发布时间：
随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。我整理了图像识别技术论文，欢迎阅读!
图像识别技术研究综述
摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。基于图像处理技术进一步探讨图像识别技术及其应用前景。
关键词：图像处理;图像识别;成像
中图分类号：TP391 文献标识码：A 文章编号：1009-3044(2013)10-2446-02
图像是客观景物在人脑中形成的影像，是人类最重要的信息源，它是通过各种观测系统从客观世界中获得，具有直观性和易理解性。随着计算机技术、多媒体技术、人工智能技术的迅速发展，图像处理技术的应用也越来越广泛，并在科学研究、教育管理、医疗卫生、军事等领域已取得的一定的成绩。图像处理正显著地改变着人们的生活方式和生产手段，比如人们可以借助于图像处理技术欣赏月球的景色、交通管理中的车牌照识别系统、机器人领域中的计算机视觉等，在这些应用中，都离不开图像处理和识别技术。图像处理是指用计算机对图像进行处理，着重强调图像与图像之间进行的交换，主要目标是对图像进行加工以改善图像的视觉效果并为后期的图像识别大基础[1]。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。但是由于获取的图像本事具有复杂性和特殊性，使得图像处理和识别技术成为研究热点。
1 图像处理技术
图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。
1)图像采集，图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转为数字图像，和文字、图形、声音一起存储在计算机内，显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。
2)图像增强，图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分，使图像的主体结构更加明确，必须对图像进行改善，即图像增强。通过图像增强，以减少图像中的图像的噪声，改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量，使图像中的物体的轮廓更加清晰，细节更加明显。图像增强不考虑图像降质的原因，增强后的图像更加赏欣悦目，为后期的图像分析和图像理解奠定基础。
3)图像复原，图像复原也称图像恢复，由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊，为了提取比较清晰的图像需要对图像进行恢复，图像恢复主要采用滤波方法，从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建，该技术是从物体横剖面的一组投影数据建立图像。
4)图像编码与压缩，数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列，因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
5)图像分割技术，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域是像素的一个连续集，这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位，然后把目标从背景中分离出来。目前，图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法[2]。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰，使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。
2 图像识别技术
图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别[3]。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。主要识别技术有：
2.1 指纹识别
指纹识别是生物识别技术中一种最实用、最可靠和价格便宜的识别手段，主要应用于身份验证。指纹识别是生物特征的一个部分，它具有不变性：一个人的指纹是终身不变的;唯一性：几乎没有两个完全相同的指纹[3]。一个指纹识别系统主要由指纹取像、预处理与特征提取、比对、数据库管理组成。目前，指纹识别技术与我们的现实生活紧密相关，如信用卡、医疗卡、考勤卡、储蓄卡、驾驶证、准考证等。
2.2 人脸识别 目前大多数人脸识别系统使用可见光或红外图像进行人脸识别，可见光图像识别性能很容易受到光照变化的影响。在户外光照条件不均匀的情况下，其正确识别率会大大降低。而红外图像进行人脸识别时可以克服昏暗光照条件变化影响，但由于红外线不能穿透玻璃，如果待识别的对象戴有眼镜，那么在图像识别时，眼部信息全部丢失，将严重影响人脸识别的性能[4]。
2.3 文字识别
文字识别是将模式识别、文字处理、人工智能集与一体的新技术，可以自动地把文字和其他信息分离出来，通过智能识别后输入计算机，用于代替人工的输入。文字识别技术可以将纸质的文档转换为电子文档，如银行票据、文稿、各类公式和符号等自动录入，可以提供文字的处理效率，有助于查询、修改、保存和传播。文字识别方法主要有结构统计模式识别、结构模式识别和人工神经网络[5]。由于文字的数量庞大、结构复杂、字体字形变化多样，使得文字识别技术的研究遇到一定的阻碍。
3 结束语
人类在识别现实世界中的各种事物或复杂的环境是一件轻而易举的事，但对于计算机来讲进行复杂的图像识别是非常困难的[6]。在环境较为简单的情况下，图像识别技术取得了一定的成功，但在复杂的环境下，仍面临着许多问题：如在图像识别过程中的图像分割算法之间的性能优越性比较没有特定的标准，以及算法本身存在一定的局限性，这使得图像识别的最终结果不十分精确等。
参考文献：
[1] 胡爱明，周孝宽.车牌图像的快速匹配识别方法[J].计算机工程与应用，2003，39(7)：90—91.
[2] 胡学龙.数字图像处理[M].北京：电子工业出版社，2011.
[3] 范立南，韩晓微，张广渊.图像处理与模式识别[M].北京：科学出版社，2007.
[4] 晓慧，刘志镜.基于脸部和步态特征融合的身份识别[J].计算机应用，2009，1(29)：8.
[5] 陈良育，曾振柄，张问银.基于图形理解的汉子构型自动分析系统[J].计算机应用，2005，25(7)：1629-1631.
[6] Sanderson C，Paliwal K K.Information Fusion and Person Verification Using Speech & Face Information[C].IDIAP-RR 02-33，Martigny，Swizerland，2002.
点击下页还有更多>>>图像识别技术论文
这两天在公司做PM实习，主要是自学一些CV的知识，以了解产品在解决一些在图像识别、图像搜索方面的问题，学习的主要方式是在知网检索了6.7篇国内近3年计算机视觉和物体识别的硕博士论文。由于时间关系，后面还会继续更新图片相似度计算（以图搜图）等方面的学习成果 将这两天的学习成果在这里总结一下。你将会看到计算机视觉在解决特定物体识别问题（主要是卷积神经网络CNNs）的基础过程和原理，但这里不会深入到技术的实现层面。
计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。 ————维基百科 通常而言，计算机视觉的研究包括三个层次： （1）底层特征的研究： 这一层次的研究主要聚焦如何高效提取出图像对象具有判别性能的特征，具体的研究内容通常包括：物体识别、字符识别等 （2）中层语义特征的研究： 该层次的研究在于在识别出对象的基础上，对其位置、边缘等信息能够准确区分。现在比较热门的：图像分割；语义分割；场景标注等，都属于该领域的范畴 （3）高层语义理解： 这一层次建立在前两层的基础上，其核心在于“理解”一词。 目标在于对复杂图像中的各个对象完成语义级别的理解。这一层次的研究常常应用于：场景识别、图像摘要生成及图像语义回答等。 而我研究的问题主要隶属于底层特征和中层语义特征研究中的物体识别和场景标注问题。
人类的视觉工作模式是这样的： 首先，我们大脑中的神经元接收到大量的信息微粒，但我们的大脑还并不能处理它们。 于是接着神经元与神经元之间交互将大量的微粒信息整合成一条又一条的线。 接着，无数条线又整合成一个个轮廓。 最后多个轮廓累加终于聚合我们现在眼前看到的样子。 计算机科学受到神经科学的启发，也采用了类似的工作方式。具体而言，图像识别问题一般都遵循下面几个流程
（1）获取底层信息。获取充分且清洁的高质量数据往往是图像识别工作能否成功的关键所在 （2）数据预处理工作，在图像识别领域主要包括四个方面的技术：去噪处理（提升信噪比）、图像增强和图像修复（主要针对不够清晰或有破损缺失的图像）；归一化处理（一方面是为了减少开销、提高算法的性能，另一方面则是为了能成功使用深度学习等算法，这类算法必须使用归一化数据）。 （3）特征提取，这一点是该领域的核心，也是本文的核心。图像识别的基础是能够提取出足够高质量，能体现图像独特性和区分度的特征。 过去在10年代之前我们主要还是更多的使用传统的人工特征提取方法，如PCA\LCA等来提取一些人工设计的特征，主要的方法有（HOG、LBP以及十分著名的SIFT算法）。但是这些方法普遍存在（a）一般基于图像的一些提层特征信息（如色彩、纹理等）难以表达复杂的图像高层语义，故泛化能力普遍比较弱。（b）这些方法一般都针对特定领域的特定应用设计，泛化能力和迁移的能力大多比较弱。 另外一种思路是使用BP方法，但是毕竟BP方法是一个全连接的神经网络。这以为这我们非常容易发生过拟合问题（每个元素都要负责底层的所有参数），另外也不能根据样本对训练过程进行优化，实在是费时又费力。 因此，一些研究者开始尝试把诸如神经网络、深度学习等方法运用到特征提取的过程中，以十几年前深度学习方法在业界最重要的比赛ImageNet中第一次战胜了SIFT算法为分界线，由于其使用权重共享和特征降采样，充分利用了数据的特征。几乎每次比赛的冠军和主流都被深度学习算法及其各自改进型所占领。其中，目前使用较多又最为主流的是CNN算法，在第四部分主要也研究CNN方法的机理。
上图是一个简易的神经网络，只有一层隐含层，而且是全连接的（如图，上一层的每个节点都要对下一层的每个节点负责。）具体神经元与神经元的作用过程可见下图。
在诸多传统的神经网络中，BP算法可能是性能最好、应用最广泛的算法之一了。其核心思想是：导入训练样本、计算期望值和实际值之间的差值，不断地调整权重，使得误差减少的规定值的范围内。其具体过程如下图：
一般来说，机器学习又分成浅层学习和深度学习。传统的机器学习算法，如SVM、贝叶斯、神经网络等都属于浅层模型，其特点是只有一个隐含层。逻辑简单易懂、但是其存在理论上缺乏深度、训练时间较长、参数很大程度上依赖经验和运气等问题。 如果是有多个隐含层的多层神经网络（一般定义为大于5层），那么我们将把这个模型称为深度学习，其往往也和分层训练配套使用。这也是目前AI最火的领域之一了。如果是浅层模型的问题在于对一个复杂函数的表示能力不够，特别是在复杂问题分类情况上容易出现分类不足的弊端，深度网络的优势则在于其多层的架构可以分层表示逻辑，这样就可以用简单的方法表示出复杂的问题，一个简单的例子是： 如果我们想计算sin(cos(log(exp(x))))， 那么深度学习则可分层表示为exp(x)—>log(x)—>cos(x)—>sin(x)
图像识别问题是物体识别的一个子问题，其鲁棒性往往是解决该类问题一个非常重要的指标，该指标是指分类结果对于传入数据中的一些转化和扭曲具有保持不变的特性。这些转化和扭曲具体主要包括了： （1）噪音（2）尺度变化（3）旋转（4）光线变化（5）位移
该部分具体的内容，想要快速理解原理的话推荐看[知乎相关文章] ( )， 特别是其中有些高赞回答中都有很多动图和动画，非常有助于理解。 但核心而言，CNN的核心优势在于 共享权重 以及 感受野 ，减少了网络的参数，实现了更快的训练速度和同样预测结果下更少的训练样本，而且相对于人工方法，一般使用深度学习实现的CNN算法使用无监督学习，其也不需要手工提取特征。
CNN算法的过程给我的感觉，个人很像一个“擦玻璃”的过程。其技术主要包括了三个特性：局部感知、权重共享和池化。
CNN中的神经元主要分成了两种： （a）用于特征提取的S元，它们一起组成了卷积层，用于对于图片中的每一个特征首先局部感知。其又包含很关键的阈值参数（控制输出对输入的反映敏感度）和感受野参数（决定了从输入层中提取多大的空间进行输入，可以简单理解为擦玻璃的抹布有多大） （b）抗形变的C元，它们一起组成了池化层，也被称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。 （c*）激活函数，及卷积层输出的结果要经过一次激励函数才会映射到池化层中，主要的激活函数有Sigmoid函数、Tanh函数、ReLU、Leaky ReLU、ELU、Maxout等。
也许你会抱有疑问，CNN算法和传统的BP算法等究竟有什么区别呢。这就会引出区域感受野的概念。在前面我们提到，一个全连接中，较高一层的每个神经元要对低层的每一个神经元负责，从而导致了过拟合和维度灾难的问题。但是有了区域感受野和，每个神经元只需要记录一个小区域，而高层会把这些信息综合起来，从而解决了全连接的问题。
了解区域感受野后，你也许会想，区域感受野的底层神经元具体是怎么聚合信息映射到上一层的神经元呢，这就要提到重要的卷积核的概念。这个过程非常像上面曾提到的“神经元与神经元的联系”一图，下面给大家一个很直观的理解。
上面的这个过程就被称为一个卷积核。在实际应用中，单特征不足以被系统学习分类，因此我们往往会使用多个滤波器，每个滤波器对应1个卷积核，也对应了一个不同的特征。比如：我们现在有一个人脸识别应用，我们使用一个卷积核提取出眼睛的特征，然后使用另一个卷积核提取出鼻子的特征，再用一个卷积核提取出嘴巴的特征，最后高层把这些信息聚合起来，就形成了分辨一个人与另一个人不同的判断特征。
现在我们已经有了区域感受野，也已经了解了卷积核的概念。但你会发现在实际应用中还是有问题： 给一个100 100的参数空间，假设我们的感受野大小是10 10，那么一共有squar（1000-10+1）个，即10的六次方个感受野。每个感受野中就有100个参数特征，及时每个感受野只对应一个卷积核，那么空间内也会有10的八次方个次数，，更何况我们常常使用很多个卷积核。巨大的参数要求我们还需要进一步减少权重参数，这就引出了权重共享的概念。 用一句话概括就是，对同一个特征图，每个感受野的卷积核是一样的，如这样操作后上例只需要100个参数。
池化是CNN技术的最后一个特性，其基本思想是： 一块区域有用的图像特征，在另一块相似的区域中很可能仍然有用。即我们通过卷积得到了大量的边缘EDGE数据，但往往相邻的边缘具有相似的特性，就好像我们已经得到了一个强边缘，再拥有大量相似的次边缘特征其实是没有太大增量价值的，因为这样会使得系统里充斥大量冗余信息消耗计算资源。 具体而言，池化层把语义上相似的特征合并起来，通过池化操作减少卷积层输出的特征向量，减少了参数，缓解了过拟合问题。常见的池化操作主要包括3种： 分别是最大值池化（保留了图像的纹理特征）、均值池化（保留了图像的整体特征）和随机值池化。该技术的弊端是容易过快减小数据尺寸，目前趋势是用其他方法代替池化的作用,比如胶囊网络推荐采用动态路由来代替传统池化方法，原因是池化会带来一定程度上表征的位移不变性，传统观点认为这是一个优势，但是胶囊网络的作者Hinton et al.认为图像中位置信息是应该保留的有价值信息，利用特别的聚类评分算法和动态路由的方式可以学习到更高级且灵活的表征，有望冲破目前卷积网络构架的瓶颈。
CNN总体来说是一种结构，其包含了多种网络模型结构，数目繁多的的网络模型结构决定了数据拟合能力和泛化能力的差异。其中的复杂性对用户的技术能力有较高的要求。此外，CNN仍然没有很好的解决过拟合问题和计算速度较慢的问题。
该部分的核心参考文献： 《深度学习在图像识别中的应用研究综述》郑远攀,李广阳,李晔.[J].计算机工程与应用,2019,55(12):20-36. 深度学习技术在计算机图像识别方面的领域应用研究是目前以及可预见的未来的主流趋势，在这里首先对深度学习的基本概念作一简介，其次对深度学习常用的结构模型进行概述说明，主要简述了深度信念网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、生成式对抗网络（GAN）、胶囊网络（CapsNet）以及对各个深度模型的改进模型做一对比分析。
深度学习按照学习架构可分为生成架构、判别架构及混合架构。 其生成架构模型主要包括： 受限波尔兹曼机、自编码器、深层信念网络等。判别架构模型主要包括：深层前馈网络、卷积神经网络等。混合架构模型则是这两种架构的集合。深度学习按数据是否具有标签可分为非监督学习与监督学习。非监督学习方法主要包括：受限玻尔兹曼机、自动编码器、深层信念网络、深层玻尔兹曼机等。 监督学习方法主要包括：深层感知器、深层前馈网络、卷积神经网络、深层堆叠网络、循环神经网络等。大量实验研究表明，监督学习与非监督学习之间无明确的界限，如：深度信念网络在训练过程中既用到监督学习方法又涉及非监督学习方法。
[1]周彬. 多视图视觉检测关键技术及其应用研究[D].浙江大学,2019. [2]郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36. [3]逄淑超. 深度学习在计算机视觉领域的若干关键技术研究[D].吉林大学,2017. [4]段萌. 基于卷积神经网络的图像识别方法研究[D].郑州大学,2017. [5]李彦冬. 基于卷积神经网络的计算机视觉关键技术研究[D].电子科技大学,2017. [6]李卫. 深度学习在图像识别中的研究及应用[D].武汉理工大学,2014. [7]许可. 卷积神经网络在图像识别上的应用的研究[D].浙江大学,2012. [8]CSDN、知乎、机器之心、维基百科
我建议你去看看这些网址。可能有。
文献如下：
[1] Rothe R, Timofte R, Gool L V. Deep Expectation of Real andApparent Age from a Single Image Without Facial Landmarks[J].International Journal of Computer Vision, 2016:1-14.
