【身份牌识别】模板匹配身份牌识别【含 GUI Matlab源码 1354期】

💥💥💞💞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。

⛄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、模板匹配算法简介

1 概述
模式识别就是通过计算机，用数学模型求解的方法研究模式的自动处理和判读。在模式识别的各种方法中，模板匹配是最容易的一种，其数学模型易于建立，通过模板匹配对数字图像模式识别有助于我们了解数学模型在数字图像中的应用。

2 模板匹配算法
2.1 相似性测度求匹配
模板匹配的实际操作思路很简单：拿已知的模板，和原图像中同样大小的一块区域去对。最开始时，模板的左上角点和图像的左上角点是重合的，拿模板和原图像中同样大小的一块区域去对比，然后平移到下一个像素，仍然进行同样的操作， ……所有的位置都对完后,差别最小的那块就是我们要找的物体。

以上所描述的是相似性测度法求匹配的求解思路，其在计算机中操作的如图2所示。设模板T叠放在搜索图上平移，被模板覆盖搜索图下的那个图像叫做子图Si , j，i , j 为这块子图的左上角像素点在S图的坐标，称为参考点，从图2可知，i , j 的取值范围是：1<i ，j <N- M+1. 现在可以比较T和Si , j的内容。若两者一致,则T和S之差为零. 因此,可用下列公式(1) 和公式(2) 来衡量T和Si , j的相似程度。


在(2) 式中第3项表示模板总能量，是一个与(i , j) 无关的常数；第1项是模板覆盖下子图的能量，它随着(i , j) 的位置缓慢地改变；第2项表示的子图与模板的互相关系，随着(i , j) 的改变而改变，当T和Si , j匹配时这项取值最大。因此可用下列相关函数(3) 作相似性测度。

当矢量t 和S1之间的夹角为0时,即当S1(i , j) =kt 时(k为常量) ,有R(i , j) =1,否则R(i , j) <1. 显然R(i , j) 越大,模板T和Si , j就越相似,点(i , j) 就是我们要寻找的匹配点。

2.2 序贯相似性检测的算法
用相关法求匹配的计算量很大，因为模板要在(N- M+1)2个参考位置上作相关计算，除了在匹配点外，其它点作的都是无用功。因此，人们提出一种叫序贯相似性检测的算法，简称SSDA(Sequential SimiliarityDetectionAlgorithm) 其要点是：
在数字图像中，SSDA法用公式(6) 计算图像f ( x, y) 在点(i , j) 的非相似度m(i , j) 作为匹配尺度。式中(i , j) 表示的不是模板中心坐标，而是它左上角坐标。模板的大小为n ×m。

如果在(i , j) 处图像中有和模板一致的图案时，则m(i , j) 值很小，反之则很大。特别是模板和搜索图下的子图部分，完全不一致的场合下，如果在模板内的各像素与图像重合部分对应的像素灰度差的绝对值依次增加，其和会急剧增大。 因此，在作加法时，如果灰度差的绝对值部分和超过某一阈值时，就认为这个位置不存在和模板一致的图案，从而转移到下一个位置上计算m(i , j)。并且在这模板下的各像素点计算中止，因此能大幅度地缩短计算时间,提高匹配速度。
根据上述思路，我们可以进一步改进SSDA算法。就是把在图像上的模板移动分为粗检索和细检索2个阶段进行。首先进行粗检索，它不是让模板每次移动1个像素，而是每隔若干的像素把模板和图像重叠，并且计算匹配的尺度，从而求出待寻找的图案大致存在的范围。然后在这个范围内，让模板每隔1个像素移动1次，根据匹配的尺度确定寻找图案的所在位置。这样，整体上计算模板匹配的次数减少了，计算时间缩短，匹配的速度提高了。但用这种方法具有漏掉图像中最恰当位置的危险性。

2.3 相关算法
2个函数的相关性定义,可用公式(7)表示：

f*表示f 的复共轭。我们知道相关理论类似卷积理论，F( u, v) 和 H( u, v) 分别表示f ( x, y) 和h( x, y)的傅立叶变换. 根据卷积理论有

可知卷积是空间域过滤和频率域过滤之间的纽带。相关的重要用途在于匹配。在匹配中，f ( x, y) 是一幅包含物体或区域的图像。如果想要确定f 是否包含有感兴趣的物体或区域，让h( x, y) 作为那个物体的区域(通常称该图像为模板)。如果匹配成功，2个函数的相关值会在h找到f 中相应点的位置上达到最大。从上面分析可知，相关算法可以有2种方法：可在空间域进行，也可在频率域进行。

