一、车辆运动模糊图像的快速恢复（论文文献综述）
陈廷广[1]（2021）在《基于多源数据融合的室外AGV自适应定位与导航方法研究》文中进行了进一步梳理随着我国制造业转型升级,智慧工厂和智能仓储得到快速发展,造成AGV需求的爆发式增长,出现了 AGV市场繁荣。但存在室外AGV需求量大、应用较少的问题,这主要受室外场景宏大、环境复杂等原因的制约。随着传感器性能提升和定位导航方法的深入研究,AGV的应用逐渐从室内环境拓宽至室外环境,如何保证AGV准确感知自身在外部周围环境中的位姿状况并持续可靠沿规划路径安全行驶成为研究热点,室外AGV正面临前所未有的发展窗口。本文针对室外环境下AGV的精确定位和稳定导航展开相关研究。针对车载单源传感器定位与导航系统信息在室外环境下存在局限性和脆弱性以及室外车体位姿估计的非线性问题,研究室外复杂场景下多源异质车载传感器信息融合定位方法。采用容积卡尔曼滤波算法作为基础融合算法,利用基于航迹推算的系统方程对车体位姿的估计值与GPS和IMU给出的量测值经由卡尔曼增益系数加权计算获得车辆位姿的最优估计。将迭代过程中QR分解简化的CKF误差协方差平方根矩阵代替包含由字长限制引起的积累定位误差的病态矩阵,解决了室外环境下中由病态协方差矩阵导致定位失稳甚至发散的问题。采用基于时间序列的序贯滤波设计了不同长度量测信息的融合定位算法,充分利用传感器观测信息,解决了车载传感器的最高采样频率不一致造成传感器信息利用率不足等问题。利用QR平方根滤波法保证定位稳定性,通过时间序列序贯滤波提高传感器信息利用率,实现了稳定行驶下的多传感器数据融合的室外AGV准确定位。针对室外环境的不确定因素影响室外AGV定位鲁棒性的问题,研究室外不确定条件下的自适应强跟踪定位方法。采用改进Sage-Husa自适应滤波算法,由残差新息对量测噪声进行实时估计调整并同时监测,当出现非正定矩阵时采用有偏估计方式重新计算,保证定位滤波的稳定性,自适应实时调整噪声参数,提高系统模型不确定情况下的定位精度。采用基于多渐消因子的定位强跟踪算法,根据由不同行驶状况突变类型导致的位姿参数影响计算多渐消因子,修正突变后的误差协方差矩阵,激活卡尔曼增益系数,加权量测信息,解决由不可预测因素造成的室外车辆位姿突变后长时间定位数据发散问题。该自适应强跟踪算法提高了模型参数不确定条件下的定位鲁棒性,增强了车辆位姿不确定条件下的定位跟踪可靠性和及时性,可以稳定连续提供AGV的绝对定位信息。针对由于AGV绝对定位信息与行驶道路间未建立联系导致曲线运动时导航偏差获取困难及绝对位姿信息缺失时准确进行路径跟踪问题,将笛卡尔坐标系下的绝对位姿转换至Frenet坐标用于计算导航偏差。当室外环境下GPS存在失锁情况时,考虑导航信息冗余性采用车载相机获取行驶路面状况,将具有桶形畸变的图像正畸处理后转换至HSV色彩空间,分离饱和度高、对比度强的路径标识线,突出路面导航目标信息。经形态学滤波和双边滤波的图像预处理去除路面纹理和背景噪声。采用边缘检测及霍夫直线检测获取路径行驶区域的角点坐标。根据基准图像的路径区域角点计算逆透变换矩阵,建立图像坐标与实际位置的关系推导出导航偏差,实现GPS失锁时的路径跟踪导航偏差实时准确获取。通过模糊PID路径纠偏控制的实例仿真验证了该方法可以有效保证室外AGV的道路跟踪正确性和行驶安全性。室外AGV定位与导航实验研究。通过车载感知系统（RTK-GPS、IMU、车载相机、视觉传感器）接受多源异质信息,采用C++编写了 WIN系统下的基于QR分解的强跟踪自适应改进容积卡尔曼算法对AGV位姿进行最优估计。通过对GPS静态定位精度标定及按照给定距离设置二维码定位标签建立了位置精度为±1mm,方位精度为±1。的室外绝对定位基准。在无传感器噪声先验数据条件下通过室外动态直线和曲线行驶定位实验验证了本文所提出的多传感器信息融合自适应定位方法的有效性和可行性,其位置定位误差<5cm,误差标准差<4cm。将基准位置路径识别区域测量值与基准图像配准后计算逆透矩阵,把图像坐标投影至实际道路模型中计算导航偏差。视觉导航的横向定位精度<5cm,方位定位精度<0.5°,满足了在GPS失锁情况下的路径导航偏差信息的精度要求。综上本文室外自适应定位组合导航算法可提供动态厘米级定位精度,当GPS失锁时,根据路面图像信息提供厘米级导航偏差数据,为室外AGV提供了可靠的定位导航信息。
刘欲哲[2]（2021）在《基于图像评价与优化的车辆检测算法研究》文中研究指明车辆检测系统作为智能交通系统不可缺少的一环,对于协助科学引导车流和维护公共交通安全具有重要意义。目前基于计算机视觉的道路车辆检测技术已得到广泛应用,道路上架设的视频监控系统已经实现道路全方位监控,监控设备采集的大量道路车辆视频为车辆检测技术的研究提供了数据基础。但在实际情况中,受天气、监控设备参数、车速等影响,采集的道路车辆图像质量参差不齐,低质量的图像会影响深度学习网络的学习能力,进而使得车辆无法被准确识别。除此之外,通用目标检测模型为取得较高的检测精度往往采用更深层的网络结构,使之能够在多目标、多场景检测中获得理想的效果,但运行检测模型时往往会消耗大量计算资源,增加计算时间,难以达到车辆检测应用中实时性的要求。针对以上车辆检测技术中的问题,本文提出基于图像评价与优化的车辆检测算法用于提升复杂环境下的道路车辆检测精度,通过模型压缩技术,并引入通道注意力机制,在保证检测精度的基础上,提升车辆检测速度。本文研究工作总结如下:首先,针对车辆图像存在运动模糊的问题,本文提出基于排序的运动模糊图像质量评价算法,用于筛选出运动模糊图像,以便为下一步车辆图像的优化与检测提供指导。一是利用已有的高质量图像制作运动模糊畸变图像数据集,用于模型训练;二是基于孪生网络结构设计图像质量排序模型和图像质量评价模型,采用基于滑动窗口法的评分机制,以准确评估图像的质量。其次,针对以车辆为目标的单一类别检测任务,设计基于特征重标定的车辆检测算法CA-Net。一方面,对YOLOv3进行轻量化设计,根据特征图可视化结果,引入通道注意力机制改进卷积结构;另一方面,使用多尺度预测机制检测识别不同尺寸的车辆。实验结果表明,CA-Net车辆检测模型的精度为93%,检测速度为57FPS。最后,针对运动模糊导致车辆漏检的情况,本文将图像质量评价、图像优化和车辆检测算法相结合,设计基于图像评价与优化的车辆检测算法。训练阶段,利用基于排序的运动模糊图像质量评价算法与图像优化算法对车辆检测数据集进行评价与优化,生成高质量的车辆数据集用于训练车辆检测模型;测试阶段,先评估待检测车辆图像的运动模糊程度,再按照评估结果判别图像是否需要优化,最后将无运动模糊的图像送入模型完成车辆检测。实验证明,本算法能够将运动模糊车辆的检测精度由87%提升至92%。
