一、浅谈现场指纹比对中心点位置的确定（论文文献综述）
张少慧[1]（2021）在《基于SOPC的多种生物特征识别系统的研究》文中指出当今社会信息飞速发展,个人信息安全是信息时代备受关注的问题。身份信息识别技术作为可有效保护信息安全的手段一直是热点研究方向。基于生物特征的身份信息认证识别技术以其稳定性、可靠性及安全性等优点被广泛应用于各领域。但在实际应用中,单模态生物特征识别技术存在如特殊人群生物特征损坏或缺失,防伪性较差等固有缺陷。针对此问题,本文提出了基于SOPC的人脸、虹膜、指纹三种单模态生物特征融合识别方案,可有效弥补上述单特征识别技术的不足。本文具体工作如下:1.单模态生物特征识别的研究。在阅读大量文献后,本设计选择了具体使用的人脸、虹膜及指纹三种生物特征识别的相关算法,并对其进行验证。其中,本文针对虹膜定位算法做出了改进,通过对瞳孔中心位置进行估计,并在此基础上利用先验知识减小大量无用边缘点,实现快速虹膜定位。同时本文还对传统指纹特征提取算法做出了改进,在提取特征的同时去除伪特征点,提升指纹特征提取速度。2.人脸、虹膜、指纹融合识别的研究。本文选定在分数层融合三种生物特征,并根据实际需求设计了人脸+虹膜、人脸+指纹、虹膜+指纹三种融合方案。针对传统分数层加权融合算法计算量大、权值分配固定等缺点,本文提出了自适应加权融合算法。通过判断单生物特征识别系统的可靠性确定融合方案,再根据不同权值的融合系统的可靠性确定最终最佳融合权值,以得到性能最佳的融合系统。3.SOPC系统的开发。本文通过硬件描述语言对按系统需求添加的IP核进行连接,完成了系统的硬件开发,将PC端验证可行的算法采用C语言编写并在Nios II处理器上运行实现,完成了系统软件开发。最后将整个系统在DE2-115开发板得到了验证,初步实现了融合身份识别系统。
李冰[2]（2021）在《基于WiFi的选煤厂人员定位系统》文中研究表明我国是世界上的大型煤炭生产国,由于煤炭生产环境的复杂性,从而导致在煤炭生产作业过程中安全事故的发生率极高。为了降低企业安全事故的发生率,保障安全生产和在岗员工的人身安全,规范生产操作流程,急切需要借助现代化的技术手段对厂区内作业人员进行位置监管。在发生煤矿安全事故时,通过可靠的手段及时统计遇难人员数量和所在位置,成为降低救援难度,提高救援效率的关键。本文针对基于Wi-Fi的选煤厂人员定位系统的关键性技术进行了研究,分析采用位置指纹算法对定位性能影响的主要因素。针对位置指纹算法在离线和定位两个关键环节上存在的不足,从降低匹配算法的计算量和工作量、改善RSS信号的质量、提高系统的稳定性和实时性的角度出发,改进了传统的AP选择策略和位置指纹算法,在一定程度上提高了人员定位系统的性能。首先,针对离线阶段创建的位置信息指纹数据库,从两方面进行了研究:第一,针对AP选择造成指纹数据冗余的问题,本文从Wi-Fi信号的影响因素出发,对经典的AP选择策略进行了分析,并结合选煤厂的实际环境,提出了基于K-means聚类的最大均值AP选择策略。与经典的AP选择策略相比,本文提出的算法考虑了整体AP集合对定位精度的影响,避免了由于指纹数据冗余而造成的系统的工作量和计算量大的问题。第二,针对在复杂环境中RSS信号传递的衰减,通过对常用滤波模型的分析研究,针对位置指纹算法的两个关键环节的特征,选择高斯滤波模型和卡尔曼滤波模型进行数据预处理。其次,从提高系统定位精度、减少系统计算量和工作量的角度出发,提出了基于区域划分的K-means聚类-加权K近邻算法,通过两次空间维度的缩小,有效的减少了在定位时所需要匹配的位置指纹个数,提高了算法的实时性,对系统整体性能有较大提高。最后对选煤厂人员定位系统进行设计,从实际需求出发,对PC端、移动端和服务端的各功能模块、通信方式进行设计。此外,还制定了系统测试方案,并在选煤厂中其系统进行试用。试用结果表明系统运作稳定可靠,满足实际的生产需求。
