（一）选题毕业论文（设计）题目应符合本专业的培养目标和教学要求，具有综合性和创新性。本科生要根据自己的实际情况和专业特长，选择适当的论文题目，但所写论文要与本专业所学课程有关。（二）查阅资料、列出论文提纲题目选定后，要在指导教师指导下开展调研和进行实验，搜集、查阅有关资料，进行加工、提炼，然后列出详细的写作提纲。（三）完成初稿根据所列提纲，按指导教师的意见认真完成初稿。（四）定稿初稿须经指导教师审阅，并按其意见和要求进行修改，然后定稿。一般毕业论文题目的选择最好不要太泛，越具体越好，而且老师希望学生能结合自己学过的知识对问题进行分析和解决。不知道你是否确定了选题，确定选题了接下来你需要根据选题去查阅前辈们的相关论文，看看人家是怎么规划论文整体框架的；其次就是需要自己动手收集资料了，进而整理和分析资料得出自己的论文框架；最后就是按照框架去组织论文了。你如果需要什么参考资料和范文我可以提供给你。还有什么不了解的可以直接问我，希望可以帮到你，祝写作过程顺利毕业论文选题的方法:一、尽快确定毕业论文的选题方向 在毕业论文工作布置后,每个人都应遵循选题的基本原则,在较短的时间内把选题的方向确定下来。从毕业论文题目的性质来看,基本上可以分为两大类:一类是社会主义现代化建设实践中提出的理论和实际问题;另一类是专业学科本身发展中存在的基本范畴和基本理论问题。大学生应根据自己的志趣和爱好,尽快从上述两大类中确定一个方向。二、在初步调查研究的基础上选定毕业论文的具体题目在选题的方向确定以后,还要经过一定的调查和研究,来进一步确定选题的范围,以至最后选定具体题目。下面介绍两种常见的选题方法。 浏览捕捉法 :这种方法就是通过对占有的文献资料快速地、大量地阅读,在比较中来确定论文题目地方法。浏览,一般是在资料占有达到一定数量时集中一段时间进行,这样便于对资料作集中的比较和鉴别。浏览的目的是在咀嚼消化已有资料的过程中,提出问题,寻找自己的研究课题。这就需要对收集到的材料作一全面的阅读研究,主要的、次要的、不同角度的、不同观点的都应了解,不能看了一些资料,有了一点看法,就到此为止,急于动笔。也不能“先入为主”,以自己头脑中原有的观点或看了第一篇资料后得到的看法去决定取舍。而应冷静地、客观地对所有资料作认真的分析思考。在浩如烟海,内容丰富的资料中吸取营养,反复思考琢磨许多时候之后,必然会有所发现,这是搞科学研究的人时常会碰到的情形。 浏览捕捉法一般可按以下步骤进行:第一步,广泛地浏览资料。在浏览中要注意勤作笔录,随时记下资料的纲目,记下资料中对自己影响最深刻的观点、论据、论证方法等,记下脑海中涌现的点滴体会。当然,手抄笔录并不等于有言必录,有文必录,而是要做细心的选择,有目的、有重点地摘录,当详则详,当略则略,一些相同的或类似的观点和材料则不必重复摘录,只需记下资料来源及页码就行,以避免浪费时间和精力。第二步,是将阅读所得到的方方面面的内容,进行分类、排列、组合,从中寻找问题、发现问题,材料可按纲目分类,如分成: 系统介绍有关问题研究发展概况的资料; 对某一个问题研究情况的资料; 对同一问题几种不同观点的资料; 对某一问题研究最新的资料和成果等等。第三步,将自己在研究中的体会与资料分别加以比较,找出哪些体会在资料中没有或部分没有;哪些体会虽然资料已有,但自己对此有不同看法;哪些体会和资料是基本一致的;哪些体会是在资料基础上的深化和发挥等等。经过几番深思熟虑的思考过程,就容易萌生自己的想法。把这种想法及时捕捉住,再作进一步的思考,选题的目标也就会渐渐明确起来。希望可以帮到你，有什么不懂的可以问我
数字图像处理OK，帮你处理。
1978.9-1982.7，西北工业大学计算机科学技术系计算机专业，获工学学士学位。1997年9月—1998年9月，国防科技大学计算机应用专业访问学者。1982.7—1985.4，航空部603研究所从事计算机维护与应用工作。1985.4—1987.2，湘潭市针织厂新产品开发办从事计算机应用工作。1987.2—2000.12 ——至今，湖南工程学院计算机科学与技术系从事计算机教学、科研与管理工作近几年来主持科研课题2项，主要参加科研课题3项。其中省部级3项，地厅级2项。公开发表学术论文25篇，第一作者16篇，A类1篇，B类1篇，核心期刊7篇。其中EI收录1篇。被评为湘潭市2003-2005年度自然科学二等优秀学术论文和为湖南省自然科学三等优秀学术论文1篇。主持或主要参加教改课题4项，主编教材一部。指导的大学生课外科技作品 “FLASH购物系统”获湖南省第五届挑战杯大学生课外学术科技作品竞赛三等奖。指导的毕业设计论文《数字图像加密算法研究与实现》被评为2007届（首届）湖南工程学院院级优秀毕业设计（论文）。
