1.本项目以Python语言和OpenCV图像处理库为基础，在Windows平台下开发答题卡识别系统，建立精确的计算机视觉算法，实现对答题卡批量识别、信息导出至Excel表格等功能，使判卷轻量化、准确化、高效化。 2.项目运行环境：Python环境、OpenCV环境、图像处理工具包、requests、 base64和xlwt模块。 3.项目包括4个模块：信息识别、Excel导出、图形用户界面和手写识别。其中基于OpenCV算法，实现对图片中选项信息、学生身份信息的检测；利用Python标准GUI库Tkinter实现图形用户界面功能；针对个人信息部分，调用智能识别API对学院、姓名进行手写文字识别，对班级、学号进行数字识别。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132598680

1.项目基于OpenCV库，通过 Dlib 提供的机器学习、数值计算、图模型算法、图像处理等相关功能，采用人脸识别预训练，实现两张照片的换脸功能。 2.项目运行环境：需要 Python 3.6 及以上配置，完成该项目所需要的库文件有 OpenCV、dlib、numpy、sys、PIL、thikter、matplotlib。 3.项目包括 7 个模块：准备数据、提取面部标记、调整脸部对齐、混合图像、校正颜色、转换函数、交互式界面设计。 4.关键库及数据准备说明：dlib.get_frontal_face_detector()是人脸检测器，检测图片中是否有人脸，返回一个矩形列表的人脸检测器。dlib.shape_predictor(PREDICTOR_PATH)特征提取器，由人脸检测器提供的边界框作为算法输入，返回一个人脸关键点预测器。采用官方提供的预训练模型：http://sourceforge.net/projects/dclib/files/dlib/v18.10/shape_predictor_68_face_landmarks.dat.bz2 构建有 68 个特征点组成的人脸特征

识别人脸、录入人脸、管理人脸在内的多项功能 （一）选择人脸图片识别 （二）人脸视频识别效果展示 （三）摄像头检测效果展示 深度学习：主要在人脸识别部分：人脸检测、人脸对齐、人脸表示均采用机器学习算法， 特征表示部分【基于ResNet深度卷积神经网络】实现 系统实现了集识别人脸、录入人脸、管理人脸在内的多项功能：包括通过选择人脸图片、视频、摄像头进行已录入人脸的实时识别；可通过图片和摄像头检测人脸并录入新的人脸；通过系统管理和更新人脸数据等功能，检测速度快、识别精度较高。

Python语言、PyQt5、tensorflow、opencv、 单张图片、批量图片、视频和摄像头的识别检测 车牌识别其实是个经典的机器视觉任务了，通过图像处理技术检测、定位、识别车牌上的字符，实现计算机对车牌的智能管理功能。如今在小区停车场、高速公路出入口、监控场所、自动收费站等地都有车牌识别系统的存在，车牌识别的研究也已逐步成熟。尽管该技术随处可见了，但其实在精度和识别速度上还需要进一步提升，自己动手实现一个车牌识别系统有利于学习和理解图像处理的先进技术。 车牌识别的算法经过了多次版本迭代，检测的效率和准确率有所提升，从最初的基于LBP和Haar特征的车牌检测，到后来逐步采用深度学习的方式如SSD、YOLO等算法。车牌的识别部分也由字符匹配到深度神经网络，通过不断验证和测试，其检测和识别效果和适用性都更加突出，支持的模型也更为丰富。 网上的车牌识别程序代码很多，大部分都是采用深度学习的目标检测算法等识别单张图片中的车牌，但几乎没有人将其开发成一个可以展示的完整软件，即使有的也是比较简单的界面。对此这里给出博主设计的

深度学习实现DIY专属个人表情包的技术路线分为以下几个部分： （1）通过U2NET深度学习模型实现从照片中提取人脸信息，并绘制成素描图像； （2）处理构建表情包背景图； （3）对素描生成图像和表情包背景图做处理，生成结果； 其中的程序操作流程：

python深度学习入门教程

资源包含文件：设计报告word+源码及数据 该系统实现了基于深度框架的语音识别中的声学模型和语言模型建模，其中声学模型包括 CNN-CTC、GRU-CTC、CNN-RNN-CTC，语言模型包含 transformer、CBHG，数据集包含 stc、primewords、Aishell、thchs30 四个数据集。 声学模型采用 CTC 进行建模，采用 CNN-CTC、GRU-CTC、FSMN 等模型 model_speech，采用 keras 作为编写框架。 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/122512802?spm=1001.2014.3001.5502

深度学习中，对不同类的数据集图片进行分类，使得训练集、测试集、验证集中含有的图片类别不冲突。例如我手头有一个医学图像处理的数据集，我要检测图片中的病变类别，分清他是肿瘤、创伤还是其它问题，因为每一类图片都对应着多个病人，但在实际训练过程中，同一个病人的病变图片差不多，如果分属于训练集、验证集、测试集，那么检测精度一定会有是会有所下降，所以需要先进行一次分类。这个程序就是起到这样一个作用。classify.py #读取图片前六位 def sixTop(fileList): sixTopName = list() for name in fileList: sixTopName.append(name[0:6]) return sixTopName #判断前六位数字是否重复，输出次数 def imgRepeat(L): repeatList = [] setList = set(L) flag=True if len(L) != len(setList): flag=False

先安装环境 ----> 使用data_classify.py文件进行训练集与测试集分割 ----> 在进行训练即可 数据准备：当前数据存放 data_name 文件夹内 文件夹名就是类别名，n个类别就是n个文件夹 目录主要结构组成： model_AlexNet.py ----> 自己建的AlexNet模型（可选其他模型） model_Vgg16.py ----> pytorch自带更改的模型（可选其他模型） train.py ----> 用于训练模型 test.py ----> 用于测试模型 辅助文件： data_classify.py ----> 将 data_name内的类别分为训练集与测试集。 ​ 注意查看代码内容，包含argparse模块 清除单通道图像 -----> 数据清洗，处理异常图像 旧版数据加载 -----> 用于学习图像 数据加载

《keras快速上手-基于python的深度学习实践》原书代码