1.本项目以Python语言和OpenCV图像处理库为基础，在Windows平台下开发答题卡识别系统，建立精确的计算机视觉算法，实现对答题卡批量识别、信息导出至Excel表格等功能，使判卷轻量化、准确化、高效化。 2.项目运行环境：Python环境、OpenCV环境、图像处理工具包、requests、 base64和xlwt模块。 3.项目包括4个模块：信息识别、Excel导出、图形用户界面和手写识别。其中基于OpenCV算法，实现对图片中选项信息、学生身份信息的检测；利用Python标准GUI库Tkinter实现图形用户界面功能；针对个人信息部分，调用智能识别API对学院、姓名进行手写文字识别，对班级、学号进行数字识别。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132598680

边坡位移图像识别算法研究.pdf

指纹图像识别算法研究.doc

车辆牌照图像识别算法研究.doc

车辆牌照图像识别算法研究与实现.doc

通过简单的图像识别算法来完成验证码识别

图像-R用户的计算机视觉和图像识别算法 该存储库包含一组R软件包，这些软件包执行图像算法，而其他R软件包（如 ， 或目前不提供这些算法。 由于许可证不同，这些算法被放入不同的程序包中。 当前，以下R软件包可用： 包 功能性 执照 细节 image.CornerDetectionF9 FAST-9角落检测图像 BSD-2 image.CornerDetectionHarris 哈里斯角检测图像 BSD-2 image.LineSegmentDetector 图像的线段检测器（LSD） AGPL-3 image.ContourDetector 图像的无监督平滑轮廓线检测 AGPL-3

1、PDF格式的PPT只读文档 2、点、向量和坐标系 3、坐标系间的欧氏变换 4、变换矩阵与齐次坐标

基于Keras的猫狗识别分类是计算机视觉领域中的图像分类问题，图像分类的过程十分的明确，Kaggle竞赛官网给出的数据集中训练集是已经标记的数据集，提取特征，训练得到分类器。 本实验中，猫和狗的图像数量是相同的，所以是一个平衡的二分类问题，本实验使用12500张猫和12500张狗的图像作为数据预处理的输入，对图像尺寸异常、图像颜色异常和图像标签标注异常进行了处理。其中对于图像标签标注异常图像，采用了创新方法，首先使用预处理模型来进行排查，然后用表现最佳的预处理模型来对训练集的猫和狗的图片进行预测，由于猫狗的种类不平等，故采用分别微调top参数的方法，筛选出标签标注异常的图像，最终设置的参数为：猫top=35,狗top=10。通过这三步异常图像处理，获得新的训练集24964张图像，其中猫图像12482张，狗图像12482张，猫狗图片在数量上还是均衡的，接着将训练集图像重新命名排序，使所有图像的序号是连续的，方便后续处理。数据预处理过后，处理了各种异常图像，训练出一个模型，使用CNN技术，基于AlexNet的5个卷积层和3个全连接层建立了一个简单模型，对给定的猫和狗的图像进行分类。

交通标志识别(TSR)系统是智能交通系统的重要研究方向。道路交通环境复杂、交通标志数据库规模庞大等因素导致在设计TSR系统可行性方案时必须考虑计算复杂度和识别率。提出了一种高效且快速的基于改进主成分分析(PCA)法和极限学习机(ELM)的TSR算法, 被称为PCA-HOG。该算法首先提取交通标志数据库中每个交通标志的梯度方向直方图(HOG)特征, 利用改进PCA算法对提取出的HOG特征进行降维处理, 之后利用降维后的HOG特征进行ELM模型训练, 利用经过训练的ELM模型识别测试图片。实验结果表明, 基于PCA-HOG和ELM模型的交通标志识别算法获得的计算复杂度低, 图像识别率可达97.69%。