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。

使用CNN完成MNIST手写体识别(pytorch).py

matlab手写体识别代码光学手写字符识别 该程序使用 Matlab 的计算机视觉工具箱将手写图片转换为可打印的文本。 “emnist-letters.mat”文件是用于训练神经网络的数据集。 运行代码： 确保文字的图片，以及以下MATLAB文件在同一个文件夹中：MultiLineSegment.m、myNNfun.m、NNreturnLetter.m、ReturnLetter3.m、OneLineSegment.m。 如果图片有多行，请运行 MultiLineSegment.m 文件。 如果图片只有一行，可以运行 MultiLineSegment.m 或 OneLineSegment.m。 对于 2 和 3，确保图片名称在代码的 imread('') 部分。 这应该是运行文件所需的全部内容。

WORD格式，文章详细接受了BP神经网络的原理，发展过程，通过划分训练测试集，先进行BP神经网络的训练，得到模型后，展现训练结果，然后进行测试，识别精确度为85.88%

利用几组正负样本组成手写体数据集,进行训练和测试.迭代次数5次,学习率0.001,计算测试集的精度,给出训练过程的收敛曲线,并对模型进行可视化分析

手写体识别要用到的数据集，推测数字的源代码，以及查看数据集要用到的源代码

深度学习+tensorflow+手写体数字识别-mnist：这里使用的是基于全连接层网络结构的神经网络，对数字识别已经有了不错的效果，但使用卷积神经网络还可以提高正确率（约为99.2%），比如LeNet-5模型。环境：python3.7 、tensorflow 1.13.1 。

手写体识别源代码VGG16,LeNet,SGAN

使用TensorFlow实现卷积神经网络的手写字符识别，可重新训练网络

matlab+神经网络+mnist手写体识别