔记

part 2 From the Back Cover An applied introduction to modern computer vision, focusing on a set of computational techniques for 3-D imaging, this book covers a wide range of fundamental problems encountered within computer vision and provides detailed algorithmic and theoretical solutions for each. Each chapter concentrates on a specific problem and solves it by building on previous results. FEATURES: * Provides a guide to well-tested theory and algorithms including solutions of problems encountered in modern computer vision. * Contains many practical hints highlighted in the book. * Develops two parallel tracks in the presentation, showing how fundamental problems are solved using both intensity and range images, the most popular types of images used today. * Each chapter contains notes on the literature, review questions, numerical exercises, and projects. * Provides an Internet list for accessing links to test images, demos, archives and additional learning material.

totally 2 parts, this is part 1