导读:本文包含了多姿态论文开题报告文献综述、选题提纲参考文献，主要关键词:多姿,神经网络,卷积,特征,弹丸,飞行器,网络。
多姿态论文文献综述写法
赵琳娜,吴时雨,张加波,冯伟,曾婷[1]（2019）在《基于多姿态使用、多工位集成的智能装备研究》一文中研究指出针对某航天器产品总装、电测、内外场试验期间需要多姿态频繁拆装舱内设备的特点,设计了一种多姿态使用、多工位集成的智能装备。提出了采用特殊形状翻转架与自动化翻转架车集成的方式解决多工位融合的问题,减小了航天器产品对场地工位及移动的需求,提高了产品研制效率。翻转架车控制系统集成了角度编码器、电机编码器、电磁接触器等设备,能够实现转向可视、转速可调、转角数显等功能,且具备自锁及任意位置止停功能。给出了装备带载、空载翻转极限位置工况下受力情况及惯性矩情况分析,结果表明,该装备具有足够的强度和刚度来满足航天器对集成精度的需求。该装备已投入使用并取得了良好效果。(本文来源于《航天制造技术》期刊2019年05期）
朱莉娜,汶少阳,李忠林[2]（2019）在《近炸多姿态弹目对抗下目标毁伤建模研究》一文中研究指出为了有效分析智能弹药武器对目标的近炸毁伤效能,提出基于有限元的目标易损性分析方法,研究弹目博弈对抗下目标毁伤建模计算方法。按照目标的易损性分布与位置参数,获取对抗条件下破片与目标易损舱段的位置关系。采用有限微元法建立多姿态弹丸近炸破片分布与目标毁伤关联计算函数,并构建破片群位置参数与目标毁伤关联模型。结合破片体积与毁伤目标易损分段特性,推导出多姿态对抗下目标毁伤概率计算函数。通过计算与分析,破片群中破片总数越多,毁伤效能越大。目标俯仰角度当大于32°且小于90°时,随着俯仰角的增加目标的毁伤效能变大。(本文来源于《国外电子测量技术》期刊2019年10期）
赵志伟,倪桂强[3]（2019）在《非限定条件下无约束的多姿态人脸关键特征自动识别算法》一文中研究指出多姿态人脸关键特征的自动识别,对处理人脸数据库中的图像具有重要意义。为了保证人脸关键特征被准确识别,需要对人脸关键特征进行提取。传统算法对多姿态人脸关键特征进行自动识别时有效性差、识别率低、效率低。为此,文中提出了一种基于向量机的多姿态人脸关键特征自动识别算法,利用相机的焦距将人脸关键特征图像的叁维坐标表示出来,计算出多姿态人脸关键特征的叁维信息。利用滤波器处理多姿态人脸的关键特征并对其进行提取,最后根据向量机的权值,对人脸关键特征的目标函数和特征中的噪声进行分析,计算人脸自动识别的条件概率和迭代次数,实现非限定条件下无约束多姿态人脸关键特征的自动识别。实验结果表明,所提算法能够对多姿态人脸关键特征进行自动识别,并且具有较高的识别率。(本文来源于《计算机科学》期刊2019年09期）
陆兴华,王凌丰,曾世豪,陈家坚[4]（2019）在《基于神经网络学习的多姿态人脸图像识别算法》一文中研究指出在移动式拍摄环境下进行人脸识别受到抖动以及环境等因素的影响,导致人脸识别的准确性不好。因此,文中提出一种基于人工神经网络学习的多姿态人脸图像识别算法。将空间邻域信息融入到多姿态人脸图像的幅度检测中,提取多姿态人脸图像的动态角点特征,把多姿态人脸图像结构纹理信息类比为一个全局运动RGB叁维位平面随机场,进行多姿态人脸图像的亮点检测和信息融合。在不同的尺度下选用合适的特征配准函数来描述多姿态人脸图像的特征点,进行多姿态人脸图像的目标像素视差分析和关键特征检测,结合人工神经网络学习和特征配准方法实现图像稳像处理和自动识别。仿真结果表明,采用该方法进行多姿态人脸图像识别的特征点配准性能较好,识别精度较高。(本文来源于《计算机技术与发展》期刊2019年11期）