2.4 幅度排序相关算法
这种算法有2个步骤组成：
第1步，把实时图中的各个灰度值按幅度的大小排成列的形式，然后在对它进行二进制(或三进制) 编码，根据二进制排序的序列，把实时图变换为二进制阵列的一个有序的集合{ Cn, n =1,2, …, N}。这一过程称之为幅度排序预处理。
第2步，序贯地将这些二进制序列与基准图进行由粗到细的相关，直到确定出匹配点为止。由于篇幅的限制，这里就不列出例子了。

2.5 分层搜索的序惯判决算法
这种分层搜索算法是直接基于人们先粗后细寻找事物的惯例而形成的，例如，在中国地图上找肇庆的位置时，可以先找广东省这个地域，这过程称为粗相关。然后在这个地域中，再仔细确定肇庆的位置，这叫做细相关。很明显，利用这种方法，可以很快找出肇庆的位置。因为在这过程中省略了寻找广东省以外区域所需的时间，这种方法称为分层搜索的序贯判决法，利用这种思想形成的分层算法具有相当高的搜索速度。限于篇幅,这里只给出这种操作的一般思路。

3 总结
模式匹配本质就是应用数学。模板匹配过程如下：①将图像数字化,按顺序取出每个点的像素值；②代入事先建立的数学模型进行预处理；③选择一种合适的算法进行模式匹配；④将匹配后图像的坐标列出或直接在原图显示.。在模板匹配操作中最为关键的是如何建立数学模型,这是正确匹配的核心。

⛄二、部分源代码

%运行界面部分
warning(‘off’);
close all;
chos=0;%初始界面按钮参数
possibility=3;%退出界面按钮参数
while chos~=possibility
chos=menu(‘身份牌信息识别系统’,‘选择身份牌建立模板’,’ 选择身份牌开始进行识别 ‘,’》》结束《《‘);%各个按钮名称，第一个为该图形化窗口的名称
if chos==1 %如果获取的按键为’选择身份牌建立模板’按键
clc;
clear all;
close all;
warning off
[fn,pn,fi]=uigetfile(’.‘,‘选择图片’);%选择图片
bmp=imread([pn fn]);%显示原始图像
figure(1)
imshow(bmp);title(‘原始名牌图像’);
%%%%%%%%%%图像HSV处理%%%%%%%%%%
mysize=size(bmp);%判断图像色度
if numel(mysize)>2 %判断是否是rgb图像
myhsv=rgb2hsv(bmp);%对图像进行HSV处理
h=myhsv(:,:,1);
s=myhsv(:,:,2);
v=myhsv(:,:,3);
%%%%%%%%%%图像中值滤波%%%%%%%%%%
bmp=medfilt2(v,[3,3]);
%%%%%%%%%%图像二值处理%%%%%%%%%%
A=im2bw(v,0.3);%对图像进行二值化处理
else
A=bmp;
end
%%%%%%%%图像做形态学处理%%%%%%%%%
zfwz=[100 320 150 100];
B=bwmorph(A,‘spur’,inf);%对图像进行形态学处理
B=im2bw(B,0.5);
rectangle(‘position’,zfwz,‘edgecolor’,‘r’);%字符画框
C=imcrop(B,zfwz);%画框部分图像截取
C=imcomplement©;%对图像进行黑白反转
figure(2)
imshow©;
pics=dir(’*.bmp’);MBS=length(pics);
[pathstr,name,ext]= fileparts(mfilename(‘fullpath’));
imwrite(C,[pathstr,‘’,num2str(MBS),‘.bmp’],‘bmp’)
chos=0;
possibility=3;
end

if chos==2 %如果获取的按键为’选择身份牌开始进行识别’按键
clc;
clear all;
close all;
warning off
[fn,pn,fi]=uigetfile(‘.’,‘选择图片’);%选择图片
bmp=imread([pn fn]);%显示原始图像
figure(1)
imshow(bmp);title(‘原始名牌图像’);
%%%%%%%%%%图像HSV处理%%%%%%%%%%
myhsv=rgb2hsv(bmp);%对图像进行HSV处理
h=myhsv(:,:,1);
s=myhsv(:,:,2);
v=myhsv(:,:,3);
figure(2)
subplot(131);imshow(h);title(‘HSV转化后的H分量’);
subplot(132);imshow(s);title(‘HSV转化后的S分量’);
subplot(133);imshow(v);title(‘HSV转化后的V分量’);
%%%%%%%%%%图像中值滤波%%%%%%%%%%
bmp=medfilt2(v,[3,3]);
% figure(2);subplot(221);imshow(bmp);title(‘中值滤波图像’);
%%%%%%%%%%图像二值处理%%%%%%%%%%
A=im2bw(v,0.5);%对图像进行二值化处理
%%%%%%%%%%%%%%%%%%%%%倾斜校正%%%%%%%%%%%%%%%%%%%%%%
qingxiejiao=rando_bianhuan(A);
A=imrotate(A,qingxiejiao,‘bilinear’,‘crop’);
figure,imshow(A);title(‘倾斜校正’);%取值为负值向右旋转
[pathstr,name,ext]= fileparts(mfilename(‘fullpath’));
imwrite(A,[pathstr,‘\xxx.bmp’],‘bmp’)
%%%%%%%%%%%%%%%%%%%%%裁去黑边%%%%%%%%%%%%%%%%%%%%%%
a = imread([pathstr,‘\xxx.bmp’]); %读取图片
delete([pathstr,‘\xxx.bmp’]);
A=caiquhei(a);
figure(3),imshow(A);
%%%%%%%%图像做形态学处理%%%%%%%%%
zfwz=[100 320 150 100];
B=bwmorph(A,‘spur’,inf);%figure,imshow(bw);title(‘擦除之前’);
B=im2bw(B,0.5);
figure(4)
imshow(B);
rectangle(‘position’,zfwz,‘edgecolor’,‘r’);%字符画框
C=imcrop(B,zfwz);%画框部分图像截取
C=imcomplement©;%对图像进行黑白反转
figure(5)
imshow©;
mobanpun=maopaopp(imread(‘0.bmp’),imread(‘1.bmp’),imread(‘2.bmp’),imread(‘3.bmp’));
jieguohanzi = mobanpp(mobanpun,C);
hs=msgbox([‘名牌信息识别结果为识别结果为：’,jieguohanzi],‘result’);
pause(1);
close(hs);
%disp(jieguohanzi)
chos=0;
possibility=3;
end

