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
摘 要本文详细介绍了多变量预测控制算法及其在环境试验设备控制中的应用。由于环境试验设备的温度和湿度控制系统具有较大的时间滞后，而且系统间存在比较严重的耦合现象，用常规的PID控制不能取得满意的控制效果。针对这种系统，本文采用了多变量预测控制算法对其进行了控制仿真。预测控制算法是一种基于系统输入输出描述的控制算法，其三项基本原理是预测模型、滚动优化、反馈校正。它选择单位阶跃响应作为它的“预测模型”。这种算法除了能简化建模过程外，还可以通过选择合适的设计参数，获得较好的控制效果和解耦效果。本文先对环境试验设备作了简介，对控制中存在的问题进行了说明；而后对多变量预测控制算法进行了详细的推导，包括多变量自衡系统预测制算法和多变量非自衡系统预测控制算法；然后给出了系统的建模过程及相应的系统模型，在此基础上采用多变量预测控制算法对环境试验设备进行了控制仿真，并对仿真效果进行了比较。仿真结果表明，对于和环境试验设备的温度湿度控制系统具有类似特性的多变量系统，应用多变量预测控制算法进行控制能够取得比常规PID控制更加令人满意的效果。关键词：多变量系统；预测控制；环境试验设备【中文摘要共100—300个字，关键词3—7个词中文摘要和关键词占一页】【英文全部用Times New Roman字体】Abstract 【三号字体，加粗，居中上下空一行】【正文小四号字体，行距为固定值20磅】In this paper, multivariable predictive control algorithm and its application to the control of the environmental test device are introduced particularly. The temperature and humidity control system of the environmental test device is characterized as long time delay and severe coupling. Therefore, the routine PID control effect is unsatisfactory. In this case, the simulation of the temperature and humidity control of the environmental test device based on multivariable predictive control algorithm is control algorithm is one of control algorithm based on description of system’s input-output. Its three basic principles are predictive model, rolling optimization and feedback correction. It chooses unit step response as its predictive model, so that the modeling process is simplified. In addition, good control and decoupling effects could be possessed by means of selection suitable this paper, the environmental test device is introduced briefly and the existing problems are showed. Then multivariable predictive control algorithm is presented particularly, including multivariable auto-balance system predictive control algorithm and multivariable auto-unbalance system predictive control algorithm. Next, system modeling process and corresponding system model are proposed. Further, the multivariable predictive control algorithm is applied to the temperature and humidity control system of the environmental test device. Finally, the simulation results are of the simulation show that multivariable predictive control algorithm could be used in those multivariable system like the temperature and humidity control system of the environmental test device and the control result would be more satisfactory than that of the routine PID : Multivariable system； Predictive control； Environmental test device【英文摘要和关键词应该是中文摘要和关键词的翻译英文摘要和关键词占一页】【目录范例，word自动生成】目 录第一章 绪 论 引言 数字图像技术的应用与发展 问题的提出 论文各章节的安排 4第二章 数字图像处理方法与研究 灰度直方图 定义 直方图的性质和用途 几何变换 空间变换 灰度级插值 几何运算的应用 空间滤波增强 空间滤波原理 拉普拉斯算子 中值滤波 图像分割处理 直方图门限化的二值分割 直方图的最佳门限分割 区域生长 16第三章 图像处理软件设计 图像处理软件开发工具的选择 BMP图像格式的结构 软件开发工具的选择 EAN-13码简介 EAN-13条码的结构 条码的编码方法 系统界面设计 22第四章 条码图像测试 条码图像处理的主要方法 条码图像测试结果 25第五章 总结与展望 28参考文献 29当先验概率相等，即 时，则（）恰为二者均值。以上分析可知，只要 和 已知以及 和 为正态，容易计算其最佳门限值T。实际密度函数的参数常用拟合法来求出 参数的估值。如最小均方误差拟合估计来会计 参量，并使拟合的均方误差为最小。例如，设想理想分布的密度为正态 ，实际图像直方图为 ，用离散方式其拟合误差为（）式中N为直方图横坐标。通常这种拟合求密度函数的几个参数很难解，只能用计算机求数值解，但若 为正态分布时只需求均值和标准差二参数即可。 区域生长区域生长是一种典型的串行区域分割技术，在人工智能领域的计算机视觉研究中是一种非常重要的图像分割方法，其主要思想是将事先选中的种子点周围符合某种相似性判断的像素点集合起来以构成区域。在具体处理时，是从把一幅图像分成许多小区域开始的，这些初始小区域一般是小的邻域，甚至是单个的像素点。然后通过定义适当的区域内部隶属规则而对周围像素进行检验，对于那些符合前述隶属规则的像素点就将其合并在内，否则将其据弃，经过若干次迭代最终可形成待分割的区域。在此提到的“内部隶属规则”可根据图像的灰度特性、纹理特性以及颜色特性等多种因素来作出决断。从这段文字可以看出，区域生长成功与否的关键在于选择合适的内部隶属规则(生长准则)。对于基于图像灰度特性的生长准则，可以用下面的流程对其区域生长过程进行表述，如图所示。图 2. 6 区域生长流程图第三章 图像处理软件设计 图像处理软件开发工具的选择 BMP图像格式的结构数字图像存储的格式有很多种，如BMP、GIF、JPEG、TIFF等，数字图像处理中最常用的当属BMP，本课题采集到的图片也是用BMP格式存储的，要对这种格式的图片进行处理，那么首先就要了解它的文件结构。