刘飞虎[3]（2021）在《基于雷达点云深度补全的运动目标识别研究》文中进行了进一步梳理随着第四次工业革命的到来,计算机和人工智能技术得到了快速的发展,以此为基础的无人驾驶作为新兴产业也得到了学术界以及产业界的大量关注。相较于传统驾驶模式,高性能的驾驶决策系统能够避免各种人因导致的交通事故,同时解放人类双手、缓解交通压力。精准灵敏的感知算法是无人驾驶车辆进行自主行驶的前提,目前主流的硬件冗余方案需要高昂的硬件成本,同时传感器的增多也会给数据同步和算法实时性带来很大挑战,因此研究低成本、抗干扰能力强的感知算法对于无人驾驶车辆的量产具有重要的意义。本文以无人驾驶的精准目标感知为研究目的,针对目前领域内亟待解决的感知问题例如:运动模糊、深度补全、3D目标检测等进行深入研究,探讨不同传感器的信息融合方式。本文的具体工作和成果如下:1)针对无人驾驶场景下由于车体抖动和相对运动所出现的摄像头采集图像运动模糊这一问题,本文提出了一种基于生成对抗网络的图像去模糊算法MobileNet-GAN。由于MobileNet中所采用的深度可分离卷积相对于传统卷积能够节省大量的计算资源,本文将其作为算法的骨干结构,同时为了降低整个模型的参数量,文中对于不同尺度下非线性层进行了权重共享,极大地降低了模型推理时间。算法在多个数据集上进行了性能比较,获得了较好的去模糊效果,同时网络的推理速度超越了其他比较算法,基本能够满足无人驾驶场景下的实时性初步要求。最后本文基于ResNet设计了 Mask-RCNN目标检测网络,验证了在不同模糊程度下本文去模糊算法对于目标检测效果的提高,证明了 MobileNet-GAN算法的实用价值。2)针对目前无人驾驶车辆使用的激光雷达线束较低导致点云信息较为稀疏的问题,本文提出了一种基于稀疏点云和对应帧彩色图像的多模态特征融合深度补全算法。针对部分卷积在处理稀疏点云时,距离较远的位置需要通过多层网络才能进行信息传播这一问题,本文在全局通道引入了门控卷积,用于获取更大区域内的特征依赖;针对点云深度补全网络推理时间较长的问题,本文使用ERFNet和堆叠沙漏模型进行表面法向量的预测以及局部通道的深度补全,极大地提高了模型的效率。通过对比实验,本文提出的算法在标准深度补全数据集KITTI上验证获得了较高的推理速度和精度。最后基于第二章提出的去模糊算法,本文设计了模糊容错深度补全框架,保证模型在运动模糊的情况下仍能保持较高的深度补全精度,提高后续算法的目标识别能力。3)针对现有的3D点云目标检测网络算法中存在的不足进行了深入研究,基于点云体素化操作提出了改进的雷达点云运动目标检测算法。原始算法中使用的最远点采样算法获取到的关键点存在一定的偶然性不能很好地对整个三维环境特征进行表征,本文通过引入空间注意力机制以及通道注意力机制更新关键点的特征信息,增强周围信息的依赖;针对关键点选取过程中会忽略局部区域上的特有结构信息从而导致小目标以及远距离目标检测的效果下降这一问题,本文在3D稀疏卷积之后引入了可变形卷积模块,用于提取更具有区分性的特征点信息,提高目标检测的效果。本文提出的检测算法在KITTI目标检测数据集上进行了效果验证,实验结果表明,在行人和自行车类别中,本文算法获得了最优的检测效果,同时对于车辆的检测也保持在较高水平。
张奥祥[4]（2020）在《基于图像处理的搅拌车信息提取与识别》文中研究说明中国作为一个发展中的国家,近年来城市规模再不停地扩大,建筑工地逐渐增加,工地搅拌车交通管理问题也随之而来。对搅拌车车身污染的检测与识别、工程搅拌车的车牌识别相关问题尤为突出。搅拌车滚筒表面的信息量巨大,对于人工判断搅拌车滚筒表面的污染情况,工作效率底,且缺乏客观性。另外,目前工地搅拌车的车牌信息的提取与识别,成功率也有待改进,并且在一些特殊的情境下,对于车牌的定位、车牌字符的识别由一定的直接影响。针对一些问题,以图像处理的相关知识作为基础,对搅拌车信息的提取和识别进行改进,主要研究工作如下:（1）通过实地对搅拌车进行拍摄图片或视频,通过OpenCV技术、Python语言以及Pycharm仿真平台的配合,对视频及图像进行处理;选取合适的图片,进行保存记录,作为实验所需的图像数据样本。然后对车身图像进行RIO感兴趣区域提取,提取出搅拌车滚筒区域;接着对提取图像进行灰度处理,为了去除噪声通过对比实验选择3x3模板的中值滤波进行快速去噪。对于滚筒表面污染信息的提取,根据滚筒污染主要以混凝土为主的特性,选择基于边缘检测的信息提取方法,并使用kirsch算子卷积模板进行边缘信息的提取;在对滚筒表面信息识别时,使用基于像素值统计的污染等级评估,阈值化后得到非黑即白的图像,对此图像进行黑白像素点的统计,以白色像素占比作为评判滚筒表面污染的客观依据。通过本文提出的对搅拌车滚筒污染情况的提取与识别,可为以后城市环保智能管理系统在对车身污染方面打下坚实的基础。（2）采用计算机视觉及图像处理技术对搅拌车的车牌信息进行提取和识别,主要包括车牌定位、字符分割和字符识别,并对三个环节的传统算法或实验操作思想进行改进或再创新,提出Haar Cascade的车牌检测与定位技术、基于投影法与字符间隔模板匹配相结合的车牌字符分割算法以及基于CNN的车牌字符识别算法;通过对搅拌车车牌信息提取环节的创新,与传统相比,从定位到识别成功率都有明显提升,对未来智能交通提供更多的理论依据。（3）对于处于特殊情境下的搅拌车图像再识别,使用直方图均衡化对曝光或光线不足的图像进行处理,引用PSNR评估体系改进维纳滤波对模糊图像进行复原;经过实验证明特殊情境下的处理非常有效,对复杂情况的搅拌车图像信息的提取与识别的准确率有很大帮助。图[62]表[10]参数[47]
张雪晗[5]（2020）在《基于交通事故情境的图像复原VR教学课程开发》文中研究指明随着虚拟现实技术在教育领域的广泛应用,实现了教学资源从二维到三维、静态到动态、单向到交互的转变,推动了教育的创新发展。本文基于虚拟现实技术,进行了基于交通事故情境的图像复原课程开发。在学习之前加入交通事故情境的模拟,以此增加学习趣味性,使用PC电脑和HTC Vive虚拟现实头盔来搭建硬件系统,并利用Unreal Engine 4以及相关插件实现设备间的通信连接,实现图像复原课程的学习和图像恢复操作。本文的主要内容有:首先,本文针对国内外先进的虚拟现实教学应用现状,对本课程系统进行了需求分析。设计合理的交通事故情境,结合图像复原课程特点对虚拟学习和操作流程进行了框架设计。利用逆滤波及其改进方法和维纳滤波法对模糊车牌图像进行了复原处理。其次,详细的阐述了本课程开发所涉及的关键技术,包括碰撞检测技术、虚拟动画技术、UI设计和射线检测技术。对几何模型进行碰撞检测处理:由Sphere包围盒作碰撞包裹处理,通过添加碰撞器和触发器实现碰撞触发;绑定虚拟人物模型和骨骼模型,利用动画技术实现人物和车辆的驱动;UI界面的设计贯穿整个课程开发过程,利用射线检测沿给定的线执行碰撞追踪,检测识别车辆的信息。完成了虚拟场景的搭建和灯光的渲染。最后,阐述了图像复原虚拟教学课程的实现的实现方法及过程。在虚拟情境实现中,阐述了人物角色的控制创建和虚拟动画的实现;结合HTC Vive虚拟现实头盔和手柄控制器实现了系统学习模块和操作模块,在操作模块中,将逆滤波法、改进的逆滤波法和维纳滤波法分别用试验题和排序题的形式,添加到 3DUI界面,最终用户通过点击交互呈现复原图像。
