一、动态视频竖线生成技术研究（论文文献综述）
王嘉骥[1]（2021）在《基于三维人体运动捕捉数据的拉班舞谱自动生成方法研究》文中研究说明近年来,基于现代信息技术采用数字化方式来记录和存储优秀传统文化资源已经成为重要的研究方向。拉班舞谱作为科学的符号化动作记录体系,是记录和保护民族民间舞蹈、戏曲和武术等人体动态艺术的有力工具。但是,其主要获取方式为通过专业人员手工制谱,所需时间和人力成本很高。通过计算机技术实现拉班舞谱自动生成能极大提高制谱效率,意义重大。因此,本文基于三维人体运动数据,研究拉班舞谱的自动生成方法。依据拉班记谱法中的运动分割理论和动作识别理论,本文将舞谱生成分为运动分割和动作识别两个步骤。首先,研究运动数据的拉班时序分割算法,以切分连续的四肢运动,获得能够使用拉班符号表示的元素动作。然后,研究上肢和下肢元素动作识别算法,以确定各动作对应的符号,从而生成运动数据的拉班舞谱。本文主要研究工作及贡献概括为以下四个方面:（1）提出面向四肢运动的拉班时序分割算法。人体上下肢运动具有协同性,同时上下肢动作在拉班分析中因其与人体重心关系的不同又具有差异性。因此基于协同性将四肢运动作为整体切分出不同的行为片段,然后基于差异性对每个行为片段中的上下肢动作分而治之。首先,在行为片段切分中,采用基于弹性网正则约束的子空间聚类算法利用时序数据相邻帧间关联来分割四肢行为片段。然后,对于上肢时序数据,从时间角度分析肢体运动速率的变化,以及从空间角度分析肢体拉班方位的变化,两个方面进行分割,以增强上肢运动分割的稳健性。对于下肢时序数据,从分析运动趋势变化,到利用高斯混合模型对趋势内元素动作建模,两个层次进行分割,以提升下肢运动分割质量。实验验证表明,本文提出的分割算法能够依照拉班理论切分四肢运动时序数据,相比已有方法,本文算法取得了更高的分割准确率。（2）提出面向上肢非支撑动作的决策融合舞谱生成算法。运动数据中包含不同的人体骨骼尺度信息以及不同的人体方位角度信息,为了解决特征表示对尺度和角度变化敏感的问题,提出使用归一化节点特征和李群特征表示动作数据。为了解决上肢非支撑动作识别中对结束姿态关注不足的问题,提出从人为制定规则和训练极限学习网络两个角度分析动作结束姿态,然后对结果进行策略融合,以提升识别能力。此外,利用下肢与上肢动作的协同性,在策略融合的基础上,进一步提出利用上肢和下肢运动数据建模上下肢的关联关系。实验验证表明,归一化节点特征和李群特征能鲁棒地表示三维人体运动数据,相比已有方法,本文算法取得了更高的上肢元素动作识别准确率,提高了上肢舞谱生成质量。（3）提出面向下肢支撑动作的时空网络舞谱生成算法。为了解决下肢支撑动作识别中对运动过程的时间信息和空间信息关注不足的问题,本文提出使用基于双向门控循环单元神经网络和基于李群网络的双分支网络结构分析动作过程中的时间和空间信息。双向门控循环单元神经网络分支能够在时间域内对时序数据的长期依赖关系进行建模,李群网络分支能够对数据中的空间关系进行建模。通过网络联合,结合两种网络的时间分析能力和空间分析能力,以提升网络模型的识别能力。此外,基于上下肢动作的协同性,进一步提出联合利用上肢分类结果和上肢运动数据,在时空网络的基础上建模上下肢的关联关系。实验验证表明,相比已有方法,本文算法取得了更高的下肢元素动作识别准确率,提高了下肢舞谱生成质量。（4）设计并实现了拉班舞谱自动生成及多维展示平台。平台功能包括:基于拉班舞谱自动生成的记录和保存功能,以及基于多路影像、运动捕捉数据和拉班舞谱同步播放的展示功能。实现了以三维人体运动捕捉数据为纽带的计算机技术与拉班动作理论的结合,使拉班舞谱成为动态艺术数字化记录的新方式,为民族民间舞蹈、戏曲和武术等动态艺术的保护和传承做出了贡献。综上所述,本文针对基于三维人体运动数据的拉班舞谱自动生成若干关键技术,在四肢运动分割和元素动作识别两大方面进行了研究并提出了相应算法,形成了基于运动捕捉数据的拉班舞谱自动生成的完整解决方案。
毕增辉[2]（2021）在《基于时空Kalman的桥梁时空变形分析及可视化》文中认为变形分析的目的是利用数学模型对变形体的变形趋势进行预测,为变形体的结构健康分析和预警提供一定依据,以便及时采取相应的措施避免或减小灾害的发生。常见的变形分析方法只考虑了监测点位的时间相关性,而未考虑监测点之间的空间相关性,不能充分利用监测点之间的时空相关信息。Kriging插值、多项式插值等空间分析方法又只考虑了监测点之间的空间相关性,忽略了监测点位的时间相关性。时空自回归模型在变形分析领域的使用,顾及了变形体的时空相关性,但时空自回归模型只能进行多点的变形分析,不能对变形体进行整体变形分析。为了对变形体进行整体变形分析以及对新型的面状测量数据进行处理,同时提高预测精度,本文在时空随机效应（Spatio-Temporal Random Effects,STRE）模型的基础上改进了时空Kalman模型,并结合桥梁的变形情况,开发了一个桥梁变形分析结果可视化系统。主要研究工作和成果如下:（1）综述了目前几何变形分析的研究现状,总结了现有变形分析中所存在的问题,得出:基于STRE的时空Kalman是海量面状监测数据用于变形分析时较好的方法。（2）分析和对比了采用矩估计和期望最大化（Expectation Maximization,EM）迭代估计两种方式建立的基于STRE的时空Kalman模型,并用模拟数据进行实验,结果指出:采用EM迭代估计建立的基于STRE的时空Kalman模型降维效果略优于采用矩估计建立的基于STRE的时空Kalman模型,变形预测效果也优于采用矩估计建立的基于STRE的时空Kalman模型。在EM迭代估计建立的基于STRE的时空Kalman模型中,固定秩平滑（Fixed Rank Smooth,FRS）与固定秩滤波（Fixed Rank Filter,FRF）的降维效果无明显差异,而时空预测方面FRS略优于FRF。（3）针对桥梁变形特点,改进了基于STRE的时空Kalman变形分析方法。考虑到桥梁的振动现象,使用小波分析方法提取出桥梁的振动周期,依据监测数据的采样率设置相应采样时间点的幅值,将一个振动周期内采样时间点的幅值表达为Kalman滤波的形式,再与基于STRE的时空Kalman模型进行融合。将随时段变化的状态转移矩阵采用EM迭代分段进行估计,构成状态转移矩阵可变STRE模型。模拟实验和桥梁地基SAR监测数据变形分析结果表明,状态转移矩阵可变STRE模型与普通STRE模型降维效果相当。对于FRS变形预测效果,在模拟实验和桥梁数据处理中,状态转移矩阵可变STRE模型的FRS相对普通STRE模型的FRS预测效果有明显提升。状态转移矩阵可变STRE模型的FRS计算速度也有明显提高,但是状态转移矩阵可变STRE模型的FRS与FRF变形预测效果很接近,说明状态转移矩阵可变的STRE模型可以考虑使用FRF代替FRS进行时空数据的降维与预测,以避免使用FRS进行变形分析时带来的系统存储和计算负担。（4）针对桥梁的变形分析结果开发了一个基于Qt和SQL Sever的桥梁变形三维可视化系统,实现桥面变形的三维的显示。软件支持桥梁变形分析数据的显示以及人机交互操作。
