一、基于中国人人脸区域特征的贝叶斯分类法研究（论文文献综述）
陶兴[1]（2020）在《多源学术新媒体用户生成内容的知识聚合研究》文中指出随着信息经济迅猛发展,学术新媒体作为新型的网络学术知识平台逐渐受到科研工作者的关注,为知识信息获取、知识交流、知识传播等带来了改变。学术新媒体以学术微博、学术微信公众号、学术虚拟社区、学术APP等主要形式存在,具有平台类型多样、平台内容丰富、平台知识专业化等特点。为科研工作者提供了获取学术信息、分享学术成果、开展学术交流等活动的新途径。学术新媒体不再以文章、期刊论文等长文本形式作为知识推送的内容,学术用户作为学术新媒体环境中知识接受者与生产者两种身份并存,新媒体环境鼓励学术用户通过提问、回答与分享来自主产生新知识,创新了学术知识获取方式。随着新媒体环境的扩张,互联网中的用户生成内容呈现出了爆炸式增长,用户在搜寻知识过程中需要消耗大量的时间和精力去浏览与筛选知识内容。知识内容出现“知识过载”,用户陷入“知识迷航”,而学术新媒体中的用户生成知识内容也存在内容质量参差不齐,知识点碎片化分散,内容冗余等问题。同时不同学术新媒体平台间缺乏信息交流,单一平台内的知识无法及时完善与更新,导致用户须花费大量时间去浏览多平台内的知识,增加了获取知识的难度。如何对学术新媒体内用户生成内容进行知识的挖掘、组织和管理,创新学术新媒体的知识服务模式,为学术用户提供高质量知识服务内容,已成为学术新媒体发展面临的新问题。鉴于此,本文将知识聚合理论与方法引入到学术新媒体用户生成内容的知识聚合研究中,构建基于知识聚合的多源学术新媒体用户生成内容聚合机理,探讨了用户生成内容质量评测问题,提出了主题聚合与摘要生成两种用户生成内容知识聚合方法,设计了知识聚合精准推荐方案,并提出多源学术新媒体用户生成内容的知识聚合能力提升策略。本文主要开展了以下方面的研究:第一,构建多源学术新媒体用户生成内容的知识聚合机理。界定了学术新媒体用户生成内容的知识聚合内涵,即对新媒体平台用户生成内容中蕴含的知识进行有效组织,进而挖掘其内在知识的关联关系,为学术新媒体用户提供多源平台的知识聚合服务。划分了多源学术新媒体用户生成内容知识聚合类型,分别为:同型异源知识聚合、异型异源知识聚合、多语种知识聚合。将多源学术新媒体用户生成内容的知识聚合要素分为知识聚合主体、知识聚合客体、知识聚合内容、知识聚合环境、知识聚合技术等五个方面。从学术信息资源需求、学术创新环境、知识聚合主体收益、科技进步、多源学术资源等方面探讨了多源学术新媒体用户生成内容知识聚合的驱动力。从原理特点、作用方式等方面详细阐述了其影响知识聚合的原因。解读了多源学术新媒体知识聚合过程,分别为挖掘与解读用户需求,学术信息的数据处理,学术信息质量评测,知识发现与聚合,学术知识推荐。最后提出了多源学术新媒体用户生成内容的知识聚合机理模型,并从各要素间的关系与交互行为入手,绘制其实践应用中的具体过程图。第二,提出了学术新媒体用户生成内容的自动化质量评测方法。文本通过数据维度、情感极性、领域词汇等三方面考虑,建立学术用户生成内容自动化特征提取过程。再利用双层BI-GRU神经网络学习学术用户生成内容的特征属性。引入专业学术领域词典,优化词嵌入模型所生成的学术用户生成文本向量化表达。最终实现学术新媒体用户生成内容的质量评测,筛选出高质量的文本内容,为后续的多源学术新媒体用户生成内容知识聚合方法研究提供优质的数据基础。第三,基于主题生成的多源学术新媒体用户生成内容的知识聚合研究。提出基于混合神经网络BiLSTM-CNN-CRF和LDA主体概率模型的学术新媒体用户生成内容的知识主体聚合方法。利用混合神经网络分词法,对学术新媒体用户生成内容进行学习分词,然后将获取到的学术专业分词表输入到LDA主体概率模型中,生成多源学术新媒体平台的知识主题。从多个平台的生成主题中,证实了不同学术新媒体平台同类知识内容中存在较大的知识主题差异,在此基础上对知识主题进行融合,帮助学术新媒体用户能够从大规模用户生成知识内容中获取核心知识点,为学术新媒体用户提供了知识导航服务。第四,提出了多源学术新媒体用户生成内容的知识摘要生成方法。为实现多个学术新媒体平台中用户生成内容的知识概括性描述问题,提出基于Word2Vec模型和MMR算法的摘要生成方法。利用Word2Vec方法可以有效解决传统词向量表达方法忽略词语间语义联系的问题;利用MMR排序方法,对重要性程度高的摘要进行排序筛选,剔除重复度高的摘要句,同时保留重要性高的摘要句;利用专业领域词典,解决专业领域词无法识别的问题。通过对多个学术新媒体平台的用户生成内容进行聚合,帮助知识欠缺的平台弥补自身知识内容不足的问题,实现了学术新媒体环境整体知识内容的极大融合,为学术新媒体用户提供一个效率获取冗余用户生成内容中关键性知识的聚合服务。第五,提出了多源学术新媒体用户生成内容的知识聚合精准推荐方法。通过用户兴趣度值挖掘推荐项目和用户间的相似关系,将其作为用户对项目的推荐评分。通过传递相似度,实现多源学术新媒体平台间用户的相似度计算,进而建立起多源学术新媒体用户网络。最后通过项目推荐评分与用户传递性网络,构建学术新媒体用户生成内容的知识聚合精准推荐方法,为学术用户提供多源平台的学术知识与学术用户的双重精准推荐服务。
赵佩[2]（2020）在《基于GEE云平台的喜马拉雅地区森林覆被提取及其变化分析》文中进行了进一步梳理在全球气候变化和人类活动双重背景下,森林生态系统在垂直海拔高度上有着显着的响应和变化。喜马拉雅地区因其垂直高差巨大,而且还跨五个主权国家的辖区,人类活动、管理措施等有着较大差别,是研究森林变化的理想之地。为了准确地识别喜马拉雅地区的森林面积、分布、变化以及影响因素,本文基于野外实地调查的点位数据,利用CART、随机森林、朴素贝叶斯分类器分别对喜马拉雅地区森林的信息进行提取,选取最优的分类器——随机森林分类器进行森林信息的提取。在此基础上,利用Google Earth遥感影像点位数据对HF森林数据和现有七种不同分辨率的森林数据（JAXA森林数据、Globe Land30土地覆被数据、FROM-GLC土地覆被数据、Global Forest Watch树木覆被数据、GLCF VCF树木覆被数据、CCI-LC土地覆被数据、MCD12Q1土地覆被数据）的总体精度、Kappa系数、森林制图者精度、森林用户精度进行评估,并在国家尺度和像元尺度分析HF森林数据和现有几种森林数据的森林面积和空间的一致性。最后通过筛选最优的森林提取信息分类器,分析1984-2018年有效年份（14年）森林数据的时空变化以及变化的影响因素,为喜马拉雅地区森林的科学评价以及管理提供参考和依据。研究结果表明:（1）在Google Earth Engine（GEE）云平台上基于光学遥感数据（Landsat）和一些辅助数据,利用随机森林、CART、朴素贝叶斯等三种分类器分别对喜马拉雅地区2018年森林信息进行提取,结果显示随机森林分类器在提取喜马拉雅地区森林信息方面的总体精度（0.9767）和Kappa系数（0.9530）均优于其他两种分类器。（2）将2010年的HF森林数据与其他七种森林数据进行比较,HF森林数据与其余七种森林数据的面积都在200×103km2上下波动;在精度的比较上,HF森林数据具有最高的总体精度（0.982）和Kappa系数（0.963）;在国家尺度上,HF森林数据与七种森林数据的比较可以看出,除了MCD12Q1数据之外,其他七种数据的一致性较高;像元尺度上,HF森林数据与七种森林数据的不确定性比较大。（3）2018年喜马拉雅地区森林的空间分布进行分析,南北坡对比发现,喜马拉雅地区的森林主要分布在南坡;三个区域比较,中喜马拉雅地区森林的面积最大（90.47×103km2）;国家之间的比较,印度的森林面积最大（64.77×103km2）。1984-2018年有效年份（14年）喜马拉雅地区森林的时空变化来看,森林在时间上的变化在一定的区间内波动,空间上的变化具有一定的差异性;从森林变化的影响因子来看,海拔、坡度、坡向、距道路的距离等与森林的变化均具有一定的相关性,在海拔上,森林变化主要发生在较低海拔和较高海拔的区域,在坡度上,森林变化最大的面积分布在一定的坡度,坡向来看,阴坡和阳坡变化的面积相差不大,主要发生在阳坡,距道路的距离越远,森林变化的面积越小;Logistic回归定律表明,森林变化的影响因素中,坡度、海拔、b2＿soilcarbon、b5＿soilcarbon、b3＿soilp H、距水系的距离等因子比其他因子显着性更高。