郝培蓉[3]（2020）在《基于分类特征的指纹识别系统的研究与实现》文中指出生物特征识别技术由于信息时代的到来蓬勃发展,已经在个人身份认证领域取得一定的研究、应用成果。指纹识别技术凭借其易采集、识别稳定以及成本低等特点,成为生物特征识别技术行业中占比最高的身份认证技术。由于人口基数庞大,指纹识别技术的研究逐步转向基于大容量指纹库的指纹自动识别,为了对待识别指纹找到与之相匹配的指纹模板,指纹库需要建立有效的索引,否则将会在数据库进行全表扫描,时间代价较大,不满足人们对高效系统的要求。因此,本文以指纹识别系统中的分类方法为主要研究方向,研究并实现指纹三级分类算法与基于分类特征的指纹识别系统,将整个指纹库缩小为与待识别指纹相似的同源指纹集。本文的主要研究成果如下:（1）在指纹图像预处理阶段,研究并实现了一套指纹质量评估方法,剔除低质量指纹并提示用户重新采集,评估方法采用了图像有效面积比、有效区灰度对比度以及有效区形心偏移量等特征。（2）在指纹分类方面,一方面研究了指纹三级分类方法,首先根据提取的奇异点的数量与位置确定指纹纹形,对指纹进行粗分类,其次根据奇异点间脊线数目进行二级分类,最后依据脊线平均周期分类,依此三种特征数据构建带有索引的大容量指纹数据库;另一方面针对奇异点间脊线数目与脊线平均周期估算不准确的情况,研究实现了数据库索引方法,在同源指纹集匹配失败时,增加搜索半径,经过大量实验得出搜索半径上限,降低系统搜索时间与拒识率。基于现有的算法结合以上两方面的研究内容,实现一套面向研究生招生考试的基于分类特征的指纹自动识别系统,经过实验数据验证表明,质量评估方法和分类算法能降低系统拒识率,提高系统的效率。
王彰[4]（2020）在《基于LVQ与神经网络的指纹分类对比研究》文中研究表明如今,计算机技术飞速发展和广泛应用,生物特征识别技术成了目前最方便最安全的身份识别技术。而指纹的稳定性和唯一性使得指纹识别技术在生物特征识别技术市场中占据将近半壁江山。广泛应用于民用生活、商业产品、犯罪刑侦、遗传工程等各个领域。目前指纹识别技术还存在着很多问题,比如指纹图像预处理后的指纹图像质量差,指纹匹配的识别率不高,运算速度慢等问题。本文通过研究基于BP神经网络模型和LVQ神经网络模型的指纹识别技术,对比分析两者识别的准确率。主要对如下几个方面进行深入研究。在指纹图像预处理中,先对指纹图像进行分割,在指纹图像增强中,首先归一化,然后计算方向图,计算频率,计算区域掩码,最后进行滤波。在处理二值化图像中,使用腐蚀膨胀操作对二值化图像进行修复,去掉图像中存在的一些空洞点和噪点。在指纹图像预处理完成后,采用奇异点的位置分布信息来进行指纹分类,然后从细化二值图像中进行特征提取。最后利用两种神经网络模型进行指纹识别的实验。实验结果表明:本文使用LVQ神经网络模型对指纹分类识别效果的识别率均高于BP神经网络模型。
彭地[5]（2020）在《电解车间自主移动机器人控制系统研究》文中研究表明随着科技发展,自动化生产越来越多的被应用到工业生产。传统的采用人工的生产方式相较于自动化生产有许多的缺点,传统工厂正在逐渐的向自动化工厂转型。本课题基于电解车间自动化生产项目需求对自动作业AGV进行控制系统研究。针对AGV的运行环境特点,本文采用无导引线导航方式,利用无迹卡尔曼滤波融合惯导、激光雷达、RFID进行导航;采用改进的A*算法实现距离最短且转弯次数最少的最优路径搜索;采用模糊PID进行运动控制,更好的适应AGV系统非线性的特点;采用QT多线程技术进行AGV车载软件系统设计。首先,针对项目需求进行控制系统需求以及功能分析,并确定控制系统整体框架并对主要部分进行了设计。对比多种无线通信方式优缺点,分析并选择WIFI作为本课题车载系统与地面监控系统远程通信方式;对比目前常用的AGV导航方式并结合项目要求,选择惯导、激光雷达、RFID融合的导航方式;考虑车载控制系统运动安全性,选择车载电脑和PLC作为控制系统车载控制器;最后根据系统的总体设计方案,搭建了控制系统实验平台。然后,设计了导航与路径规划算法。根据惯导、激光雷达、RFID导航的特点,采用三种导航方式结合的方式进行导航,并利用能够处理非线性系统的无迹卡尔曼滤波进行各传感器数据融合,实现更高精度的导航。根据AGV运行的环境几何特点,将转弯次数启发信息加入代价函数,实现路径最短且转弯次数最少的路径搜索。其次,对AGV实验平台进行运动学建模并设计运动控制闭环方案:将运动控制分为位姿环与驱动轮转速控制环并将模糊PID作为位姿环控制器。之后,采用QT多线程技术进行车载软件系统总体设计并对各模块进行了详细设计。最后,利用搭建的实验平台以及设计的软件进行控制系统测试。测试结果表明,控制系统核心模块导航与运动控制设计的可行性。