[2] Eidinger E, Enbar R, Hassner T. Age and Gender Estimation of Unfiltered Faces[J]. IEEE Transactions on Information Forensics & Security, 2014, 9(12):2170-2179.
[3] Chen B C, Chen C S, Hsu W H. Face Recognition and RetrievalUsing Cross-Age Reference Coding With Cross-Age CelebrityDataset[J]. IEEE Transactions on Multimedia, 2015, 17(6):804-815.
[4]王先梅，梁玲燕，王志良，胡四泉. 人脸图像的年龄估计技术研究[J]．中国图象图形学报，2012, 17( 6) : 603-618。
[5] 郑德鹏, 杜吉祥, 翟传敏. 基于深度学习MPCANet 的年龄估计 [J].南京师大学报(自然科学版), 2017, 40(1):20-26。
知网可以查找文献。年龄估计的现状：
简单地说，基于人脸图像的年龄估计是指机器根据面部图像推测出人的大概年龄或所属的年龄范围( 年龄段)。基于人脸图像的年龄估计系统一般分为人脸检测与定位，年龄特征提取，年龄估计，系统性能评价几个部分。根据提取特征方式的不同又分为传统方法和深度学习方法。
如果基于人脸图像的年龄估计问题得到解决，那么在日常生活中基于年龄信息的各种人机交互系统将在现实生活中有着极大的应用需求。
市场主流年龄估计软件包括商汤科技，face++，百度云AI体验中心，腾讯云AI体验中心，年龄检测仪。我们随机拿了一些名人照片做测试，总体说来face++在测试集上表现最好。
传统方法研究思路，自然就是手动提取特征。
传统方法即手动提取特征，传统方法可粗略划分为手动提取特征和年龄估计两个阶段。
根据特征所反映的人脸信息，可以将常用的人脸年龄特征分为形状特征、纹理特征、代数特征以及混合特征。
由于每种类型的特征均从不同角度描述了人脸图像，为了充分利用各种特征的优点，研究人员通常综合集成多种人脸特征，并采用不同的数学方法对其进行处理，从而形成了各具特色的面部年龄特征提取模型。
常见的特征提取模型包括人体测量学模型( anthropometric models) 、特征子空间模型(AGES) 、柔性模型( flexible models) 、流形学习( age manifold)以及外观模型( appearance model) 等。
题名 题名相当于论文的标签,是简明、确切地反映论文最重要特点内容、研究范围和深度的最恰当的词语的逻辑组合,通常是读者最先浏览的内容,也是检索系统首先收录的部分,是体现论文水平与范围的第一重要信息。 总结起来有如下几个要求:(1)题文相扣,概念表达准确 题名要准确表达论文的内容和主题,恰当反映研究的范围和深度,与论文内容要互相匹配,紧扣-题要扣文,文要扣题。切忌题名过大,而应该限定到问题或者所使用的解决方法层面,例 如： 太笼统的题名:人脸识别研究; 限定到方法:一种基于感受野学习的人脸识别新方法。(2)题目长度适中,以及语序正确性 题目用词要简短精炼、太长或太短都不好。一般过长的题目中都有废话,包括但不限于“调查”“研究”以及一些冠词“a”等。我们在小学语文中就做过这样的练习,把一句比较长的话改短,又不改变其原来的意思。例如: 机器人定位与导航若干神经计算方法的研究; 因为导航包括定位,去掉冗余后:机器人导航若干神经计算方法的研究。 此外,题名像一条标签,忌用冗长的主、谓、宾语结构的完整语句,习惯上常用以名词或名词性词组为中心的偏正词组,一般不用动宾结构。英语题名,建议将表达核心内容的主题词放在题名的开头。例如: Age invariant face recognition and retrieval byCoupled auto-encoder。(3)注意术语的使用 术语在科技论文中大量出现,特别在通讯领域,拥有众多各类术语。很多术语即便是内行也难以辨别。因此,除非是众所周知的缩略语,否则不简写。例如： Image-to-Image Translation with ConditionalAdversarial Networks, 而非 Image-to—Image Translation with Conditional GAN, 因为GAN(生成对抗网络)这个词最近2年才出来,即便在机器学习领域,也有很多人对它很陌生。摘要 摘要是以提供文献内容梗概为目的,不加评论和补充解释,简明、确切地记述文献重要内容的短文。 摘要具有独立性和自主性,能充分反映研究的创新点,拥有论文同等量的主要信息,即不阅读全文就能获得必要的信息。摘要字数通常不超过论文字数5%。摘要的基本结构及内容 摘要本质上是一篇高度浓缩的论文,其基本结构与论文的结构是对应的。摘要主要包括以下内容的梗概: (1)目的。研究工作的前提、目的、任务及所涉及的主题范围。 (2)方法——所用的理论、技术、材料、手段、设备、算法、程序等 (3)结果—观测、实验的结果和数据,得到的效果、性能和结论,创新与独到之处。摘要规范表达一般原则 1)摘要篇幅应尽量简短,切忌把应在前沿中出现的篇幅较长的内容写入摘要,而且不得有对论文的正式进行补充和修改的内容，尤其不要进行评价。 2)摘要的内容在正文应该出现,但不宜简单地重复。中文摘要多用第三人称来写,建议采用“对…进行了研究",“报告了…现状"等记述方法。 3)摘要要使用公知公用的规范的术语和符号,新术语应写出全称。一般不要使用公式和化学结构式。英文摘要规范表达 英文摘要时态的运用应以简练为佳,常用一般现在时、一般过去时,少用现在完成时、过去完成时,基本不用进行时和其他复合时态。 一般现在时用于说明研究目的、叙述研究内容、描述研究结果、得出研究结论、提出建议或讨论等。涉及公认事实、自然规律、永恒真理等,用一般现在时。 如: In order to study the rigidity coeficient.…, the stress and strain model is concluded.与之相反,一般过去时用于叙述过去某一时刻(时段)的发现、某一研究过程。 如The heat pulse technique was aplied to study two main tree species in July and August, 1996. a.介绍背景资料时,句子内容不受时间影响的普遍事实,应用现在时,对某种趋势的概述,用现在完成时。 b.叙述研究目的或主要研究活动,多使用现在时。 C.叙述实验程序、方法和主要结果常用现在时。 d.叙述结论或建议时可使用现在时,或may, should, could等助动词。关键词 关键词(key words)是为了满足文献标引或计算机检索及国际计算机联机检索工作的需要, 而从论文题名和正文中选出来的能够反映论文主题内容的词或词组。关键词应为规范的术语,通常位于摘要之后。 关键词:股票市场;在线股评;相关分析引言 一般来说,引言部分通常需要14页的篇幅。基本内容应包括研究背景、存在的问题和研究目的等。 通常先介绍范围较宽泛的一般性事实,为说明研究工作与过去工作的关系,须要回顾国内外研究历史(文献回顾或文献综述)，并对研究情况横向比较,写明前人在本课题相关领域所做的工作及存在的空白或不足。 然后将重点逐渐转入与论文所探讨的问题有密切联系的主题,指出有某个问题或现象仍值得进一步研究,进而将焦点转到要探讨的研究问题上最后阐述研究目的,将作者的研究任务具体化,还可根据情况说明作者在已有工作基础上的贡献或创新。 对篇幅较长、结构复杂的论文,其引言的结尾部分还应有简略说明研究的主要结论以及论文构架的内容。引文规范写作原则 1)按写作要求和内容逐渐展开,不要将引言写成摘要的注释,不讨论,不重复摘要内容。 2)要慎重而有保留第叙述前人工作的欠缺及自己研究的创新,一般不用评价式的用语。 3)研究背景应该准确、简洁,不宜过于分散和琐碎。正文 正文写作过程中,不论小节层次,还是次小节层次,都应该遵循自上而下的细化方法。这种金字塔式的细化方法也应该体现论文的总体结构层次。也就是说,创建高层次的小节,用以描述搞层次的思想,然后使用低级别的章节层次结构描述更多的技术细节。每个段落都应该有一个中心论点,称为中心句或主题句,通常段 落以此为起始句。之后,围绕这中心论点进行更加细致的阐释。结论 结论可以是中心思想的重申、研究结果或主要观点的归纳,也可以是某些启示性的解释或考虑,以及在研究结果基础上所进行的预测等。主要包含： 1)本研究有什么新发现,得到了什么规律性的东西,解决了什么理论与实际问题,适用范围是什么? 2)研究的创新点,研究工作与他人已有研究成果的异同 3）研究的局限性、不足之处或遗留问题,以及可能的应用前景和进一步深入的研究方向。参考文献 参考文献是指为撰写论文而引用前人(包括作者自己)已发表的有关文献,是科技论文不可缺少的重要组成部分。 按规定,在科技论文中,凡是引用前人或他人(包括本人)已发表的文献中的观点、数据和材料等,都要在引用处予以标明,在文末(结论之后,,如有致谢,则在致谢之后)列出参考文献表称为参考文献的著录。一、参考文献著录的目的和作用 1)提高科学依据,表明广度和深度 著录参考文献反映出了科技论文作者的科学态度,并为论文提供了真实、广泛的科学依据。所著录的参考文献数量多少以及发表时间,就能衡量该科技论文研究的广度与深度。 2)区分研究成果,尊重他人成果 3)节省论文篇幅,避免资料堆积 适当引用参考文献,可避免过多介绍他人的工作,避免一般性表述和资料堆积。 4)便于读者查找,达到资源共享。二、著录的原则 1）只著录必要的最新的文献。 2）采用标准化的著录格式。各个期刊都有各自的规定,可在投稿前看相关期刊的文献著录格式。 3）一般只著录已公开发表的文献。三、标注方法 正文中引用文献的标注方法可以采用顺序编码或著者—出版年制,相应地文后的参考文献表按顺序编码或者著者-出版年制组织。 1)顺序编码制引文采用序号标注,参考文献表按引文的顺序列出在同一处引用多篇参考文献时,只需在方括号内全部列出,例如：用多种优化模型[3,5,12—15]. 参考文献做主语的时候,例如:与文献[6,7]中的分析一致。引用英文人名时,要注意文献人名表达形式的统一性和特殊性。如作者姓氏相同,则应写全名,如"LEE Y S"和"LEE C W”.