曾锦华,施少培,卞新伟,邱秀莲[3]（2019）在《人脸识别技术在人像鉴定中的应用研究》文中认为现有司法鉴定中人像鉴定的检验分析理论和技术更多地依赖于领域专家经验判断的定性分析方法,检验过程易受鉴定人经验背景影响,检验结果欠缺量化检验数据支撑。人像自动化识别技术的理论和应用研究已取得长足进展,且具有自动化的量化分析特性,但受限于司法鉴定领域的场景复杂性和领域特殊需求,人像自动化识别技术在人像司法鉴定中的应用仍有待于进一步探索研究。通过分析人像专家鉴定技术和自动化识别技术的优缺点,研究人脸识别技术在人像司法鉴定中的应用模式;结合人像同一性鉴定领域专家经验知识,并充分发挥自动化识别技术的量化分析优势,提出构建基于人像形态特征定性分析和基于自动化识别量化分析的人像同一性鉴定理论研究体系,以期实现定性分析和定量分析兼顾、专家经验判断和自动化识别技术并存的人像同一性鉴定理论体系和技术方法。
李文杰[4]（2019）在《基于深度学习的人脸识别研究》文中研究指明人脸识别属于一种监督性的深度学习技术,算法需要根据标注好的正确类别人脸特征进行模型的训练,再用模型对未知人脸图片数据进行自动的识别。人脸识别可以分为两个子过程,一是人脸图片的检测,二是对检测到的人脸图片进行人脸识别。论文借鉴了人脸识别的多尺度选取人脸特征方法,建立了基于多方向的滤波器,将多方向的局部特征进行统一的编码,提取互为补充的人脸图像的纹理信息。论文的主要研究内容有:在人脸检测方面的改进:常用的人脸检测方法是Adaboost和haar特征的检测方法,论文人脸检测采用了改进的Adaboos算法DY-Adaboost算法和Haar特征进行人脸检测,改进了在人脸图像分类了精确度。对于检测出含有人脸的图像根据多尺度特融合的方法将构造新的人脸图像进行了多方向的人脸定位,以处理后的数据结果做多尺度特征。将这些不同的特征通过计算机技术进行运算和融合,就可以生成一种新的人脸面部特征。在人脸识别阶段先通过正交小波变换对人脸图像进行低频滤波处理,之后运用卷积神经网络的多尺度特征融合进行人脸特征的提取。论文比较了AlexNet、VGGNet、Innception与ResNet四种结构的特点,最终选用ResNet网络结构作为本实验的神经网络结果。论文采用了以正交小波变化作为图像滤波与神经网络多尺度特征融合的方式进行人脸识别的人脸识别的研究。图43幅;表4个;参46篇。
郭永济[5]（2015）在《P2P网络借贷的借款人信用评价研究》文中研究表明P2P网络借贷市场是对传统金融市场的一个有益补充,然而其发展受到借贷双方信息不对称问题的制约,亟需建立行之有效的P2P借款人信用评价模型和方法。本文以有效解决P2P网络借贷市场信息不对称问题为研究宗旨,以个人征信体系和信用评价模型为主要研究内容,在国内外相关理论和文献研究,以及P2P网络借贷市场发展状况和个人征信体系建设实践的基础上,从P2P借款人信用指标评价和P2P借款人信用评价模型两个方面深度研究P2P借款人的信用评价问题。第三章对国内外P2P网络借贷市场和征信体系的的发展状况进行多方位阐述。详细介绍P2P网络借贷的定义、特征和与传统金融借贷的区别,对比了国外P2P网络借贷市场的运营模式。对国外个人信用体系的三大模型进行详细探讨和总结,认为完善个人征信系统必须选择适应国情模式、有健全的法律体系支撑和有多样化的征信产品支持等。我国P2P网络借贷的征信问题受个人征信体系不完善、央行的征信系统不对接、商业征信业务刚刚起步、民间征信开展困难、大数据征信刚刚起步等制约,不得已采取耗时耗力和高成本低效率的线下征信活动。传统官方征信模式、大数据征信模式和云征信模式的深度融合是未来P2P网络借贷平台征信的发展方向。第四章以信息不对称为研究视角,以P2P网络借贷的借款利率和还款状态为研究内容,借助能够自适应、自组织、实时学习和处理非线性信息的人工神经网络模型和世界上领先的P2P网络借贷平台——Prosper和LendingClub的交易数据,深度剖析借款人信用指标反映借款利率的重要性程度以及借款利率对各信用指标的响应特征。研究发现,仅有少数几个指标决定了借款人借款利率高低,一旦出现借款人信息失真或平台定级失准的情况,势必会造成P2P网络借贷市场定价机制的扭曲。因此需要制定多指标综合评估的利率定价机制,避免因定价机制的某一环节出现问题,而招致整个定价机制的扭曲。人工神经网络模型有效的评估了 P2P借款人的各项信用指标,同时,还款状态对各项指标的响应曲线展示了两者间的作用方向。由于征信体系的缺失和平台大数据积淀的不足,国内P2P网络借贷平台开始以各种方式介入平台交易,从而扰乱了自身的纯平台服务性质。对P2P借款人信用指标的有效评价为P2P网络借贷平台回归纯平台中介定位提供了理论支撑。第五章以大数据征信为视角,构建P2P借款人的信用评价模型,认为空间维度上借款人多角度、多层次信息的交叉复现,以及时间维度上借款人社会活动信息的持续呈现能够反映借款人的信用状况,进而借助不确定知识表示和推理领域成熟的贝叶斯网络模型,以Prosper和LendingClub多维度交易数据检验P2P借款人信用评价模型的有效性。研究发现,贝叶斯网络模型为P2P借款人多维信息间的复杂关系提供了统一的表达方式,基于贝叶斯网络推理的样本内信用评价准确率高达87%,增加信用评价的概率值临界点能够显着提高信用评价模型的有效性;信用评价模型的样本外推理能力是相当有效和稳定的,增加训练数据集能明显提高信用评价模型的有效性;借款人相关的信息维度越多,运用信用评价模型评价借款人信用状况的准确率越高。选取统计学和非统计学具有代表性的Logistic回归模型、决策树模型和支持向量机模型进行有效性对比,发现贝叶斯网络模型的稳定性好、解释能力强、能够通过有向无环图直观的表达借款人信用指标与还款状态间的相互依赖关系,其整体表现优于以上三种分类模型,选择贝叶斯网络模型作为P2P借款人信用评价模型的“黑箱”工具是合理和有效的。第六章选取国内具有代表性的“人人贷”作为研究对象,实证检验我国P2P网络借贷的信用指标评价问题。在对样本数据进行充分分析的基础上,首先构建人工神经网络模型研究借款人指标的相对重要性和对还款状态的影响特征。实证结果表明,“标的信息+信用档案”指标集蕴含着还款状态的最多信息,其次是“用户信息”,最后是“审核状态”;将三类指标集中较重要的指标汇入同一模型,发现各指标的相对重要性差别较小,最重要的是信用等级、严重逾期、成功借款、还款期限和年利率,而信用报告、工作认证、借款总额、收入范围和房贷的相对重要性较低。其次,本章利用贝叶斯网络模型预测“人人贷”借款人的还款状态,无论是样本内还是样本外预测,所构建模型均能在信息充分的情况下准确预测。最后,针对国内P2P网络借贷的具体环境,本章还从法律、监管和挑战三个方面论述我国P2P网络借贷的特殊性。第七章在研究结论的基础上提出有效评价我国P2P借款人信用状况的政策建议,如加强个人信用体系建设、扩大P2P网络借贷的征信范围、开发有效的信用评价模型、完善P2P网络借贷的法律体系和加强P2P网络借贷市场监管等。