毕明悦[5]（2019）在《自然场景下多姿态人脸表情识别》一文中研究指出随着人工智能时代的到来,人脸表情识别成为一个非常热门的研究课题,它可应用于人机交互、助老助残、心理治疗、智能监控等领域。但目前的人脸表情识别研究大部分局限于理想状态下,并不能应用于客观环境较复杂的情况,特别是多姿态、自然场景这两种情况。因此,针对多姿态及自然状态下的人脸表情识别,提出了高描述性、强鲁棒性的人脸表情识别算法,这对于人机交互来说具有重大意义。鉴于此,本文开展了对中层特征与底层特征相结合、卷积神经网络(Convolutional Neural Networks,CNN)与极限学习机(Extreme Learning Machine,ELM)相结合的深入研究,然后提出了基于PHOG-LLC的特征提取算法和基于CNN-ELM的网络结构,并将其应用到了人脸表情识别方向。本文的主要工作如下:首先,从基于传统方法的人脸表情识别、基于深度学习的人脸表情识别和公开的人脸表情数据库叁个方面介绍了人脸表情识别技术的研究现状,并且阐述了人脸表情识别研究所面临的难题。其次,针对多姿态问题,本文提出了一种基于PHOG-LLC特征提取的人脸表情识别算法。此算法结合了中层特征和底层特征、全局区域和局部区域,并在SDUMFE和Multi-PIE两个数据库分别进行了实验,验证了此特征的高描述性和强鲁棒性。然后,创建了扩充版山东大学多角度表情(SDUMFE+)数据库,表情类别有七类:生气、高兴、悲伤、惊讶、厌恶、恐惧,以及俯仰角和航向角两个自由度上的二十一种姿态。最后,针对自然场景下多姿态、光照、遮挡等问题,本文提出了基于CNN-ELM网络结构的人脸表情识别算法,该模型将CNN与ELM分类器进行了有效结合,并在SDUMFE+、Multi-PIE和RAF-DB叁个数据库分别与现有的主流深度网络结构进行了识别性能的对比,证明了该方法更加有效。(本文来源于《山东大学》期刊2019-05-19）
傅云翔[6]（2019）在《面向多姿态车辆的型号识别方法研究》一文中研究指出在目前国内机动车保有量不断增加的现实环境下,交通管理部门的工作面临着极大的压力与挑战,而对车辆型号的识别是相关工作中极为重要的任务。研究过程中发现车辆种类繁多,部分车型区分度小,而实际拍摄图像中的车辆姿态又各不相同,车型的精细识别难度大大提高。本文面向多姿态车辆的识别问题,采用深度学习方法进行车型识别研究,从不同的研究角度提出了两种车辆型号精细识别方法:基于FR-ResNet的车辆型号精细识别方法和基于视觉注意力模型的车型精细识别算法。在多个多姿态车辆数据集上进行实验,实验结果表明两种方法均能提高多姿态车辆型号的识别效果。本文的主要工作如下:(1)对深度学习卷积神经网络的一些经典模型进行介绍,尤其是残差网络模型ResNet,并对经典残差网络进行了改进;对目前常用的可用于车辆型号精细分类的数据集进行介绍。(2)提出了一种车型精细识别网络模型FR-ResNet:以改进的残差网络结构为基础,通过多尺度输入、低层特征在高层中重用和特征图权重学习策略来实现对残差网络特征的重用。FR-ResNet是一种基于残差网络特征重用的深度卷积神经网络模型,该模型在两个多姿态车辆数据集上都取得了很高的识别精度。(3)提出了一种基于视觉注意力模型的多姿态车型精细识别算法CAM:以卷积神经网络为主体,结合局部双线性加权结构,基于注意力机制利用LSTM对全局卷积特征图组重编码;在网络高层部分嵌入卷积LSTM结构来学习到高层特征空间关系。将该算法加入多种经典卷积神经网络模型中,在数据集上与原网络模型进行对比实验,均能带来一些效果的提升。(本文来源于《合肥工业大学》期刊2019-05-01）
华兆敏[7]（2019）在《适应多姿态的仿生扑翼飞行器动态设计与优化》一文中研究指出仿生扑翼飞行器是一种跨多个学科综合设计的新概念飞行器,具有质量轻、飞行灵活、稳定性好等特点。同时扑翼飞行器在民用和国防领域中,都有广阔的应用前景。因此促进扑翼飞行器的发展,具有非常重要的意义。在扑翼飞行器中,最为重要的是翅翼的外形与扑翼驱动机构设计。论文针对现有的多自由度扑翼机构结构单一、驱动原动件多、在仿生方面表现不够良好等缺点,提出了一种仿生叁段式扑翼模型,并设计了一种能够同时实现扑动、二次折迭运动的多连杆扑翼机构。本文主要研究内容包括以下几个部分:首先,在对鸟类进行仿生学研究的基础上,从身体构造、飞行方式、翅翼的运动方式等方面阐述了鸟类飞行的翅翼运动特征及高升力机理。据此设计了仿生扑翼飞行机构的方案,提出飞行性能更优的仿生叁段式扑翼模型,设计了能实现扑动、二次折迭运动的多连杆扑翼机构,并对多连杆机构进行了运动学和动力学分析。其次,参照鸟类外形尺寸构建仿生叁段式扑翼模型,建立能够实现“扑动-俯仰-二次折迭”的仿生叁段式多自由度运动模型,在此基础上,利用仿真软件在低雷诺数非定常流场情况下对仿生叁段式扑翼飞行器进行叁维数值仿真模拟,进行气动力特性分析。