【指纹识别】指纹识别【含 GUI Matlab源码 586期】

Matlab仿真科研站

于 2024-04-29 09:00:39 发布

阅读量969

点赞数 28

分类专栏： Matlab图像处理（仿真科研站版）文章标签： matlab

本文链接：https://blog.csdn.net/Matlab912100926/article/details/138300859

版权

Matlab图像处理（仿真科研站版）专栏收录该内容

763 篇文章 8 订阅

订阅专栏

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅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：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。
在这里插入图片描述

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、指纹识别简介

1 指纹识别的引入和原理
1.1 指纹的基本知识
指纹，由于其具有终身不变性、唯一性和方便性，已几乎成为生物特征识别的代名词。指纹是指人的手指末端正面皮肤上凸凹不平产生的纹线。纹线有规律的排列形成不同的纹型。纹线的起点、终点、结合点和分叉点，称为指纹的细节特征点(minutiae)。如图1-1所示。
在这里插入图片描述
1.2 指纹识别的原理及算法流程
指纹识别即指通过比较不同指纹的细节特征点来进行鉴别。指纹识别技术涉及图像处理、模式识别、计算机视觉、数学形态学、小波分析等众多学科。由于每个人的指纹不同，就是同一人的十指之间，指纹也有明显区别，因此指纹可用于身份鉴定。由于每次捺印的方位不完全一样，着力点不同会带来不同程度的变形，又存在大量模糊指纹，如何正确提取特征和实现正确匹配，是指纹识别技术的关键。
指纹识别技术主要包括三大部分：指纹图像采集、指纹预处理、特征提取与匹配。如图1-4所示。
在这里插入图片描述
2 指纹图像预处理
图像预处理是对原始图像进行的一种前期处理，方便后续的模块识别。无论采用何种方式获取的指纹图像, 都有一部分由于质量原因, 不能被系统直接识别，因此图像的预处理就显得非常有必要。
指纹图像的预处理目的就是将自己感兴趣的目标区域保留下来，去除背景区域和没有用的部分，同时根据指纹目标区域中脊线的结构特征，采取较好的滤波方法，提高指纹脊线清晰度，平滑脊线边缘的毛刺和空洞，抑制图像噪声，保证指纹特征的可靠提取，并使灰度图像转化成黑白的二值图像，最终得到脊线结构清晰的单像素宽的二值图像。本文预处理的主要流程如图2-1所示。
在这里插入图片描述
2.1 指纹图像的采集
因本设计重点是对指纹图像的处理，最终得到匹配结果，因此指纹图像的获取并非本设计的重点。指纹图像的获取可以借助市面上的指纹采集器货得，或者自行利用手机和数码相机等拍摄器材采集。
2.2图像的灰度处理
图像的灰度化是保留原有像素的透明度的，即透明度不参与像素的运算。该运算公式为：
gray = R 0.299 + G * 0.587 + B * 0.114
这个公式的意思是原图的一个像素区域包含了RGB的三个颜色值，而目标灰度图上相对应的像素上的颜色值为由上面的公式计算得到。这里有个问题就是，你需要结果图是24位（如果包含Alpha则是32位）还是8位，如果是24位，则结果灰度图还是RGB的，只不过R=G=B=gray，如果是8位的，一个像素就只包含一个颜色值gray。
图像的灰度化是图像处理中很基本的算法，同时也是其他图像处理或是识别的基础，有些智能算法都是基于单色8位灰度图进行的，因为他减少了计算量。
2.3 图像的二值化
二值化就是将图像上的像素点的灰度值设置为0或1，也就是将整个图像呈现出明显的黑白视觉效果。指纹图像中包括目标和背景还有众多噪声，要想从原始的指纹图像中提取出目标，一般用的方法是设定一个阈值T，用T将图像中像素数据分成两部分，若输入灰度图像的函数为：

通过求解阈值T，从而把图像f(x,y)分成目标和背景两个区域，其中大于T的像素群为目标区域，小于等于T的像素群为背景区域，阈值的选取原则是：（1）尽可能的多保存图像信息；（2）尽可能的减少噪声。
本文将讨论基于方向场的二值化处理。
采集到的指纹图像一般都有比较清晰的方向场，方向场估计得准确与否直接决定了图像二值化算法的效果。
为估计方向场，我们把指纹脊线的走向分为如下8个方向，如图2-6所示：