赵四能[6]（2011）在《偏微分方程在遥感图像去噪与分类的应用研究》文中研究说明在过去的二十年中,基于偏微分方程（Partial Differential Equation, PDE）的图像处理方法是图像处理领域所取得的最为重要的成果之一。应用这种方法于遥感图像处理领域可以解决该领域一些长期存在的难点问题。本文主要进行基于PDE方法的遥感图像去噪与分类方面的研究。本文对小波变化和一些经典的基于偏微分方程的图像处理方法的相关理论进行了介绍,对偏微分方程和小波变换之间的关系进行分析研究,最终提出了本文的改进方法,并通过实验对它们在遥感（声纳）图像去噪中的应用进行了详细的实验分析研究,包括Perona和Malik提出基本的P-M各项异性扩散模型、TV复原模型、方向扩散模型等,以及本文改进的算法,并给出了相应的去噪指标曲线图。遥感图像分类是遥感领域研究的重要内容,如何有效进行遥感图像的计算机自动分类识别并满足一定的精度等要求,一直以来都是一个热点问题和重要难题。传统遥感图像分类方法一般分为非监督分类和监督分类,它们之间各有优点和缺点。前者通过自动聚类过程,人工参与少；后者有更多的人工参与,同时需要一个学习和训练的过程,并对该研究区域有一些相关的先验信息。当然没有哪一种分类方法得出的分类结果是最优的,要想达到很好的分类效果和更适合某些地方地物的分类,需要找到相应分类器的最佳组合模式。本文在理论研究的基础上,推广PDE中的方向扩散方法在遥感图像分类中的应用,给出了相应的模型和改进方法,同时采用了基于KICA的遥感图像预处理再分类方法进行了高分辨率遥感影像分类的研究,在一定程度上提高了TM影像和高分辨率遥感图像分类精度。本文运用基于偏微分方程的图像处理方法来解决分类中长期存在的一些难点问题将是一个有益的尝试。论文的主要贡献及创新点包括以下几个方面：（1）分析了小波收缩去噪与非线性扩散去噪之间的关系（2）提出了基于提升小波变化的方向扩散实现侧扫声纳图像去噪的方法,实验结果证明该方法能有效去除声纳的噪声并保护边缘的能力。（3）提出基于KICA的方向扩散实现遥感图像SVM分类模型以及ISODATA全自动分类方法,进一步对KICA的高分辨率遥感图像分类进行了深入研究,并对比了其他分类方法,给出了相应的分类精度等指标。（4）通过对梯度阈值和时间步长的调整并进行ISODATA分类,采用该实验方法给出了方向扩散中梯度阈值、时间步长与非监督分类精度之间的关系,这也是为进一步研究梯度阈值、时间步长和扩散的关系提供一条新的思路。最后给出分类精度的大小与方向扩散中梯度阈值、时间步长的关系图。（5）同时提出了改进停止函数的方向扩散方法实现航空影像图像ISODATA分类。本论文把PDE方法的理论应用到遥感图像领域,对去噪部分结合了小波变换方法进行了深入研究,所提出的算法及其在遥感图像分类中的模型具有一定的创新性,特别是对于PDE在遥感图像分类中的更进一步应用研究,具有一定的参考价值和实际意义。
赵倩倩[7]（2011）在《基于统计特征的人脸识别系统设计与实现》文中提出人脸识别系统是先从视频序列或一幅图像中检测出其中的人脸区域,然后提取它的特征,再通过匹配算法与人脸库中已有模型进行匹配来得出识别结果。人脸识别系统的应用效果主要受人脸特征提取方法与分类方法的影响,本文采用基于统计特征提取与隐马尔可夫模型建模的人脸识别方法,来设计与实现一个基于视频序列的人脸识别系统。具体而言,就是先对人脸图像做分块离散余弦变换DCT,再对变换系数矩阵作主成分分析PCA,得到的特征向量作为隐马尔可夫模型HMM训练的观察向量。采用这种人脸识别方法有以下优点：第一,这种统计特征提取方法是为了降低图像的冗余以便提高特征的提取速度；第二,隐马尔可夫模型HMM有对人脸精确建模的特点,可以保证识别的高精度；第三,基于HMM的人脸识别方法采用的是人脸二维统计特征,对光线、姿态、遮挡物的变化有较强的鲁棒性；最后,人脸库样本与其模型一一对应,人脸库的添加/删除操作较容易,易于维护。本课题中所研究设计的人脸识别系统在前期进行人脸图像的采集与训练以建立一个人脸库,在识别时用来与某个人脸图像进行匹配。系统对于输入背景静止的一段视频序列,采用帧差分法提取其中的运动人体；然后使用Adaboost算法检测出人脸的区域,并对此区域进行一系列的预处理操作,包括滤波去噪、二值化等；再对人脸区域进行分块离散余弦变换,将变换后的系数矩阵作主成分分析,得到特征向量,即进行了人脸统计特征提取；将提取的特征作为隐马尔可夫模型HMM的观察序列；最后将所得的观察序列与库中的人脸HMM模型进行匹配,即识别,从而实现一个基于视频序列的人脸识别系统。另外还对系统的识别效果进行测试,先使用标准库ORL与自建库来测试系统识别模块的识别率,即以静止图像为输入进行识别,以比较DCT与DCT+PCA两种特征提取法的识别效果；再以视频序列作为输入,用自建库来测试系统的应用效果。实验表明,该方法在一定场合能够有效地分割出视频序列中的运动人体并检测出其中的人脸区域,当人脸库采集所用摄像头与最终应用时的摄像头相同时,或其分辨率高于训练样本采集时的分辨率时能有效识别人脸,一方面初步实现了实验室的人脸识别功能,另一方面从长远来看也为人机智能交互、视频监控与身份认证等提供了应用基础。
汪澎[8]（2010）在《驾驶人警觉状态检测技术研究》文中进行了进一步梳理道路交通事故是多年来困扰世界各国的社会问题,它直接关系到人民生命和财产的安全。随着经济的发展,车辆拥有量增加和非职业驾驶人人数增多,致使交通事故量大幅增加,已经成为当今社会第一公害,给人类社会造成的伤害大于任何一种自然与社会灾害。影响交通安全的因素有很多,其中驾驶人的人为影响因素是造成交通事故的主要原因。大量的统计分析结果表明,70%以上道路交通事故的发生都与驾驶人自身及其驾驶行为特性直接相关。其中,驾驶人低警觉性驾驶行为是影响交通安全的驾驶人为因素中最重要的组成部分,是引发恶性交通事故的重要原因之一。低警觉性驾驶行为的深入研究有助于提高驾驶人安全警惕能力,实现驾驶人安全驾驶的目的。目前国内外驾驶人行为特性的相关研究主要集中在驾驶人心理认知性、生理应激反应特性及驾驶适应性等方面。研究大多采用单因子分析法,以问卷数据调查或者实验室仿真模拟的方法进行分析,结合统计学理论分析驾驶行为的变化规律,从驾驶人心理与生理特性研究入手,挖掘引发危险驾驶行为的本质原因,为交通安全管理与行车安全保障研究提供科学依据。在特定实验室环境条件下进行的驾驶行为仿真模拟分析与实际驾驶时驾驶人身临其境条件下的心理特性、生理特性和行为特征有本质区别,在驾驶人警惕性和兴奋程度上有巨大的差异。基于既往驾驶人驾驶行为特征数据统计的研究虽然构建出很多驾驶行为数学表述模型,对驾驶行为的规范化和安全化起到了示范性指导作用,但是实际驾驶过程中驾驶人面临迥异的环境,心理和生理上的差异和驾驶行为具有突变性的特点,使得现有驾驶模型研究成果难以应用到驾驶个体安全保障的实际中去。目前,驾驶行为实时监测、分析和评价的工程实用性研究成果尚未见发表。警觉度是指人集中精力执行一项操作任务时所表现出的灵敏程度。许多人机交互系统需要操作人员保持一定的警觉度。驾驶警觉性是指驾驶人对车辆行驶刺激信息保持警惕并且能够作出适当应激反应的能力,这种能力必须贯穿于驾驶过程的始终。任何一个小小的疏忽都有可能导致交通事故的发生,这种疏忽性行为是本文研究对象——驾驶人低警觉性驾驶行为。本课题源于国家科技支撑计划课题“驾驶人安全驾驶行为分析平台与监测技术研究及示范”中的子项专题“驾驶人不安全驾驶状态监测与预警分析技术研究”,主要开展驾驶人低警觉性行为特征检测以及智能评价技术的研究。驾驶人在正常驾驶状态和警觉性降低状态时会表现出不同的行为特征,其中表征驾驶人驾驶性能的行为指标主要包括：车道安全保持的稳定性,相对车间距控制的安全性,驾驶人注视行为的安全性,车辆速度、方向控制能力,对外部事件的反应能力以及驾驶强度的高低等。