We apply graph matching method to detect infrared small moving targets using image sequences. Candidates (interest points) detected in the first frame form one graph and the same candidates in the last frame form another one. The real moving targets are extracted by matching these two graphs. Experimental results demonstrate that the proposed method is robust and efficient to the translation and rotation of the background.

人脸图像特征提取matlab代码基于特征值的面部识别和匹配 该项目旨在通过使用Haar分类器来改进人脸检测系统，以获得更高的准确度结果。 Haar分类器用于面部检测，因为它可以非常快速地检测到所需图像。 该算法已用于检测，实现了较高的检测精度。 1.数据预处理 出于该项目的目的，已经获得了40个人的数据集。 这些人每个人都有10个姿势不同的图像。 这意味着总共有40 x 10 = 400张图像。 对于每个人，都有单独的文件夹。 用这种方式解释会造成混乱。 在图1中，我们可以在第一行中看到40个标记为1、2、3到40的人。每个人都有10张图像。 这些图像是灰度的。 所有这些图像必须具有相同的尺寸和分辨率。 最后，每个人的图像都保存在单独的文件夹中。 在图1中，s1，s2，s3…..s40代表文件夹。 此过程的摘要如下：•每个人10张图像•每个人1个文件夹（s1，s2，s3等）•图像必须为灰度级•图像必须具有相同的分辨率和尺寸。 我已经拍摄了92 x 112像素的图像。 •图像名称必须是数字，例如1、2、3。•并且图像必须具有相同的扩展名，例如bmp，pgm和/或任何图像格式 2.数据集加

高斯白噪声matlab代码基于自适应傅里叶分解的R峰检测，用于嘈杂的ECG信号 基于AFD的R峰检测的Matlab代码。 该方法在 Wang，Z.，Wong，CM，and Wan，F.（2017年7月）。 针对噪声ECG信号的基于自适应傅立叶分解的R峰检测。 在2017年第39届IEEE医学与生物学工程学会（EMBC）国际会议上（pp.3501-3504）。 IEEE。 R_detect_AFD_4_with_noise.m ：针对嘈杂的ECG信号，基于自适应傅里叶分解的R峰检测。 处理后的信号是MIT-BIH心律失常数据库中ECG信号与加性高斯白噪声的组合。 R_result_check.m ：检测结果。 AFD_filter_final.m ：基于AFD的过滤器。 AFD.m ：核心AFD ECG_100.mat和ECG_101.mat ：来自MIT-BIH心律失常数据库的真实ECG信号 注意事项： 由于噪声是由随机过程产生的，因此计算结果与会议论文中给出的结果之间可能会有细微的差异。 本文考虑了MIT-BIH心律失常数据库中的25条记录。 在此存储库中，仅提供了2个样本记录。 可

基于RNN的ECG分类 我们使用两层LSTM来实现心律不齐类型的分类。 数据集 使用的所有ECG数据均已从MIT-BIH心律失常数据库中获得，该数据库是用于设计和评估ECG分类算法的最常用数据集。

Marelli公司基于模型开发符合ASPICE开发流程的软件，介绍如何使用MATLAB,AUTOSAR开发汽车电子软件， Specify software requirements • Structure software requirements • Establish bidirectional traceability between • software and system requirements • software requirements and software architectural element • software requirements and software units • software detailed design and the unit test specification • elements of the software architectural design and test cases • software qualification test specification and software qualifi

Monocular Event Visual Inertial Odometry based on Event-corner using Sliding Windows Graph-based Optimization 基于事件相机的单目视觉惯性里程计

粒子滤波算法预测电池寿命。包括电池容量数据和MATLAB程序。

信噪比matlab代码详解评估基于感知的语音增强损失 请在这里找到引用论文和脚本的脚本。 在此存储库中，我们提供用于训练/验证数据准备（包括感知加权滤波器的幅度响应），网络训练/验证（包括感知加权滤波器损耗和基于PESQ的损耗），网络推断，增强的语音波形的源代码。重建和测量。 该代码是基于由Juan Manuel Mart´ın-Donas编写的感知加权滤波器损失项目和PMSQE的项目。 然后由赵浩然进行整合和修改。 介绍 在该项目中，针对语音增强应用评估了两个基准损失和两个基于感知的损失。 将均方误差（MSE）损失和对数功率MSE损失作为基准进行测试。 对感知加权滤波器损失和基于PESQ的损失进行评估和比较。 先决条件 2014a或更高版本 3.6 CPU或NVIDIA GPU + 9.0 7.0.5 入门 安装 安装1.14.0和2.3.1 需要安装一些Python软件包，请在Python脚本中查看详细信息。 安装 数据集 请注意，在本项目中，干净的语音信号是从（降采样到8 kHz）中提取的，而噪声信号是从数据库中提取的。 为了在此项目中运行脚本，假定上述数据库在本地可用。 训练和

层次分析matlab代码基于分层分割的协同显着检测 1此代码适用于论文：** [1] Z. Liu，W。Zou，L。Li，L。Shen和O. Le Meur，“基于分层分段的共显着性检测”，IEEE信号处理。 Lett。，第一卷21号1，第88-92页，2014年1月。只能用于非商业目的。 如果您使用我们的代码，请引用论文[1]。 2此代码需要[2] P. Arbelaez，M。Maire，C。Fowlkes，J。Malik，“轮廓检测和分层图像分割”，IEEE模式分析和机器智能交易，第1卷。 33，不。 ，第5卷，第898-916页，2011年5月。[2]的源代码包含在“ lib”文件夹中，也可以从以下位置下载 3运行代码我们已经在ubuntu 12.04下测试了此代码。 在MATLAB中运行Demo.m，您将看到一个示例。

【论文：麦克风阵列增强】Speech Enhancement Based on the General Transfer Function GSC and Postfiltering...-附件资源