最新公告：目前，本站已经取得了出版物经营许可证 、音像制品许可证，协助杂志社进行初步审稿、征稿工作。咨询:400-675-1600
您现在的位置：&&>>&&>>&&>>&正文
人像识别技术在安全生产中的应用
定制原创材料,由写作老师24小时内创作完成,仅供客户你一人参考学习,无后顾之忧。发表论文
根据客户的需要,将论文发表在指定类别的期刊,只收50%定金,确定发表通过后再付余款。加入会员
申请成为本站会员,可以享受经理回访等更17项优惠服务,更可以固定你喜欢的写作老师。
近年来，随着物联网、大数据等技术的成熟和普及，建设行业中的精细化管控手段的作用和重要性日渐突出。现代的安全管控体系衍变成了由“人防”和“技防”相结合的综合监管系统。精细化管控的核心是安全质量监管，涉及“安全”和“质量”两方面内容，具体落实到生产环节中的“人、机、物料”三个要素，物联网技术在其中起的至关重要的作用。比如：传统的施工设备或配料设备借助于物联网技术，实时的汇报工作状态，出现偏差，可以及时纠正；万一产生问题，保存的历史数据，也可以作为问题溯源的依据。精细化管控等内容非常丰富，本文研究的重点是如何利用现代视频处理技术为施工人员提供安全保障。随着硬件价格降低和互联网环境的改善，绝大多数建设施工现场都安装配备的摄像头，但是其作用主要是用于防盗和事后查找问题追责。现在我们的目的是要变被动为主动，以图像处理技术和数据挖掘技术为依托对视频大数据进行实时分析，识别出危险行为并加以提醒。
1系统体系结构
整个安全管控系统分为五个部分：视频数据采集、图像分离、人像特征挖掘、人像库建立和危险行为识别，如图1所示。其中视频数据采集和图像分离两个阶段实现了基础数据的粗加工，视频数据采集模块为系统提供实时的视频信息数据流，图像分离实现了图像中前景和背景的分离，为进一步进行人像的提取奠定了基础。人像特征挖掘阶段尤为重要，此时系统要将识别出来的物体运行分类定性，可以运用多种数据挖掘方法（监督的和非监督的）进行分类，也可以融入的机器自学习理论运行分类的优化。人像特征挖掘不但要进行人像识别，更重要的是要形成便于存储、传输和共享的人像特征库，便于在多通道视频输入环境下进行各分布式分类器同时进行处理。上述过程的完成仅仅是实现了从复杂背景图像中提取人像的任务，接下来的任务是对生产环节中人员的着装、佩戴的安全装备和行为动作等关键的安全要素进行识别和处理。
图像分离技术包括静态图像分离和动态图像分离两个方面。静态图像分离可以采取的手段并不多，主要集中在图像分割技术的讨论，包括阈值分割、区域分割、边缘分割和直方图法。近年针对人体特征的分割技术有了一些进展，出现了MagicWand[1]、IntelligentScissors[2]、ActiveContourModel[3]、GraphCut和LevelSet[4]等一系列有代表性的算法。但是无论上述哪种算法都是基于单张图像有限的图元信息进行分析，局限性比较大，比如：GraphCut算法是基于图像的颜色进行分析，如果前景和背景颜色比较接近时，就无法得到完整的人像轮库；LevelSet算法无法处理模糊的和有噪声干扰的图像。本文的数据来源是连续视频信息，可以利用多帧图像信息的关联性将人像从背景中准确的提取出来。提取出来的图像没有背景的干扰，求取出来的特征值将更具有代表性。现有的运动图像前景提取算法包括：背景差分法、帧间差分法、光流法[5]、能量分析法和码本法[6]等。
