前言：中文期刊網精心挑選了計算機視覺主要任務范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
計算機視覺主要任務范文1
關鍵詞：高速鐵路 路基 沉降 沉降觀測 預測模型
中圖分類號：U215
文獻標識碼：A
文章編號：1007-3973（2012）005-037-02
1 前言
鐵路路基暴露在室外，加之我國地域廣闊，地形、地質、水文、氣候等情況復雜：路基邊坡和坡腳受坡面雨水沖刷、日曬雨淋將引起土的干濕循環、氣溫變化將引起土的凍融變化、河水對邊坡或坡腳處地基不斷的沖刷和淘刷等，使路基常年處于升降動態循環之中，路基附加應力受其很大影響。路基填料級配不良、排水失效、過渡段碎石級配失效或不養生、路基橫向碾壓、填料含水率超標等將引起路基沉降。鐵路兩旁新修建的建筑物尤其是特大型建筑也會對路基產生影響，所以鐵路路基沉降在一定意義上講不可避免。但過大的變形沉降將直接影響旅客舒適度以及行車安全，所以必須對高速鐵路路基沉降加以防治。本文著重介紹高速鐵路路基沉降觀測及預測技術。
2 高速鐵路路基沉降測量控制要求
只有做好高速鐵路路基沉降測量工作，才能保證沉降控制工作的順利完成，為接下來的工作提供數據資料。所以工程技術人員要采用科學正確的方法，高效的完成測設工作，要保證測量精度要求，利用配套計算機對所有觀測值進行嚴密平差，保證整個控制精度完全能夠符合國家工程測量技術規范和工程設計要求。
2.1 設備要求
高速鐵路沉降觀測要求高精度，為了精確測量路基的沉降情況，一般規定測量的誤差應小于變形值的1/10—1/20。采用一般儀器，會受到周圍環境的影響而導致誤差過大，所以對觀測儀器的精度要求極高。觀測時應優選受環境影響小的儀器，比如精密水準儀。
2.2 觀測人員要求
高速鐵路沉降觀測要求高精度，工程技術人員應該有較高的職業技術水平和職業道德。觀測人員應該專業、準時、高效的完成測量任務，對觀測數據認真負責，堅決杜絕補測或修改數據等惡劣行為。
2.3 實際觀測的具體要求
觀測前，要對觀測地點的地形、地貌、地質、水文以及氣候等情況加以調查，聯系實際情況選擇最適宜的觀測方法，既要保證觀測的高效，又要保持正精度的要求。
2.4 觀測點的選取
高速鐵路沉降觀測精度高，所以對觀測點的選取要求也很高，在保證方便觀測的前提下，選擇合適的觀測點，最好是視野開闊，地勢平坦的穩定位置。
2.5 觀測周期及觀測時間
施工階段，應隨施工進度及時進行。觀測次數與時間間隔應視地基與加荷情況而定。在觀測過程中，如有路基附近荷載突然增減、長時間連續降雨等情況，均應及時增加觀測次數。若路基發生大量沉降、不均勻沉降或嚴重裂紋時，應該立即進行逐日甚至一天數次的連續觀測。
3 路基沉降預測模型的應用
對高速鐵路路基沉降進行預測傳統的方法有三種：(1)采用分層總和法計算最終沉降量，利用簡化固結公式計算固結度，然后推算沉降的發展規律與趨勢。(2)根據固結理論，結合室內試驗獲得土的各種本構模型，利用有限元方法預測最終沉降量以及其發展規律。(3)基于前期沉降量實測資料來建立沉降量與時間關系數學模型的預測方法。
3.1 曲線擬合法
曲線擬合，就是通過實驗獲得有限對測試數據（xi, yi）,利用這些數據來求取近似函數y=f(x)。式中x為輸出量，y為被測物理量。即通過分析實測資料與時間的關系，建立適當的沉降與時間的函數關系，進而推測沉降的發展規律。曲線擬合法是將沉降近似看做按照某種規律變化的過程，對實際測量的沉降數據進行擬合，建立某種相適應的曲線模型，采取適宜的優化方法，反推出計算公式所需的參數，在運用于后期的沉降預測。此方法參數較少并且易于確定，所以應用廣泛。工程中常用的曲線擬合法包括：雙曲線法、星野法、指數曲線法、三點法、沉降速率法、Asaoka法、S形成長曲線模型。
3.2 灰色系統理論
灰色系統理論是20世紀80年代，由中國華中理工大學鄧聚龍教授首先提出并創立的一門新興學科，它是基于數學理論的系統工程學科?；疑到y理論，是一種研究少數據、貧信息不確定性問題的新方法?；疑到y理論以“部分信息已知，部分信息未知”的“小樣本”、“貧信息”不確定性系統為研究對象，主要通過對“部分”已知信息的生成、開發，提取有價值的信息，實現對系統運行行為、演化規律的正確描述和有效監控。
3.3 人工神經網絡
人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點和之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。利用人工神經網絡理論建立預測路基沉降的BP模型和Elman模型，兩種模型在預測路基沉降時，不需要建立任何土工模型，只要采集訓練網絡的樣本就可以比較精確的預測路基沉降。
3.4 遺傳算法
遺傳算法是由美國的J.Holland教授1975年首先提出，是一類借鑒生物界的進化規律（適者生存，優勝劣汰遺傳機制）演化而來的隨機化搜索方法。其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有內在的隱并行性和更好的全局尋優能力；采用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。
路基沉降預測模型的建立對于高速鐵路沉降預測與控制至關重要。適宜的預測模型可以很好地預測路基沉降的發展趨勢，對于工程施工以及線路運營階段的管理都有指導作用。通過路基沉降預測模型與實測數據，推算最終沉降量，若預測沉降超限，應及時采取相應的工程措施。
4 一種新的沉降測量方法：計算機視覺測量技術
計算機視覺測量技術是近年來測量領域中迅速發展起來的嶄新技術，它是以現代光學為基礎，融合計算機技術、激光技術、圖像處理與分析技術等現代科學技術為一體，組成光電一體化的綜合測量系統。視覺測量技術的檢測儀器設備能夠實現智能化、數字化、小型化、網絡化和多功能化，具有精度高、非接觸、在線檢測、實時分析與控制、連續工作等特點。計算機視覺也稱為機器視覺，是指利用計算機對采集的圖像或者視頻進行處理，從而代替人眼的視覺功能，實現對客觀世界的三維場景的感知、識別和理解的技術。計算機視覺使用計算機及相關設備對生物視覺進行模擬。其主要任務是通過對采集的圖像或視頻進行處理，以獲得相應場景的三維信息。計算機視覺使用的理論方法主要基于幾何、概率、運動學計算和三維重構等視覺計算機理論，其基礎包括攝影幾何學、剛體運動學、概率論與隨機過程、人工智能等理論。運用計算機視覺測量技術，可以實現高速鐵路沉降的遠程自動化觀測，方便、快捷、實時性強，即可以保證測量的精度，又減輕了工程技術人員的負擔，是一項有待發展的新興測量技術。
5 結論
綜上所述，高速鐵路路基沉降對于工程建設、旅客舒適度、運營安全有著致命影響，所以路基沉降觀測是必須采取的。采用正確的觀測方法，嚴格按照基本要求和規范觀測，建立正確的陳建預測模型，保證路基沉降在標準的允許范圍之內是高速鐵路建設的關鍵。隨著新興技術的發展，沉降觀測及防治措施必定越來越多，越來越精確，我國的高速鐵路事業也必將更上一層樓。
參考文獻：
[1] 仝校濤.試論高速鐵路路基沉降控制方法[J].黑龍江科技信息,2011,(27).
[2] 李春光.高鐵路基沉降分析及控制[J].建筑科技與管理,2011,(3).
