搜索资源列表
digitalsystem
- 这个程序是数字识别系统源代码。因为已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行\\\\Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。-The program is the digital identification system source code. Because the training has kept good network weights, the first use of the identification procedu
shouxieshuzi
- 提供大家手写数字训练图片，对搞数字识别的同学很有用，赶快下载吧-we provide training Photo handwritten figures to engage in numerical identification of the students were useful and download it quickly
DigitRec
- 第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别） 第二步：识别。 首先，打开图像（256色） 再次，进行归一化处理。点击“一次性处理” 最后，点击“R”或者使用菜单找到相应项来进行识别 识别的结果显示在屏幕上，同时也输出到文件result.txt中 该系统的识别率一般为90％ 另外，也可以单独对打开的图片一步一步进行图像预处理工作。但要注意，每一步工作只能执行一遍，而且
chap11
- 本目录主要包括：文档和两个源代码。 其中一个源代码是识别程序的，另一个是一个矩阵类库的，书里面也使用过，所以一并附上。 因为已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行\\\\Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。 当然读者也可以自行用训练样本训练网络，不过要特别注意训练样本的选择，否则可能造成识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下，训练样本数目尽量多。
dulian11
- 本目录主要包括：文档和两个源代 其中源代码是识别程序的，另一个是矩阵类库的。 已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。当然也可以自行用训练样本训练网络，不过要注意训练样本的选择，否则可能识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下训练样本数目尽量多。
BP
- 利用bp网络算法对数字图片训练后进行识别
基于神经网络的手写体文字识别系统
- 这是一款用VC++编写的的手写体文字识别系统。通过对文字图片的训练，从而到达对手写体文字的识别效果。
DigitRec
- 其中源代码是识别程序的，另一个是矩阵类库的。 已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。当然也可以自行用训练样本训练网络，不过要注意训练样本的选择，否则可能识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下训练样本数目尽量多-One source is to identify the program, the other is the matrix clas
digital
- 用VC++实现印刷体数字的自动识别，首先，打开图像（256色）；再次，进行归一化处理，点击“一次性处理”；最后，点击“R”或者使用菜单找到相应项来进行识别。识别的结果显示在屏幕上，同时也输出到文件result.txt中。 该系统的识别率一般情况下为90 。 此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。 具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－
cro
- 已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。当然也可以自行用训练样本训练网络，不过要注意训练样本的选择，否则可能识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下训练样本数目尽量多。 -Training has been well preserved network weights, so first use of identification procedures
Neural_network_character_recognition
- 本目录主要包括：文档和两个源代码。 其中一个源代码是识别程序的，另一个是一个矩阵类库的，书里面也使用过，所以一并附上。 因为已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行\\Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。-Catalog include: the source code files and two. One procedure is to identify the source code, and the ot
trainingdynamicmatrixofparticlefilter
- 粒子滤波的训练部分.理论部分参考michael isard的博士论文<Visual Motion Analysis by Probabilistic Propagation of Conditional Density>learn a dynamical matrix部分.训练集合和采集需要的图片都包含了(原用于手势跟踪,故图片均为手势图片).采集代码使用另外一个代码image_demo(已上传)-Particle filter part of the training. Micha
chap11
- 数字验证码识别，需要训练。目录主要包括：文档和两个源代码。 其中一个源代码是识别程序的，另一个是一个矩阵类库的，书里面也使用过，所以一并附上。 因为已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行\\Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。 当然读者也可以自行用训练样本训练网络，不过要特别注意训练样本的选择，否则可能造成识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下，训练样本数目
DigitalIdentification
- 本目录主要包括：文档和两个源代码。 其中一个源代码是识别程序的，另一个是一个矩阵类库的，书里面也使用过，所以一并附上。 因为已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行\\Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。 当然读者也可以自行用训练样本训练网络，不过要特别注意训练样本的选择，否则可能造成识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下，训练样本数目尽量多。-Catalog
changebmp
- 将jpg png 图片转换为bmp格式，并且保存 重命名 统一大小的图片。工具主要用于作为训练人脸人手识别图片资源整理。 使用方法为在可执行程序下有pic目录 用于放置需要转换的图片，点击转换后，在bmp下有转换为bmp的图片，点击统一大小，在smallpic目录下会有统一50*50的大小的bmp，点击rename 将smallpic下所有的bmp重新整理命名，在rename目录下-Jpg png, image conversion to bmp format, and save renam
FaceDetection
- 标准人脸识别源代码，经VS2005测试可用，程序采用opencv自带的训练库来进行人脸识别，不需要自己单独再去添加人脸图片训练代码-Standard face recognition source code, the VS2005 test is available, the program comes with training using opencv library for face recognition, do not need to add a face to go alone pi
神经网络 训练识别
- 1.先打开一幅图片然后按照顺序灰度化、二值化、灰度拉伸、车牌定位、二值化、倾斜校正、字符分割、训练神经网络、识别字符。 2.测试图像存储在当前目录的img下。 3.测试集、训练集、目标向量均存储在img下的文本文件中。(1. First open a picture and then follow the sequence of grayscale, binary, grayscale stretching, license plate positioning, binarization, ti
re
- 可用于 caffe环境，适于初学者,包括了五个类别，每个类别100张图片 ，有公交 恐龙 鲜花 马 大象。(it can be used in caffe environment. suitable for new learner)
Tesseract 一键生成字库
- 运行在Windows平台，把做好的字符图片放进去，就可以训练成Tesseract调用的字库了。(Running on the Windows platform)
encode-xunlian(1)r
- 从给定的很多张自然图片中截取出大小为8*8的小patches图片共10000张，现在需要用sparse autoencoder的方法训练出一个隐含层网络所学习到的特征。该网络共有3层，输入层是64个节点，隐含层是25个节点，输出层当然也是64个节点了。这里只是上传了训练的部分代码，后续继续(A total of 10000 small patches pictures with size 8*8 are extracted from a lot of natural pictures. Now