基于高清视频的红绿灯识别算法研究与实现
视频图像中车辆的速度识别算法研究与实现
视频图像中车辆的速度识别算法研究与实现引言随着交通的迅猛发展，城市道路上的车辆数量急剧增加。
为了提高交通管理和道路安全，对于车辆的速度进行准确的识别变得越来越重要。
视频图像中的车辆速度识别算法可以帮助交通管理部门监控道路上的车辆行驶情况，并实时提供车辆的速度信息。
本文将研究和实现一种基于视频图像的车辆速度识别算法。
算法原理本文所提出的车辆速度识别算法基于视频图像处理技术和计算机视觉算法。
主要包括以下几个步骤：1.车辆检测：首先，利用目标检测算法对视频图像中的车辆进行检测。
常用的目标检测算法包括基于深度学习的算法（如YOLO、Faster R-CNN等）和基于特征提取的算法（如Haar特征、HOG特征等）。
2.目标跟踪：在车辆检测之后，利用目标跟踪算法对车辆进行跟踪。
目标跟踪算法可以根据车辆在视频序列中的位置信息和外观特征进行目标的连续跟踪。
3.速度计算：在目标跟踪的基础上，通过计算车辆在相邻帧之间的位置变化来获得车辆的速度。
速度计算可以基于帧差法、光流法等方法进行。
4.结果输出：最后，将识别到的车辆速度信息输出到显示屏或保存到文件中，以供后续分析和应用。
算法实现为了实现以上算法原理，需要进行以下几个步骤的具体实现：1.数据采集与准备：获取视频图像数据，并对数据进行预处理，如调整图像大小、转换图像格式等。
2.车辆检测与跟踪：利用已有的目标检测算法对视频图像中的车辆进行检测，并利用目标跟踪算法进行车辆的连续跟踪。
3.速度计算：基于车辆的位置信息和时间信息，计算车辆在相邻帧之间的位置变化，从而得到车辆的速度。
4.结果输出：将识别到的车辆速度信息进行输出，可以选择输出到显示屏上或保存到文件中。
在具体实现过程中，需要选择适合的目标检测与跟踪算法，并根据实际需求选择合适的速度计算方法。
同时，还需要考虑实现的效率和精度，对算法进行优化。
算法评估与改进为了评估所实现的车辆速度识别算法，可以使用已标注好的数据集进行准确度和速度的评估。
基于深度学习的交通信号灯图像识别算法研究
基于深度学习的交通信号灯图像识别算法研究交通信号灯是城市交通中不可或缺的一环。
对于汽车和行人来说，红绿灯的作用是至关重要的。
随着信息技术的快速发展和深度学习算法的广泛应用，交通信号灯图像识别算法也得到了广泛关注。
本文将介绍交通信号灯图像识别算法的基本原理和主要应用。
一、交通信号灯图像识别算法的基本原理交通信号灯图像识别算法的基本原理是利用计算机视觉技术，通过对交通信号灯的颜色和亮度进行分析，实现对交通信号灯状态的自动检测和识别。
交通信号灯图像识别算法一般分为以下几个步骤：1. 图像预处理：图像预处理是交通信号灯图像识别算法的第一步。
通过图像预处理可以实现对图像的去噪、灰度化等操作，从而提高后续图像处理的精度和效率。
2. 特征提取：特征提取是交通信号灯图像识别算法的核心步骤。
通过特征提取可以实现对交通信号灯的颜色、形状、亮度等特征进行分析和提取，从而实现对交通信号灯状态的自动检测和识别。
3. 特征分类：特征分类是交通信号灯图像识别算法的最后一步。
通过特征分类可以将提取出的特征与预设的交通信号灯状态进行比对，并最终判断出交通信号灯的状态。
二、交通信号灯图像识别算法的主要应用交通信号灯图像识别算法主要应用于智能交通系统、自动驾驶车辆等领域。
在智能交通系统中，交通信号灯图像识别算法可以实现对交通信号灯状态的自动监测和识别，从而为车辆和行人提供更加安全和便捷的交通环境。
在自动驾驶车辆领域，交通信号灯图像识别算法可以实现对交通信号灯状态的实时检测和识别，从而为自动驾驶车辆提供更加准确和安全的路况判断。
三、交通信号灯图像识别算法的研究挑战及发展趋势交通信号灯图像识别算法的研究存在着一些挑战。