[3] 易思蓉.鐵道工程(第二版)[M].中國鐵道出版社,2009.
計算機視覺主要任務范文2
關鍵詞：交通事件 視頻檢測 監控 算法
中圖分類號：C913.32 文獻標識碼：A 文章編號：
美國加州Jet Propulsion 實驗室于1978年使用視頻技術來檢測車輛的運行，標志著視頻檢測技術的開始。視頻檢測技術以數字圖像為基礎，內容涉及數字圖像處理、模式識別、計算機視覺、人工智能等諸多領域和學科。它的主要任務是實現對交通事件的自動快速檢測，提供準確的路況信息，與傳統的檢測技術相比視頻檢測具有檢測區域大、檢測參數多、安裝維護無干擾、實施靈活、可視性先進性好等特點，普遍應用于交通監控系統，實現了管理者對交通情況的可視化管理。
視頻檢測技術介紹
視頻檢測技術在傳統的電視監控系統基礎上將計算機視覺引入到交通信息檢測之中，通過計算機從數字圖像中提取出高級交通信息，實現對交通事件，如逆行事件、慢性事件、超速事件、變道事件、行人檢測、違章停車事件等的自動快速檢測。其工作流程圖如圖1.1所示：
檢測算法流程：確定檢測區域；建立背景模型；確認目標：對檢測區域進行確認, 判斷是目標或背景；目標分割（檢測）：通過識別出圖像中符合目標特征的像素，將待識別的目標從背景中分離出來；目標跟蹤：依據提取出的特征匹配前后幀中的目標；目標分類：指依據幾何外形、紋理特征等對不同類型的目標進行分類；后處理：根據應用需求確定交通事件等。該算法實現了對交通事件的自動快速檢測，為ITS的實施提供真實準確、及時的信息。
二、視頻檢測技術在交通事件檢測中的應用
2.1 違章停車檢測
檢測原理：通過對攝像機拍攝到的圖像序列進行分析，檢測場景中的運動目標并進行目標提取與檢測，進一步對目標運動參數進行估計。
檢測算法流程：利用所采集的視頻，提取出背景圖像。將當前圖像灰度后與背景圖像進行背景差分，對背景差分后的圖像進行OTSU閾值分割，通過背景差分得到運動目標區域，并對其進行標記，如連續500幀內車輛未發生明顯的移動，則判斷該車輛處于靜止狀態，否則說明有違章車輛經過，給出車輛違章停車信號，啟動報警系統，同時將當前全景視頻圖像進行保存。這種基于視頻檢測技術的違章停車檢測算法，檢測全面、使用方便、實時性強、更具說服力，漏檢率和檢測時間也比較理想。
2.2 行人檢測
檢測原理：對圖像識別和分割后的目標圖像進行特征提取，包括目標區域的面積、長寬比、速度，從而便于圖像分類（或圖像識別）。
檢測算法流程：在背景提取和二值化圖像的前提下對目標區域進行連通標記，得到最小外接矩形面積M。通過對目標外接矩形的面積與長寬比的計算以及目標區域的速度來進一步確定目標的類型。行人的二值化面積比車輛的二值化面積小，行人的長寬比較大，車輛的外接矩形的長寬比更接近1，車輛的行駛速度比行人約大4—6倍。該算法能快速確定目標類型，從而對行人事件和停車事件加以區別。
2.3 車速檢測
檢測原理：目標在圖像中的行駛速度即像素速度，并非是實際路面中以米為單位的距離，但它與實際路面距離有一定的對應關系。實際測量中采用通過查找距離映射表的方法，通過對視頻圖像的標定建立圖像像素坐標和實際路面的對應關系，查找兩幀圖像中的車輛位置點在路面中的實際距離便可知道車輛在一定時間內移動的實際距離，此時就獲得連車輛在實際路面的行駛速度。
檢測算法流程：獲取目標區域，得到車尾點位置信息，確定跟蹤區域，找出代目標車輛特征值，在映射表中查找這些特征點在實際路面上的實際距離，最后用最小二乘法擬合車輛速度。
該算法具有可行性和適應性，快速的檢測出車輛運行速度，維護道路的正常通行秩序。
2.4 車流量檢測
檢測原理：為了加快計算速度，通常只需截取一定寬度、高度，包含判別所需的足夠信息的檢測帶，根據檢測帶內車輛信息的變化規律進行計數。
檢測算法流程：對檢測帶中的像素進行處理、判別。用‘1’表示檢測帶內相應位置無車輛變化的信息，用‘0’表示檢測帶內相應位置無車輛變化的信息，則帶內車輛變化的信息就完全可以用幀的數據流表示。例如：00011111000000001111100000，再用檢測帶內車輛信息的變化規律進行計數。如果用當前幀的數據流減去上一幀的數據流則只可能出現4種情況和3種結果：①上一幀某位置沒有車，當前幀對應位置也沒有車：0減0，結果為0；②上一幀某位置有車，當前幀對應位置也有車：1減1，結果為0；③上一幀某位置沒有車，當前幀對應位置有車：1減0 ，結果為1；④上一幀某位置有車,當前幀對應位置沒有車：0減1 ，結果為-1 。顯然，結果為‘1’，表示有新的車輛到來;；結果為‘- 1’，表示車輛已離開。利用該結果就可以方便地進行車輛的計數。該算法運算量小，可是DSP實現高速實時采集、處理圖像，且不受車速限制。
視頻交通檢測關鍵技術研究展望
由于視頻檢測技術受環境影響大，算法復雜，且相對不太成熟，在未來的發展中會致力于復雜背景下運動目標的檢測、跟蹤、分類；背景技術的更新；障礙物、運動車輛遮擋問題；彩色信息的提??；同一個圖像中多種目標識別與特征提取；基于二維圖圖像的三維信息的提取等方面。
結語
目前，視頻檢測技術已廣泛應用于交通視頻監控系統。實時在線的檢測道路交通秩序、狀態，對停車、擁堵等異常狀態立即報警，最大程度的避免二次事故發生，減輕交通監管人員的工作強度。隨著智能交通的不斷進步，視頻檢測技術也將運用于拋落物檢測，火災檢測，人臉識別等，為環境保護、人類生活、工業交通的發展作出巨大貢獻。
參考文獻：
[1] 何楠楠. 智能監控中高效運動目標檢測方法研究[J]. 自然科學報,2009,（4）.