王雪娇[3]（2021）在《“云南消防”微信公众号的新闻话语特色研究》文中研究说明近些年来,消防部队尝试借助社交媒体探索防灾减灾知识科普的新途径。2018年3月国务院组建应急管理部后,消防系统作为防范重大安全风险的应急力量,在形成上下联动、平战结合的中国特色应急管理体制中发挥着重要作用。消防新媒体平台及其内容生产也因此受到了更广泛的重视和组织。应急管理部在2020年初公布了2019年度全国消防新媒体账号及消防宣传作品评比,选出了在微博、微信等新媒体平台具有突出表现的十佳消防新媒体账号。他们通过社交媒体打造出了一条集救援新闻和消防科普为一体,线下救援线上同步的内容生产机制,并逐步形成了自身独特的消防话语风格,是社交媒体中一道独特的“风景线”。本研究主要借助梵·迪克的话语分析理论,通过对云南消防微信公众号2019年内容的微观文本分析和宏观语境分析总结出“云南消防”在灾害救援、科普宣传中的新闻话语特色。本研究使用了话语分析、内容分析和多模态分析的方法,从新闻主题、新闻话语结构、话语多模态组合和话语意识形态几个方面展开“云南消防”新闻话语特色的描述。研究发现:“云南消防”作为消防政务媒体,其新闻报道主题主要集中在事故灾害报道和消防宣传两大领域。“云南消防”通过对新闻文本命题和宏观命题的筛选设置以及文本词语、叙事视角的选择形成了区别于专业媒体的灾害事故报道风格,在不改变新闻事实的前提下,实现了新闻+科普的一体化内容结构。这种事实报道结构与多模态话语相结合又进一步增强了消防共识和意识形态的传递建构。本研究总结出如下观点:首先,消防政务媒体要在事故灾害报道中发挥其专业优势,通过新闻事实的筛选和新闻文本的话语设置形成独具特色的新闻结构和报道风格以更好地实现线上线下一体化的救援机制。其次,消防宣传的良好效果,要依赖社会价值和社会共识的构建,并需要通过对新闻事实的意义化和符号化,以同一模式诠释不同事件来不断强化共识。最后,多模态的内容形式能提高受众接收信息的效率,降低内容门槛,方便事实讲述,更容易触动受众情感,便于消防知识的广泛传播。
杨诚[4]（2021）在《基于深度学习的单幅图像平面三维重建》文中指出根据图像进行三维重建是计算机视觉领域热门的研究课题,被广泛运用于自动驾驶,机器人导航,虚拟现实,增强现实等应用之中。传统的三维重建方法通常依赖于特定的硬件设备或者多视角图像,这在实际运用中是容易受限的。同时,传统的三维重建方法多用点云表示重构的三维模型,这在数据存储和处理上是不方便的。而在实际的应用场景中,我们周围的环境通常具有明显的平面结构,比如地面,建筑物表面等等。因此,用平面结构来解析三维场景是一个更好的选择,既可以节省数据的存储空间,也方便于计算机对三维模型的处理。为了解决上述问题,我们探索了根据单张图像进行平面三维重建的方法。该任务要求输入单张RGB图像,然后用平面结构来解析三维场景。然而,相机成像是一个投影过程,损失了深度信息。因此根据单张图像进行三维重建是个不适定问题,需要添加大量的先验知识约束解空间。近年来,随着深度学习技术的巨大进步,在众多计算机视觉任务上都取得了成功。深度神经网络具有强大的拟合能力,能自动从数据中学习先验知识。因此,非常适合单幅图像平面三维重建任务。本文我们从实际应用场景出发,将重建的场景分为室外场景和室内场景。由于室外场景存在范围广,真实的平面三维信息标注难以获得的问题,使得目前大多基于监督学习的方法不在适用。在本文,我们尝试采用无监督的方法解决该问题。我们首先利用卷积神经网络预测场景的深度信息。为了解决深度信息标注缺失的问题,我们采用自监督学习的方式,通过优化不同视角下图像的重构损失,间接的训练网络。然后,我们通过无监督的平面拟合方法提取场景的平面结构。在这个过程中,我们也引入语义信息辅助平面三维重建。实验结果表明,我们的方法能在缺少三维信息标注的室外场景下,完成平面三维重建。而对于室内场景,我们则聚焦于房间主体结构的平面三维重建,需要根据单张图像重构出封闭的三维房间布局。大多先前的房间布局重建方法依赖于立方体假设。在本文,我们考虑了一个更加通用的房间布局假设,即房间由一个天花板,一个地面和若干竖着的墙面组成。基于此假设,我们首先运用卷积神经网络检测平面和相邻墙面之间的竖线,同时,我们也估计每个平面的3D参数。然后采用几何推理的方法实现了房间布局重建。除此之外,我们还通过优化平面参数使检测的平面与交线在几何上保持一致,提升了重构效果。实验结果表明我们的重建方法能处理多种复杂的房间布局结构,展示了我们方法的有效性和高效性。
王元皓[5]（2020）在《基于深度学习的动态小目标检测追踪技术研究及系统实现》文中研究指明随着无人机产业的迅猛发展和建设智能化城市的需要,无人机在日常生活中的使用场景越来越多,但与此同时,无人机“黑飞”、“滥飞”甚至违法犯罪事件仍时有发生,相应监管技术措施亟待完善。现有的视觉检测、追踪算法尚不完善,多数方法过于依赖传统运动信息检测技术的效果,限制了此类算法在动态背景下的性能。针对此问题,本文进行了基于光电的低空小型无人机类目标的检测、追踪技术研究并设计实现了一个基于视觉感知的无人机检测追踪系统,将卷积神经网络这一前沿热点引入算法的设计中,降低了检测方法对于运动信息检测的依赖性。本文研究内容主要分为基于神经网络的无人机实时检测算法研究、无人机实时追踪算法研究以及无人机实时检测追踪系统实现三部分,具体研究内容如下所示:1.