【身份证识别】机器视觉二代身份证识别（姓名 性别 生日 籍贯 身份证号码）【含Matlab源码 4091期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、身份证号码识别简介

1 引言
作为居民身份的象征，身份证是居民身份的唯一标识，它已成为生活中必不可少的证件。在火车站、酒吧等公共场所，流动人口大人员复杂，警察需要对公民的身份证进行核对，排除可疑人员。为了提高警察的办事效率，提出通过手机终端将居民的身份证号码进行自动识别。
身份证号码的自动识别技术属于图像数字识别领域，目前国内外采用得较多的方法主要有两类：基于模板匹配的 OCR 算法和基于人工神经网络的OCR算法，其中尤以模板匹配法应用最为广泛。模板匹配法主要是通过提取目标的特征（包括灰度特征、形状特征、网格
特征等）与模板库中的模板进行匹配计算它们的相似度或者欧式距离，当满足一定的阈值时就认为目标与该模板一致。模板匹配法通常用于目标特征容易提取且模板库比较小的情形，但模板匹配法容易受噪声干扰而降低识别的准确度，在提取的特征个数较多时匹配所需时间也会延长。

2 基本原理
身份证号码识别技术的基本原理如图 1 所示。首先需要扫描样本图像以获得样本字符的特征以放入特征库中，因为第二代居民身份证号码的字体比较特殊，需要从样本图像中获取数字 0~9及字母 x的特征作为特征库，其次扫描待识别图像提取待识别字符的特征与特
征库中的字符特征进行匹配从而得到识别结果。图像处理中常用到的方法有图像灰度化、二值化、基于投影的字符分割等算法。常常提取的字符特征包括直接将字符图像作为字符特征或将变换后的图像作为特征，将图像在水平及垂直方向上的投影作为特征，还有字
符的笔画密度特征、外围特征、统计特征等；在字符识别这一步中常见的方法有：结构模式识别、统计模式识别、统计识别与结构识别的结合、人工神经网络、基于改进 Adaboost的方法等。

图 1 身份证号码识别技术的基本原理图
本文在获取字符的灰度图像后，在灰度多值化的基础上提取字符的网格特征，再利用模板匹配的方法进行识别。具体的流程包括身份证边缘定位，身份证号码区域定位及灰度归一化，身份证号码单个字符分割，特征提取和身份证号码识别等，如图 2 所示为身份证号码识别的具体流程。

图2 身份证号码识别的处理流程
2.1 居民身份证边缘定位
第二代居民身份证的大小是固定的，宽度为8.6 cm，高度为 5.4 cm，但是在获取身份证图像时，由于焦距的远近，不能利用它的大小信息来获取身份证在图像中所处的位置。如图 3（a）所示为通过摄像头获得的居民身份证图像，在这一步中要求背景比较简单，能和身份证形成明显对比，且身份证在图像中的位置要大体居中不能过小，以保证在图像的横向及纵向 3/8、4/8、5/8处能检测到居民身份证，这将影响到定位的结果。为了确定身份证在图像中的位置，需要对图像进行二值化，但考虑到如果对整张图像进行灰度化及二值化会消耗很多时间，分别在纵向及横向上在图像的 3/8、4/8 及 5/8 处截取宽度为 40 个像素的区域进行灰度化及二值化运算，截取的区域如图 3（b）及 3（c）所示。常用的灰度化处理方法有加权平均法、平均值法和最大值法等。这里采用加权平均法[14]，根据重要性及其他指标，将 R、G、B 三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感度最高，对蓝色敏感度最低，因此，可以按公式（1），对 RGB 三个分量进行加权平
均能得到较合理的灰度图像。f (ij) = 0.299R(ij) + 0.587G(ij) + 0.114B(ij)) （1）式中，f (ij) 为像素的灰度值，R(ij) 为彩色图像中 R分量的值，G(ij) 为彩色图像中 G 分量的值，B(ij) 为彩色图像中 B 分量的值。截取的纵向及横向区域做灰度化运算后的结果如图 4（a）所示。对于二值化处理，采用了迭代法进行二值化，其思想是利用迭代的方法最终找到一个最佳的分割阈值。对于身份证图像中所选取的区域，首先遍历区域中所有
点的灰度值，找出该区域内的最大灰度值 Pmax 和最小灰度值 Pmin ，取阈值初值 T0 = (Pmax + Pmin)/2 。根据 T0 将图像分割为两部分并且分别求出各部分的灰度均值 Po 和 Pb ，进而计算新阈值 Ti + 1 = (Po + Pb)/2 。若 Ti + 1 = Ti ，则取阈值为 Ti ，否则返回继续循环迭代。在灰度图像中灰度值 i 在[0，255]这个区间内，Si 表示灰度值为 i 的像素点的个数，Ti 表示阈值，那么则有：