計算機視覺主要任務范文3
關鍵詞：圖像情感；情感計算；情感表示
中圖分類號：TP391.4
1 引言
隨著社交網絡的快速發展和廣泛使用，例如Twitter（https：//），Flickr（https：//），YouTube（https：//）和新浪微博（http：//），人們傾向于將自己的所見所聞、興趣愛好等以文本、圖像和視頻等多媒體的形式上傳至網絡來呈現和分享其觀點和情感。因此，即會導致文本、圖像和視頻等多媒體內容的規模正以顯示指數級態勢發生著爆炸式增長，而針對這些多媒體內容的處理及理解需求則日趨顯著與突出。相對于底層視覺特征層，人們只能夠感知和理解圖像、視頻的高層語義層，包括認知層和情感層。以往對視覺內容分析的工作主要集中在理解圖像、視頻的感知層，即描述圖像、視頻的真實內容，如物體檢測與識別。然而，公眾對數字攝影技術的關注熱衷及對視覺內容情感表達的強烈需求，使得對圖像、視頻最高語義層―情感層的分析已然具有高度重要的研究和應用價值。
對多媒體內容情感層的分析屬于情感計算的一部分。情感計算的概念是由麻省理工學院媒體實驗室的Picard教授于1995年首次提出的，而于1997年專著《Affective Computing》則正式出版問世[1]。書中給出了情感計算的定義，即情感計算是指與情感相關、來源于情感或能夠對情感施加影響的計算，包含3個部分：情感識別、情感發生和情感表達[1]。
基于此，根據需要處理的多媒體數據類型，對多媒體情感層的分析可以分為4種：基于文本的情感分析[2]、基于音頻的情感分析[3-5、基于圖像的情感分析[6-7]以及基于視頻的情感分析[8-11]。其中，基于文本和音頻的情感分析比較成熟，圖像情感分析中人臉表情識別的研究也相對成熟，而關于普通圖像和視頻情感分析的研究相對來說，卻仍顯不足。對圖像情感識別的研究最初源始于人臉表情R別，因為人臉檢測和人臉識別的研究相對成熟，心理學對人臉表情的分類也已建立有清晰脈絡，此外更有大量的研究機構也成功建立了表情識別的數據庫[12-14]。
受到情感鴻溝和人類情感感知與評估的主觀性等基礎現實的制約，普通圖像的情感分析進展緩慢。不僅如此，圖像情感計算的發展還將需要心理學、藝術學、計算機視覺、模式識別、圖像處理、人工智能等領域的共同支持，眾多領域學科的交叉使得圖像情感計算成為一個富有挑戰性的研究課題。本文對圖像情感計算的發展研究現狀進行了全面論述和分析。
1 情感的定義與描述
人類具有很強的情感感知和表達的能力，但是由于情感的復雜性和抽象性，人們很難將情感從概念上實現具體化和清晰化。心理學、生理學領域的科學家們早在18世紀就開啟了專門情感研究，并且推出了諸多情感理論來解釋情感是如何源起于產生的，如1872年的Darwin三原則理論[15]、1884年的James-Lange理論[16]、1927年的Cannon-Bard 理論[17]和1991年的Lazarus理論[18]。但是迄今為止，科學家們也仍未提出一個準確、全面且可得到一致認可的情感定義。
心理學中與情感相關的詞匯有emotion、affect、sentiment、mood、affective、emotional等，類似的中文詞匯有情感、感情、情緒、情感的、感情的等。心理學上認為情感、情緒與感情是3個嚴格不同的概念[1，19-20]，但計算機學科對此區分并不嚴格區分，一般只是籠統將其稱為情感。wikipedia上給出了一種情感的模糊定義，“情感是對一系列主觀認知經驗的通稱，是多種感覺、思想和行為綜合產生的心理和生理狀態”。心理學領域主要有2種方式來描述情感：離散情感狀態（CES）和維度情感空間（DES），或稱為范疇觀和維度觀[1，19-20] 。
1.1 離散情感狀態
持范疇觀的心理學家將情感分成相互獨立的范疇，而且在外部表現、生理喚醒模式上都存在一定的差異。近年來，持范疇觀的研究人員根據生物進化理論把情感分為基本情感和復合情感。不同的心理學家對基本情感的分類差異很大，從2類到幾十類也各有不等，具體的分類方法可以參照文獻[1，19-20]。研究中更具代表性的成果主要有：Ekman把情感分為6類，即高興、憤怒、厭惡、恐懼、悲傷、驚奇[21]；Izzard 用因素分析方法，提出11種基本情緒，即興趣、驚奇、痛苦、厭惡、愉快、憤怒、恐懼、悲傷、害羞、輕蔑和自罪感[22]；Mikels 通過嚴格的心理學實驗，把情感分為8 類，即表示積極情感的娛樂、敬畏、滿意、刺激，表示消極情感的生氣、厭惡、害怕和悲傷[23]；Plutchik提出了一套情感的演化理論，認為情感有8種基本類型，但是每種情感又有3種不同的愉悅度（valence），即把情感分為24類[24]。還有一種模型是將情感分成積極和消極2類，或者積極、消極和中性三類。目前對表情識別的分類多是基于Ekman 的分類，而對圖像情感分類則以Mikels 的分類為主。
復合情感是由基本情感的不同組合派生出來的，可隨著個體認知的成熟而煙花發展，并隨著文化的不同而發生變化。Izzard認為復合情感有3類：基本情感的混合、基本情感和內驅力的集合、基本情感與認知的結合[22]。
用CES來描述和測量情感的優勢可分述為：
1）符合人們的直覺和常識，容易被人們理解和標注，有利于情感計算的成果在現實生活中推廣和應用；
2）有利于智能系統在識別情感后，進一步推理與之相聯系的特定心理功能和可能的原因，而后做出適當的反映。
但也需明確認識到CES的缺點，具體表述為：
1）哪些情感狀態或基本情感是必要的，目前研究者對此沒有統一的認識；
2）CES是對情感的定性描述，無法用量化的數字表達主觀的情感體驗，且其對情感的描述能力也比較有限。
1.2 維度情感空間
持維度觀的研究人員認為情感具有基本維度和兩極性，所有的維度構成一個笛卡爾空間，DES就將情感描述為該空間中的點，理論上該空間的情感描述能力是無限的，即能夠涵蓋所有的情感狀態。各種不同的維度情感空間可以參照[1][19][20]。常見的維度情感空間大多是3D的，如natural-temporal-energetic[25]、valence-arousal-control[26]、activity-weight-heat[27]等。比較典型的是愉悅度-激活度-優勢度空間（valence-arousal-control space，VAC，有些時候也稱為pleasure-arousal-dominance space，PAD）[26]。其中，愉悅度表示個體情感狀態的正負特性，激活度表示個體的神經生理激活水平，優勢度表示個體對情景和他人的控制狀態。具體的VAC三維情感空間如圖1 （a）所示[28]，從圖中不難看出，優勢度維度的取值范圍很小，而且只有當愉悅度呈現高峰值時才會有用。因此可以說，優勢度在描述情感過程中僅能發揮有限的的作用。大多數計算機學者用DES 描述情感時都不曾考慮優勢度，以愉悅度-激活度空間為主。但也并非所有的愉悅度和激活度的組合都能構成情感，能構成人們常見的情感狀態的愉悅度和激活度的組合范圍如圖1 （b）所示[28]。
用DES來描述和測量情感具有鮮明優勢，具體可論述為：
1）描述能力強，理論上能描述所有的情感類別；
2）易于對情感進行量化，以精確的數值來描述情感，解決了CES 情感標簽的模糊性問題，也一并消除了自感的描述問題。
但DES也存在一定的缺陷，分析可得如下結論：
1）不易于人們直觀的理解，給定DES的維度值，普通人無法識別出應該歸屬為哪種情感；
2）測試人員對DES的打分有一定的難度，由此導致較大的偏差。
2 圖像情感計算的問題描述
所謂圖像情感計算，是指計算機從圖像中分析并提取情感特征，使用模式識別與機器學習的方法對其執行計算，進而理解人的情感。根據情感的描述方式，圖像情感計算可以分為三大任務：情感分類、情感回歸和情感圖像檢索。
一個圖像情感計算系統通常包括如下3部分：
1）圖像預處理。 由于輸入圖像在尺寸、光照、顏色空間等方面存在很大的差異，在進行特征提取之前往往需要進行預處理。比如，把圖像尺寸調整到統一大小，把顏色空間轉換到同一空間等。在圖像情感計算過程中，預處理雖然不是一個專門的研究熱點，但卻會對算法的性能產生很大的影響。
2）情感特征提取/選擇。 特征提取與選擇是圖像情感計算過程中的重要組成部分，直接決定了算法最終的性能。該步驟的主要任務是提取或者選擇一些特征，并且使得其在類內具有很大的相似性而在類間具有很大的差異性。一般而言，用于圖像情感計算的特征可以分為底層特征、中層特征和高層特征。
3）模型設計。 模型設計是指根據圖像情感計算的任務來設計合適的模型，并以提取的特征作為輸入，通過W習的方法來獲得相應的輸出。情感分類是一個多類分類問題，可以直接采用多類分類器，或者轉換成多個二值分類。情感回歸是一個回歸問題，研究針對的是維度情感模型。情感圖像檢索對應的是如下檢索問題，即給定輸入圖像，查找與之表達相似情感的圖像。針對不同問題，可以采用的學習模型也將各有不同。
3 圖像情感計算的研究現狀與分析