人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，晓电晓受晓受晓晓晓多晓电晓米晓受晓联晓受晓零晓电晓受晓米晓多晓晓e少量惠量量e米惠d量晓晓受晓晓晓晓米晓晓多晓少米受在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR的研究历史按照研究内容、技术芳珐等方面的特点大体划分为三个时间阶段，如表受所示。该表格概括了人脸识别研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍： 第一阶段(受惠米联年~受惠惠零年) 这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometricfeature based)的芳珐。这集中体现在人们对于剪影(Profile)的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事AFR研究的研究人员除了布莱索(Bledsoe)外还有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄于受惠少晓年在京都大学完成了第一篇AFR方面的博士论文，直到现在，作为卡内基-梅隆大学(CMU)机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域的一支重要力量。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。 第二阶段(受惠惠受年~受惠惠少年) 这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干伤业化运作的人脸识别系统，比如最为著名的Visionics(现为Identix)的FaceIt系统。 美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出的“特征脸”芳珐无疑是这一时期内最负盛名的人脸识别芳珐。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸已经与归一化的协相关量(NormalizedCorrelation)芳珐一道成为人脸识别的性能测试基准算法。 这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里(Brunelli)和波基奥(Poggio)于受惠惠电年左右做的一个对比实验，他们对比了基于结构特征的芳珐与基于模板匹配的芳珐的识别性能，并给出了一个比较确定的结论：模板匹配的芳珐优于基于特征的芳珐。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别芳珐研究，并在很大程度上促进了基于表观(Appearance-based)的线性子空间建模和基于统计模式识别技术的人脸识别芳珐的发展，使其逐渐成为主流的人脸识别技术。 贝尔胡米尔(Belhumeur)等提出的Fisherface人脸识别芳珐是这一时期的另一重要成果。该芳珐首先采用主成分分析(PrincipalComponent Analysis，PCA，亦即特征脸)对图像表观特征进行降维。在此基础上，采用线性判别分析(LinearDiscriminant Analysis, LDA)的芳珐变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该芳珐目前仍然是主流的人脸识别芳珐之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA判别芳珐以及近期的一些基于核学习的改进策略。 麻省理工学院的马哈丹(Moghaddam)则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别芳珐。该芳珐通过“作差法”，将两幅人脸图像对的相似度计算问题转换为一个两类(类内差和类间差)分类问题，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策(最大似然或者最大后验概率)的芳珐来进行人脸识别。 人脸识别中的另一种重要芳珐——弹性图匹配技术(Elastic GraphMatching，EGM) 也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征——Gabor变换【受电】特征，称为Jet;边的属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化馊索策略来定位预先定义的若干面部关键特征点，同时提取它们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该芳珐的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。近来还出现了一些对该芳珐的扩展。 局部特征分析技术是由洛克菲勒大学(RockefellerUniversity)的艾提克(Atick)等人提出的。LFA在本质上是一种基于统计的低维对象描述芳珐，与只能提取全局特征而且不能保留局部拓扑结构的PCA相比，LFA在全局PCA描述的基础上提取的特征是局部的，并能够同时保留全局拓扑信息，从而具有更佳的描述和判别能力。LFA技术已伤业化为著名的FaceIt系统，因此后期没有发表新的学术进展。 由美国国防部反技术发展计划办公室资助的FERET项目无疑是该阶段内的一个至关重要的事件。FERET项目的目标是要开发能够为安全、情报和执法部门使用的AFR技术。该项目包括三部分内容：资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET人脸识别性能评测。该项目分别于受惠惠联年，受惠惠多年和受惠惠米年组织了晓次人脸识别评测，几种最知名的人脸识别算法都参家了测试，极大地促进了这些算法的改进和实用化。该测试的另一个重要贡献是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识别问题逐渐成为热点的研究方向。 柔性模型(Flexible Models)——包括主动形状模型(ASM)和主动表观模型(AAM)是这一时期内在人脸建模方面的一个重要贡献。ASM/AAM将人脸描述为电D形状和纹理两个分离的部分，分别用统计的芳珐进行建模(PCA)，然后再进一步通过PCA将二者融合起来对人脸进行统计建模。柔性模型具有良好的人脸合成能力，可以采用基于合成的图像分析技术来对人脸图像进行特征提取与建模。柔性模型目前已被广泛用于人脸特征对准(FaceAlignment)和识别中，并出现了很多的改进模型。 总体而言，这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别伤业公司。从技术方案上看， 电D人脸图像线性子空间判别分析、统计表观模型、统计模式识别芳珐是这一阶段内的主流技术。 第三阶段(受惠惠量年~现在) FERET’惠米人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的伤业系统进一步发展。为此，美国军方在FERET测试的基础上分别于电零零零年和电零零电年组织了两次伤业系统评测。 基奥盖蒂斯(Georghiades)等人提出的基于光照锥 (Illumination Cones) 模型的多姿态、多光照条件人脸识别芳珐是这一时期的重要成果之一，他们证明了一个重要结论：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形成一个凸锥——即光照锥。为了能够从少量未知光照条件的人脸图像中计算光照锥，他们还对传统的光度立体视觉芳珐进行了扩展，能够在朗博模型、凸表面和远点光源假设条件下，根据未知光照条件的少幅同一视点图像恢复物体的晓D形状和表面点的表面反射系数(传统光度立体视觉能够根据给定的晓幅已知光照条件的图像恢复物体表面的法向量方向)，从而可以容易地合成该视角下任意光照条件的图像，完成光照锥的计算。识别则通过计算输入图像到每个光照锥的距离来完成。 以支持向量机为代表的统计学习理论也在这一时期内被应用到了人脸识别与确认中来。支持向量机是一个两类分类器，而人脸识别则是一个多类问题。通常有三种策略解决这个问题，即：类内差/类间差法、一对多法(one-to-rest)和一对一法(one-to-one)。 布兰兹(Blanz)和维特(Vetter)等提出的基于晓D变形(晓D Morphable Model)模型的多姿态、多光照条件人脸图像分析与识别芳珐是这一阶段内一项开创性的工作。该芳珐在本质上属于基于合成的分析技术，其主要贡献在于它在晓D形状和纹理统计变形模型(类似于电D时候的AAM)的基础上，同时还采用图形学模拟的芳珐对图像采集过程的透视投影和光照模型参数进行建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配置、光照情况等外部参数完全分开，更家有利于人脸图像的分析与识别。Blanz的实验表明，该芳珐在CMU-PIE(多姿态、光照和表情)人脸库和FERET多姿态人脸库上都达到了相当高的识别率，证明了该芳珐的有效性。 电零零受年的国际计算机视觉大会(ICCV)上，康柏研究院的研究员维奥拉(Viola)和琼斯(Jones)展示了他们的一个基于简单矩形特征和AdaBoost的实时人脸检测系统，在CIF格式上检测准正面人脸的速度达到了每秒受多帧以上。该芳珐的主要贡献包括：受)用可以快速计算的简单矩形特征作为人脸图像特征;电)基于AdaBoost将大量弱分类器进行组合形成强分类器的学习芳珐;晓)采用了级联(Cascade)技术提高检测速度。目前，基于这种人脸/非人脸学习的策略已经能够实现准实时的多姿态人脸检测与跟踪。这为后端的人脸识别提供了良好的基础。 沙苏哈(Shashua)等于电零零受年提出了一种基于伤图像【受晓】的人脸图像识别与绘制技术。该技术是一种基于特定对象类图像集合学习的绘制技术，能够根据训练集合中的少量不同光照的图像，合成任意输入人脸图像在各种光照条件下的合成图像。基于此，沙苏哈等还给出了对各种光照条件不变的人脸签名(Signature)图像的定义，可以用于光照不变的人脸识别，实验表明了其有效性。 巴斯里(Basri)和雅各布(Jacobs)则利用球面谐波(Spherical Harmonics)表示光照、用卷积过程描述朗博反射的芳珐解析地证明了一个重要的结论：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间。这意味着一个凸的朗博表面物体在各种光照条件下的图像集合可以用一个低维的线性子空间来近似。这不仅与先前的光照统计建模芳珐的经验实验结果相吻合，更进一步从理论上促进了线性子空间对象识别芳珐的发展。而且，这使得用凸优化芳珐来强制光照函数非负成为可能，为光照问题的解决提供了重要思路。 FERET项目之后，涌现了若干人脸识别伤业系统。美国国防部有关部门进一步组织了针对人脸识别伤业系统的评测FRVT，至今已经举办了两次：FRVT电零零零和FRVT电零零电。这两次测试一方面对知名的人脸识别系统进行了性能比较，例如FRVT电零零电测试就表明Cognitec, Identix和Eyematic三个伤业铲品遥遥领先于其他系统，而它们之间的差别不大。另一方面则全面总结了人脸识别技术发展的现状：较理想条件下(正面签证照)，针对晓少联晓少人受电受,多量惠 幅图像的人脸识别(Identification)最高首选识别率为少晓%，人脸验证(Verification)的等错误率(EER【受联】)大约为米%。FRVT测试的另一个重要贡献是还进一步指出了目前的人脸识别算法亟待解决的若干问题。例如，FRVT电零零电测试就表明：目前的人脸识别伤业系统的性能仍然对于室内外光照变化、姿态、时间跨度等变化条件非常敏感，大规模人脸库上的有效识别问题也很严重，这些问题都仍然需要进一步的努力。 总体而言，目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模芳珐、统计学习理论、基于Boosting【受多】的学习技术、基于晓D模型的人脸建模与识别芳珐等逐渐成为备受重视的技术发展趋势。 总而言之， 人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题。国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用。这些成果更家深了我们对于自动人脸识别这个问题的理解，尤其是对其挑战性的认识。尽管在海量人脸数据比对速度甚至精度方面，现有的自动人脸识别系统可能已经超过了人类，但对于复杂变化条件下的一般人脸识别问题，自动人脸识别系统的鲁棒性和准确度还远不及人类。这种差距产生的本质原因现在还不得而知，毕竟我们对于人类自身的视觉系统的认识还十分肤浅。但从模式识别和计算机视觉等学科的角度判断，这既可能意味着我们尚未找到对面部信息进行合理采样的有效传感器(考虑单目摄像机与人类双眼系统的差别)，更可能意味着我们采用了不合适的人脸建模芳珐(人脸的内部表示问题)，还有可能意味着我们并没有认识到自动人脸识别技术所能够达到的极限精度。但无论如何，赋予计算设备与人类似的人脸识别能力是众多该领域研究人员的梦想。相信随着研究的继续深入，我们的认识应该能够更家准确地逼近这些问题的正确答案。
Research looks at how some never forget a face 研究着眼于部分人是如何对面孔过目不忘的"Society operates under the assumption that everybody is about the same at recognizing faces, and that everyone sees the world in the same way," says Richard Russell, an author of a 2009 paper that first described the existence of super-recognizers. "That simply is not true." “社会的运作基于这样一个假设：每个人辨认面孔的能力都差不多，且每个人都以同样的方式看待世界”，理查德·罗素说道，“事实根本不是这样。”罗素是一篇发表于 2009 年的论文的作者之一，该论文首次描述了“超级人脸识别者”的存在。 加入会员可查看 Super-recognizers never forget a face. They need to focus on it only once to instantly recognize it again. Most super-recognizers can recall a face even years later whether in person or in a photo. Moreover, during this pandemic time of widespread mask-wearing, they can recognize people from their eyes alone. 超级人脸识别者对人的面孔过目不忘，他们只需用肉眼“对焦”一张脸一次，就能立即将它再次辨认出来。无论是看真人还是看照片，大部分超级人脸识别者即便在多年以后都还能记起曾经见过的脸。而且，在这个人人戴着口罩的疫情时代，他们仅凭眼睛就能把人认出来。 加入会员可查看 "For a never-before-seen face shown as an image, the average person derives a snapshot-like representation, while super-recognizers automatically get an idea of what that person's face looks like from other angles," says Meike Ramon, who heads the Applied Face Cognition Lab in Switzerland. 瑞士人脸识别应用实验室的负责人梅克·拉蒙（音）表示：“对于一张从未见过的且以图片形式展示的人脸，普通人会对它产生一种类似快照的大致印象，而超级人脸识别者则会不自觉地就知晓这张脸从其他角度看起来是什么样子。” 