（1）BMP文件格式简介BMP(Bitmap-File)图形文件是Windows采用的图形文件格式在Windows环境下运行的所有图象处理软件都支持BMP图像文件格式。Windows系统内部各图像绘制操作都是以BMP为基础的。Windows 以前的BMP位图文件格式与显示设备有关，因此把这种BMP图像文件格式称为设备相关位图DDB(device-dependent bitmap)文件格式。Windows 以后的BMP图像文件与显示设备无关，因此把这种BMP图像文件格式称为设备无关位图DIB(device-independent bitmap)格式，目的是为了让Windows能够在任何类型的显示设备上显示所存储的图像。BMP位图文件默认的文件扩展名是BMP或者bmp（有时它也会以.DIB或.RLE作扩展名）。（2）BMP文件构成BMP文件由位图文件头(bitmap-file header)、位图信息头(bitmap-information header)、颜色信息(color table)和图形数据四部分组成。它具有如表所示的形式。表 3. 1 BMP位图结构位图文件的组成 结构名称 符号位图文件头(bitmap-file header) BITMAPFILEHEADER bmfh位图信息头(bitmap-information header) BITMAPINFOHEADER bmih颜色信息(color table) RGBQUAD aColors[]图形数据 BYTE aBitmapBits[] 软件开发工具的选择（1）Win32 APIMicrosoft Win32 API(Application Programming Interface)是Windows的应用编程接口，包括窗口信息、窗口管理函数、图形设备接口函数、系统服务函数、应用程序资源等。Win32 API是Microsoft 32位Windows操作系统的基础，所有32位Windows应用程序都运行在Win32 API之上，其功能是由系统的动态链接库提供的。（2）Visual C++Visual C++是Microsoft公司出品的可视化编程产品，具有面向对象开发，与Windows API紧密结合以及丰富的技术资源和强大的辅助工具。Visual C++自诞生以来，一直是Windows环境下最主要的应用开发系统之一，Visual C++不仅是C++语言的集成开发环境，而且与Win32紧密相连，所以利用Visual C++可以完成各种各样的应用程序的开发，从底层软件直到上层直接面向用户的软件。Visual C++是一个很好的可视化编程环境，它界面友好，便于程序员操作。Visual C++可以充分利用MFC的优势。在MFC中具有许多的基本库类，特别是MFC中的一些，利用它们可以编写出各种各样的Windows应用程序，并可节省大量重复性的工作时间，缩短应用程序的开发周期。使用MFC的基本类库，在开发应用程序时会起到事半功倍的效果。Visual C++具有以下这些特点：简单性：Visual C++中提供了MFC类库、ATL模板类以及AppWizard、ClassWizard等一系列的Wizard工具用于帮助用户快速的建立自己的应用程序，大大简化了应用程序的设计。使用这些技术，可以使开发者编写很少的代码或不需编写代码就可以开发一个Windows应用程序。灵活性：Visual C++提供的开发环境可以使开发者根据自己的需要设计应用程序的界面和功能，而且，Visual C++提供了丰富的类库和方法，可以使开发者根据自己的应用特点进行选择。可扩展性：Visual C++提供了OLE技术和ActiveX技术，这种技术可以增强应用程序的能力。使用OLE技术和ActiveX技术可以使开发者利用Visual C++中提供的各种组件、控件以及第三方开发者提供的组件来创建自己的程序，从而实现应用程序的组件化。使用这种技术可以使应用程序具有良好的可扩展性。（3）MFCMFC（Microsoft Foundation Class）是Microsoft公司用C++语言开发的一套基础类库。直接利用Win32 API进行编程是比较复杂的，且Win32 API不是面向对象的。MFC封装了Win32 API的大部分内容，并提供了一个应用程序框架用于简化和标准化Windows程序的设计。MFC是Visual C++的重要组成部分，并且以最理想的方式与其集成为一体。主要包括以下各部分：Win32 API的封装、应用程序框架、OLE支持、数据库支持、通用类等。 EAN-13码简介人们日常见到的印刷在商品包装上的条码，自本世纪70年代初期问世以来，很快得到了普及并广泛应用到工业、商业、国防、交通运输、金融、医疗卫生、邮电及办公室自动化等领域。条码按照不同的分类方法，不同的编码规则可以分成许多种，现在已知的世界上正在使用的条码就有250种之多。本章以EAN条码中的标准版EAN-13为例说明基于数字图像处理技术，对EAN条码图像识别的软件开发方法。EAN码是国际物品编码协会在全球推广应用的商品条码，是定长的纯数字型条码，它表示的字符集为数字0～9。由前缀码、厂商识别代码、商品项目代码和校验码组成。前缀码是国际EAN组织标识各会员组织的代码，我国为690～695；厂商识别代码是EAN会员组织在EAN前缀码的基础上分配给厂商的代码；商品项目代码由厂商自行编码；校验码上为了校验前面12位或7位代码的正确性。 EAN-13条码的结构EAN-13码是按照“模块组合法”进行编码的。它的符号结构由八大部分组成：左侧空白区、 起始符、左侧数据符、中间分隔符、右侧数据符、校验符、终止符及右侧空白区，见表。尺寸： × ；条码： ；起始符/分隔符/终止符： ；放大系数取值范围是～；间隔为。表 3. 2 EAN-13码结构左侧空白区 起始符 左侧数据符 中间间隔符 右侧数据符 校验符 终止符右侧空白区9个模块 3个模块 42个模块 5个模块 35个模块 7个模块 3个模块 9个模块EAN-13码所表示的代码由13位数字组成，其结构如下：结构一：X13X12X11X10X9X8X7X6X5X4X3X2X1其中：X13～X11为表示国家或地区代码的前缀码；X10～X7为制造厂商代码；X6～X2为商品的代码；X1为校验码。结构二：X13X12X11X10X9X8X7X6X5X4X3X2X1其中：X13～X11为表示国家或地区代码的前缀码；X10～X6为制造厂商代码；X5～X2为商品的代码；X1为校验码。在我国，当X13X12X11为690、691时其代码结构同结构一；当X13X12X11为692时其代码结构为同结构二。EAN条码的编码规则，见表：起始符：101；中间分隔符：01010；终止符：101。A、B、C中的“0”和“1”分别表示具有一个模块宽度的“空”和“条”。表 3. 3 EAN条码的编码规则数据符 左侧数据符 右侧数据符A B C0 0001101 0100111 11100101 0011001 0110011 11001102 0010011 0011011 11011003 011101 0100001 10000104 0100011 0011101 10111005 0110001 0111001 10011106 0101111 000101 10100007 0111011 0010001 10001008 0110111 0001001 10010009 0001011 0010111 条码的编码方法条码的编码方法是指条码中条空的编码规则以及二进制的逻辑表示的设置。众所周知，计算机设备只能识读二进制数据（数据只有“0”和“1”两种逻辑表示），条码符号作为一种为计算机信息处理而提供的光电扫描信息图形符号，也应满足计算机二进制的要求。条码的编码方法就是通过设计条码中条与空的排列组合来表示不同的二进制数据。一般来说，条码的编码有两种：模块组合和宽度调节法。模块组合法是指条码符号中，条与空是由标准宽度的模块组合而成。一个标准宽度的条表示二进制的“1”而一个标准的空模块表示二进制的“0”。商品条码模块的标准宽度是 ，它的一个字符由两个条和两个空构成，每一个条或空由1～4个标准宽度模块组成。宽度调节法是指条码中，条与空的宽窄设置不同，用宽单元表示二进制的“1” ，而用窄单元表示二进制的“0”，宽窄单元之比一般控制在2～3之间。 