opencv与c++的结合给图像和视频的开发带来了很大的方便，现在已经广泛与用于模式识别领域

混凝土结构在施工与使用的过程中易产生各种形式的裂缝,由此会产生诸多安全问题。传统的人工安全检测方法,不仅耗费财力和时间,而且无法保障其检测精度。为了提高混凝土表面裂缝的识别效率,提出了一种基于卷积神经网络结合聚类分割的识别方法,实现了对较复杂背景下混凝土表面裂缝图像的准确识别。研究结果显示,该方法不仅能够高效地分类,还能够高精度地对较复杂背景下的裂缝进行识别,这为降低混凝土表面裂缝识别的工作量、维护混凝土结构,对其进行安全检测提供了理论依据,同时也为以后更高精度和更复杂条件下的裂缝识别研究提供了一些参考。

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。

随着计算机视觉方向的发展与各种开源库的涌现，目标检测与图像识别的步骤也越来越规范并且趋于简单化。 本次大作业采用Pycharm编辑器，应用Python的OpenCV图像处理库，基于深度学习的卷积神经网络来识别图像中的手写的大写英文字母。具体功能步骤是：对图像进行切片、目标检测、图像识别、图像定位、识别出来的字母重新写入到图片中。

基于MATLAB的HMM语音信号识别，可以识别0-9十个阿拉伯数字，带有一个丰富的人机交互GUI界面。算法流程为：显示原始波形图……显示语音结束处放大波形图……显示短时能量……设置门限……开始端点检测……，也可以通过添加噪声，对比加噪后的识别准确率。

本小组研究的课题是基于深度学习的图像识别，最终实现的是对海量图片数据的学习和准确的识别，不仅如此，我们测试了几种不同的分类模型，并比较预测结果，计算预测准确率，对预测方法进行优化，希望得到一种最高效的预测方法，从而实现真正的机器智能化识别。 本小组课设主要基于python开发环境下的scikit-learn标准库以及PIL图像处理库，并采用matplotlib实现最终结果的比对，PIL库用于图像的特征值批量读取，scikit-learn标准库用于分类模型的构建，matplotlib则用于显示最终结果。

语音信号处理 第二章 语音信号处理的基础知识 §2.2 语音和语言 §2.3 汉语语音学 §2.4 语音生成系统和语音感知系统 §2.5 语音信号生成的数学模型 §2.6 语音信号的特性分析 （1）语音中各个音的排列由一些规则所控制，对这些规则及其含义的研究称为语言学(linguistics)。 （2） 语音中各个音的物理特性和分类的研究称为语音学（phonetics） 。它考虑的是语音产生、语音感知等过程和各个音的特征和分类。 人类的说话交流是通过联结说话人和听话人的一连串心理、生理和物理的转换过程实现的。

压缩包包含：基于C++语言利用OpenCV编写的关于车牌识别系统的工程文件，车牌号码数据集以及验证图片，可供参考。

轮胎缺陷检测，用于处理轮胎缺陷的论文，很全

车牌检测和识别的Python应用软件实现详细过程 1.输入原始图片，通过二值化，边缘检测，和基于色调的颜色微调等办法检测出原图中的车牌号的位置； 2.把检测到的车牌(ROI)裁剪，为车牌号的识别做准备； 3.基于裁剪的车牌号，使用直方图的波峰波谷分割裁剪的车牌号（如上图中的第3步） 4.训练机器学习模型做车牌识别，这里训练了2个SVM,一个SVM用来识别省份简称(如 鲁)，另一个SVM用来识别字母和数字。 5.通过PyQt5把整个算法封装成GUI程序，并打包发布安装软件。