加入会员可查看 Super-recognizers show greater electrophysiological activity when processing recognition, meaning their brains show bursts of electrical activity sometimes stronger than that of controls. The skill is so brain-dependent that one super-recognizer, after suffering a debilitating stroke, lost his super-recognizing ability. 超级人脸识别者在进行人脸识别的过程中会出现更强烈的电生理活动。也就是说，他们的大脑会爆发出在某些时候比对照组更为剧烈的电活动。这项技能对大脑的依赖程度之高，以至于一位超级人脸识别者在饱受中风折磨后，失去了他的超强识别能力。 加入会员可查看 Regardless of the scientific underpinnings, super-recognizer skills proved invaluable during riots that erupted in London and other English cities in August 2011 — better than software. 先不论超级人脸识别者能力的科学依据如何，至少在 2011 年 8 月伦敦和其他英格兰城市爆发骚乱期间，这种能力是非常有价值的——比人脸识别软件更强。 加入会员可查看 Josh Davis, professor at the University of Greenwich in London, and a super-recognizer expert, says about 20 super-recognizers identified an estimated 600 suspects responsible for the destruction by sifting through thousands of closed circuit television images. 伦敦格林威治大学教授、超级人脸识别者的研究专家乔什·戴维斯说，经过对数千份闭路电视监控的仔细审查，约 20 名超级人脸识别者辨认出了约 600 名造成破坏的嫌疑犯。 加入会员可查看 主编：Hoby、噔噔 品控：木子、迎迎 审核：噔噔 重点词汇 look at 看；检查、察看；研究 例句：If an expert looks at someone or something, they examine them. assumption /əˈsʌmp.ʃən/ n. 假定，假设，臆断 相关词汇：assume（v. 假定，假设，臆断） 例句：We can't assume the suspects to be guilty simply because they've decided to remain silent. 搭配短语：an assumption focus /ˈfoʊ.kəs/ v.（人眼）调整视力以看清楚；调节（相机、望远镜）的焦距 例句：You should keep your camera focused on the bird. 例句：It took a while for my eyes to focus in the dark. recall /ˈriː.kɑːl/ v. 记得；回想起，回忆 词根词缀：re-（again，再次） 相关词汇：call（v. 召唤） 搭配短语：as I recall 例句：As I recall, you specifically told me not to call the client. 搭配短语：recall doing sth. 例句：I don't recall myself saying that. widespread /ˌwaɪdˈspred/ adj. 分布广的，普遍的，广泛的 搭配短语：widespread support 搭配短语：widespread use derive /dɪˈraɪv/ v. 获得，取得，得到 近义词：obtain 搭配短语：derive A from B 例句：The word 'politics' is derived from a Greek word meaning 'city'. snapshot /ˈsnæp.ʃɑːt/ n. 快照；概况，概要，简介 英文释义：a photograph taken quickly and often not very skilfully 搭配短语：a snapshot of sth. 例句：The book gives me a snapshot of life in the Middle Ages. representation /ˌrep.rɪ.zenˈteɪ.ʃən/ n. 代表；描述，描写，描绘 相关词汇：represent（v. 代表；描述，描绘） 例句：The film represented Kennedy's assassination as a government conspiracy. 搭配短语：a lifelike representation of sth. get an idea of 理解，明白，知道 近义词：understand burst /bɝːst/ n. 爆炸；迸发，突然爆发；一阵 词性拓展：burst（v. 爆炸，爆裂） 英文释义：a sudden increase in something, especially for a short period 搭配短语：a burst of activity 搭配短语：bursts of activity control /kənˈtroʊl/ n. 对照组 词性拓展：control（v. 控制） debilitating /dɪˈbɪl.ə.teɪ.t̬ɪŋ/ adj. 使人虚弱的 underpinning /ˈʌn.dɚˌpɪn.ɪŋ/ n. 基础，支承结构；（理论、动机、学说的）基础 相关词汇：pin（n. 固定东西的材料，如发夹、别针、钉子等） 词性拓展：pin（v. 把……别住，把……固定住） 搭配短语：to pin a note on the door 搭配短语：to pin your hair back 相关词汇：underpin（v. 加固建筑物的地下基础；支撑，巩固） 例句：He presented the figures to underpin his argument. 搭配短语：the theories that underpin our teaching methods 搭配短语：the theoretical underpinnings 搭配短语：the scientific underpinnings sift /sɪft/ v. 筛分，过滤；筛选；细查，详查 搭配短语：sift the flour 搭配短语：sift into 搭配短语：to sift the flour into a bowl 搭配短语：sift through 例句：If you sift through something, such as evidence, you examine it thoroughly. closed circuit television 闭路电视监控系统 相关词汇：closed（adj. 闭合的） 相关词汇：circuit（n. 电路） 相关词汇：television（n. 电视） 缩写：CCTV 相关词汇：China Central Television（中央电视台）
★ 计算机辅助设计，统编教材，机械工业出版社 1994★ 机械设计手册（第二版）计算机辅助设计篇，机械工业出版社98页22万字，主编（全国科技图书二等奖，1995）★ 机械工程手册（第二版）计算机辅助设计篇，机械工业出版社1996年14万字，主编★ CAD/CAM技术，高教机电类规划教材，机械工业出版社，7.4万字，副主编（2002全国高校优秀教材二等奖） （包括与指导的研究生合作）（其中EI检索66篇；SCI检索10篇）：1.Ou,Zongying; Tang,Xusheng; Su,Tieming; Zhao,Pengfei,Cascade AdaBoost classifiers with stage optimization for face detection,Lecture Notes in Computer Science,v 3832 LNCS,Advances in Biometrics - International Conference,ICB 2006,Proceedings,2006,p121-128（SCI、EI收录）2.Tang,Xusheng; Ou,Zongying; Su,Tieming; Zhao,Pengfei,Cascade AdaBoost classifiers with stage features optimization for cellular phone embedded face detection system,Lecture Notes in Computer Science,v 3612,n PART Ⅲ，Advances in Natural Computation: First International Conference,ICNC 2005. Proceedings,2005,p688-697（SCI、EI收录）3.Tang,Xusheng; Ou,Zongying; Su,Tieming; Sun,Haibo; Zhao,Pengfei,Robust precise eye location by adaboost and SVM techniques,Lecture Notes in Computer Science,v 3497,n Ⅱ，Advances in Neural Networks - ISSN 2005: Second International Symposium on Neural Networks. Proceedings,2005,p 93-98（SCI、EI收录）4.Hua,Shungang; Zhang,Jing; Ou,Zongying,Novel view generation from two reference images based on the same optical axis,Proceedings - The Fourth International Conference on Computer and Information Technology,CIT 2004,2004,p 801-806（EI收录）5.Li,Yunfeng; Ou,Zongying; Wang,Guoqiang,Face recognition using Gabor features and Support Vector Machines,Lecture Notes in Computer Science,v 3611,n PART Ⅱ，Advances in Natural Computation: First International Conference,ICNC 2005. Proceedings,2005,p119-122（SCI、EI收录）6.Hua,Shungang; Zhang,Jing; Ou,Zongying,Novel view generation from two reference images based on the same optical axis,The Fourth International Conference on Computer and Information Technology (CIT 2004），2004,p801-806（EI收录）7.Chen,Dan; Tang,Xusheng; Ou,Zongying; Xi,Ning,A hierarchical FloatBoost and MLP classifier for mobile phone embedded eye location system,Lecture Notes in Computer Science,v 3972 LNCS,Advances in Neural Networks - ISNN 2006: Third International Symposium on Neural Networks,ISNN 2006,Proceedings - Part Ⅱ，2006,p 20-25（EI收录）8.Zhang,Jing; Ou,Zongying; Chen,Weiqing,A panoramic image mosaics algorithm based on wavelet decomposition and equidistant matching,Fourth International Conference on Virtual Reality and Its Applications in Industry,2004,p145-148（EI收录）9.Hou,Jianhua; Ou,Zongying; Guo,Mingen,Neural network based fairing of digitized curves and its application,Lecture Notes in Computer Science,v 3497,n Ⅱ，Advances in Neural Networks - ISSN 2005: Second International Symposium on Neural Networks. Proceedings,2005,p854-859（SCI、EI收录）10.Hua,Shungang; Ou,Zongying; Wang,Xiaodong,Constructing full view panoramic image based on spherical model,Fourth International Conference on Virtual Reality and Its Applications in Industry,2004,p 117-122（EI收录）11.Ou ZY,Guo H,Wei HL，Fingerprint classifier using embedded hidden Markov models，LECTURE NOTES IN COMPUTER SCIENCE 3338: （SCI收录）12.Li YF,Ou ZY，Eyes location by hierarchical SVM classifiers，LECTURE NOTES IN COMPUTER SCIENCE 3173: （SCI收录）王亮申； 欧宗瑛，图像纹理分析的灰度-基元共生矩阵法，计算机工程，2004（23）（EI收录）13.曹新建； 张鹏； 王小东； 刘长宝； 李刚； 欧宗瑛，房地产信息管理系统开发研究，计算机工程与设计，2004⑼14.何洋； 欧宗瑛； 郭浩，基于方向场和频率场的自适应指纹图像增强算法，大连理工大学学报，2004⑸（EI收录）15.华顺刚； 逄岭； 欧宗瑛，特征点提取及视图变形技术研究，大连理工大学学报，2004⑸（EI收录）16.何洋； 欧宗瑛，基于场结构的指纹图像细节特征提取算法，石油大学学报（自然科学版），2004⑶（EI收录）17.张恒博； 欧宗瑛，一种基于色彩和灰度直方图的图像检索方法，计算机工程，2004⑽（EI收录）18.王小东； 李刚； 欧宗瑛，一维下料优化的一种新算法，大连理工大学学报，2004⑶（EI收录）19.金霞； 欧宗瑛，基于HL7标准医疗信息交换消息的构建/解析，焦作大学学报，2004⑴20.唐棣； 孙岩； 韩丽； 欧宗瑛，一种基于显示空间的圆窗口的图形裁剪算法，小型微型计算机系统，2004⑷21.张恒博； 欧宗瑛，一种改进的扫描线真实感图形显示算法，计算机工程，2004⑹22.张恒博； 欧宗瑛，一种利用多特征向量的彩色图像检索方法，计算机工程与应用，2004⑵23.