系统界面设计本文图像处理软件基本功能包括读取图像、保存图像、对图像进行处理等。图所示为本图像处理软件的界面。图 3. 1 软件主界面软件设计流程图如图所示。图 3. 2 程序设计流程图第四章 条码图像测试 条码图像处理的主要方法（1）256色位图转换成灰度图运用点处理中的灰度处理为实现数字图像的阈值变换提供前提条件。要将256色位图转变为灰度图，首先必须计算每种颜色对应的灰度值。灰度与RGB颜色的对应关系如下：Y= （）这样，按照上式我们可以方便地将256色调色板转换成为灰度调色板。由于灰度图调色板一般是按照灰度逐渐上升循序排列的，因此我们还必须将图像每个像素值（即调色板颜色的索引值）进行调整。实际编程中只要定义一个颜色值到灰度值的映射表bMap[256]（长为256的一维数组，保存256色调色板中各个颜色对应的灰度值），将每个像素值p（即原256色调色板中颜色索引值）替换成bMap[p]。（2）灰度的阈值变换利用点运算中的阈值变换理论将灰度图像变为二值图像，为图像分析做准备工作。灰度的阈值变换可以将一幅灰度图像转变为黑白二值图像。它的操作是先由用户指定一个阈值，如果图像中某像素的灰度值小于该阈值，则将该像素的灰度值设置为0，否则灰度值设置为255。（3）中值滤波运用变换域法中的空域滤波法对图像进行降噪处理。中值滤波是一种非线性的信号处理方法，与其对应的滤波器当然也是一种非线性的滤波器。中值滤波一般采用一个含有奇数个点的滑动窗口，将窗口中各点灰度值的中值来替代指定点（一般是窗口的中心点）的灰度值。对于奇数个元素，中值是指按大小排序后，中间的数值，对于偶数个元素，中值是指排序后中间两个元素灰度值的平均值。（4）垂直投影利用图像分析中的垂直投影法实现对二值图像的重建，为条码识别提供前提条件。垂直投影是利用投影法对黑白二值图像进行变换。变换后的图像中黑色线条的高度代表了该列上黑色点的个数。（5）几何运算几何运算可以改变图像中各物体之间的空间关系。几何运算的一个重要应用是消除摄像机导致的数字图像的几何畸变。当需要从数字图像中得到定量的空间测量数据时，几何校正被证明是十分重要的。另外，一些图像系统使用非矩形的像素坐标。在用普通的显示设备观察这些图像时，必须先对它们进行校直，也就是说，将其转换为矩形像素坐标。 条码图像测试结果本软件的处理对象为EAN-13码的256色BMP位图，应用数字图像处理技术中的灰度处理、阈值分割、空域滤波、区域生长、投影等方法，对有噪声的条码图像进行了相应处理，其结果如下：图4. 1 原始条码图 图4. 2 灰度窗口变换图4. 3 原条码直方图 图4. 4 灰度窗口变换直方图图4. 5灰度直方图规定化界面 图4. 6灰度直方图规定化直方图图4. 7 中值滤波的界面图4. 8 区域生长 图4. 9 阈值面积消除图4. 10 垂直投影从以上处理结果可以看出，对原始条码图像进行灰度变换、中值滤波、二值化以及小面积阈值消除后得到条码的投影图像，下一步就可以通过图像模式识别的方法将条码读取出来，该部分工作还有待进一步研究。第五章 总结与展望数字图像处理技术起源于20世纪20年代，当时由于受技术手段的限制，使图像处理技术发展缓慢。直到第三代计算机问世以后，数字图像处理才得到迅速的发展并得到普遍应用。今天，已经几乎不存在与数字图像处理无关的技术领域。本论文主要研究了数字图像处理的相关知识，然后通过Visual C++这一编程工具来实现图像处理算法；对文中所提到的各种算法都进行了处理，并得出结论。所做工作如下：（1）运用点处理法中的灰度处理为实现数字图像的阈值变换提供前提条件。（2）运用变换域法中的空域滤波法对图像进行降噪处理。（3）利用点运算中的阈值变换理论将灰度图像变为二值图像，为图像分析做准备工作。（4）利用图像分析中的垂直投影法实现对二值图像的重建，为条码识别提供前提条件。在论文的最后一章，给出了各种算法处理的结果。结果表明通过数字图像处理可以把有噪声的条码处理成无噪声的条码。数字图像处理技术的应用领域多种多样，不仅可以用在像本文的图像处理方面，还可以用于模式识别，还有机器视觉等方面。近年来在形态学和拓扑学基础上发展起来的图像处理方法，使图像处理的领域出现了新的局面，相信在未来图像处理的应用将会更加广泛。参考文献[1] 阮秋琦.数字图像处理学[M].北京:电子工业出版社，2001．[2] 黄贤武,王加俊,李家华.数字图像处理与压缩编码技术[M].成都:科技大学出版社，2000．[3] 容观澳.计算机图像处理[M].北京:清华大学出版社,2000.[4] 胡学钢.数据结构-算法设计指导[M].北京:清华大学出版社，1999.[5] 黄维通.Visual C++面向对象与可视化程序设计[M].北京:清华大学出版社，2001．[6] 夏良正.数字图像处理[M].南京:东南大学出版社，1999．[7] 费振原.条码技术及应用[M].上海:上海科学技术文献出版社，1992．[8] 李金哲.条形码自动识别技术[M].北京:国防工业出版社，1991．[9] 何斌.Visual C++数字图像处理[M].北京:人民邮电出版社，2001．[10] 李长江. C++使用手册[M].北京:电子工业出版社,1995．[11] 席庆，张春林. Visual C++ .实用编程技术[M].北京:中国水利水电出版社,1999．[12] 胡学钢.数据结构-算法设计指导[M].北京:清华大学出版社,1999．[13] Kenneth 著，朱志刚等译.数字图像处理[M]．北京:电子工业出版社，1998．[14] Davis. C++ [M].北京：清华大学出版社，1999．[15] Richard C++ 5 Power Toolkit[M].北京:机械工业出版社，1999．
哈哈 我也是大一的 支持哈 为什么要有作业呀
首先我要告诉你，其实好多同学看起来知道很多，其实也有很多都是蒙混过关的。毕业答辩虽然是一件很严肃的事情，但是要相信，功夫不怕有心人，以及临阵磨枪不快也光。
如果毕设不是自己写的，就按照上面的方法。
什么都不会，至少也要把毕业论文看2-3遍。你会发现，豁然开朗~~
祝lz毕业顺利
我也是应届毕业生 所以我的指导老师说最多问的问题是如下：1.你为什么想实现这个系统、2.你为什么用这个为实现这个系统的用的高级语言，数据库或某一个软件？3.某个功能怎么实现的？4.这个系统有什么开发前途？等等 一般最多问的就这些。
老师会在你的论文里面找一些问题问问，你首先要好好的把你定的论文读熟。这样一般都会过的。
答辩老师一般是从检验真伪、探测能力、弥补不足三个方面提出三个问题。(1)检验真伪题，就是围绕毕业论文的真实性拟题提问。它的目的是要检查论文是否是学员自己写的（2)探测水平题，这是指与毕业论文主要内容相关的，探测学员水平高低、基础知识是否扎实，掌握知识的广度深度如何来提出问题的题目，主要是论文中涉及到的基本概念，基本理论以及运用基本原理等方面的问题。(3)弥补不足题，这是指围绕毕业论文中存在的薄弱环节，如对论文中论述不清楚、不详细、不周全、不确切以及相互矛盾之处拟题提问，请作者在答辩中补充阐述或提出解释。
当然是中国知网了。
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
VNCHINA就非常的好，因为在这个论坛上，有非常多的知名的计算机专家发布的帖子，并且这些帖子都非常的都研究价值，能够让你学到很多。
网页链接
全渠道零售业务信息系统能力框架构建论文
在日常学习和工作中，大家或多或少都会接触过论文吧，借助论文可以有效训练我们运用理论和技能解决实际问题的的能力。一篇什么样的论文才能称为优秀论文呢？以下是我整理的全渠道零售业务信息系统能力框架构建论文，希望对大家有所帮助。
摘要：
在新零售发展境遇下，零售商全渠道管理势在必行，零售商应当同时整合线上与线下渠道资源，以增强顾客的跨渠道体验。实际上，信息技术是推动全渠道协同管理的基础，本文基于信息系统分析了全渠道能力框架，信息系统能力框架为零售决策者提供了全方位管理时应该考虑的能力领域的概述，有助于根据组织的个人情况制定，优先考虑和定制框架内的内部能力、外部能力与跨越能力，并可以作为推导各自实施路线图和全方位渠道措施的起点，从而构建有效决策。
关键词：
新零售；全渠道管理；全渠道融合；智能零售；
一、引言