经过二值化运算后的区域，在边缘处与背景区分得很明显，如图 4（b）为纵向区域在二值化后的结果。再通过从上到下的搜索及从下向上的搜索就很容易确定居民身份证上下边缘在图像中 3/8、4/8 及 5/8 处的三个边缘点坐标。

如图 5 所示为根据二值化结果确定的居民身份证上下边缘三个点的位置，分别为上边缘 A1（左）、A2（中）、A3（右）及下边缘 B1（左）、B2（中）、B3（右）。由于光照等其他因素的影响，寻找到的边缘点并不一定是身份证的真实边缘点，这个时候需要排除其中一对点，该方法默认在中间区域即图像 4/8 处所确定的边缘点是准确的，只需要排除另一对点 A1、B1 或 A3、 B3 。以 A2、B2 为基准点，可以求得四条斜率 LA1A2、 LA3A2、LB1B2、LB3B2 ，当 |LA1A2 - LB1B2| < |LA3A2 - LB3B2| 时，则舍掉 A3、B3 这一对点，反之则舍掉 A1、B1这一对点，最后将得到上下边缘的各两个点作为居民身份证的上下边缘点，斜率 L 作为身份证在图像中旋转的斜率。同样，利用同样的方法也可以得到居民身份证左右边缘的各两个点。在知道居民身份证各条边上的两个点及求得斜率，身份证在图像中的位置也就确定了。
2.2 身份证号码区域定位及灰度归一化
身份证号码在居民身份证上的位置是固定的，在拍照获取照片时不管焦距如何变化，身份证号码所在区域相对于身份证本身的位置是不变的，它具有一定的比例关系。根据这一比例关系截取一包含身份证号码的矩形区域，如果身份证发生了旋转，即斜率 L 大于经验值
0.035时，则以该斜率为参考将矩形区域进行矫正。图 6所示为截取的身份证号码区域在经过矫正后的彩色图像。

图 6 身份证号码彩色区域
对得到的彩色图像利用式（1）做灰度化处理，但是因为光照的原因，有时候图像整体偏暗，有时候图像又整体偏亮，这会影响到数字字符的特征提取及最后的识别效果。因此在对图像做灰度化处理后在进行字符分割前需要将号码区域进行灰度拉伸，使得像素的灰度值分布在 0到 255间，也就是灰度归一化。
灰度归一化的方法是：对于输入图像 f (xy) ，灰度级变换 T 将产生一个输出图像 g(xy) ，且 g(xy) 的每一个像素值都是由 f (xy) 的对应输入像素点的值决定的，g(xy) = T( f (xy)) 。首先找出原图像 f (xy) 灰度的最大值max及最小值min，得到系数 k = 1.0 ´ 255/(max - min) ，那 么 对 于 图 像 f (xy) 中 的 每 一 像 素 ，利 用 变 换 T ： g(xy) = ( f (xy) - min)´ k ，即 得 到 输 出 图 像 g(xy) ，

