一、指纹自动识别系统建库工作的探讨（论文文献综述）
吴浩,刘雅娴,李琦伟,陈子龙,王子政,秦旗[1]（2021）在《刑侦指纹自动识别系统性能评测体系研究》文中认为我国公安刑侦部门自上世纪90年代开始建设应用指纹自动识别系统,利用指纹自动识别系统开展犯罪现场指纹查询、深挖犯罪嫌疑人余罪等工作,取得了显着的破案成效,指纹自动识别系统已经逐渐成为各级公安刑侦部门侦查破案的重要工具之一。随着人工智能等计算机应用技术的迅速发展,指纹自动识别系统比对算法关键性能也得到了极大提升,针对性的评测工作亦变得日趋重要和不可或缺。本文结合公安刑侦工作实际,探索研究刑侦指纹自动识别系统性能评测体系,介绍了刑侦指纹自动识别系统评测内容和关键指标,并详细阐述了评测方法和工作程序。
李思远[2]（2021）在《应用PMOLED采集的小面积指纹图像识别方法研究》文中指出指纹识别技术作为应用最广泛的生物特征识别技术,已经普及于智能门锁、打卡机等电子设备的身份认证之上。随着指纹采集器变得更加小型化与轻便化,使得采集到的指纹图像越来越小,应用传统的指纹识别方法针对小面积指纹图像进行识别,会导致正确识别率大幅降低,同时LED灯作为光学指纹采集器使用最频繁的背光源,存在功耗大、背光不均匀等不足。因此,本文设计了一种应用PMOLED（Passive Matrix OLED）屏的光学指纹采集系统,并且从图像处理和深度学习两方面对采集的小面积指纹图像进行了识别方法研究。本文的主要工作如下:一（1）应用自发光PMOLED屏设计了一种光学指纹采集系统。针对该系统采集的原始图像存在屏幕发光像素干扰等问题,采用平均值消除法对原始数据进行了降噪处理,大幅地减少了屏幕干扰信号,之后进行了规格化、低通滤波、图像增强、二值化以及细化处理,得到了清晰的单像素小面积指纹图像。（2）提出一种基于拓扑结构拼接的小面积指纹识别方法。该算法首先对细化后的指纹图像提取分叉点和端点两种细节特征点,求出每一个细节特征点的方向场角度,然后将两张指纹图像进行特征点匹配,对匹配的特征点进行拓扑结构连线,最后应用配准的特征点对之间的欧氏距离之和求取最优的旋转平移参数,实现小面积指纹拼接,提高正确接受率。（3）提出一种基于改进残差网络融合卷积注意力机制的小面积指纹识别方法。将残差网络中的单一残差块改进为三种残差块类型,并通过不同的堆叠方式对残差块进行重新布局,减少了非线性激活函数过多带来的影响,然后将卷积注意力机制添加至改进的残差网络中,利用卷积注意力机制对所提取的指纹图像特征进行加权处理。该方法减少了网络训练和测试的收敛时间,同时提高了测试准确率。实验结果表明,本文应用PMOLED设计的光学指纹采集系统可靠有效,并且本文提出的基于拓扑结构拼接的小面积指纹图像识别方法在自建库和重构后的FVC2002DB2指纹库分别取得99.57%和99.65%的正确识别率,基于改进残差网络融合卷积注意力机制的小面积指纹识别方法在自建库和重构后的FVC2002DB2指纹库分别取得98.15%和98.69%的测试准确率,证明了本文方法的有效性,能够满足智能产品的应用要求。
陈美好[3]（2021）在《地下物流仓储中心定位技术研究》文中研究表明近年来,随着经济与科技的不断发展,城市化建设速度越来越快,导致地面土地资源不断减少,地上空间建设费用上升,因此许多国家开始进行地下物流仓储中心的建设用来应对上述问题。在地下物流仓储中心工作过程中,对于叉车、集装箱等设备的位置信息获取至关重要,因此选择适合的设备定位技术十分有必要。通过研究现有的定位技术,WLAN定位在地下应用场景中的缺陷较小,且不存在架设成本及地形限制的影响,但在地下物流仓储中心环境中应用仍然存在一些问题,本文针对地下物流仓储中心应用场WLAN定位算法作出改进。论文完成了以下几个方面的工作:1.针对在地下物流仓储中心中使用WLAN定位技术建库工作量大的问题,本文提出了一种基于位置指纹空间插值的离线建库法,该方法基于改进CPN神经网络进行建模,完成并仿真测试了算法模型。该算法提高了建库效率,在地下仓储中心中的定位过程中减少定位工作量。2.为了提高在地下物流仓储中心在线获取设备位置坐标的速度,本文实现了一种基于AP选择的在线定位方案。该方案运用了 reliefF算法进行在线定位计算优化,提升在线定位速度。该算法的提出能加快WLAN定位算法的速度,在面积较大的地下物流仓储中心中使用WLAN定位技术时,减少在线定位计算量。3.针对地下物流仓储中心中无线传播环境不稳定的情况,分析并提出误差修正方案,实现基于BP网络结构的定位误差修正模型。在训练过程中,为了克服BP神经网络结构的局限性,结合了遗传算法与动量因子进行改进,建立定位误差修正模型,该方案提升了定位精度,修正了在地下物流仓储中心定位中的噪声影响。4.整合上述三个定位步骤,基于visual studio使用C++语言开发了地下物流仓储中心位置获取演示平台,实现了在地下物流仓储中心的设备管理功能。
檀腾[4]（2020）在《基于低秩矩阵恢复的室内指纹定位技术研究》文中研究说明近年来,随着通信信息技术和移动智能终端的快速发展,基于位置的服务越来越受到人们的广泛关注,人们对室内领域的定位服务需求也越来越强烈。目前,基于无线局域网的室内指纹定位技术以其成本低、易于实现、便于扩展、定位精度高等特点逐渐成为当前研究的热点。基于位置指纹的室内定位技术利用实时接收的信号强度与位置指纹数据库相匹配来估计用户位置信息,因此在离线阶段建立的位置指纹库对精准定位至关重要。然而接收信号强度（Received Signal Strength,RSS）容易受到复杂环境变化、多径、阴影效应等问题的影响,导致位置指纹库中掺杂离群点和噪声,定位精度下降。同时离线阶段建立指纹库需要在每个参考点采集指纹信息,这需要巨大的工作量,严重影响该方法的实用性和推广。为此,本文通过对相关文献的查阅和实际实验分析,进行了如下的研究工作:（1）通过理论分析以及数据实验,证明了RSS之间的空间相关性和时间相关性,该相关性在指纹库中就表现为矩阵的低秩属性。据此针对指纹库中掺杂离群点和噪声的问题,提出利用该低秩属性结合Robust Principal Component Analysis（Robust PCA）算法对指纹库进行恢复的预处理。