首先研究了无人机类动态小目标运动检测方法中的帧间差分法、混合高斯背景建模法、Vi Be法,其次研究了无人机类动态小目标经典追踪算法中的Mean-Shift法、粒子滤波算法和卡尔曼滤波追踪算法,了解了算法的实现原理并进行实验测试,分析了算法特点并进行部署时应用的可行性分析。2.针对无人机类动态小目标在使用传统或相关算法时存在的目标尺度变化大、复杂背景下难以检测、检测须满足实时性等问题,本文设计了基于神经网络模型的实时检测算法。首先使用经典运动目标检测方法筛选可疑区域;然后在可疑区域使用神经网络进行图像内容的超分辨率重建,强化细节信息;最后使用改进的YOLOv3神经网络模型进行基于神经网络的实时无人机检测。实验结果表明,与传统算法的衍生算法和HOG特征+SVM方法相比,本文方法检测的准确率和召回率高,鲁棒性佳,处理速度更快且检测性能稳定,算法泛化能力更强。3.针对无人机类动态小目标在使用经典追踪算法中存在的问题,本文设计了相应的追踪算法流程:在目标唯一时使用卡尔曼滤波对目标运动下一帧的位置进行预测,再使用多尺度KCF算法进行目标追踪;在目标数目较多时,进行目标实时检测并结合卡尔曼滤波预测结果关联每帧检测结果,实现检测式多目标追踪。实验结果表明,算法可以有效追踪动态小目标,效果和实时性较佳,同时满足单目标及多目标的追踪需求。4.本文整体实现无人机检测追踪系统并设计了客户端软件,实现图像和视频提取设备的控制并完成了目标检测、追踪功能的整合,最后通过实际场景测试验证了系统功能的有效性,检测有效距离可达450米。
朱昊川[6]（2020）在《基于血流的非接触式疲劳检测研究》文中研究说明近年来,疲劳问题引起了越来越多的关注,尤其在驾驶领域,由于疲劳驾驶导致的交通事故不断增加,对人们的生命健康以及财产带来了极大的危害,如何有效且准确的检测疲劳状态成为了众多研究人员关注的热点。因此,对于疲劳检测方法的研究有着重大的意义。传统的疲劳检测方法还局限于接触式检测方式,相比于接触式疲劳检测方式,非接触式疲劳检测方法具有非侵入性、易使用、成本低的优势。目前大多数非接触式疲劳检测方法,根据面部或肢体行为特征进行疲劳判断,在行为特征明显的时候,具有较高的判断准确率,但在行为特征不明显或出现遮挡等干扰的情况下,这些方法的效果往往不如人意。针对上述情况,本文提出的方法有别于大多数使用行为特征进行疲劳检测的方法,本文基于人脸血流信号而非行为特征对疲劳检测进行深入研究。本文使用人脸视频数据集作为研究对象,重点研究了非接触式生理疲劳检测方法,并与深度学习技术相结合。本文希望通过非接触式、可靠性强、泛型好的疲劳检测算法,提升疲劳检测任务的准确度。本文主要有以下部分组成:首先,本文介绍了人体疲劳检测相关背景,研究意义。其次,本文分别介绍了血流信号的基础理论以及血流成像方法的研究手段和研究进展。然后,基于非接触式的成像光电容积描记法,提出了基于血流的等效映射图谱成像数据融合框架,将血流等效图谱与人脸图像进行融合,并结合深度卷积神经网络在60人的UTA-RLDD（UTA Real-Life Drowsiness Dataset）疲劳视频数据集上进行试验并取得了较好的结果。本文尝试了多种卷积神经网络,并进行对比和分析,在疲劳和非疲劳的2分类检测任务上,取得的较高准确率为88%。结果表明,该方法在疲劳分类问题上具有不错的效果,尤其在行为特征并不明显的情况下,为疲劳检测提供了一种新的手段。
杨佳婧[7]（2020）在《基于三重表征的专家型化学教师课堂教学行为研究》文中进行了进一步梳理在新一轮化学课程改革背景下,化学教师课堂教学行为倍受关注,课堂教学行为直接影响学生核心素养的发展,进而影响课程改革的效果。本研究以高中化学必修1“元素化合物”内容为载体,基于三重表征对两位性别不同的专家型化学教师课堂教学行为进行研究,发现两位教师课堂教学行为的异同点,总结专家型化学教师课堂教学行为特征,丰富同主题下课堂教学行为研究案例,以期为化学课堂教学行为分析提供借鉴思路。本研究通过对国内外三重表征文献的整理,从三重表征的理论研究和实践研究角度对三重表征的发展历程和研究现状进行了分析,通过对国内外课堂教学行为的文献进行归纳梳理,从课堂教学行为研究的内容、方法等角度分析了课堂教学行为的研究现状。在文献综述的基础上,对三重表征、课堂教学行为、专家型教师的概念进行了界定,明确了具体的研究范畴。为了了解性别不同的专家型化学教师在课堂教学行为中的异同和专家型化学教师课堂教学行为特征这两个问题,选取了符合本研究要求的两位性别不同的专家型教师为研究对象,以高中化学必修1“元素化合物”内容为载体运用HWF-R-C分析法进行研究。本研究详细介绍了HWF-R-C分析法的含义和具体操作步骤,并以“铁及其化合物”教学片段为例,从视频录制、转录、编码、数据处理、作图步骤详细展示了该方法的使用过程。论文运用HWF-R-C分析法就“金属及其化合物”中“钠的重要化合物”、“铝的重要化合物”、“铁的重要化合物”的三个案例、“非金属及其化合物”中“硅及其化合物”、“氯及其化合物”、“硫及其化合物”、“氮及其化合物”、“氨气”、“硫酸硝酸”的六个案例进行细致分析,绘制两位性别不同的专家型教师在不同课例中的HWF图、R图和C图,并在每个课例中列出两位教师的教学思路表格以便于与HWF图配合分析,总结了在“元素化合物”主题下,两位性别不同的专家型化学教师课堂教学行为的异同及专家型化学教师课堂教学行为特征。两位性别不同的专家型化学教师课堂教学中有以下异同:（1）同一知识点教学时,两位性别不同的专家型教师教学策略、所用时长及教学顺序略有差异。（2）同一表征的教学行为所占比例略有不同,但无明显差异。（3）在两种不同表征教学行为之间转换比率上无明显差异。专家型教师课堂教学特点有:（1）在同一知识点教学时,采用的主要行为表征方式基本相同。（2）基于宏观表征的教学行为在三种教学行为中所占比例均是最高的。（3）宏观表征和符号表征之间的转化比率在三种表征转化比率中占比最高。