图 7 灰度拉伸后的身份证号码区域灰度图像
2.3 单个字符的分割及大小归一化
单个字符的分割是在求得灰度图像的分割阈值后，根据阈值进行行投影及列投影以确定每个字符的左右及上下边界，将字符的左右及上下边界坐标影射到原灰度图像，即可得到每个字符的灰度图像。常用的分割方法有阈值法、区域生长法、分裂合并法、边缘检测法、人工神经网络法、分类器和聚类法等。在这里，对于定位得到的数字区域，首先根据迭代法找出将目标（数字）与背景分割开的阈值 t ，然后根据阈值t 将图像在垂直方向上进行投影，计算每一列上灰度值小于阈值 t 的个数，对于数字间的背景区域在垂直方向上的投影值为 0，即可得到数字的左右边界坐标，再根据数字的左右边界将每个数字进行水平方向上的投影，找到数字的上边缘及下边缘，这样就可以分割出每一个字符。其中阈值 t 的计算方法[15]与前文计算阈值的方法是一样，在这不再描述。
对于分割出来的字符灰度图像，由于输入图像不同分割得到的字符图像尺寸也不相同，即使是同一幅图像中每个字符图像的尺寸也不尽相同，因此还需要将字符图像进行大小的归一化，目的是要使得字符图像与模板图像的尺寸一致。通过双线性插值算法对字符图像作
大小归一化。双线性插值[16]是利用了需要处理的原始图像像素点周围的四个像素点的相关性，通过双线性算法计算得出的。对于一个目的坐标，通过向后映射法得到其在原始图像的对应的浮点坐标 (i + uj + v) ，其中 ij均为非负整数，uv 为[0，1]区间的浮点数，则这个像素的值 f (i + uj + v) 可由原图像中坐标为 (ij)、(i + 1j)、 (ij + 1)、(i + 1j + 1) 所对应的周围四个像素的值决定，即：f (i + uj + v) = (1 - u)´(1 - v)´ f (ij) +
(1 - u)´ v ´ f (ij + 1) + u ´(1 - v)´ f (i + 1j) + u ´ v ´ f (i + 1j + 1) （4）式中 f (ij) 表示源图像 (ij) 处的的像素值，以此类推，这就是双线性内插值法。对于图 7 分割得到的单个字符图像再进行大小归一化之后的结果如图 8，设定字符尺寸为 40×72（宽 40像素，高 72像素）

图 8 对分割得到的字符进行大小归一化后的结果
2.4 特征提取
灰度多值化是指灰度图像 A 按照一定的法则 f 将各个像素的灰度值从 0~255变换到 0~n - 1，这个过程称为灰度多值化或 n 值化，在数学上描述为：

其中式（5）中 G(xy) 为图像 A 中像素的灰度值，g(xy) 为 G(xy) 经过 f 运算后的值；式（6）表示图像 A 在经过f 运算后灰度的维数从 256 维变为 n 维，当 n = 2 时，这
个过程就是人们所熟悉的灰度二值化，当 n = 26 时就是灰度 26值化。
一幅灰度图像再进行二值化处理时，会损失掉很多信息，有时还会因为图像质量问题使得二值化结果不能正确地区分出目标与背景，那么在此基础上提取到的特征也就不能有效地代表字符。如图 9 为从身份证照片中截取到的号码区域，该区域比较模糊，但是肉眼还是
能将号码识别出来；图 10 为将该号码区域进行二值化处理的结果，可以看出二值化之后目标即号码和背景没有被正确地区分开来，像数字 6、8、9 在二值化之后中间的空白区域被填充了，中间的背景像素被理解成了目标像素，使得二值化结果不能正确地反映出图像原本的信息。为此，提出将图像进行多值化处理，而不是二值化，图像中的像素被分为多类而不仅仅是被分为两类，这样可以适当减少信息的损失，在此基础上提取到的特征也
更能有效地区分出字符。