本節對圖像情感計算的研究現狀進行總結與分析。首先從不同的分類角度綜合歸納了當前可高效用于圖像情感計算的技術特征，然后簡要介紹常用的機器學習方法，最后對已有方法存在的主要問題進行分析并給出可能的解決方案。
3.1 用于圖像情感計算的特征
如何提取與情感緊密相關的特征是情感識別的關鍵問題。根據所提特征的通用性（generality），可將已有的特征分為2類：通用特征和專用特征。根據所提特征的層次（level），可將已有的特征分為3類：底層特征、中層特征和高層特征。
進一步地，所謂通用特征是指計算機視覺里普遍適用的特征，設計這些特征的目的并不是為了用于情感識別，而是其他的視覺任務，如物體檢測。Yanulevskaya所使用的Wiccest特征和Gabor特征就是典型的通用特征[29]。而專用特征則是針對情感識別這一特定任務而設計的能夠表達不同情感的特征，比如常見的顏色、紋理等底層特征。
目前，絕大多數的情感特征提取工作都是基于藝術元素的，如顏色、紋理、形狀、線條等。針對每一種類的藝術元素，研究者們又設計了為數可觀的不同描述方法。關于藝術元素及常用特征的典型描述可見于如下：
1）顏色（color）有3個基本的屬性：色調、強度和飽和度。常用于描述顏色的特征除了這3個基本屬性的平均值，還有colorfulness、area statistics[30-31]等。
2）灰度值（value）描述顏色的亮度或暗度。常用的特征有lightness、darkness[30-31]等。
3）線條（line）是在某物體表面的連續的標記。主要有2種：強調線和非強調線。強調線，又稱輪廓線，勾勒出了一個物體的輪廓或邊緣，而非強調線則用于描述那些輪廓和邊緣未可堪稱重要的作品。不同的線條給人不同的感覺，如水平線代表平靜，給人輕松的感覺，垂直線代表強度與穩定，對角線代表緊張，曲線則表示運動。通常用于描述線條的特征有通過霍夫變換計算的靜止和動態線條的數量和長度[30]。
4）紋理（texture）用于描述物體的表面質量（surface quality），有的藝術家使用平滑的紋理，也有的人喜歡用粗糙的紋理。常用的有基于小波的特征、Tamura特征、灰度共生矩陣[30]以及LBP特征。
5）形狀（shape）是平的，具有2個維度：高度和寬度。Lu等人使用圓度（roundness）、角度（angularity）、簡單性（simplicity）和復雜性（complexity）來描述形狀[32]。
（6）形式（form）具有3個維度，即高度、寬度和深度，因此形式具有體積。
（7）空間（space）指物體之間、上面、下面或物體內部的距離或面積。
除了目前常規通用的底層表達，也有部分工作開始提取中層或高層的特征。Machajdik和Hanbury[30]提取了包括Level of Detail、Low Depth of Field、Dynamics和Rule of Thirds在內的構圖（composition）作為中層特征，同時也發掘包括人臉、皮膚在內的圖像內容（content）作為高層特征。Solli和Lenz使用每個興趣點周圍的情感直方圖特征和情感包（bag-of-emotion）特征來對圖像進行分類[27]。Irie等人提取基于情感的音頻-視覺詞組包（bag of affective audio-visual words） 的中層特征以及隱主題驅動模型來對視頻進行分類[33]。
3.2 常用的機器學習方法
圖像情感分類一般可建模為標準的模式分類問題，常用的分類器都可以用來解決此問題。根據建模過程，其中的有監督學習即可以分為生成式學習和判別式學習。相應地，判別式學習就是直接對給定特征條件下標簽的條件概率進行建模，或者直接學習一個從特征到標簽的映射，如Logistic回歸和支持向量機（SVM）等。生成式學習則分別對類別先驗和似然進行建模，而后再利用Bayes法則來計算后驗概率，如高斯判別分析和Naive Bayes。當處理多類分類時不僅可以直接采用多類分類器，也可以轉換成多個二值分類問題，常規策略有“一對一”分類和“一對多”分類。多種分類器可用來實施圖像情感的分類，其中進入使用流行的主要有Naive Bayes[30]、Logistic回歸[34]、 SVM[32，35-36]和稀疏表示等。
一般情況下，圖像情感回歸建模為標準的回歸預測問題，即使用回歸器對維度情感模型中各個維度的情感值進行估計。常用的回歸模型有線性回歸、支持向量回歸（SVR）和流形核回歸（manifold kernel regression）等。當前有關圖像情感回歸的研究仍屬少見，已知的只有使用SVR對VA模型所表示的情感嘗試，并實現了回歸[32，35]。
目前，已知的用于圖像情感檢索的方法主要有SVM[36]和多圖學習[37]等。
3.3 現有方法存在的主要問題及可能的解決方案
3.3.1 所提取的底層特征與圖像情感之間存在語義鴻溝
目前的圖像情感識別方法主要仍是基于學習的方法，因此學習時所使用的特征決定了最終學習的分類器或回歸預測器性能的優劣。而時下絕大多數工作所提取的特征主要是基于藝術元素的底層特征，這就使得“情感鴻溝”極為顯著，學習所得的分類器的分類準確率較為低下，回歸預測器的預測結果誤差較大?；诖?，如何進一步縮小這一鴻溝，即改進特征與情感類別或情感得分之間的映射關系，即已成為氣候工作的研究重點。
3.3.2 ]有從腦科學、心理學及藝術學等學科的研究成果中得到啟發
情感表達是一個多學科交叉的研究方向，現有的從計算機的角度進行情感表達的工作大多都未曾引入腦科學、心理學及藝術學等產生的豐碩研究成果，這極大地限制了圖像情感表達領域的發展、推進和完善。
在進行藝術作品創作時，藝術家不僅僅需要使用藝術元素，而且還要研究藝術原理，即把藝術元素進行組織與排列以產生特定語義與情感的各類規則。因此，使用藝術原理作為描述情感的中層特征，可能會對情感識別產生一定的幫助。
3.3.3 沒有考慮個性化的情感識別
目前絕大多數的情感識別工作對情感的處理都是基于期望情感的[38-39]，即圖像拍攝者或電影制作者創作作品時希望讀者產生怎樣的情感，或者基于大眾化情感，即大多數人所產生的類同式情感。這樣做雖然便于研究，但卻不符合實際情況，因為人的情感具有寬泛的主觀性，例如喜歡看恐怖片的人可能覺得這部影片并不恐怖。也就是說，不同人對同一圖像的情感反應是不同的，即情感評價是因人而異的，而且同一個人在不同時刻對同一圖像的情感反應也有可能出現不同，即情感評價是因時而異的。因此，課題重點就是需要研究每個人的真實情感。
要想解決上述問題，就需要為每個人都建立一個數據庫。人工標記顯然費時、費力，不過，把社交媒體中人們對圖像的評價作為對圖像情感的理解將不失為是一種近便且準確的方法。同時，還可以進一步考慮對社交媒體中情感的傳播和影響進行建模，即人們某時刻對圖像情感的理解可能受當時朋友情感的影響。
如果說只考慮期望情感將太過泛化，那么個性化的情感識別卻可能過于特殊，并且為之產生的計算復雜度還會很高。因此，介于期望情感和個性化情感之間的群體情感就可能會是一個合理的適用性解決方案。所謂群體情感，是指具有相同教育背景、生活環境和社會文化的人對同一幅圖像所產生的情感是相似的。
3.3.4 高層語義和情感的理解相互制約
人們產生情感，是由特定的知識背景與特定的語義所共同決定的。那么，考慮基于語義的圖像情感識別就應該更具備克星的真實性。但是，對圖像語義的研究本身即是一個尚未解決的疑難課題，這將使得運用語義進行情感識別還存在很大的困難。如果圖像語義分析技術達到了一定的技術水平后，圖像情感識別也必將獲得根本性解決。
3.3.5 目前用于情感表_測試的數據庫規模很小
現有已公布的圖像情感數據庫規模很小，大型的僅在2 000左右，小型的僅有200，這也限制了圖像情感表達的迅速發展，首要就是無法運用統計的思想和理論來發現其中的一些規則。而與此同時，社交網絡即給出了一種可能的應對方案，如何利用社交網絡上的大規模數據提高圖像情感的識別率，挖掘圖像情感之間的相互關系則需要研究學界的更大關注與投入。
3.3.6 沒有適用于圖像情感識別的理想學習策略
語音情感識別之所以發展得比較迅速，即是因為得到了與語音表達的機制相關的混合高斯模型和人工神經網絡的有效技術支撐。但是目前適用于圖像情感識別的學習策略或分類方法卻仍顯匱乏，而這又需要腦科學和機器學習等交叉領域研究的進化、提升與發展。
4 結束語
研究圖像情感計算，實現對圖像情感語義的分析對認知心理學、行為科學、計算機視覺、多媒體技術和人工智能領域的理論和技術發展均有促進作用。在過去的十幾年內，已有較多的相關工作獲得發表、并進入實踐。但是，圖像情感計算的研究仍然處在初級階段，仍有眾多問題未獲解決。本文在分析研究現狀的基礎上，總結出了現有方法存在的問題以及可能的解決方案，為后續研究提供了參考。
參 考 文 獻
[1] Picard R W. Affective computing[M]. London， England： MIT Press， 1997.