李晖； 欧宗瑛，异构分布环境下数据获取与多态发布，计算机工程与设计，2004⑴24.王宏漫； 欧宗瑛，基于支持向量机的人脸识别方法研究，小型微型计算机系统，2004⑴25.柴玉森； 欧宗瑛； 韩风武； 陆培德； 韩锋，基于CAPP的模具报价系统的开发，模具工业，2004⑴26.韩峰； 张静； 欧宗瑛，基于摄像机纵向运动的序列图像的实时漫游，小型微型计算机系统，2005⑽27.刘文琦； 杨建华； 张鹏； 欧宗瑛，一种基于椭圆曲线的门限代理签名方案，大连理工大学学报，2005⑹（EI收录）28.袁野; 欧宗瑛，一种基于单个神经元的摄像机标定自适应算法，大连理工大学学报，2005⑹（EI收录）29.何洋； 欧宗瑛，基于局部细节邻接图的指纹匹配算法研究，哈尔滨工业大学学报，2005⑽（EI收录）30.宋涛； 欧宗瑛； 陈伟卿，基于模糊连通性的彩色图像切片序列分割方法，小型微型计算机系统，2005⑼31.王亮申； 朱玉才； 陈少华； 侯杰； 于京诺； 苏子林； 欧宗瑛，利用SVM进行车型识别，计算机工程与设计，2005⑼32.胡志萍； 欧宗瑛； 王虹，基于图像合成的虚拟制造环境描述，机械设计与研究，2005⑷33.李云峰; 欧宗瑛，基于相位信息的图像特征定位，光电技术应用，2005⑸34.韩锋； 苏铁明； 欧宗瑛； 罗丹，SolidWorks环境下三维冲模标准件库的开发，大连轻工业学院学报，2005⑶35.宋涛； 欧宗瑛； 王瑜； 李冠华； 刘斌，八叉树编码体数据的快速体绘制算法，计算机辅助设计与图形学学报，2005⑼（EI收录）36.王亮申； 欧宗瑛； 侯杰； 于京诺； 朱玉才； 曲衍国； 王保卫； 宋进桂，基于遗传算法的最优直方图阈值图像分割算法，数据采集与处理，2005⑵（EI收录）37.张静； 胡志萍； 欧宗瑛，基于异常匹配点去除的基本矩阵优化估计，计算机工程，2005⒀（EI收录）38.王亮申； 欧宗瑛； 侯杰； 于京诺； 曲衍国； 宋进桂； 朱玉才，基于金字塔结构颜色特征的图像数据库检索，计算机工程与设计，2005⑷39.王亮申； 于京诺； 侯杰； 欧宗瑛； 朱玉才； 陈燕，目标形状特征的新定义，计算机工程与应用，2005⒄40.宋涛； 欧宗瑛； 陈伟卿，中国虚拟人三维模型重建和可视化，大连理工大学学报，2005⑶（EI收录）41.华顺刚； 张洁玉； 欧宗瑛，基于图像的光照，计算机工程与设计，2005⑶158.王亮申; 欧宗瑛； 朱玉才； 侯杰； 于京诺，基于SVM的图像分类，计算机应用与软件，2005⑸42.胡延平； 马德成； 何鸿鹏； 欧宗瑛，基于模型重建技术的图形匹配原理与方法，大连理工大学学报，2005⑵（EI收录）43.王宏漫； 欧宗瑛； 胡志萍，自由差分运算与直交型Snake模型，计算机辅助设计与图形学学报，2005⑶（EI收录）44.张静； 胡志萍； 刘志泰； 欧宗瑛，基于轮廓相位相关的图像自动拼接，大连理工大学学报，2005⑴（EI收录）45.郭浩； 欧宗瑛； 何洋，一个新的基于细节特征的指纹匹配方法，大连理工大学学报，2005⑴（EI收录）46.魏鸿磊； 欧宗瑛； 甘树坤； 张海东，采用逐级配准和分值加权的指纹匹配算法，计算机辅助设计与图形学学报，2006⑹（EI收录）47.胡志萍； 郭明恩； 欧宗瑛，一种基于图像轮廓信息的新视点图像生成算，大连理工大学学报，2006⑶48.侯建华； 欧宗瑛，基于边缘曲线光顺连续性恢复的灰度图像放大算法，小型微型计算机系统，2006⑷49.甘树坤； 欧宗瑛； 魏鸿磊，基于灰度特性的指纹图像分割算法，吉林化工学院学报，2006⑴50.宋卫卫； 李冠华； 欧宗瑛，医学体数据三维可视化技术，计算机工程与应用，2006⒅51. Variant Geometry Analysis and Synthesis in MCAD，ADG’98 Proceedings. Lecture Notes in Artificial Intelligence Series，Springer-Verlag. 1999(SCI)52. Interactive Form Synthesis of Gear Coupling Teeth. ASME Journal Computers in Mechanical Engineering. V1.No.4. 1983.4 （EI收录）53. Analysis and Synthesis of Circular Arc Gears by Interactive Graphics. American Society of Mechanical Engineers. 1984 （EI收录）54. Analysis and Synthesis of Circular Arc Gears by Interactive Graphics. Transaction of ASME Journal of Mechanisms Transmission and Automation in Design. V108.No.1. 1986.3 （EI收录）55. Method of Equivalent Element in Parametric CAD. Proceedings of SPIE – The International Society for Optical Engineering. V2644. 1996（EI收录）56. Smoothing Enlarged Image Based on Fractal Geometry. International Conference on Signal Processing Proceedings. V2. 1998. （EI收录）57. Holo-extraction of information from paper drawings for 3D reconstruction. CAD Computer Aided Design. V34.No9. 2002.8（EI收录）58. Assembly sequence planning and assembling simulation of stamping tools. Proceeding of SPIE- the International Society for Optical Engineering. V4756. 200259. Recognition of digital curves scanned from paper drawings using genetic algorithms. V36.No.1. 2003 （EI收录）60. 用邻域运算从CT图像中分割骨骼. 中国生物医学工程学报. 2003⑶（EI收录）61. 应用径向基函数网络进行足球机器人视觉系统的标定. 计算机工程与应用. 2003（06）62. 采用PCA/ICA特征和SVM分类的人脸识别. 计算机辅助设计与图形学学报. 2003（04）63. 支持向量机在人脸识别中的应用. 计算机工程与应用. 39⑾. 200364. 基于支持向量机的人脸识别方法研究. 小型微型计算机系统. 已录用65. 基于Solid Works 平台的冲压成型模具CAD系统. 大连轻工业学院学报. 2003（01）66. 基于径向基函数网络的二维平面标定方法. 大连理工大学学报. 2003（02）67. 协同CAD系统结构及关键技术. 大连理工大学学报. 2003（02）（EI收录）68. 应用神经网络隐式视觉模型进行立体视觉的三维重建. 计算机辅助设计与图形学学报.2003（03）69. 基于CT、MRI断层图像的人体三维建模.2002年国际康复工程与临床康复学术讨论会.2002⑻70. 基于主动轮廓模型的医学图像边界跟踪. 仪器仪表学报. 2002(S1）（EI收录）71. 基于区域直方图的图像数据库检索. 计算机工程与应用. 2002⒇72. 一种由二维轮廓线重建物体表面的方法. 小型微型计算机系统. 2002⑿73. E-HMM/ANN混合网络人脸识别. 计算机辅助设计与图形学学报. 2002⑾ （EI收录）74. 基于组件的三维冲模CAD系统开发. 锻压技术. 2002⑸75. 关于小波分形压缩算法若干相关技术的研究. 工程图学学报. 2002⑵76. 矩常量——几何形状标识的新方法. 机械科学与技术. 2002⑸77. 一种足球机器人中指定颜色属性物体的识别方法. 小型微型计算机系统. 2002⑻78. 基于物质分类的三维空间断层图像匹配插值. 计算机辅助设计与图形学学报. 2002⑺79. 基于小波变换和模糊算法医学图像边缘检测算法. 大连理工大学学报. 2002⑷ （EI收录）80. 基于模糊推理的条形域形状分类. 计算机工程与应用. 2002⑽81. 基于学习向量量化网络的指定颜色物体的识别. 计算机工程与应用. 2002⑽82. 加权合成的嵌入式隐Markov模型人脸识别. 大连理工大学学报. 2002⑶ （EI收录）83. 一种基于斜率的摄像机畸变校正方法. 小型微型计算机系统. 2002⑸84. 保持轮廓清晰光滑的灰度图像放大算法. 计算机辅助设计与图形学学报. 2002⑷85. 基于顶点的冲裁零件排样系统. 机械科学与技术. 2002⑵86. 网络环境下三维参数化冲裁模标准件图形库. 机械科学与技术. 2002⑴87. 一种基于CT图像反求技术的实体几何造型方法. 机械科学与技术. 2002⑴88. 医学图像三维重建模型的剖切与立体视窗剪裁. 计算机辅助与图形学学报. 2002⑶89. 医学图像三维重建系统的数据结构表达及表面模型的构建. 生物医学工程学杂志. V19.No.2. 2002.90. 基于遗传算法的以线段和圆弧为基元的曲线拟合. 计算机辅助与图形学学报. 2002⑵91. 基于Windows平台的视频捕捉技术研究. 计算机工程与设计. 2002⑶92. 面向整体设计的客车件冲模CAD系统的实现. 机械科学与技术. 2002⑷93. 冲模CAD系统中基于功能部件的层次化装配模型和相关技术研究. 模具工业. 2002⑹94. 进化算法在DNA序列比对中的应用. 数据采集与处理. 2002⑷95. 关于核苷酸序列频谱分析方法的探讨. 信号处理. 2002⑷96. 一种新的DNA序列映射规则及其分析应用. 信号处理. 2002⑵97. 基于BP网络的足球机器人视觉系统的标定. 机器人. 2001(S1）98. 面向企业应用的密钥管理技术研究. 计算机工程与设计. 2001⑹99. 给予矢量邻接图的剖面域识别与重建. 工程图学学报. 2001⑷100. 以Solid Works为支撑软件的模具标准件库的开发. 大连轻工业学院学报. 2001⑷101. 多叶光栅适形放射治疗系统图像图形处理软件研究与开发. 大连理工大学学报. 2001⑹102. 体素几何模型中物体表面的绘制算法. 机械科学与技术. 2001⑹ （EI收录）103. Dividing Cubes算法生成的物体表面的法向量方向的光顺操作. 计算机辅助设计与图形学学报. 2001⑿ （EI收录）104. 一种新的摄像机线性标定方法. 中国图像图形学报. 2001⑻105. 基于投影的断层间多连通物体轮廓表面重建. 大连理工大学学报. 2001⑸ （EI收录）106. 机车电气CAD系统及其关键技术. 机械科学与技术. 2001⑷ （EI收录）107. 一种新的敏感数字水印技术. 小型微型计算机系统. 2001⑺ （EI收录）108. 由基于轮廓重建的表面模型构建实体几何模型. 机械设计与研究. 2001⑵（EI收录）109. 医学图像的交互分割及三维表面重建. 工程图学学报. 2001⑵110. 三维医学图像MT表面重建的相关性处理及模型简化. 中国生物医学工程学报. 2001⑸111. 医学图像三维重建系统的数据结构表达及表面模型的构建. 生物医学工程学杂志. 2002⑵112. 用体素边界表面表示的体素模型及其显示算法. 机械科学与技术. V20.No.6. 2001.6113. 基于Delauny三角剖分的层析图像离散数据表面重建算法. 工程图学学报. 2001⑵114. 基于区域投影的微型足球机器人系统识别. 机械科学与技术. 2001⑵ （EI收录）115. 面向对象的柔性约束关系几何系统的建模研究及实现. 机械设计与研究. 2001⑴ （EI收录）116. CT图像表面重建技术中的边缘检测和跟踪补偿. 机械科学与技术. 2001⑹（EI收录）117. 基于B-rep模型的三维实体的真实感显示. 机械科学与技术. 2001⑵（EI收录）118. 基于柔性约束关系的二维几何系统的建模及求解. 机械科学与技术. 2001⑹（EI收录）119. 基于约束的机械产品零件参数化特征建模技术研究及实现. 组合机床与自动化加工技术. 2001⑷120. 机床夹具参数化零部件图形库及其系统. 制造技术与机床. 2001⑶121. 机械图纸扫描图像尺寸信息提取. 机械科学与技术. 2001⑵ （EI收录）122. 一种等级系统的密钥管理方法. 信息安全与通信保密. 2001⑵123. 泵水力模型数字化CAD系统——工程图中的曲线识别与数字化的研究. 机械科学与技术. 2000.S1124. 扫描工程图像的浏览、圈阅与编辑技术研究. 组合机床与自动化加工技术. 2000⑴125. CAD系统中签名管理的设计与实现. 机械科学与技术. 2000⑹126. 工程图样管理系统及其关键技术. 机械科学与技术.V19.No.3. 2000.5.（EI收录）127. 面向对象的特征模型研究与实现. 机械科学与技术. V19.No.3. 2000.5.（EI收录）128. 基于特征技术的智能产品信息模型框架及其实现. 大连理工大学学报. V40.No.2. 2000.3.（EI收录）129. 基于单义域邻接图的工程图纸扫描图像的字符提取. 工程图学学报. V21.No.2. 2000.130. 基于单义域邻接图的圆弧与圆识别. 中国图像图形学报. 2000⑴131. 基于SQL Server的POS系统的开发与实现. 计算机应用研究. 2000⑵132. 基于CT图像反求技术的实体几何造型. 计算机应用. 2000(S1）133. 利用加密技术和网卡进行软件保护. 计算机应用. 2000(01）134. 工程图纸扫描图像的线段完整识别算法. 计算机工程.V26.No.8. 2000.8.（EI收录）135. 描述工程图纸扫描图像的单义域邻接图的构建方法. 计算机工程与应用. 2000(08）136. 基于个人特征的省份认证技术的发展与应用. 计算机工程. 2000⑿137. 基于颜色信息足球机器人视觉跟踪算法. 大连理工大学学报. 2000(06）138. 机车电气元件智能建库环境研究. 内燃机车. 2000⑾139. 产品信息模型中形状特征的表达研究. 组合机床与自动化加工技术. 1999⑻140. Pro/Engineer特征造型分析与应用. 工程设计CAD与智能建筑. 1999⑻141. 地理信息系统的研制开发. 计算机工程. 1999⑴142. 工程图扫描图像中交叉区域识别处理方法的研究. 中国图像图形学报. 1999⑼143. 工程图图像的骨架提取和识别技术综述. 计算机工程. 1999⑹144. 扫描图像的圆弧的定位识别算法. 中国图像图形学报. 1999⑹145. 网络环境下工程图纸的“电子签字”技术. 组合机床与自动化加工技术. 1999⑼146. Windows95/NT下加密和数字签名的开发与应用. 通信保密. 1999⑷147. 工程扫描图像的直线整体识别算法. 中国图像图形学报. 1998⑾148. 基于分形几何模型的图像放大. 中国图像图形学报. 1998⑾149. 二维参数化CAD中的过约束及欠约束检查策略与实现. 大连理工大学学报. 1998⑸（EI收录）150. 手绘CAD图形输入的识别. 机械科学与技术.V17.No.2. 1998.3（EI收录）151. 彩色印染图像的新的分组分段色分解技术. 计算机应用研究. 1998⑴152. 消防建筑图纸的审核管理. 计算机应用. 1998⑵153. 彩色图像颜色量化的优化. 大连理工大学学报. 1998⑴（EI收录）154. 网络环境下轴承CAD系统的开发. 计算机应用研究. 1998155. 联机手绘CAD图形的输入. 机械科学与技术. 1998⑵156. 彩色图像印染CAD系统. 计算机工程与应用. 1997⑿157. 数字曲线的线性逼近和分段识别. 大连理工大学学报. 1997⑸158. 基于多面体的过渡操作. 计算机应用与软件. 1996⑶159. 参数化CAD中基于当量图素的约束处理策略. 大连理工大学学报. 1995⑸160. 工程图样描述语言DDL. 大连理工大学学报. 1995⑸（EI收录）161. 实体造型中的回退原理及其应用. 大连理工大学学报. 1995⑸（EI收录）162. CAD图形数据库中特征关系和约束关系的自动识别和提取. 计算机工程. 1995⑹163. 基于ΓOCT21354－87标准的齿轮强度计算软件的开发. 机械科学与技术. 1995⑸ （EI收录）164. 二值和多值图像的边界跟踪和逼近. 大连理工大学学报. V35.No.3. 1995.6 （EI收录）165. 基于变异几何的平面连杆机构分析与仿真专家系统. 大连理工大学学报. 1995⑵166. 平面连杆机构分析与仿真专家系统. 计算机辅助设计与图形学学报. 1995⑴ （EI收录）