图 9 身份证号码的模糊图像

图 10 模糊图像作二值化处理后结果
在得到身份证号码字符的灰度图像后，将字符图像作 26 值化处理。为什么要将灰度图像作 26 值化处理？在身份证号码的灰度图像中，对属于同一个小区域内的像素，同属于目标或背景的两个像素的灰度值一般是差别不大的，如图 11 为身份证号码所在区域的灰度图像，在图像中间作一条水平线横穿整个图像，通过统计这条水平线上各像素的灰度值，发现在非数字区域也就是背景区域各像素的灰度值都是相差不大，在 10 个灰度级以内，同样在数字区域各像素的灰度值也是相差 10 个灰度级以内，但是数字区域和背景区域的灰度值相差可以达到 60 个灰度级，因此可以认为灰度值变化在 10 个灰度级以内的像素是同一类，在此基础上提出将灰度图像的灰度值从 256个等级作降级处理变为 26个等级，也
就是进行 26 值化，这样既能将像素进行分类又不会使原图像所包含的信息损失太大。

图 11 身份证号码区域的灰度图像为了提取字符的网格特征，首先将字符图像分为大小一致互不重叠的若干个小网格，对于大小为 40×72（宽 40像素，高 72像素）的字符图像，先将字符图像划分M ´ N 个网格，这里 M = 10 ，N = 12 ，再利用公式（7）将数字字符的灰度图像做 26 值化，最后利用式（8）统计每个小网格中像素灰度在 26 值化后的平均值作为该方块的特征，这些特征组合在一起构成特征向量，即得到每个数字字符的二维灰度特征。

其中，式（7）是将像素的灰度进行26值化处理，f (xy) 为像素的原灰度值，g(xy) 为 26值化后得到的值，即灰度值从原来的 0~255 降为 0~25；式（8）是计算第 (ij) 个网
格的特征值 E(ij)，H 和 W 分别为该小方块的高和宽，g(xy) 为该小方块中像素灰度 26值化后的值，0  x < W， 0  y < H ，0  i < M ，0  j < N 。那么字符的特征向量则
等于

2.5 字符识别
字符识别就是将待识别字符的特征向量与模板库中保存的每个字符的特征向量进行匹配，找到与待识别字符匹配的字符。本文用到的匹配方法是通过求相似度，相似度最大的即认为是与待识别字符匹配的字符。求相似度的方法如下：

式中 S 定义为相似度，Ts(ab) 为待识别字符的特征属性，To(ab) 为模板的特征属性。

⛄二、部分源代码

function varargout = id_rec_gui(varargin)
% ID_REC_GUI MATLAB code for id_rec_gui.fig
% ID_REC_GUI, by itself, creates a new ID_REC_GUI or raises the existing
% singleton*.
%
% H = ID_REC_GUI returns the handle to a new ID_REC_GUI or the handle to
% the existing singleton*.
%
% ID_REC_GUI(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in ID_REC_GUI.M with the given input arguments.
%
% ID_REC_GUI(‘Property’,‘Value’,…) creates a new ID_REC_GUI or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before id_rec_gui_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to id_rec_gui_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help id_rec_gui

% Last Modified by GUIDE v2.5 28-May-2021 11:48:47

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @id_rec_gui_OpeningFcn, …
‘gui_OutputFcn’, @id_rec_gui_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before id_rec_gui is made visible.
function id_rec_gui_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to id_rec_gui (see VARARGIN)