并详细分析了传统Robust PCA模型的优劣性,提出了利用加权核范数代替核范数,引入矩阵2,1范数正则项的改进Robust PCA优化模型。同时针对该改进的优化模型结合交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）进行了算法推导。经仿真数据和真实环境数据验证,所提出的算法能有效去除指纹库的离群点和噪声,并提高指纹库以及在线定位的精度。（2）针对离线阶段建立位置指纹库需耗费巨大的工作量,以及定位区域内某些位置处无法测量的问题,提出了基于Matrix Completion的高效指纹库构建算法。利用指纹库的空间相关性和部分已知参考点处的RSS,自动填充完整的位置指纹数据库。并提出了改进的Matrix Completion优化模型,以提高指纹库构建的精度以及对噪声的鲁棒性。针对改进模型的优化问题进行了详细的算法推导。同时针对Matrix Completion无法有效处理全零行和全零列的问题,提出了结合K邻近方法（K-Nearest Neighbor,KNN）的指纹库填充算法。最后通过仿真数据和真实数据实验验证了所提出的算法可以有效的填充未知点的数据,减少离线阶段的工作量,以及较其他算法更优越的性能。
沈华钧[5]（2020）在《一种基于众包的室内定位技术研究》文中提出WiFi指纹定位法在室内定位技术中的应用最为普遍。该方法需要在待定位区域,建立参考点处来自不同无线接入点的信号强度值（RSS）的指纹数据库。然而在实际室内环境中,会存在家具位置移动、人员走动、AP位移、缺失等现象。这就需要耗费大量人力物力,来经常性地维护更新指纹库。因此利用众包思路,结合行人航位推算技术（PDR）来提高WiFi指纹库维护更新效率成为了研究热点。目前基于手机的PDR技术,在行人航向测算上通常要求手机一直保持固定的水平姿态。但在众包使用场景中,手机姿态多样,这种限制条件导致目前的众包快速建库方法不具有实用性。针对此问题,本文在分析室内手机使用场景之后,首先提出了一种基于SVM的手机姿态分类方法。尤其针对难以判断的行人航向信息,本文提出了一种基于主成分分析的转向动作检测方法。并通过实验证明了该方法在行人姿态、手机姿态检测上的有效性。在检测到不同时刻下手机姿态、用户运动状态后,本文提出了一种基于地标辅助的行人航向更新算法,有效融合了转弯点处AP、手机内置惯性传感器等信息。本文还提出了一种基于粒子滤波的转弯点纠正算法来解决粒子滤波中出现的粒子“回跳”问题。在推算出行人室内移动轨迹的同时,该方法不要求手机相对人体保持固定姿态,有效解决了传统PDR方法对手机姿态的限制问题,适用于室内众包场景。最后针对指纹库更新维护问题,本文提出了一种基于克里金插值的样本点RSS数据优化算法,在行人移动过程中,手机自动采集RSS信息,并通过时间戳将RSS标签与具体位置点对应,完成了指纹库维护工作。文章还详细说明了基于众包思路的指纹库数据更新框架,并通过实验证明了本文方法可以在保证指纹库定位精度的同时,有效降低其维护所需的人力物力,具有较强的实用性。
从海峰[6]（2019）在《室内定位的指纹库自适应更新算法研究与实现》文中指出人们日常生活中使用的房屋合租、汽车导航和新闻推送等应用都依赖于定位技术。受益于全球定位系统的普及,室外环境下定位精度已经达到一个极高的地步。但由于建筑物对卫星信号的遮挡,室内环境下难以实现精准定位。蓝牙指纹定位是一种流行的室内定位技术,但是室内环境和蓝牙信标摆放位置的变化会对蓝牙信号分布产生极大的影响,最终会导致定位精度的下降。蓝牙指纹定位的广泛使用受限于需要花费大量人力采集带位置标签的指纹,来建立和更新指纹库。为了解决这个问题,本文提出了一种指纹库更新方法,主要内容如下:首先,本文提出利用众包数据对指纹库进行自动更新。包含蓝牙接收信号强度、速度和航向的众包数据将会被卡尔曼滤波融合,经过轨迹有效性分析后可以给未标记的蓝牙接收信号强度数据赋予位置标签生成候选指纹。当每个参考点都获取到足够的候选指纹后,具有噪声的基于密度的聚类算法将会被用于分析原始指纹和候选指纹,完成指纹库的自动更新。其次,作为异常情况下指纹库自动更新算法不能生效的补充,本文提出了基于地磁序列匹配的指纹库快速手动更新算法。利用信标处的平均定位误差确定需要手动更新的区域,使用动态时间规整算法进行地磁模版匹配实现对轨迹的修正,并根据训练出的信号传播模型补齐轨迹上某些参考点蓝牙接收信号强度的空缺,完成指纹手动更新。最后,为了更为直观的展示指纹更新前后的定位效果,本文完整的搭建了一套包括数据采集、数据处理和结果演示系统。通过对大量的实验结果进行分析,指纹库自动更新后基于指纹的蓝牙定位精度得到了有效提升,3米内定位精度达到90%,平均定位精度有0.6米的提高。指纹库手动更新后平均定位误差达到了1米,与刚建库时相接近,同时与逐点采集更新相比效率大大提高。
金潇潇[7]（2019）在《基于快速建库的蓝牙室内定位算法研究》文中研究指明随着无线定位技术的发展,人们对关于位置服务（Location Based Service,LBS）的需求越来越宽泛,而传统位置指纹库构建方法需要依次采集所有参考点上的接收信号强度（Received Signal Strength,RSS）,消耗大量的人力和时间成本,不适合推广到大型的室内定位场景。此外,在室内定位环境中,多径效应、墙体的遮挡和人群的流动等影响使无线信号受到不规律干扰,造成在同一个参考点处接收到的来自各个接入点（Access Point,AP）的RSS序列具有较复杂的时变统计特性,使室内定位精度有所下降。针对以上问题,本文基于低功耗蓝牙（Bluetooth Low Energy,BLE）系统平台,设计一种由微机电系统（Microelectro Mechanical Systems,MEMS）传感器辅助动态采集BLE指纹和径向基函数（Radial Basis Function,RBF）插值相结合的多方向位置指纹库构建方法,并且研究了一种改进型蓝牙室内定位算法,使系统减小建库时间成本的同时保证较高的定位精度。首先,设计多方向稀疏位置指纹库的快速构建方法,在室内场景标定若干直线型路径,并以动态行走的方式采集每条路径上的指纹数据。