刘佳丽[8]（2020）在《车站典型场景下乘客行为及协同引导疏散研究》文中研究指明我国轨道交通已成为国民经济与公共交通的主动脉,运营里程及完成客运量均居世界第一。随着运营环境的日趋复杂,轨道交通呈现出超大规模客流常态化和延误传播机理复杂化等新特征。面对超大客流的运营需求,一旦站内客流量超过车站的承载能力,极易产生乘客拥堵现象甚至引发突发情况下人群踩踏等安全事故。车站站台和楼扶梯等典型场景是乘客高度密集的区域,乘客运动交汇、对向冲突和路径选择的不平衡性很容易引发拥堵现象。站内乘客的通行效率和安全疏散问题已经引起国内外学者的广泛关注。针对这些典型场景,深入挖掘乘客在不同场景下宏观运动现象的内在规律,探索乘客运动的微观特性与宏观现象的联系,是提高乘客通行效率和保证乘客安全疏散的研究重点,对减少安全事故发生并降低甚至避免事故伤亡具有重要理论和现实意义。因此,本文围绕车站典型场景下乘客动态特性、行为预测以及基于协同引导的乘客应急疏散问题展开研究,主要研究概括如下:首先,针对楼梯场景下乘客的动态特性给出其运动演化机理,构建乘客运动的混合模型。分析场景的结构特殊性与乘客的运动特性,建立模拟楼梯上乘客运动的混合模型,并基于乘客基本图的数据拟合和运动现象复现验证模型的有效性。在此基础上进一步研究乘客的平均速度、流量等动态特性,刻画单向乘客流中慢速人群比例和双向乘客流中对向人群比例对乘客动态特性的演化机理。其次,针对乘客路径选择不平衡导致的楼扶梯区域通行能力低下问题,提出基于神经网络的乘客路径选择行为的预测方法。搭建乘客路径选择行为预测的神经网络模型,并刻画不同因素与乘客路径选择行为的非线性关系。通过神经网络模型预测乘客路径选择,计算因素平均影响值,为客流优化管控策略的提出提供理论参考。搭建计算实验仿真模块,验证所提客流管控策略对优化瓶颈区通行能力的有效性。研究结果可为乘客的组织优化提供理论依据,并提高楼扶梯瓶颈区通行效率。最后,针对突发情况下站台乘客疏散问题,提出协同引导下站台乘客的应急疏散策略,并基于强化学习优化引导员疏散路径。基于疏散成本、疏散效率与安全性建立乘客应急疏散策略的优化模型,并给出不同引导方式的数量、位置分配策略。基于强化学习建立引导员寻路过程,给出基于引导员的乘客疏散路径优化。搭建乘客疏散实验仿真模块,验证所提出的协同引导策略和疏散路径对提高乘客疏散效率的有效性。研究结果可为突发情况下车站应急疏散预案的制定提供相应指导。图56幅,表9个,参考文献109篇。
孙鹏[9]（2020）在《面向AI的手势识别关键问题的研究》文中认为伴随着计算机视觉以及人工智能的快速发展,键盘鼠标等传统的人机交互方式已越来越不能满足人类的要求。灵活、直观以及可以表达多种信息的手势识别由于其获取方便、操作容易等优点逐渐被人类探索,成为新型人机交互方式的热点。当前,基于单目摄像头下的手势识别依旧存在一些关键问题需要解决,如:手势检测不精确、手势定义不明确少、算法计算量大以及识别时间长等,解决该类问题的重点和难点在于对肤色的有效检测和对识别算法的选择。本文在2D摄像头的手势识别研究基础上,针对手势检测中背景干扰、手势分割不精确等问题,对肤色检测方法进行了改进。同时结合静态手势和动态手势在特征提取上进行了创新,提出了一种新的特征提取方案,并对比常用的机器学习算法,分析了支持向量机算法的优缺点,在其基础上进行了改进,提出了一种新的手势识别方法。通过实验结果证明,本文方法能有效的实现手势识别,平均识别率在98%以上,可以作为手势识别方法使用,主要工作内容如下。（1）在手势分割方面,本文对比了常用的分割方法,分析了基于YCb Cr颜色空间的肤色检测方法的优缺点,提出一种基于YCb Cr颜色空间的去背景手势检测技术。通过使用最大连通区域,降低背景中可能存在的类肤色物体和其他肤色部分在手势分割时造成的影响,提取出待识别的手势;然后考虑到人脸区域可能大于手势或与手势组成同一连通区域,对结果形成干扰,提出使用人脸位置检测,将人脸遮盖和剔除,实现去背景的手势检测。（2）在手势提取方面,本文主要研究了对静态手势形状和动态运动轨迹的提取,由于它们是两个相互独立的部分,会导致手势特征提取不明确。本文提出一种能够同时提取静态形状和动态轨迹的方法,解决了手势特征提取不明确的问题。（3）当前手势识别算法的研究中,静态识别和动态识别往往会因算法的不同分开进行识别。本文将动态轨迹转换成为静态图片,解决了静态和动态手势识别方法不统一的问题,并实现了静态与动态手势的共同识别。最后提出使用主成分分析（PCA）和支持向量机（SVM）实现手势识别,避免在识别时可能会造成维数灾难,解决常用算法计算量大、识别时间久、识别率低的问题。（4）为了验证算法的可行性,本文设计了一个手势控制系统,结合硬件平台,通过信息传输实现手势对硬件的控制。经过反复验证,能够很好的实现控制效果,证明了所设计系统的有效性。
虎民飞[10]（2020）在《基于GAN的手写西夏文字样本生成研究》文中研究指明西夏文字的智能识别对基于西夏古籍文献的西夏学研究具有重要的研究意义和应用价值,样本数据集是开展字符识别研究的基础条件。在手写西夏字符样本集的建立过程中,由于样本来源的限制,遇到了各类别字符之间样本数量分布不平衡的问题,很大程度上影响了深度学习模型的训练和识别效果。针对这一问题,本文提出基于GAN的手写西夏文字样本生成研究,利用生成对抗网络生成手写西夏文字新字符样本扩充手写西夏字符样本集。基于以上问题,本文进行以下内容的研究工作。1)网络优化策略方面:提出基于Wasserstein距离的损失函数,以解决传统GAN所采用基于JS散度的损失函数所导致的梯度消失和模式崩溃问题,同时在损失函数中增加标签约束条件,指定GAN生成器生成样本的类别;2)网络架构方面:提出U-Net架构的GAN生成器设计,并对U-Net进行改进设计,利用U-Net架构多层级编解码,以及跃层连接的特点,更准确地提取特征信息,提高生成图像的质量;3)GAN生成样本的相似度检测和模型评估方面:对生成的手写西夏字符样本进行相似性检测和模型的FID评估,研究不同GAN模型生成的手写西夏字符样本与原始的手写西夏字符样本之间的相似程度,并选择出FID得分高的GAN模型进行手写西夏字符样本集的扩充;4)经典深度模型识别准确率方面:对扩充前后的手写西夏字符样本集进行经典深度识别模型的识别准确率研究,扩充后的平衡手写西夏字符样本集识别准确率远高于未扩充的不平衡手写西夏字符样本集。最后,经实验结果验证以及对生成样本的检测评估,证明本文所提出的方法在样本生成的图像质量、真实性及同类样本多样性方面均有所提升,为建立类别完备、分布均衡的手写西夏字符样本数据集提供了较为理想的技术支撑。