白茹攀[6]（2019）在《基于深度卷积神经网络的低质量指纹识别》文中指出指纹具有独特性、持久性和可接受性,因此它被看作是广泛接受的生物识别特征。通过对指纹识别的研究,可以满足对访问控制的需求、提升政府服务的效率以及在很大程度上有助于对各项疾病的检测及预防。由于指纹提取方式的不同造成指纹前景区域与背景区域存在着大量噪声,准确率不高,因此对于这些低质量指纹使得指纹识别产生了较大的难度。近些年来,随着深度学习的高速发展,卷积神经网络广泛应用于工业、医疗、金融、环境、军事等各个领域,并且在图像的识别和分类方面取得了相当不错的效果。因此,本文提出使用卷积神经网络的方法,对低质量指纹进行了深入的研究。具体工作包括:首先,选取指纹质量较差的NIST DB10以及FVC 2004作为文本研究的指纹数据库,很大程度上增加了指纹识别的难度,其中本文的训练集和测试集的大小分别为3200和800。本文对选取的指纹库里的指纹进行了多项预处理,包括直方图均衡化、指纹图像分割、指纹方向场估计、基于STFT的指纹图像增强、指纹图像细化、奇异点检测以及ROI提取等,可以很好地提高指纹图像的质量。其次,使用Inception V3网络,对预处理前后的结果进行对比和分析。随后,在Inception V3网络的基础上,使用了更深更宽更复杂的Inception-ResNet-V2网络进行实验,进一步提高了指纹识别的准确率。最后,本文对所有的实验结果进行了详细的对比和分析。在指纹数据集未经过预处理时,使用Inception V3网络得出指纹识别准确率为75%;在经过多项预处理操作后,使用同样的方法在数据集上得出识别率为86.25%;为了达到更好的识别效果,使用了更复杂的Inception-ResNet-V2网络,指纹识别的准确率达到了93.75%。因此,可以看出通过本文研究有效地提高了指纹图像的鲁棒性,有效地提高了低质量指纹的识别准确率。
李康,李健恺[7]（2018）在《指纹中心半径与角度对查询比对结果的影响研究》文中提出目的:研究改变指纹中心半径与角度对PU-AFIS系统比中率的影响,并得出最佳半径与角度。方法:比较实验研究,利用屏幕尺子工具和屏幕量角器工具,分别对指纹中心半径、角度和方向进行定量改变,然后发送比对查询,记录并比较比对结果的查中概率、得分及排名。结果:改变指纹上中心半径,当半径为0.75cm左右时,查中概率或得分最高;改变上中心角度,当角度为50°左右时,查中概率或得分最高;改变上中心方向,顺时针和逆时针旋转5°左右范围内,查中概率、得分和排名与中心方向未改变时一样,在旋转超过5°后,查中概率、得分和排名出现降低。结论:在标注现场指纹上中心时,最好将半径设置为0.75cm左右,角度设置为50°左右,指纹中心方向顺时针逆时针偏转各不超过5°左右。
孙东晓[8]（2014）在《浅议指纹系统提高比中效率的方法和技巧》文中提出计算机指纹自动识别系统作为"科技强警"的一个重要组成部分已在全国公安机关得到了广泛应用。技术人员应了解识别系统的工作原理,掌握正确的查询方法和编辑技巧,提高比中效率,最大限度地挖掘识别系统的潜能,为侦查破案提供更多更快的技术支持,真正体现"科技强警"的内涵。
宋静波,顾玉鹏[9]（2013）在《浅谈现场指纹如何编辑》文中提出在运用指纹自动识别系统过程中,编辑现场指纹是至关重要的一步,是指将现场指纹图像录入计算机指纹自动识别系统,再判定纹型、确定指位、中心点及中心角度并标注特征点,为指纹自动识别系统进行自动检索、比对提供必须的条件。
陈英[10]（2012）在《自动指纹识别系统的实现》文中提出研究了指纹图像的预处理、特征提取及特征匹配这三种算法。介绍了指纹和自动指纹识别系统的相关知识,详述其各组成单元;采用了基于三角形基准点定位匹配的算法,以弥补细节点指纹匹配算法过于依赖中心点的不足;并在VC++6环境下开发了自动指纹识别系统软件,性能测试结果表明,该系统能较好地实现自动指纹识别功能。
二、浅谈现场指纹比对中心点位置的确定（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、浅谈现场指纹比对中心点位置的确定（论文提纲范文）
（1）基于SOPC的多种生物特征识别系统的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 生物特征识别技术研究现状 |
| 1.2.1 人脸识别技术研究现状 |
| 1.2.2 虹膜识别技术研究现状 |
| 1.2.3 指纹识别技术研究现状 |
| 1.2.4 多模态生物特征识别技术研究现状 |
| 1.3 主要研究内容及章节安排 |
| 1.4 本章小结 |