2016年的“双11”网络购物节，阿里巴巴首次提出了“新零售”的概念，新零售意即以互联网大数据和智能硬件来重新构建零售产业的业态形式，在此之后，零售渠道的顾客触点增多，边界开始模糊，市场出现了诸多细分场景化的零售业态(杜睿云、蒋侃，2017)，比如友宝在地铁站创建了智能售货机，乘客通过智能手机扫描自动售货机的二维码下订单；AmazonGO的无人零售店通过机器视觉来识别顾客，并在顾客离开店铺时自动处理付款，而无需手动互动(Grewal等，2017)；拼多多将电商体验与社交活动结合在一起，产品可以由用户亲友帮助砍价，并且所有点击页面的用户都有机会获取邀请他人帮助自己砍价的机会。全渠道零售能为零售商和顾客提供各种好处，包括提高运营效率(Oh等，2012)、增加销售额(Cao和Li，2015)、改善顾客体验(Herhausen等，2015)、提高忠诚度(VanBaal，2014)和增强顾客信任(Cao和Li，2015)。
顾客们越来越期望随时随地使用零售，并为所有零售渠道和接触点提供一致体验(江欣，2017)，许多顾客同时交叉使用线上与线下渠道进行购物(马慧敏，2017)。例如，实体店内的顾客做出购买决定之前，经常使用智能手机收集额外信息，促使诸多零售商在店内提供免费wifi，而在网上购买产品的顾客往往期望能够在实体店中也能购买(施蕾，2014)。因此，零售商不仅试图在其渠道组合中添加新的数字渠道和接触点，而且还要将其全部整合到全渠道零售的无缝体验中。
毫无疑问，数字技术在零售业向全渠道零售转型中发挥了重要作用(王剑，2018)。随着信息技术的进一步发展，增强顾客与零售商之间的互动，Piotrowicz和Cuthbertson(2014)以及Gu和Tayi(2017)强调了信息系统在支持全渠道零售中的作用。目前研究尚未系统确定零售商必须开发哪些信息系统能力以在全渠道环境中取得成功，而本文提出全渠道零售业务信息系统能力框架，以期望对我国零售业全渠道转型提供一些可行性意见。
二、理论背景
(一)零售渠道的演进
在零售业初期，零售商将实体店作为单一分销渠道(齐永智、张梦霞，2015)。因此，顾客不得不进入实体店购物。随着时间的推移，零售商开始扩大渠道组合，并通过电话等其他渠道提供服务，直到近年来通过数字渠道，顾客可以通过不同渠道购买产品，例如B2C电子商务、O2O电子商务或社交营销解决方案。在大多数传统渠道中，零售商与消费者之间的沟通是单向的(Mohr和Nevin，1990)，而数字渠道促进了双向沟通。智能手机和平板电脑的出现也使零售商能够融入其顾客日常生活中(Rosemann，2014)。
随着互联网的普及和数字渠道的出现，零售业在过去二十年中发生了很大变化(Verhoef等，2015)。在过去二十年中，渠道主要被视为分销渠道，研究人员专注于确定每种产品类型分销渠道的适当组合(Black等，2002)。从更广泛的意义上讲，渠道充当分销渠道或沟通渠道，其可以被描述为零售商的联络点或与顾客互动的媒介(Neslin等，2006)。基于先前的研究，本文将渠道视为零售商与顾客之间的沟通渠道(Hosseini等，2015)。因此，渠道可以被分类为线下渠道(实体店)、在线渠道(在线商店)和直销渠道(实体或在线)(Verhoef等，2015)。而传统的在线渠道由于移动渠道和社交媒体等附加数字渠道的出现而大幅扩展(Verhoef等，2015)，可以分为能力性、社交性、社区性和企业性渠道(Straker等，2015)。
随着零售渠道的不断丰富，形成了丰富的渠道生态链，研究人员提出将重点放在全渠道管理上，这种方法试图以整体和综合的方式考虑所有渠道(Verhoef等，2015)。因此，全渠道管理可以定义为，对众多可用渠道和顾客接触点的协同管理，以使跨渠道的顾客体验和渠道绩效得到优化(Verhoef等，2015)。从顾客角度来看，如果产品可以在任何渠道购买，顾客也可以通过任何渠道使用同一优惠券(Beck和Rygl，2015)。从内部角度来看，如果顾客的定价和库存数据等数据在所有渠道上共享(Beck和Rygl，2015)，则说明渠道将被整合。
在过去文献中，对于更好地理解顾客的多渠道和全渠道购物行为进行了大量研究。例如，Venkatesan等(2007)分析了顾客多渠道购物行为的驱动因素。由于全渠道零售与创新数字渠道的'出现有关，Juaneda-Ayensa等(2016)通过检查接受和意图使用新技术来确定影响全渠道购物行为的因素。Gu和Tayi(2017)分析了顾客对零售商不同产品摆放策略的行为，即产品是专门销售还是跨渠道销售。此外，Gu和Tayi(2015)考察了零售商实施的不同退货政策对顾客行为的影响。
(二)能力框架
能力与企业的资源观(RBV)有关(Wade和Hulland，2004)。因此，组织拥有能够创造竞争优势和卓越长期绩效的资源(Hosseini等，2017)。当组织实施价值创造战略，而不是同时被任何现有的或潜在竞争对手实施时，组织就会获得竞争优势。而要做到这一点，资源配置必须是有价值的、稀缺的、不可模仿的并且不可替代的(Barney，1991)。资源分为资产和能力，资产是组织可以使用的任何有形或无形的东西(Helfat和Peteraf，2003)，而能力是使用资产创造、生产或向市场提供产品的可重复行动模式(Wade和Hull，2004)。与有形资产相比，能力提供了对组织内不可转移资源和流程的理解(Dreiling和Recker，2013)。因此，维持竞争优势的能力是不可避免的(Helfat和Peteraf，2003)。
能力被分为运营能力和动态能力(Dreiling和Recker，2013；Pavlou和ElSawy，2011)。运营能力专门用于组织经常性流程，即有助于日常生活(Winter，2003)；而动态能力有助于适应和重新配置动荡环境中的能力，即应对能力(Hosseini等，2017)。因此，动态能力被看作是随着时间的推移而发展的高阶能力(Koch，2010)。
通常情况下，能力是通过能力框架构建的(Forstner等，2014)，具有相似特征的能力可以归入能力领域(Hosseini等，2017)。研究人员为业务流程管理(Rosemann和VomBrocke，2015)、创新管理(Hosseini等，2017)以及跨文化管理(Ang和Inkpen，2008)提供了不同领域的能力框架。例如，Rosemann和VomBrocke(2015)提供了一个框架，该框架沿着六个要素(即战略一致性、治理、方法、IT、人员和文化)构建了业务流程管理能力。在创新管理中，Dreiling和Recker(2013)提出了一个区分组织、个人、技术和流程能力的框架。
信息系统能力是信息系统研究的核心组成部分。在这项研究中，对信息系统能力展开了更广泛的观察。通过考虑先前研究并将其应用于全渠道零售领域，本文将信息系统能力定义为零售商组装、整合和部署信息系统资源以满足顾客需求并提供跨所有渠道无缝体验的能力。例如，McLaren等(2011)开发了衡量企业竞争战略与信息系统能力之间契合度的模型。Niehaves等(2011)通过区分感知、获取和转换能力为信息系统支持的业务流程变更提供了一个能力框架。
此外，信息系统能力可以分为内部能力、外部能力和跨越能力。内部能力是针对市场需求(例如信息系统技术技能或信息系统开发)的内部重点和发展方向。相反，外部能力是外部导向的，侧重于预测市场需求和理解竞争对手，如外部关系管理或市场反应(Wade和Hull，2004)。跨越能力指的是信息系统业务伙伴关系或信息系统规划和变更管理，必须结合内外和内外能力(Wade和Hull，2004)。
三、全渠道零售业务信息系统能力框架构建
全渠道零售业务信息系统能力框架，本文将其分为外部能力、内部能力与跨越能力。外部能力侧重于预测或响应公司外部的要求(Wade和Hulland，2004)，对于全渠道零售商至关重要，因为零售商必须获得顾客的需求、偏好和背景。同时，内部能力对于管理全渠道技术和处理全渠道数据至关重要(Wei等，2014)。而跨越能力集成了内外兼容能力，并且需要理解市场需求和内部能力(Hooley等，1999；Wei等，2014)。
(一)外部能力
顾客基本信息。获得基本顾客信息是大多数顾客与零售商互动的先决条件。基本的顾客信息源于识别数据(例如姓名、地址、出生日期)和描述性数据(例如人口统计、家庭结构、顾客分类)。基本的顾客数据可能会在注册过程中收集或基于特定的交互，可以通过传统市场调查的数据来丰富，例如关于顾客购买力的信息取决于他们的居住地。