2.1光流法真实的物体运动是在三维空间中进行的，可以用运动场来表示，而视频录像却是二维平面图像，物体的运动是通过计算各个像素点色彩（为了减少计算量，往往采用灰度进行计算）的变化趋势，从而得到运动矢量来体现的。从三维空间到二维平面的映射，即是运动场到光流场（OpticalFlowField）的转换。光流法即是利用多帧连续图像序列来计算各个像素点的运动矢量，从而为真实的运动进行近似估计的方法。光流法分离前景的最大特点是：该算法能够独立检测运动目标，甚至可以精确地计算出目标的运动速度而不需要任何先验的背景信息。光流法缺点也比较多。首先是计算繁杂，不适用于对效率要求较高的环境；其次外部光线变化对算法的影响比较大，即使物体没有运动，也能检测到光流；最后如果图像的灰度等级变化不明显，很难检测出运动和识别物体。
2.2码本法码本（CodeBook）模型处理对象是仍然是连续图像。首先利用颜色失真程度和亮度失真范围相结合的方式将图像各像素量化后用码本表示，将不同时刻图像中对应像素的码本做比较判断，利用减除背景的思想提取出前景运动目标。具体算法是为每个像素建立一个编码本，这个编码本里包括一个或者多个码字。进行运动检测时，在编码本里已有的码字中查找当前帧像素点，如果前者中有可以匹配的码字，则该像素点即为背景点；如果匹配失败，那么该像素点即为前景点，即运动目标的一部分。码本检测算法利用量化和聚类技术来构建背景模型具有鲁棒性强，计算效率高的特点，可以通过迭代更新码本模型来适应背景变化。
3人体特征挖掘与识别
通过图像分离，所有的活动目标都被区分识别出来了，其中包括人和其他物件。本节将要讨论如何选择合适的特征表述方法对目标进行标识，从而将人体和其他物件区分开来。物体具有的特征的非常多，比如说颜色、轮廓、形状、尺寸和纹理等，本文将选取HOG[7]（HistogramofOrientedGradient）特征作为标志和区分的依据。方向梯度直方图（HOG）特征是由经过计算和统计的图像局部区域梯度方向直方图构成，在计算机视觉（ComputerVision）和图像处理中常用来进行物体检测的特征描述。
3.1HOG特征提取算法1.图像预处理―灰度化；2.图像颜色空间的标准化和归一化；3.计算每个像素的梯度值：大小和方向；4.将图像划分成细胞单元（Cell）；5.统计每个Cell的梯度形成直方图（Histogram），即CellDescriptor；6.将每几个Cell组成一个区块（Block），每个区块内所有CellDescriptor再次归一化便得到该区块的BlockDescriptor。7.图像内的所有区块的BlockDescriptor串联起来就可以得到该图像以特征向量表示的ImageDescriptor了。第6步的Cell组合，可以采取Overlap和Non-Overlap两种策略。Overlap指的是组合出的Block互相交叠，有重合的区域；Non-Overlap指的是Block不交叠，没有重合的区域。因为目前说做所有的分割和组合都带有随机性，以人脸为例，如果采用Non-Overlap方式进行组合，很有可能将人脸上的器官1分为N，直接影响后续的分类效果，但是它的好处是计算量小、速度快；而Overlap则不同，冗余的数据将提高器官完整的可能性，但是缺点是计算量大，因为重叠区域需要重复计算。总而言之，与其他的特征描述方法（SIFT和PCA-SIFT）相比，HOG算法着眼于图像局部单元（Cell和Block）的计算，受图像几何（Geometric）和光学（Photometric）形变影响比较小。
3.2SVM分类器经过HOG运算完成之后得到的特征向量就可以纳入到分类器当中进行分类了，本文选择SVM（SupportVectorMachine）分类器进行人体识别。SVM分类器是基于统计学习的分类算法，在图像识别中得到广泛的应用，其主要思想是：将分类问题转化为寻找训练样本点的一个分割超平面的问题，目的是保证最小的分类错误率。如果样本线性可分，能够将样本完全分开的超平面不止一个，SVM算法的终极目标是找到其中的最优超平面（能使得每类数据中与超平面距离最近的向量之间距离最大的平面）；如果样本线性不可分，则是因为其特征向量维度太低引起的，可以通过所谓的核函数（非线性映射算法）将低维向量样本映射到高维特征空间，使其线性可分。实际应用中需要根据具体需求，平衡识别的准确率和效率，选择合适的核函数。
