基于虹软官方Demo开发的Eclipse版的Demo，增加了在线获取远端的图片到本地的功能。

本论文以OPENCV库为基础，采用QT作为图形界面开发，具有人脸采集，图片训练，数据库管理及人脸识别等功能。该系统能够进行长时间的运行并测试稳定，在程序中提供了统一的接口以并进行二次开发。 人脸检测与识别是计算机视觉与模式识别领域中重要的研究方向，人脸识别在图像处理与视频检索、视频监控、视频显示等方面占据着重要的位置。本文提出了基于32位彩色图像对人脸进行识别的方法，介绍的主要内容是图像处理，重点分析基于OPENCV人脸检测与识别的原理及方法，采用基于OPENCV的级联分类检测器，能够根据视频图像提取人脸特征进行训练。 目前，高性能的微电子和视觉处理系统已经运用在各个领域中，特别是基于视觉处理系统中的人脸识别系统已经走在了科学前沿。在生物识别技术中人脸识别是运用最为广泛的技术，对图像进行处理主要用到，光线补偿技术、高斯平滑技术和二值化技术等。对图像先进行补光处理，处理过后的图片通过定位眼睛、鼻子、嘴唇来确定脸部区域，最后根据人脸固有的眼睛对称性来确定是否是一个人脸，再使用高斯平滑，用来消除图像的噪声，最后进行二值化处理，采用局部阈值来进行二值化，接下来就对图片中的人脸进行定位，特征提取

针对语音情感识别中的特征提取问题,通过多层深度信念网络(DBN)自动提取语音信号中的情感特征,把连续多帧的语音拼接在一起,形成一个高维抽象特征,将深度信念网络训练好的特征作为极限学习机(ELM)分类器的输入端,最终建立一个语音情感识别系统。实验结果表明,在CASIA情感语音数据库中,本方法优于其他情感识别方法。

为了提高语音情感识别系统的识别准确率，在传统支持向量机（SVM）方法的基础上，提出了一种基于主成分分析法（PCA）的多级SVM情感分类算法。首先将容易区分的情感分开，针对混淆度大且不能再利用多级分类策略直接进行区分的情感，采用PCA进行特征降维，然后逐级地判断出输入语音所属的情感类型。与传统基于SVM分类算法的语音情感识别相比，本方法可将七种情感的平均识别率提高5.05%，并且特征维度可降低58.3%，从而证明了所提出方法的正确性与有效性。

Python 人脸识别技术.zip

完整的MATLAB人脸识别系统（ORL人脸库，GUI框架）.zip

使用opencv写了一个人脸识别的毕设，有图形界面，可以进行数据库管理。.zip

在我们识别条码的过程里，首先要找到条码所在的区域，那么怎么样来找到这个条码的区域呢？如果仔细地观察条码，会发现条码有一个特性，就是水平的梯度和垂值的梯度会不一样，如果进行相减，会发现差值比较大。如果其它位置的图像一般不会这样。利用这个特性，就可以把条码所在区域求出来。 演示的代码如下： #python 3.7.4,opencv4.1 #蔡军生 https://blog.csdn.net/caimouse/article/details/51749579 #9073204@qq.com # import numpy as np import cv2 from matplotlib import

Python实现基于人脸识别的上课考勤系统。 这个人脸识别考勤签到系统是基于大佬的人脸识别陌生人报警系统二次开发的。 项目使用Python实现，基于OpenCV框架进行人脸识别和摄像头硬件调用，同时也用OpenCV工具包处理图片。交互界面使用pyqt5实现。 该系统实现了从学生信息输入、人脸数据录入、人脸数据训练，学生信息多条件搜索、修改，多选删除，人脸数据训练，人脸识别、追踪、签到等完整流程的各项功能。甚至允许生成签到表格和导出Excel格式签到表。 根据功能分配，系统分为三个部分实现各部分流程， 1. 录入端负责数据导入， 2. 管理端负责数据删改查以及人脸数据训练， 3. 监控端负责人脸识别以及签到功能。

蜜蜂CNN模糊进化深度学习算法（人脸识别，智能优化算法，MATLAB源码分享） 在训练阶段之后，可以使用进化算法拟合深度学习权重和偏差。 这里，CNN用于对8个人脸类别进行分类。 在CNN训练之后，创建初始模糊模型以帮助学习过程。 最后，CNN网络权重（来自全连接层）使用蜜蜂算法训练，以自然启发的方式进行拟合（这里是蜜蜂的行为）。 可以将数据与任意数量的样本和类一起使用。 请记住，代码的参数是根据数据进行调整的，如果要替换数据，可能需要更改参数。 图像数据大小为64*64，2维，存储在“CNNDat”文件夹中。 因此，重要的参数如下： “numTrainFiles”=您必须根据每个类中的样本数量来更改它。 例如，如果每个类有120个样本，那么90个就足够好了，因为90个样本用于训练，而其他样本用于测试。 “imageInputLayer”=图像数据的大小，如[64 64 1] “fullyConnectedLayer（完全连接层）”=类的数量，如（8） “MaxEpochs”=越多越好，计算运行时间越长，如405。 “ClusNum”=模糊C均值（FCM）聚类数，如3或4很好