畢業(yè)論文是需要在學業(yè)完成前寫作并提交的論文，是教學或科研活動的重要組成部分之一。以下是關于計算機類的畢業(yè)論文范文示例，希望對你有所幫助。

　　第一篇：虛擬現實技術的應用研究

　　摘要：隨著計算機技術的迅猛發(fā)展，虛擬現實技術的應用日趨廣泛和深入�；�于此，本文將深入淺出地對虛擬現實技術的定義、應用領域、未來的發(fā)展前景和存在的問題進行介紹，重點闡述虛擬現實技術的應用領域以及相關研究，以期使讀者對于虛擬現實有一個相對明晰的認知。本文內容介紹：在第2部分會對虛擬現實技術進行簡單介紹;第3部分將部分應用虛擬現實技術的領域進行介紹;第4部分描述虛擬現實技術研究現狀和前景;在第5部分對全文進行總結。

　　關鍵詞：虛擬現實技術 研究現狀 虛擬現實應用 虛擬現實發(fā)展前景

　　一、引言

　　虛擬現實對于很多人來講還是一個比較新的詞匯，也可能你聽說過，但并不了解，只是認為佩戴顯示設備，觀看虛擬出來的內容，有身臨其境之感，以為這就是虛擬現實技術。不盡然，那虛擬現實技術究竟指什么呢?本文將為讀者解決這個困惑。

　　二、虛擬現實技術簡介

　　2.1什么是虛擬現實技術

　　虛擬現實技術即虛擬現實。虛擬現實(Virtual Reality，簡稱VR)是近年來出現的高新技術。從本質上來說，虛擬現實是一種先進的計算機用戶接口，它通過給用戶同時提供視、聽、觸等各種直觀而又自然的實時感知交互手段，因此具有多感知性、存在感、交互性、自主性等重要特征。虛擬現實技術并不是一項單一的技術，而是多種技術綜合后產生的，其核心的關鍵技術主要有動態(tài)環(huán)境建模技術、立體顯示和傳感器技術、系統(tǒng)開發(fā)工具應用技術、實時三維圖形生成技術、系統(tǒng)集成技術等五大項。

　　2.2虛擬現實技術特征

　　虛擬現實技術主要有四個特征：(1)沉浸性：主要是指讓計算機產生一種虛擬的環(huán)境，讓參與到其中的人有一種和現實世界一樣的感覺，就如身臨其境一般。(2)交互性：主要是指用戶對計算機模擬出的虛擬環(huán)境中的物體具有可操作性和從虛擬環(huán)境中的物體上得到的反饋。(3)想象力：主要是指虛擬現實技術它具有很廣闊的想象空間，不僅可以模擬出現實存在的世界，而且還可以模擬出不存在的環(huán)境。(4)多感知性：主要是指這項技術不僅能夠讓我們感受到視覺和聽覺這兩種一般計算機就可以給我們提供的感覺外，還可以給我們提供觸覺、味覺等一般計算機難以模擬出的感覺。

　　三、虛擬現實技術的應用領域

　　虛擬現實技術在很多領域內均有比較理想的應用，如教育與培訓、娛樂與藝術、醫(yī)學、軍事、商業(yè)等領域，下面我們將就其中幾個比較典型的應用領域展開敘述。

　　3.1教育與培訓

　　虛擬現實應用于教育是教育技術發(fā)展的一個飛躍。在教育領域中，把虛擬現實技術的產品作為一種新的學習工具，一方面可以使學習者從逼真的虛擬假想空間中獲取真實世界中得不到或難以得到的經驗和感受，另一方面也使教師等教育工作者逐漸養(yǎng)成用數字時代的思維方式去教育學生的行為方式與習慣。

　　在教育領域的實踐中，虛擬現實技術在教育中的應用大致可分為以下幾個方面：(1)模擬訓練(2)科學研究(3)虛擬學習環(huán)境(4)虛擬實驗室(5)仿真虛擬校園等。

　　3.2娛樂與藝術

　　如電視臺使用的虛擬演播室也是一種虛擬現實技術。虛擬演播室系統(tǒng)是一種只需要有演員和道具，不需要實際的真實場景的演播系統(tǒng)。這個讓觀眾耳目一新的系統(tǒng)不但為電視制作人提供了廣闊的創(chuàng)作空間，而且在豐富節(jié)目包裝方式、降低節(jié)目成本方面有著十分可觀的優(yōu)勢。不過，目前，除中央電視臺或鳳凰衛(wèi)視、北京電視臺等大媒體外，我國電視臺或傳媒機構對于虛擬現實技術的應用與研究還比較粗淺，成功的實例還不是很多。