目前相关研究大多基于驾驶人心电波、脑电波信息、脉搏血压和体内新陈代谢产物的监测进行车辆控速、对外部事件的反应能力以及驾驶强度的研究,该方法虽然准确直接,易于做出正确的评价和判断,但是接触式的测量且仪器复杂,难以进行车载实时在线检测应用。针对目前存在的问题,研究以驾驶人低警觉性不安全驾驶行为为研究对象,构建驾驶人驾驶行为实时监测分析平台,针对驾驶个体进行驾驶行为组织结构化和过程化的研究,由个体到群体,由表及里进行驾驶低警觉性行为因子的检测和融合评价。研究采用实车试验的方法,设定多种不安全驾驶工况,以驾驶人状态和车辆行驶状态表征为检测内容,实时对驾驶人个体进行测试,实现驾驶人低警觉性行为表征信息的提取,完善了驾驶行为检测分析技术。研究深化了对驾驶人因素引发事故机理的研究,把握不安全驾驶行为的规律、特点和深层次原因,拓宽驾驶人不安全驾驶行为机理研究的深度与广度。驾驶低警觉性驾驶行为表征信息具有多源性,除通过医学检验反映出的驾驶人反应能力和驾驶强度指标外,还包括不安全驾驶注视表征,车道偏离表征（含方向控制能力）,以及危险车间距表征（含速度控制能力）等信息。研究应用机器视觉检测技术对驾驶人进行实时监测,信息主要包括两个部分：驾驶人注视特征信息和车辆行驶外在表征特征信息。通过实时获取车道偏离信息和相对车间距信息,实现车道偏离状态和危险车间距跟驰的检测。研究通过实时检测的驾驶人脸部特征信息进行驾驶人注视特征信息提取,实时提取驾驶人双眼间的横向宽度（瞳距）和嘴巴到双眼连线中点之间的纵向距离——人脸“T”型线信息,实现驾驶人不安全注视特征状态的检测。研究运用多智能体理论构建低警觉性驾驶行为监测体系,运用数据挖掘技术从大量检测数据中提取出低警觉性驾驶行为的特征信息。采用贝叶斯与神经网络技术进行特征模式分类,运用Dempster-Shafer证据推理技术进行信息融合,实现多智能体系统协商合作和策略规则匹配,实现低警觉性驾驶行为的智能决策,提高低警觉性驾驶行为表征信息甄别的自适应性、准确性和智能化水平。
柴智[9]（2010）在《应用子空间方法的人脸识别研究》文中认为自动人脸识别具有巨大的应用前景,已经成为模式识别、计算机视觉以及信息技术相关学科中活跃的研究领域。过去的几十年中,已经有多种人脸识别方法被提出。本文针对人脸识别中的特征提取和分类问题进行了研究,应用子空间方法,提出了新的人脸识别算法。图像变换是重要的人脸特征提取方法。双树复小波变换可以提取多尺度,多方向的图像特征,同时具有平移不变特性。相对于Gabor小波,双树复小波变换可以有效地保持频域信息。本文提出了基于双树复小波变换和独立成分分析的人脸识别方法。人脸图像的双树复小波变换系数构成特征向量,通过独立成分分析进行子空间投影,采用基于概率推理模型的分类器进行分类。双树复小波变换变换在每个尺度上提取6个固定方向的特征,其中不包括水平和竖直方向。人脸中的主要器官呈现水平和竖直方向特征,提供重要的分类信息。针对双树复小波变换不能直接提取水平和垂直两个方向特征的不足,本文提出了一种结合双树复小波特征和Gabor小波特征的人脸识别新方法。采用0和90的Gabor小波滤波器提取人脸图像水平和竖直方向的特征,与双树复小波特征共同构成特征向量。应用fisherfaces方法进行子空间投影,采用基于欧式距离的分类器实现分类。贝叶斯人脸识别方法分别求取人脸图像的类内和类间差异,在主成分分析子空间中应用高斯概率分布对人脸差异进行建模,通过估计人脸图像差异的后验概率进行分类。由于人脸图像受到多种复杂因素的影响,高斯模型不能对人脸差异进行准确的描述。针对这一问题,本文提出了基于独立成分分析的贝叶斯人脸识别方法。采用独立成分分析计算人脸差异子空间,分别估计每一维度上的概率密度函数,各个维度相乘获得子空间中的高维概率密度函数。本文采用广义高斯模型对人脸差异在独立成分分析子空间中的投影进行建模,提高了概率密度函数估计的准确性和人脸识别方法的效果。
雷静[10]（2010）在《基于OpenCV的人脸跟踪识别系统研究》文中指出人脸在社会交往中扮演着十分重要的角色,是人类在确定一个人身份时所采用的最普通的生物特征,研究人脸跟踪识别及其相关技术具有十分重要的理论价值和应用价值。彩色图像序列的人脸检测、跟踪与识别技术是随着计算机技术的高速发展和视频监控等应用的需要在近几年才逐渐成为一个研究热点。本文着重构建一套人脸跟踪识别系统,致力于精确实时地对彩色视频中的人脸图像检测跟踪,并可以将跟踪到的人脸图片传输到识别端进行身份识别。系统分为客户端和服务器两部分。针对传统Camshift跟踪算法进行形态学处理、分配多个跟踪器等改进后的算法应用于客户端进行多人脸的跟踪。服务器端首先将人脸图像按其主要特征进行分块,再对分块图执行Eigenface算法实现人脸身份的识别。这套系统完成了对多人脸的跟踪效果,可广泛的应用于各种安防系统之中如：ATM机监控系统,门禁系统等。
二、基于中国人人脸区域特征的贝叶斯分类法研究（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、基于中国人人脸区域特征的贝叶斯分类法研究（论文提纲范文）
（1）多源学术新媒体用户生成内容的知识聚合研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.1.1 学术新媒体成为科研工作者学术交流的新途径 |
| 1.1.2 学术新媒体普遍存在低质量用户生成内容 |
| 1.1.3 用户需求促使学术新媒体知识聚合成为趋势 |
| 1.1.4 多源平台内容的知识聚合需求逐渐增长 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 学术新媒体国内外研究现状 |
| 1.3.2 新媒体用户生成内容国内外研究现状 |
| 1.3.3 新媒体知识聚合国内外研究现状 |
| 1.3.4 研究现状述评 |
| 1.4 研究内容与研究方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 1.5 本文创新点 |
| 第2章 相关概念及理论基础 |
| 2.1 学术新媒体内涵与特征 |
| 2.1.1 学术新媒体的内涵 |
| 2.1.2 学术新媒体的特征 |
| 2.2 用户生成内容概述 |
| 2.2.1 用户生成内容的内涵 |
| 2.2.2 用户生成内容的特征 |
| 2.2.3 用户生成内容的分类 |
| 2.3 知识聚合理论与方法 |
| 2.3.1 知识聚合的概念 |
| 2.3.2 知识聚合的方法 |
| 2.4 自然语言处理概述 |
| 2.4.1 自然语言处理概念 |
| 2.4.2 自然语言处理方法 |
| 2.5 本章小结 |
| 第3章 多源学术新媒体用户生成内容的知识聚合机理 |
| 3.1 多源学术新媒体用户生成内容知识聚合的内涵与类型 |
| 3.1.1 多源学术新媒体用户生成内容的知识聚合内涵 |
| 3.1.2 多源学术新媒体用户生成内容的知识聚合类型 |
| 3.2 多源学术新媒体用户生成内容知识聚合的要素 |
| 3.2.1 知识聚合主体 |
| 3.2.2 知识聚合客体 |
| 3.2.3 知识聚合的内容 |
| 3.2.4 知识聚合的环境 |
| 3.2.5 知识聚合的技术 |
| 3.3 多源学术新媒体用户生成内容的知识聚合动机 |
| 3.3.1 学术信息资源需求驱动 |
| 3.3.2 学术创新环境驱动 |
| 3.3.3 知识聚合主体收益驱动 |
| 3.3.4 科技进步驱动 |
| 3.3.5 多源学术平台资源驱动 |
| 3.4 多源学术新媒体用户生成内容的知识聚合过程 |
| 3.4.1 挖掘与解读用户需求 |
| 3.4.2 学术信息的数据处理 |