3.3人体识别人体的识别过程分为两个部分：训练和识别，如图2所示。训练过程，首先通过码本分离算法从运动图像中提取出的前景，此时的前景包括了人体和其他物体；然后是通过人工分检，选出各种光照效果下具有典型劳动特征的人体形成训练样本库；接下来计算每一个样本的HOG特征值，并利用这个样本值集合进行SVM训练，使其针对HOG特征具有分类能力；最终构建出人体特征分类器。识别过程，首先将码本算法得到的前景提取HOG特征值，然后送入到训练过程产生的分类器当中进行分类；最终识别出人体。
4危险行为识别
随着行业的不同，生产环节中对安全的要求也有所不同，比如：不同工种的着装、佩戴的安全装备和行为动作等都属于安全生产管辖的范畴。本文就以建筑行业的施工环节中安全帽的佩戴作为检测目标，并作为出算法的验证试验。
4.1人头模型识别安全帽首先要提取人体的头部信息，可以采取复杂模型：首先进行人脸识别定位人头的位置；然后建立人体躯体模型，找到躯干和四肢；最终完成人体重建。虽然看似第一步就可以通过脸部准确的定位人头，但是此方法在现实中却不可行，因为在工地上具体的施工环节中，不可能让每一个工人都正面面对摄像头进行人脸检测，摄像头中往往得到的是一个背影或侧影。简化模型：首先根据SVM人体分类器中不同工作姿势人体类别，统计各类别中人头的位置和大小比例；然后从待处理人体图像中分离处彩色的人头图像；最后使用颜色直方图进行安全帽的识别。
4.2模型对比复杂模型适应于没有进行过前景背景分离的图像，识别的前提是图像中的人体有人脸的正面照，因此识别率较低；简化模型中识别对象是经过了前景背景分离和SVM分类并已经真正分割出来的独立的人体，虽然人体模型简单，但是人头的识别率非常高。
5实验及结果分析
为了验证本文阐述的安全管控系统的有效性，特地选取某建筑企业在建工地的钢筋加工车间实时视频监控图像进行分析，原始视频中包含了各种姿态（站姿和蹲姿）的人体，如图3所示。1)码本算法提取前景。由于码本算法是基于像素点的色彩变化进行统计分析来确定运动目标，受光线等干扰的影响，码本算法采集到的前景区域往往不连通，如图4所示。2)膨胀处理。对图像进行膨胀处理的目的是为了扩大连通区域，便于图像分割。膨胀之后的图像如图5所示。3)图像分割。采用第2章中所述的静态图像分离算法切割膨胀处理之后的局部连通图，分割出来的去除了背景的单体图像比分割前“意义”更明确，求出的HOG特征向量特征更明显，单体图像如图6所示。4)遮罩提取。上述步骤操作的都是对象区域，为了得到原始的分割图像，只需要进行遮罩运算即可，结果如图7所示。5)安全帽识别。使用4.1节所述的人体模型提取人头图像，如图8所示。因为安全帽的种类和颜色非常规范，提供统计建立颜色（红、黄、蓝）分布直方图，即可识别个人是否佩戴安全帽。上述过程前4步可以实现前景提取，并进行基于SVM的人体特征挖掘与识别。本例构建的训练样本分别为100、300、500张，使用HOG算法进行特征向量提取，并将此特征向量集用于SVM训练，最终得出人体分类器、人头位置和尺寸参数。通过训练好的分类器对测试样本进行检测，实验结果如表1所示。从表中数据可以看出：随着训练样本数的增加，人体检出准确率明显提高，而安全帽检出的准确率受样本规模影响比较小。
本文首次将图像处理技术和数据挖掘技术应用到安全生产管理中。研讨了将码本运算、HOG运算、SVM运算融为一体进行人体图像挖掘的具体实现细节，提出基于实时视频流模式的多姿态安全帽检测技术，并且通过试验证明该算法的实用性和有效性，取得了令人满意的结果。未来的工作是对人像进行跟踪，分析其动作，并抽象提炼出行为，通过对每一种行为的危险系数进行评估，最终实现危险行为识别即做出有害和无害的结论。