% Choose default command line output for id_rec_gui
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes id_rec_gui wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = id_rec_gui_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on button press in browse.
function browse_Callback(hObject, eventdata, handles)
% hObject handle to browse (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
global pathname filenames
[filenames,pathname]=uigetfile({‘.bmp;.jpg;.png;.gif’,‘All Image Files’;‘.’,‘All Files’ },‘MultiSelect’,‘on’);
if ~isequal(filenames,0)
init_controls(handles)
preprocess(handles)
process(handles)
end

function init_controls(handles)
global filenames current_select_idx
current_select_idx=1;
if ischar(filenames)
filenames={filenames};
end
if ischar(filenames) || length(filenames)==1
set(handles.img_idx,‘String’,‘’)
set(handles.img_idx_slider,‘Visible’,‘off’)
else
set(handles.img_idx_slider,‘Visible’,‘on’)
set(handles.img_idx_slider,‘Min’,0)
set(handles.img_idx_slider,‘Max’,length(filenames)-1)
set(handles.img_idx_slider,‘SliderStep’,ones(1,2)/(length(filenames)-1))
end
set(handles.validate,‘Enable’,‘on’)

function [org_img,img_gray,thresh_value]=read_id_card(filename)
fileinfo=imfinfo(filename);
if strcmpi(fileinfo.ColorType,‘indexed’)
[X,map]=imread(filename);
org_img=ind2rgb(X,map);
else
org_img=imread(filename);
end
r=size(org_img,1);
c=size(org_img,2);
size_thresh=2000;
if r>size_thresh
org_img=imresize(org_img,size_thresh/r);
end
if c>size_thresh
org_img=imresize(org_img,size_thresh/c);
end
org_img=im2double(org_img);
if ndims(org_img)==3
img_gray=rgb2gray(org_img);
else
img_gray=org_img;
end
img_gray=imresize(img_gray,[350 500]);
img_gray=img_gray(round(size(img_gray,1)2/3):end,round(size(img_gray,2)/4):end);
thresh_value=.68graythresh(img_gray);

function preprocess(handles)
global pathname filenames current_select_idx img_gray
if length(filenames)>1
img_idx_str=sprintf(‘%d / %d’,current_select_idx,length(filenames));
set(handles.img_idx,‘String’,img_idx_str)
set(handles.img_idx_slider,‘Value’,current_select_idx-1)
set(handles.img_idx_slider,‘TooltipString’,img_idx_str)
end
try
filename=fullfile(pathname,filenames{current_select_idx});
[org_img,img_gray,thresh_value]=read_id_card(filename);
axes(handles.img)
imshow(org_img),title(filename,‘Interpreter’,‘None’)
set(handles.thresh_value,‘Visible’,‘on’)
set(handles.thresh_value,‘value’,thresh_value)
catch e
msgbox(sprintf(‘Cannot read the image: %s.\n\n’,filename,e.message),‘Error’,‘error’)
rethrow(e)
end

function process(handles)
global code_stats img_gray model filenames current_select_idx area_codes training_data_size
if isequal(filenames,0) || isempty(filenames)
return
end

% init all controls
for i=1:18
set(eval(sprintf(‘handles.result%d’,i)),‘BackgroundColor’,[1 1 1])
set(eval(sprintf(‘handles.result%d’,i)),‘Enable’,‘Inactive’)
set(eval(sprintf(‘handles.result%d’,i)),‘String’,‘’)
end
set(handles.birthday,‘BackgroundColor’,[1 1 1])
set(handles.birthday,‘String’,‘’)
set(handles.ID_code,‘BackgroundColor’,[1 1 1])
set(handles.ID_code,‘String’,‘’)
set(handles.gender,‘BackgroundColor’,[1 1 1])
set(handles.gender,‘String’,‘’)
set(handles.address,‘BackgroundColor’,[1 1 1])
set(handles.address,‘String’,‘’)
set(handles.save_results,‘Enable’,‘off’)

% process
thresh=get(handles.thresh_value,‘value’);
[id_codes,id_bw,code_stats,thresh,iteration]=id_rec_process(img_gray,model,thresh,training_data_size,1);
% if isempty(id_codes)
% msgbox(‘Cannot recognize ID codes. You can try adjusting the threshold value.’,‘Warning’,‘warn’,‘modal’)
% return
% end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李开,陈礼安,曹计昌.基于灰度多值化的身份证号码识别[J].计算机工程与应用. 2015,51(13)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置