| 第二章 单模态生物特征识别的实现 |
| 2.1 人脸识别 |
| 2.1.1 人脸数据库 |
| 2.1.2 人脸预处理 |
| 2.1.2.1 图像灰度化 |
| 2.1.2.2 直方图均衡化 |
| 2.1.3 K-L正交变换 |
| 2.1.4 基于PCA的人脸识别 |
| 2.2 虹膜识别 |
| 2.2.1 虹膜数据库 |
| 2.2.2 虹膜预处理 |
| 2.2.2.1 虹膜定位 |
| 2.2.2.2 虹膜归一化及增强 |
| 2.2.3 虹膜特征提取及编码 |
| 2.2.4 虹膜特征匹配 |
| 2.3 指纹识别 |
| 2.3.1 指纹数据库 |
| 2.3.2 指纹预处理 |
| 2.3.2.1 图像归一化 |
| 2.3.2.2 图像增强 |
| 2.3.2.3 基于梯度场的图像分割 |
| 2.3.2.4 指纹图像二值化 |
| 2.3.2.5 二值化图像去噪 |
| 2.3.2.6 指纹图像细化 |
| 2.3.3 指纹特征提取 |
| 2.3.4 指纹特征匹配 |
| 2.4 本章小结 |
| 第三章 人脸虹膜指纹融合识别技术 |
| 3.1 融合策略 |
| 3.2 匹配分数归一化 |
| 3.3 分数层融合算法 |
| 3.3.1 传统分数层融合算法 |
| 3.3.2 改进的分数层融合算法 |
| 3.4 实验分析 |
| 3.4.1 基于单模态生物特征识别的实验分析 |
| 3.4.2 基于多特征融合识别系统的实验分析 |
| 3.5 本章小结 |
| 第四章 基于SOPC的多生物特征融合系统 |
| 4.1 FPGA及 SOPC技术相关概述 |
| 4.1.1 现场可编程门阵列FPGA |
| 4.1.2 可编程片上系统SOPC |
| 4.1.3 Nios II处理器 |
| 4.2 融合系统的硬件平台及开发环境 |
| 4.2.1 DE2-115 开发板 |
| 4.2.2 系统开发环境 |
| 4.3 融合系统需求分析及总体设计 |
| 4.3.1 系统需求分析 |
| 4.3.2 系统总体设计 |
| 4.4 硬件系统搭建 |
| 4.5 系统软件设计 |
| 4.6 系统测试 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（2）基于WiFi的选煤厂人员定位系统（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 课题背景 |
| 1.2 选煤厂人员定位系统研究的必要性分析 |
| 1.3 国内外研究现状 |
| 1.4 论文主要工作及章节安排 |
| 2.选煤厂人员定位系统总体设计 |
| 2.1 系统总体设计 |
| 2.2 系统评价标准 |
| 2.3 Wi-Fi技术 |
| 2.3.1 Wi-Fi的基本结构 |
| 2.3.2 基本服务级 |
| 2.4 Wi-Fi定位技术比较与选择 |
| 2.4.1 选煤厂人员定位特点 |
| 2.4.2 常用室内定位技术分析比较 |
| 2.4.3 常用定位技术分析 |
| 2.5 Wi-Fi定位相关方法比较与选择 |
| 2.5.1 .到达角度定位(AOA) |
| 2.5.2 .到达时间定位(TOA) |
| 2.5.3 到达时间差定位(TDOA) |
| 2.5.4 RSS定位方法 |
| 2.5.5 常用定位方法分析比较 |
| 2.6 Android平台概述 |
| 2.7 本章小结 |
| 3.AP选择策略及RSS预处理研究 |
| 3.1 Wi-Fi信号强度的影响因素 |
| 3.2 AP个数对定位精度影响 |
| 3.3 AP选择算法的研究 |
| 3.3.1 AP选择的意义 |
| 3.3.2 常用AP选择策略及算法分析 |
| 3.4 基于K-means聚类的最大均值AP选择算法 |
| 3.4.1 K-means聚类算法 |
| 3.4.2 基于K-means聚类的最大均值AP选择算法原理 |
| 3.4.3 实验及性能分析 |
| 3.5 RSS信号预处理方法研究 |
| 3.5.1 常用的滤波模型 |
| 3.5.2 滤波方法的分析比较 |
| 3.6 本章小结 |
| 4.基于位置指纹匹配算法的研究 |
| 4.1 指纹算法定位原理 |
| 4.2 典型位置指纹定位方法 |
| 4.2.1 神经网络法 |