张润彤[6]（2020）在《高速动车组弓网运行状态的数字图像处理和识别研究》文中指出铁路运输是我国的交通运输中的重要运输方式之一,我国国民经济对铁路运输提出了很高的要求。我国的高速动车组是通过接触网—受电弓来获取电网中的电能,进而驱动列车和保证控制或辅助设备运行。因此,接触网—受电弓是保障动车组整个系统安全稳定运行的关键。我国的高速动车组在运行时最高速度可达350km/h,因此受电弓受到了高速摩擦、强风阻、强冲击和高频振动的影响。在这种情况下,受电弓极易发生结构损坏或位置不合理等故障。我国目前在高速动车组针对受电弓、接触网运行监控装有车载接触网运行状态监测装置（3C）,通过该装置记录的监控视频,可事后了解受电弓故障发生时的可见光下和红外线下的视频和数据状态。但是该装置目前的用途为事后的监控回看记录,且判别手段为依靠维修工的目视检查,无法记录可疑的不正常状态和难以预测故障的发生。因此,对该装置的监控视频进行自动识别,不但可以大大提高故障判别的准确性,同时判别结果也可作为高速动车组检修的参考依据。起到了节省人工成本,高效保障动车组安全稳定运行,提高检修效率的作用。论文研究了图像处理与识别技术在车载接触网运行状态监测装置（3C）获取的图像中的应用。在动车组列车正常运行时,计算机系统通过调取受电弓监视器获得的实时图像,实施对该图像进行处理与识别,可得到受电弓本身及其与接触网的接触关系的实时状态。若发生受电弓或弓网关系故障,可实时报警,以便司机和检修人员采取措施及时应对,以防止事故扩大化。论文的研究内容如下:1、动车组弓网关系的研究:（1）分析弓网故障的几种类型:自动降弓、受电弓弹跳、接触点拉弧、结构破坏等,为故障判别建立专家库或神经网络网络参数配置。（2）了解分析网故障时的特征,通过对特定监测位置的特征进行提取,进行后续的图像识别和故障判别。（3）对于弓网故障,对其进行了分类,分类后采用相对位置和相对角度两个特征综合判别对应的故障。2、图像处理方面的研究:采用MATLAB语言为基础进行编程,可对图像进行如下处理:（1）图像增强:包括对亮部的降低和对暗部的加亮。（2）图像降噪:采用均值滤波、顺序统计滤波或自适应滤波,可滤除图像中的高斯噪声和椒盐噪声。（3）图像复原:采用逆滤波法复原或维纳滤波法复原,可得到离焦模糊造成的退化后的复原的图像;采用维纳滤波复原法及其衍生算法或盲解卷积复原法可以获得由于运动模糊造成的退化后的复原的图像。3、图像识别方面的研究:（1）特征提取:通过Radon,可以提取图像中的几何特征,通过对几何特征的转换,即可识别到其代表的现实中受电弓的各个重要零部件。（2）特征分析:通过对上一步中得到的被监测零部件的数据特征进行分析,可以发现被监测的零部件的数据特征无论是相对位置还是结构大小均符合正态分布,由于知道正态分布本身符合“3σ准则”,故在分布范围外的可认为是异常特征,需要报警记录。（3）人工神经网络技术:除了利用分析特征之间的关系进行图像识别外,还可以通过利用CNN卷积神经网络进行图像识别。卷积神经网络对数据化后的图像进行直接的深度学习,通过给与正常和异常两种图像,CNN可在学习中对每一个像素的权重值进行不断调整,最终得到完整的网络参数配置;通过网络参数配置可以检测新的待测试图像。4、程序设计方面的研究:将上述的几种方法进行总结和归纳,利用MATLAB本身的GUI页面设计,得到完整的符合本文技术路线的程序。程序最终可实现的功能包括:图像处理、图像识别、图像数据化变换、输出网络参数配置和得到检测结果。论文通过对3C装置获取的受电弓—接触网监控图像进行处理和识别的研究,基本上实现了对采集图像进行识别的功能,可实时进行基于图像的状态监测,可实现对动车组运行中的弓网接触状态进行实时监测和可疑故障报警记录。
付茜雯[7]（2020）在《计算机科技论文摘要的机翻错误类型及译后编辑》文中指出科研论文在知识传播过程中作用重大,推动国际范围内的知识共享。摘要是科研论文中必不可少的一部分,既是对论文的概括性总结,也是读者发现和探寻相关领域知识的快捷途径。然而,目前英文摘要的机器翻译质量在精确性和专业性方面都不尽人意,需要通过后期编辑和人工校对才能产出高质量的中文翻译文本。本文以计算机科学论文摘要为例,对谷歌机器翻译的300篇计算机英文论文摘要的中文版本进行了翻译错误类型分析并归类,并提出相应的译后编辑策略。首先在赖斯文本类型理论翻译策略指导下,对机器翻译系统生成的译文进行译后编辑,再邀请计算机专业以及翻译专业的专业人士进行确认。之后以DQF-MQM错误类型分类框架为依据,对机器翻译系统生成的译文中的错误进行分类。研究发现,机器翻译的计算机英文论文摘要的中文版本中存在七大类翻译错误,其中不符合中文表达习惯的翻译错误占比最大,其次是术语误译、误译、欠译、漏译、过译以及赘译。本论文研究发现,由于源文本的信息型学术文本特征,长难句、被动语态以及术语翻译是造成机器翻译错误的主要原因。针对源文本的逻辑缜密、语步序固定等特征,本研究针对性地对各类错误类型提出了相应译后编辑策略。建议译者在译后编辑中通过将隐性连接转换为显性连接从而保持源文逻辑性,通过增加主语以及调整语序处理被动语态保持源文的学术精准,通过恰当选取词意处理半技术词汇等。本研究采用定性和定量分析方法,系统归类了计算机科技文本摘要中机器翻译出现的错误,并提出相应译后编辑策略,为该领域的译者提供参考建议,从而提高该领域的机器翻译质量。
吴岛[8]（2020）在《基于滑移率辨识的汽车制动时序视觉检测系统研究》文中提出近年来,随着我国经济的稳健增长和交通运输业的快速发展,道路网络和交通设施得到了前所未有的改善和提高,促使汽车行业迅猛发展,汽车保有量不断增加,随之而来的行车安全问题成为全社会关注的焦点。对在用汽车的各项指标进行定期安全检测是保障汽车行车安全的主要途径,其中制动性能又是所有指标中最重要的一项。尤其是半挂汽车列车,作为当前公路货运的主体,正在向多轴化、重型化方向发展,其车体较长、结构复杂,制动性能各项指标都具有重要意义。目前,针对汽车制动性能检测的方法主要有两种:路试检验法和台架检验法。路试法须有特定的场地,受气候条件影响较大且重复性差,一般作为辅助检测手段。台式检验法占地小,不受气候条件影响,重复性较好,是目前汽车检测站和科研机构进行制动性能检测的常用方法。台架检验法主要通过滚筒反力式制动检验台或平板式制动检验台进行检测,可以检测出整车制动力和、制动不平衡及阻滞力,满足多数车型的检测。然而,半挂汽车列车由于轴数较多,不同的制动时序会对列车的制动稳定性造成直接影响,前轴制动快制动瞬间列车易发生折叠,后轴制动快制动瞬间列车易发生拖拽。台式检验法受台体结构的限制,无法实现半挂汽车列车制动时序的检测,从而难以反映整车的制动性能。虽然国家标准GB 18565-2016对汽车列车的制动时序检测方法做出了要求,但受检测设备的成本和结构制约,目前并无相关可行的制动时序检测设备,所以检测方法不具现实意义。因此,研发出一套高精度、智能化的汽车制动时序检测系统势在必行。随着中国制造2025战略部署的不断推进,在以机器视觉为核心的工业4.0大趋势推动下,汽车检测领域也正朝着信息化、自动化、智能化的方向迈进。因此,本文以此为契机,立足国家标准和现有技术手段,将视觉技术引入汽车制动时序检测,提出了基于立体视觉的汽车制动时序检测方法,设计和研发了汽车制动时序视觉检测系统。本文根据半挂汽车列车制动失稳机理及制动时序对制动稳定性的影响,明确了引起不同制动时序的因果关系。通过分析汽车制动时序检测技术的研究现状,确定了本文的研究内容和技术路线,主要包括以下四个方面:（1）汽车制动时序视觉检测系统方案设计分析车轮滑移率与路面附着系数间的变化关系,提出视觉检测系统的测量目标:即以制动踏板开关的触发时刻为起始时标,各车轮滑移率分别达到20%的时间次序作为制动时序的检测结果,并分析影响滑移率辨识的关键因素。为准确识别车轮滑移率,以白色圆形标识物作为间接测量物,建立基于视觉测量的车轮滑移率测量模型及列车曲线行驶矫正模型。基于平行双目立体视觉测量原理,推导系统结构模型,对影响系统综合测量误差的关键因素进行讨论分析。最后从检测系统整体布置、检测流程和控制方案三个方面对汽车制动时序视觉检测系统进行方案设计。（2）图像处理关键算法研究为得到图像中圆形标识的中心坐标,根据圆形标识的图像特点对相关图像处理算法的适用性进行改进和优化。