车辆识别正样本2587个，都是33*33像素的黑白图。 车辆的角度有前有后，无横向位置。 可用opencv进行学习。

实现步骤： 分析训练数据，提取图片HOG特征。 训练分类器 应用滑动窗口(sliding windows)实现车辆检测 应用热力图(heatMap)过滤错误检测(false positive) 分析训练数据，提取图片HOG特征 训练数据为64x64x3的RBG图片，包含车辆与非车辆图片两类，车辆图片8792张，非车辆图片8968张。 车牌图片数据预处理操作 数据集中的照片需要进行车牌定位、二值化、调整角度、最后分割成单个字符才可用于模型训练的字符集。将分割好的字符图片分别存放在对应的文件夹中，以便后续训练工作。在进行车牌定位时，考虑不同拍摄环境下所拍摄的图片质量参差不齐，传统的利用边缘检测算法进行定位的方法会出现较大偏差，所以利用颜色再定位的方法，对Sobel定位后的区域进行边界缩小，提高定位的准确性. 车牌字符分割以及特征提取字符分割过程包括对定位到的车牌图块灰度化、二值化、投影分析、去上下边框、根据阈值进行分割，得到用于识别的字符块。分割后的图块需要进行特征提取，才可以用于SVM训练与识别 SVM算法在车牌识别中的应用 支持向量机（SVM）是一种建立在统计学习理论基础上的分类方法

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.

【车辆识别】基于卷积神经网络yolov3识别车辆和车辆速度附matlab代码

内含两千多张，224x224彩色图像，用于训练一个紧急车辆的识别网络，我会利用该数据集，做一个Pytorch的预训练模型多重CNN实现模型的对比实验。

如果运行不通，可尝试不直接点击“运行”，而是点击“运行并前进”按钮。 这个MATLAB函数将灰度图像I中的强度值映射到J中的新值，使得1%的数据在I的低强度和高强度下饱和。对图像f中任意像素的灰度值x进行变换，得到图像f 中对应像素的灰度值XF。 具体的算法步骤如下： i. Set adjustment linearity value; ii. Read in the image to be processed and assign it to I; iii. Assign image data to R. Change the original image into a monochrome image and keep the red color. Use the function imadjust to adjust the gray level of R, and the result returns R1; iv. Assign image data to G. Change the original image into a monochrome image and keep the green color. Use the function imadjust to adjust the gray level of R, and the result returns G1; v. Assign image data to B. Change the original image into a monochrome image and keep the blue color. Use the function imadjust to adjust the gray level of R, and the result returns B1; vi. Get RGB image after transformation; vii. Draw R, R1, G, G1, B, B1 images and observe the results of linear gray-scale transformation. 结果一般。 版权声明：本文为CSDN博主「灵泉matlab」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_31434537/article/details/104562388

级联分类器 人脸识别 + 车辆识别 训练模型，样本数据采集比较完善，想要学习人脸识别的朋友们自己在博主资源里下载领取哦！

车辆识别方法计算量大,提取的特征复杂,且传统神经网络利用端层特征进行分类导致特征不全面,为此提出了一种结合卷积神经网络(CNN)多层特征和支持向量机(SVM)的车辆识别方法。该方法在传统AlexNet模型基础上构建卷积神经网络模型,通过分析参数变化对测试正确率的影响得到最优车辆识别模型;提取多层车辆特征图,采用串行融合方法与主成分分析降维技术将其构成一个具有多属性的车辆特征向量,以增强特征全面性,减少计算量;利用SVM分类器代替CNN的输出层实现车辆识别,以提高模型泛化能力与纠错能力。实验结果表明,相比传统方法,所提方法在分类精度和识别速度方面都有显著提高,且具有良好的稳健性。

c++全套源码，基于openvino2022.1.0.643和opencv4.6.0实现 内含依赖的预训练模型和测试图片，直接运行即可查看识别结果。 person-vehicle-bike-detection-crossroad-1016 vehicle-attributes-recognition-barrier-0039 age-gender-recognition-retail-0013 person-detection-0203 person-detection-0200 vehicle-detection-0200 license-plate-recognition-barrier-0001 face-detection-0200

基于matlab GUI停车计费系统 完整代码可以运行的的