| 3.4.3 学术信息的质量评测 |
| 3.4.4 知识发现与聚合 |
| 3.4.5 学术知识推荐 |
| 3.5 多源学术新媒体用户生成内容的知识聚合机理模型 |
| 3.6 基于用户需求的多源学术新媒体用户生成内容知识聚合服务过程 |
| 3.7 本章小结 |
| 第4章 多源学术新媒体用户生成内容的质量评测 |
| 4.1 多源学术新媒体用户生成内容质量评测的目的 |
| 4.2 多源学术新媒体用户生成内容质量评测的过程与方法 |
| 4.2.1 多源学术新媒体用户生成内容质量评测的过程 |
| 4.2.2 多源学术新媒体用户生成内容质量评测方法 |
| 4.3 应用实例分析 |
| 4.3.1 数据集预处理与自动化特征提取 |
| 4.3.2 双层Bi-GRU模型训练 |
| 4.3.3 评价指标 |
| 4.3.4 结论与分析 |
| 4.4 本章小结 |
| 第5章 多源学术新媒体用户生成内容的知识主题生成 |
| 5.1 多源学术新媒体用户生成内容知识主题生成概念和目的 |
| 5.2 多源学术新媒体用户生成内容知识主题生成过程与方法 |
| 5.2.1 多源学术新媒体用户生成内容知识主题生成过程 |
| 5.2.2 多源学术新媒体用户生成内容知识主题生成方法 |
| 5.3 基于BiLSTM-CNN-CRF和 LDA的多源学术新媒体用户生成内容的知识主题生成模型 |
| 5.4 应用实例分析 |
| 5.4.1 结合BiLSTM-CNN-CRF和 LDA主题词生成 |
| 5.4.2 主题词过滤与融合 |
| 5.4.3 结论与分析 |
| 5.5 本章小结 |
| 第6章 多源学术新媒体用户生成内容的知识摘要生成 |
| 6.1 学术用户生成内容的摘要生成的概念及意义 |
| 6.2 多源学术新媒体用户生成内容摘要生成过程与方法 |
| 6.2.1 用户生成内容摘要生成过程 |
| 6.2.2 用户生成内容摘要生成方法 |
| 6.3 基于W2V-MMR的多源学术新媒体用户生成内容摘要生成方法 |
| 6.3.1 W2V-MMR算法的计算过程 |
| 6.3.2 多源学术新媒体用户生成内容摘要评价指标 |
| 6.4 应用实例分析 |
| 6.4.1 数据获取与预处理 |
| 6.4.2学术新媒体用户生成内容生成摘要实验 |
| 6.4.3 结论与分析 |
| 6.5 本章小结 |
| 第7章 多源学术新媒体用户生成内容的知识聚合精准推荐 |
| 7.1 多源学术新媒体用户生成内容知识聚合推荐的概念及目的 |
| 7.2 多源学术新媒体用户生成内容的知识聚合推荐过程与方法 |
| 7.2.1 多源学术新媒体用户生成内容的知识聚合推荐过程 |
| 7.2.2 多源学术新媒体用户生成内容的知识聚合推荐方法 |
| 7.3 基于用户兴趣度模型与传递相似度的多源学术新媒体用户生成内容的知识聚合精准推荐 |
| 7.3.1 基于用户兴趣度模型的精准推荐评分体系 |
| 7.3.2 基于用户相似性传递的用户共联网络 |
| 7.3.3 基于用户兴趣度模型与传递相似度的混合推荐 |
| 7.3.4 多源学术新媒体用户生成内容知识聚合的精准知识推荐服务 |
| 7.4 本章小结 |
| 第8章 提升多源学术新媒体知识聚合效果的策略 |
| 8.1 知识聚合主体层面 |
| 8.1.1 以用户为中心建立知识聚合理念 |
| 8.1.2 深入挖掘学术新媒体用户多层次的需求 |
| 8.1.3 完善学术新媒体平台内容质量监管和激励机制 |
| 8.1.4 合理规范学术新媒体内的主题与重点内容 |
| 8.1.5 学习与借鉴他源平台内容 |
| 8.2 知识聚合对象层面 |
| 8.2.1 促进学术用户积极互动 |
| 8.2.2 提升学术用户信息素养 |
| 8.2.3 提倡统一用词与语言凝练 |
| 8.2.4 提升多源平台交叉用户基数 |
| 8.3 知识聚合技术层面 |
| 8.3.1 改进大数据挖掘和人工智能技术 |
| 8.3.2 搭建学术新媒体的新型知识服务系统 |
| 8.3.3 建立多源学术新媒体的互联技术 |
| 8.3.4 应用学术知识可视化技术 |
| 8.4 知识聚合环境层面 |
| 8.4.1 营造良好的学术讨论氛围 |
| 8.4.2 加强学术新媒体平台之间的交流合作 |
| 8.4.3 加大学术新媒体平台的宣传力度 |
| 8.5 本章小结 |
| 第9章 研究结论与展望 |
| 9.1 研究结论 |
| 9.2 研究不足与展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（2）基于GEE云平台的喜马拉雅地区森林覆被提取及其变化分析（论文提纲范文）
| 基金项目 |
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 文献综述 |
| 1.2.1 森林覆被提取的研究进展 |
| 1.2.2 森林变化监测的研究进展 |
| 1.2.3 森林变化的原因解释 |
| 1.2.4 森林遥感影像分类及其监测方法的研究进展 |
| 1.3 科学问题 |
| 1.4 研究目标 |
| 1.5 研究内容 |
| 1.6 技术路线 |
| 第二章 研究区概况 |
| 2.1 自然地理概况 |
| 2.2 社会经济状况 |
| 第三章 数据来源及处理 |
| 3.1 Google Earth Engine云平台简介 |
| 3.2 野外验证点数据 |
| 3.3 Google Earth影像数据 |
| 3.4 Landsat卫星数据 |
| 3.5 现有的中分辨率森林数据 |
| 3.5.1 JAXA森林覆被数据 |
| 3.5.2 Globe Land30 土地覆被数据 |
| 3.5.3 FROM-GLC土地覆被数据 |
| 3.5.4 Global Forest Watch树木覆被数据 |
| 3.5.5 GLCF VCF树木覆被数据 |
| 3.5.6 CCI-LC土地覆被数据 |
| 3.5.7 MCD12Q1土地覆被数据 |
| 3.6 其他数据 |
| 3.6.1 指数数据 |
| 3.6.2 地形数据 |
| 3.6.3 矢量数据 |
| 3.6.4 水系数据 |
| 3.6.5 人口密度数据 |
| 3.6.6 土壤pH数据 |
| 3.6.7 土壤有机碳含量 |
| 第四章 森林覆被数据提取 |
| 4.1 样本点的确定 |
| 4.1.1 不同点位分布模式下分类结果的比较 |
| 4.1.2 剔除异常值的常用方法(箱型图) |
| 4.1.3 剔除异常值的具体步骤 |
| 4.1.4 样本点选取的具体步骤 |
| 4.2 分类方法的确定 |
| 4.2.1 三种森林分类方法介绍 |
| 4.2.2 混淆矩阵 |
| 4.2.3 分类结果的对比 |
| 4.3 喜马拉雅地区森林数据的提取 |
| 4.4 小结 |
| 第五章 喜马拉雅地区不同数据的比较 |
| 5.1 现有七种森林数据匹配的方法 |
| 5.2 喜马拉雅森林数据与现有七种森林数据的精度比较 |
| 5.3 喜马拉雅森林数据与现有七种森林数据的差异性分析 |
| 1.HF森林数据与七种森林数据的空间分布 |
| 2.国家尺度面积统计 |
| 3.HF森林数据与现有七种森林数据的像元尺度的一致性 |
| 5.4 小结 |
| 第六章 喜马拉雅地区森林覆被分布及变化分析 |
| 6.1 研究方法 |
| 6.1.1 空间分析 |
| 6.1.2 Logistic回归模型 |
| 6.2 喜马拉雅地区森林覆被的分布 |
| 6.3 喜马拉雅地区森林覆被的时间变化特征 |
| 6.4 森林覆被变化的空间分布特征 |
| 6.5 森林变化的原因解释 |
| 6.6 小结 |