数字图像处理是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为，应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等。这里学术堂为大家整理了一些数字图像处理毕业论文题目，希望对你有用。1、基于模糊分析的图像处理方法及其在无损检测中的应用研究2、数字图像处理与识别系统的开发3、关于数字图像处理在运动目标检测和医学检验中若干应用的研究4、基于ARM和DSP的嵌入式实时图像处理系统设计与研究5、基于图像处理技术的齿轮参数测量研究6、图像处理技术在玻璃缺陷检测中的应用研究7、图像处理技术在机械零件检测系统中的应用8、基于MATLAB的X光图像处理方法9、基于图像处理技术的自动报靶系统研究10、多小波变换及其在数字图像处理中的应用11、基于图像处理的检测系统的研究与设计12、基于DSP的图像处理系统的设计13、医学超声图像处理研究14、基于DSP的视频图像处理系统设计15、基于FPGA的图像处理算法的研究与硬件设计
信息安全的密码学与密匙管理一 摘要：密码系统的两个基本要素是加密算法和密钥管理。加密算法是一些公式和法则，它规定了明文和密文之间的变换方法。由于密码系统的反复使用，仅靠加密算法已难以保证信息的安全了。事实上，加密信息的安全可靠依赖于密钥系统，密钥是控制加密算法和解密算法的关键信息，它的产生、传输、存储等工作是十分重要的。二 关键词：密码学 安全 网络 密匙 管理三 正文：密码学是研究编制密码和破译密码的技术科学。研究密码变化的客观规律，应用于编制密码以保守通信秘密的，称为编码学；应用于破译密码以获取通信情报的，称为破译学，总称密码学。密码是通信双方按约定的法则进行信息特殊变换的一种重要保密手段。依照这些法则，变明文为密文，称为加密变换；变密文为明文，称为脱密变换。密码在早期仅对文字或数码进行加、脱密变换，随着通信技术的发展，对语音、图像、数据等都可实施加、脱密变换。密码学是在编码与破译的斗争实践中逐步发展起来的，并随着先进科学技术的应用，已成为一门综合性的尖端技术科学。它与语言学、数学、电子学、声学、信息论、计算机科学等有着广泛而密切的联系。它的现实研究成果，特别是各国政府现用的密码编制及破译手段都具有高度的机密性。密码学包括密码编码学和密码分析学。密码体制设计是密码编码学的主要内容，密码体制的破译是密码分析学的主要内容，密码编码技术和密码分析技术是相互依相互支持、密不可分的两个方面。密码体制有对称密钥密码体制和非对称密钥密码体制。对称密钥密码体制要求加密解密双方拥有相同的密钥。而非对称密钥密码体制是加密解密双方拥有不相同的密钥，在不知道陷门信息的情况下，加密密钥和解密密钥是不能相互算出的。对称密钥密码体制中,加密运算与解密运算使用同样的密钥。这种体制所使用的加密算法比较简单，而且高效快速、密钥简短、破译困难，但是存在着密钥传送和保管的问题。例如：甲方与乙方通讯，用同一个密钥加密与解密。首先，将密钥分发出去是一个难题，在不安全的网络上分发密钥显然是不合适的；另外，如果甲方和乙方之间任何一人将密钥泄露，那么大家都要重新启用新的密钥。通常,使用的加密算法 比较简便高效,密钥简短,破译极其困难。但是,在公开的计算机网络上安全地传送和保管密钥是一个严峻的问题。1976年,Diffie和Hellman为解决密钥管理问题,在他们的奠基性的工作"密码学的新方向"一文中,提出一种密钥交换协议,允许在不安全的媒体上通讯双方 交换信息,安全地达成一致的密钥,它是基于离散指数加密算法的新方案:交易双方仍然需要协商密钥，但离散指数算法的妙处在于:双方可以公开提交某些用于运算的数据，而密钥却在各自计算机上产生，并不在网上传递。在此新思想的基础上,很快出现了"不对称密钥密码体 制",即"公开密钥密码体制",其中加密密钥不同于解密密钥,加密密钥公之于众,谁都可以用,解密密钥只有解密人自己知道,分别称为"公开密钥"和"秘密密钥", 由于公开密钥算法不需要联机密钥服务器，密钥分配协议简单，所以极大地简化了密钥管理。除加密功能外，公钥系统还可以提供数字签名。目前，公开密钥加密算法主要有RSA、Fertezza、EIGama等。我们说区分古典密码和现代密码的标志，也就是从76年开始，迪非，赫尔曼发表了一篇叫做《密码学的新方向》的文章，这篇文章是划时代的；同时1977年美国的数据加密标准（DES）公布，这两件事情导致密码学空前研究。以前都认为密码是政府、军事、外交、安全等部门专用，从这时候起，人们看到密码已由公用到民用研究，这种转变也导致了密码学的空前发展。迄今为止的所有公钥密码体系中，RSA系统是最著名、使用最广泛的一种。