作者：汪建 方洪鹰 单位：重庆邮电大学 计算机科学与技术学院 重庆交通大学 理学院人像识别技术在安全生产中的应用责任编辑：杨雪&&&&阅读：人次
上一篇论文： 下一篇论文：
按栏目筛选
　　　　　　　　　　　　　　　　　　　　　　　　　　　
安全生产论文热门范文
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
安全生产论文相关文章扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
应用主成分分解_PCA_法的图像融合技术
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口快速二维PCA方法在人脸识别中的应用研究--《江南大学》2013年硕士论文
快速二维PCA方法在人脸识别中的应用研究
【摘要】：人脸识别是近年来人工智能和模式识别领域研究的热点课题,有着十分广泛的应用前景和重要的理论价值。经过40多年的发展,人脸识别无论在理论研究方面还是在实际应用领域都取得了令人瞩目的成就。但是,人脸识别是一个跨学科且富有挑战性的课题,目前它主要还处于研究阶段,想要让这一技术比较成熟并且广泛应用于生产生活实践,还有很长的路要走。本文主要研究了快速二维PCA(Principal Component Analysis)方法NIB2DPCA(Non-Iteration Bilateral Projection Based2DPCA),并把它应用于人脸识别,提出了一些新的算法并对这些算法进行了深入的研究和探讨,本文的主要工作包括：
第一,对人脸识别相关的理论和方法进行了概述。
第二,归纳总结了主成分分析PCA、二维主成分分析2DPCA(Two Dimensional Principal Component Analysis)、双边二维主成分分析B2DPCA(Bilateral Two Dimensional Principal Component Analysis)、快速二维PCA(NIB2DPCA)这几种特征提取方法的相关理论、优缺点以及在人脸识别中的应用；并对基于2DPCA的彩色人脸识别的相关理论和方法进行了深入的研究和探讨。
第三,提出了基于对称非迭代双边2DPCA的人脸识别方法。为了解决人脸识别的小样本问题,将人脸的镜像对称性和快速二维PCA方法在特征提取方面的优势相结合,基于奇偶分解原理,提出了此方法。提出的方法首先通过镜像变换得到原始人脸图像对应的镜像图像；然后根据奇偶分解原理分别生成奇、偶对称样本；接着用快速二维PCA方法分别对奇偶对称样本提取特征；其次对奇偶对称样本的特征矩阵进行加权组合从而得到最终的分类特征矩阵；最后用最近邻分类器分类识别。Yale、ORL和Yale人脸数据库B上的大量实验表明：此方法利用了人脸的镜像对称性,通过使用镜像样本扩大了训练样本集,从而显著提高了识别率；而且通过对奇偶对称样本的特征矩阵进行加权组合,给稳定性较好的偶对称信息较大的权重,同时也保留了一定的奇对称信息,因而使该算法对光照影响具有一定的鲁棒性。
第四,提出了小空间占用的快速彩色人脸图像识别方法。近年来,许多研究发现色彩为图像识别提供了丰富的信息,能明显提高人脸识别的性能。但是彩色图像的数据量是对应的灰度图像的3倍,当彩色图像的尺寸较大时,对几百幅彩色图像进行处理的数据量相当大,所以目前大多数直接用彩色图像进行人脸识别的算法都存在如下问题：巨大的数据量使计算过程中占用的内存空间太大,从而导致计算耗时太长,计算速度太慢。为了有效降低已有彩色人脸图像识别方法的空间占用,使得这类算法可以适用于仅有有限计算能力和计算空间的计算环境或平台,结合快速二维PCA方法在特征提取方面的优势,提出了一种小空间占用的快速彩色人脸图像识别方法。提出的方法采用了两次特征抽取对彩色图像的信息进行了有效的压缩,从而使计算过程中占用的内存空间减小了两个数量级以上,由此导致了计算时间缩短了3个数量级以上,计算速度大大提高；而且由于在特征抽取之前对彩色图像R、G、B三通道的特征信息进行了融合,充分利用了彩色图像的色彩信息及R、G、B三通道信息之间的相关性,所以与传统的灰度人脸识别方法相比，此方法的识别率还有所提高。
