个人制作项目，车牌识别项目资料 1、B站项目视频讲解：https://www.bilibili.com/video/BV1yg4y187kU/ 2、车牌样本图片 3、模板字符样本 4、参考资料文档 5、视频代码（车牌提取、车牌字符提取、模板匹配、结果渲染、车牌倾斜处理、文本字符分割、完整运行代码）

程序的功能 读BMP文件，只能打开256色 （可以是灰度） 傅里叶变换（锐化，平滑，反色，反转） 图像增强（线性变换，模糊） 图像恢复 图像编码 图像分析（灰度直方图，二值化） 图像重建 车牌识别：定位（水平，垂直，定位，车牌选择）分割（垂直分割）匹配（字符识别）差分（水平，垂直） 平滑（中值，领域平均）均衡化，边缘检测（sobel）预处理（归一化，局部增强，二值化）训练（训练神经网络，保存网络）

matlab匹配滤波代码SALICONtf 该存储库包含用于训练和运行SALICONtf的代码-在TensorFlow中自底向上的显着性模型SALICON的重新实现。 执行 建筑学 在我们的实现中，我们对原始内容进行了一些小的更改。 与原始论文一样，SALICONtf模型包含两个基于VGG的流（无fc层），用于精细和粗糙处理。 输入的大小分别调整为600x800px和300x400px，分别用于精细流和corase流。 调整细流的最后一层的大小以匹配粗流的sie（30x57px）。 两个输出都被串联并通过1×1滤波器进行卷积。 标签（人眼固定图）的大小调整为37×50，以匹配网络的输出。 训练 在原始公式中，通过优化Kullback-Leibler散度（KLD）损失获得了最佳结果。 在我们使用SALICONtf进行的实验中，我们使用了二进制交叉熵损失（OpenSALICON也使用了它）获得了更好的结果。 我们使用固定学习率0.01，动量0.9和重量衰减0.0005。 原始论文没有指定训练时期的数量，只提到训练模型需要1到2个小时。 我们的实现在100个周期后获得了合理的结果，并在300

ORB算法实现特征点匹配

使用python-opencv实现用ORB算法实现特征点匹配，代码量较低，内容较少。

Stagewise Orthogonal Matching Pursuit (StOMP) 是一种恢复稀疏信号的贪婪算法

整理后的2019年最全身份证前六位对应的户籍地址地区数据

　提出了一种新的人眼定位方法。使用中值滤波和直方图均衡方法去除噪声和光照对图像的影响后,将 图像做积分投影以缩小到人脸的眼部区域,在得到的眉眼区域中再做一次水平积分投影,找到两眼的垂 直位置。最后利用人眼模板沿着该垂直方向进行匹配,匹配程度最高的部分即为要定位的人眼位置。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

基于harris角点匹配的图像配准程序 这个程序挺不错的 可以自己学习学习