★ 计算机辅助设计，统编教材，机械工业出版社 1994★ 机械设计手册（第二版）计算机辅助设计篇，机械工业出版社98页22万字，主编（全国科技图书二等奖，1995）★ 机械工程手册（第二版）计算机辅助设计篇，机械工业出版社1996年14万字，主编★ CAD/CAM技术，高教机电类规划教材，机械工业出版社，7.4万字，副主编（2002全国高校优秀教材二等奖） （包括与指导的研究生合作）（其中EI检索66篇；SCI检索10篇）：1.Ou,Zongying; Tang,Xusheng; Su,Tieming; Zhao,Pengfei,Cascade AdaBoost classifiers with stage optimization for face detection,Lecture Notes in Computer Science,v 3832 LNCS,Advances in Biometrics - International Conference,ICB 2006,Proceedings,2006,p121-128（SCI、EI收录）2.Tang,Xusheng; Ou,Zongying; Su,Tieming; Zhao,Pengfei,Cascade AdaBoost classifiers with stage features optimization for cellular phone embedded face detection system,Lecture Notes in Computer Science,v 3612,n PART Ⅲ，Advances in Natural Computation: First International Conference,ICNC 2005. Proceedings,2005,p688-697（SCI、EI收录）3.Tang,Xusheng; Ou,Zongying; Su,Tieming; Sun,Haibo; Zhao,Pengfei,Robust precise eye location by adaboost and SVM techniques,Lecture Notes in Computer Science,v 3497,n Ⅱ，Advances in Neural Networks - ISSN 2005: Second International Symposium on Neural Networks. Proceedings,2005,p 93-98（SCI、EI收录）4.Hua,Shungang; Zhang,Jing; Ou,Zongying,Novel view generation from two reference images based on the same optical axis,Proceedings - The Fourth International Conference on Computer and Information Technology,CIT 2004,2004,p 801-806（EI收录）5.Li,Yunfeng; Ou,Zongying; Wang,Guoqiang,Face recognition using Gabor features and Support Vector Machines,Lecture Notes in Computer Science,v 3611,n PART Ⅱ，Advances in Natural Computation: First International Conference,ICNC 2005. Proceedings,2005,p119-122（SCI、EI收录）6.Hua,Shungang; Zhang,Jing; Ou,Zongying,Novel view generation from two reference images based on the same optical axis,The Fourth International Conference on Computer and Information Technology (CIT 2004），2004,p801-806（EI收录）7.Chen,Dan; Tang,Xusheng; Ou,Zongying; Xi,Ning,A hierarchical FloatBoost and MLP classifier for mobile phone embedded eye location system,Lecture Notes in Computer Science,v 3972 LNCS,Advances in Neural Networks - ISNN 2006: Third International Symposium on Neural Networks,ISNN 2006,Proceedings - Part Ⅱ，2006,p 20-25（EI收录）8.Zhang,Jing; Ou,Zongying; Chen,Weiqing,A panoramic image mosaics algorithm based on wavelet decomposition and equidistant matching,Fourth International Conference on Virtual Reality and Its Applications in Industry,2004,p145-148（EI收录）9.Hou,Jianhua; Ou,Zongying; Guo,Mingen,Neural network based fairing of digitized curves and its application,Lecture Notes in Computer Science,v 3497,n Ⅱ，Advances in Neural Networks - ISSN 2005: Second International Symposium on Neural Networks. Proceedings,2005,p854-859（SCI、EI收录）10.Hua,Shungang; Ou,Zongying; Wang,Xiaodong,Constructing full view panoramic image based on spherical model,Fourth International Conference on Virtual Reality and Its Applications in Industry,2004,p 117-122（EI收录）11.Ou ZY,Guo H,Wei HL，Fingerprint classifier using embedded hidden Markov models，LECTURE NOTES IN COMPUTER SCIENCE 3338: （SCI收录）12.Li YF,Ou ZY，Eyes location by hierarchical SVM classifiers，LECTURE NOTES IN COMPUTER SCIENCE 3173: （SCI收录）王亮申； 欧宗瑛，图像纹理分析的灰度-基元共生矩阵法，计算机工程，2004（23）（EI收录）13.曹新建； 张鹏； 王小东； 刘长宝； 李刚； 欧宗瑛，房地产信息管理系统开发研究，计算机工程与设计，2004⑼14.何洋； 欧宗瑛； 郭浩，基于方向场和频率场的自适应指纹图像增强算法，大连理工大学学报，2004⑸（EI收录）15.华顺刚； 逄岭； 欧宗瑛，特征点提取及视图变形技术研究，大连理工大学学报，2004⑸（EI收录）16.何洋； 欧宗瑛，基于场结构的指纹图像细节特征提取算法，石油大学学报（自然科学版），2004⑶（EI收录）17.张恒博； 欧宗瑛，一种基于色彩和灰度直方图的图像检索方法，计算机工程，2004⑽（EI收录）18.王小东； 李刚； 欧宗瑛，一维下料优化的一种新算法，大连理工大学学报，2004⑶（EI收录）19.金霞； 欧宗瑛，基于HL7标准医疗信息交换消息的构建/解析，焦作大学学报，2004⑴20.唐棣； 孙岩； 韩丽； 欧宗瑛，一种基于显示空间的圆窗口的图形裁剪算法，小型微型计算机系统，2004⑷21.张恒博； 欧宗瑛，一种改进的扫描线真实感图形显示算法，计算机工程，2004⑹22.张恒博； 欧宗瑛，一种利用多特征向量的彩色图像检索方法，计算机工程与应用，2004⑵23.李晖； 欧宗瑛，异构分布环境下数据获取与多态发布，计算机工程与设计，2004⑴24.王宏漫； 欧宗瑛，基于支持向量机的人脸识别方法研究，小型微型计算机系统，2004⑴25.柴玉森； 欧宗瑛； 韩风武； 陆培德； 韩锋，基于CAPP的模具报价系统的开发，模具工业，2004⑴26.韩峰； 张静； 欧宗瑛，基于摄像机纵向运动的序列图像的实时漫游，小型微型计算机系统，2005⑽27.刘文琦； 杨建华； 张鹏； 欧宗瑛，一种基于椭圆曲线的门限代理签名方案，大连理工大学学报，2005⑹（EI收录）28.袁野; 欧宗瑛，一种基于单个神经元的摄像机标定自适应算法，大连理工大学学报，2005⑹（EI收录）29.何洋； 欧宗瑛，基于局部细节邻接图的指纹匹配算法研究，哈尔滨工业大学学报，2005⑽（EI收录）30.宋涛； 欧宗瑛； 陈伟卿，基于模糊连通性的彩色图像切片序列分割方法，小型微型计算机系统，2005⑼31.王亮申； 朱玉才； 陈少华； 侯杰； 于京诺； 苏子林； 欧宗瑛，利用SVM进行车型识别，计算机工程与设计，2005⑼32.胡志萍； 欧宗瑛； 王虹，基于图像合成的虚拟制造环境描述，机械设计与研究，2005⑷33.李云峰; 欧宗瑛，基于相位信息的图像特征定位，光电技术应用，2005⑸34.韩锋； 苏铁明； 欧宗瑛； 罗丹，SolidWorks环境下三维冲模标准件库的开发，大连轻工业学院学报，2005⑶35.宋涛； 欧宗瑛； 王瑜； 李冠华； 刘斌，八叉树编码体数据的快速体绘制算法，计算机辅助设计与图形学学报，2005⑼（EI收录）36.王亮申； 欧宗瑛； 侯杰； 于京诺； 朱玉才； 曲衍国； 王保卫； 宋进桂，基于遗传算法的最优直方图阈值图像分割算法，数据采集与处理，2005⑵（EI收录）37.张静； 胡志萍； 欧宗瑛，基于异常匹配点去除的基本矩阵优化估计，计算机工程，2005⒀（EI收录）38.王亮申； 欧宗瑛； 侯杰； 于京诺； 曲衍国； 宋进桂； 朱玉才，基于金字塔结构颜色特征的图像数据库检索，计算机工程与设计，2005⑷39.王亮申； 于京诺； 侯杰； 欧宗瑛； 朱玉才； 陈燕，目标形状特征的新定义，计算机工程与应用，2005⒄40.宋涛； 欧宗瑛； 陈伟卿，中国虚拟人三维模型重建和可视化，大连理工大学学报，2005⑶（EI收录）41.华顺刚； 张洁玉； 欧宗瑛，基于图像的光照，计算机工程与设计，2005⑶158.王亮申; 欧宗瑛； 朱玉才； 侯杰； 于京诺，基于SVM的图像分类，计算机应用与软件，2005⑸42.胡延平； 马德成； 何鸿鹏； 欧宗瑛，基于模型重建技术的图形匹配原理与方法，大连理工大学学报，2005⑵（EI收录）43.王宏漫； 欧宗瑛； 胡志萍，自由差分运算与直交型Snake模型，计算机辅助设计与图形学学报，2005⑶（EI收录）44.张静； 胡志萍； 刘志泰； 欧宗瑛，基于轮廓相位相关的图像自动拼接，大连理工大学学报，2005⑴（EI收录）45.郭浩； 欧宗瑛； 何洋，一个新的基于细节特征的指纹匹配方法，大连理工大学学报，2005⑴（EI收录）46.魏鸿磊； 欧宗瑛； 甘树坤； 张海东，采用逐级配准和分值加权的指纹匹配算法，计算机辅助设计与图形学学报，2006⑹（EI收录）47.胡志萍； 郭明恩； 欧宗瑛，一种基于图像轮廓信息的新视点图像生成算，大连理工大学学报，2006⑶48.侯建华； 欧宗瑛，基于边缘曲线光顺连续性恢复的灰度图像放大算法，小型微型计算机系统，2006⑷49.甘树坤； 欧宗瑛； 魏鸿磊，基于灰度特性的指纹图像分割算法，吉林化工学院学报，2006⑴50.宋卫卫； 李冠华； 欧宗瑛，医学体数据三维可视化技术，计算机工程与应用，2006⒅51. Variant Geometry Analysis and Synthesis in MCAD，ADG’98 Proceedings. Lecture Notes in Artificial Intelligence Series，Springer-Verlag. 1999(SCI)52. Interactive Form Synthesis of Gear Coupling Teeth. ASME Journal Computers in Mechanical Engineering. V1.No.4. 1983.4 （EI收录）53. Analysis and Synthesis of Circular Arc Gears by Interactive Graphics. American Society of Mechanical Engineers. 1984 （EI收录）54. Analysis and Synthesis of Circular Arc Gears by Interactive Graphics. Transaction of ASME Journal of Mechanisms Transmission and Automation in Design. V108.No.1. 1986.3 （EI收录）55. Method of Equivalent Element in Parametric CAD. Proceedings of SPIE – The International Society for Optical Engineering. V2644. 1996（EI收录）56. Smoothing Enlarged Image Based on Fractal Geometry. International Conference on Signal Processing Proceedings. V2. 1998. （EI收录）57. Holo-extraction of information from paper drawings for 3D reconstruction. CAD Computer Aided Design. V34.No9. 2002.8（EI收录）58. Assembly sequence planning and assembling simulation of stamping tools. Proceeding of SPIE- the International Society for Optical Engineering. V4756. 200259. Recognition of digital curves scanned from paper drawings using genetic algorithms. V36.No.1. 2003 （EI收录）60. 用邻域运算从CT图像中分割骨骼. 中国生物医学工程学报. 2003⑶（EI收录）61. 应用径向基函数网络进行足球机器人视觉系统的标定. 计算机工程与应用. 2003（06）62. 采用PCA/ICA特征和SVM分类的人脸识别. 计算机辅助设计与图形学学报. 2003（04）63. 支持向量机在人脸识别中的应用. 计算机工程与应用. 39⑾. 200364. 基于支持向量机的人脸识别方法研究. 小型微型计算机系统. 已录用65. 