从流场云图的角度对扑翼流场进行分析,分别从展向压力云图、展向速度云图、全身等涡图,机身静压云图等方面分析扑动过程中扑翼周围流场的影响,并同时分析机身仰角、扑动频率、来流速度、最大扑动角、第一折迭角和第二折迭角对流场升力和推力系数的影响,并对这些规律进行了理论解释。最后,在爬升、巡航、俯冲叁种典型飞行姿态下对扑翼模型进行了多目标优化,求出在不同姿态下的气动力参数的理论最优解;将理论最优解代入叁维数值仿真模拟计算对应的仿真参数,验证最优解计算的可靠性。仿生叁段式扑翼机构的设计及其运动学和气动力特性分析,对于适应多种飞行姿态,提升飞行器的总体性能,具有重要的理论和实际意义。(本文来源于《武汉科技大学》期刊2019-05-01）
徐海月,姚乃明,彭晓兰,陈辉,王宏安[8]（2019）在《基于编解码网络的多姿态人脸图像正面化方法》一文中研究指出多姿态人脸图像正面化可以缓解头部姿态变化对人脸分析任务的影响.以往直接从多姿态人脸图像合成正面人脸图像的方法存在细节特征缺失的问题.针对这一问题,本文提出一种基于编解码网络的多姿态人脸图像正面化方法——多任务卷积编解码网络(MCEDN).该方法引入正面基础特征网络合成正面人脸基础特征,并在此基础上融合编码网络提取的多姿态人脸局部特征进行细节补偿,最终合成更加清晰的正面人脸图像.利用多任务学习机制建立端到端模型,统一局部特征提取、正面基础特征解析、正面图像合成3个模块,通过共享参数提升整个模型的效果.与已有方法对比, MCEDN在多个数据集上都可以合成结构稳定、细节清晰的正面人脸图像.我们直接使用合成的正面人脸图像进行人脸识别和表情识别,识别准确率达到先进水平,这表明MCEDN可以有效保留人脸细节特征,支持人脸分析任务.(本文来源于《中国科学:信息科学》期刊2019年04期）
黄波[9]（2019）在《基于深度学习的平面内多姿态人脸检测算法研究及其应用》一文中研究指出人脸检测作为计算机视觉的一个重要分支正受到越来越多的关注。当头部姿态的幅度变化较大时,人脸的外观、轮廓等特征差异较大,从而导致人脸检测的准确率下降。因此,本文致力于研究平面内多姿态条件下的人脸检测算法,并将其应用在多姿态人脸识别身份验证系统中。本文主要研究内容如下:(1)平面内多姿态人脸检测算法。针对在平面内多姿态条件下人脸检测准确率下降的问题,本文设计了一个对平面内人脸旋转鲁棒的RIN(Rotation Invariant Network)算法。该算法以叁级卷积神经网络级联为基础架构,为了使网络整体对平面内人脸旋转具有鲁棒性,本文在前两级网络中加入朝向估计任务并用全局平均池化层取代相应全连接层,同时为了解决浅层网络无法充分利用目标特征的问题,本文将密集连接引入特征提取层,充分融合低层眼睛、鼻子等轮廓信息和高层人脸空间结构及朝向等语义信息,提升网络在平面内多姿态人脸条件下的检测准确率。(2)多姿态人脸识别身份验证系统的设计与实现。为了实现在叁维空间中具有较好识别效果的人脸识别身份验证系统,本文将RIN算法应用于该系统的人脸检测模块,以FaceNet作为人脸特征提取模块。利用RIN算法得出的人脸矩形框和关键点信息,进行人脸对齐得到竖直方向人脸,消除平面内变化的人脸对人脸验证的影响。针对竖直方向人脸在转动角和平动角变化的情形,本文用实验论证了FaceNet在这两种情形下进行人脸验证的有效性,并得出了多姿态人脸识别身份验证系统的合适阈值。本文针对该系统设计了相应的界面,可将人脸检测及其验证的结果进行可视化显示。为验证本文提出的RIN算法,本文先将FDDB数据集扩充成四类朝向的数据集,分别为原始数据集(FDDB-up)、FDDB-right数据集(将FDDB-up顺时针旋转90°)、FDDB-down数据集(将FDDB-up顺时针旋转180°)、FDDB-left数据集(将FDDB-up顺时针旋转270°)。实验表明,出现100个误检时,RIN算法在FDDB-up数据集的召回率为88.0%,在FDDB-right数据集的召回率为87.3%,在FDDB-down数据集的召回率为87.6%,在FDDB-left数据集的召回率为87.4%。CPU上检测速度为25FPS,GPU上检测速度为41FPS。将本文提出的RIN算法应用到人脸识别身份验证系统中进行测试,可以很明显地发现当人脸在平面内旋转角度较大时,系统能够进行很好的识别。(本文来源于《华南理工大学》期刊2019-04-12）