二、动态视频竖线生成技术研究（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、动态视频竖线生成技术研究（论文提纲范文）
（1）基于三维人体运动捕捉数据的拉班舞谱自动生成方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 序言 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 面向拉班舞谱自动生成的运动分割 |
| 1.2.2 面向拉班舞谱自动生成的动作分析识别 |
| 1.3 现有研究存在的主要问题 |
| 1.3.1 拉班运动分割中存在的问题 |
| 1.3.2 拉班动作分析识别中存在的问题 |
| 1.4 本文主要研究内容 |
| 1.5 论文结构安排 |
| 2 基于运动捕捉数据的拉班舞谱生成概述 |
| 2.1 拉班舞谱介绍 |
| 2.1.1 拉班记谱法基本原理 |
| 2.1.2 拉班舞谱的应用 |
| 2.2 运动捕捉介绍 |
| 2.2.1 运动捕捉技术 |
| 2.2.2 运动捕捉数据 |
| 2.3 基于运动捕捉数据的拉班舞谱自动生成框架 |
| 2.3.1 运动分割 |
| 2.3.2 动作分析识别 |
| 2.4 自采集数据集和方法评价 |
| 2.4.1 自采集数据集介绍 |
| 2.4.2 方法评价 |
| 2.5 本章小结 |
| 3 面向四肢运动的拉班时序分割算法 |
| 3.1 引言 |
| 3.2 运动捕捉数据预处理 |
| 3.3 上下肢协同行为分割 |
| 3.4 上下肢拉班元素动作分割 |
| 3.4.1 面向上肢姿态的分割算法 |
| 3.4.2 面向下肢动作的分割算法 |
| 3.5 基于拉板舞谱节奏的分割优化 |
| 3.6 实验结果与讨论 |
| 3.6.1 实验设置 |
| 3.6.2 实验结果与分析 |
| 3.7 本章小结 |
| 4 面向上肢非支撑动作的决策融合舞谱生成算法 |
| 4.1 引言 |
| 4.2 拉班动作数据特征提取 |
| 4.2.1 拉班动作节点特征 |
| 4.2.2 拉班动作李群特征 |
| 4.3 面向上肢拉班动作的分析识别方法 |
| 4.3.1 基于拉班空间划分的识别方法 |
| 4.3.2 基于极限学习网络的识别方法 |
| 4.3.3 基于空间划分和极限学习的策略融合 |
| 4.4 协同下肢的上肢拉班动作分析识别方法 |
| 4.5 实验结果与讨论 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 5 面向下肢支撑动作的时空网络舞谱生成算法 |
| 5.1 引言 |
| 5.2 下肢动作数据特征提取 |
| 5.3 面向下肢拉班动作的分析识别方法 |
| 5.3.1 基于双向门控循环单元神经网络的识别方法 |
| 5.3.2 基于李群网络的识别方法 |
| 5.3.3 基于门控循环单元神经网络和李群网络的融合方法 |
| 5.4 协同上肢的下肢拉班动作分析识别方法 |
| 5.5 实验结果与讨论 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 6 拉班舞谱自动生成及多维展示平台 |
| 6.1 引言 |
| 6.2 平台组织结构 |
| 6.3 拉班舞谱生成模块 |
| 6.4 多维展示模块 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 附录A 调查问卷中的问题和回答统计 |
| 附录B 动态数字资源元数据信息表 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于时空Kalman的桥梁时空变形分析及可视化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时空变形分析现状 |
| 1.2.2 时空Kalman的研究现状 |
| 1.2.3 桥梁变形可视化现状 |
| 1.3 本文研究内容 |
| 1.4 论文结构安排 |
| 第二章 基于STRE的时空Kalman模型 |
| 2.1 空间随机效应模型 |
| 2.2 时空随机效应模型 |
| 2.2.1 固定秩克里金模型 |
| 2.2.2 前向滤波模型 |
| 2.2.3 后向平滑模型 |
| 2.3 变异函数理论与STRE参数的确定 |
| 2.3.1 变异函数 |
| 2.3.2 STRE型的参数估计 |
| 2.4 几种基于STRE的时空Kalman模型比较 |
| 2.4.1 模拟实验与结果 |
| 2.4.2 模拟实验总结 |
| 第三章 基于STRE的状态转移矩阵可变时空Kalman模型 |
| 3.1 状态转移矩阵可变时空Kalman估计原理 |
| 3.2 变异函数与空间基选择 |
| 3.2.1 变异函数的确定 |
| 3.2.2 空间基的选择 |
| 3.3 EM迭代估计模型参数 |
| 3.3.1 精细尺度方差与噪声方差的估计 |
| 3.3.2 周期项的参数估计 |
| 3.3.3 状态转移矩阵可变时空Kalman的参数估计 |
| 3.4 模拟实验对比 |
| 3.4.1 模拟实验与实验结果 |
| 3.4.2 模拟实验总结 |
| 3.5 本章小结 |
| 第四章 桥梁地基SAR数据的时空Kalman变形分析 |
| 4.1 研究桥梁概况 |
| 4.2 数据获取及预处理 |
| 4.3 时空Kalman建模过程及结果 |
| 4.3.1 模型参数估计 |
| 4.3.2 桥梁时空数据降维结果与分析 |
| 4.4 时空预测结果及分析 |
| 4.5 本章小结 |
| 第五章 桥梁变形结果可视化 |
| 5.1 需求分析与总体设计 |
| 5.1.1 系统功能需求分析 |
| 5.1.2 桥梁变形可视化系统总体设计 |
| 5.2 系统模块设计 |
| 5.2.1 桥梁模型与变形数据的匹配 |
| 5.2.2 桥梁尺寸与变形数据尺度处理 |
| 5.2.3 桥梁变形数据的三维显示 |
| 5.2.4 用户与变形可视化的交互 |
| 5.3 桥梁变形可视化与交互实现 |
| 5.3.1 桥梁变形数据可视化 |
| 5.3.2 可视化系统的交互 |