【关键词】：
【学位授予单位】：江南大学【学位级别】：硕士【学位授予年份】：2013【分类号】：TP391.41【目录】：
摘要3-5Abstract5-9第一章 绪论9-23 1.1 人脸识别的研究内容9-11 1.2 人脸识别的国内外研究现状11-12 1.3 人脸识别方法概述12-16 1.4 人脸识别系统的评价指标16-18 1.5 人脸识别面临的挑战18-19 1.6 本文主要工作19-21 1.7 论文的内容安排21-23第二章 基于PCA的人脸识别23-37 2.1 主成分分析方法(PCA)23-28
2.1.1 PCA方法概述23-24
2.1.2 基于PCA的人脸识别24-27
2.1.3 PCA算法的优缺点分析27-28 2.2 二维主成分分析方法(2DPCA)28-30
2.2.1 2DPCA的基本原理28-29
2.2.2 基于2DPCA的图像重建29-30
2.2.3 2DPCA的优缺点分析30 2.3 双边二维主成分分析方法(B2DPCA)30-32
2.3.1 行方向2DPCA30-31
2.3.2 列方向2DPCA31-32
2.3.3 双边2DPCA(B2DPCA)32
2.3.4 B2DPCA的优缺点分析32 2.4 快速二维PCA方法(NIB2DPCA)32-36
2.4.1 快速二维PCA方法的基本原理32-34
2.4.2 实验环境34
2.4.3 实验34-36
2.4.4 快速二维PCA方法的优势36 2.5 本章小结36-37第三章 基于2DPCA的彩色人脸识别37-43 3.1 矩阵表示模型的基本原理37-38 3.2 特征提取38 3.3 分类识别38-39 3.4 实验及其结果与分析39-42
3.4.1 人脸数据库39-40
3.4.2 实验结果与分析40-42 3.5 本章小结42-43第四章 小空间占用的快速彩色人脸图像识别43-50 4.1 算法原理43-45 4.2 实验及其结果与分析45-49
4.2.1 最近邻分类器45
4.2.2 实验结果45-48
4.2.3 实验分析48-49 4.3 本章小结49-50第五章 基于对称非迭代双边2DPCA的人脸识别50-58 5.1 奇偶分解原理50-51 5.2 对称非迭代双边2DPCA(SNIB2DPCA)的算法原理51-52 5.3 人脸识别52-53 5.4 实验53-57
5.4.1 实验一53-54
5.4.2 实验二54-56
5.4.3 实验三56-57 5.5 本章小结57-58主要结论与展望58-60 主要结论58-59 展望59-60致谢60-61参考文献61-64附录：作者在攻读硕士学位期间发表的论文64
欢迎：、、)
支持CAJ、PDF文件格式
【参考文献】
中国期刊全文数据库
邹志煌;孙鑫;程武山;;[J];电视技术;2008年01期
王伟;张佑生;方芳;;[J];合肥工业大学学报(自然科学版);2006年02期
李耀东;崔霞;肖柏华;戴汝为;;[J];计算机科学;2002年12期
刘艳丽,赵跃龙;[J];计算机工程;2005年03期
周激流,张晔;[J];计算机辅助设计与图形学学报;1999年02期
杨琼,丁晓青;[J];计算机学报;2003年09期
王伟;张明;;[J];计算机应用;2009年12期
肖冰,王映辉;[J];计算机应用研究;2005年08期
温福喜;刘宏伟;;[J];计算机应用研究;2007年08期