顾客整合社交信息。顾客偏好受个人或社交关系(例如家人、朋友、同事)的影响。如今，这些关系中的更大一部分反映在社交媒体平台上的顾客连通性上，顾客使用社交媒体和撰写产品评论，彼此不认识的顾客可能会相互影响他们的偏好和购买决策，来自社交媒体的印象会影响顾客的线上和线下活动，顾客评论可以借助于情感分析来解释(例如自然语言处理)。全渠道零售商应该能够确定顾客在社交网络中的角色，了解他们的影响范围及其行为。顾客在社交网络中的影响可以通过使用不同的中心度量度(例如度数中心度、亲密度中心度、中间度中心度)来确定，通过分析顾客的社交图和个人资料信息，全渠道零售商可以更好地利用基于心理和行为的定位。
顾客情境背景。为了设计更合适的顾客互动，零售商必须能够感知个体顾客的具体情境背景(例如时间表、地点、心情、特殊事件)，相关数据可以通过使用智能手机或其他智能设备的硬件和软件传感器来收集。另外，就顾客授权而言，零售商可以考虑来自个人交互(例如电子邮件、聊天)和顾客的数字日历信息，以提供顾客的高度情境化的精准推荐。零售商可以结合使用不同渠道内顾客当前行为的交易数据，全渠道数据有助于了解顾客的计划、需求和偏好。在此基础上，零售商可以避免在错误的时间或地点与顾客进行互动，即可能会损害短期顾客体验或顾客关系的情况。
(二)内部能力
全渠道分析技术。在全渠道零售环境中，使用创新信息技术和处理大量异构数据至关重要。因此，员工需要掌握与全渠道零售分析技术相关的软件工具和技术。另外，他们需要有关数据分析和统计方法的知识。此外，由于全渠道零售商收集和处理个人数据，例如通过使用会员卡或通过跟踪在线商店的顾客行为，员工必须了解数据隐私性、安全性、所有权以及顾客对使用的期望，以建立信任的顾客关系。
全渠道数据集成和分析。全渠道零售商拥有并处理可能以结构化(例如销售点数据)形式提供的各种形式数据(例如顾客、产品、位置、时间和渠道数据)或非结构化形式(例如顾客评论)。在同质数据库中检索、组合、整合和构建来自不同来源的异构数据的过程是全渠道组织的关键挑战。一旦零售商掌握了全渠道数据集成，零售商需要适当的工具和技术来处理和分析大量数据。通过使用可视化、预测分析、数据挖掘、深度学习和人工智能等不同方法，零售商可以对市场形成有意义的见解。因此，零售商必须注意不要陷入典型的大数据分析陷阱，比如对低质量不相关数据或虚假相关性的复杂分析。
全渠道技术和基础设施管理。在全渠道环境中，零售商必须能够管理一系列新兴技术，如店内技术、交付技术、LBS技术或通信技术。其中，店内技术(例如交互式展示、虚拟试穿、自助结账解决方案)将成为商店体验的一部分，并有助于提供更多信息，以便在网上商店无缝购买产品，并减少闲置时间；交付技术(例如无人机、机器人、3D打印)有助于履行过程。基于位置的LBS技术在实体店内外提供本地服务能力；通信技术(如视频聊天、聊天机器人)有助于改善顾客和零售商之间的持续沟通。因此，零售商还必须能够运营合适的全渠道基础设施，以便利用这些技术及其相互作用。全渠道基础设施可以解决多个层面问题，例如协同使用新兴技术、网络通信、智能物件与其他业务系统(例如CRM系统)的数据连接与数据存储，因为数据需要存储在实时处理的集成数据库中。零售商还需要使用不同种类的传统数据库(如关系数据库、文档数据库和图形数据库)或新的数据集成架构(如数据湖)来存储数据。
(三)跨越能力
实时信息访问。全渠道环境下顾客可以连续在不同渠道之间切换，顾客与零售商的互动可以随时发生，实时信息的提供和访问是全渠道零售商成功的关键因素。第一，在所有渠道获得实时信息时，顾客决策可以得到促进，线上与实体渠道的产品可用性信息可以支持顾客的跨渠道选择，对订单进行持续的实时跟踪可实现更加以顾客为中心且便捷的送货服务。第二，从零售商内部角度来看，有关产品可用性、顾客行为、顾客状况和销售情况的实时信息有助于组织货物流通、市场营销和服务。第三，需要实时信息来提供个性化和上下文广告，服务和优惠(例如基于位置的广告)。因此，在整个顾客旅程中无处不在的实时信息访问是成功全方位渠道零售的先决条件。
需求智能推算。全渠道零售商需要能够自动推断和推理顾客的需求和偏好。通过利用不同的数据流和实时数据分析，零售商可以获得对顾客行为有价值的见解。例如，顾客需求可能通过与虚拟顾问进行对话分析，并借助联合分析等定量方法进行分析。对顾客需求的理解是长期顾客关系的基础，也是渠道开发、创新管理、广告投放等许多战略运营的决策支持。
个性化营销和服务。全渠道零售商需要根据顾客需求和偏好调整广告、优惠和服务的能力。广告和优惠应该在适当的时间进行个性化提供以达到最佳效果，例如在户外场景时提供O2O服务。此外，服务履行过程变得更加个性化和情境化，顾客可以选择最方便的选项，例如在某个特定时间送货上门。随着顾客管理关系的兴起，零售商必须提供更多个性化服务，尤其对于某些产品类别(例如电子设备)。
互动的智能自动化。未来，顾客与零售商交互的越来越多的部分将由人工智能来自动处理，例如购买咨询和售后服务。因此，全渠道零售商必须提供智能自动化，零售商可以提高运营效率，而顾客可以从持续服务水平中获益。例如，顾客订单可以通过智能物品(例如智能冰箱、智能洗衣机、智能咖啡机)来放置。智能设备一旦被顾客授权，可以自己充当顾客。因此，全渠道零售商需要能够成功与智能物品进行沟通，这些智能物品意识到其所有者规定的偏好。
互动渠道的便捷切换。全渠道顾客通过数字和传统渠道以更加互联的方式与零售商互动(例如在实体店中使用在线商店)。渠道选择取决于各种因素(例如个人计划、心情、天气)，并可能随时间而改变。因此，全渠道零售商需要掌握越来越多的渠道和接触点，以实现所有渠道之间的无缝切换，零售商应当消除孤立的组织结构和数据孤岛，管理来自所有渠道的顾客数据，以实现全方位的顾客视图并提供一致的顾客体验。
融入顾客日常生活。由于数字渠道以及智能手机和智能产品等数字技术的出现，顾客可以随时随地与零售商进行互动。现在许多顾客与零售商的互动都是在家开始的，智能设备的使用使顾客能够随时随地与零售商进行互动。此外，顾客希望避免时间闲置，并倾向于在途中适当情况下(例如在地铁、逛街等场景下)发起互动。因此，全渠道零售商应该认识到这样的机会，并且非打扰式地提供适当产品。
四、结论
数字技术在全渠道零售管理中日益重要，本文开发了一个信息系统能力框架，其中包括零售商在进行全渠道管理时应考虑的12种能力。框架包括3种内部能力(全渠道分析技术、全渠道数据集成和分析、全渠道技术和基础设施管理)、3种外部能力(顾客基本信息、顾客整合社交信息、顾客情境背景)以及6种跨越能力(实时信息访问、需求智能推算、个性化营销和服务、互动的智能自动化、互动渠道的便捷切换、融入顾客日常生活)。
本文的研究从理论和实践方面都带来了一定贡献。从理论角度来看，本文的能力框架通过识别和构建相关的信息系统能力，为全渠道零售知识的形成做出贡献，因为国内暂时还没有从信息系统的角度来考察全渠道零售能力框架。从实践角度来看，本文的信息系统能力框架为零售决策者提供了全方位管理时应该考虑的能力领域的概述。当零售商参与全渠道管理时，框架的能力可能会因相关性和重要性而异，具体取决于行业或组织的特性以及组织在全渠道管理中的进展情况。本文建议组织始终密切关注所有能力及其相互作用，以便在顾客购物过程中的不同阶段实现成功的互动。此外，本文所提出的框架有助于根据组织的个人情况制定，优先考虑和定制框架内的运营能力，并可以作为推导各自实施路线图和全方位渠道措施的起点，从而构建有效决策。
参考文献
[1].江欣.基于全渠道零售视角的传统零售业转型分析[J].商业经济研究，2017(16)
[2].马慧敏.移动互联时代我国零售企业全渠道模式的应用[J].中国流通经济，2017，31(4)
[3].王剑.零售企业的全渠道演变及供应链优化研究[J].商业经济研究，2018(4)
[4].齐永智，张梦霞.SOLOMO消费驱动下零售企业渠道演化选择:全渠道零售[J].经济与管理研究，2015(7)
[5].姜丽媛.全渠道零售时代下产品的网络适应性变化及对策[J].经济问题探索，2015(7)
[6].施蕾.全渠道时代顾客购物渠道选择行为研究[J].当代财经，2014(2)
[7].杜睿云，蒋侃.新零售:内涵、发展动因与关键问题[J].价格理论与实践，2017(2)