RSA公开密钥密码系统是由R.Rivest、A.Shamir和L.Adleman三位教授于1977年提出的，RSA的取名就是来自于这三位发明者姓氏的第一个字母。RSA算法研制的最初目标是解决利用公开信道传输分发 DES 算法的秘密密钥的难题。而实际结果不但很好地解决了这个难题，还可利用 RSA 来完成对电文的数字签名，以防止对电文的否认与抵赖，同时还可以利用数字签名较容易地发现攻击者对电文的非法篡改，从而保护数据信息的完整性。在网上看到这样一个例子，有一个人从E-mail信箱到用户Administrator，统一都使用了一个8位密码。他想:8位密码，怎么可能说破就破，固若金汤。所以从来不改。用了几年，没有任何问题，洋洋自得，自以为安全性一流。恰恰在他最得意的时候，该抽他嘴巴的人就出现了。他的一个同事竟然用最低级也是最有效的穷举法吧他的8位密码给破了。还好都比较熟，否则公司数据丢失，他就要卷着被子回家了。事后他问同事，怎么破解的他的密码，答曰:只因为每次看他敲密码时手的动作完全相同，于是便知道他的密码都是一样的，而且从不改变。这件事情被他引以为戒，以后密码分开设置，采用10位密码，并且半年一更换。我从中得出的教训是，密码安全要放在网络安全的第一位。因为密码就是钥匙，如果别人有了你家的钥匙，就可以堂而皇之的进你家偷东西，并且左邻右舍不会怀疑什么。我的建议，对于重要用户，密码要求最少要8位，并且应该有英文字母大小写以及数字和其他符号。千万不要嫌麻烦，密码被破后更麻烦。密码设的越难以穷举，并不是带来更加良好的安全性。相反带来的是更加难以记忆，甚至在最初更改的几天因为输人缓慢而被别人记住，或者自己忘记。这都是非常糟糕的，但是密码难于穷举是保证安全性的前提。矛盾着的双方时可以互相转化的，所以如何使系统密码既难以穷举又容易记忆呢，这就是门科学了。当然，如果能做到以下几点，密码的安全还是有保障的。1、采用10位以上密码。对于一般情况下，8位密码是足够了，如一般的网络社区的密码、E-mail的密码。但是对于系统管理的密码，尤其是超级用户的密码最好要在10位以上，12位最佳。首先，8位密码居多，一般穷举工作的起始字典都使用6位字典或8位字典，10位或12位的字典不予考虑。其次，一个全码8位字典需要占去4G左右空间，10位或12位的全码字典更是天文数字，要是用一般台式机破解可能要到下个千年了，运用中型机破解还有有点希望的。再次，哪怕是一个12个字母的英文单词，也足以让黑客望而却步。2、使用不规则密码。对于有规律的密码，如:alb2c3d4e5f6，尽管是12位的，但是也是非常好破解的。因为现在这种密码很流行，字典更是多的满天飞，使用这种密码等于自杀。3、不要选取显而易见的信息作为口令。单词、生日、纪念日、名字都不要作为密码的内容。以上就是密码设置的基本注意事项。密码设置好了，并不代表万事大吉，密码的正确使用和保存才是关键。要熟练输入密码，保证密码输人的速度要快。输人的很慢等于给别人看，还是熟练点好。不要将密码写下来。密码应当记在脑子里，千万别写出来。不要将密码存人计算机的文件中。不要让别人知道。不要在不同系统上使用同一密码。在输人密码时最好保证没有任何人和监视系统的窥视。定期改变密码，最少半年一次。这点尤为重要，是密码安全问题的关键。永远不要对自己的密码过于自信，也许无意中就泄漏了密码。定期改变密码，会使密码被破解的可能性降到很低的程度。4、多方密钥协商问题当前已有的密钥协商协议包括双方密钥协商协议、双方非交互式的静态密钥协商协议、双方一轮密钥协商协议、双方可验证身份的密钥协商协议以及三方相对应类型的协议。如何设计多方密钥协商协议？存在多元线性函数(双线性对的推广)吗？如果存在，我们能够构造基于多元线性函数的一轮多方密钥协商协议。而且，这种函数如果存在的话，一定会有更多的密码学应用。然而，直到现在，在密码学中，这个问题还远远没有得到解决。参考文献：[1]信息技术研究中心.网络信息安全新技术与标准规范实用手册[M].第1版.北京:电子信息出版社.2004[2]周学广、刘艺.信息安全学[M].第1版.北京:机械工业出版社.2003[3]陈月波.网络信息安全[M].第1版.武汉:武汉工业大学出版社.2005[4]宁蒙.网络信息安全与防范技术[M].第1版.南京:东南大学出版社.2005