　　3.3商業(yè)領域

　　網絡購物相對于傳統(tǒng)的購物方式具有方便、經濟等一系列的優(yōu)勢，同時隨著近年來物流行業(yè)的迅速發(fā)展，網絡購物在時效性方面也有了很大的提高。但是由于網頁技術的限制，購物網站往往通過圖片和文字來展示網站商品。通過網頁中的圖片，消費者很難完整和準確地掌握產品的信息，過多的文字介紹也讓購物過程變得繁瑣和枯燥無味。而將虛擬現實技術引入到網絡購物中來，用該技術創(chuàng)建能夠與用戶產生互動的三維虛擬超市場景，使人置身于真實的互動的三維購物場景之中，將使網絡購物變得更加真實。將傳統(tǒng)購物與傳統(tǒng)的網絡購物特點相結合，使網絡購物的用戶體驗性能得到極大的提高。

　　四、虛擬現實技術研究現狀與前景

　　4.1目前存在的問題

　　(1)硬件的限制。一般情況下，想要實現一個高質量虛擬現實系統(tǒng)，外部設備的規(guī)格就要非常高，而且設備的精度、舒適度等方面還有待提高。(2)圖形生成速度滯后。圖形生成速度就是虛擬現實中場景要隨著人的動作的變化而做出相應的改變，而以我們現在的技術想要做好還是很難。(3)三維數據量大。虛擬現實技術中有很多的模型，其占用的空間很大，而以我們現在的寬帶的速度跟不上，而且會對計算機帶來很大的負載。(4)缺少人性化。我們現在只能通過鼠標、鍵盤、頭盔等簡單的工具實現虛擬化，猶如機器人一般，所以要增加人性化處理。

　　4.2未來發(fā)展方向

　　發(fā)展方向與上面提到的瓶頸是相對的，所以未來虛擬現實技術將主要朝著以下幾個方面去發(fā)展：(1)人機交互界面;(2)感知研究領域;(3)高效的虛擬現實軟件和算法;(4)廉價的虛擬現實硬件系統(tǒng);(5)智能虛擬環(huán)境。

　　五、結語

　　虛擬現實技術經歷大半個世紀科學研究，從一開始的簡單仿真到現在涉及到了人的感覺、觸覺等，在這大半世紀里，有許多的科學研究者付出了自己畢生的心血。

　　而隨著科技和社會的不斷發(fā)展，虛擬現實技術也在向我們展示它未來廣闊的前景。作為新世紀最有前途的技術之一，它一定會不停的帶給我們驚喜。同時我們也希望我國科學家們能夠努力研究，讓我國的虛擬現實技術的研究處于世界領先水平。

　　參考文獻：

　　[1]李袁.虛擬現實技術在數字圖書館中的應用[J].科技情報開發(fā)與經濟，2009，19(36)：3-5.

　　[2]陳浩磊，鄒湘軍，陳燕，劉天湖.虛擬現實技術的最新發(fā)展與展望[J].中國科技論文在線，2011(3)：21―22.

　　[3]胡小強.虛擬現實技術基礎與應用[M].北京：北京郵電大學出版社，2009.24―27.

　　第二篇：基于AdaBoost+膚色模型的多人臉檢測考勤系統(tǒng)

　　摘要：為解決多人場景下的身份注冊問題，將人臉檢測作為依據，提出一種多人臉檢測考勤系統(tǒng)。該系統(tǒng)以智能終端拍攝圖像作為輸入，基于人臉檢測獲取考勤目標，最后通過用戶注冊獲得待考勤目標的身份信息。目前系統(tǒng)已投入課堂學生的點名應用中，實驗結果驗證了該系統(tǒng)中各環(huán)節(jié)方法的有效性和魯棒性。

　　關鍵詞：人臉檢測;考勤;多人;自動識別

　　一、概述

　　人臉檢測不僅是生物特征識別領域的重要課題，同時也是計算機視覺領域的研究熱點。它是人臉定位、身份驗證、身份查找等多種應用的基礎。由于具有重要的理論和應用價值，因此越來越受到研究人員的重視。目前，人臉檢測技術已經廣泛的應用于門禁、攝像監(jiān)視等系統(tǒng)中。