之前也是为论文苦恼了半天，网上的范文和能搜到的资料，大都不全面，一般能有个正文就不错了，而且抄袭的东西肯定不行的，关键是没有数据和分析部分，我好不容易搞出来一篇，结果还过不了审。 还好后来找到文方网，直接让专业人士帮忙，效率很高，核心的部分帮我搞定了，也给了很多参考文献资料。哎，专业的事还是要找专业的人来做啊，建议有问题参考下文方网吧 下面是之前文方网王老师发给我的题目，分享给大家： 基于深度学习的无人机地面小目标算法研究 基于视觉的智能汽车面向前方车辆的运动轨迹预测技术研究 模拟射击训练弹着点检测定位技术研究 基于深度卷积神经网络的空中目标识别算法的研究 基于可见光图像的飞行器多目标识别及位置估计 无人驾驶车辆手势指令识别研究与实现 车载毫米波雷达目标检测技术研究 基于多传感融合的四足机器人建图方法 中老年人群跌倒风险评估的数据采集系统 基于深度学习的视觉SLAM闭环检测方法研究 真实图片比较视觉搜索任务的年龄效应及对策研究 室内复杂场景下的视觉SLAM系统构建与研究 基于双目内窥镜的软组织图像三维重建 学习资源画面色彩表征影响学习注意的研究 毫米波雷达与机器视觉双模探测关键技术的研究 语义地图及其关键技术研究 多重影响因素下的语音识别系统研究 基于卷积神经网络的自主空中加油识别测量技术研究 基于视觉语义的深度估计、实例分割与重建 重复视觉危险刺激——本能恐惧反应的“二态型”调控机制研究 低成本视觉下的三维物体识别与位姿估计 面向非规则目标的3D视觉引导抓取方法及系统研究 基于物体识别地理配准的跨视频行人检测定位技术研究 基于结构光的非刚体目标快速三维重建关键技术研究 基于机器视觉的动物交互行为与认知状态分析系统 关于单目视觉实时定位与建图中的优化算法研究 动态场景下无人机SLAM在智慧城市中的关键技术研究 面向视觉SLAM的联合特征匹配和跟踪算法研究 基于深度学习的显著物体检测 基于平面波的三维超声成像方法与灵长类动物脑成像应用研究 基于物体检测和地理匹配的室内融合定位技术研究 基于多模态信息融合的人体动作识别方法研究 基于视觉惯性里程计的SLAM系统研究 基于语义信息的图像/点云配准与三维重建 基于种子点选取的点云分割算法研究 基于深度学习的场景文字检测与识别方法研究 基于运动上下文信息学习的室内视频烟雾预警算法研究 基于深度学习的垃圾分类系统设计与实现 面向手机部件的目标区域检测算法的设计与实现 电路板自动光照检测系统的设计与实现 基于机器视觉的工件识别与定位系统的设计与实现 基于深度学习的物件识别定位系统的设计与实现 基于视觉四旋翼无人机编队系统设计及实现 基于视觉惯导融合的四旋翼自主导航系统设计与实现 面向城市智能汽车的认知地图车道层生成系统 基于深度学习的智能化无人机视觉系统的设计与仿真 基于知识库的视觉问答技术研究 基于深度学习的火灾视频实时智能检测研究 结构化道路车道线检测方法研究 基于机器视觉的带式输送机动态煤量计量研究 基于深度学习的小目标检测算法研究 基于三维激光与视觉信息融合的地点检索算法研究 动态环境下仿人机器人视觉定位与运动规划方法研究 瓷砖铺贴机器人瓷砖空间定位系统研究 城市街景影像中行人车辆检测实现 基于无线信号的身份识别技术研究 基于移动机器人的目标检测方法研究 基于深度学习的机器人三维环境对象感知 基于特征表示的扩展目标跟踪技术研究 基于深度学习的目标检测方法研究 基于深度学习的复杂背景下目标检测与跟踪 动态扩展目标的高精度特征定位跟踪技术研究 掩模缺陷检测仪的图像处理系统设计 复杂场景下相关滤波跟踪算法研究 基于多层级联网络的多光谱图像显著性检测研究 基于深度结构特征表示学习的视觉跟踪研究 基于深度网络的显著目标检测方法研究 基于深度学习的电气设备检测方法研究 复杂交通场景下的视频目标检测 基于多图学习的多模态图像显著性检测算法研究 基于面部视频的非接触式心率检测研究 单幅图像协同显著性检测方法研究 轻量级人脸关键点检测算法研究 基于决策树和最佳特征选择的神经网络钓鱼网站检测研究 基于深度学习的场景文本检测方法研究 RGB-D图像显著及协同显著区域检测算法研究 多模态融合的RGB-D图像显著目标检测研究 基于协同排序模型的RGBT显著性检测研究 基于最小障碍距离的视觉跟踪研究 基于协同图学习的RGB-T图像显著性检测研究 基于图学习与标签传播优化模型的图像协同显著性目标检测 姿态和遮挡鲁棒的人脸关键点检测算法研究 基于多模态和多任务学习的显著目标检测方法研究 基于深度学习的交通场景视觉显著性区域目标检测 基于生物视觉机制的视频显著目标检测算法研究 基于场景结构的视觉显著性计算方法研究 精神分裂症患者初级视觉网络的磁共振研究 基于fMRI与TMS技术研究腹侧视觉通路中结构优势效应的加工 脑机接口游戏神经可塑性研究 基于YOLOV3算法的FL-YOLO多目标检测系统 基于深度与宽度神经网络显著性检测方法研究 基于深度学习的零件识别系统设计与研究 基于对抗神经网络的图像超分辨算法研究 基于深度学习复杂场景下停车管理视觉算法的研究与实现 镍电解状态视觉检测与分析方法研究 跨界训练对提升舞者静态平衡能力的理论与方法研究 施工现场人员类型识别方法的研究与实现 基于深度学习的自然场景文字检测方法研究 基于嵌入式的交通标志识别器的设计 基于视觉感知特性与图像特征的图像质量评价
硕士论文的参考文献格式
在平时的学习、工作中，大家对论文都再熟悉不过了吧，论文是讨论某种问题或研究某种问题的文章。你写论文时总是无从下笔？以下是我整理的硕士论文的参考文献格式，仅供参考，欢迎大家阅读。
一、参考文献的类型
参考文献(即引文出处)的类型以单字母方式标识，具体如下：
M——专著 C——论文集 N——报纸文章
J——期刊文章 D——学位论文 R——报告
对于不属于上述的文献类型，采用字母“Z”标识。
对于英文参考文献，还应注意以下两点：
①作者姓名采用“姓在前名在后”原则，具体格式是： 姓，名字的首字母. 如： Malcolm Richard Cowley 应为：Cowley, .，如果有两位作者，第一位作者方式不变，&之后第二位作者名字的首字母放在前面，姓放在后面，如：Frank Norris 与Irving Gordon应为：Norris, F. & .;
②书名、报刊名使用斜体字，如：Mastering English Literature，English Weekly。
二、参考文献的格式及举例
1.期刊类
【格式】[序号]作者.篇名[J].刊名，出版年份，卷号(期号)：起止页码.
【举例】
[1] 王海粟.浅议会计信息披露模式[J].财政研究，2004,21(1)：56-58.
[2] 夏鲁惠.高等学校毕业论文教学情况调研报告[J].高等理科教育，2004(1):46-52.
[3] Heider, . The structure of color space in naming and memory of two languages [J]. Foreign Language Teaching and Research, 1999, (3): 62 – 67.
2.专著类
【格式】[序号]作者.书名[M].出版地：出版社，出版年份：起止页码.
【举例】[4] 葛家澍，林志军.现代西方财务会计理论[M].厦门：厦门大学出版社，2001：42.
[5] Gill, R. Mastering English Literature [M]. London: Macmillan, 1985: 42-45.
3.报纸类
【格式】[序号]作者.篇名[N].报纸名，出版日期(版次).
【举例】
[6] 李大伦.经济全球化的重要性[N]. 光明日报，1998-12-27(3).
[7] French, W. Between Silences: A Voice from China[N]. Atlantic Weekly, 1987-8-15(33).
4.论文集
【格式】[序号]作者.篇名[C].出版地：出版者，出版年份：起始页码.
【举例】
[8] 伍蠡甫.西方文论选[C]. 上海：上海译文出版社，1979：12-17.
[9] Spivak,G. “Can the Subaltern Speak?”[A]. In & L. Grossberg(eds.). Victory in Limbo: Imigism [C]. Urbana: University of Illinois Press, 1988, .
