1. 研究目的与意义
大千世界的物体种类繁多,人们主要通过视觉系统对形形色色的物体进行分类和辨别,统称为物体识别。通过模拟人类视觉系统的视觉信息获取和处理功能以便于计算机具有人类识别物体的能力,岀现了计算机视觉和模式识别等研究领域。物体识别( ObjectRecognition)是当前国内外计算机视觉与模式识别领域的一个活跃的研究方向,在很多方面有了很大的进步。比如对人类的视觉系统有了更进一步的认识、数学工具更高级、计算效率越来越高、越来越多的具有挑战性的数据库收集等,这些进步使得物体识别越来越引起人们的关注。
物体识别是机器智能的基本功能之一,它是任何一个以图像或视频作为输入的实际应用系统中的核心问题和关键技术。这类系统的性能和应用前景都依赖于其中物体的知识表示和分类识别所能达到的水平。物体识别技术无论是在军事还是在民用中都有着广泛需求和应用。如智能视频监控、视觉导航、人机交互、计算机取证、各类身份识别和认证系统、数字图书馆和 Internet中的在海量图像库和视频中的基于内容的检索、编码与压缩等等。
基于图像的物体识别的过程通常表现为:首先建立待识别物体图像的一种知识表示模型,在一定量的训练样本中学习得到一组满足预定要求的模型参数同时根据物体图像的表示模型,建立一套从实际图像中进行推理的识别算法,通过在实际图像中测试可获得系统的泛化能力对其进行性能评估。由此可见,物体识别技术的提高,无论在军事还是民用方面都有非常重要的意义所谓一般物体识别,通俗来说即是使得计算机具有和人类一样的,对于在任意环境下观察到的任意物体进行检测、分割和识别的能力。它作为计算机视觉领域的一个特定然而极为重要的任务,要求在给予一定量的训练样本的前提下,计算机能够学习有关指定物体类别的知识,并在观察到从属于旧类别的新物体时,给出识别的结果。
2. 研究内容和预期目标
研究内容：深度学习相关知识，神经网络的原理，tenbsorlow实现图像识别，如何把系统包装成客户端以便使用
拟解决的关键问题：如何用tensorlow搭建图像识别系统，怎样将预处理的图像放入系统，如何让机器学习图像识别，如何让物品图像分类，如何使识别的精度尽可能的高
写作提纲：介绍深度学习和神经网络的相关原理，介绍python tensorlow的功能，数据集采集与输入，构建图像识别系统，训练样本和分类，输出想要的信息，再包装成客户端。
3. 国内外研究现状
图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。
#9655; 文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，从印刷文字识别到手写文字识别，应用非常广泛。
#9655; 数字图像处理和识别的研究开始于1965年。数字图像与模拟图像相比具有存储，传输方便可压缩、传输过程中不易失真、处理方便等巨大优势，这些都为图像识别技术的发展提供了强大的动力。
4. 计划与进度安排
12月-1月搜集相关知识的资料及原理
1月-2月搜集合适的数据集，搭建python tensorlow的环境，将数据集输入和数据集分类训练作为主要工作
5. 参考文献
1. Speed/accuracy trade-offs for modern convolutional object detectors ([1611.10012] Speed/accuracy trade-offs for modern convolutional object detectors), Huang et al., CVPR 2017 (paper describing this framework)
2. Towards Accurate Multi-person Pose Estimation in the Wild (https://arxiv.org/abs/1701.01779), Papandreou et al., CVPR 2017
3. YouTube-BoundingBoxes: A Large High-Precision Human-Annotated Data Set for Object Detection in Video (https://arxiv.org/abs/1702.00824), Real et al., CVPR 2017 (see also our blog post (Advancing Research on Video Understanding with the YouTube-BoundingBoxes Dataset))*
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