信息加密在网络安全中的应用摘要：由于网络技术发展，影响着人们生活的方方面面，人们的网络活动越来越频繁，随之而来的安全性的要求也就越来越高，对自己在网络活动的保密性要求也越来越高，应用信息加密技术，保证了人们在网络活动中对自己的信息和一些相关资料的保密的要求，保证了网络的安全性和保密性。本文通过对信息加密技术的介绍，提出了对RSA算法的一个改进设想，并列举了一些应用信息加密技术的一些实例，强调了信息加密技术在维护网络安全里的重要性。关键字：信息加密技术，网络安全，RSA，加密算法1、 引言信息加密技术是信息安全的核心技术。尤其是在当今像电子商务、电子现金、数字货币、网络银行等各种网络业务的快速的兴起。使得如何保护信息安全使之不被窃取、不被篡改或破坏等问题越来越受到人们的重视。解决这问题的关键就是信息加密技术。所谓加密，就是把称为“明文”的可读信息转换成“密文”的过程；而解密则是把“密文”恢复为“明文”的过程。加密和解密都要使用密码算法来实现。密码算法是指用于隐藏和显露信息的可计算过程，通常算法越复杂，结果密文越安全。在加密技术中，密钥是必不可少的，密钥是使密码算法按照一种特定方式运行并产生特定密文的值。[1]使用加密算法就能够保护信息安全使之不被窃取、不被篡改或破坏。2、 信息加密技术2.1加密模式可把加密算法看作一个复杂的函数变换，x=(y,k)x代表密文，即加密后得到的字符序列，y代表明文即待加密的字符序列，k表示密钥，当加密完成后，可以将密文通过不安全渠道送给收信人，只有拥有解密密钥的收信人可以对密文进行解密即反变换得到明文。[2]2.2 加密算法对称算法有时又叫做传统密码算法，就是加密密钥能够从解密密钥中推算出来，反过来也成立。在大多数对称算法中，加/解密密钥是相同的。这些算法也叫秘密密钥或单密钥算法，它要求发送者和接收者在安全通信之前，商定一个密钥。对称算法的安全性依赖于密钥，泄露密钥就意味着任何人都能对消息进行加/解密。只要通信需要保密，密钥就必须保密。因此对称算法就是指加密和解密过程均采用同一把密钥，如 DES, 3DES, AES等算法都属于对称算法。非对称算法也叫做公钥密钥算法，用作加密的密钥不同于用作解密的密钥，而且解密密钥不能根据加密密钥计算出来(至少在合理假定的长时间内)。之所以叫做公开密钥算法，是因为加密密钥能够公开，即陌生者能用加密密钥加密信息，但只有用相应的解密密钥才能解密信息。但是从公钥中推导出私钥是很难的。RSA[1]、DSA等算法属于非对称算法，其中以RSA的应用最为广泛，不仅能用于加密同时又可以数字签名。[3]2.3 对非对称加密算法RSA的一个改进非对称加密算法RSA的安全性一般主要依赖于大数，,但是否等同于大数分解一直未能得到理论上的证明, 因为没有证明破解RSA就一定需要作大数分解。因此分解模数十最显然的攻击方法，因此人们为了安全性选择大于10100的模数，这样无疑降低了计算公要和密钥的算法的事件复杂度。因此，在RSA算法的基础上，提出了一个RSA算法的变种，具体思路如下：用户x的公开加密变换Ex和保密的解密变换Dx的产生:(1)随机选取N个素数p1、p2……pn；(2)计算nx= p1*p2……*pn,Ф(nx)=(p1-1)*(p2-1)*……*(rj-1)；(3)随机选取整数ex满足(ex,Ф(nx)) =1;(4)利用欧几里得算法计算dx,满足ex*dx≡1 MOD Ф(nx);(5)公开nx,ex作为Ex,记为Ex=< nx,ex>,保密p1,p2,……,pn,Ф(nx)作为Dx,记为Dx=
网上搜搜国外有一些demo程序，方便你入门。图像边缘提取 常用的边缘检测算子有梯度算子、Roberts算子、Sobel算子、Prewitt算子、Canny算子 不过单用 效果不好 。不知道你是什么语言的车牌识别，建议用梯度算子。江苏视图科技专业图像识别，图片识别率高达98%以上。
如果是单纯的车牌识别算法的话 建议matlab中文论坛有3份1、贵州版本2、广西版本3、老衲版本 （已经发了，其他的你去论坛下载吧
这个你可以上中国期刊库网站查找一下。
如果是单纯的车牌识别算法的话 建议matlab中文论坛有3份1、贵州版本2、广西版本3、老衲版本 （已经发了，其他的你去论坛下载吧
随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。我整理了图像识别技术论文，欢迎阅读!
图像识别技术研究综述
摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。基于图像处理技术进一步探讨图像识别技术及其应用前景。
关键词：图像处理;图像识别;成像
中图分类号：TP391 文献标识码：A 文章编号：1009-3044(2013)10-2446-02