首先对采集的原始图像进行预处理操作,包括图像对比度增强、图像去模糊、图像去噪和图像锐化。然后对归一化后的左右图像进行边缘提取,为改善Canny算法对圆形标识的边缘提取效果,对传统Canny算法在梯度方向和自适应阈值方面进行改进研究。为准确提取圆形标识,分析现有椭圆检测理论提出适用于本文的椭圆检测方法,设计边界清除算法清除冗余边缘,以及融合最小二乘理论和Hough变换实现对圆形标识的准确识别和提取。考虑到序列图像进行立体匹配计算量大的问题,基于对极几何约束关系,提出一种归一化互相关（Normalized Cross Correlation,NCC）快速匹配算法。最后,根据三维重建模型和相机标定参数,对圆形标识中心坐标进行三维重建。（3）视觉检测系统标定与精度检定试验研究根据摄像机坐标系间转换关系,对线性成像模型和非线性成像模型进行论述,以建立本文的摄像机成像模型。分析张正友平面模板标定法的算法原理及不足之处,提出一种基于PSO-LM（Particle Swarm Optimization与Levenberg-Marquardt）组合优化策略的改进张正友标定方法,实现对标定参数的非线性全局优化,并通过标定对比试验对所提方法的有效性进行验证。为验证视觉检测系统对圆形标识的动态识别精度,设计一种模拟车轮制动的精度检定装置及方法,在多个目标速度下分类进行多工况试验,分析每种工况下的试验误差。（4）汽车制动时序视觉检测系统实车试验研究为验证检测系统整体方案设计的可行性以及图像处理算法和标定算法的有效性,选取同一辆在用半挂汽车列车进行重复性试验和九辆在用半挂汽车列车进行普适性试验。为分析视觉检测系统的测量误差,利用车轮上的轮速传感器设计一套轮速测量装置,结合非接触式速度测量仪构成校准装置,对比分析两组试验数据的示值误差和重复性误差,对本检测系统的准确性、稳定性及适用性进行验证。同时,在重复性试验中,鉴于测量结果误差存在不确定性,为科学评价本检测系统,对测量结果误差的不确定度进行评定。最后,分析和总结视觉检测系统相比于校准装置的试验误差。
安祺[9]（2020）在《基于生成对抗网络的图像去模糊算法研究》文中提出图像作为人类获取信息的重要载体,在计算机视觉、智能交通等各个领域有着广泛的应用。在城市智能交通高速发展的今天,监控图像的清晰度尤为重要。然而,在图像在采集、传输等过程中会不可避免地受到各类噪声的干扰,例如,由于物体运动、拍摄器材抖动等因素会出现图像的运动模糊等现象,因此,从模糊图像中恢复出清晰图像的去模糊技术研究至关重要。在图像去模糊算法的研究中,很多学者通过加深网络来提升算法去模糊的效果,取得了不错的效果。然而,这使得网络算法复杂度较高,需要大量的计算,需要消耗大量的时间,尽管图像的去模糊效果得到了一定的提升,但忽视了算法的运行速度,实用价值较低。针对图像去除模糊问题,本文提出一种基于生成对抗网络的去除图像运动模糊的网络模型。该模型引入多尺度递归网络作为生成对抗网络的生成器,该生成器包含三层网络,在每层网络中叠加多层残差块,对模糊图像进行由粗到精的处理,并经由判别器进行判别。其次,为了提升算法的运行速度,本文进一步提出一种基于八度卷积的去除图像运动模糊模型。该模型将生成对抗网络（GAN）与八度卷积残差块相结合,将八度卷积残差块用于构建一个多尺度递归网络作为生成对抗网络的生成器,对模糊图像进行由粗到精的处理,生成器采用多尺度编码解码结构,提高了模型的效率,并在编码的最后一层引入了上下文模块;生成器不同尺度网络编码器解码器之间引入时间卷积网络TCN（Temporal Convolutional Network）跨层传递信息,最后经过判别器进行判别处理。使用八度卷积残差块大大减少模型的参数量,加速了网络对图像的处理;上下文模块采用多层空洞卷积极大程度的增加了感受野并能更好的捕获多尺度上下文信息。本文主要创新工作如下:1.提出了一种基于生成对抗网络的去除图像运动模糊的网络模型。模型引入多尺度递归网络作为生成对抗网络的生成器,对模糊图像进行由粗到精的处理,提升了图像去模糊效果。实验结果表明,由该模型去除图像运动模糊后的图像清晰,可以分辨细节内容,且峰值信噪比达到29.52,优于常用模型。2.进一步提出一种基于生成对抗网络（GAN）,并结合八度卷积残差块以及时间卷积网络（TCN）的去除图像运动模糊模型。该模型使用八度卷积残差块做为基础块减少了网络的冗余,加速了网络对图像的处理速度;模型引入TCN以及上下文模块增加了感受野并能更好的捕获多尺度上下文信息。实验结果表明,该模型在视觉效果、峰值信噪比以及每一步都训练速度等方面都取得了一定的提升,具有较好的应用前景。
陈杰[10]（2019）在《文本类图像盲去模糊新方法研究》文中认为图像是人类日常生活中接收和传递信息不可或缺的重要载体之一。具体成像时,由于多种因素的影响可能会造成图像质量下降,生成模糊图像。本文研究的图像去模糊技术的任务就是从模糊图像中恢复清晰图像。目前,该技术广泛应用于军事、安全监控、交通、天文等领域。本文以文本类模糊图像作为研究对象,在最大后验概率估计和神经网络的理论框架下,提出了全新的文本类图像盲去模糊算法。主要工作和成果如下:1、针对实验发现的文本类图像特殊先验,本文在边缘感知理论指导下,结合图像梯度L0范数稀疏模型和相对总变分（RTV,Relative Total Variation）模型,提出新的图像盲去模糊算法—L0-RTV。该模型在L0范数提取显着性图像边缘的同时,利用RTV项对纹理和边缘的精确区分防止弱边缘的丢失,从而提高模糊核估计的精度,使得去模糊图像更加真实、自然。为了评价本文的算法性能,将本文提出的L0-RTV模型与当前最具有代表性的几类盲去模糊算法分别在合成和真实的文本类图像实验集上进行比较。实验结果表明,本文所提模型能够估计出精确的模糊核,恢复的文本图像自然,且该算法鲁棒性好。2、本文在尝试利用现有深度学习网络模型处理模糊文本类图像时总结发现了更适用于本文实验对象的卷积神经网络模型—Deblur-ResNext模型,实现文本和车牌图像盲去模糊。该模型特点是在卷积层中引入改进的残差网络ResNext模块,并根据实验过程中具体需求,对残差模块结构与网络参数进行优化改进,实现加速模型训练的同时减少模型参数量。在合成的模糊实验数据集和真实模糊图像上,对本文提出的网络模型与当前两种代表性神经网络模型进行详细性能对比,证明本文所提Deblur-ResNext网络在文本和车牌类图像上具有优秀的去模糊能力,且模型收敛速度快。3、当前大多数基于深度学习的图像盲去模糊算法实现原理是利用网络学习训练集中图像分布规律,对测试集中模糊图像进行估计实现去模糊,因此训练集的样本量和数据分布对模型具有重要影响。本文的实验对象包含车牌和文本两类图像,同时获取对应清晰图像和模糊图像比较困难,因此本文在开始模型训练前通过人工合成模糊图像的方法实现数据增强,提升模型精度。合成模糊图像可分成三步:拍摄清晰图像;随机生成模糊核;卷积生成对应的模糊图像。实验时用于训练的车牌数据集分成两类,一部分源于现有的比赛数据库,另一部分是根据图像退化模型合成得到。
二、车辆运动模糊图像的快速恢复（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、车辆运动模糊图像的快速恢复（论文提纲范文）
（1）基于多源数据融合的室外AGV自适应定位与导航方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室外AGV的定位方法研究现状 |