[2] PANG B， LEE L. Opinion mining and sentiment analysis[J]. Information Retrieval， 2008， 2 （1/2）： 1-135.
[3] YANG Y H， CHEN H H. Machine recognition of music emotion： A review[J]. ACM Transactions on Intelligent Systems and Technology， 2012， 3 （3）： 40.
[4] RODA A， CANAZZA S， De POLI G. Clustering affective qualities of classical music： beyond the valence-arousal plane[J]. IEEE Transactions on Affective Computing， 2014， 5 （4）： 364-376.
[5] ZHAO S， YAO H， WANG F， et al. Emotion based image musicalization[C] //Proceedings of IEEE International Conference on Multimedia and Expo Workshops. Chengdu， China： IEEE， 2014： 1-6.
[6] WANG W， HE Q. A survey on emotional semantic image retrieval[C] //Proceedings of IEEE International Conference on Image Processing. San Diego， California， USA： IEEE， 2008：117-120.
[7] JOSHI D， DATTA R， FEDOROVSKAYA E， et al. Aesthetics and emotions in images[J]. IEEE Signal Processing Magazine， 2011， 28 （5）： 94-115.
[8] WANG S， JI Q. Video affective content analysis： a survey of state of the art methods[J]. IEEE Transactions on Affective Computing， 2015， 6 （4）： 410-430.
[9] ZHAO S， YAO H， SUN X， et al. Flexible presentation of videos based on affective content analysis[C] //Proceedings of International Conference on Multimedia Modeling. Huangshan， China： Springer， 2013： 368-379.
[10] ZHAO S， YAO H， SUN X， et al. Video Indexing and Recommendation Based on Affective Analysis of Viewers[C] //Proceedings of ACM International Conference on Multimedia. Scottsdale， AZ， USA： ACM， 2011： 1473-1476.
[11] ZHAO S， YAO H， SUN X. Video classification and recommendation based on affective analysis of viewers[J]. Neurocomputing 119： 101-110， 2013.
[12] WANG S， LIU Z， LV S， et al. A natural visible and infrared facial expression database for expression recognition and emotion inference[J]. IEEE Transactions on Multimedia， 2010， 12 （7）： 682-691.
[13] LUCEY P， COHN J F， KANADE T， et al. The extended Cohn-Kanade dataset （CK+）： A complete dataset for action unit and emotion-specified expression[C] //Proceedings of IEEE Conference on Computer Vision and Pattern Recognition Workshops. San Francisco， CA， USA： IEEE， 2010： 94-101.
[14] YIN L， WEI X， SUN Y， et al. A 3D facial expression database for facial behavior research[C] //Proceedings of IEEE International Conference on Automatic face and gesture recognition. Southampton， UK： IEEE， 2006： 211-216.
[15] DARWIN C， EKMAN P， PRODGER P. The expression of the emotions in man and animals[M]. New York， USA： Oxford University Press， 1872/1998.
[16] JAMES W. What is an emotion？[J] Mind， 1884（34）：188-205.
[17] CANNON W B. The James-Lange theory of emotions： A critical examination and analternative theory[J]. The American Journal of Psychology， 1927， 39 （1/4）： 106-124.
[18] LAZARUS R S. Progress on a cognitive-motivational-relational theory of emotion[J]. American psychologist， 1991， 46 （8）： 819.
[19] 王志良. 人工情感[M]. 北京： C械工業出版社， 2009.
[20] 陳俊杰. 圖像情感語義分析技術[M]. 北京： 電子工業出版社， 2011.
[21] EKMAN P. An argument for basic emotions[J]. Cognition & emotion， 1992， 6 （3/4）： 169-200.
[22] IZARD C E. Basic emotions， relations among emotions， and emotion-cognition relations[J]. Psychology Review， 1992， 99： 561-565.
[23] MIKELS J A， FREDRICKSON B L， LARKIN G R， et al. Emotional category data on images from the International Affective Picture System[J]. Behavior research methods， 2005， 37 （4）： 626-630.
[24] PLUTCHIK R. Emotion： A psychoevolutionary synthesis[M]. New York， USA： Harpercollins College Division， 1980.
[25] BENINI S， CANINI L， LEONARDI R. A connotative space for supporting movie affective recommendation[J]. IEEE Transactions on Multimedia， 2011， 13 （6）： 1356-1370.
[26] RUSSELL J A， MEHRABIAN A. Evidence for a three-factor theory of emotions[J]. Journal of research in Personality， 1977， 11 （3）： 273-294.
[27] SOLLI M， LENZ R. Color based bags-of-emotions[C] //Proceedings of International Conference on Computer Analysis of Images and Patterns. M¨unster， Germany：Springer， 2009： 573-580.
[28] Dietz R， Lang A. Affective agents： Effects of agent affect on arousal， attention， liking and learning[C]//Proceedings of International Cognitive Technology Conference. San Francisco， CA， USA： Springer， 1999.
[29] YANULEVSKAYA V， Van GEMERT J， ROTH K， et al. Emotional valence categorization using holistic image feature[C] //Proceedings of IEEE International Conference on Image Processing. San Diego， California， USA： IEEE， 2008： 101-104.
[30] MACHAJDIK J， HANBURY A. Affective image classi?cation using features inspired by psychology and art theory[C] //Proceedings of ACM International Conference on Multimedia. Firenze， Italy： ACM， 2010： 83-92.
[31] WANG W N， YU Y L， JIANG S M. Image retrieval by emotional semantics： A study of emotional space and feature extraction[C] //Proceedings of IEEE International Conference on Systems， Man and Cybernetics. Taipei， Taiwan： IEEE， 2006： 3534-3539.
