针对现有计算机视觉对交通路标识别的复杂性和不稳定性的问题，通过运用图像轮廓识别技术，提出了由全局特征到局部特征再到结构特征的多层次轮廓识别，在交通路标的识别过程中，分别构造了图像密度、形状度量、光滑程度和轮廓熵值4个层次的图像轮廓，同时结合Sobel算子和信息熵对交通路标图像进行了提取与分块处理。通过实验仿真结果表明：在图像的提取过程中，交通路标图像随着其DMOS值的增大，图像的质量越差，清晰度越低，其NRSS值越小；在图像的识别过程中，低通滤波器的大小设置为7×7，原图NRSS为0.7654，形状度量为1.3和2.4时，NRSS分别为0.3712和0.2667。这种层次化的轮廓分析在路标的识别上具有较好的稳健性。

整理的计算机视觉/深度学习/机器学习相关方向的论文

人脸_面具_检测_CNN 基于计算机视觉和深度学习的OpenCV和Pytorch面罩检测系统 数据集 下载数据集： : 训练 训练ResNet50模型：在train_resnet50.ipynb中，选择data_path（安装数据集的位置）和model_dir（应保存训练后的模型的位置）。执行train_resnet50.ipynb 训练MobileNetV2模型：在train_mobilenetv2.ipynb中，选择data_path（安装数据集的位置）和model_dir（应保存经过训练的模型的位置）。执行train_mobilenetv2.ipynb 测验 打开test.ipynb 在导入中：从model_resnet50导入模型中选择以测试ResNet50模型，从model_mobilenetv2导入模型中选择以测试MobileNetV2模型。 选择一个model_p

mask_rcnn实现车道线，车辆及路面裂缝的检测，运行demo/seg_video.py即可，训练数据集见https://download.csdn.net/download/m0_46384757/85404350?spm=1001.2014.3001.5503

视频讲解：http://www.bilibili996.com/Course?Id=5363388000218

视频讲解：http://www.bilibili996.com/Course?id=0862817000219

基于目标检测高速车道线检测系统，内包含数据集以及算法

基于OpenCV的Webcam脚本程序，适用于计算机视觉数据采集，实时视频帧收集等.zip

基于计算机视觉的停车场泊车定位研究，吴强，刘勇，随着社会发展，汽车数量增多，以及全球导航卫星系统在室内停车场功能受限，停车场泊车变得十分困难。为了解决这一问题，通过对场

cvpr2019／cvpr2018/cvpr2019 papers，极市团队整理