其中,通过修正行人航迹推算（Pedestrian Dead Reckoning,PDR）定位结果可以得到较准确的行人在每时刻的坐标,将这些坐标与标准指纹库坐标依次做最近邻（Nearest Neighbor,NN）匹配。由此,将行人每秒内RSS的均值、实时航向角信息和相应的参考点坐标一并存入位置指纹库,可以建立包含多个方向RSS序列的多方向稀疏位置指纹库。其次,设计基于RBF插值的指纹库丰富方法,采用RBF对多方向稀疏位置指纹库做插值,构建参考点密度较大的多方向位置指纹库。同时,通过对自由形状参数和影响域半径的分析与寻优实现对非采样参考点的RSS的最优估计,提高了插值精度与位置指纹库的定位精度。再者,设计一种改进型蓝牙室内定位算法,通过仿射传播聚类算法和离群点检测算法对每个单方向位置指纹库做预处理,实现对指纹库的合理聚类,减小在线定位指纹匹配时间。同时,使用粗定位与精定位结合的定位模式,由行人的实时航向角信息和RSS确定单方向位置指纹库中的某个类群,完成粗定位,再采用Tanimoto距离衡量参考点间RSS序列的相似性,实现精定位。最后,搭建实验平台对各模块算法进行测试。实验结果表明,本文设计的快速建库方法所构建的动态多方向基于RBF插值位置指纹库,采用WKNN定位算法在83.3%置信率情况下的定位误差为3m,优于其他几种建库方法的定位精度;且本文设计的建库方法的时间成本均小于其他几种建库方法,建库效率较高。另外,针对构建的多方向位置指纹库,本文基于相同组测试数据分别利用改进型定位算法和传统WKNN定位算法进行定位,结果表明改进型定位算法能够提升小距离定位误差的置信率以及减小大距离误差。
王阳睿[8]（2019）在《基于视频指纹的相似视频检索系统的设计与实现》文中进行了进一步梳理随着互联网中视频应用场景越来越多,例如综艺、短视频、新闻等,视频资源的数量正在飞速增多。大量的视频资源涌入数据库,其中充斥着大量的重复数据,一些用户为了赚取点击量和相关排名,将他人的原创作品进行重复上传。这种行为严重损害了原创作者的利益,同时也影响用户在浏览信息时的体验。很多研究机构与公司在视频去重领域投入了大量精力,如对视频处理的哈希技术和二进制水印技术等等。然而这些解决方案都是基于数据的二进制特性而与视频内容无关,因此效果不甚理想。我们提出一种基于视频指纹的相似视频检索系统,在系统中使用“视频指纹”技术,所谓指纹技术是指对视频进行处理,得到与内容相关的特征数据。将新特征数据与旧特征数据进行匹配比对便可以确认相似视频。论文从系统的需求出发,以相似视频检索系统的宏观设计与具体实现为切入点,分析了系统的主要功能性需求与性能要求,指出了系统的主要性能瓶颈与技术难点,并针对每个问题进行分析与架构优化。从信息技术的角度介绍了系统的具体设计方案、业务兼容标准、各子系统的程序处理流程、模块间的调用关系等等,为接下来的具体实现提供方法指导与理论参考。相似视频检索系统由四个部分组成:对外代理系统、特征提取系统,特征存储系统、特征索引建立系统。对外代理系统是对外提供服务的唯一接口,负责接收与响应请求以及调用其他模块。特征提取系统负责对视频进行指纹特征提取,使用相关算法对视频内容进行处理得到对应特征向量。特征存储系统由实时库与全量库构成,实时库只存储近期产生的新视频特征,全量库以索引文件的形式储着全部历史视频特征数据,该模块也提供特征匹配检索功能。特征索引建立系统作用于实时库与全量库之间,它将轻量的多维特征数据转化为重量级的索引文件,以提高全量库的搜索效率。经过功能与性能测试,相似视频检索系统能够在数据库中检索出高度重复的视频,实现了对相似视频的有效去重。系统的架构与实现方案满足了预设的功能需求,并且与其他业务能够兼容。在性能方面,系统处理小视频平时长在40s以内,单帧图像处理时长在400ms以内,系统整体并发度为单机6次请求/秒。以上效果满足业务需求,系统上线后正在稳定运行。
杨枝[9]（2019）在《基于TrustZone的小面积指纹识别系统研究与设计》文中认为指纹识别已成为智能终端中应用最广泛的生物识别技术之一,指纹识别技术在智能终端中提供解锁和支付等功能,指纹数据的安全对于智能终端来说至关重要。随着科技的进步,黑客技术也在不断发展,并出现了一系列危害公共财产安全的现象,使得移动终端的安全防护问题日益突出。伴随智能终端的轻薄化发展,导致电容式指纹采集器的面积逐渐减小,同时在使用比较成熟的指纹识别方法时将出现识别率降低的现象,因此小面积指纹识别和指纹数据的安全性成为该领域的研究热点。开放移动终端平台工作组率先提出了可信执行环境的概念,用于保障设备能够抵御众多的潜在威胁。本文在普通系统与高安全系统相互独立运行的双系统模式下,利用普通系统的应用程序采集指纹信息,将之传输至安全系统中,并同步进行一系列加密以进行识别与处理,将其与信息库比对匹配的结果反馈至普通系统中用以确定终端下一步操作。论文的主要内容如下:（1）在安全操作系统中设计了一种基于SURF算法的小面积指纹拼接算法。将SURF算法与小面积指纹识别进行结合,采用电容式指纹采集器采集3400幅指纹图像作为自建数据库,并在FVC数据库中进行验证。实验对比与验证表明,该算法可有效地提升指纹识别率、缩短识别时间。（2）以ARM处理器提供TrustZone的安全扩展机制为基础,设计了一个基于TrustZone的小面积指纹识别安全技术方案。将普通系统的应用程序用于采集指纹信息,将之传输至安全系统中,并同步进行指纹加密解密处理,最后与信息库比对匹配的结果反馈至普通系统中用以确定终端下一步操作。（3）为了验证本文所提方案的有效性,采用基于SW9251的指纹采集硬件平台和SMDKV210开发板,对基于TEE的小面积指纹识别进行了验证,对基于TrustZone的指纹识别安全服务功能以及指纹敏感信息的安全存储功能进行了验证,并对监视器效率以及双系统之间通信稳定性进行测试。实验结果表明,本系统可保证指纹识别过程中机密数据的安全性。