end
%用于定位
clc;
clear all;
close all;
warning off
m=1;%图片的亮度系数对与识别成功率影响很大，如果图片本身对比度很高值设为1即可，如果光线较暗可适当提高数值反之亦然。
[fn,pn,fi]=uigetfile(‘.’,‘选择图片’);%选择图片
bmp=imread([pn fn]);%显示原始图像
figure(1)
imshow(bmp);
title(‘原始名牌图像’);
%%%%%%%%%%图像HSV处理%%%%%%%%%%
myhsv=rgb2hsv(bmp);%对图像进行HSV处理
h=myhsv(:,:,1);
s=myhsv(:,:,2);
v=myhsv(:,:,3);
%%%%%%%%%%图像中值滤波%%%%%%%%%%
bmp=medfilt2(v,[3,3]);
% figure(2);subplot(221);imshow(bmp);title(‘中值滤波图像’);
%%%%%%%%%%图像二值处理%%%%%%%%%%
A=im2bw(v,0.3);%对图像进行二值化处理
%%%%%%%%图像做形态学处理%%%%%%%%%
zfwz=[100 320 150 100];
B=bwmorph(A,‘spur’,inf);%figure,imshow(bw);title(‘擦除之前’);
B=im2bw(B,0.5);
imshow(B);
B=imcrop(B,[100 300 200 150]);%将含有名牌欣喜的部分剪裁下来
grayimg = B;BWimg = grayimg;[width,height]=size(grayimg);%灰度图数据传递，导入宽高
A=im2bw(B,0.5); % thresh=0.5 表示将灰度等级在128以下的像素全部变为黑色，将灰度等级在128以上的像素全部变为白色。
bw = edge(A,‘sobel’,‘vertical’); figure(2); imshow(bw);title(“边缘图像”); % 垂直边缘检测
Z = strel(‘rectangle’,[30,18]);%连通域处理
bw_close=imclose(bw,Z);%连通域闭处理
bw_open = imopen(bw,Z);%连通域开处理
showImg = grayimg;%灰度图数据传递
%图像数据二值化处理,如果图像尺度过大会使处理时间几何倍增加，所以尽量使用小尺度图片，（你的图片完全OK）我提供个测试图片就属于过大的了
for i=1:width
for j=1:height
if(BWimg(i,j) == 255)
showImg(i,j)= grayimg(i,j);
else
showImg(i,j)= 0;
end
end
end
figure(3);
imshow(showImg);%可视化显示二值化图像
[l,m] = bwlabel(bw_close); %连续域标签
status=regionprops(l,‘BoundingBox’);%图像区域度量
centroid = regionprops(l,‘Centroid’);%字符区域度量
imshow(B);hold on;
a=[0 0 0 0];
if m>1
for i=1:m
if status(i).BoundingBox(1,3) > status(i).BoundingBox(1,4)%归一化预处理
status(i).BoundingBox(1,4)=status(i).BoundingBox(1,3);
else
status(i).BoundingBox(1,3)=status(i).BoundingBox(1,4);
end
status(i).BoundingBox=status(i).BoundingBox+a;
rectangle(‘position’,status(i).BoundingBox,‘edgecolor’,‘g’);%字符画框
text(centroid(i,1).Centroid(1,1)-25,centroid(i,1).Centroid(1,2)-25, num2str(i),‘Color’, ‘r’) %字符框标号
end
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] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.

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

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合