| 第六章 结论与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（3）“云南消防”微信公众号的新闻话语特色研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题 |
| 1.3 研究目的 |
| 1.4 文献综述 |
| 1.4.1 政务微信公众号研究梳理 |
| 1.4.2 话语分析研究 |
| 1.4.3 多模态话语分析 |
| 1.5 研究设计 |
| 1.5.1 研究思路 |
| 1.5.2 样本选取 |
| 第二章 “云南消防”概述 |
| 2.1 “云南消防”的诞生背景 |
| 2.2 “云南消防”的发展及影响 |
| 2.3 “云南消防”的文本特征 |
| 2.3.1 强调消防主题,综合性明显 |
| 2.3.2 标题情感鲜明,突显职能 |
| 2.3.3 内容来源丰富,拼接多元素材 |
| 2.3.4 叙事视角独特,增添趣味 |
| 第三章 “云南消防”新闻话语结构和多模态组合 |
| 3.1 “云南消防”的新闻话语结构 |
| 3.1.1 常见的灾害事故新闻话语结构 |
| 3.1.2 “云南消防”灾害事故的报道图式 |
| 3.2 “云南消防”新闻话语的多模态互动 |
| 3.2.1 “云南消防”的图像类型 |
| 3.2.2 符号互动传递焦点信息 |
| 3.2.3 善用隐喻塑造消防形象 |
| 第四章 “云南消防”新闻话语的意识形态构建 |
| 4.1 意识形态——话语社会权力的表现 |
| 4.2 设置主题,构建知识 |
| 4.3 褒贬事实,形成规范 |
| 4.4 塑造共识,转变认知 |
| 第五章 “云南消防”新闻话语的启示 |
| 5.1 明确定位,设置差异化主题 |
| 5.2 结合专业,构建自身新闻话语 |
| 5.3 善用多模态,增加内容趣味性 |
| 结语 |
| 参考文献 |
| 附录 |
| 致谢 |
（4）基于深度学习的单幅图像平面三维重建（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 点云三维重建方法概述 |
| 1.2.2 平面三维重建方法概述 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 深度学习相关基础 |
| 2.1 深度学习简介 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 激活函数 |
| 2.2.3 池化层 |
| 2.2.4 归一化层 |
| 2.3 常用的深度学习框架 |
| 2.4 本章小结 |
| 第三章 室外场景平面三维重建方法 |
| 3.1 深度预测模块 |
| 3.1.1 深度预测网络 |
| 3.1.2 相机姿态预测网络 |
| 3.1.3 重投影模块 |
| 3.1.4 损失函数 |
| 3.2 平面检测模块 |
| 3.2.1 语义分割网络 |
| 3.2.2 平面拟合模块 |
| 3.3 模型训练与实验结果分析 |
| 3.3.1 模型训练 |
| 3.3.2 实验结果分析 |
| 3.3.2.1 实验结果 |
| 3.3.2.2 模型分析 |
| 3.4 本章小结 |
| 第四章 室内场景房间布局三维重建方法 |
| 4.1 平面和线检测模块 |
| 4.1.1 平面检测网络 |
| 4.1.2 线检测网络 |
| 4.1.3 3D平面参数预测网络 |
| 4.1.4 模型推断 |
| 4.2 3D房间布局重建 |
| 4.2.1 相邻墙面3D关系推断 |
| 4.2.2 平面参数优化 |
| 4.2.3 遮挡处理 |
| 4.2.4 房间布局生成 |
| 4.3 模型训练与实验结果分析 |
| 4.3.1 模型训练 |
| 4.3.2 实验结果分析 |
| 4.3.2.1 Structured3D数据集实验结果 |
| 4.3.2.2 NYUv2303 数据集实验结果 |
| 4.4 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于深度学习的动态小目标检测追踪技术研究及系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 反无人机技术研究现状 |
| 1.3.2 运动目标检测研究现状 |
| 1.3.3 目标识别研究现状 |
| 1.3.4 目标追踪研究现状 |
| 1.4 本章小结 |
| 第二章 经典运动目标检测和目标追踪算法研究 |
| 2.1 引言 |
| 2.2 经典运动目标检测算法 |
| 2.2.1 背景建模法 |
| 2.2.2 帧间差分法 |
| 2.3 经典运动目标追踪算法 |
| 2.3.1 Mean-Shift追踪算法 |
| 2.3.2 粒子滤波算法 |
| 2.3.3 卡尔曼滤波算法 |
| 2.4 本章小结 |
| 第三章 基于运动信息和神经网络的动态小目标实时检测 |
| 3.1 引言 |
| 3.2 运动信息获取及可疑区域分析提取算法 |
| 3.2.1 运动信息获取 |
| 3.2.2 可疑区域筛选 |
| 3.2.3 实验并分析结果 |
| 3.3 纯卷积神经网络YOLOv3 |
| 3.4 YOLOv3模型的改进 |
| 3.4.1 超分辨率重建神经网络SRCNN概述及改进 |
| 3.4.2 超分辨率模块实验结果 |
| 3.4.3 YOLOv3模型修正 |
| 3.5 目标检测算法实现 |
| 3.5.1 系统平台介绍 |
| 3.5.2 模型性能分析 |
| 3.5.3 数据集获取和模型训练 |
| 3.5.4 实验及结果分析 |
| 3.6 本章小结 |
| 第四章 动态小目标追踪算法研究 |
| 4.1 引言 |
| 4.2 相关滤波目标追踪模块设计 |
| 4.2.1 KCF追踪算法原理 |
| 4.2.2 KCF追踪算法改进 |
| 4.3 检测式多目标追踪模块设计 |
| 4.3.1 帧间关联算法 |
| 4.3.2 检测式多目标追踪实现及改进 |
| 4.4 本章小结 |
| 第五章 基于深度学习的低空小型无人机检测追踪系统实现 |
| 5.1 引言 |
| 5.2 系统模块设计 |
| 5.3 系统功能实现及测试 |
