注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 嵌入式系统上基于近红外图像的人脸识别研究

  2. 一篇相当不错的人脸识别的论文，写的还是相当详细。需要cajviewer阅读器阅读。仅供学习参阅、切勿抄袭！ 摘要目录 第1章绪论 1.1研究背景及意义 1.2人脸识别的发展及分类 1.3主要工作和论文组织结构 第2章相关研究工作 2.1人脸图像成像原理 2.1.1光谱分析 2.1.2人脸图像的成像模型 2.2人脸图像预处理 2.2.1图像的几何运算 2.2.2几何归一化 2.2.3图像增强 2.3常用人脸特征提取 2.3.IK一L变换 2.3.2Haar特征 2.3.3小波变换 2.3.4LB

  3. 所属分类：嵌入式

    • 发布日期：2011-06-05
    • 文件大小：4194304
    • 提供者：qqwbqwb

  1. 支持向量机分类器（svm）

  2. 模式识别方面必备的分类器之一，尤其在人脸识别经常会用到的分类器。

  3. 所属分类：其它

    • 发布日期：2011-07-05
    • 文件大小：5120
    • 提供者：alex10607030131

  1. 基于核函数的人脸检测研究

  2. 人脸识别是模式识别与计算机视觉、生物识别技术的交叉学科，而人脸检 测是人脸识别系统的关键环节。根据生物识别领域内最新研究表明，非线性样 本的处理和降维是人脸识别研究现今面临的两个主要问题。 核函数作为一种有效的处理非线性空间(可分/不可分)样本和迅速降维 的理论和方法，随着支持向量机的普及，在近年来的模式识别领域得到了广泛 的关注。将“核方法”与传统的特征提取和分类方法相结合，相继产生了许多 新颖、有效的检测识别方法。本文主要研究内容是核函数的基础理论、算法性 能改进以及在人脸检测中的应用。

  3. 所属分类：其它

  1. VC++数字图像模式识别技术及工程实践

  2. 目录 第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主

  3. 所属分类：C++

    • 发布日期：2013-05-16
    • 文件大小：14680064
    • 提供者：a121649982

  1. Visual C++数字图像模式识别技术及工程实践工程源代码

  2. 第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主要步骤

  3. 所属分类：C++

    • 发布日期：2013-05-17
    • 文件大小：14680064
    • 提供者：a121649982

  1. 基于OpenCV人脸识别的分析与实现.doc

  2. 本文首先介绍了人脸识别技术的研究背景、国内外研究现状和应用场景；研究了Viola&Jones人脸检测算法的基本原理，并对其中涉及的Haar-like特征、积分图方法、AdaBoost分类器和级联的思想进行了阐述；研究了基于PCA实现的特征脸算法、基于LDA实现的Fisherfaces算法和局部二值模式直方图（LBPH）算法三种人脸识别算法的基本原理及思想；最后，通过上述理论学习，基于OpenCV，在Visual Studio 2012开发环境下，利用ORL人脸数据库，分别对上述算法进行了算法实现

  3. 所属分类：机器学习

    • 发布日期：2020-03-01
    • 文件大小：1048576
    • 提供者：beans9

  1. 基于卷积神经网络的车牌照字符识别研究

  2. 基于卷积神经网络的车牌照字符识别研究310 第十二届全国图象图形学学术会议 以充分利用人的经验来获取模式特征以及神经网 来正确识别所有样本;Uc4层是网络的输出层即识 终分类能力来识别字符,特征提取必须能反应整 个字符的特征,才能达到较高的识别率;后者则 别层,显示网络最终的模式识别结果。 省去特征抽取,将整个字符直接作为神经网络的 差异提取层Uc的输出姐式(1)所示 输入。这种方式虽然在一定程度上增加了神经网 络结构的复杂度,但是网络的抗干扰性能和识别 n(n,)=max{(-)∑a()l(n

  3. 所属分类：机器学习

    • 发布日期：2019-04-19
    • 文件大小：274432
    • 提供者：suiyu_eran