| 第七章 结论与展望 |
| 7.1 主要结论 |
| 7.2 思考 |
| 7.2.1 可能的创新点 |
| 7.2.2 不足与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（3）人脸识别技术在人像鉴定中的应用研究（论文提纲范文）
| 1 引言 |
| 2 人脸识别技术 |
| 3 人像专家鉴定方法和人脸识别技术方法 |
| 3.1 人像专家鉴定方法 |
| 3.2 人脸识别技术方法 |
| 4 人脸识别技术在人像鉴定中的应用模式研究 |
| 4.1 应用模式一:人脸识别技术辅助人像专家鉴定 |
| 4.2 应用模式二:人像专家鉴定验证人脸识别技术 |
| 4.3 应用模式三:人脸识别技术和人像专家鉴定协同合作 |
| 5 结语 |
（4）基于深度学习的人脸识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 课题的应用及意义 |
| 1.3 人脸识别的国内外研究现状 |
| 1.4 人脸识别的系统结构 |
| 1.5 文章组织结构 |
| 第2章 人脸识别系统基本原理及深度学习 |
| 2.1 人脸识别系统介绍 |
| 2.2 常用的人脸识别算法 |
| 2.3 深度学习与分类算法 |
| 2.3.1 深度学习 |
| 2.3.2 超参数选择 |
| 2.3.3 TensorFlow和 Sk-learn |
| 2.3.4 分布式表示 |
| 2.4 本章小结 |
| 第3章 人脸识别特征提取及改进 |
| 3.1 人脸识别流程介绍 |
| 3.2 图像收集 |
| 3.3 常用的人脸识别算法 |
| 3.3.1 Eigenface算法 |
| 3.3.2 FisherFace算法 |
| 3.4 人脸识别改进与特征融合 |
| 3.4.1 人脸检测算法改进 |
| 3.4.2 基于离散的正交小波变换 |
| 3.4.3 CNN网络结构 |
| 3.5 本章小结 |
| 第4章 实验设计与结果分析 |
| 4.1 实验环境 |
| 4.2 系统的总体结构 |
| 4.3 人脸图像的检测 |
| 4.4 深度卷积网络构建 |
| 4.5 人脸图片特征提取 |
| 4.6 算法性能评测指标 |
| 4.7 实验结果及分析 |
| 4.8 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 企业导师简介 |
| 作者简介 |
| 学位论文数据集 |
（5）P2P网络借贷的借款人信用评价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 导论 |
| 一、研究背景和意义 |
| 二、相关概念的界定 |
| 三、研究思路与方法 |
| 四、研究的主要内容 |
| 五、可能创新与不足 |
| 第二章 相关理论及文献综述 |
| 一、信息不对称理论 |
| 二、个人信用和个人征信理论 |
| 三、个人信用评价理论与方法 |
| 四、P2P网络借贷文献综述 |
| 第三章 国内外P2P网络借贷和征信市场发展概况 |
| 第一节 国内外P2P网络借贷市场的发展状况 |
| 一、国内外P2P网络借贷的运营模式及比较 |
| 二、国内外P2P网络借贷的发展情况 |
| 第二节 国内外个人征信市场的发展概况 |
| 一、国外个人征信体系的发展概况 |
| 二、国内个人征信体系的发展概况 |
| 三、我国P2P网络借贷平台的征信状况 |
| 本章小结 |
| 第四章 P2P网络借贷的借款人信用指标评价 |
| 第一节 数据选取和分析 |
| 一、数据的选取标准和原则 |
| 二、数据的选取 |
| 三、数据的分析 |
| 第二节 基于借款利率的借款人信用指标评价 |
| 一、问题的提出 |
| 二、人工神经网络模型介绍 |
| 三、基于借款利率的神经网络模型构建 |
| 四、实证结果与分析 |
| 五、本节结论和启示 |
| 第三节 基于还款状态的借款人信用指标评价 |
| 一、问题的提出 |
| 二、基于还款状态的神经网络模型构建 |
| 三、实证结果与分析 |
| 四、本节结论和启示 |
| 本章小结 |
| 第五章 P2P网络借贷的借款人信用评价模型 |
| 第一节 P2P借款人信用评价模型设计 |
| 一、理论模型构建 |
| 二、贝叶斯网络模型介绍 |
| 第二节 P2P借款人信用评价模型的有效性分析 |
| 一、基于Prosper数据的检验结果与分析 |
| 二、基于LendingClub数据的检验结果与分析 |
| 第三节 P2P借款人信用评价模型的有效性比较 |
| —、Logistic回归模型及有效性 |
| 二、决策树模型及有效性 |
| 三、支持向量机模型及有效性 |
| 本章小结 |
| 第六章 我国P2P网络借贷的信用指标评价 |
| 第一节 数据的选取和分析 |
| 一、数据的选取 |
| 二、数据的分析 |
| 第二节 基于人工神经网络的“人人贷”信用指标评价 |
| 一、实证模型构建 |
| 二、相对重要性分析 |
| 二、敏感性分析 |
| 第三节 基于贝叶斯网络的“人人贷”借款人信用评价 |
| 一、数据选取与模型构建 |
| 二、样本内信用评价结果与分析 |
| 三、样本外信用评价结果与分析 |
| 第四节 我国P2P网络借贷的特殊性分析 |
| 一、我国P2P网络借贷的法律风险 |
| 二、我国P2P网络借贷的监管问题 |
| 三、我国P2P网络借贷市场监管面临的挑战 |
| 本章小结 |
| 第七章 政策建议 |
| 一、加强个人征信体系建设 |
| 二、扩大P2P网络借贷的征信范围 |
| 三、开发有效的P2P信用评价模型 |
| 四、完善P2P网络借贷的法律体系 |
| 五、加强P2P网络借贷市场监管 |
| 主要参考文献 |
| 致谢 |
| 攻读博士期间的科研成果 |
（6）偏微分方程在遥感图像去噪与分类的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 目录 |
| 图索引 |
| 表索引 |
| 1 绪论 |
| 1.1 遥感图像分类和去噪的研究现状和意义 |
| 1.1.1 研究背景和意义 |
| 1.1.2 遥感图像分类算法概述和研究现状 |
| 1.1.3 声纳图像去噪的研究现状 |
| 1.2 基于偏微分方程的图像处理技术和应用 |
| 1.3 章节安排 |
| 2 基于小波变换的偏微分方程方法研究 |
| 2.1 小波变换的定义及性质 |
| 2.1.1 小波变换的定义及性质 |
| 2.1.2 常用小波函数 |
| 2.1.3 多分辨率分析 |
| 2.1.4 Mallat算法 |
| 2.1.5 提升小波 |
| 2.2 小波收缩去噪与非线性扩散去噪之间的关系 |
| 2.2.1 Haar二维小波收缩去噪分析 |
| 2.2.2 Haar二维小波收缩与非线性扩散之间的关系 |
| 2.3 小结 |
| 3 基于提升小波变化的方向扩散实现侧扫声纳图像去噪研究 |
| 3.1 声纳图像噪声概述 |
| 3.2 图像去噪模型和方法 |
| 3.2.1 图像的噪声模型 |
| 3.2.2 几种常见的去噪方法 |
| 3.2.3 小波图像去噪 |
| 3.3 P-M方程、方向扩散方程与自蛇模型 |
| 3.3.1 P-M方程 |
| 3.3.2 基于AOS格式的各向异性扩散 |
| 3.3.3 方向扩散方程 |
| 3.3.4 矢量图像的方向扩散方程 |
| 3.3.5 自蛇模型 |
| 3.4 TV复原去噪模型 |
| 3.4.1 TV复原模型 |
| 3.4.2 改进的TV复原模型 |
| 3.5 一种基于提升小波的方向扩改进算法 |