我们先对分割后的图像进行了平均滤波，然后对图像的每一个像素，为确定在该像素处的脊线方向，在以该像素为中心的99窗口内，分别计算8个方向上的经过处理后的灰度值，即将图2-6中数字1到8的位置的像素灰度值去除其中最大summax和最小值summin，若满足最大的summax和最小的summin与 4I(x,y))之和大于 (3summ/8),则该像素点的脊线方向为summin,否则为summax.确定完脊线方向后再由该方向场对图像进行二值化。
结果如下：
在这里插入图片描述
2.4 图像细化
二值化处理后，脊线仍然有一定的宽度，指纹识别的匹配是只利用图像的点或线的特征，这些点或者特征只与脊线的走向或者纹理有关系，有一定宽度的二值化图像显得有些多余，所以需要对二值化图像进行细化处理，指纹二值化图像经过细化处理即可得到一个单一像素宽度的脊线，经过上述的细化处理，在后续的指纹特征提取和特征匹配的算法中大大的减少了计算的冗余量和出错率，使得指纹识别的速度和准确度有了很大的提高。
细化目的是在不破坏指纹图像连通性的情况下去除掉多余的信息（即多余的像素点），将二值化的指纹图像的脊线采用逐层剥离的方法，将图像中的指纹脊线细化成单象素宽（实际为保存原图的骨架）。
这里是利用matlab库函数bwmorph，调用格式为：BW2 = bwmorph(BW,operation,n)应用形态学操作n次，n可以是Inf，这种情况下该操作被重复执行直到图像不再发生变化为止。
‘thin’ n = Inf时，减薄目标成线。没有孔洞的目标缩成最低限度的连通边；有孔洞的目标缩成连通环。
3 图像特征提取和特征匹配
3.1 特征点提取
（1）提取指纹的端点和交叉点
端点和交叉点均是指纹图像的两个细节特征，同时在指纹识别的的过程中起着重要的作用，因为识别的首要前提就是找到图像的所有端点和交叉点。通过point.m函数来找出细化后指纹图像的所有端点及交叉点。
将八邻域中的每个点依次两两相减并取其绝对值，后将所有结果加起来，因为端点处是两个点，即和为2时细化图像有端点，和为6时图像特征为交叉点。
运行完上面的point.m函数的程序后，能把细化图像的的端点和交叉点全部找出。在定义函数的程序中有数组txy，其中t为横坐标，x为纵坐标，y为2时为端点，y为6时为交叉点。
（2）去除图像边缘的端点[去伪]
可以看出，指纹图像细化的边缘，由于采集仪器不同的关系，因此不可避免的会多出很多的端点，这些端点不仅增加了后续的工作量，还可能导致识别过程中产生错误，所以要把这些边缘的端点都去除，在matlab中这些操作都可以采用一函数来实现，本实验中设计了一cut.m函数来进行处理。
3.2 找出特征点
设置三个函数来找出图像的特征点：
（1）single_point函数
经过去除边缘端点的操作后进一步减少了指纹细化图像中的端点和交叉点的个数。下面就需要找出一些在细化图像中比较独特的端点来作为识别的特征点。在一幅细化的指纹图像中，如果在一个像素（该像素为端点）的周围半径为r（r为像素的个数）的圆内没有任何的端点或者交叉点，那么随着r的逐渐增大，这样的点就会越来越少，因此该点也就越来越独特。于是我们设计了一single_point函数来找出这样独特的点。
（2）walk函数
为了进一步找出特征点，我们还需定义一walk函数，它的主要作用就是判断某一端点在num的距离内是否还有其他的端点。
（3）last1函数
single_point函数和walk函数都是找细化图像特征点的函数，因此可以设计另一个新的last1函数，通过执行
[pxy3,error2]=last1(thin,r,txy,num)
可以找出一端点以r为半径的像素内的任何端点和交叉点且沿着脊线走向的num内没有任何的其他端点和交叉点。
3.3 特征点匹配
由上文的函数可知，已经找出了指纹细化图像中的特征点，并画出了一段独特的脊线，在图像中用红色来标示。下面就是指纹匹配[12]的问题了。在此我们设置了三层匹配。
（1）脊线长度匹配
对于上面的函数即可找出细化图像中的特征点和一段脊线，沿着该段脊线走向，每隔五个像素测量一下，看到到原始端点的距离，此段距离由一distance函数得到。
函数结果会得到一数组（内有脊线的长度信息）。如果两幅指纹细化图像中的纹路是相同的，则它们就包含相同的端点和交叉点及用distance函数找出的相同的一段脊，则这两个指纹图像中的长度数组对应的位置比例会基本相等（我们选择的指纹图像大小基本相等，因此该比例选1），因此函数最终定义了一个数f=(sum(abs((d1./d2)-1)))，其中若f的值越接近于0，这两幅图像的匹配度就越高，在一定范围的阈值内我们可以认定为匹配。
（2）三角形边长匹配
找到一个指纹细化图像的特征点后，可以找出距离这个端点距离最近的两个端点或者交叉点，与这个指纹图像细化的特征点构成一个三角形，若两幅图像中的边长比例基本相等（原理同上，也选1），则说明这两幅图像匹配，越接近于1说明这两幅指纹图像越匹配。其中设置一find_point函数来找出距离最近的端点或交叉点。
函数最后定义了一个数ff=(sum(abs((dd1./dd2)-1)))，因此ff值越接近于0，这两幅指纹图像的匹配度越高，在一定范围的阈值内我们可以认定为匹配。

