•  課程目標

  本次課程首先介紹了模式識別的概念、數值特征、常用分類器等總體知識；然后講解了光學字符識別引擎實戰；進一步講解了識別通用框架、車牌識別、發票識別的真實案例。

•  師資團隊

• 華清創客企業內訓講師，均是來自各個領域的資深專家，均擁有6年以上大型項目經驗。

•  培養對象

  學員學習本課程應具備下列基礎知識：
  ①具備基本的編程技能；
  ②了解基本的大數據相關知識；

•  培訓方式

第一種：華清創客講師面授
課時：共2天，每天6學時，總計12學時
◆費用：1800元
◆外地學員：代理安排食宿（需提前預定）

第二種：線上直播授課
直播課時：共4天，每天3學時，總計12學時；
輔導：授課期間，輔導老師每天有1小時的輔導直播
◆費用：1800元

第三種：企業訂制培訓
課時：根據定制的大綱確定課時
費用：根據課程難度，每課時2000~3500元

• •  質量保證

    1、培訓過程中，如有部分內容理解不透或消化不好，可免費在下期培訓班中重聽；

    2、培訓結束后免費提供一個月的技術支持，充分保證培訓后出效果；

    3、培訓合格學員可享受免費推薦就業機會。

  •  課程大綱

    
    

    第一章 模式識別概論 

    1.1 概述

             1.2 什么是模式     

    1.2.1        模式舉例

                  1.2.2        模式定義和性質

                  1.2.3        模式類定義

             1.3 什么是模式識別     

    1.3.1        模式識別系統設計實現

                  1.3.2        模式識別方法（結構模式識別和統計模式識別）

             1.4 簡單模板匹配

    1.4.1        通過PPT講解基于模板匹配的原理

                  1.4.2        C++實現基于模板匹配的單字符識別算法

             1.5 用數值特征描述模式     

    1.5.1        模式的數值特征

                  1.5.2        字符識別常用數值特征介紹

             1.6   數值特征篩選       

    1.6.1        主成份分析PCA

                  1.6.2        線性判別分析LDA

             1.7  常用分類器    

    1.7.1        距離分類器

                  1.7.2        Bayes分類器

                  1.7.3        QDF分類器

     

    第二章 光學字符識別引擎實踐 

    2.1 字符識別流程

             2.2 識別預處理 
                   2.2.1        二值圖像的平滑  

                   2.2.2        灰度圖像的亮度調整

             2.3 字符規范化處理     

    2.3.1        大小規范化

             2.4 字符特征提取

    2.4.1        基于二值的方向線素特征

                  2.4.2        基于灰度的梯度特征

             2.5 分類器設計     

    2.5.1        基于Kmean聚類歐氏距離分類器

                  2.5.2        基于LVQ訓練的分類器（LVQ開發包訓練方法）

                  2.5.3        基于神經網絡的分類器（OpenCV）

                  2.5.4        基于SVM的分類器(OpenCV)

             2.6 常用樣本庫介紹及識別率測試     

    2.6.1        MNIST手寫數字樣本庫

                  2.6.2        USPS手寫數字樣本庫

                  2.6.3        印刷體中文識別庫

                  2.6.4        HWDB1.1手寫中文庫

     

    第三章 識別項目通用框架 

    3.1  預處理 

    3.1.1        圖像獲取

                  3.1.2        常用圖像庫簡介

                  3.1.3        常用圖像處理算法（OpenCv）

             3.2 目標定位（OpenCv）    

    3.2.1        基于連通域的方法

                  3.2.2        基于梯度統計的方法

                  3.2.3        基于機器學習的方法

             3.3 識別目標字符串切分/識別   

    3.3.1        基于連通域的切分

                  3.3.2        基于投影的切分

     

    第四章  識別項目實例        

    4.1 車牌識別實踐

    4.1.1        項目背景

                  4.1.2        車牌的定位

                  4.1.3        車牌分割

                  4.1.4        車牌識別

             4.2 發票識別項目實踐

    4.2.1        項目背景

                  4.2.2        識別要素定位

                  4.2.3        識別要素切分/識別

  •