| 5.3.1 图像获取模块 |
| 5.3.2 图像预处理模块 |
| 5.3.3 旋转模块 |
| 5.3.4 无人机检测追踪模块 |
| 5.3.5 windows客户端模块 |
| 5.3.6 系统运行示意图 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）基于血流的非接触式疲劳检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统接触式疲劳检测方法 |
| 1.2.2 非接触式疲劳检测方法 |
| 1.2.3 疲劳检测方法的比较 |
| 1.3 本文的主要研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 创新点 |
| 1.4 本文组织结构 |
| 第二章 血流信号的相关理论介绍 |
| 2.1 血流基础概念 |
| 2.2 血流成像方法介绍 |
| 2.2.1 介入性血流成像方法 |
| 2.2.2 非介入性血流成像方法 |
| 2.3 非接触式血流场成像研究方法介绍 |
| 2.4 血流和疲劳关系的研究介绍 |
| 2.5 本章总结 |
| 第三章 基于血流等效映射图谱成像的数据融合框架 |
| 3.1 疲劳视频数据集介绍 |
| 3.1.1 疲劳视频数据集对比 |
| 3.1.2 UTA-RLDD视频数据集介绍 |
| 3.2 血流等效映射方案设计 |
| 3.2.1 时间等效映射设计方案 |
| 3.3 框架方案实现 |
| 3.3.1 成像光电容积描记信号提取 |
| 3.3.2 心动窗口提取 |
| 3.3.3 下降沿时刻点提取 |
| 3.3.4 基于下降沿等效映射图谱成像 |
| 3.3.5 阈值法噪声过滤 |
| 3.3.6 图像数据融合 |
| 3.4 验证方法设计 |
| 3.4.1 基于统计数据的验证结果与分析 |
| 3.5 本章总结 |
| 第四章 基于深度学习的验证方案设计及结果分析 |
| 4.1 卷积神经网络 |
| 4.1.1 卷积神经网络基本概念 |
| 4.1.2 VGG |
| 4.1.3 Inception Net |
| 4.1.4 Res Net |
| 4.2 基于卷积神经网络的方案设计 |
| 4.2.1 数据预处理 |
| 4.2.2 评估指标 |
| 4.2.3 基于Resnet的试验设计 |
| 4.2.4 结果分析 |
| 4.3 本章总结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 硕士研究生期间主要工作及相关成果 |
（7）基于三重表征的专家型化学教师课堂教学行为研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 化学课程改革需要 |
| 1.1.2 化学教学理论研究需要 |
| 1.1.3 化学教学实践研究需要 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 研究问题 |
| 1.4 研究方法 |
| 1.4.1 文献法 |
| 1.4.2 课堂观察法 |
| 2 文献综述 |
| 2.1 三重表征概述 |
| 2.1.1 国外关于三重表征的研究概述 |
| 2.1.2 国内关于三重表征的研究概述 |
| 2.2 课堂教学行为研究概述 |
| 2.2.1 国外关于课堂教学行为的研究概述 |
| 2.2.2 国内关于课堂教学行为的研究概述 |
| 3 概念界定 |
| 3.1 三重表征的涵义 |
| 3.2 专家型教师 |
| 3.3 课堂教学行为 |
| 4 研究设计 |
| 4.1 研究目的 |
| 4.2 研究对象 |
| 4.3 HWF-R-C分析法 |
| 4.4 研究过程 |
| 5 研究结果与分析 |
| 5.1 金属及其化合物主题教学中教师教学行为结果与分析 |
| 5.1.1 钠的重要化合物 |
| 5.1.2 铝的重要化合物 |
| 5.1.3 铁的重要化合物 |
| 5.2 非金属及其化合物主题教学中教师教学行为结果与分析 |
| 5.2.1 无机非金属材料的主角——硅 |
| 5.2.2 富集在海水中的元素——氯 |
| 5.2.3 硫的氧化物 |
| 5.2.4 氮的氧化物 |
| 5.2.5 氨 |
| 5.2.6 硫酸硝酸 |
| 6 结论与建议 |
| 6.1 研究结论 |
| 6.1.1 探讨了两位性别不同的专家型化学教师课堂教学中的异同 |
| 6.1.2 揭示了专家型化学教师课堂教学的特征 |
| 6.2 教学建议 |
| 6.3 研究不足之处 |
| 参考文献 |
| 附录 A 课堂教学视频转录和编码样例1 |
| 附录 B 课堂教学视频转录和编码样例2 |
| 致谢 |
（8）车站典型场景下乘客行为及协同引导疏散研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 乘客运动模型与运动特性 |
| 1.2.2 乘客路径选择与行为预测 |
| 1.2.3 乘客引导疏散与路径规划 |
| 1.3 本文研究内容 |
| 2 预备知识 |
| 2.1 行人动力学基础知识 |
| 2.2 神经网络模型与算法 |
| 2.3 强化学习原理与方法 |
| 3 基于混合模型的车站乘客运动建模与动态特性 |
| 3.1 问题描述 |
| 3.2 基于混合模型的乘客运动建模 |
| 3.2.1 模型的建立 |
| 3.2.2 模型的校验 |
| 3.3 单向乘客流动态特性 |
| 3.4 双向乘客流动态特性 |
| 3.5 本章小结 |
| 4 基于神经网络的瓶颈区乘客路径选择行为预测 |
| 4.1 问题描述 |
| 4.2 瓶颈区乘客选择行为影响因素辨析 |
| 4.2.1 数据采集与处理 |
| 4.2.2 影响因素的数值统计 |
| 4.3 基于神经网络的乘客行为预测方法 |
| 4.3.1 神经网络模型的建立 |
| 4.3.2 基于平均影响值的重要度排序 |
| 4.4 瓶颈区通行能力优化计算实验模块 |
| 4.4.1 模块框架及功能实现 |
| 4.4.2 计算实验结果分析 |
| 4.5 本章小结 |