郑宇杰;杨静宇;吴小俊;於东军;;[J];模式识别与人工智能;2006年01期
中国博士学位论文全文数据库
苏宏涛;[D];西北工业大学;2004年
【共引文献】
中国期刊全文数据库
王全凤;郑浩;;[J];四川建筑科学研究;2010年05期
刘长华;;[J];安徽电气工程职业技术学院学报;2008年03期
李电;;[J];安防科技;2007年12期
张根耀,李竹林,赵宗涛;[J];安徽大学学报(自然科学版);2003年03期
陈弋兰;王鸣;孙书诚;;[J];安徽工程科技学院学报(自然科学版);2008年04期
王建文;杨川;;[J];安徽农业科学;2007年16期
张红涛;胡玉霞;张恒源;顾波;;[J];安徽农业科学;2008年27期
张昭;何东健;;[J];安徽农业科学;2010年26期
汪洁;朱军;;[J];安徽农业大学学报;2011年02期
苏科;陈志彬;;[J];辽宁科技大学学报;2010年05期
中国重要会议论文全文数据库
刘志斌;金连文;;[A];第二十六届中国控制会议论文集[C];2007年
张彬;金连文;;[A];第二十六届中国控制会议论文集[C];2007年
吕蓬;柳亦兵;马强;魏于凡;;[A];第二十六届中国控制会议论文集[C];2007年
梁禹;王义刚;王娜;;[A];第二十六届中国控制会议论文集[C];2007年
刘华;张建华;王娆芬;王行愚;;[A];第二十九届中国控制会议论文集[C];2010年
晋朝勃;胡刚强;史广智;李玉阳;;[A];中国声学学会水声学分会2011年全国水声学学术会议论文集[C];2011年
尹雪娇;;[A];创新沈阳文集（A）[C];2009年
江萍;;[A];'2003系统仿真技术及其应用学术交流会论文集[C];2003年
王刚;邬晓钧;郑方;王琳琳;张陈昊;;[A];第十一届全国人机语音通讯学术会议论文集（二）[C];2011年
冯辅周;郭恒毅;江鹏程;;[A];第九届全国振动理论及应用学术会议论文集[C];2007年
中国博士学位论文全文数据库
陆满君;[D];哈尔滨工程大学;2010年
梁洪;[D];哈尔滨工程大学;2010年
任桢;[D];哈尔滨工程大学;2010年
殷志伟;[D];哈尔滨工程大学;2009年
孔凡芝;[D];哈尔滨工程大学;2009年
乔小燕;[D];中国海洋大学;2010年
陈志国;[D];江南大学;2010年
王晓明;[D];江南大学;2010年
徐红林;[D];江南大学;2010年
傅军;[D];浙江大学;2010年
中国硕士学位论文全文数据库
杜二玲;[D];河北大学;2007年
朱杰;[D];河北大学;2007年
廖甜甜;[D];南昌航空大学;2010年
黄正荣;[D];南昌航空大学;2010年
刘棉;[D];山东科技大学;2010年
刘桂珍;[D];山东科技大学;2010年
张海峰;[D];山东科技大学;2010年
田文娟;[D];山东科技大学;2010年
王亚东;[D];山东科技大学;2010年
陈楠楠;[D];山东科技大学;2010年
【二级参考文献】
中国期刊全文数据库
尹星云,王洵,董兰芳,万寿红;[J];电子科技大学学报;2003年06期
李伟红;陈伟民;龚卫国;;[J];电子测量与仪器学报;2006年02期
杨奕若,王煦法;[J];电子技术应用;1998年03期
周杰,卢春雨,张长水,李衍达;[J];电子学报;2000年04期
李光鑫;王珂;;[J];电子学报;2007年01期
王守觉;孙华;莫华毅;;[J];电子学报;2007年02期
周杰,卢春雨,张长水,李衍达;[J];电子学报;1999年08期
丁佩律,梅剑锋,张立明,康学雷;[J];红外与毫米波学报;2001年05期
凌旭峰,杨杰,杨勇;[J];红外与激光工程;1999年04期
