搜索资源列表
eyedemo
- 包括整个虹膜识别的预处理部分，分为多个函数部分，即简单图像增强，Canny算子提取边缘，Hough变换定位内外圆形边界进行风格，以及最后的归一化 -- 将圆环展为矩形。附带几张图像及自制的界面程序，并不是很完善，但整体的预处理任务已经较好的完成，如果进一步提高性能，可以先把Hough变换改为最小二乘拟和算法。
手写数字识别系统
- 111我们的任务是要设计并训练出一个可行、高效的 BP 网络，以实现对 0到 9共 10 个加噪声后的数字和识别。-Our task is to design and train a viable and efficient BP networks to achieve 0-9 to a total of 10 increases the noise figure and identification.
Class-separability
- 类可分离性的判别，特征选择与特征提取的任务是求出一组对分类最有效的特征因此需要有定量分析比较的方法，判断所得到的特征维数及所使用特征是否对分类最有利，这种用以定量检验分类性能的准则称为类可分离性判据。 类别可分离性判据，用来检验不同的特征组合对分类性能好坏的影响，并用来导出特征选择与特征提取的方法。 理想准则：某组特征使分类器错误概率最小-Class separability of discrimination, feature selection and feature extract
kartrider
- 跑跑卡丁车 ★实验任务 有 n 辆卡丁车车牌号分别为 1，2，…，n 在高速公路上竞速。Coffee 是位跑跑卡丁车爱 好者，她在比赛的过程中拍摄了两张照片，在照片上可以清晰的看到每辆车的的车牌号。 给出两张照片上从第一名到最后一名的车牌号，请你编程计算这两张照片的拍摄时间段内 至少发生了几次超车。 ★数据输入 输入第一行包括一个正整数 n（1<=n<=50000），表示卡丁车数量。接下来两行，每行 包括 n 个整数，表示照片上从第一名到最后一名的车牌
DispDynamicICON
- 能实现在任务栏中显示动态图标的效果，也可以用在报警程序的连接中。-Can realize in the taskbar icon in the display dynamic effect, also can be used in alarm program connection.
FACE-RECOGNITION
- 此文的目的有三个：第一，当地连续均值量化变换特征是提出照明和传感器敏感操作在目标识别上。其次，注册稀疏Winnows网络分割，提出了加快原分类。最后，特点和分类相结合对于正面人脸检测任务。检测结果列 为MIT + CMU系统和BioID数据库。关于这人脸检测器，接收器操作特征曲线BioID数据库产生最好的结果公布。对于结果麻省理工学院的中央结算系统+数据库相当于国家的最先进的脸探测器。一个人脸检测算法的MATLAB版本可以从http://www.mathworks.com/matlabce
Lexer
- 设计、编制并调试一个词法分析程序。 算法的基本任务是从字符串表示的源程序中识别出具有独立意义的单词符号，其基本思想是根据扫描到的单词符号的第一个字符种类，拼出相应的单词符号，如果扫描到的单词符号是关键字，则到关键字种别码表中查出相应的种别码，并将其种别码和单词符号本身存入二元组-Design, preparation and commissioning of a lexical analyzer. Basic task of the algorithm is to identify th
ORL
- 在ORL标准人脸数据库，用来完成模式识别任务-Standards in the ORL face database is used to complete the task of pattern recognition
113
- 人脸检测与定位。这一部分的主要任务是检测图像中是否存人脸，若存在，则将其从背景中分离出来，并确定输出人脸的位置及其大小。 通过控制拍摄图像的条件，可以使得图像处理和人脸定位相对简单，如证件照片， 人脸占据了照片中央的大块区域，背景也比较单一，容易实现人脸的检测和定位。但是如果人脸在图像中的位置预先未知，背景比较复杂，或画面中人脸比较多，就可能受到较多因素的干扰，如人脸在图像中位置、旋转角度和尺寸的不确定性 发型和化妆遮盖某些脸部特征 图像噪声等等。-face reconsider
2DPCA
- 在ORL或Yale标准人脸数据库上完成模式识别任务。用2DPCA方法完成人脸检测实验。-Standards in the ORL face database or Yale to complete the pattern recognition task. Complete with face detection method 2DPCA experiment.
SeparativeCriterion
- 特征选择与特征提取的任务是求出一组对分类最有效的特征因此需要有定量分析比较的方法，判断所得到的特征维数及所使用特征是否对分类最有利，这种用以定量检验分类性能的准则称为类可分离性判据。 类别可分离性判据，用来检验不同的特征组合对分类性能好坏的影响，并用来导出特征选择与特征提取的方法。 -Feature selection and feature extraction task is to find a set of classification of the most effective
disp884
- 允许用户显示图像的头文件，以及“任务” 一个标准ADTS的4极化文件中的参数头 8-8-4格式- Allows the user to display image headers as well as the"mission" parameter header for a standard ADTS 4-Polarization file in the 8-8-4 format
rtftr-0.2rc2
- 识别是指人脸定位的任务在视频码流和识别的脸相匹配,他们对数据库的已知的脸。-Real time face tracking and recognition refers to the task of locating human faces in a video stream and identifying the faces by matching them against the database of known faces.
pca
- 自动人脸识别系统具有如图所示的一半框架并完成相应功能的任务。 （1）人脸图像的获取：一般来说，图像的获取都是通过摄像头摄取，氮摄取的图像可以是真人，也可以是人脸的图片或者为了相对简单，可以不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。 （2）人脸的检测：人脸检测的任务是判断静态图像中是否存在人脸。若存在人脸，给出其在图像中的坐标位置，人脸区域大小等信息。而人脸跟踪需要进一步输出所检测到的人脸位置，大小等状态随时间的连续变化情况。 （3）特征提取通过人脸特征点的检测与标定可以确
matlab
- 传统上，拼接复原工作需由人工完成，准确率较高，但效率很低。特别是当碎片数量巨大，人工拼接很难在短时间内完成任务。随着计算机技术的发展，人们试图开发碎纸片的自动拼接技术，以提高拼接复原效率-Traditionally, mosaic restoration work to be done by hand, high accuracy, but the efficiency is very low. Especially when a huge amount of debris, artificia
BPmatlab
- 学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务- Good assistant learning neural network, which can be modeled on the code, just modify individual parameters can be easily realized they need to complete tasks
sparsemtl
- 多任务学习算法 可以实现目标跟踪、分类 研究较少 相对传统单任务分类算法有明显的优势-Multitasking learning algorithm can realize target tracking and classification research is less Have obvious advantages over traditional single task classification algorithm
Image-classification-based-on-BOVW
- 针对视觉字典的最佳表示方式、图像分类任务中亟需计算效率高、存储代价小、分类准确度高的算法等难题，提出了几种创新的算法。-Aiming at the problem of the best representation of visual dictionary and the need of high efficiency, low memory cost and high classification accuracy in image classification task, several
红外小目标检测算法Local CM
- 这是对2014 IEEE trans on GRS上的经典论文LCM的实现，还没有对代码进行优化，能完成任务，但效率不太高。(This is the implementation of LCM, a classic paper on 2014 IEEE Trans on GRS. The code has not been optimized and the task can be completed, but the efficiency is not very high.)