| 4.2.2 朴素贝叶斯法 |
| 4.2.3 加权K最近邻法 |
| 4.3 基于区域划分—K-means聚类的加权K近邻定位算法 |
| 4.4 定位性能分析 |
| 4.4.1 实验环境 |
| 4.4.2 实验及结果分析 |
| 4.5 本章小结 |
| 5.基于Android的选煤厂人员定位系统的设计 |
| 5.1 定位系统需求分析 |
| 5.1.1 功能需求分析 |
| 5.1.2 性能需求 |
| 5.2 系统开发模式 |
| 5.2.1 服务端开发模式 |
| 5.2.2 移动客户端和后台管理平台开发模式 |
| 5.3 系统功能模块设计 |
| 5.4 系统通信设计 |
| 5.4.1 Socket |
| 5.4.2 Http |
| 5.4.3 通信方式选择 |
| 5.5 移动客户端设计 |
| 5.5.1 用户注册和登录模块设计 |
| 5.5.2 RSS采集和处理模块设计 |
| 5.5.3 巡检功能模块 |
| 5.5.4 电子围栏功能模块 |
| 5.5.5 考勤打卡功能模块 |
| 5.6 后台管理平台设计 |
| 5.6.1 生产作业管理模块 |
| 5.6.2 用户注册和登录模块设计 |
| 5.7 服务器端设计 |
| 5.7.1 指纹数据创建模块设计 |
| 5.7.2 匹配定位算法模块 |
| 5.8 系统测试 |
| 5.8.1 功能测试 |
| 5.8.2 性能测试 |
| 5.9 本章小结 |
| 6.展望与总结 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（3）基于分类特征的指纹识别系统的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与研究的目的意义 |
| 1.2 指纹自动识别系统 |
| 1.2.1 研究历史与现状 |
| 1.2.2 应用前景 |
| 1.3 研究目标与研究技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究技术路线 |
| 1.4 本文的内容安排 |
| 2 指纹自动识别系统构成介绍 |
| 2.1 指纹图像采集 |
| 2.2 指纹基本特征 |
| 2.2.1 全局特征 |
| 2.2.2 局部特征 |
| 2.2.3 细微特征 |
| 2.3 指纹预处理 |
| 2.4 指纹特征提取 |
| 2.5 指纹分类 |
| 2.6 指纹匹配 |
| 2.7 本章小结 |
| 3 指纹的预处理与特征提取 |
| 3.1 方向场与频率场 |
| 3.1.1 方向场计算 |
| 3.1.2 频率场计算 |
| 3.2 指纹图像分割 |
| 3.3 指纹图像质量评估 |
| 3.3.1 评估方法 |
| 3.3.2 实验结果分析 |
| 3.4 指纹图像的二值化与细化 |
| 3.4.1 二值化 |
| 3.4.2 细化 |
| 3.5 指纹奇异点的定位与提取 |
| 3.5.1 奇异点定位 |
| 3.5.2 奇异点提取 |
| 3.6 指纹细节点的检测与去伪 |
| 3.7 本章小结 |
| 4 基于三级分类特征的指纹分类检索方法研究 |
| 4.1 指纹分类方法研究 |
| 4.1.1 指纹分类方法总体思路 |
| 4.1.2 指纹分类研究目标 |
| 4.2 一级分类特征-指纹纹形 |
| 4.2.1 指纹纹型确定 |
| 4.2.2 实验结果分析 |
| 4.3 二级分类特征-脊线数 |
| 4.3.1 奇异点间脊线数的分布分析 |
| 4.3.2 脊线数计算 |
| 4.3.3 匹配时搜索方法与搜索半径确定 |
| 4.3.4 实验结果分析 |
| 4.4 三级分类特征-脊线平均周期 |
| 4.4.1 脊线平均周期的分布分析 |
| 4.4.2 脊线平均频率修正并计算周期 |
| 4.4.3 实验结果分析 |
| 4.5 指纹多级分类方法评价 |
| 4.5.1 准确率分析 |
| 4.5.2 效率分析 |
| 4.6 本章小结 |
| 5 指纹匹配 |
| 5.1 指纹模板检索 |
| 5.2 细节点局部结构匹配 |
| 5.2.1 基准点 |
| 5.2.2 精确匹配 |
| 5.3 验证模式匹配(1:1模式) |
| 5.4 辨别模式匹配(1:N模式) |
| 5.5 本章小结 |
| 6 基于分类特征的指纹识别系统设计与实现 |