| 1.2.2 室外AGV的路径导航方法研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 多传感器数据融合定位方法研究 |
| 2.1 容积卡尔曼滤波算法 |
| 2.1.1 多传感器融合系统与观测方程 |
| 2.1.2 容积卡尔曼滤波算法 |
| 2.2 传感器多频率下的最大信息利用率方法研究 |
| 2.3 仿真实验 |
| 2.3.1 非线性位姿变化的定位稳定性对比仿真 |
| 2.3.2 传感器频率不同时定位对比仿真 |
| 2.4 本章小结 |
| 第3章 不确定条件下的自适应定位方法研究 |
| 3.1 模型参数不确定下的自适应定位方法 |
| 3.1.1 模型不确定下的定位问题描述 |
| 3.1.2 系统稳定性判断 |
| 3.1.3 基于改进Sage-husa的自适应算法 |
| 3.2 车辆位姿突变情况下的定位方法研究 |
| 3.2.1 状态突变情况下的定位问题描述 |
| 3.2.2 基于多渐消因子的误差协方差修正 |
| 3.2.3 强跟踪算法研究 |
| 3.3 仿真实验 |
| 3.3.1 模型不确定下自适应算法对比仿真实验 |
| 3.3.2 状态突变的强跟踪仿真实验 |
| 3.4 本章小结 |
| 第4章 室外AGV的路径跟踪导航方法研究 |
| 4.1 计算路径导航偏差 |
| 4.1.1 组合导航偏差计算 |
| 4.1.2 路径标识线提取 |
| 4.1.3 视觉导航偏差计算 |
| 4.2 基于模糊PID的路径跟踪 |
| 4.2.1 模糊PID控制器设计 |
| 4.2.2 路径跟踪仿真实验 |
| 4.3 本章小结 |
| 第5章 室外AGV定位与导航实验研究 |
| 5.1 实验平台 |
| 5.1.1 实验平台硬件构成 |
| 5.1.2 实验平台软件构成 |
| 5.1.3 车载传感器数据处理 |
| 5.2 室外定位与导航偏差实验 |
| 5.2.1 定位基准设定 |
| 5.2.2 室外动态定位实验 |
| 5.2.3 车载视觉导航实验 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（2）基于图像评价与优化的车辆检测算法研究（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 图像质量评价技术 |
| 1.2.2 车辆检测技术 |
| 1.3 车辆检测技术的难点 |
| 1.4 研究内容与组织结构 |
| 第二章 基于排序的运动模糊图像质量评价算法研究 |
| 2.1 基于排序的运动模糊图像数据集生成 |
| 2.1.1 图像运动模糊畸变方法 |
| 2.1.2 运动模糊畸变数据集制作 |
| 2.2 基于排序的运动模糊图像质量评价模型构建 |
| 2.2.1 运动模糊图像质量排序模型构建 |
| 2.2.2 运动模糊图像质量评价模型构建 |
| 2.3 实验说明与结果分析 |
| 2.3.1 图像质量评价模型性能度量指标 |
| 2.3.2 实验结果分析 |
| 2.4 本章总结 |
| 第三章 基于特征重标定的车辆检测算法研究 |
| 3.1 YOLOV3 网络结构分析 |
| 3.1.1 YOLOv3 骨干网络分析 |
| 3.1.2 YOLOv3 检测网络分析 |
| 3.2 基于特征重标定的车辆检测网络设计 |
| 3.2.1 检测模型轻量化设计 |
| 3.2.2 基于通道注意力机制的卷积模块设计 |
| 3.2.3 基于特征重标定的车辆检测网络整体结构 |
| 3.3 实验说明与结果分析 |
| 3.3.1 实验环境说明 |
| 3.3.2 实验数据集制作 |
| 3.3.3 先验锚框的设置 |
| 3.3.4 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于图像评价与优化的车辆检测算法研究 |
| 4.1 实验环境与车辆数据集介绍 |
| 4.1.1 实验环境说明 |
| 4.1.2 车辆数据集介绍与分析 |
| 4.2 高质量车辆图像数据集制作 |
| 4.2.1 车辆数据集质量评价 |
| 4.2.2 车辆数据集优化 |
| 4.2.3 基于高质量车辆图像的车辆检测模型结果分析 |
| 4.3 基于图像评价与优化的车辆检测算法应用 |
| 4.3.1 算法应用方案设计 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（3）基于雷达点云深度补全的运动目标识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 研究现状及存在的问题 |
| 1.3 图像去模糊 |
| 1.4 点云稠密化 |
| 1.5 点云3D目标检测 |
| 1.6 本文研究的主要内容 |
| 1.6.1 本文研究内容 |
| 1.6.2 各章节主要内容及创新点 |
| 第二章 基于生成对抗网络的图像去模糊算法研究 |
| 2.1 引言 |
| 2.2 去模糊算法介绍 |
| 2.2.1 多尺度网络去模糊算法 |
| 2.2.2 Deblur-GAN算法 |
| 2.3 基于生成对抗网络的去模糊算法 |
| 2.3.1 Least Square GAN (LS-GAN) |
| 2.3.2 MobileNet-GAN去模糊算法框架 |
| 2.3.3 生成器 |
| 2.3.4 判别器 |
| 2.3.5 模型损失函数 |
| 2.4 实验分析 |
| 2.4.1 数据集介绍 |
| 2.4.2 硬件平台 |
| 2.4.3 实验验证与结果分析 |
| 2.5 本章小结 |
| 第三章 基于雷达点云信息的图像深度补全研究 |
| 3.1 引言 |
| 3.2 相关算法介绍 |
| 3.3 雷达点云与深度补全任务 |
| 3.3.1 浙江大学-长安大学联合深度数据集 |
| 3.3.2 坐标系变换 |
| 3.4 基于雷达点云的深度补全算法 |
| 3.4.1 多模态特征融合深度补全算法 |
| 3.4.2 基于稀疏点云的表面法向量计算 |
| 3.4.3 门控卷积 |
| 3.4.4 改进ERFnet预测法向量 |
| 3.4.5 堆叠沙漏法向量预测模块 |
| 3.4.6 改进DCU模块 |
| 3.4.7 PatchGAN判别器 |
| 3.5 算法验证与实验分析 |
| 3.5.1 数据集介绍 |
| 3.5.2 算法实验验证 |
| 3.5.3 模糊容错算法验证 |
| 3.6 本章小结 |
| 第四章 基于雷达点云的运动目标检测研究 |
| 4.1 引言 |
| 4.2 基于深度学习的目标检测算法 |
| 4.2.1 两阶段目标检测算法 |
| 4.2.2 PV-RCNN模型 |
| 4.3 基于雷达点云的目标检测算法 |
| 4.3.1 基于点云体素化的目标检测框架 |
| 4.3.2 可变形卷积模块 |
| 4.3.3 基于Attention的语义融合 |
| 4.4 实验分析 |
| 4.4.1 数据集及评价指标 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文研究内容总结 |