　　人臉檢測利用圖像或視頻作為輸入，對探測區(qū)域進行檢測，以確定其中是否存在人臉及其可能的位置和區(qū)域。常用的人臉檢測的方法主要分為兩大類：(1)基于知識的方法。這類方法主要利用人臉的明顯特征如眼睛、眉毛、嘴巴、鼻子等器官特征及其相互之間的位置關系進行判斷。包括基于人臉幾何特征的人臉檢測、基于膚色模型的人臉檢測等。(2)基于統(tǒng)計的方法。這類方法將人臉看成一個整體，用統(tǒng)計的方法使用大量人臉圖像樣本的訓練構造人臉模式空間，再根據相似度量檢測人臉是否存在。包括基于神經網絡的人臉檢測、基于AdaBoost算法的人臉檢測等。

　　AdaBoost具有精度高、弱分類器構造簡單、檢測率高且速度快等優(yōu)點，但是AdaBoost算法僅考慮灰度特征，容易造成誤檢�；�于膚色模型的人臉檢測方法在實際應用中容易將與顏色相近的區(qū)域誤檢為人臉。通過AdaBoost定位出入臉位置，再運用膚色模型對其進行膚色校驗則可以很好的規(guī)避兩者缺點。因此本文提出了一種基于AdaBoost與膚色模型的人臉檢測方法，并應用于多人臉考勤系統(tǒng)中。

　　二、人臉檢測

　　2.1數據采集

　　人臉數據獲取是人臉檢測的基礎。系統(tǒng)對輸入數據并無過多限制條件，輸入數據可來自用戶隨身攜帶的智能手機，也可以是室內監(jiān)控攝像機的拍攝結果。對于某些無法用一副圖像采集完全的大尺度場景，可利用智能手機中自帶的全景拍攝功能，完成拼接后上傳全景數據。經過調查，目前包括iPhone、三星、小米等絕大多數智能手機均自帶全景拍攝功能。即使用戶手機中無此功能，官方的應用商店如App Store. Google Play也具有諸多相關應用如：Photosynth，可免費下載用以獲取拍攝場景的全景圖像。實驗證明，借助手機全景拍攝功能采集的圖像可以作為有效的輸入，同時方便考勤人員采集考勤數據，獲取數據的便襯|生大幅增加。

　　2.2基于AdaBoost人臉檢測

　　AdaBoost是由Yoav Freund和Robert E.Schapire在1995年提出的一種迭代分類算法，其核心思想是將同一訓練集的不同弱分類器集合起來，從而構造一個強分類器。不同的弱分類器具有不同的權值，且它能根據上一次的結果確定每個樣本的權值，然后繼續(xù)通過分類器訓練，最后將每次訓練得到的分類器集合起來得到最終的分類器。

　　AdaBoost在人臉檢測應用中需要通過訓練大量可以區(qū)分人臉和非人臉區(qū)域的Haar特征，并從中挑選一些重要的特征并組合起來構成級聯(lián)分類器，最終生成強分類器。這個過程中需要大量的Haar特征參與訓練。經過大量樣本訓練來區(qū)分人臉和非人臉區(qū)域，最后經過AdaBoost對分類器進行計算，即可用于人臉檢測。

　　2.3膚色模型檢測

　　應用AdaBoost方法的漏檢率相對較低，但誤檢率相對較高。因此需要通過處理將一些誤檢區(qū)域去除。本文選取基于膚色模型的方法對已檢測到的人臉部分進行分析，以減少單純利用AdaBoost方法造成的誤檢率過高問題。

　　三、系統(tǒng)實現

　　3.1硬件環(huán)境

　　系統(tǒng)硬件環(huán)境包括：Intel Core Duo E7500 2.93GHzCPU， 2G內存以及NVIDIA GT210獨立顯卡。

　　3.2軟件系統(tǒng)

　　系統(tǒng)采用B/S架構，前端采用ASP.NET開發(fā)，主要包括：考勤人員上傳考勤圖像模塊、結果、考勤人員登錄確認模塊、顯示考勤結果等模塊。后臺服務器端采用C++借助OpenCV庫實現上傳圖像或視頻的多人臉檢測。

　　3.3考勤實現

　　系統(tǒng)中AdaBoost人臉檢測模塊包括收集樣本、訓練樣本生成分類器、使用生成的分類器進行人臉檢測等步驟。

　　樣本包括正樣本和反樣本，即包含人臉部分圖像和不包含人臉部分的圖像。樣本數量越多則生成的分類器越可靠，后期人臉檢測更準確。樣本訓練前需要對圖像進行歸一化處理，即需要使各圖像像素尺寸一致。歸一化處理后，建立正反樣本描述文件，正樣本描述文件每行內容包括圖像名字、該圖像中正樣例(人臉區(qū)域)個數、圖像的寬、圖像的高，使用空格間隔。反樣本描述文件每行內容僅包括圖像名字。之后通過OpenCV提供的opencv_createSamples可執(zhí)行程序創(chuàng)建正反樣本vec文件。