[32] LU X， SURYANARAYAN P， ADAMS J R B， et al. On Shape and the Computability of Emotions[C] //Proceedings of ACM International Conference on Multimedia. Nara， Japan： ACM， 2012：229-238.
[33] IRIE G， SATOU T， KOJIMA A， et al. Affective audio-visual words and latent topic driving model for realizing movie affective scene classification[J]. IEEE Transactions on Multimedia， 2010， 12 （6）： 523-535.
[34] BORTH D， JI R， CHEN T， et al. Large-scale visual sentiment ontology and detectors using adjective noun pairs[C] //Proceedings of ACM International Conference on Multimedia. Barcelona， Spain： ACM， 2013： 223-232.
[35] ZHAO S， GAO Y， JIANG X， et al. Exploring Principles-of-Art Features for Image Emotion Recognition[C]//Proceedings of ACM International Conference on Multimedia. Orlando， FL， USA： ACM， 2014： 47-56.
[36] WU Q， ZHOU C，WANG C. Content-based affective image classification and retrieval using support vector machines[C] //Proceedings of International Conference on Affective Computing and Intelligent Interaction， Beijing， China： Springer， 2005：239-247.
[37] ZHAO S， YAO H， YANG Y， Zhang Y. Affective Image Retrieval via Multi-Graph Learning[C]//Proceedings of ACM International Conference on Multimedia. Orlando， FL， USA： ACM， 2014： 1025-1028.
[38] HANJALIC A. Extracting moods from pictures and sounds： Towards truly personalized TV[J]. IEEE Signal Processing Magazine， 2006， 23 （2）： 90-100.
[39] HANJALIC A， XU L Q. Affective video content representation and modeling[J]. IEEE Transactions on Multimedia， 2005， 7 （1）： 143-154.
[40] ZHAO S， YAO H， JIANG X， et al. Predicting discrete probability distribution of image emotions[C] //Proceedings of IEEE International Conference on Image Processing. Quebec， QC， Canada： IEEE， 2015： 2459-2463.
計算機視覺主要任務范文4
關鍵詞：測繪；工程技術；淺析
中圖分類號：K826.16文獻標識碼：A文章編號：
隨著數字化測繪技術的提高，GIS技術的不斷成熟、GPS技術在各行各業的廣泛應用，
現代工程測量必將朝著測量數字工程化的方向發展。大力開展數字化測繪技術的應用與研究將是測繪單位提升自身競爭實力和創造經濟效益的首要任務。
1 測繪工程的概念
測繪是采集、量測、處理、分析、解釋、描述、利用和評價與地理和空間分布有關數據的一門科學、工藝、技術和經濟實體，具有基礎性、前期性和公益性的特點。測繪產品是反映地表上的自然、人工要素及其在地理空間的位置和屬性信息的，而這些信息是社會發展和經濟建設的各行各業需要利用和必須依賴的基礎。而工程測繪是把工程地區各種地面物體的位置和形狀，以及地面的起伏狀態，用各種圖例符號，依照規定的比例尺測繪成地形圖，或者用數字表示出來，為工程建設的規劃設計提供必要的圖紙和資料。要測繪的地球表面形態以及地物地貌雖然復雜多樣，但其形狀和大小均可看作是由一些特征點的平面位置和高程所決定的。測繪工程的主要任務有控制測量，線路測繪、施工放樣、數據處理等工作。
2 測繪工程的特點及發展趨勢
2.1 現代測繪工程的特點
現代測繪工程的主要特點概括起來就是“六化”和“十六字”?！傲奔礈y量內外業作業的一體化、數據獲取及處理的自動化、測量過程控制和系統行為的智能化、測量成果和產品的數字化、測量信息管理的可視化、信息共享和傳播的網絡化?！笆帧笔蔷_、快速、可靠、實時（動態）、遙測（遙控、遙傳）、集成、簡便、安全。組織測繪工作應遵循的原則是“從整體到局部”、“先控制后碎部”，這樣可以減少誤差的累積，保證測圖的精度，提高測圖的質量，可以分幅或分區測繪，加快測圖進度。
2.2 現代測繪工程的發展趨勢
現代測繪工程的發展趨勢：①.測量機器人為代表的智能和自動化系統的廣泛應用；②.基于知識和數據挖掘的工程信息系統；③.從土木工程測量和三維工業測量到人體醫學測量
；④.多傳感器的集成和混合系統；⑤. GPS、GIS、RS、TPS和激光掃描系統等多S技術集成與融合；⑥.大面積空間數據的快速采集和處理；⑦.精密數據處理和海量數據處理方面的數學物理建模；⑧.信息服務的網絡化和可視化。
3 數字化技術在原圖處理中的應用
3.1 原圖數字化處理
在建立各種GIS系統時，需要對原有地圖進行數字化處理，對于原始地圖，若其現勢性、精度和比例尺能滿足要求，就可以利用數字化儀對其進行數字化處理工作。當前主要有手扶跟蹤數字化和掃描矢量化、GPS數據輸入三種方法，手扶跟蹤數字化需要的儀器為計算機，數字化儀及相關軟件，是較早的一種數字化輸入方法，輸入速度較慢，勞動強度也較大。掃描矢量化是通過掃描儀輸入掃描圖像，然后通過矢量跟蹤，確定實體的空間位置。隨著掃描儀的普及和矢量化軟件的不斷升級，其作業方法越來越趨于自動化，它是一種省時，高效的數據輸入方法。GPS輸入是依據GPS工具能確定地球表面圖形精確位置，由于它測定的是三維空間位置的數字，因此不需作任何轉換，可直接輸入數據庫，目前主要是應用PTK（Real Tine Kinematics-實時動態）技術，它是在GPS基礎上發展起來的，能夠實時提供流動站在指定坐標系中的三維定位結果，并在一定范圍內達到厘米級精度的一種新的GPS定位測量方式，通過將1臺GPS接收機安裝在已知點上對GPS衛星進行觀測，將采集的載波相位觀測量調制到基準站電臺的載波上，再通過基準站電臺發射出去；流動站在對GPS衛星進行觀測并采集載波相位觀測量的同時，也接收由基準站電臺發射的信號，經解調等到基準站的載波相位觀測量，流動站的GPS接收機再利用OTF（運動中求解整周模糊度）技術由基準站的載波相位觀測量和流動站的載波相位觀測量來求解整周模糊度，最后求出厘米級精度流動站的位置。應用這種測量方法測量可以不布設各級控制點、界址點、地形點、地物點的坐標，利用測圖軟件可以在野外一次生成電子地圖。同時，也可以根據已有的數據成果快速地進行施工放樣。而實際應用得較多的主要是數字掃描矢量化軟件，針對大比例尺地形圖，大多數掃描矢量化軟件能自動提取多邊形信息，高效、便捷、保真的對地圖進行數字化處理。下面簡單介紹MAPCAD軟件的原圖數字化處理作業流程。