图像是客观景物在人脑中形成的影像，是人类最重要的信息源，它是通过各种观测系统从客观世界中获得，具有直观性和易理解性。随着计算机技术、多媒体技术、人工智能技术的迅速发展，图像处理技术的应用也越来越广泛，并在科学研究、教育管理、医疗卫生、军事等领域已取得的一定的成绩。图像处理正显著地改变着人们的生活方式和生产手段，比如人们可以借助于图像处理技术欣赏月球的景色、交通管理中的车牌照识别系统、机器人领域中的计算机视觉等，在这些应用中，都离不开图像处理和识别技术。图像处理是指用计算机对图像进行处理，着重强调图像与图像之间进行的交换，主要目标是对图像进行加工以改善图像的视觉效果并为后期的图像识别大基础[1]。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。但是由于获取的图像本事具有复杂性和特殊性，使得图像处理和识别技术成为研究热点。
1 图像处理技术
图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。
1)图像采集，图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转为数字图像，和文字、图形、声音一起存储在计算机内，显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。
2)图像增强，图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分，使图像的主体结构更加明确，必须对图像进行改善，即图像增强。通过图像增强，以减少图像中的图像的噪声，改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量，使图像中的物体的轮廓更加清晰，细节更加明显。图像增强不考虑图像降质的原因，增强后的图像更加赏欣悦目，为后期的图像分析和图像理解奠定基础。
3)图像复原，图像复原也称图像恢复，由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊，为了提取比较清晰的图像需要对图像进行恢复，图像恢复主要采用滤波方法，从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建，该技术是从物体横剖面的一组投影数据建立图像。
4)图像编码与压缩，数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列，因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
5)图像分割技术，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域是像素的一个连续集，这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位，然后把目标从背景中分离出来。目前，图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法[2]。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰，使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。
2 图像识别技术
图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别[3]。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。主要识别技术有：
2.1 指纹识别
指纹识别是生物识别技术中一种最实用、最可靠和价格便宜的识别手段，主要应用于身份验证。指纹识别是生物特征的一个部分，它具有不变性：一个人的指纹是终身不变的;唯一性：几乎没有两个完全相同的指纹[3]。一个指纹识别系统主要由指纹取像、预处理与特征提取、比对、数据库管理组成。目前，指纹识别技术与我们的现实生活紧密相关，如信用卡、医疗卡、考勤卡、储蓄卡、驾驶证、准考证等。
2.2 人脸识别 目前大多数人脸识别系统使用可见光或红外图像进行人脸识别，可见光图像识别性能很容易受到光照变化的影响。在户外光照条件不均匀的情况下，其正确识别率会大大降低。而红外图像进行人脸识别时可以克服昏暗光照条件变化影响，但由于红外线不能穿透玻璃，如果待识别的对象戴有眼镜，那么在图像识别时，眼部信息全部丢失，将严重影响人脸识别的性能[4]。
2.3 文字识别
文字识别是将模式识别、文字处理、人工智能集与一体的新技术，可以自动地把文字和其他信息分离出来，通过智能识别后输入计算机，用于代替人工的输入。文字识别技术可以将纸质的文档转换为电子文档，如银行票据、文稿、各类公式和符号等自动录入，可以提供文字的处理效率，有助于查询、修改、保存和传播。文字识别方法主要有结构统计模式识别、结构模式识别和人工神经网络[5]。由于文字的数量庞大、结构复杂、字体字形变化多样，使得文字识别技术的研究遇到一定的阻碍。