[10] Almarza, . Student foreign language teacher’s knowledge growth [A]. In and (eds.). Teacher Learning in Language Teaching [C]. New York: Cambridge University Press. 1996. .
5.学位论文
【格式】[序号]作者.篇名[D].出版地：保存者，出版年份：起始页码.
【举例】
[11] 张筑生.微分半动力系统的不变集[D].北京：北京大学数学系数学研究所, 1983：1-7.
6.研究报告
【格式】[序号]作者.篇名[R].出版地：出版者，出版年份：起始页码.
【举例】
[12] 冯西桥.核反应堆压力管道与压力容器的LBB分析[R].北京：清华大学核能技术设计研究院, 1997：9-10.
7.条例
【格式】[序号]颁布单位.条例名称.发布日期
【举例】[15] 中华人民共和国科学技术委员会.科学技术期刊管理办法[Z].1991—06—05
8.译著
【格式】[序号]原著作者. 书名[M].译者，译.出版地：出版社，出版年份：起止页码.
三、注释
注释是对论文正文中某一特定内容的进一步解释或补充说明。注释前面用圈码①、②、③等标识。
四、参考文献
参考文献与文中注(王小龙，2005)对应。标号在标点符号内。多个都需要标注出来，而不是1-6等等 ，并列写出来。
最后，引用毕业论文属于学位论文，如格式5
5.学位论文
【格式】[序号]作者.篇名[D].出版地：保存者，出版年份：起始页码.
【举例】
[11] 张筑生.微分半动力系统的不变集[D].北京：北京大学数学系数学研究所, 1983：1-7.
参考文献的`作用主要有：
1、反映研究者的研究基础。科研工作具有继承性，大多研究成果是对前人研究的一种深化和拓展。
2、尊重前人和他人的知识成果。参考文献是前人研究成果的一种表现形式，引用参考文献是论文作者的权利，而著录参考文献则是其法律义务，引用了前人的资料又不列出参考文献，会被认为是抄袭或剽窃行为。
3、反映论文作者的科学态度。说明本文所引用的论点、资料和数据均有出处可查，以便读者核查。
4、向读者推荐一批经过精选的文献。参考文献能为读者深入探讨某些问题提供有关文献的线索，帮助其查阅原始文献，进一步研读作者引用的内容，以求证自己的观点和解决自己的需求。
5、节约论文篇幅。在科研论文中，作者引用或借鉴别人的方法和观点来佐证自己将要展开的论点等，如果把所涉及的内容全都写下来，有时候容易造成论文内容繁琐、重点不明。正确列出了所引的参考文献，论文中所需表述的内容凡已有文献所载者不必详述，只需标注参考文献号码即可解决.
专著著录格式
[序号] 著者.书名[M].版本(第一版不写).出版地：出版者，出版年.起止页码 例：[1] 孙家广，杨长青.计算机图形学[M].北京：清华大学出版社， Sun Jiaguang, Yang Changqing. Computer graphics[M].Beijing: Tsinghua University Press,(in Chinese)
例：[2] Skolink M I. Radar handbook[M]. New York: McGraw-Hill, 1990
期刊著录格式
[序号] 作者.题名[J].刊名，出版年份，卷号(期号)：起止页码 例：[3] 李旭东，宗光华，毕树生，等.生物工程微操作机器人视觉系统的.研究[J].北京航空航天大学学报，2002，28(3)：249～252
Li Xudong, Zong Guanghua, Bi Shusheng, et al. Research on global vision system for bioengineering-oriented micromanipulation robot system[J]. Journal of Beijing University of Aeronautics and Astronautics, 2002,28(3):249～252(in Chinese)
论文集著录格式
[序号] 作者.题名[A].见(英文用In)：主编.论文集名[C].出版地：出版者，出版年.起止页码 例：[4]张佐光，张晓宏，仲伟虹，等.多相混杂纤维复合材料拉伸行为分析[A].见：张为民编.第九届全国复合材料学术会议论文集(下册)[C].北京：世界图书出版公司，～416
例：[5]Odoni A R. The flow management problem in air traffic control[A]. In:Odoni A R, Szego G,eds. Flow Control of Congested Networks[C].Berlin: Springer-Verlag,～298
学位论文著录格式
[序号] 作者.题名[D].保存地点：保存单位，年
例：[6] 金 宏.导航系统的精度及容错性能的研究[D].北京：北京航空航天大学自动控制系，1998
楼主 有了吗 麻烦好人给我个发一下啊！
第1章 引言 动机 计算机视觉为什么是困难的 图像表达与图像分析的任务 总结 参考文献 7第2章 图像及其表达与性质 图像表达若干概念 8连续图像函数 图像数字化 采样 量化 数字图像性质 数字图像的度量和拓扑性质 直方图 熵 图像的视觉感知 图像品质 图像中的噪声 彩色图像 色彩物理学 人所感知的色彩 彩色空间 调色板图像 颜色恒常性 摄像机概述 光敏传感器 黑白摄像机 彩色摄像机 总结 参考文献 34第3章 图像及其数学与物理背景 概述 线性 狄拉克（Dirac）分布和卷积 积分线性变换 作为线性系统的图像 积分线性变换引言 1D傅里叶变换 2 D傅里叶变换 采样与香农约束 离散余弦变换 小波变换 本征分析 奇异值分解 主分量分析 其他正交图像变换 作为随机过程的图像 图像形成物理 作为辐射测量的图像 图像获取与几何光学 镜头像差和径向畸变 从辐射学角度看图像获取 表面反射 总结 参考文献 67第4章 图像分析的数据结构 图像数据表示的层次 传统图像数据结构 矩阵 链 拓扑数据结构 关系结构 分层数据结构 金字塔 四叉树 其他金字塔结构 总结 参考文献 78第5章 图像预处理 像素亮度变换 位置相关的亮度校正 灰度级变换 几何变换 像素坐标变换 亮度插值 局部预处理 图像平滑 边缘检测算子 二阶导数过零点 图像处理中的尺度 Canny边缘提取 参数化边缘模型 多光谱图像中的边缘 频域的局部预处理 用局部预处理算子作线检测 角点（兴趣点）检测 最大稳定极值区域检测 图像复原 容易复原的退化 逆滤波 维纳滤波 总结 参考文献 118第6章 分割 I 阈值化 阈值检测方法 最优阈值化 多光谱阈值化 基于边缘的分割 边缘图像阈值化 边缘松弛法 边界跟踪 作为图搜索的边缘跟踪 作为动态规划的边缘跟踪 Hough变换 使用边界位置信息的边界检测 从边界构造区域 基于区域的分割 区域归并 区域分裂 分裂与归并 分水岭分割 区域增长后处理 匹配 匹配标准 匹配的控制策略 分割的评测问题 监督式评测 非监督式评测 总结 参考文献 175第7章 分割II 均值移位分割 活动轮廓模型——蛇行 经典蛇行和气球 扩展 梯度矢量流蛇 几何变形模型——水平集和测地活动轮廓 模糊连接性 面向基于3D图的图像分割 边界对的同时检测 次优的表面检测 图割分割 最优单和多表面分割 总结 参考文献 224第8章 形状表示与描述 区域标识 基于轮廓的形状表示与描述 链码 简单几何边界表示 边界的傅里叶变换 使用片段序列的边界描述 B样条表示 其他基于轮廓的形状描述方法 