1、使用Anaconda创建虚拟环境，2、建立VOC格式标准文件夹，3、将xml格式转换成yolo格式，4、修改yaml配置文件，5、权重文件下载，6、参数修改，再点开train.py,找到if __name__ == '__main__':开始修改参数7、使用训练好的权重文件进行识别，8、使用USB摄像头进行识别

Python手势识别与追踪 内容概要： 源码包里面包括了摄像头手势识别与追踪.py， 视频手势识别与追踪.py 两个算法文件，65行代码，简单易懂，亲测成功。

这是一个实现简单，准确率较高的方法。 一、本方法基于颜色特征实现车牌定位。 在HSI空间实现蓝色查找，思路来自博客园 silenceer 的博客《车牌识别LPR（五）-- 一种车牌定位法》[1]。 通过对疑似区域求外接矩形判断车牌区域，思路来自博客园 计算机的潜意识 的博客 《EasyPR--开发详解（4）》[2]。 二、通过垂直投影和连通域分析实现字符分割。 三、通过3层神经网络实现字符识别。 参考 Andrew Ng 在 coursera 上的机器学习课程[3]。

用pycharm实现的车牌识别系统，可视化用的pyqt5，图像处理用的opencv+pillow，用svm训练模型，文档为全部代码，实现功能是：1.上传本地图片进行识别 2.打开摄像头进行识别

支持向量机是统计学习方法，正成为当今研究的热点，支持向量机在模式识别和文本分类等方面获得了极大的成功，分类的准确率很高，用支持向量机的方法处理一些二值图像和灰度图像，能获得较好的统计结果，从中摸索出了一种特征向量集的选取方法，讨论了判断结果优劣的标准，比较了支持向量机方法与其他方法得到的结果，得出了重要结论：用支持向量机识别图像的边缘具有非常优异的统计性能。

对于指纹的特征提取包含几个步骤，脊线增强、脊线分割、脊线细化、细节点检测和细节点验证，本次大作业需要针对已经增强的指纹图片进行后续几个步骤，通过多种形态学算法进行分割、细化、细化后处理，找到其中的端点和分叉点，而指纹周边的伪细节点需要被去除。

EEG-Emotion-classification-master_merelyts3_said63o_songc4x_DEAP情绪识别_DEAP数据集下载_源码.rar

毕业设计基于Opencv的车牌识别系统 算法思想来自于网上资源，先使用图像边缘和车牌颜色定位车牌，再识别字符。车牌定位在predict方法中，为说明清楚，完成代码和测试后，加了很多注释，请参看源码。车牌字符识别也在predict方法中，请参看源码中的注释，需要说明的是，车牌字符识别使用的算法是opencv的SVM， opencv的SVM使用代码来自于opencv附带的sample，StatModel类和SVM类都是sample中的代码。SVM训练使用的训练样本来自于github上的EasyPR的c++版本。由于训练样本有限，你测试时会发现，车牌字符识别，可能存在误差，尤其是第一个中文字符出现的误差概率较大。 - 版本：python3.7.3，opencv4.0.0.21，numpy1.16.2，tkinter和PIL5.4.1.

代码附数据集加载方式，文档包括案例完整流程：DNN/CNN结构设计、模型参数保存、断点续训、acc/loss可视化过程，最好一次epoch的模型参数保存。

基于Altera FPGA开发板实现了搭载有软核的车牌实时识别系统。 全国大学生集成电路创新创业大赛。 ARM 片上系统设计挑战赛。 本系统通过 Verilog 在硬件平台实现车牌识别算法。测试识别正确率均在 95%以上，且平均正确率为 98.5%。