3 结束语
人类在识别现实世界中的各种事物或复杂的环境是一件轻而易举的事，但对于计算机来讲进行复杂的图像识别是非常困难的[6]。在环境较为简单的情况下，图像识别技术取得了一定的成功，但在复杂的环境下，仍面临着许多问题：如在图像识别过程中的图像分割算法之间的性能优越性比较没有特定的标准，以及算法本身存在一定的局限性，这使得图像识别的最终结果不十分精确等。
参考文献：
[1] 胡爱明，周孝宽.车牌图像的快速匹配识别方法[J].计算机工程与应用，2003，39(7)：90—91.
[2] 胡学龙.数字图像处理[M].北京：电子工业出版社，2011.
[3] 范立南，韩晓微，张广渊.图像处理与模式识别[M].北京：科学出版社，2007.
[4] 晓慧，刘志镜.基于脸部和步态特征融合的身份识别[J].计算机应用，2009，1(29)：8.
[5] 陈良育，曾振柄，张问银.基于图形理解的汉子构型自动分析系统[J].计算机应用，2005，25(7)：1629-1631.
[6] Sanderson C，Paliwal K K.Information Fusion and Person Verification Using Speech & Face Information[C].IDIAP-RR 02-33，Martigny，Swizerland，2002.
点击下页还有更多>>>图像识别技术论文
单个RGB-D图像的深度补全 主页：
Github：
Paper：
Goal --complete the depth channel of an RGB-D image
Problem --Commodity-grade depth cameras often fail to sense depth for shiny, bright, transparent, and distant surfaces
Method --takes an RGB image as input and predicts dense surface normals and occlusion boundaries. Those predictions are then combined with raw depth observations provided by the RGB-D camera to solve for depths for all pixels, including those missing in the original observation
Goal: to complete the depth channel of an RGB-D image captured with a commodity camera (i.e., fill all the holes) 填充深度图的空缺
以前的depth inpainting (深度修复)方法 使用 hand-tuned（手工调整）来解决，该方法通过 外推边界表面、马尔可夫图像合成；来fill holes
深度网络已经用于depth estimation，但还未用来depth completion,因为有以下几个难点：
对于和 补全的深度图 配对的 捕获的RGB-D图像，这样的大规模训练数据不易获得
这样 depth estimation只能重现 observed depth，不能估计 unobserved 深度信息
本文引入了新数据集，105432张RGB-D 图像，且与在72个真实环境中从大规模表面重建计算出的完整深度图像对应
深度表示
直接用FCN回归depth不work尤其是对图1中缺失那么大的一片区域，因为即使对人类来说，从单眼 color image 估计精确深度也很难啊 所以本文先用网络预测depth的 局部微分属性：表面法线&遮挡边界
以前没有人去训练一个端对端网络去从RGB-D图像补全深度
一个想法是扩展一下前人color to depth 的网络，但是
这里的 不对齐 具体指啥，有空间位置的不对齐吗.有颜色信息的像素不一定有深度信息？
本文是 只将 color image 作为输入，先预测 local surface normals and occlusion boundaries with supervision,因为 从颜色信息预测局部特征是深度网络可以胜任的 。然后通过一个把这些预测和输入depth组合起来的全局优化问题来complete depth
Main Insight
好处：这样做smaller relative error ，网络独立于observed depth，不需要因为新的depth sensors再次训练 ?