形状不变量 基于区域的形状表示与描述 简单的标量区域描述 矩 凸包 基于区域骨架的图表示 区域分解 区域邻近图 形状类别 总结 参考文献 263第9章 物体识别 知识表示 统计模式识别 分类原理 分类器设置 分类器学习 支持向量机 聚类分析 神经元网络 前馈网络 非监督学习 Hopfield神经元网络 句法模式识别 语法与语言 句法分析与句法分类器 句法分类器学习与语法推导 作为图匹配的识别 图和子图的同构 图的相似度 识别中的优化技术 遗传算法 模拟退火 模糊系统 模糊集和模糊隶属函数 模糊集运算 模糊推理 模糊系统设计与训练 模式识别中的Boosting方法 总结 参考文献 314第10章 图像理解 图像理解控制策略 并行和串行处理控制 分层控制 自底向上的控制 基于模型的控制 混合的控制策略 非分层控制 RANSAC：通过随机抽样一致来拟合 点分布模型 活动表观模型 图像理解中的模式识别方法 基于分类的分割 上下文图像分类 Boosted层叠分类器用于快速物体检测 场景标注和约束传播 离散松弛法 概率松弛法 搜索解释树 语义图像分割和理解 语义区域增长 遗传图像解释 隐马尔可夫模型 应用 耦合的HMM 贝叶斯信念网络 高斯混合模型和期望最大化 总结 参考文献 380第11章 3D视觉和几何 3D视觉任务 Marr理论 其他视觉范畴：主动和有目的的视觉 射影几何学基础 射影空间中的点和超平面 单应性 根据对应点估计单应性 单透视摄像机 摄像机模型 齐次坐标系中的投影和反投影 从已知场景标定一个摄像机 从多视图重建场景 三角测量 射影重建 匹配约束 光束平差法 升级射影重建和自标定 双摄像机和立体感知 极线几何学——基本矩阵 摄像机的相对运动——本质矩阵 分解基本矩阵到摄像机矩阵 从对应点估计基本矩阵 双摄像机矫正结构 矫正计算 三摄像机和三视张量 立体对应点算法 距离图像的主动获取 由辐射测量到3D信息 由阴影到形状 光度测量立体视觉 总结 参考文献 428第12章 3D视觉的应用 由X到形状 由运动到形状 由纹理到形状 其他由X到形状的技术 完全的3D物体 3D物体、模型以及相关问题 线条标注 体积表示和直接测量 体积建模策略 表面建模策略 为获取完整3D模型的面元标注与融合 基于3D模型的视觉 一般考虑 Goad算法 基于模型的亮度图像曲面物体识别 基于模型的距离图像识别 3D场景的2D视图表达 观察空间 多视图表达和示象图 作为2D视图结构化表达的几何基元 利用存储的2D视图显示3D真实世界场景 实例研究——由未组织的2D视图集重建3D 总结 参考文献 464第13章 数学形态学 形态学基本概念 形态学四原则 二值膨胀和腐蚀 膨胀 腐蚀 击中击不中变换 开运算和闭运算 灰度级膨胀和腐蚀 顶面、本影、灰度级膨胀和腐蚀 本影同胚定理和膨胀、腐蚀及开、闭运算的性质 顶帽变换 骨架和物体标记 同伦变换 骨架和最大球 细化、粗化和同伦骨架 熄灭函数和最终腐蚀 最终腐蚀和距离函数 测地变换 形态学重构 粒度测定法 形态学分割与分水岭 粒子分割、标记和分水岭 二值形态学分割 灰度级分割和分水岭 总结 参考文献 495第14章 图像数据压缩 图像数据性质 图像数据压缩中的离散图像变换 预测压缩方法 矢量量化 分层的和渐进的压缩方法 压缩方法比较 其他技术 编码 JPEG和MPEG图像压缩 JPEG——静态图像压缩 JPEG-2000压缩 MPEG——全运动的视频压缩 总结 参考文献 511第15章 纹理 统计纹理描述 基于空间频率的方法 共生矩阵 边缘频率 基元长度（行程） Laws纹理能量度量 分形纹理描述 多尺度纹理描述——小波域方法 其他纹理描述的统计方法 句法纹理描述方法 形状链语法 图语法 分层纹理中的基元分组 混合的纹理描述方法 纹理识别方法的应用 总结 参考文献 532第16章 运动分析 差分运动分析方法 光流 光流计算 全局和局部光流估计 局部和全局相结合的光流估计 运动分析中的光流 基于兴趣点对应关系的分析 兴趣点的检测 兴趣点的对应关系 特定运动模式的检测 视频跟踪 背景建模 基于核函数的跟踪 目标路径分析 辅助跟踪的运动模型 卡尔曼滤波器 粒子滤波器 总结 参考文献 575词汇 581
第1章 绪论 机器人视觉控制 机器人视觉的基本概念 机器人视觉控制的作用 机器人视觉控制的研究内容 摄像机标定 视觉测量 视觉控制的结构与算法 机器人视觉系统的分类 根据摄像机与机器人的相互位置分类 根据摄像机数目分类 根据测量方式进行分类 根据控制模型进行分类 视觉控制的发展现状与趋势 视觉系统标定研究进展 机器人的视觉测量研究进展 机器人的视觉控制研究进展 机器人视觉控制的应用现状 机器人视觉测量与控制的发展趋势参考文献第2章 摄像机与视觉系统标定 摄像机模型 小孔模型 摄像机内参数模型 摄像机外参数模型 单目二维视觉测量的摄像机标定 Faugems的摄像机标定方法 Faugems摄像机标定的基本方法 Faugeras摄像机标定的改进方法 Tsai的摄像机标定方法 位姿与焦距求取 畸变矫正系数与焦距的精确求取 手眼标定 基于消失点的摄像机内参数自标定 几何法 解析法基于运动的摄像机自标定 基于正交平移运动和旋转运动的摄像机自标定 基于单参考点的摄像机自标定 畸变校正与非线性模型摄像机的标定 基于平面靶标的非线性模型摄像机标定 基于平面靶标的大畸变非线性模型摄像机的标定 结构光视觉的参数标定 基于立体靶标的激光平面标定 主动视觉法激光平面标定 斜平面法结构光视觉传感器标定参考文献第3章 视觉测量 视觉测量中的约束条件 特征匹配约束 不变性约束 直线约束 单目视觉位置测量 立体视觉位置测量 双目视觉 结构光视觉 基于目标约束的位姿测量 基于立体视觉的位姿测量 基于矩形的位姿测量 基于PnP问题的位姿测量 P3P的常用求解方法 PnP问题的通用线性求解 基于消失点的位姿测量 基于消失点的单视点三维测量 基于消失点的单视点仿射测量 移动机器人的视觉定位 基于单应性矩阵的视觉定位 基于非特定参照物的视觉定位 移动机器人的视觉全局定位 基于非特定参照物的视觉全局定位 视觉定位与里程计推算定位的信息融合 MEMS装配中的显微视觉测量 显微视觉系统的构成 显微视觉系统的自动调焦与视觉测量 实验与结果参考文献第4章 视觉控制 基于位置的视觉控制 位置给定型机器人视觉控制 机器人的位置视觉伺服控制 基于位置的视觉控制的稳定性 基于位置视觉控制的特点 基于图像的视觉控制 基于图像特征的视觉控制 基于图像的视觉伺服控制 基于图像的视觉控制的稳定性 基于图像的视觉控制的特点 混合视觉伺服控制 视觉伺服的结构 视觉伺服的原理 基于结构光的机器人弧焊混合视觉控制 图像空间到机器人末端笛卡儿空间的雅可比矩阵 混合视觉控制 实验与结果 直接视觉控制 直接视觉控制的结构 函数的实现 基于姿态的视觉控制 姿态测量 基于姿态估计的视觉控制系统的结构与基本原理 实验与结果 基于图像雅可比矩阵的无标定视觉伺服控制 动态牛顿法 图像雅可比矩阵的估计 自标定视觉控制 摄像机的自标定 目标跟踪视觉控制 基于极线约束的无标定摄像机的视觉控制 基本原理 视觉伺服控制 实验与结果参考文献第5章 视觉控制的应用 开放式机器人控制平台 多层次结构的开放式机器人控制平台 本地机器人的实时控制 图形示教实验与结果 具有焊缝识别与跟踪功能的自动埋弧焊机器人系统 焊接小车与视觉系统 结构光焊缝条纹图像的处理 曲线焊缝跟踪的视觉伺服协调控制 机器人运动与特征点坐标变化的数学分析 模糊视觉伺服控制器的设计 实验与结果 仿人形机器人的火炬传递 系统构成与目标特征 目标分割与边缘提取 特征提取 火炬传递任务中的视觉引导 趋近与对准 实验与结果参考文献