| 5.2 工作的不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 攻读硕士学位期间的科研成果 |
（4）基于图像处理的搅拌车信息提取与识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 背景及意义 |
| 1.2 研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 1.5 本章小结 |
| 2 卷积神经网络相关内容 |
| 2.1 卷积神经网络的基本思想 |
| 2.2 卷积神经网络的结构 |
| 2.3 卷积神经网络的训练与运算过程 |
| 2.3.1 卷积神经网络的训练 |
| 2.3.2 卷积神经网络的运算 |
| 2.4 本章小结 |
| 3 车身图像信息提取 |
| 3.1 图像采集 |
| 3.1.1 视频分割成帧 |
| 3.2 判断和提取滚筒区域图像信息 |
| 3.2.1 基于HOG+SVM的图像信息判断 |
| 3.2.2 ROI感兴趣信息提取 |
| 3.3 图像预处理 |
| 3.3.1 灰度化处理 |
| 3.3.2 图像去噪 |
| 3.4 滚筒表面特征信息提取 |
| 3.4.1 常用边缘检测算子 |
| 3.4.2 基于kirsch算子的边缘信息检测 |
| 3.5 提取信息的分析与评估 |
| 3.5.1 基于像素值统计的污染等级评估 |
| 3.6 本章小结 |
| 4 搅拌车的车牌信息提取 |
| 4.1 车牌图像预处理 |
| 4.1.1 图像灰度化 |
| 4.1.2 图像去噪 |
| 4.2 车牌定位 |
| 4.2.1 常见的车牌定位算法 |
| 4.2.2 车牌粗定位 |
| 4.2.3 车牌的精确定位 |
| 4.3 车牌字符分割 |
| 4.3.1 车牌倾斜矫正 |
| 4.3.2 车牌图像二值化 |
| 4.3.3 常见字符分割算法 |
| 4.3.4 改进字符分割算法 |
| 4.4 车牌字符识别 |
| 4.4.1 基于模板匹配的车牌字符识别 |
| 4.4.2 字符数据整理 |
| 4.4.3 本文车牌字符识别算法 |
| 4.4.4 实验结果评析 |
| 4.5 简单的车牌识别界面 |
| 4.6 本章小结 |
| 5 复杂环境下车牌识别算法研究 |
| 5.1 光线强度对车牌的影响 |
| 5.1.1 直方图均衡化原理 |
| 5.2 运动模糊对实验的影响 |
| 5.2.1 图像退化模型 |
| 5.2.2 图像恢复 |
| 5.2.3 自寻最佳K值的维纳滤波算法 |
| 5.3 结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（5）基于交通事故情境的图像复原VR教学课程开发（论文提纲范文）
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 仿真平台的选择 |
| 1.4 本文的主要内容 |
| 2 虚拟教学课程总体设计 |
| 2.1 需求分析 |
| 2.2 系统架构设计 |
| 2.3 功能模块设计 |
| 2.4 本章小结 |
| 3 虚拟教学课程的关键技术及场景搭建 |
| 3.1 碰撞检测技术的研究 |
| 3.2 虚拟系统动画技术的研究 |
| 3.3 其他关键技术 |
| 3.4 虚拟场景设置 |
| 3.5 本章小结 |
| 4 图像复原虚拟教学课程的实现 |
| 4.1 情境动画的实现 |
| 4.2 学习模块的实现 |
| 4.3 操作模块的实现 |
| 4.4 奖励功能的实现 |
| 4.5 交互功能的实现 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（6）高速动车组弓网运行状态的数字图像处理和识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 图像处理领域的研究现状 |
| 1.2.2 图像识别领域的研究现状 |
| 1.2.3 铁路系统数字化信息化探伤与故障检测的研究现状 |
| 1.3 研究的目的和意义 |
| 1.4 主要研究内容和技术路线 |
| 2.动车组弓网系统的故障和信息化监测方法 |
| 2.1 接触网与受电弓 |
| 2.1.1 接触网 |
| 2.1.2 受电弓 |
| 2.2 几种可能的弓网故障及其特征 |
| 2.2.1 由接触网引起的弓网故障 |
| 2.2.2 受电弓引起的弓网故障 |
| 2.3 弓网故障的检测方法和铁路信息化检测手段的应用 |
| 2.3.1 传统的检测方法 |
| 2.3.2 信息化改造后的检测方法 |
| 2.3.3 本文采用的系统的优点 |
| 2.4 本章小结 |
| 3.动车组受电弓监控的图像处理算法 |
| 3.1 亮度与对比度自动调整算法 |
| 3.1.1 直方图变换增强 |
| 3.1.2 灰度变换增强 |
| 3.1.3 程序与流程图 |
| 3.2 噪声模型及其滤除算法 |
| 3.2.1 噪声的分类 |
| 3.2.2 空域内的噪声滤波复原 |
| 3.2.3 程序与流程图 |
| 3.3 图像模糊的概念、评价与判断方法 |
| 3.3.1 图像模糊的种类与成因 |
| 3.3.2 图像模糊的评价方法 |
| 3.4 图像离焦模糊的恢复算法 |
| 3.4.1 逆滤波复原法 |
| 3.4.2 维纳滤波复原 |
| 3.4.3 流程图与程序 |
| 3.5 图像运动模糊的恢复算法 |
| 3.5.1 维纳滤波复原法 |
| 3.5.2 约束最小二乘法复原和Lucy-Richardson复原法 |
| 3.5.3 盲解卷积复原法 |
| 3.5.4 流程图与核心程序 |
| 3.6 本章小结 |
| 4.动车组受电弓监控的图像识别算法 |
| 4.1 基于特征提取和对比的识别方法 |
| 4.1.1 Radon变换 |
| 4.1.2 特征的数据处理 |
| 4.2 基于神经网络的识别算法 |
| 4.2.1 卷积神经网络 |
| 4.2.2 卷积神经网络的构建 |
| 4.2.3 CNN的训练 |
| 4.2.4 训练说明 |
| 4.3 训练结果的评价 |
| 4.3.1 评价指标 |
| 4.3.2 具体预测结果 |
| 4.4 本章小结 |
| 5.GUI页面设计 |
| 5.1 界面设计 |
| 5.2 操作流程 |
| 6.总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（7）计算机科技论文摘要的机翻错误类型及译后编辑（论文提纲范文）
| 摘要 |
| Abstract |
| CHAPTER1 INTRODUCTION |
| 1.1 Research Background and Significance |
| 1.2 Aims of the Study |
| 1.3 Organization of the Thesis |
| CHAPTER2 LITERATURE REVIEW AND FRAMEWORK |
| 2.1 Overview on Machine Translation and Post-editing |
| 2.2 Previous Studies on MT Error Types and Post-Editing Strategies |