　　正反樣本vec文件生成后需要通過_Opencv提供的opencv_haartraining可執(zhí)行程序進行樣本訓練。訓練完成后將生成一個xml文件，即通過AdaBoost算法生成的用于人臉檢測的分類器文件。此處主要利用了AdaBoost的OpenCV實現。

　　使用生成的分類器進行人臉檢測時主要使用了OpenCV提供的兩個方法：

　　(l)load()方法，其主要功能為載人生成的分類器。

　　(2)detectMultiScale()方法。此方法通過使用之前載入的分類器，在輸入的圖像中查找人臉區(qū)域并返回人臉區(qū)域的位置。

　　在AdaBoost初步確定人臉區(qū)域后，采用膚色模型校驗。膚色檢測需要設置膚色范圍，通過將圖像中的像素點與“標準膚色”相比較，從而區(qū)分圖像中的膚色區(qū)域與非膚色區(qū)域。

　　在設置“標準膚色”范圍時，實驗中采用了三種廣泛使用的顏色空間：RGB色彩空間、HSV色彩空間、YCbCr色彩空間。

　　實驗中，共設置兩個RGB標準膚色模型。RGB膚色模型一的閾值范圍應滿足：G>40、B>20、R>G、R>B、MAX(R，GB)-MIN(R，GB》15。RGB膚色模型二的閾值范圍應滿足：R>220.|R-G|<15. R>G. R>B。

　　將RGB顏色轉換為HSV顏色，然后設置HSV標準膚色閾值范圍應滿足：O　　將RGB顏色轉換為YCbCr顏色，然后設置YCbCr標準膚色閾值范圍為：Y>20、135　　通過與標準膚色數據對比，圖像某區(qū)域像素同時符合三種標準膚色閾值范圍時即認為是膚色區(qū)域。結合AdaBoost檢測結果綜合判定人臉區(qū)域。最后通過rectangle方法在圖像上使用矩形框標注入臉位置。

　　使用時，首先由教師通過手機拍攝課堂照像(如圖1所示)并登錄系統(tǒng)上傳考勤圖像。后臺服務器監(jiān)測到有圖像上傳即對圖像進行人臉檢測，并對不同人臉逐一標注序號。被考勤人員分別登錄系統(tǒng)，選擇圖像與自身相對應的序號。當系統(tǒng)發(fā)生漏檢時，系統(tǒng)還向用戶提供手工框選接口，以修正系統(tǒng)對人臉的漏檢。系統(tǒng)會實時將每次考勤結果存人數據庫系統(tǒng)，同時生成考勤圖像、考勤表等方便考勤查看。系統(tǒng)流程圖如圖2所示。

　　四、實驗結果

　　為驗證該考勤系統(tǒng)的實際效果，作者將該考勤系統(tǒng)應用于課堂的學生點名中。實驗發(fā)現，僅在AdaBoost算法檢測下，會出現較為嚴重的誤檢現象。在加入了膚色校驗之后，誤檢率明顯下降。結合兩種方法后，基于AdaBoost算法結合膚色模型進行人臉檢測具有很好的可用性以及魯棒性，可顯著降低誤檢率。

　　基于人臉檢測結果，通過學生分別登錄選擇注冊，獲得了實際上課學生的考勤結果。

　　五、結束語

　　本文基于AdaBoost算法和膚色模型校驗，結合用戶選擇注冊，實現了多入場景下的考勤。實驗證明，該方法具有良好的可用性及魯棒性，目前，考勤系統(tǒng)已經作為課堂考勤工具正在使用，能夠獲得準確的學生到課結果。然而，該系統(tǒng)還存在較多問題，當存在如遮擋、側臉、低頭等姿態(tài)時，檢測精度下降，尚不魯棒。系統(tǒng)可使用人臉識別方法取代人工注冊，減少用戶操作。在人臉檢測過程中，通過將采集到的人臉入庫，供后續(xù)人臉識別使用。由于傳統(tǒng)人臉識別方法如：PCA、LBP等，在多人大尺度場景中識別率較低，尚不滿足統(tǒng)計需求，因此探索多入場景下高精度人臉識別算法將是未來研究工作的重點。