张俊,何昕,李介谷;[J];红外与激光工程;1999年04期
中国博士学位论文全文数据库
赵明华;[D];四川大学;2006年
【相似文献】
中国期刊全文数据库
张宁;;[J];山西电子技术;2009年02期
谢永林;;[J];计算机与现代化;2009年06期
黄贤武,仲兴荣,王加俊;[J];计算机应用;2003年06期
杨颖娴;;[J];福建电脑;2009年05期
张翔;周明全;耿国华;王晓凤;;[J];计算机应用与软件;2008年08期
刘耀庭;丁万山;;[J];电子科技;2010年07期
于成龙;;[J];计算机技术与发展;2011年04期
朱超平;;[J];重庆工商大学学报(自然科学版);2011年04期
李全彬;黄昶;;[J];现代电子技术;2009年01期
赵金洪;王立娜;;[J];科技广场;2011年01期
中国重要会议论文全文数据库
谢志华;李丰;伍世虔;杨巨成;方志军;;[A];第十五届全国图象图形学学术会议论文集[C];2010年
高庆华;李建华;侯建党;;[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年
张明慧;张尧禹;;[A];第八届全国信息获取与处理学术会议论文集[C];2010年
陈皓;;[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年
李丹;郭小华;刘正熙;;[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年
邹垚;张超;;[A];中国通信学会通信建设工程技术委员会2010年年会论文集[C];2010年
熊薇薇;梁巍;李莉;黄梅志;;[A];中国计量协会冶金分会2011年会论文集[C];2011年
苗振伟;许勇;杨军;;[A];中国声学学会2007年青年学术会议论文集（上）[C];2007年
杨飞;苏剑波;戴景文;;[A];第二十七届中国控制会议论文集[C];2008年
万卫兵;施鹏飞;;[A];信号与信息处理技术——第一届信号与信息处理联合学术会议论文集[C];2002年
中国重要报纸全文数据库
本版编辑?曾雨
康翔;[N];计算机世界;2007年
孟东明　张继进;[N];中国工商报;2009年
本报记者　 魏建玲;[N];国际商报;2006年
程蓉 王春;[N];科技日报;2006年
高鹏;[N];中国知识产权报;2006年
姜靖;[N];科技日报;2007年
阐文;[N];中国工业报;2009年
霍光;[N];中国计算机报;2011年
于建平;[N];中国高新技术产业导报;2005年
卢旭成;[N];中国计算机报;2008年
中国博士学位论文全文数据库
郭志强;[D];武汉理工大学;2010年
唐恒亮;[D];北京工业大学;2011年
苏煜;[D];哈尔滨工业大学;2009年
陈勇;[D];浙江工业大学;2010年
李全彬;[D];华东师范大学;2011年
王建中;[D];东北师范大学;2010年
陈恒鑫;[D];重庆大学;2010年
赵武锋;[D];浙江大学;2009年
胡峰松;[D];湖南大学;2010年
笪邦友;[D];华中科技大学;2010年
中国硕士学位论文全文数据库
贾莹;[D];东北石油大学;2010年
张科;[D];武汉纺织大学;2010年
李建华;[D];太原科技大学;2010年
刘超;[D];太原理工大学;2011年
王敏;[D];武汉理工大学;2006年
谢永林;[D];复旦大学;2008年
张春晓;[D];山东大学;2010年
张文明;[D];江南大学;2011年
王宏玉;[D];华东师范大学;2009年
刘学平;[D];沈阳航空工业学院;2010年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备74号}