depth estimation from a monocular color image 单目彩色图像
Shape-from-defocus
Others
-Old methods
Auto-encoder
GAN
先前的方法没有研究depth images的inpainting，由于depth images缺少鲁棒的特征strong features 和 大规模训练数据，这是比较难的问题
Markov random fields
Shape-from-shading
Segmentation
Dictionary methods
尽管一些方法可以被用来 depth completion，但两者的关注点是不同的。
其他工作已经研究了用稀疏深度测量集增强的彩色图像的深度重建。
但是该研究的motivation是降低一定设置下的传感成本（例如 节省机器人的成本），而不是depth completion
对应于introduction提到的三个难点，本文的研究也聚焦于以下三个问题：
但这方法昂贵耗时，这个类型的public dataset只包含少量的 indoor scenes
for example: Matterport3D [6], ScanNet [10], SceneNN [28], and SUN3D[22,67]
这就得到了包含 RGB-D & D* 图像对的数据集！
疑问：多视点的 RGB-D images 的结合 是需要图像之间的 配准regirstration 吧？难道这个得到mesh的过程是原来的数据集现成的？全局表面重建是数据集现有的 参见
由于表面重建以与深度相机的分辨率相当的3D网格尺寸构造，因此在完成的深度图像中通常不会损失分辨率。 然而，当投影到视平面上时，相同的3D分辨率为远离相机的表面提供了有效的更高像素分辨率 。 因此，完成的深度图像可以在渲染高分辨率网格时利用子像素抗锯齿来获得比原始图像更精细的分辨率（请注意图3中家具中的细节）。 WHY
本文的数据集有 117516 RGB-D images with rendered completions： Training set:105432;Test set:12084
然而difficult to predict absolute depth from monocular images,
本文是预测每个像素的局部属性，表面法线、遮挡边界
why use 表面法线 遮挡边界：
so,的工作在从颜色图像到表面法线的密集预测效果不错 [1,15,34,66,75]
那么，如何从surface normals & occlusion boundary 计算深度：
a) What loss should be used to train the network
two choices: trained only on holes vs all pixels:
trained with rendered normals VS raw normals ? 详见论文附件
对比实验结果：
b) What image channels should be input to the network
实验表明如果用RGB-D作为输入来预测法线，在holes部分像素的预测很差（尽管对于observed pixels work），推测这种网络只是从RGB-D中的depth channel预测normals，所以对于hole就不能work了
图5的结论启发作者仅用color image 预测 surface normals
separating “prediction without depth” from “optimization with depth” is compelling for two reasons：好处
前面的网络预测得到 surface normal image N 和 occlusion boundary image B(==长什么样子？==)
求解一个方程组
目标函数由 四个 平方误差的加权求和
$E_D$ ：估计的深度和原始观察到的深度的距离
$E_N$ ：预测的深度 和表面法线的一致性 by 切线 点乘 法线
$E_S$ ：促使相邻像素有相似的深度值
B： $B ∈ [0, 1] $ down- weights the normal terms based on the predicted probability a pixel is on an occlusion boundary $(B(p))$
==提问：如果在边界， 实际是不满足法线垂直切线，所以减小他的权重 ？极端情况只考虑在遮挡边界的 $E_N$ ??==
==疑问：本来平方误差不就已经是非线性了吗==
目标函数的矩阵形式 是 稀疏 且 对称正定的，所以可使用==a sparse Cholesky factorization [11] 稀疏 Cholesky 分解== 来求解 近似的目标含函数
Evaluation metrics
(以上衡量depth error,下面是衡量surface normals)
table 1展示了不同输入下的结果（表中箭头向上 越大越好；反之，越小越好）
例如 normal 的 median error 17.28 < 23.59；depth的 Rel 0.089<0.09
==补充材料==里还展示了不同loss 设置下(observed only VS unobserved only)，这个优势依然存在
作者认为当为observed depth时，网络会学习进行插值而不是在holes合成新的depth。
++这个实验结果促使本文将整个方法 分为两个步骤 two stage system++ !!