肖芳[10]（2019）在《基于深度学习的多姿态人脸识别算法研究》一文中研究指出近年来随着计算机技术地蓬勃发展和互联网技术的落地应用,人脸识别技术在签到考勤、智能监控、身份验证以及刷脸支付方面有着广泛的应用。随着深度学习的提出,其识别率也取得了较好的成果。然而在非限制的场景下,由于姿态、光照、视角、表情、遮挡等不可控的因素使其识别性能较差。其中,姿态变化是最重要的因素之一也是目前研究的重难点。本文针对人脸识别中的姿态变化问题进行研究,从姿态变换的角度出发,提出将多姿态虚拟人脸的生成和姿态估计融合进多姿态人脸识别算法中。本文的主要研究工作如下:(1)从姿态校正和变换两个角度详细地介绍其基本思想原理,并针对各自的优缺点进行比较总结,指出通过姿态变换得到虚拟样本在多姿态的人脸识别问题中能有更好的识别效果。(2)对虚拟样本的生成进行研究,提出基于VAE/ACGAN的多姿态虚拟视图算法。借助VAE/GAN的思想,利用ACGAN的辅助条件标签生成式对抗网络和变分自编码器VAE的结合,通过该模型结构生成多姿态的虚拟样本,增加训练样本,从而提高识别率。(3)针对姿态估计问题进行研究,通过分析现有方法的优缺点,从脸部关键点的几何关系出发,提出基于MTCNN关键点检测的姿态估计方法。首先利用MTCNN检测人脸关键点,再基于关键点的几何关系求出人脸的偏转角度实现姿态估计。本文所提出的算法,首先利用VAE/ACGAN网络模型将正面人脸库中的所有人脸生成对应的多姿态虚拟样本,构建新的训练样本库。在进行识别的时候,先对待识别对象进行姿态估计,再利用FaceNet网络对同一姿态下的人脸进行特征提取从而实现人脸识别。最后在MultiPIE和CelebA数据集进行对比实验,验证本算法的平均人脸识别准确率为87.98%并对姿态变化的鲁棒性均有较好的效果。(本文来源于《电子科技大学》期刊2019-04-01）
多姿态论文开题报告范文
（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：
为了有效分析智能弹药武器对目标的近炸毁伤效能,提出基于有限元的目标易损性分析方法,研究弹目博弈对抗下目标毁伤建模计算方法。按照目标的易损性分布与位置参数,获取对抗条件下破片与目标易损舱段的位置关系。采用有限微元法建立多姿态弹丸近炸破片分布与目标毁伤关联计算函数,并构建破片群位置参数与目标毁伤关联模型。结合破片体积与毁伤目标易损分段特性,推导出多姿态对抗下目标毁伤概率计算函数。通过计算与分析,破片群中破片总数越多,毁伤效能越大。目标俯仰角度当大于32°且小于90°时,随着俯仰角的增加目标的毁伤效能变大。
（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。
多姿态论文参考文献
[1].赵琳娜,吴时雨,张加波,冯伟,曾婷.基于多姿态使用、多工位集成的智能装备研究[J].航天制造技术.2019
[2].朱莉娜,汶少阳,李忠林.近炸多姿态弹目对抗下目标毁伤建模研究[J].国外电子测量技术.2019
[3].赵志伟,倪桂强.非限定条件下无约束的多姿态人脸关键特征自动识别算法[J].计算机科学.2019
[4].陆兴华,王凌丰,曾世豪,陈家坚.基于神经网络学习的多姿态人脸图像识别算法[J].计算机技术与发展.2019
[5].毕明悦.自然场景下多姿态人脸表情识别[D].山东大学.2019
[6].傅云翔.面向多姿态车辆的型号识别方法研究[D].合肥工业大学.2019
[7].华兆敏.适应多姿态的仿生扑翼飞行器动态设计与优化[D].武汉科技大学.2019
[8].徐海月,姚乃明,彭晓兰,陈辉,王宏安.基于编解码网络的多姿态人脸图像正面化方法[J].中国科学:信息科学.2019
[9].黄波.基于深度学习的平面内多姿态人脸检测算法研究及其应用[D].华南理工大学.2019
[10].肖芳.基于深度学习的多姿态人脸识别算法研究[D].电子科技大学.2019