刘梦云[10]（2019）在《基于视觉的室内场景识别及其在多源融合定位中的应用》文中研究指明随着科技和社会的不断发展,人们的日常活动越来越倾向于在室内环境下进行。理解用户所处的室内场景,有助于为用户提供更加智能可靠的服务。然而,相比室外空间,室内空间往往更加复杂多变。无论是在室内情景下的场景识别还是定位导航都面临着巨大挑战。近年来,研究者们针对视觉识别问题开展了大量研究,提出了多种基于卷积神经网络的识别方法,有效地将目标识别精度提高到了接近人类水平。然而,对于场景识别尤其是室内场景的识别,一方面相关的研究较少,另一方面已有的研究中也存在着大量需要解决的问题。包括:（1）传统人工定义的全局特征结合局部特征的方法对室内场景的表达存在着明显不足,使得相应的室内场景识别精度普遍较低。（2）缺乏大规模标注好的室内场景数据集,因而无法使用卷积神经网络从初始状态对室内场景进行表征学习。（3）现有的场景识别方法大多基于监督学习来实现,而基于非监督或半监督的相关研究较少。另外,在室内定位领域,尽管基于信号指纹的方法不需要部署额外的设备,在一些结构简单的场景下能够获得较好的定位效果。然而,由于室内环境的复杂性以及信号传播的不稳定性,使得该方法在部分复杂场景下无法得到稳定精确的定位结果。另外,基于位置-信号指纹库的定位方法也存在着维护和更新困难的问题。针对上述问题,本文首先从监督学习和非监督学习两个角度研究了相关的室内场景识别方法。其次,为了进一步探索室内场景信息在位置服务中的应用以及更好地解决现有室内定位系统中定位不稳定的问题,本文提出了一种基于场景识别的多源融合室内定位方法。文章的主要内容及创新点包括:（1）研究了基于大规模室内场景数据集和卷积神经网络的室内场景识别方法。从监督学习的角度,本文分析对比了多种深度卷积神经网络结构,使用三种不同的策略来解决基于视觉的室内场景识别问题。包括使用大规模的室内场景数据从初始状态训练深度卷积神经网络模型;在预训练模型的基础上,通过网络微调方法训练室内场景模型;通过将预训练模型作为特征提取的工具,使用简单机器学习分类器来进行室内场景识别。在这一过程中,由于从初始状态直接训练深度卷积神经网络模型需要大规模的训练数据,而目前还没有专门针对室内场景的大规模图像数据集。因此,本文在已有数据集的基础上对室内场景数据进行整合,得到了数据量在百万级别的大规模室内场景数据,并提出了对数据集进一步扩充和优化的方法。该研究一方面对室内场景识别问题的研究范围进行了拓展,分析了大规模室内场景数据集上的识别效果。另一方面,对基于卷积神经网络的监督式视觉表征学习方法进行了深入的探讨和分析,为更好地解决室内场景识别问题提供了基础。（2）提出了基于非监督学习的室内场景识别方法。在该研究中,本文提出了基于非标注数据的视觉表征学习方法,通过在非标注数据之间构建k-NN图来挖掘样本之间的内在关系,从而得到正负样本对。然后将挖掘出的正负样本对作为输入数据,引入用于二分类的孪生卷积神经网络（Siamese ConvNet）来实现基于室内场景数据的视觉表征学习。最后再将训练好的孪生卷积神经网络作为特征提取器,结合简单的线性SVM分类器得到室内场景识别模型。该研究针对室内场景识别中标注数据不足的问题,结合室内场景数据类内差异大、类间差异小的特点,提出了基于k-NN图约束条件及孪生网络的非监督视觉表征学习方法,从而使得基于少量样本的室内场景识别成为可能。（3）提出了基于场景识别的多源融合室内定位方法。本文在现有的多源融合室内定位系统的基础上,增加了场景信息来进一步约束定位过程,以提高定位系统的精确度和稳定性。该系统可分为离线采集和在线定位两个阶段。在离线阶段,系统将根据不同场景来采集多源传感器数据并记录用户轨迹,从而构建以场景信息为索引的层级式位置指纹库。在在线阶段,通过识别用户当前所在的场景可将定位区域快速缩小至该场景,从而减少不同场景中因信号不稳定或特征相似而产生的误匹配现象。该方法建立位置指纹库时无需像传统方法一样设置密集的位置参考点,并在每个点停留较长时间来获取稳定的信号指纹,过程相对简单且易于更新和扩展。通过场景信息的约束,很好的解决了Wi-Fi、地磁信号等不稳定和容易混淆的问题,提高了系统的稳定性和定位精度。总的来说,本文首先分别从监督学习和非监督学习两个角度研究了相关的室内场景识别方法,从而以不同角度来解决这一具有挑战性的问题。另外,针对室内场景下定位困难的问题,本文提出了将室内场景识别应用于多源融合定位系统的方法,从而提升了相应的室内定位精度并为构建更加普适的室内定位系统提供了新的策略。因此,本文的相关研究从理论和应用两方面来看都具有重要意义。
二、指纹自动识别系统建库工作的探讨（论文开题报告）
（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、指纹自动识别系统建库工作的探讨（论文提纲范文）
（1）刑侦指纹自动识别系统性能评测体系研究（论文提纲范文）
| 1 AFIS系统性能评测现状 |
| 2 刑侦AFIS系统性能评测内容、指标及方法 |
| 2.1 指纹正查 |
| 2.1.1 比中率 |
| 2.1.2 排前率 |
| 2.1.3 时间资源消耗 |
| 2.1.4 平均漏比率 |
| 2.2 指纹倒查 |
| 2.2.1 比中率 |
| 2.2.2 排前率 |
| 2.2.3 时间资源消耗 |
| 2.3 指纹查重 |
| 2.3.1 比中率 |
| 2.3.2 误识数 |
| 2.3.3 时间资源消耗 |
| 2.3.4 平均漏比率 |
| 2.4 建议指标量化评价标准 |
| 3 刑侦AFIS系统性能评测工作程序 |
| 3.1 确定评测组织方式并成立评测工作组 |
| 3.2 确定评测实施方式 |
| 3.3 确定评测数据集 |
| 3.4 制定评测方案 |
| 3.5 制定实施细则或技术规范类文件 |
| 3.6 开展评测前准备工作 |
| 3.6.1 评测数据准备 |
| 3.6.2 评测环境改造 |
| 3.6.3 参测厂商搭建系统，开展预测试、建库工作 |
| 3.7 接受厂商参测申请 |
| 3.8 制定详细实施计划 |
| 3.9 评测工作实施 |
| 3.1 0 结果统计、公布 |
| 4 总结 |
（2）应用PMOLED采集的小面积指纹图像识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 光学指纹采集器研究现状 |
| 1.3 PMOLED研究现状 |
| 1.4 小面积指纹识别方法研究现状 |
| 1.4.1 基于图像处理的小面积指纹识别方法研究现状 |
| 1.4.2 基于深度学习的小面积指纹识别方法研究现状 |