表二 注意这里的D是从depth 预测 depth
以Rel为例 N 0.089 < N+DD 0.092 < DD 0.100 < D 0.167。
作者认为由于表面法线只代表了orientation of surfaces ，比较好预测，详见[31]；而==且他不随深度的变化而变化，在不同的视图里更一致==
表2 yes 表示有B，No 表示没有down-weights 对比 0.089<0.110，提升约 19%。 occlusion boundaries ==区域的surface normals是 嘈杂，不准确的？== 图6
第2列是网络输出的法线和遮挡边界，第2行第3、4列为 是否有boundary weight 的对比。第1行的3、4列是从输出的深度图计算的surface normal。遮挡（闭塞）边界==提供了深度不连续性信息，有助于保持边界的清晰度/锐度==看从深度计算的法线图
图 7
图像横轴是图像中具有深度的像素的个数（未被masked），左图展示了predicted depth accuracy of observed pixels,右图为predicted depth accuracy of unobserved pixels
显然unobserved 的accuracy 低于 observed；但是只要有一小部分的输入depth(==2000 depths 只占all pixels 的 2.5%==) .这从侧面说明即使是其他depth sensors designs with sparse measurements，也能得到比较客观的预测效果，==也不用重训练网络（网络输入只是颜色啊）== 但是你训练网络时的ground truth normals 来自rendered depth image 啊？？如果只做个测试感觉确实不特别依靠raw depth的数目
表3
表中的对比方法分别是 联合双线性滤波、快速双边求解、全局边缘感知能量优化 发现Rel是所有方法中最小的
图8展示了与 联合双线性滤波的比较
图8展示的结果看，本文方法的深度图边界更精确
和color to depth的深度估计方法对比
表 4
本文方法个指标都为最佳，提升23-40%。 Y表示 observed depth N表示 unobserved 这也表明 预测法线 对于深度估计问题也是不错的方法
注意看，不仅预测的深度更准确，而且通过对比计算出的surface normals，说明本文方法学习到了更好的场景几何结构
搭建桥梁沟通了彩色图和深度图信息 桥就是normals!
显而易见，这是一个牺牲时间换取图像质量的游戏
1.速度很慢。
分辨率320x256的图像，使用NVIDIA TITAN X GPU还需要大约0.3秒；Intel Xeon 2.4GHz CPU上大约1.5秒.
2.依赖高性能硬件。难以控制成本
基于深度学习的单目深度估计在近几年是比较热门的研究方向之一，MIT的Diana Wofk等人在ICRA 2019上提出了一种用于嵌入式系统的深度估计算法FastDepth，在保证准确率的情况下，大大提高了模型的计算效率。 论文： FastDepth: Fast Monocular Depth Estimation on Embedded Systems Offical Pytorch： 模型的整体结构比较简单，采用了Encoder-Decoder的架构。Encoder部分采用了MobileNet模型提取到7x7x1024的特征；Decoder部分采用了5次上采样，中间三次上采样结果通过Skip Connections的方法分别与Encoder部分的特征进行了特征融合，为了减小上采样部分的通道特征，还使用了5x5的卷积来降维；最后使用1*1的卷积得到深度图。 使用Keras实现基本的FastDepth模型： Decoder部分的结构如下所示： 为了减小模型体积，提高运算效率，使得模型更适用于嵌入式设备，使用 NetAdapt 算法对FastDepth进行了裁剪。 模型在NYU Depth V2 dataset上进行了训练，基本实验结果如下图所示。可以看出论文提出的FastDepth算法相较当前准确率最高的算法低了4%，但是运算速度有着大幅提升，因此特别适用于嵌入式设备。 下图是深度估计的可视化效果： 下图是不同方法下Encoder和Decoder部分的运算效率和准确率，可以看出论文提出的方法运算速度非常快，而且Depthwise、Skip Connections和网络裁剪这三个技巧可以大幅提高运算效率而且对准确率的影响比较小。