3.2 數字化原圖作業流程
由于MAPCAD軟件掃描矢量化輸入方法具有圖像清晰、編輯方便、操作方便，快捷鍵易于掌握，文件格式易于轉換等特點一般外設精度都能滿足，所以地形圖的精度主要取決于人工跟蹤精度和輸出設備精度，而人工跟蹤精度主要取決于作業人員的技能掌握熟練程度和工作態度，所以必須在加強培訓作業人員基本技能，掌握作圖以及測繪知識，要求工作人員嚴格按矢量化方案作業，確保圖件的精度和質量高于國家現行數字化測圖規范所規定的數字化精度和質量。在工程測量實踐中，要做好地形圖外業測點與數字化圖縮放相結合、符號圖層的劃分子圖、線形符號庫的設計等工作保證滿足工作進度的同時又節約項目經費，設計出的數字地圖簡單易用、美觀整潔、易于使用地形圖的工作人員判讀。
4 數字化繪圖
4.1 數字化繪圖的特點
大比例尺地形圖和工程圖的測繪是傳統工程測量的重要內容，數字化繪圖克服了手工繪圖存在的許多弊端，如工作量大，作業艱苦，作業程序復雜，煩瑣的內業數據處理和繪圖工作，成圖周期長，產品單一等缺點，符合現代飛速發展的工程需要。目前，數字化成圖技術主要有內外業一體化和電子平板兩種模式。內外業一體化是一種外業分工明確、便于人員分配，從而具有較高的成圖效率。作業人員，外業工效大大提高，時間縮短，直接生產成本大幅度下降。勞動強度：小數字化成圖的過程，減輕了作業人員的勞動強度，使生產周期大大縮短，能及時滿足用戶的要求。便于保存管理及更新方便：數字化產品既可以存儲在軟盤上，也可以通過繪圖儀繪在所需的圖紙上，線條、線劃粗細均勻，注記、字體工整，圖面整齊、美觀。且便于修改，能更好地保證圖形的現勢性和不變形性，避免重復測繪造成的浪費，增加地形圖的實用性和用戶的廣泛性。
4.2 外業數據的采集
在采集數據時，數據采集人員要準確應用地物代碼，在圖紙上標繪明確，自己清楚，簡單易懂，為內業下一步編圖成圖打下基礎，以免在內業成圖時出現錯誤。
4.3 繪制內業數據處理
無論是工程進程各階段的測量工作，還是不同工程的測量工作，都需要根據誤差分析和測量平差理論選擇適當的測量手段，在允許的誤差內，對測量成果進行處理和分析。
5 工程測量中的數字攝影測量技術
數字攝影測量是基于數字影像與攝影測量的基本原理，應用計算機技術、數字影像處理、影像匹配、模式識別等多學科的理論與方法就攝影測量本身而言，從測繪的角度上來看數字攝影測量還是利用影像來進行測繪的科學與技術；而從信息科學和計算機視覺科學的角度來看，它是利用影像重建三維表面模型的科學與技術，也就是在“室內”重建地形的三維表面模型，然后在模型上進行測繪，從本質上來說，它與原來的攝影測量沒有區別。因而，在數字攝影測量系統中，整個的生產流程與作業方式，和傳統的攝影測量差別似乎不大，但是它給傳統的攝影測量帶來了重大的變革。
6 結束語
測繪事業的跨越式發展，已成為國家重要的基礎地理信息產業，其服務領域也已滲透到社會的方方面面。它為國家建設和管理提供與地理位置有關的各種專題性和綜合性的基礎信息，其成果是進行環境監測、農業建設、交通、水利等大型工程建設、城鄉規劃建設、重大災害監測預報和科學研究以及國防建設等必不可少的基礎資料。
參考文獻：
計算機視覺主要任務范文5
論文摘要：舒爾曼提出的“學科教學知識”推動了教育研究與實踐的向前發展。高?！锻ㄐ旁怼氛n程學科教學的知識結構與內容框架主要包括通信原理課程教學模式等七個方面，對《通信原理》課程教學策略的知識應用進行論述，具有較強的理論和現實意義。
一、教師的學科教學知識
在20世紀80年代的西方教師專業化運動中，美國斯坦福大學的shulman教授，針對當時在對教師的資格認證中，將教師的教學能力簡單理解為教師具備的學科知識和教學知識的問題，指出對教師知識的分析是推動我們對教師行為分析的最主要的因素，提出了“學科教學知識”(pedagogicalcontentknowledge/pck，也有人譯為教育學內容知識、教學學科知識、教學專業知能、學科內容教學知識等)這一重要概念。舒爾曼認為，學科教學知識是學科知識和教育學知識的特殊混合體，是教師對學科知識獨特的專業理解，為教師所特有，是“教師對如何幫助學生理解具體學科內容而做出的理解”。學科教學知識使教師學會如何組織和呈現具體學科的主題、問題、結果，使之與學習者多樣的興趣與能力相適應，從而組織教學。學科教學知識的提出，為教師的專業化發展提供了理論基礎。
學科教學知識是教師在教學中將特定的學科教學內容加工轉化而形成的能為學生接受的知識。wWW.133229.cOM學科教學知識的形成需要教師對學科知識、教學知識、學生知識、情景知識等進行整合，并對教學經驗不斷歸納、總結與調整。因此，學科教學知識具有實踐性、情景性和個體性。學科教學知識的形成揭示了教師教學能力發展的復雜過程，使對教師教學能力的研究更為深人與科學。
舒爾曼提出的“學科教學知識”概念引起了學者們對與教師教學實踐相關知識的重視，學者們進行了大量的論述與研究，“學科教學知識”理論成為教師教育、課堂教學行為分析、科學教育等學科教育研究的重要內容與基礎框架。后經過修改和補充，舒爾曼又進一步闡釋了學科教學知識的框架。以此為基礎，學者根據自己的理解，提出了學科教學知識的內涵;盡管不同的學者有不同的見解，但大同小異，基本上都認為學科教學知識包括:教師教育信念、學科知識、教育學知識、關于學生的知識、教學情境知識等幾個方面。
二、《通信原理》課程教師的學科教學知識
現代社會是信息社會，電子與通信類專業從而也成為極為熱門的專業。在電子與通信類專業的課程結構中，《通信原理》是極為重要的專業基礎課程。此課程的主要任務在于研究通信系統中的基本概念和基本原理，讓學生掌握通信系統的基本組成、理論原理、實現方法和系統性能，能夠在后續課程的學習和工作中靈活應用，并激發他們對通信學科方面的學習興趣和熱情，使他們有足夠的自信和能力來適應這一日新月異的領域。該課程內容涉及隨機過程、復變函數與積分變換、信息論、信號與系統、數字信號處理等多方面的知識。高等教育是人才培養的主渠道，而教師則是決定學校教育質量的關鍵。在創新人才教育的大背景下，有必要對《通信原理》課程教師的知識結構框架進行分析、研究。
對于教師學科教學知識框架，除理論研究之外，也要進行實證研究，如調查分析、測量、比較等;而教師知識結構必然會涉及學科和專業。以往的研究多涉及基礎教育領域的教師;近年來，高等教育專業的教師學科教學知識也開始受到重視。筆者在理論分析、聽課、親歷教學的基礎上，提出了高校《通信原理》課程教師的學科教學知識框架。高校《通信原理》課程教師的學科教學知識應該包括如下主要內容:
(一)《通信原理》課程教學模式知識