| 1.5 论文的主要工作和论文结构 |
| 2 应用PMOLED的小面积指纹图像采集及预处理 |
| 2.1 PMOLED屏下光学指纹采集系统方案 |
| 2.1.1 PMOLED发光原理 |
| 2.1.2 PMOLED屏下光学指纹传感器工作原理 |
| 2.1.3 光学指纹采集系统方案设计 |
| 2.2 指纹图像预处理 |
| 2.3 本章小结 |
| 3 基于拓扑结构拼接的小面积指纹识别方法 |
| 3.1 基于细节特征点对拓扑结构配准的指纹特征拼接 |
| 3.1.1 指纹拼接算法流程 |
| 3.1.2 指纹拼接算法具体步骤 |
| 3.2 指纹图像细节特征点和细节点方向场描述子的提取 |
| 3.2.1 细节特征点的提取 |
| 3.2.2 指纹方向场描述子的提取 |
| 3.3 指纹拼接细节关键点和最优旋转平移参数的确定 |
| 3.3.1 指纹拼接细节关键点的确定 |
| 3.3.2 最优旋转平移参数的计算 |
| 3.4 实验及结果分析 |
| 3.4.1 指纹数据集的构建及指纹识别性能指标 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 4 基于改进残差网络融合注意力机制的小面积指纹识别方法 |
| 4.1 基于深度学习的小面积指纹识别系统网络模型训练流程 |
| 4.2 残差网络的改进 |
| 4.2.1 残差网络模型 |
| 4.2.2 残差网络的改进模型 |
| 4.3 卷积注意力机制 |
| 4.4 基于改进残差网络与CBAM融合的小面积指纹识别方法 |
| 4.5 实验及结果分析 |
| 4.5.1 自建库识别结果 |
| 4.5.2 FVC2002DB2 识别结果 |
| 4.5.3 可视化实验结果 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）地下物流仓储中心定位技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及问题分析 |
| 1.2.1 国内外地下仓储物流中心发展现状 |
| 1.2.2 国内外物流仓储中心定位技术发展现状 |
| 1.3 本文主要研究内容 |
| 第二章 WLAN定位技术分析 |
| 2.1 离线指纹库建立技术 |
| 2.2 在线定位技术 |
| 2.3 误差修正技术 |
| 2.4 本章小结 |
| 第三章 基于位置指纹空间插值的离线建库法 |
| 3.1 位置指纹空间插值法研究现状 |
| 3.2 基于CPN网络结构的位置指纹插值法 |
| 3.2.1 CPN网络算法步骤 |
| 3.2.2 基于KMeans++算法的权值初始化方法 |
| 3.2.3 预测函数改进 |
| 3.3 实验过程及结果分析 |
| 3.3.1 实验过程 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于AP选择的在线定位方案 |
| 4.1 AP选择算法研究现状 |
| 4.2 基于reliefF算法的位置指纹冗余检测算法 |
| 4.2.1 relief特征权值算法 |
| 4.2.2 CSBA聚类算法 |
| 4.2.3 定位过程 |
| 4.3 实验过程及结果分析 |
| 4.3.1 实验过程 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第五章 基于BP网络结构的定位误差修正算法 |
| 5.1 BP网络结构研究现状 |
| 5.2 基于BP网络的定位误差修正模型 |
| 5.2.1 遗传算法原理 |
| 5.2.2 动量因子原理 |
| 5.2.3 模型设计与实现 |
| 5.3 实验过程及结果分析 |
| 5.3.1 实验过程 |
| 5.3.2 实验结果分析 |
| 5.4 本章小结 |
| 第六章 地下物流仓储中心定位平台的实现 |
| 6.1 系统平台介绍 |
| 6.2 系统实现 |
| 6.2.1 离线建库模块 |
| 6.2.2 在线定位模块 |
| 6.2.3 数据通信模块 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文和申请的专利 |
（4）基于低秩矩阵恢复的室内指纹定位技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室内定位方法研究现状 |
| 1.2.2 指纹库恢复方法研究现状 |
| 1.2.3 指纹库高效构建方法研究现状 |
| 1.3 面临的问题 |
| 1.4 研究内容和论文结构 |
| 2 基于位置指纹的定位方法与相关知识概述 |
| 2.1 凸优化理论预备知识 |
| 2.1.1 相关定义与定理 |
| 2.1.2 增广拉格朗日乘子法理论概述 |
| 2.1.3 交替方向乘子法概述 |
| 2.2 基于位置指纹的室内定位 |
| 2.2.1 离线建库阶段 |
| 2.2.2 在线定位阶段 |
| 2.3 指纹库恢复预处理方法 |
| 2.4 高效的指纹库建库方法 |
| 2.5 本章小结 |
| 3 基于ROBUST PCA的位置指纹库恢复算法研究 |
| 3.1 位置指纹库相关特性分析 |
| 3.1.1 位置指纹库的时间相关性和空间相关性 |
| 3.1.2 位置指纹库中的离群点和噪声 |
| 3.2 ROBUST PCA方法概述 |
| 3.2.1 Robust PCA问题描述 |
| 3.2.2 Robust PCA常见算法 |
| 3.3 基于改进的ROBUST PCA的指纹库恢复方法 |
| 3.3.1 基于Robust PCA的指纹库恢复方法系统模型 |
| 3.3.2 改进的Robust PCA优化模型 |
| 3.4 基于改进ROBUST PCA优化模型的算法推导 |
| 3.5 实验验证 |
| 3.5.1 仿真数据实验 |
| 3.5.2 真实环境下的数据实验 |
| 3.6 本章小结 |
| 4 基于MATRIX COMPLETION的高效位置指纹库构建算法研究 |
| 4.1 指纹库填充问题 |
| 4.2 MATRIX COMPLETION方法概述 |