| 5 协同引导下站台乘客的应急疏散与路径规划 |
| 5.1 问题描述 |
| 5.2 基于最大覆盖模型的协同引导策略生成 |
| 5.3 基于强化学习的引导员疏散路径规划 |
| 5.3.1 疏散路径规划方法系统框架 |
| 5.3.2 引导员疏散路径生成方法 |
| 5.4 乘客疏散仿真计算实验模块 |
| 5.4.1 模块框架及功能实现 |
| 5.4.2 计算实验结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）面向AI的手势识别关键问题的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景和意义 |
| §1.2 国内外研究现状 |
| §1.2.1 手势检测 |
| §1.2.2 手势跟踪和提取 |
| §1.2.3 手势识别 |
| §1.3 本文研究内容 |
| §1.4 本文的章节安排 |
| 第二章 手势识别相关技术 |
| §2.1 手势检测 |
| §2.1.1 基于运动的手势检测技术 |
| §2.1.2 基于 3D信息的手势检测技术 |
| §2.1.3 基于肤色的手势检测技术 |
| §2.2 手势跟踪 |
| §2.2.1 基于卡尔曼滤波的跟踪方法 |
| §2.2.2 基于粒子滤波的跟踪方法 |
| §2.2.3 基于Cam Shift的跟踪方法 |
| §2.3 特征提取 |
| §2.3.1 指尖提取 |
| §2.3.2 轮廓提取 |
| §2.3.3 轨迹提取 |
| §2.4 手势识别 |
| §2.4.1 模板匹配 |
| §2.4.2 隐马尔可夫 |
| §2.4.3 支持向量机 |
| §2.5 本章小结 |
| 第三章 手势检测及实现 |
| §3.1 手势检测方法选取 |
| §3.2 基于颜色空间的肤色检测 |
| §3.2.1 基于RGB空间的肤色检测 |
| §3.2.2 基于HSV空间的肤色检测 |
| §3.2.3 基于YCbCr空间的肤色检测 |
| §3.2.4 优缺点分析 |
| §3.3 基于YCbCr空间的去背景手势检测方法 |
| §3.3.1 连通区域算法 |
| §3.3.2 人脸位置检测 |
| §3.3.3 手势检测实验结果 |
| §3.4 本章小结 |
| 第四章 特征提取及标准化 |
| §4.1 静态特征提取 |
| §4.2 动态特征提取 |
| §4.2.1 初始轨迹的获取 |
| §4.2.2 轨迹的标准化 |
| §4.3 共同提取方法 |
| §4.4 本章小结 |
| 第五章 手势识别算法研究 |
| §5.1 手势识别常用方法 |
| §5.1.1 基于模板匹配的静态识别 |
| §5.1.2 基于DTW的动态识别 |
| §5.1.3 优缺点分析 |
| §5.2 基于改进的SVM算法实现手势识别 |
| §5.2.1 SVM算法 |
| §5.2.2 PCA算法 |
| §5.2.3 基于PCA+SVM实现识别 |
| §5.3 实验分析 |
| §5.3.1 自定义手势与自建手势库实验 |
| §5.3.2 自定义手势与CGD2011标准手势库实验 |
| §5.3.3 CGD2011标准手势库手势与自建手势库实验 |
| §5.4 本章小结 |
| 第六章 手势识别系统 |
| §6.1 手势识别系统功能 |
| §6.2 软硬件部分 |
| §6.2.1 硬件 |
| §6.2.2 软件 |
| §6.3 手势识别系统测试 |
| §6.4 本章小结 |
| 第七章 总结和展望 |
| §7.1 研究总结 |
| §7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间主要研究成果 |
（10）基于GAN的手写西夏文字样本生成研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 论文章节安排 |
| 第2章 深度学习概述 |
| 2.1 神经网络 |
| 2.2 卷积神经网络 |
| 2.3 GAN概述 |
| 2.4 本章小结 |
| 第3章 基于GAN的西夏文字样本生成优化策略研究 |
| 3.1 基于DCGAN生成西夏字符样本 |
| 3.2 基于WGAN-GP生成西夏字符样本 |
| 3.3 生成样本相似性检测研究 |
| 3.4 本章小结 |
| 第4章 基于GAN的西夏文字样本生成网络架构研究 |
| 4.1 改进型GAN简介 |
| 4.2 基于CDU-WGAN-GP生成西夏字符样本 |
| 4.3 样本相似性检测 |
| 4.4 结果分析 |
| 4.5 本章小结 |
| 第5章 GAN评估标准研究 |
| 5.1 西夏字符生成样本相似度分析 |
| 5.2 FID评估指标 |
| 5.3 扩充前后深度模型识别结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历及论文发表情况 |
四、动态视频竖线生成技术研究（论文参考文献）
- [1]基于三维人体运动捕捉数据的拉班舞谱自动生成方法研究[D]. 王嘉骥. 北京交通大学, 2021(02)
- [2]基于时空Kalman的桥梁时空变形分析及可视化[D]. 毕增辉. 昆明理工大学, 2021(01)
- [3]“云南消防”微信公众号的新闻话语特色研究[D]. 王雪娇. 河北大学, 2021(02)
- [4]基于深度学习的单幅图像平面三维重建[D]. 杨诚. 电子科技大学, 2021(01)
- [5]基于深度学习的动态小目标检测追踪技术研究及系统实现[D]. 王元皓. 西安电子科技大学, 2020(05)
- [6]基于血流的非接触式疲劳检测研究[D]. 朱昊川. 南京大学, 2020(04)
- [7]基于三重表征的专家型化学教师课堂教学行为研究[D]. 杨佳婧. 山西师范大学, 2020(07)
- [8]车站典型场景下乘客行为及协同引导疏散研究[D]. 刘佳丽. 北京交通大学, 2020
- [9]面向AI的手势识别关键问题的研究[D]. 孙鹏. 桂林电子科技大学, 2020(04)
- [10]基于GAN的手写西夏文字样本生成研究[D]. 虎民飞. 宁夏大学, 2020(03)