| 3.6 图像去噪质量评价标准 |
| 3.6.1 实验:基于提升小波的方向扩散算法实现侧扫声纳图像去噪实验 |
| 3.6.2 结论 |
| 3.7 小结 |
| 4 基于独立分量分析的方向扩散实现遥感图像分类研究 |
| 4.1 独立分量分析在遥感图像分类中的应用 |
| 4.1.1 独立成分分析方法概述 |
| 4.1.2 核独立成分分析方法 |
| 4.2 遥感图像分类的传统经典算法 |
| 4.2.1 遥感图像分类的传统经典算法 |
| 4.2.2 非监督分类 |
| 4.2.3 监督分类 |
| 4.2.4 监督分类和非监督分类的比较 |
| 4.2.5 本文分类模型流程图(本章所指的方向扩散均为矢量图像的方向扩散) |
| 4.3 分类精度评价 |
| 4.3.1 误差来源 |
| 4.3.2 分类精度评价指标 |
| 4.3.3 分类后处理问题 |
| 4.4 基于KICA的方向扩散方法实现遥感TM图像SVM分类研究 |
| 4.4.1 分类精度结果分析 |
| 4.4.2 结论 |
| 4.5 基于KICA的方向扩散方法实现航空遥感影像分类研究 |
| 4.5.1 分类精度结果分析 |
| 4.5.2 结论 |
| 4.5.3 方向扩散梯度闽值大小、时间步长大小与分类精度关系 |
| 4.6 基于改进停止函数的方向扩散实现航空影像图像ISODATA分类研究 |
| 4.7 小结 |
| 5 结论与展望 |
| 5.1 研究工作总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 作者简介 |
| 攻读硕士期间发表论文 |
（7）基于统计特征的人脸识别系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 本文的背景 |
| 1.1.1 人脸识别技术的研究历程与难点 |
| 1.1.2 视频序列中人脸识别技术应用与研究的现状 |
| 1.2 本文的主要工作与组织结构 |
| 1.2.1 本文的主要工作 |
| 1.2.2 本文的重难点与解决方案 |
| 1.2.3 本文的内容组织与安排 |
| 第二章 人脸识别相关理论基础 |
| 2.1 认知心理学 |
| 2.2 关于离散余弦变换DCT与主成分分析PCA |
| 2.3 模式识别 |
| 2.3.1 样本训练与数据存储 |
| 2.3.2 分类决策 |
| 2.4 本章小结 |
| 第三章 视频序列中人脸识别系统设计 |
| 3.1 系统整体设计 |
| 3.2 系统各结构模块设计 |
| 3.2.1 视频序列采集与存储模块 |
| 3.2.2 人脸库管理模块 |
| 3.2.3 运动人体目标检测模块 |
| 3.2.4 图像预处理模块 |
| 3.2.5 人脸检测定位模块 |
| 3.2.6 人脸识别模块 |
| 3.3 本章小结 |
| 第四章 基于统计特征的人脸识别算法研究与设计 |
| 4.1 基于帧差法的运动人体目标检测 |
| 4.2 AdaBoost人脸检测 |
| 4.3 分块DCT变换与PCA特征提取 |
| 4.3.1 分块DCT变换 |
| 4.3.2 PCA特征提取 |
| 4.4 HMM模式识别 |
| 4.4.1 人脸HMM定义 |
| 4.4.2 观察序列的生成 |
| 4.4.3 人脸隐马尔可夫模型的训练 |
| 4.4.4 人脸识别 |
| 4.5 本章小结 |
| 第五章 人脸识别系统的实现与效果测试 |
| 5.1 系统开发环境 |
| 5.2 系统各模块的实现 |
| 5.2.1 视频序列采集模块 |
| 5.2.2 局部预处理模块 |
| 5.2.3 人脸库建立 |
| 5.2.4 视频序列中运动人体目标检测模块 |
| 5.2.5 人脸区域定位模块 |
| 5.2.6 人脸特征提取与识别模块 |
| 5.3 系统应用实例 |
| 5.3.1 系统主界面 |
| 5.3.2 人脸库管理 |
| 5.3.3 前期检测及定位过程 |
| 5.3.4 特征提取与识别过程 |
| 5.4 系统测试与评价 |
| 5.4.1 测试结果与分析 |
| 5.4.2 改进之处与适用范围 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的主要工作与技术特色 |
| 6.2 本文存在的不足与展望 |
| 参考文献 |
| 致谢 |
（8）驾驶人警觉状态检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外驾驶行为检测技术研究现状与存在问题 |
| 1.3.1 国内外驾驶行为研究的现状 |
| 1.3.2 国外驾驶行为检测技术研究的主要成果 |
| 1.3.3 国内驾驶行为检测技术研究的主要成果 |
| 1.3.4 研究中存在问题 |
| 1.4 研究的主要内容 |
| 1.5 研究技术路线 |
| 第二章 驾驶人警觉性与行车安全性研究 |
| 2.1 驾驶人驾驶行为分析 |
| 2.1.1 驾驶行为的过程性分析 |
| 2.1.2 驾驶行为的特征性分析 |
| 2.2 驾驶人低警觉性行为分析 |
| 2.2.1 驾驶人低警觉行为因素对交通安全影响性分析 |
| 2.2.2 低警觉驾驶行为的研究分析 |
| 2.2.3 低警觉驾驶行为形成机理 |
| 2.2.4 低警觉型驾驶行为表现特征 |
| 2.3 小结 |
| 第三章 多智能体并行多特征检测系统构建 |
| 3.1 智能体理论概述 |
| 3.2 多智能体系统理论概述 |
| 3.3 多智能体系统与驾驶警觉性检测体系的相似性比较 |
| 3.4 低警觉性驾驶行为监测体系结构 |
| 3.5 低警觉行为信息特征的提取 |
| 3.6 本章小结 |
| 第四章 车辆运行状态表征检测与信息挖掘 |
| 4.1 图像处理技术概述 |
| 4.2 车道检测智能体 |
| 4.2.1 基于灰度阈值的车道线确定 |
| 4.2.2 车道边缘检测 |
| 4.2.3 车道图像二值化 |
| 4.3 车辆检测智能体 |
| 4.3.1 车辆检测流程 |
| 4.3.2 车辆底部阴影特征分析 |
| 4.3.3 车辆的阴影检测 |
| 4.3.4 基于卡尔曼滤波的车辆跟踪 |
| 4.4 车道偏离信息与车间距检测智能体获取的信息特征挖掘 |
| 4.4.1 路面有效区域划定 |
| 4.4.2 车道偏离表征信息挖掘 |
| 4.4.3 车间距信息挖掘 |
| 4.5 本章小结 |
| 第五章 驾驶不安全注视状态特征检测与信息挖掘 |
| 5.1 驾驶人不安全注视特征威胁行车安全 |
| 5.2 驾驶人注视特征检测 |
| 5.2.1 基于Adaboost算法的人脸检测 |
| 5.2.2 AdaBoost检测结果 |
| 5.2.3 基于光流算法检测 |
| 5.3 驾驶人注视特征信息获取 |
| 5.3.1 基于几何特征的人脸各部位区域定位 |
| 5.3.2 面部特征中的眼睛、嘴巴区域结构的关系 |
| 5.3.3 眼睛的检测与定位 |
| 5.3.4 嘴巴检测与定位 |
| 5.3.5 检测结果 |
| 5.4 驾驶人注视检测智能体获取的信息特征挖掘 |
| 5.4.1 驾驶人注视区域划分 |
| 5.4.2 驾驶人注视特征提取与分析 |
| 5.4.3 驾驶人"T"型注视特征提取 |
| 5.4.4 驾驶人注视"T"型表征检测结果 |
| 5.4.5 驾驶人不安全注视行为判断 |
| 5.5 本章小结 |
| 第六章 基于多智能体模式分类与证据理论融合分析的低警觉性驾驶行为捕捉 |
| 6.1 模式识别分类 |
| 6.1.1 句法模式识别 |
| 6.1.2 模糊模式识别 |
| 6.1.3 统计模式识别 |