| 4.2.1 Matrix Completion问题描述 |
| 4.2.2 Matrix Completion的可行性分析 |
| 4.2.3 Matrix Completion相关算法 |
| 4.3 基于改进MATRIX COMPLETION结合KNN的指纹库构建算法 |
| 4.3.1 改进的Matrix Completion优化模型 |
| 4.3.2 改进的Matrix Completion结合KNN算法 |
| 4.4 算法推导 |
| 4.4.1 改进Matrix Completion模型算法推导 |
| 4.4.2 结合KNN算法 |
| 4.5 实验分析 |
| 4.5.1 仿真数据实验 |
| 4.5.2 真实环境下的数据实验 |
| 4.6 本章小结 |
| 5 结论 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）一种基于众包的室内定位技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 研究现状 |
| 1.3 主要研究内容 |
| 1.4 章节安排 |
| 第二章 室内定位技术原理 |
| 2.1 引言 |
| 2.2 室内定位基本方法 |
| 2.2.1 典型技术方案 |
| 2.2.2 基本定位方法 |
| 2.2.3 基于WiFi的室内定位基本原理 |
| 2.3 基于手机内置传感器的惯性导航技术介绍 |
| 2.3.1 行人航位推算基本原理 |
| 2.3.2 手机内置惯性传感器分析 |
| 2.3.3 步数步长计算方法 |
| 2.3.4 航向信息获取方法 |
| 2.4 本章小结 |
| 第三章 基于手机姿态分类的行人运动状态判断 |
| 3.1 引言 |
| 3.2 手机姿态特征分析 |
| 3.2.1 手机姿态分类 |
| 3.2.2 不同姿态下传感器信号特征分析 |
| 3.3 基于SVM方法的手机姿态分类 |
| 3.3.1 算法基本原理 |
| 3.3.2 特征向量选取及分类结果展现 |
| 3.4 行人运动状态判定 |
| 3.4.1 行人室内运动状态分类 |
| 3.4.2 静止状态判定及直行状态下的步频步长计算 |
| 3.4.3 基于方向角信息的转弯、调头动作检测 |
| 3.4.4 基于主成分分析的转弯、调头动作检测 |
| 3.5 实验分析 |
| 3.6 本章小结 |
| 第四章 基于惯性导航的指纹库更新算法研究 |
| 4.1 引言 |
| 4.2 地标辅助的行人航向更新算法 |
| 4.2.1 背景及假设条件分析 |
| 4.2.2 算法框架模块分析 |
| 4.3 基于粒子滤波穿墙检测的行人轨迹推算 |
| 4.3.1 粒子滤波基本原理 |
| 4.3.2 粒子滤波在穿墙检测上的应用 |
| 4.3.3 基于粒子滤波的转弯点轨迹纠正算法 |
| 4.4 基于克里金插值的指纹库更新算法研究 |
| 4.4.1 RSS数据与位置点匹配问题 |
| 4.4.2 克里金插值的基本原理 |
| 4.4.3 基于克里金插值的RSS数据更新方法 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）室内定位的指纹库自适应更新算法研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 室内无线定位技术的研究现状 |
| 1.2.2 蓝牙指纹定位技术的指纹数据库更新研究现状 |
| 1.3 论文的主要内容及组织结构 |
| 第2章 蓝牙指纹库更新技术理论基础 |
| 2.1 引言 |
| 2.2 蓝牙定位技术基础与原理 |
| 2.2.1 蓝牙指纹定位原理 |
| 2.2.2 蓝牙指纹定位基本算法 |
| 2.3 惯性导航技术 |
| 2.3.1 加速度积分法 |
| 2.3.2 行人轨迹推算算法 |
| 2.4 卡尔曼滤波算法 |
| 2.5 密度聚类算法 |
| 2.6 动态时间规整算法 |
| 2.7 本章小结 |
| 第3章 蓝牙指纹库自动更新算法 |
| 3.1 引言 |
| 3.2 算法框架 |
| 3.3 数据预处理模块 |
| 3.3.1 融合定位算法 |
| 3.3.2 轨迹的有效性判别 |
| 3.3.3 指纹位置标签分配 |
| 3.4 指纹库更新模块 |
| 3.4.1 候选指纹基于DBSCAN的聚类 |
| 3.4.2 有效指纹提取 |
| 3.5 指纹库自动更新算法性能分析 |
| 3.5.1 实验环境 |
| 3.5.2 DBSCAN聚类分析 |
| 3.5.3 自动更新效果分析 |
| 3.6 本章小结 |
| 第4章 蓝牙指纹库快速手动更新算法 |
| 4.1 引言 |
| 4.2 手动更新工作原理 |
| 4.3 指纹库手动更新算法流程 |
| 4.3.1 指纹库手动更新区域判别 |
| 4.3.2 室内地磁信号特点 |
| 4.3.3 建立地磁序列模版 |
| 4.3.4 锚结点识别及轨迹分割 |
| 4.3.5 轨迹相似度匹配 |
| 4.3.6 轨迹修正及RSS信息补全 |
| 4.4 蓝牙指纹库手动更新算法性能分析 |
| 4.4.1 实验环境 |
| 4.4.2 快速手动更新效果分析 |
| 4.4.3 时间效率分析 |
| 4.5 蓝牙室内定位的指纹库更新演示系统 |
| 4.5.1 整体系统架构 |
| 4.5.2 系统实现 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 主要工作 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）基于快速建库的蓝牙室内定位算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室内定位系统研究现状 |
| 1.2.2 指纹库构建方法研究现状 |
| 1.2.3 指纹定位方法研究现状 |
| 1.3 论文主要工作 |
| 第2章 室内定位技术和插值算法理论 |
| 2.1 引言 |
| 2.2 指纹定位系统概述 |
| 2.2.1 指纹定位技术原理 |
