--Tensorflow+SSD+Yolo（目标检测）文章8.YOLO_v3训练过程 该资源是本篇文章的操作步骤以及参考帖子的截图，以防参考帖子失效。

使用mtcnn网络人脸检测，使用pyqt做界面，简单处理了一下实现人脸识别。

资源包含文件：lunwen文档+任务书+开题报告+文献综述+外文翻译+软件使用说明书+源码及数据集 流程分为两个部分，一是文本检测，二是文本识别。 文字检测的主要功能为：从图像中找到文字区域，并将文字区域从原始图像中分离出来。 文字识别的主要功能为：从分离出来的图像上，进行文字识别。 文字识别流程： 1）预处理：去噪（滤波算法）、图像增强、缩放，其目的是去除背景或者噪点，突出文字部分，并缩放图片为适于处理的大小 2）特征抽取：常用特征：边缘特征、笔画特征、结构特征、纹理特征。 3）识别：分类器，随机森林 、SVM、NN、CNN等神经网络。 本次设计的环境如下 软件环境 操作系统 ubantu 16.04 Tensorflow tensorflow1.3.0-gpu Python python2.7 硬件环境 CPU Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHz GPU TITAN X (Pascal) 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125342848

基于matlab实现的植物叶片病虫害侵蚀检测识别源码+GUI界面+项目运行说明(课程设计).zip 该系统是植物 病虫害 检测识别系统。 假设农场主，需要喷洒农药，但是如果大面积无差别喷洒的话 ，工作量大不说 ，还造成农药的浪费，提高种植 成本。如果有这么一种技术，在农场的某个地方，架设一台可全天候自动 旋转的摄像头，采集好某处叶子的图片，提取叶子颜色等 特征 ，跟训练好的一些叶子的结果对比，判别被害虫侵蚀到什么程度了，然后告诉后台 ，农场主进行有差别地精准喷洒农药，做到提高效率，节约成本。 该课题为 基于MATLAB软件平台，通过采集的植物叶片 的颜色进行 一系列预处理，如提取颜色特征 ，光滑，量化等。 带GUI界面 。 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习、matlab、cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码和项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。

基于MATLAB的小波变换dwt和离散余弦dct的多方法对比数字水印系统。带GUI交互界面。有一个主界面GUI，可以调用dwt方法的子界面和dct方法的子界面。流程包括，读取宿主图像和水印图像，嵌入，多种方法的攻击（剪切，加噪，旋转等），提取，最后利用psnr峰值信噪比进行评价不同攻击下，鲁棒性的好坏。

本课题为基于连通域分割和模板匹配的二代居民身份证号码识别系统，带有一个GUI人机交互界面。可以识别数十张身份证图片。 首先从身份证图像上获取0～9和X共十一个号码字符的样本图像作为后续识别的字符库样本，其次将待测身份证图像进行去噪、灰度化、二值化、水平投影切割，垂直投影并切割，将待测身份证号码分割出来，然后进行待测号码图片与字符库样本对比计算、识别判断、最终确定待测身份证号号码。本设计关于身份证号码的识别是基于Matlab软件的基础上进行的。

本设计目标在于利用Matlab强大的图像处理能力和实用便捷的编程方法，通过处理包含人脸的视频帧系列图像，灰度积分投影技术的眼睛定位方法，进而利用perclos计数，计算眨眼率，从而得到比较准确的疲劳状况。

基于计算机视觉和机器学习的人脸检测及人脸识别系统源码+数据资料.zip本项目是基于OpenCV2跨平台计算机视觉和机器学习软件库的人脸检测及人脸识别系统， 采用Web应用作为用户和管理的交互页面。 系统人脸识别模块的图像处理采用PIL(Python Image Library)。 BPL是python的第三方图像处理库，但是由于其强大的功能与众多的使用人数，几乎已经被认为是python官方图像处理库了 软件架构 Flask：Flask是一个使用 Python 编写的轻量级 Web 应用程序框架。 OpenCV2：OpenCV2是一个跨平台计算机视觉和机器学习软件库。 LayUI：layui（谐音：类UI) 是一款采用自身模块规范编写的前端 UI 框架，遵循原生 HTML/CSS/JS 的书写与组织形式，门槛极低，拿来即用。且是国人开发，拥有较为完善的中文文档。 Pymysql及PooledDB：PyMySQL 是在 Python3.x 版本中用于连接 MySQL 服务器的一个库。DBUtils是一套Python数据库连接池包，并允许对非线程安全的数据库接口进行线程安全包装。

基于mtcnn+facenet网络实现简单人脸检测识别系统python源码+训练好的模型文件+项目说明.7z 这两个工程都是keras模型, 所提供的模型文件都只有权重没有网络结构, 我利用作者提供的网络定义和权重文件重新生成了带有网络结构的权重文件. 比如原先只有权重的模型文件pnet.h5, 生成含网络结构和权重的模型文件PNET.h5. 接着用keras2onnx工具把它(PNET.h5)转换成了onnx模型pnet.onnx, 其他胶水部分的逻辑没什么变化. 具体的转换代码请参考keras_onnx.py文件. 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。

基于YOLOV5的水域中游泳者检测识别系统源码+数据集.zip数据集说明 数据集存放在项目根路径的 myDataSet 文件夹内在实际训练时，请按照作者要求的目录机构组织数据集的位置，即让数据集和项目位于同级目录下。 基于YOLOV5的水域中游泳者检测识别系统源码+数据集.zip数据集说明 数据集存放在项目根路径的 myDataSet 文件夹内在实际训练时，请按照作者要求的目录机构组织数据集的位置，即让数据集和项目位于同级目录下。 基于YOLOV5的水域中游泳者检测识别系统源码+数据集.zip数据集说明 数据集存放在项目根路径的 myDataSet 文件夹内在实际训练时，请按照作者要求的目录机构组织数据集的位置，即让数据集和项目位于同级目录下。 基于YOLOV5的水域中游泳者检测识别系统源码+数据集.zip数据集说明 数据集存放在项目根路径的 myDataSet 文件夹内在实际训练时，请按照作者要求的目录机构组织数据集的位置，即让数据集和项目位于同级目录下。 基于YOLOV5的水域中游泳者检测识别系统源码+数据集.zip数据集说明 数据集存放在项目根路径的 myDataSet 文件夹内