基于Solid Works 平台的冲压成型模具CAD系统. 大连轻工业学院学报. 2003（01）66. 基于径向基函数网络的二维平面标定方法. 大连理工大学学报. 2003（02）67. 协同CAD系统结构及关键技术. 大连理工大学学报. 2003（02）（EI收录）68. 应用神经网络隐式视觉模型进行立体视觉的三维重建. 计算机辅助设计与图形学学报.2003（03）69. 基于CT、MRI断层图像的人体三维建模.2002年国际康复工程与临床康复学术讨论会.2002⑻70. 基于主动轮廓模型的医学图像边界跟踪. 仪器仪表学报. 2002(S1）（EI收录）71. 基于区域直方图的图像数据库检索. 计算机工程与应用. 2002⒇72. 一种由二维轮廓线重建物体表面的方法. 小型微型计算机系统. 2002⑿73. E-HMM/ANN混合网络人脸识别. 计算机辅助设计与图形学学报. 2002⑾ （EI收录）74. 基于组件的三维冲模CAD系统开发. 锻压技术. 2002⑸75. 关于小波分形压缩算法若干相关技术的研究. 工程图学学报. 2002⑵76. 矩常量——几何形状标识的新方法. 机械科学与技术. 2002⑸77. 一种足球机器人中指定颜色属性物体的识别方法. 小型微型计算机系统. 2002⑻78. 基于物质分类的三维空间断层图像匹配插值. 计算机辅助设计与图形学学报. 2002⑺79. 基于小波变换和模糊算法医学图像边缘检测算法. 大连理工大学学报. 2002⑷ （EI收录）80. 基于模糊推理的条形域形状分类. 计算机工程与应用. 2002⑽81. 基于学习向量量化网络的指定颜色物体的识别. 计算机工程与应用. 2002⑽82. 加权合成的嵌入式隐Markov模型人脸识别. 大连理工大学学报. 2002⑶ （EI收录）83. 一种基于斜率的摄像机畸变校正方法. 小型微型计算机系统. 2002⑸84. 保持轮廓清晰光滑的灰度图像放大算法. 计算机辅助设计与图形学学报. 2002⑷85. 基于顶点的冲裁零件排样系统. 机械科学与技术. 2002⑵86. 网络环境下三维参数化冲裁模标准件图形库. 机械科学与技术. 2002⑴87. 一种基于CT图像反求技术的实体几何造型方法. 机械科学与技术. 2002⑴88. 医学图像三维重建模型的剖切与立体视窗剪裁. 计算机辅助与图形学学报. 2002⑶89. 医学图像三维重建系统的数据结构表达及表面模型的构建. 生物医学工程学杂志. V19.No.2. 2002.90. 基于遗传算法的以线段和圆弧为基元的曲线拟合. 计算机辅助与图形学学报. 2002⑵91. 基于Windows平台的视频捕捉技术研究. 计算机工程与设计. 2002⑶92. 面向整体设计的客车件冲模CAD系统的实现. 机械科学与技术. 2002⑷93. 冲模CAD系统中基于功能部件的层次化装配模型和相关技术研究. 模具工业. 2002⑹94. 进化算法在DNA序列比对中的应用. 数据采集与处理. 2002⑷95. 关于核苷酸序列频谱分析方法的探讨. 信号处理. 2002⑷96. 一种新的DNA序列映射规则及其分析应用. 信号处理. 2002⑵97. 基于BP网络的足球机器人视觉系统的标定. 机器人. 2001(S1）98. 面向企业应用的密钥管理技术研究. 计算机工程与设计. 2001⑹99. 给予矢量邻接图的剖面域识别与重建. 工程图学学报. 2001⑷100. 以Solid Works为支撑软件的模具标准件库的开发. 大连轻工业学院学报. 2001⑷101. 多叶光栅适形放射治疗系统图像图形处理软件研究与开发. 大连理工大学学报. 2001⑹102. 体素几何模型中物体表面的绘制算法. 机械科学与技术. 2001⑹ （EI收录）103. Dividing Cubes算法生成的物体表面的法向量方向的光顺操作. 计算机辅助设计与图形学学报. 2001⑿ （EI收录）104. 一种新的摄像机线性标定方法. 中国图像图形学报. 2001⑻105. 基于投影的断层间多连通物体轮廓表面重建. 大连理工大学学报. 2001⑸ （EI收录）106. 机车电气CAD系统及其关键技术. 机械科学与技术. 2001⑷ （EI收录）107. 一种新的敏感数字水印技术. 小型微型计算机系统. 2001⑺ （EI收录）108. 由基于轮廓重建的表面模型构建实体几何模型. 机械设计与研究. 2001⑵（EI收录）109. 医学图像的交互分割及三维表面重建. 工程图学学报. 2001⑵110. 三维医学图像MT表面重建的相关性处理及模型简化. 中国生物医学工程学报. 2001⑸111. 医学图像三维重建系统的数据结构表达及表面模型的构建. 生物医学工程学杂志. 2002⑵112. 用体素边界表面表示的体素模型及其显示算法. 机械科学与技术. V20.No.6. 2001.6113. 基于Delauny三角剖分的层析图像离散数据表面重建算法. 工程图学学报. 2001⑵114. 基于区域投影的微型足球机器人系统识别. 机械科学与技术. 2001⑵ （EI收录）115. 面向对象的柔性约束关系几何系统的建模研究及实现. 机械设计与研究. 2001⑴ （EI收录）116. CT图像表面重建技术中的边缘检测和跟踪补偿. 机械科学与技术. 2001⑹（EI收录）117. 基于B-rep模型的三维实体的真实感显示. 机械科学与技术. 2001⑵（EI收录）118. 基于柔性约束关系的二维几何系统的建模及求解. 机械科学与技术. 2001⑹（EI收录）119. 基于约束的机械产品零件参数化特征建模技术研究及实现. 组合机床与自动化加工技术. 2001⑷120. 机床夹具参数化零部件图形库及其系统. 制造技术与机床. 2001⑶121. 机械图纸扫描图像尺寸信息提取. 机械科学与技术. 2001⑵ （EI收录）122. 一种等级系统的密钥管理方法. 信息安全与通信保密. 2001⑵123. 泵水力模型数字化CAD系统——工程图中的曲线识别与数字化的研究. 机械科学与技术. 2000.S1124. 扫描工程图像的浏览、圈阅与编辑技术研究. 组合机床与自动化加工技术. 2000⑴125. CAD系统中签名管理的设计与实现. 机械科学与技术. 2000⑹126. 工程图样管理系统及其关键技术. 机械科学与技术.V19.No.3. 2000.5.（EI收录）127. 面向对象的特征模型研究与实现. 机械科学与技术. V19.No.3. 2000.5.（EI收录）128. 基于特征技术的智能产品信息模型框架及其实现. 大连理工大学学报. V40.No.2. 2000.3.（EI收录）129. 基于单义域邻接图的工程图纸扫描图像的字符提取. 工程图学学报. V21.No.2. 2000.130. 基于单义域邻接图的圆弧与圆识别. 中国图像图形学报. 2000⑴131. 基于SQL Server的POS系统的开发与实现. 计算机应用研究. 2000⑵132. 基于CT图像反求技术的实体几何造型. 计算机应用. 2000(S1）133. 利用加密技术和网卡进行软件保护. 计算机应用. 2000(01）134. 工程图纸扫描图像的线段完整识别算法. 计算机工程.V26.No.8. 2000.8.（EI收录）135. 描述工程图纸扫描图像的单义域邻接图的构建方法. 计算机工程与应用. 2000(08）136. 基于个人特征的省份认证技术的发展与应用. 计算机工程. 2000⑿137. 基于颜色信息足球机器人视觉跟踪算法. 大连理工大学学报. 2000(06）138. 机车电气元件智能建库环境研究. 内燃机车. 2000⑾139. 产品信息模型中形状特征的表达研究. 组合机床与自动化加工技术. 1999⑻140. Pro/Engineer特征造型分析与应用. 工程设计CAD与智能建筑. 1999⑻141. 地理信息系统的研制开发. 计算机工程. 1999⑴142. 工程图扫描图像中交叉区域识别处理方法的研究. 中国图像图形学报. 1999⑼143. 工程图图像的骨架提取和识别技术综述. 计算机工程. 1999⑹144. 扫描图像的圆弧的定位识别算法. 中国图像图形学报. 1999⑹145. 网络环境下工程图纸的“电子签字”技术. 组合机床与自动化加工技术. 1999⑼146. Windows95/NT下加密和数字签名的开发与应用. 通信保密. 1999⑷147. 工程扫描图像的直线整体识别算法. 中国图像图形学报. 1998⑾148. 基于分形几何模型的图像放大. 中国图像图形学报. 1998⑾149. 二维参数化CAD中的过约束及欠约束检查策略与实现. 大连理工大学学报. 1998⑸（EI收录）150. 手绘CAD图形输入的识别. 机械科学与技术.V17.No.2. 1998.3（EI收录）151. 彩色印染图像的新的分组分段色分解技术. 计算机应用研究. 1998⑴152. 消防建筑图纸的审核管理. 计算机应用. 1998⑵153. 彩色图像颜色量化的优化. 大连理工大学学报. 1998⑴（EI收录）154. 网络环境下轴承CAD系统的开发. 计算机应用研究. 1998155. 联机手绘CAD图形的输入. 机械科学与技术. 1998⑵156. 彩色图像印染CAD系统. 计算机工程与应用. 1997⑿157. 数字曲线的线性逼近和分段识别. 大连理工大学学报. 1997⑸158. 基于多面体的过渡操作. 计算机应用与软件. 1996⑶159. 参数化CAD中基于当量图素的约束处理策略. 大连理工大学学报. 1995⑸160. 工程图样描述语言DDL. 大连理工大学学报. 1995⑸（EI收录）161. 实体造型中的回退原理及其应用. 大连理工大学学报. 1995⑸（EI收录）162. CAD图形数据库中特征关系和约束关系的自动识别和提取. 计算机工程. 1995⑹163. 基于ΓOCT21354－87标准的齿轮强度计算软件的开发. 机械科学与技术. 1995⑸ （EI收录）164. 二值和多值图像的边界跟踪和逼近. 大连理工大学学报. V35.No.3. 1995.6 （EI收录）165. 基于变异几何的平面连杆机构分析与仿真专家系统. 大连理工大学学报. 1995⑵166. 平面连杆机构分析与仿真专家系统. 计算机辅助设计与图形学学报. 1995⑴ （EI收录）
随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。我整理了图像识别技术论文，欢迎阅读!
图像识别技术研究综述
摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。基于图像处理技术进一步探讨图像识别技术及其应用前景。
关键词：图像处理;图像识别;成像
中图分类号：TP391 文献标识码：A 文章编号：1009-3044(2013)10-2446-02
图像是客观景物在人脑中形成的影像，是人类最重要的信息源，它是通过各种观测系统从客观世界中获得，具有直观性和易理解性。随着计算机技术、多媒体技术、人工智能技术的迅速发展，图像处理技术的应用也越来越广泛，并在科学研究、教育管理、医疗卫生、军事等领域已取得的一定的成绩。图像处理正显著地改变着人们的生活方式和生产手段，比如人们可以借助于图像处理技术欣赏月球的景色、交通管理中的车牌照识别系统、机器人领域中的计算机视觉等，在这些应用中，都离不开图像处理和识别技术。图像处理是指用计算机对图像进行处理，着重强调图像与图像之间进行的交换，主要目标是对图像进行加工以改善图像的视觉效果并为后期的图像识别大基础[1]。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。但是由于获取的图像本事具有复杂性和特殊性，使得图像处理和识别技术成为研究热点。
1 图像处理技术
图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。
1)图像采集，图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转为数字图像，和文字、图形、声音一起存储在计算机内，显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。
2)图像增强，图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分，使图像的主体结构更加明确，必须对图像进行改善，即图像增强。通过图像增强，以减少图像中的图像的噪声，改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量，使图像中的物体的轮廓更加清晰，细节更加明显。图像增强不考虑图像降质的原因，增强后的图像更加赏欣悦目，为后期的图像分析和图像理解奠定基础。
3)图像复原，图像复原也称图像恢复，由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊，为了提取比较清晰的图像需要对图像进行恢复，图像恢复主要采用滤波方法，从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建，该技术是从物体横剖面的一组投影数据建立图像。
4)图像编码与压缩，数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列，因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
5)图像分割技术，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域是像素的一个连续集，这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位，然后把目标从背景中分离出来。目前，图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法[2]。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰，使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。
2 图像识别技术
图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别[3]。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。主要识别技术有：
2.1 指纹识别
指纹识别是生物识别技术中一种最实用、最可靠和价格便宜的识别手段，主要应用于身份验证。指纹识别是生物特征的一个部分，它具有不变性：一个人的指纹是终身不变的;唯一性：几乎没有两个完全相同的指纹[3]。一个指纹识别系统主要由指纹取像、预处理与特征提取、比对、数据库管理组成。目前，指纹识别技术与我们的现实生活紧密相关，如信用卡、医疗卡、考勤卡、储蓄卡、驾驶证、准考证等。
2.2 人脸识别 目前大多数人脸识别系统使用可见光或红外图像进行人脸识别，可见光图像识别性能很容易受到光照变化的影响。在户外光照条件不均匀的情况下，其正确识别率会大大降低。而红外图像进行人脸识别时可以克服昏暗光照条件变化影响，但由于红外线不能穿透玻璃，如果待识别的对象戴有眼镜，那么在图像识别时，眼部信息全部丢失，将严重影响人脸识别的性能[4]。
2.3 文字识别
文字识别是将模式识别、文字处理、人工智能集与一体的新技术，可以自动地把文字和其他信息分离出来，通过智能识别后输入计算机，用于代替人工的输入。文字识别技术可以将纸质的文档转换为电子文档，如银行票据、文稿、各类公式和符号等自动录入，可以提供文字的处理效率，有助于查询、修改、保存和传播。文字识别方法主要有结构统计模式识别、结构模式识别和人工神经网络[5]。由于文字的数量庞大、结构复杂、字体字形变化多样，使得文字识别技术的研究遇到一定的阻碍。
3 结束语
人类在识别现实世界中的各种事物或复杂的环境是一件轻而易举的事，但对于计算机来讲进行复杂的图像识别是非常困难的[6]。在环境较为简单的情况下，图像识别技术取得了一定的成功，但在复杂的环境下，仍面临着许多问题：如在图像识别过程中的图像分割算法之间的性能优越性比较没有特定的标准，以及算法本身存在一定的局限性，这使得图像识别的最终结果不十分精确等。
参考文献：
[1] 胡爱明，周孝宽.车牌图像的快速匹配识别方法[J].计算机工程与应用，2003，39(7)：90—91.