| 6.1 系统平台整体设计 |
| 6.2 系统平台各功能模块 |
| 6.2.1 用户模块 |
| 6.2.2 指纹图像采集模块 |
| 6.2.3 指纹处理模块 |
| 6.2.4 识别模块 |
| 6.2.5 信息存储模块 |
| 6.3 准确率分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 致谢 |
（4）基于LVQ与神经网络的指纹分类对比研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 生物特征识别技术简介 |
| 1.2 生物特征识别分类 |
| 1.3 指纹识别技术国内外研究现状 |
| 1.4 论文结构 |
| 第二章 指纹识别的基本概念和原理 |
| 2.1 指纹识别技术的概念 |
| 2.2 指纹识别技术的优点 |
| 2.3 指纹识别技术存在的缺点 |
| 2.4 指纹识别技术的基本原理 |
| 2.5 指纹识别研究的难题 |
| 2.6 基于神经网络的指纹识别技术 |
| 第三章 人工神经网络介绍 |
| 3.1 人工神经网络简述 |
| 3.2 人工神经网络与生物学联系 |
| 3.3 人工神经网络的主要优点 |
| 3.4 人工神经网络发展历程 |
| 3.5 人工神经网络模型 |
| 3.6 人工神经网络的学习规则介绍 |
| 3.7 BP神经网络简述 |
| 3.8 BP算法简介 |
| 3.9 LVQ神经网络简述 |
| 第四章 指纹图像预处理 |
| 4.1 指纹图像预处理流程及指标 |
| 4.1.1 指纹图像预处理流程 |
| 4.1.2 指纹图像去噪评价指标 |
| 4.2 指纹图像的分割及增强 |
| 4.2.1 指纹图像分割 |
| 4.2.2 指纹图像的增强 |
| 4.3 指纹图像的二值化 |
| 4.4 指纹图像的细化 |
| 第五章 指纹图像的特征提取 |
| 5.1 指纹图像特征提取的方法 |
| 5.1.1 指纹特征的分类 |
| 5.1.2 特征提取的方法 |
| 5.2 指纹图像的特征提取 |
| 5.2.1 指纹特征的提取算法 |
| 5.2.2 指纹特征的去伪 |
| 5.3 指纹图像的特征匹配 |
| 5.3.1 指纹匹配特征 |
| 5.3.2 指纹匹配特征提取 |
| 5.3.3 极坐标特征变换 |
| 5.4指纹图像的特征匹配实验 |
| 第六章 基于BP神经网络和LVQ神经网络的的指纹分类与识别 |
| 6.1 基于BP神经网络的指纹识别方法 |
| 6.1.1 BP神经网络 |
| 6.1.2 BP神经网络的训练 |
| 6.2 基于LVQ神经网络的指纹识别方法 |
| 6.2.1 LVQ神经网络简述 |
| 6.2.2 基于LVQ神经网络的竞争学习机制 |
| 6.3指纹识别的实验 |
| 6.3.1 实验数据 |
| 6.3.2 模型训练 |
| 6.3.3 模型输出及结论 |
| 总结 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（5）电解车间自主移动机器人控制系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 AGV国内外发展现状 |
| 1.3.1 AGV国外发展现状 |
| 1.3.2 AGV国内发展现状 |
| 1.4 AGV系统关键技术研究现状 |
| 1.4.1 导航定位技术 |
| 1.4.2 路径规划技术 |
| 1.4.3 运动控制技术 |
| 1.5 本文研究内容及章节安排 |
| 1.5.1 论文主要研究内容 |
| 1.5.2 论文章节安排 |
| 第二章 控制系统总体设计 |
| 2.1 需求分析 |
| 2.2 功能分析 |
| 2.3 控制系统整体框架设计 |
| 2.4 无线通信方案设计 |
| 2.4.1 无线通信方式选择 |
| 2.4.2 无线路由器选择 |
| 2.4.3 局域网组网 |
| 2.5 导航避障方案设计 |
| 2.5.1 导航方式选择 |
| 2.5.2 融合RFID和激光的惯性导航 |
| 2.5.3 超声波避障 |
| 2.6 车载控制器选择 |
| 2.7 实验平台搭建 |
| 2.7.1 AGV底盘移动方式 |
| 2.7.2 控制系统硬件组成 |
| 2.7.3 实验平台 |