⛄二、部分源代码

clear;
close all;
figure
w=0;
text11=‘指纹1’;text12=‘指纹 2’;
h=uicontrol(‘Style’,‘pushbutton’,‘String’,‘开始’,‘Callback’,‘image1=scanimage;image2=scanimage;subplot(2,2,1);imagesc(image1);title(text11);subplot(2,2,2);imagesc(image2);title(text12);colormap(gray);’,‘Position’,[0,10,80,20]);
%text=‘Please input the block size’;
%h=uicontrol(‘Style’,‘pushbutton’,‘String’,‘二值化’,‘Callback’,‘W=inputdlg(text);
%W=str2num(char(W));subplot(2,2,3);o1=thres(image1,W);title(text21);subplot(2,2,4);o2=thres(image2,W);title(text22);’,‘Position’,[100,10,80,20]);
function out=thinning5(in)

%initial index table
%index=[0 0 0 0 0 0 0 1 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0];
%new index table
%index=[0 0 0 0 0 0 0 1 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 1 0 0 1 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0];
out=in;
index=[1 0 0 1 0 0 1 1 0 0 1 1 1 0 1 1 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 1 1 1 0 1 1 0 0 1 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0];
[width,height]=size(in);
length=width*height;
for i=2:width-2
for j=2:height-2
if out(i,j)1
num= out(i-1,j-1)+out(i-1,j) * 2+out(i-1,j+1) * 4+out(i,j+1) * 8+out(i+1,j+1) * 16+out(i+1,j) * 32+out(i+1,j-1) * 64 + out(i,j-1) * 128;
if index(num+1)1
out(i,j)=0;
end
if num74
out(i,j+1)=0;
out(i+1,j+1)=0;
end
if num146
out(i-1,j)=0;
out(i-1,j+1)=1;
end
if num164
out(i-1,j-1)=1;
out(i,j-1)=0;
end
if num41
out(i+1,j-1)=1;
out(i+1,j)=0;
end
%保留模板
if out(i-1,j)==1 & out(i-1,j+2)==0 &out(i,j-1)==0 &out(i,j+1)==1 &out(i,j+2)==0 & out(i+1,j)==1 & out(i+1,j+2)==0
out(i,j)=1;
end
if out(i-1,j+1)==0 &out(i-1,j+2)==0 &out(i,j-1)==0 & out(i,j+1)==1 & out(i,j+2)==0 & out(i+1,j+1)1
out(i,j)=1;
if num120 & out(i-1,j+2)==0 & out(i+1,j+2)1 &out(i+2,j-1:j+2)[1 1 1 1]
out(i,j)=0;
end
end
if out(i-1,j+1)==1 & out(i,j-1)==0 & out(i,j+1)==1 &out(i,j+2)==0 & out(i+1,j+1)==0 out(i+1,j+2)==0
out(i,j)=1;
end
if out(i-1,j)==0 & out(i,j-1)==1 & out(i,j+1)==1 & out(i+1,j)==1 &out(i+2,j-1)==0 & out(i+2,j)==0 & out(i+2,j+1)==0
out(i,j)=1;
end
if out(i-1,j)==0 & out(i+1,j-1)==1 & out(i,j+1)==1 & out(i+1,j+1)==0 & out(i+2,j)==0 & out(i+2,j+1)0
out(i,j)=1;
if num225 & out(i-1,j+2)==0 & out(i,j+2)==0 & out(i+1,j+2)0 & out(i+2,j-1:j+2)[1 0 0 0]
out(i,j)=0;
end
end
if out(i-1,j)==0 & out(i+1,j-1)==0 & out(i+1,j)==1 & out(i+1,j+1)==1 & out(i+2,j-1)==0 & out(i+2,j)0
out(i,j)=1;
if num60 & out(i-1,j+2)==1 & out(i,j+2)==1 & out(i+1,j+2)1 & out(i+2,j-1:j+2)[0 0 1 1]

           end
       end
      end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 刘艳华.基于MATLAB/GUI的指纹识别系统设计[J].信息与电脑(理论版). 2021,33(18)

🍅 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