| 2.3 DQF-MQM Error Classification Framework |
| 2.4 Previous Studies on MT Error Types of Paper Abstracts |
| 2.5 Text Typology Theory |
| 2.5.1 Text Typology Theory of Reiss |
| 2.5.2 Previous Studies on Informative Texts and Translation Principles |
| CHAPTER3 METHODOLOGY |
| 3.1 Source Text and Text Analysis |
| 3.1.1 Source Text |
| 3.1.2 Text Analysis |
| 3.2 Research Method |
| 3.3 Translation Process |
| 3.3.1 Translating300 computer science abstracts with MT system |
| 3.3.2 Post-editing the MT-generated translation based on Text Typology Theory |
| 3.3.3 Conducting a semi-structured interview for ensuring post-editing quality |
| 3.3.4 Analyzing and summarizing the errors in300 abstracts |
| 3.3.5 Preliminary error classifications based on DQF-MQM Framework |
| 3.3.6 Conducting the2nd semi-structured interview to confirm error classifications |
| 3.3.7 Quantitative analysis of all MT errors in the300 abstracts |
| CHAPTER4 RESULTS AND DISCUSSION |
| 4.1 Error Types of Machine Translated English Abstracts |
| 4.1.1 Unidiomatic Translation Errors in MT output |
| 4.1.2 Terminology Mistranslation Errors in MT Output |
| 4.1.3 Mistranslation Errors in MT Output |
| 4.1.4 Under-translation Errors in MT Output |
| 4.1.5 Omission Translation Errors in MT Output |
| 4.1.6 Over-translation Errors in MT Output |
| 4.1.7 Errors of Addition in MT Output |
| 4.2 Post-editing Strategies for Machine Translated Abstracts |
| 4.2.1 Post-editing Strategies for Long and Complex Sentences |
| 4.2.2 Post-editing Strategies for Passive Voice Sentences |
| 4.2.3 Post-editing Strategies for Technical Terms |
| CHAPTER5 CONCLUSION |
| 5.1 Major Findings |
| 5.2 Limitations and Suggestions |
| References |
| Appendix Source Texts and Target Texts of300 Abstracts |
| 1-20 Abstracts |
| 21-40 Abstracts |
| 41-60 Abstracts |
| 61-80 Abstracts |
| 81-100 Abstracts |
| 101-120 Abstracts |
| 121-140 Abstracts |
| 141-160 Abstracts |
| 161-180 Abstracts |
| 181-200 Abstracts |
| 201-220 Abstracts |
| 221-240 Abstracts |
| 241-260 Abstracts |
| 261-280 Abstracts |
| 281-300 Abstracts |
| ACKNOWLEDGEMENTS |
（8）基于滑移率辨识的汽车制动时序视觉检测系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文研究的背景及意义 |
| 1.1.1 论文研究的背景 |
| 1.1.2 论文研究的意义 |
| 1.2 半挂汽车列车制动时序的国内外研究现状 |
| 1.2.1 国外制动时序研究现状 |
| 1.2.2 国内制动时序研究现状 |
| 1.3 半挂汽车列车制动时序检测技术的研究现状 |
| 1.3.1 制动时序国家标准的制定和实施 |
| 1.3.2 制动时序检测技术国外研究现状 |
| 1.3.3 制动时序检测技术国内研究现状 |
| 1.4 立体视觉汽车检测技术的研究现状 |
| 1.4.1 立体视觉概述 |
| 1.4.2 立体视觉在汽车检测技术领域的应用和进展 |
| 1.5 论文的主要研究内容及技术路线 |
| 1.5.1 主要研究内容 |
| 1.5.2 技术路线 |
| 第2章 汽车制动时序检测理论及方案研究 |
| 2.1 制动时序测量目标的确定 |
| 2.1.1 滑移率与路面附着系数的关系 |
| 2.1.2 基于车轮滑移率的制动时序测量目标 |
| 2.1.3 影响车轮滑移率识别的关键因素 |
| 2.2 基于视觉测量的车轮滑移率测量模型建立 |
| 2.2.1 车轮滑移率计算模型 |
| 2.2.2 圆形标识运动轨迹拟合 |
| 2.2.3 汽车列车曲线行驶矫正模型 |
| 2.3 双目立体视觉测量模型 |
| 2.3.1 平行双目立体视觉测量原理 |
| 2.3.2 平行双目视觉系统精度分析 |
| 2.4 制动时序视觉检测系统方案设计 |
| 2.4.1 制动时序视觉检测系统整体布局 |
| 2.4.2 制动时序视觉检测系统检测流程 |
| 2.4.3 制动时序视觉检测系统控制方案 |
| 2.5 本章小结 |
| 第3章 制动时序视觉检测系统图像处理算法研究 |
| 3.1 图像预处理 |
| 3.1.1 图像对比度增强 |
| 3.1.2 基于维纳滤波的圆形标识运动模糊复原 |
| 3.1.3 图像伪中值双边滤波去噪 |
| 3.1.4 图像拉普拉斯锐化 |
| 3.2 基于改进Canny算法的圆形标识边缘检测 |
| 3.2.1 传统Canny边缘检测 |
| 3.2.2 拓展梯度方向与Otsu自适应阈值的改进Canny算法 |
| 3.3 基于Hough变换的圆形标识特征提取 |