| 2.8 本章小结 |
| 第三章 导航算法及路径规划研究 |
| 3.1 导航算法 |
| 3.1.1 航迹推算 |
| 3.1.2 激光雷达导航 |
| 3.1.3 RFID定位 |
| 3.1.4 无迹卡尔曼滤波融合传感器数据 |
| 3.2 路径规划 |
| 3.2.1 车间环境地图模型建立 |
| 3.2.2 路径搜索算法研究 |
| 3.3 本章小结 |
| 第四章 运动控制研究 |
| 4.1 运动学建模 |
| 4.1.1 麦克纳姆轮安装方式 |
| 4.1.2 AGV逆运动学建模 |
| 4.2 运动控制闭环方案 |
| 4.3 驱动轮速度控制环 |
| 4.4 位姿环控制器设计 |
| 4.4.1 PID控制器 |
| 4.4.2 模糊PID控制器设计 |
| 4.5 实验结果分析与两种控制算法比较 |
| 4.5.1 实验环境简介 |
| 4.5.2 路径跟踪实验性能测试 |
| 4.5.3 偏差纠正能力测试 |
| 4.6 本章小结 |
| 第五章 软件系统设计与实现 |
| 5.1 AGV工作流程设计 |
| 5.2 软件开发平台简介 |
| 5.3 车载软件系统设计 |
| 5.3.1 车载软件功能设计 |
| 5.3.2 车载软件框架设计 |
| 5.3.3 车载软件多线程实现 |
| 5.3.4 车载软件通信设计与实现 |
| 5.3.5 车载软件其他功能设计与实现 |
| 5.3.6 人机交互界面设计与实现 |
| 5.4 地面监控软件设计 |
| 5.5 本章小结 |
| 第六章 AGV控制系统测试 |
| 6.1 测试环境搭建 |
| 6.2 AGV系统安全性能测试 |
| 6.2.1 避障安全性能测试 |
| 6.2.2 通信中断检测测试 |
| 6.3 AGV停车定位测试 |
| 6.4 AGV导航系统环境抗干扰测试 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）基于深度卷积神经网络的低质量指纹识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状分析 |
| 1.3 论文的主要工作 |
| 1.4 论文的结构及内容安排 |
| 第二章 指纹识别的基本理论介绍 |
| 2.1 指纹库内指纹的介绍与分析 |
| 2.2 预处理过程的介绍与分析 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络的介绍 |
| 2.3.2 卷积神经网络的组成 |
| 2.4 基于Keras的框架 |
| 2.4.1 Keras的介绍 |
| 2.4.2 Keras框架的模块分析和实现过程 |
| 2.5 本章小结 |
| 第三章 低质量指纹的预处理 |
| 3.1 指纹图像的直方图均衡化 |
| 3.2 指纹图像的分割 |
| 3.2.1 梯度场处理的算法 |
| 3.2.2 指纹分割的算法 |
| 3.3 指纹图像方向场估计 |
| 3.4 STFT的指纹图像增强 |
| 3.4.1 窗函数的选择 |
| 3.4.2 脊线频率和方向的分析 |
| 3.4.3 方向一致性的分析 |
| 3.4.4 增强算法的实现 |
| 3.5 指纹图像细化 |
| 3.6 奇异点的检测算法 |
| 3.7 指纹图像的ROI提取 |
| 3.7.1 参考点的选取及图像对齐 |
| 3.7.2 ROI的确定及镶嵌式子块捕获 |
| 3.8 本章小结 |
| 第四章 低质量指纹识别的设计与实现 |
| 4.1 低质量指纹的介绍与分析 |
| 4.1.1 低质量指纹数据集的介绍 |
| 4.1.2 低质量指纹数据集的分析 |
| 4.2 Inception V3 网络的介绍与分析 |
| 4.3 Inception-ResNet-V2 网络的介绍与分析 |
| 4.4 本章小结 |
| 第五章 实验结果及分析 |
| 5.1 低质量指纹的预处理实验结果 |
| 5.2 两种深度卷积神经网络的实验结果 |
| 5.2.1 Inception V3 网络的实验结果分析 |
| 5.2.2 Inception-ResNet-V2 网络的实验结果分析 |
| 5.3 本文研究的实验结果对比与分析 |
| 5.3.1 预处理前后的结果对比与分析 |
| 5.3.2 数据量不同的结果对比与分析 |
| 5.3.3 选取网络不同的结果对比与分析 |