| 2.2.2 指纹定位算法 |
| 2.3 惯性导航技术 |
| 2.3.1 行人航迹推算算法 |
| 2.3.2 速度与航向角估计 |
| 2.4 位置指纹数据库构建方法 |
| 2.4.1 逐点采集法 |
| 2.4.2 传播模型法 |
| 2.4.3 空间相关法 |
| 2.5 典型插值算法 |
| 2.5.1 基于距离加权反比插值法 |
| 2.5.2 线性插值法 |
| 2.5.3 径向基函数插值法 |
| 2.5.4 三次样条插值法 |
| 2.6 本章小结 |
| 第3章 位置指纹联合径向基函数的快速建库 |
| 3.1 引言 |
| 3.2 多方向位置指纹库快速构建的方案设计 |
| 3.3 多方向稀疏位置指纹库的构建 |
| 3.4 对多方向稀疏位置指纹库的插值 |
| 3.4.1 插值模型的构建 |
| 3.4.2 关键参数的优化 |
| 3.4.3 插值过程描述 |
| 3.5 本章小结 |
| 第4章 改进型蓝牙室内定位算法 |
| 4.1 引言 |
| 4.2 改进型定位算法流程设计 |
| 4.3 对多方向位置指纹库的预处理 |
| 4.3.1 基于仿射传播聚类算法划分位置指纹库 |
| 4.3.2 离群点检测算法 |
| 4.4 改进型在线定位算法 |
| 4.4.1 粗定位过程 |
| 4.4.2 精定位过程 |
| 4.5 本章小结 |
| 第5章 系统测试及性能分析 |
| 5.1 引言 |
| 5.2 环境布局 |
| 5.3 系统架构 |
| 5.4 快速建库方法系统测试 |
| 5.4.1 指纹样本容量的确定 |
| 5.4.2 影响域半径的确定 |
| 5.4.3 自由形状参数的确定 |
| 5.4.4 对几种建库方法的定位结果分析 |
| 5.4.5 建库时间成本对比 |
| 5.5 改进型定位算法系统测试 |
| 5.5.1 指纹库聚类测试 |
| 5.5.2 定位算法对比测试 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 下一步工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（8）基于视频指纹的相似视频检索系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外相关研究与发展现状 |
| 1.3 论文的主要研究内容与结构 |
| 第2章 系统需求分析与关键技术 |
| 2.1 系统业务流程分析 |
| 2.2 功能性需求 |
| 2.3 非功能性需求 |
| 2.4 关键技术分析 |
| 2.5 本章小结 |
| 第3章 相似视频检索系统的设计 |
| 3.1 相似视频检索系统的总体设计 |
| 3.2 子系统间的交互设计 |
| 3.3 对外代理系统的设计 |
| 3.4 特征提取系统的设计 |
| 3.5 特征索引建立系统设计 |
| 3.6 特征索引存储系统设计 |
| 3.6.1 实时库系统 |
| 3.6.2 全量库系统 |
| 3.7 本章小结 |
| 第4章 相似视频检索系统的具体实现 |
| 4.1 对外代理系统的实现 |
| 4.2 特征提取系统的实现 |
| 4.3 特征索引构建系统的实现 |
| 4.4 特征索引存储系统的实现 |
| 4.4.1 实时库系统的实现 |
| 4.4.2 全量库系统的实现 |
| 4.4.3 检索逻辑的实现 |
| 4.5 本章小结 |
| 第5章 系统的测试与运行 |
| 5.1 测试方案与环境 |
| 5.2 功能测试与性能测试 |
| 5.4 运行状态 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（9）基于TrustZone的小面积指纹识别系统研究与设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 终端安全与小面积指纹国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 小面积指纹算法与TrustZone技术 |
| 2.1 小面积自动指纹识别系统 |
| 2.1.1 传统自动指纹识别系统 |
| 2.1.2 小面积自动指纹识别系统 |
| 2.2 TrustZone安全扩展技术 |
| 2.2.1 TrustZone硬件架构 |
| 2.2.2 TrustZone软件架构 |
| 2.2.3 客户端API架构 |
| 2.3 安全加密存储技术 |
| 2.3.1 普通环境加密技术 |
| 2.3.2 安全环境加密技术 |
| 2.4 本章小结 |
| 第三章 基于SURF特征点的小面积指纹拼接算法 |
| 3.1 特征点的提取 |
| 3.1.1 积分图像 |
| 3.1.2 近似的Hessian矩阵 |
| 3.1.3 尺度空间的表示 |
| 3.1.4 特征点的定位 |
| 3.2 特征点的描述 |
| 3.2.1 主方向的计算 |
| 3.2.2 构建描述子向量 |
| 3.2.3 SURF提取方法在小面积指纹的效果展示 |
| 3.3 特征点的匹配 |
| 3.3.1 基于最近距离比次进距离的匹配方法 |
| 3.3.2 小面积指纹匹配效果展示 |
| 3.4 变换模型估计与配准 |
| 3.4.1 几何变换模型的估计 |
| 3.4.2 坐标映射与图像插值 |
| 3.4.3 小面积指纹配准结果 |
| 3.5 实验及结果分析 |
| 3.5.1 数据集 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 第四章 基于TrustZone的小面积指纹识别安全技术的设计 |
| 4.1 基于Global Platform标准的TEE软件架构 |
| 4.2 T-OS系统设计 |
| 4.3 基于TrustZone的小面积指纹识别安全框架 |
| 4.3.1 基于TrustZone的小面积指纹识别安全服务的设计 |
| 4.3.2 基于TrustZone的小面积指纹识别安全存取服务的设计 |
| 4.4 双操作系统通信的设计 |