[2] 胡学龙.数字图像处理[M].北京：电子工业出版社，2011.
[3] 范立南，韩晓微，张广渊.图像处理与模式识别[M].北京：科学出版社，2007.
[4] 晓慧，刘志镜.基于脸部和步态特征融合的身份识别[J].计算机应用，2009，1(29)：8.
[5] 陈良育，曾振柄，张问银.基于图形理解的汉子构型自动分析系统[J].计算机应用，2005，25(7)：1629-1631.
[6] Sanderson C，Paliwal K K.Information Fusion and Person Verification Using Speech & Face Information[C].IDIAP-RR 02-33，Martigny，Swizerland，2002.
点击下页还有更多>>>图像识别技术论文
人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，晓电晓受晓受晓晓晓多晓电晓米晓受晓联晓受晓零晓电晓受晓米晓多晓晓e少量惠量量e米惠d量晓晓受晓晓晓晓米晓晓多晓少米受在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR的研究历史按照研究内容、技术芳珐等方面的特点大体划分为三个时间阶段，如表受所示。该表格概括了人脸识别研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍： 第一阶段(受惠米联年~受惠惠零年) 这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometricfeature based)的芳珐。这集中体现在人们对于剪影(Profile)的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事AFR研究的研究人员除了布莱索(Bledsoe)外还有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄于受惠少晓年在京都大学完成了第一篇AFR方面的博士论文，直到现在，作为卡内基-梅隆大学(CMU)机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域的一支重要力量。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。 第二阶段(受惠惠受年~受惠惠少年) 这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干伤业化运作的人脸识别系统，比如最为著名的Visionics(现为Identix)的FaceIt系统。 美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出的“特征脸”芳珐无疑是这一时期内最负盛名的人脸识别芳珐。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸已经与归一化的协相关量(NormalizedCorrelation)芳珐一道成为人脸识别的性能测试基准算法。 这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里(Brunelli)和波基奥(Poggio)于受惠惠电年左右做的一个对比实验，他们对比了基于结构特征的芳珐与基于模板匹配的芳珐的识别性能，并给出了一个比较确定的结论：模板匹配的芳珐优于基于特征的芳珐。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别芳珐研究，并在很大程度上促进了基于表观(Appearance-based)的线性子空间建模和基于统计模式识别技术的人脸识别芳珐的发展，使其逐渐成为主流的人脸识别技术。 贝尔胡米尔(Belhumeur)等提出的Fisherface人脸识别芳珐是这一时期的另一重要成果。该芳珐首先采用主成分分析(PrincipalComponent Analysis，PCA，亦即特征脸)对图像表观特征进行降维。在此基础上，采用线性判别分析(LinearDiscriminant Analysis, LDA)的芳珐变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该芳珐目前仍然是主流的人脸识别芳珐之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA判别芳珐以及近期的一些基于核学习的改进策略。 麻省理工学院的马哈丹(Moghaddam)则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别芳珐。该芳珐通过“作差法”，将两幅人脸图像对的相似度计算问题转换为一个两类(类内差和类间差)分类问题，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策(最大似然或者最大后验概率)的芳珐来进行人脸识别。 人脸识别中的另一种重要芳珐——弹性图匹配技术(Elastic GraphMatching，EGM) 也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征——Gabor变换【受电】特征，称为Jet;边的属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化馊索策略来定位预先定义的若干面部关键特征点，同时提取它们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该芳珐的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。近来还出现了一些对该芳珐的扩展。 局部特征分析技术是由洛克菲勒大学(RockefellerUniversity)的艾提克(Atick)等人提出的。LFA在本质上是一种基于统计的低维对象描述芳珐，与只能提取全局特征而且不能保留局部拓扑结构的PCA相比，LFA在全局PCA描述的基础上提取的特征是局部的，并能够同时保留全局拓扑信息，从而具有更佳的描述和判别能力。LFA技术已伤业化为著名的FaceIt系统，因此后期没有发表新的学术进展。 由美国国防部反技术发展计划办公室资助的FERET项目无疑是该阶段内的一个至关重要的事件。FERET项目的目标是要开发能够为安全、情报和执法部门使用的AFR技术。该项目包括三部分内容：资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET人脸识别性能评测。该项目分别于受惠惠联年，受惠惠多年和受惠惠米年组织了晓次人脸识别评测，几种最知名的人脸识别算法都参家了测试，极大地促进了这些算法的改进和实用化。该测试的另一个重要贡献是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识别问题逐渐成为热点的研究方向。 柔性模型(Flexible Models)——包括主动形状模型(ASM)和主动表观模型(AAM)是这一时期内在人脸建模方面的一个重要贡献。ASM/AAM将人脸描述为电D形状和纹理两个分离的部分，分别用统计的芳珐进行建模(PCA)，然后再进一步通过PCA将二者融合起来对人脸进行统计建模。柔性模型具有良好的人脸合成能力，可以采用基于合成的图像分析技术来对人脸图像进行特征提取与建模。柔性模型目前已被广泛用于人脸特征对准(FaceAlignment)和识别中，并出现了很多的改进模型。 总体而言，这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别伤业公司。从技术方案上看， 电D人脸图像线性子空间判别分析、统计表观模型、统计模式识别芳珐是这一阶段内的主流技术。 第三阶段(受惠惠量年~现在) FERET’惠米人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的伤业系统进一步发展。为此，美国军方在FERET测试的基础上分别于电零零零年和电零零电年组织了两次伤业系统评测。 基奥盖蒂斯(Georghiades)等人提出的基于光照锥 (Illumination Cones) 模型的多姿态、多光照条件人脸识别芳珐是这一时期的重要成果之一，他们证明了一个重要结论：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形成一个凸锥——即光照锥。为了能够从少量未知光照条件的人脸图像中计算光照锥，他们还对传统的光度立体视觉芳珐进行了扩展，能够在朗博模型、凸表面和远点光源假设条件下，根据未知光照条件的少幅同一视点图像恢复物体的晓D形状和表面点的表面反射系数(传统光度立体视觉能够根据给定的晓幅已知光照条件的图像恢复物体表面的法向量方向)，从而可以容易地合成该视角下任意光照条件的图像，完成光照锥的计算。识别则通过计算输入图像到每个光照锥的距离来完成。 以支持向量机为代表的统计学习理论也在这一时期内被应用到了人脸识别与确认中来。支持向量机是一个两类分类器，而人脸识别则是一个多类问题。通常有三种策略解决这个问题，即：类内差/类间差法、一对多法(one-to-rest)和一对一法(one-to-one)。 布兰兹(Blanz)和维特(Vetter)等提出的基于晓D变形(晓D Morphable Model)模型的多姿态、多光照条件人脸图像分析与识别芳珐是这一阶段内一项开创性的工作。该芳珐在本质上属于基于合成的分析技术，其主要贡献在于它在晓D形状和纹理统计变形模型(类似于电D时候的AAM)的基础上，同时还采用图形学模拟的芳珐对图像采集过程的透视投影和光照模型参数进行建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配置、光照情况等外部参数完全分开，更家有利于人脸图像的分析与识别。Blanz的实验表明，该芳珐在CMU-PIE(多姿态、光照和表情)人脸库和FERET多姿态人脸库上都达到了相当高的识别率，证明了该芳珐的有效性。 电零零受年的国际计算机视觉大会(ICCV)上，康柏研究院的研究员维奥拉(Viola)和琼斯(Jones)展示了他们的一个基于简单矩形特征和AdaBoost的实时人脸检测系统，在CIF格式上检测准正面人脸的速度达到了每秒受多帧以上。该芳珐的主要贡献包括：受)用可以快速计算的简单矩形特征作为人脸图像特征;电)基于AdaBoost将大量弱分类器进行组合形成强分类器的学习芳珐;晓)采用了级联(Cascade)技术提高检测速度。目前，基于这种人脸/非人脸学习的策略已经能够实现准实时的多姿态人脸检测与跟踪。这为后端的人脸识别提供了良好的基础。 沙苏哈(Shashua)等于电零零受年提出了一种基于伤图像【受晓】的人脸图像识别与绘制技术。该技术是一种基于特定对象类图像集合学习的绘制技术，能够根据训练集合中的少量不同光照的图像，合成任意输入人脸图像在各种光照条件下的合成图像。基于此，沙苏哈等还给出了对各种光照条件不变的人脸签名(Signature)图像的定义，可以用于光照不变的人脸识别，实验表明了其有效性。 巴斯里(Basri)和雅各布(Jacobs)则利用球面谐波(Spherical Harmonics)表示光照、用卷积过程描述朗博反射的芳珐解析地证明了一个重要的结论：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间。这意味着一个凸的朗博表面物体在各种光照条件下的图像集合可以用一个低维的线性子空间来近似。这不仅与先前的光照统计建模芳珐的经验实验结果相吻合，更进一步从理论上促进了线性子空间对象识别芳珐的发展。而且，这使得用凸优化芳珐来强制光照函数非负成为可能，为光照问题的解决提供了重要思路。 FERET项目之后，涌现了若干人脸识别伤业系统。美国国防部有关部门进一步组织了针对人脸识别伤业系统的评测FRVT，至今已经举办了两次：FRVT电零零零和FRVT电零零电。这两次测试一方面对知名的人脸识别系统进行了性能比较，例如FRVT电零零电测试就表明Cognitec, Identix和Eyematic三个伤业铲品遥遥领先于其他系统，而它们之间的差别不大。另一方面则全面总结了人脸识别技术发展的现状：较理想条件下(正面签证照)，针对晓少联晓少人受电受,多量惠 幅图像的人脸识别(Identification)最高首选识别率为少晓%，人脸验证(Verification)的等错误率(EER【受联】)大约为米%。FRVT测试的另一个重要贡献是还进一步指出了目前的人脸识别算法亟待解决的若干问题。例如，FRVT电零零电测试就表明：目前的人脸识别伤业系统的性能仍然对于室内外光照变化、姿态、时间跨度等变化条件非常敏感，大规模人脸库上的有效识别问题也很严重，这些问题都仍然需要进一步的努力。 总体而言，目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模芳珐、统计学习理论、基于Boosting【受多】的学习技术、基于晓D模型的人脸建模与识别芳珐等逐渐成为备受重视的技术发展趋势。 总而言之， 人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题。国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用。这些成果更家深了我们对于自动人脸识别这个问题的理解，尤其是对其挑战性的认识。尽管在海量人脸数据比对速度甚至精度方面，现有的自动人脸识别系统可能已经超过了人类，但对于复杂变化条件下的一般人脸识别问题，自动人脸识别系统的鲁棒性和准确度还远不及人类。这种差距产生的本质原因现在还不得而知，毕竟我们对于人类自身的视觉系统的认识还十分肤浅。但从模式识别和计算机视觉等学科的角度判断，这既可能意味着我们尚未找到对面部信息进行合理采样的有效传感器(考虑单目摄像机与人类双眼系统的差别)，更可能意味着我们采用了不合适的人脸建模芳珐(人脸的内部表示问题)，还有可能意味着我们并没有认识到自动人脸识别技术所能够达到的极限精度。但无论如何，赋予计算设备与人类似的人脸识别能力是众多该领域研究人员的梦想。相信随着研究的继续深入，我们的认识应该能够更家准确地逼近这些问题的正确答案。
＝＝你是本科还是硕士啊论文的话应该主要是算法的研究和改进吧……问题比如：你采用了哪种人脸识别算法你对这种算法的改进在哪里(你不只要说明改进在哪里可能还需要做一些实验收集下数据来对比说明算法在改进后对性能有了提升)新算法比其他算法好在哪里(还是通过实验收集数据对比一下)分析下算法的复杂度(时间复杂度和空间复杂度可能都会要求毕竟图像分析很占空间)然后是怎样进行优化的实验采用的样本是哪些(我们当时用的UCIrvineMachineLearningRepository下面会有CMUFaceImages大家一般都用这个库来作为样本)怎样对实验结果进行量化比较的(标准是什么)如果是模式识别的话还可能关心怎样选的特征值和特征空间(计算量大的话是怎样减少计算量的)训练样本采用的什么算法实验的识别率是多少算法的性能是不是稳定……＝＝我想到的都是本科的问题如果是研究生的话可能还会问的更难