《通信原理》課程教學方法因課程中具體內容的性質而有所不同，常用的教學模式有:仿專家思考模式，是要求學生像通信專家一樣思考，強調學術嚴謹，以傳授專業知識為主的教學模式。概念轉換模式，是通過使學生產生情景上的沖突，改變學生原有的概念，幫助他們建立通信科學概念的模式。探究模式，包括一般意義上的探究和以學習共同體為中心、分工負責、利用實驗室條件進行研究的“小組合作學習”或“合作探究”模式?；陧椖炕蛘n題的教學模式，即以“導向”性的問題為中心，圍繞一個主題組織概念、原理，指導學生通過實驗和調查得出解決方案等。
在熟悉《通信原理》課程教學模式的基礎上，應根據本科和高職?？频摹锻ㄐ旁怼氛n程教學目標的不同和學生基礎的不同，采用不同的課程教學模式。根據作者的經驗，本科教學中適合采用仿專家思考模式、概念轉換模式、探究模式;高職?？平虒W中，則宜運用基于項目或課題的教學模式和探究模式。這些模式在教學中還需要靈活交替使用。不論采用何種教學模式，《通信原理》課程的教師都應當具備體現《通信原理》課程特點的教學策略。筆者在教學中大量使用了理論教學與實驗、實習相結合，以及案例教學的策略。
(二)通信專業課程專業培養目標和教學目標知識
通信專業的培養目標是:培養一批具有堅實的理論基礎、很強的創新意識和動手能力的人才，主要培養德智體全面發展、基礎扎實、知識面寬、素質高、富有創新意識、在通信領域內獲得專業訓練的高級技術人才，以適應國家加速信息化發展對人才的需要。專業是以通信技術為主，結合計算機應用的寬口徑專業。根據教學目標，我們應該重點圍繞通信系統設計、智能信息處理、無線通信及測控、現代交換技術、光通信技術、計算機視覺與圖像處理等展開教學應用型人才的培養。
只有從總體上理解了通信專業課程專業培養目標和教學目標，才能在課程教學中處理好《通信原理》和其他課程的關系，達到預期的專業培養目標。為此，我們需要根據創新人才教育的大思路，從高等教育特點和各學校具體條件出發，結合各個專業的特點，加強專業理論教學、實驗教學、實踐教學活動。
(三)《通信原理》課程目標與內容知識
為了適應新世紀的需要，《通信原理》課程的培養目標是:培養具有厚基礎、寬口徑、高素質、強能力，特別是具有工程實踐能力和創新能力的科技人才。通過本課程的學習，使學生獲得必要的信息通信與傳輸方面的基礎理論知識和基本技能，為后續專業課程的學習打下扎實的理論基礎和動手能力;使學生在模擬和數字通信方面建立清晰的系統概念，掌握通信系統的一般分析方法，并具備一定的通信系統設計能力;使學生了解通信技術的最新發展方向，從而把握通信學科發展脈絡，激發學生的主動性與創新性，提高學生的綜合素質和創新能力，為培養能夠解決挑戰性問題的新一代工程師打下堅實的基礎。
《通信原理》課程內容具體包括:通信的概念、通信系統基本組成、數字通信系統、信道簡介;信息嫡的基本概念;awgn信道下香農信道容量理論;信號的頻域分析方法，自相關函數與功率譜密度，互相關函數與互譜密度;hillbert變換，解析信號，等效基帶分析;隨機信號與平穩隨機信號，窄帶平穩隨機信號，高斯白噪聲過程;模擬調制;模擬信號的數字化;高斯白噪聲信道中的數字傳輸;帶限awgn信道下的數字傳輸等。對這些內容的深入了解和精深掌握是做好《通信原理》課程教學的前提條件。
除了對這些基礎知識的牢固掌握以外，教師還應該對通信的研究史和發現史、學科研究與開發最新進展，特別是光電子通信有較多的了解，并在教學中適當進行最新研究與開發成果介紹。
(四)學生對本專業知識的理解能力知識
通信專業教師應該了解學生對具體專業知識的理解能力，包括學生學習需要和學習困難的知識。所謂學生學習需要的知識指的是學生在學習某個通信原理課程內容之前必備的專業知識和技能。學生的學科理解能力是影響教學效果的重要原因。只有深人了解學生學習《通信原理》課程需要哪些預備知識、難點是哪些等，才能有的放矢，提高學生學習的積極性，提高教學效果。學生學習《通信原理》課程時，較難理解和接受的知識包括通信的抽象概念、隨機過程概念、信息熵、hillbert變換，教師教學中應該努力讓學生掌握這些方面的內容。
(五)通信安全意識
通信安全涉及國家、單位，以及個人的通信秘密保障，關乎國家、社會征集、經濟、軍事等各方面的安全?，F有的《通信原理》課程教材都不涉及通信安全教育，這是一個很大的缺陷?！锻ㄐ旁怼氛n程教師不僅自己應該具有一定的通信安全知識和相關思考，更應該將其滲透于《通信原理》課程的教學之中。
三、《通信原理》課程學科教學知識的運用
《通信原理》課程教師應該具備上述學科教學知識，并能熟練地運用于教學實踐活動中。作者在自己的教學實踐中對《通信原理》課程學科教學知識進行了靈活運用。下面對其中的教學策略知識的運用舉例說明如下:
(一)學科知識傳授方面，教學重點放在數字通信系統部分
《通信原理》內容包括通信的基本理論、模擬調制、數字傳輸、編碼技術幾個大部分。由于現代通信的發展方向是數字通信，因此，教學重點在數字通信系統部分。在課程的開始階段，讓學生準確把握數字通信系統的組成、各模塊的功能，使得學生能夠把本課程的內容有機地組合起來，在學習具體知識點時能明確它們在通信系統中所起的作用，收到“既見樹木，又見森林”的效果。《通信原理》是一門理論和實踐并重的課程，在理論教學方面，要讓學生掌握通信系統的基本組成、理論原理、分析方法。為了提高教學效果，在課堂上采用設問思考和逆向思考提問等教學方法，啟發學生思考、誘發學生的思維、激起學生的求知欲望。在教學過程中注重考慮學生的學習方法和接受能力，在備課時，采用換位思考方法，感受學生的困惑，考慮講解的技巧，以在最短的時間內收到最佳的教學效果。同時根據不同的教學內容和教學對象，注意將學生自學和精講重點、難點結合起來。在每章及每小節結束時，注意進行課程總結，讓學生及時鞏固所學內容，便于繼續學習新的內容。
(二)通過介紹新技術進展，提高學生學習的興趣
《通信原理》是通信專業的基礎課程，涉及的最新技術不多，而本院電子信息與科學技術專業通信方面的后續課程也不多。而且，在中國的高等教育中，工科教育的一個較明顯的缺陷是最新科研與開發成果很難及時在教材中體現，用什么教材講什么內容的傳統也使得最新科研與開發成果很難在教師的授課過程中被包括進來。通信的發展日新月異，新技術層出不窮，如何在有限的課時里讓學生掌握通信基本理論的同時，盡量了解更多關于通信方面的新理論和新技術是教學中需要解決的問題之一。作者在教學中采用課內附帶介紹最新進展的形式來實現。例如，在講解基本內容的同時，附帶介紹了移動通信的發展狀況、移動通信中常用多址方式、3g技術及其現狀等內容，既能提高學生的學習興趣，開拓其視野，也能為他們將來從事這方面的研究和開發指明方向。
(三)通過cai和仿真輔助教學，加深對理論的理解
大量使用多媒體進行教學，并在課件設計上注意突破簡單的演示型模式，體現知識的建構過程，重視知識要點的剖析，提高學生主體的參與程度;在課堂講解上，注意將重點內容在黑板上列出，避免讓學生有看電影的感覺，同時便于學生理解掌握原理，從而彌補了傳統教學和多媒體教學各自的不足;同時，利用仿真軟件對通信系統進行仿真觀察，提高了學生對理論的理解能力，培養了學生的系統觀念。
(四)加強教學實踐，鞏固所學內容
《通信原理》是一門實驗性很強的課程，為了幫助學生鞏固所學的內容，加深理解，筆者在教學中采用兩種方法來進行教學實踐。其一，精心設計實驗，利用本系現有的實驗設備，設計實驗內容;其二，利用matlab仿真軟件，編寫仿真程序，采用課堂演示的方法。比如，通過仿真實現多種解調方式的誤碼率曲線，可以讓學生們直觀地了解它們的性能差異，體會“面對面”交流的樂趣。而編程基礎比較好的同學可以開發一個簡單的數字通信系統，重點讓學生練習使用信源編碼信道及接收機的仿真實現等。這樣，既提高了學生的編程能力，也加深了其對整個通信系統的理解。