| 4.4.1 基于TrustZone的小面积指纹识别安全通道的设计 |
| 4.4.2 数据类型定义 |
| 4.5 本章小结 |
| 第五章 基于TrustZone的小面积指纹识别安全技术的实现 |
| 5.1 基于T-OS的小面积识别安全服务框架 |
| 5.2 小面积指纹识别模块 |
| 5.3 指纹安全存储模块 |
| 5.3.1 TEE_CreatPersistentObject |
| 5.3.2 TEE_WriteObjectData |
| 5.3.3 TEE_ReadObjectData |
| 5.4 双操作系统通信的实现 |
| 5.4.1 加密传输安全通道 |
| 5.4.2 安全通讯协议 |
| 5.4.3 TA接口 |
| 5.4.4 监视器模块 |
| 5.5 本章小结 |
| 第六章 基于TrustZone的小面积指纹识别系统的应用 |
| 6.1 实验平台介绍 |
| 6.2 系统评估 |
| 6.2.1 指纹处理的安全性功能测试 |
| 6.2.2 监视器效率以及双系统之间通信稳定性测试 |
| 6.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）基于视觉的室内场景识别及其在多源融合定位中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室内场景识别 |
| 1.2.2 视觉表征学习 |
| 1.2.3 室内定位 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容与创新 |
| 1.3.2 章节安排 |
| 第二章 研究基础 |
| 2.1 机器学习基础 |
| 2.1.1 监督学习与非监督学习 |
| 2.1.2 损失函数与距离测度 |
| 2.1.3 常用算法 |
| 2.2 卷积神经网络 |
| 2.2.1 基本结构 |
| 2.2.2 训练过程 |
| 2.3 室内定位基础 |
| 2.3.1 Wi-Fi指纹定位 |
| 2.3.2 地磁匹配定位 |
| 2.3.3 行人航位推算 |
| 2.3.4 滤波算法 |
| 2.4 本章小结 |
| 第三章 基于卷积神经网络的室内场景识别 |
| 3.1 概述 |
| 3.2 使用CNN进行室内场景识别的常用策略 |
| 3.2.1 从初始状态训练CNN模型 |
| 3.2.2 CNN模型参数微调 |
| 3.2.3 使用CNN模型进行特征提取 |
| 3.3 经典的卷积神经网络结构 |
| 3.3.1 LeNet |
| 3.3.2 AlexNet |
| 3.3.3 VGGNet |
| 3.3.4 GoogLeNet |
| 3.3.5 ResNet |
| 3.4 室内场景数据集 |
| 3.4.1 大规模室内场景数据集 |
| 3.4.2 数据清洗及扩充方法 |
| 3.5 实验结果与分析 |
| 3.5.1 实验环境与设置 |
| 3.5.2 实验一：从初始状态训练室内场景识别的CNN模型 |
| 3.5.3 实验二：通过微调CNN网络训练室内场景识别模型 |
| 3.5.4 实验三：使用CNN特征训练室内场景识别模型 |
| 3.5.5 实验讨论 |
| 3.6 本章小结 |
| 第四章 基于非监督表征学习的室内场景识别 |
| 4.1 概述 |
| 4.2 本文提出的非监督视觉表征学习框架 |
| 4.3 基于k-NN图的正负样本对挖掘 |
| 4.3.1 k-NN图的构建 |
| 4.3.2 正样本对挖掘 |
| 4.3.3 负样本对挖掘 |
| 4.4 基于孪生卷积网络的表征学习 |
| 4.4.1 孪生卷积网络 |
| 4.4.2 二分类孪生网络训练 |
| 4.5 基于视觉表征的室内场景识别 |
| 4.5.1 中间层特征提取 |
| 4.5.2 分类模型训练 |
| 4.6 实验结果与分析 |
| 4.6.1 实验数据与环境设置 |
| 4.6.2正负样本对挖掘实验 |
| 4.6.3视觉表征学习实验 |
| 4.6.4室内场景识别实验 |
| 4.7 本章小结 |
| 第五章 基于场景信息的多源融合室内定位 |
| 5.1 概述 |
| 5.2 多源融合室内定位框架 |
| 5.3 定位指纹库构建与场景模型训练 |
| 5.3.1 数据采集 |
| 5.3.2 定位指纹库的构建 |
| 5.3.3 室内场景识别模型训练 |
| 5.4 场景约束下的多源融合室内定位 |
| 5.4.1 场景识别流程 |
| 5.4.2 多源融合定位 |
| 5.5 实验结果与分析 |
| 5.5.1 实验环境与设置 |
| 5.5.2 场景识别结果 |
| 5.5.3 融合定位结果 |
| 5.5.4 实验讨论 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻博期间发表的学术成果 |
| 致谢 |
四、指纹自动识别系统建库工作的探讨（论文参考文献）
- [1]刑侦指纹自动识别系统性能评测体系研究[J]. 吴浩,刘雅娴,李琦伟,陈子龙,王子政,秦旗. 刑事技术, 2021(03)
- [2]应用PMOLED采集的小面积指纹图像识别方法研究[D]. 李思远. 西安科技大学, 2021(02)
- [3]地下物流仓储中心定位技术研究[D]. 陈美好. 北京邮电大学, 2021(01)
- [4]基于低秩矩阵恢复的室内指纹定位技术研究[D]. 檀腾. 北京交通大学, 2020(03)
- [5]一种基于众包的室内定位技术研究[D]. 沈华钧. 电子科技大学, 2020(08)
- [6]室内定位的指纹库自适应更新算法研究与实现[D]. 从海峰. 重庆邮电大学, 2019(02)
- [7]基于快速建库的蓝牙室内定位算法研究[D]. 金潇潇. 重庆邮电大学, 2019(01)
- [8]基于视频指纹的相似视频检索系统的设计与实现[D]. 王阳睿. 哈尔滨工业大学, 2019(02)
- [9]基于TrustZone的小面积指纹识别系统研究与设计[D]. 杨枝. 长安大学, 2019(01)
- [10]基于视觉的室内场景识别及其在多源融合定位中的应用[D]. 刘梦云. 武汉大学, 2019(06)