| 6.1.4 人工神经网络法 |
| 6.2 冲突证据的消解 |
| 6.3 基于BP神经网络的驾驶人注视特征分类器设计 |
| 6.3.1 输入层设计 |
| 6.3.2 隐层设计 |
| 6.3.3 输出层设计 |
| 6.4 Dempster-Shafer证据理论融合分析 |
| 6.4.1 D-S证据理论的基本概念 |
| 6.4.2 Dempster-Shafer组合规则 |
| 6.4.3 多证据源的构造 |
| 6.4.4 D-S证据理论决策级融合效果分析 |
| 6.5 试验分析 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 研究创新之处 |
| 7.3 今后研究的设想 |
| 参考文献 |
| 致谢 |
| 在学期间发表的文章及参加的科研项目 |
（9）应用子空间方法的人脸识别研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景 |
| 1.1.1 身份鉴别与生物特征识别 |
| 1.1.2 生物特征识别的种类 |
| 1.1.3 人脸识别的研究意义 |
| 1.2 本文的主要工作和创新点 |
| 1.3 本文的组织结构 |
| 第二章 人脸识别技术概述 |
| 2.1 人脸识别系统概述 |
| 2.2 人脸图像预处理 |
| 2.3 人脸识别方法概述 |
| 2.3.1 子空间人脸识别方法 |
| 2.3.2 基于核的人脸识别方法 |
| 2.3.3 基于局部特征的人脸识别方法 |
| 2.3.4 三维人脸识别方法 |
| 2.4 人脸图像数据库 |
| 2.5 人脸识别技术的应用 |
| 2.6 本章小结 |
| 第三章 基于双树复小波和独立成分分析的人脸识别 |
| 3.1 基于图像变换的人脸特征提取 |
| 3.1.1 基于离散余弦变换的人脸识别 |
| 3.1.2 基于小波变换的人脸识别 |
| 3.1.3 基于Gabor 变换的人脸识别 |
| 3.1.4 基于其他图像变换的人脸识别 |
| 3.2 Gabor 小波 |
| 3.3 双树复小波变换 |
| 3.3.1 小波变换 |
| 3.3.2 双树复小波变换原理 |
| 3.4 主成分分析 |
| 3.5 独立成分分析 |
| 3.5.1 独立成分分析数学模型 |
| 3.5.2 独立成分分析求解方法 |
| 3.5.3 FastICA 算法 |
| 3.6 基于双树复小波和独立成分分析的人脸识别 |
| 3.6.1 特征提取 |
| 3.6.2 分类器 |
| 3.6.3 算法流程 |
| 3.7 实验结果 |
| 3.8 本章小结 |
| 第四章 结合双树复小波和Gabor 小波的人脸识别研究 |
| 4.1 双树复小波变换的方向选择特性 |
| 4.2 线性判别分析 |
| 4.3 结合双树复小波特征和Gabor 小波特征的人脸识别 |
| 4.3.1 特征提取 |
| 4.3.2 算法流程 |
| 4.4 实验结果 |
| 4.5 本章小结 |
| 第五章 基于独立成分分析的贝叶斯人脸识别 |
| 5.1 贝叶斯分类基本原理 |
| 5.1.1 基于最小错误率的贝叶斯分类 |
| 5.1.2 基于最小风险准则的贝叶斯分类 |
| 5.2 贝叶斯人脸识别方法 |
| 5.2.1 贝叶斯分类与人脸识别 |
| 5.2.2 人脸图像差异 |
| 5.2.3 概率密度函数 |
| 5.2.4 极大似然分类准则 |
| 5.2.5 极大后验概率分类准则 |
| 5.3 基于独立成分分析的贝叶斯人脸识别 |
| 5.3.1 贝叶斯人脸识别存在的问题 |
| 5.3.2 独立成分分析与贝叶斯人脸识别 |
| 5.3.3 人脸图像差异子空间建模方法 |
| 5.4 基于广义高斯模型和独立成分分析的贝叶斯人脸识别 |
| 5.4.1 广义高斯分布 |
| 5.4.2 结合广义高斯模型的概率密度函数估计 |
| 5.4.3 极大似然分类准则 |
| 5.4.4 极大后验概率分类准则 |
| 5.4.5 算法流程 |
| 5.5 实验结果 |
| 5.6 本章小结 |
| 第六章 总结和展望 |
| 6.1 论文工作总结 |
| 6.2 今后工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）基于OpenCV的人脸跟踪识别系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 人脸跟踪识别国内外研究进展 |
| 1.3 相关理论基础与应用领域 |
| 1.3.1 理论基础 |
| 1.3.2 应用领域 |
| 1.4 本文研究工作概述 |
| 第二章 人脸检测识别方法 |
| 2.1 人脸检测方法概述 |
| 2.1.1 基于特征分析的人脸检测方法 |
| 2.1.2 基于统计的人脸检测方法 |
| 2.1.3 本文采用的人脸检测方法—Adaboost |
| 2.2 人脸识别方法概述 |
| 2.2.1 几种常用识别方法 |
| 2.2.2 本文采用的人脸识别方法—Eigenface算法 |
| 2.3 人脸检测难点及性能评估准则 |
| 2.4 本章小结 |
| 第三章 人脸跟踪算法 |
| 3.1 几种常用的人脸跟踪算法 |
| 3.2 本文采用的人脸跟踪方法—Camshift |
| 3.2.1 图像的颜色概率分布图与反向投影图 |
| 3.2.2 Mean Shift算法 |
| 3.2.3 Camshift算法 |
| 3.2.4 算法实现流程及结果分析 |
| 3.3 本章小结 |
| 第四章 人脸跟踪识别算法的研究和系统的构建 |
| 4.1 识别算法改进方案 |
| 4.1.1 分块PCA原理 |
| 4.1.2 分块方法选择 |
| 4.1.3 分块实验结果 |
| 4.2 跟踪算法改进方案 |
| 4.2.1 自动初始化人脸跟踪窗口 |
| 4.2.2 利用形态学处理增强肤色信息 |
| 4.2.3 建立多个Camshift跟踪器 |
| 4.2.4 更新跟踪目标条件 |
| 4.2.5 多人脸跟踪实验结果 |
| 4.3 本章小结 |
| 第五章 基于OpenCV的人脸跟踪识别系统的实现 |
| 5.1 OpenCV简介及在本系统中的使用方法 |
| 5.2 人脸跟踪识别系统的实现 |
| 5.3 人脸跟踪识别系统的软件实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
四、基于中国人人脸区域特征的贝叶斯分类法研究（论文参考文献）
- [1]多源学术新媒体用户生成内容的知识聚合研究[D]. 陶兴. 吉林大学, 2020(08)
- [2]基于GEE云平台的喜马拉雅地区森林覆被提取及其变化分析[D]. 赵佩. 青海师范大学, 2020
- [3]人脸识别技术在人像鉴定中的应用研究[J]. 曾锦华,施少培,卞新伟,邱秀莲. 中国司法鉴定, 2019(02)
- [4]基于深度学习的人脸识别研究[D]. 李文杰. 华北理工大学, 2019(01)
- [5]P2P网络借贷的借款人信用评价研究[D]. 郭永济. 南京大学, 2015(05)
- [6]偏微分方程在遥感图像去噪与分类的应用研究[D]. 赵四能. 浙江大学, 2011(12)
- [7]基于统计特征的人脸识别系统设计与实现[D]. 赵倩倩. 华中师范大学, 2011(08)
- [8]驾驶人警觉状态检测技术研究[D]. 汪澎. 江苏大学, 2010(07)
- [9]应用子空间方法的人脸识别研究[D]. 柴智. 天津大学, 2010(07)
- [10]基于OpenCV的人脸跟踪识别系统研究[D]. 雷静. 西安电子科技大学, 2010(11)