| 5.3.4 不同文献的结果对比与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 对未来工作的展望 |
| 参考文献 |
| 致谢 |
（7）指纹中心半径与角度对查询比对结果的影响研究（论文提纲范文）
| 引言 |
| 一、实验目的 |
| 二、实验原理 |
| 三、实验准备 |
| (一) 实验设备和材料 |
| (二) 实验样本选取 |
| 四、实验过程及结果 |
| (一) 改变指纹上中心半径对PU-AFIS比中率的影响 |
| 1. 实验内容 |
| 2. 实验结果 |
| 3. 结果分析 |
| (二) 改变指纹上中心角度对PU-AFIS比中率的影响 |
| 1. 实验内容 |
| 2. 实验结果 |
| 3. 结果分析 |
| (三) 改变指纹上中心方向对PU-AFIS比中率的影响 |
| 1. 实验内容 |
| 2. 实验结果 |
| 3. 结果分析 |
| (四) 改变斗型纹下中心半径对PU-AFIS比中率的影响 |
| 1. 实验内容 |
| 2. 实验结果 |
| 3. 结果分析 |
| 五、结论 |
（8）浅议指纹系统提高比中效率的方法和技巧（论文提纲范文）
| 一、查询的方法 |
| (一)正查倒查结合法 |
| (二)同伙指纹倒查法与相邻编号捺印指纹倒查法 |
| (三)分段查询法 |
| (四)定期翻查法 |
| (五)未归案人员复查法 |
| (六)比对结果倒看法 |
| (七)“手工”比对法 |
| 二、入库指纹特征点的编辑技巧 |
| (一)指纹系统的工作原理 |
| 1. 筛选的三个步骤 |
| 2. 特征匹配 |
| 3. 评分 |
| 4. 排序 |
| (二)指纹特征点标注技巧 |
| 1. 中心点的编辑 |
| 2. 特征点的编辑 |
| 3. 注重特征位置的应用 |
| 4. 中心、三角要标注准确 |
| 三、提高比对效率应注意的问题 |
| (一)指纹标注和认定要与系统相一致 |
| (二)注意纹型的容错和限定问题 |
| (三)注意把握细节特征的数量和位置问题 |
| (四)注意指纹的方向问题 |
| (五)无歧义原则 |
（9）浅谈现场指纹如何编辑（论文提纲范文）
| 1 对现场指纹条件的要求 |
| 2 对现场指纹进行扫描录入 |
| 3 确定现场指纹纹型 |
| 4 确定现场指纹角度、中心点范围及三角 |
| 5 选择细节特征点的原则 |
| 6 如何标注细节特征点 |
| 7 细节特征点的选用原则 |
| 8 通过细节特征点的组合, 提高检验比对效率 |
（10）自动指纹识别系统的实现（论文提纲范文）
| 1 警用指纹自动识别系统总体框架及关键技术 |
| 1.1 指纹图像采集 |
| 1.2 指纹图像预处理 |
| 1.3 指纹图像特征提取 |
| 1.4 指纹的分类 |
| 1.5 指纹图像的匹配 |
| 2 算法实现及系统演示 |
| 2.1 基于矢量三角法的指纹匹配算法 |
| 2.2 指纹图像预处理中的主要功能演示 |
| 2.3 特征点提取的代码实现及功能演示 |
| 2.4 系统演示 |
| 3 结 语 |
四、浅谈现场指纹比对中心点位置的确定（论文参考文献）
- [1]基于SOPC的多种生物特征识别系统的研究[D]. 张少慧. 内蒙古大学, 2021(12)
- [2]基于WiFi的选煤厂人员定位系统[D]. 李冰. 中北大学, 2021(09)
- [3]基于分类特征的指纹识别系统的研究与实现[D]. 郝培蓉. 北京林业大学, 2020(02)
- [4]基于LVQ与神经网络的指纹分类对比研究[D]. 王彰. 西安石油大学, 2020(12)
- [5]电解车间自主移动机器人控制系统研究[D]. 彭地. 电子科技大学, 2020(07)
- [6]基于深度卷积神经网络的低质量指纹识别[D]. 白茹攀. 云南大学, 2019(02)
- [7]指纹中心半径与角度对查询比对结果的影响研究[J]. 李康,李健恺. 警察技术, 2018(01)
- [8]浅议指纹系统提高比中效率的方法和技巧[J]. 孙东晓. 北京警察学院学报, 2014(01)
- [9]浅谈现场指纹如何编辑[J]. 宋静波,顾玉鹏. 黑龙江科技信息, 2013(34)
- [10]自动指纹识别系统的实现[J]. 陈英. 浙江科技学院学报, 2012(04)