QWT全称是Qt Widgets for Technical Applications，是一个基于LGPL版权协议的开源项目， 可生成各种统计图。它为具有技术专业背景的程序提供GUI组件和一组实用类，其目标是以基于2D方式的窗体部件来显示数据， 数据源以数值，数组或一组浮点数等方式提供， 输出方式可以是Curves（曲线），Slider（滚动条），Dials（圆盘），Compasses（仪表盘）等等。该工具库基于Qt开发，所以也继承了Qt的跨平台特性。 【QWT基类】[2]QwtAbstractScale： 包含刻度尺的所有类的抽象基类； QwtAbstractScaleDraw：绘制刻度尺的抽象基类； QwtAbstractSlider：滑块部件的抽象基类； QwtAlphaColorMap：可以改变颜色的alpha值； QwtAnalogClock：时钟的模拟类； QwtArrayData：包含2个QwtArray<double>实例的数据类； QwtArrowButton：箭头按钮； QwtClipper：剪贴板类； QwtColorMap：提供数值到颜色的映射功能； QwtCompass：指南针部件； QwtCompassMagnetNeedle：指南针部件的磁针； QwtCompassRose：罗盘部件的抽象基类； QwtCompassWindArrow：风向标的指示器；

基于Qt做的一个虚拟仪表盘的实例，可以作为参考

系统相关介绍博客链接：https://blog.csdn.net/shooter7/article/details/129935028 摘要： 车牌识别是一项重要的模式识别研究方向，具有广泛的应用。它被视为安全和交通运行的核心技术，可用于自动收费、交通管制、边境保护、车辆盗窃等重要领域。然而，在某些情况下，由于车牌颜色不同而无法很好地工作。因此，车牌识别不仅具有广泛的应用，而且具有重要的研究意义。 本文提出了一种基于OpenCV和SVM的车牌识别系统。该系统通过对车牌图像进行预处理、特征提取和分类，实现对车牌的自动识别。具体来说，本文首先对车牌图像进行预处理，包括图像增强、去噪、二值化等操作，提高车牌图像的质量。然后，本文采用颜色特征、形状特征和纹理特征对车牌图像进行特征提取，提高车牌图像的识别准确性。最后，本文采用SVM算法对车牌图像进行分类，实现对车牌的自动识别。通过实验验证，本文所设计的车牌识别系统具有较高的识别准确性和速度，可以满足实际应用的需求。

内容概要： Qt的安装及配置、Hello Qt、认识Qt Creator、常用控件使用方法、Qt事件系统、Qt坐标系统、Qt资源及样式表、自定义控件 共八章。 能学到什么：从零基础开始介绍环境搭建、Qt各主要系统的基本原理，并配有配套的示例代码。

前言 本科期间学习过C语言，拿到了计算机二级证书，此外主要自学MATLAB和Python进行深度学习相关的编程。一直以为C++和C#与C语言大同小异，没有重视，在学校的项目需要用C++进行编程，并且甲方点名界面要用Qt做，觉得MFC太难看。也罢，近乎于从0开始，趁着新肺，在家自学C++与Qt，借此记录，欢迎大家交流。 一、开发环境 1、Windows 10 64位； 2、Qt 5.8.0（MINGW编译器，利用Qt Creator而不是宇宙最强IDE——vs）； 3、OpenCV 3.2.0 二、环境配置 参考的是：拜小白教你Qt5.8.0+OpenCV3.2.0配置教程(详细版) 虽然作者讲

Mastering Qt 5 英文无水印原版pdf pdf所有页面使用FoxitReader、PDF-XChangeViewer、SumatraPDF和Firefox测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

Mastering Qt 5(pdf+epub+mobi+code_files).zip Mastering Qt 5(pdf+epub+mobi+code_files).zip

【疲劳驾驶检测系统】 适用人群：本科或专科 技术路线：使用dlib、opencv和wx搭建 实现内容：头部角度，眨眼和打哈气的检测并在相应输出端进行输出提示。 实现语言：python3.7以上 编译器：pycharm2020以上 提示说明：最好直接放在d盘，这样导入好包之后可以直接运行

介绍 基于深度卷积神经网络实现的人脸表情识别系统，系统程序由Keras, OpenCv, PyQt5的库实现，训练测试集采用fer2013表情库。 主要功能 （1）可以通过从本地图片导入系统，或者直接相机进行拍摄等方法对图片和视频进行处理并分析。 （2）可以切换模型对图片进行处理。 实现原理 （1）表情库的建立 目前，研究中比较常用的表情库主要有:美国CMU机器人研究所和心理学系共同建立的Cohn-Kanade AU-Coded Facial Expression Image Database(简称CKACFEID)人脸表情数据库;fer2013人脸数据集等等，这里我们的系统采用fer2013人脸数据集。 （2）表情识别: ①图像获取:通过摄像头等图像捕捉工具获取静态图像或动态图像序列。 ②图像预处理:图像的大小和灰度的归一化，头部姿态的矫正，图像分割等。（改善图像质量，消除噪声，统一图像灰度值及尺寸，为后序特征提取和分类 识别打好基础） （3）特征提取:将点阵转化成更高级别图像表述—如形状、运动、颜色、纹理、空间结构等,?在尽可能保证稳定性和识别率的前提下，对庞大的图像数据进 行降维

qt绘制动态曲线，新手，只为分享，共同学习。