| 3.3.1 基于Hough变换的椭圆检测研究进展 |
| 3.3.2 最小二乘与Hough变换融合的圆形标识特征提取 |
| 3.4 基于对极几何约束的圆形标识归一化互相关立体匹配 |
| 3.4.1 立体匹配方法概述 |
| 3.4.2 对极几何约束 |
| 3.4.3 基本矩阵和极线方程 |
| 3.4.4 基于对极几何约束关系的NCC立体匹配算法 |
| 3.5 圆形标识中心坐标三维重建 |
| 3.5.1 三维重建模型 |
| 3.5.2 三维重建过程 |
| 3.6 本章小结 |
| 第4章 制动时序视觉检测系统标定与精度检定试验研究 |
| 4.1 非线性成像模型建立 |
| 4.1.1 参考坐标系 |
| 4.1.2 线性成像模型 |
| 4.1.3 非线性成像模型 |
| 4.2 视觉检测系统摄像机标定理论及优化 |
| 4.2.1 张正友平面模板标定法 |
| 4.2.2 张正友标定法优化理论分析 |
| 4.2.3 基于PSO-LM组合优化策略的改进张正友标定法 |
| 4.3 摄像机标定试验及结果对比分析 |
| 4.3.1 标定试验设备安装及调试 |
| 4.3.2 标定试验过程及参数误差对比分析 |
| 4.4 基于车轮动态模拟的视觉系统精度检定试验研究 |
| 4.4.1 硬件结构组成 |
| 4.4.2 检定方法及流程 |
| 4.4.3 动态检定试验及误差分析 |
| 4.5 本章小结 |
| 第5章 汽车制动时序视觉检测系统开发及实车试验 |
| 5.1 汽车制动时序视觉检测系统结构组成 |
| 5.1.1 检测系统的硬件部分 |
| 5.1.2 汽车制动时序检测系统软件设计 |
| 5.2 汽车制动时序视觉检测系统实车试验研究 |
| 5.2.1 实车试验目的及试验条件 |
| 5.2.2 实车试验内容及步骤 |
| 5.2.3 同一车型重复性试验 |
| 5.2.4 测量结果标准不确定度评定 |
| 5.2.5 多种车型普适性试验 |
| 5.2.6 试验误差因素分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（9）基于生成对抗网络的图像去模糊算法研究（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 |
| 1.3 本文的主要工作 |
| 1.4 论文章节安排 |
| 第二章 深度学习 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积神经网络概述 |
| 2.1.2 局部感受野 |
| 2.1.3 卷积神经网中的归一化处理。 |
| 2.1.4 Dropout |
| 2.2 卷积神经网络模型改进 |
| 2.2.1 残差网络(ResNet) |
| 2.2.2 八度卷积 |
| 2.3 生成对抗网络 |
| 2.4 本章小结 |
| 第三章 基于生成对抗网络的图像去模糊模型 |
| 3.1 模型搭建 |
| 3.1.1 生成对抗网络模型 |
| 3.1.2 生成器G模型结构 |
| 3.1.3 改进的残差网络模型 |
| 3.1.4 判别器D模型结构 |
| 3.1.5 损失函数 |
| 3.2 实验 |
| 3.2.1 数据预处理与数据集建立 |
| 3.2.2 实验环境及参数设置 |
| 3.2.3 实验结果及对比分析 |
| 3.3 本章小结 |
| 第四章 基于八度卷积的图像去除运动模糊模型 |
| 4.1 模型搭建 |
| 4.1.1 生成器(G) |
| 4.1.2 基于八度卷积的编码解码器结构 |
| 4.1.3 时间卷积网络(TCN) |
| 4.1.4 判别器网络 |
| 4.2 损失函数 |
| 4.3 实验及结果分析 |
| 4.3.1 数据集 |
| 4.3.2 实验环境及参数设置 |
| 4.3.3 实验结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间论文发表、获奖及参与项目情况 |
| 致谢 |
（10）文本类图像盲去模糊新方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 图像去模糊技术研究现状及发展 |
| 1.2.1 图像非盲去模糊 |
| 1.2.2 图像盲去模糊 |
| 1.3 本文主要工作及创新点 |
| 1.4 论文章节安排 |
| 第二章 相关概念与基本原理介绍 |
| 2.1 图像去模糊相关知识 |
| 2.1.1 常见模糊种类 |
| 2.1.2 图像去模糊模型 |
| 2.1.3 边缘感知 |
| 2.2 深度学习相关知识 |
| 2.2.1 卷积神经网络 |
| 2.2.2 常见CNN模型 |
| 2.2.3 生成对抗网络 |
| 2.2.4 DeblurGAN |
| 2.3 图像质量评价标准 |
| 2.4 本章小结 |
| 第三章 文本类图像盲去模糊组合稀疏优化方法 |
| 3.1 文本类图像特征 |
| 3.2 RTV模型 |
| 3.3 基于L0-RTV的去模糊模型 |
| 3.3.1 模型求解 |
| 3.3.2 模型求解流程图 |
| 3.4 实验结果分析 |
| 3.4.1 仿真模糊文本图像实验结果 |
| 3.4.2 仿真模糊自然图像实验结果 |
| 3.4.3 真实模糊图像实验结果 |
| 3.5 本章小结 |
| 第四章 文本类图像盲去模糊深度学习新方法 |
| 4.1 盲去模糊生成对抗方法实验发现 |
| 4.1.1 DeblurGAN网络 |
| 4.1.2 实验发现 |
| 4.2 Deblur-ResNext提出及优化 |
| 4.2.1 Deblur-ResNext模型 |
| 4.2.2 网络训练与优化 |
| 4.3 数据处理与增强 |
| 4.4 实验结果分析 |
| 4.4.1 文本数据集去模糊效果 |
| 4.4.2 车牌数据集去模糊效果 |
| 4.4.3 真实模糊文本类图像去模糊效果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
四、车辆运动模糊图像的快速恢复（论文参考文献）
- [1]基于多源数据融合的室外AGV自适应定位与导航方法研究[D]. 陈廷广. 西安理工大学, 2021(01)
- [2]基于图像评价与优化的车辆检测算法研究[D]. 刘欲哲. 北方工业大学, 2021(01)
- [3]基于雷达点云深度补全的运动目标识别研究[D]. 刘飞虎. 浙江大学, 2021(01)
- [4]基于图像处理的搅拌车信息提取与识别[D]. 张奥祥. 安徽理工大学, 2020(07)
- [5]基于交通事故情境的图像复原VR教学课程开发[D]. 张雪晗. 山东科技大学, 2020(06)
- [6]高速动车组弓网运行状态的数字图像处理和识别研究[D]. 张润彤. 兰州交通大学, 2020(01)
- [7]计算机科技论文摘要的机翻错误类型及译后编辑[D]. 付茜雯. 大连理工大学, 2020(06)
- [8]基于滑移率辨识的汽车制动时序视觉检测系统研究[D]. 吴岛. 吉林大学, 2020(08)
- [9]基于生成对抗网络的图像去模糊算法研究[D]. 安祺. 天津师范大学, 2020(08)
- [10]文本类图像盲去模糊新方法研究[D]. 陈杰. 南京邮电大学, 2019(02)