首先是交通信号灯的颜色和亮度变化较大，这会影响交通信号灯图像识别算法的精度。
其次是交通信号灯的遮挡和反光问题，这会影响交通信号灯图像识别算法的稳定性和鲁棒性。
为了解决这些挑战，目前研究者主要采取以下几种方法：1. 引入深度学习技术，利用深度卷积神经网络等算法来实现对交通信号灯的特征提取和分类。
智能交通系统中基于视频分析的车辆识别技术研究
智能交通系统中基于视频分析的车辆识别技术研究随着城市化进程的不断加快，道路交通的拥堵问题越发突出。
如何应对日益增长的交通压力，提高交通效率是城市发展的重要课题之一。
智能交通系统作为一种集传感器、通信、计算、控制和信息处理技术于一体的技术应用系统，提供了解决交通问题的有效手段。
而其中基于视频分析的车辆识别技术，则是智能交通系统中的关键技术之一，对于实现交通信号灯的智能化调度、车流量统计以及交通事故预警等具有重要意义。
一、车辆识别技术概述车辆识别技术是智能交通系统中的关键技术之一，它通过分析视频图像中的车辆特征，实现对车辆进行准确识别。
车辆识别技术主要包括车辆检测、车辆跟踪和车辆分类三个步骤。
首先，车辆检测是指在视频图像中寻找并标记车辆的位置。
由于复杂的道路环境和车辆运动的多样性，车辆检测技术需要能够适应各种光线、天气等条件下的图像。
目前常用的车辆检测技术包括背景建模、特征提取和机器学习等方法。
其次，车辆跟踪是指在连续的视频帧中跟踪车辆的运动轨迹。
车辆跟踪技术需要考虑车辆运动的连续性和变化性，同时还需要解决遮挡、光照变化等问题。
目前常用的车辆跟踪技术包括基于背景模型的目标跟踪、卡尔曼滤波和粒子滤波等方法。
最后，车辆分类是指将检测到的车辆分为不同的类别，如汽车、卡车或摩托车等。
车辆分类技术需要提取车辆的外观特征，并利用分类器对车辆进行分类。
常见的车辆分类方法包括基于特征提取的方法、基于机器学习的方法以及基于深度学习的方法等。
二、智能交通系统中的应用基于视频分析的车辆识别技术在智能交通系统中具有广泛的应用前景。
以下是一些典型的应用场景：1. 交通信号灯的智能化调度：通过识别交通流量，智能交通系统可以根据实时的交通情况，自动调节信号灯的时长和配时，以减少交通拥堵并提高交通效率。
2. 车流量统计：车辆识别技术可以对道路上行驶的车辆进行自动统计，包括车辆的数量、速度等信息。
这对于交通规划和道路设计具有重要意义。
基于视频识别技术的交通监控系统设计与实现
基于视频识别技术的交通监控系统设计与实现随着社会发展和人口增加，交通拥堵和交通违法现象越来越突出。
为了提高道路交通的安全性和效率，交通监控系统的设计与实现变得至关重要。
本文将介绍基于视频识别技术的交通监控系统的设计与实现方法，以及系统的工作流程和应用。
一、设计思路在设计交通监控系统时，我们首先要考虑的是系统的功能需求和技术实现。
基于视频识别技术的交通监控系统主要包括以下几个方面的功能：1. 实时监控：系统需要能够实时地监控道路上的交通情况，包括车辆行驶状态、交通流量、交通违法行为等。
通过视频识别技术，可以提取出交通场景中的各种信息，并实时显示在监控界面上。
2. 事件检测：系统需要能够检测出交通场景中的异常事件，如交通事故、拥堵等。
通过视频识别技术，可以将这些异常事件与正常交通情况区分开来，并及时报警或采取相应的措施。
3. 数据分析：系统需要能够对交通数据进行分析和统计，以便于交通部门和相关决策者进行交通管理和规划。
通过视频识别技术，可以收集和分析大量的交通数据，并生成相应的报表和图表，为决策者提供参考。
在设计系统的技术实现上，我们可以采用以下几种视频识别技术：1. 目标检测：通过图像处理和机器学习算法，识别出交通场景中的车辆、行人等目标，并实时跟踪它们的位置和运动轨迹。
2. 行为分析：通过计算机视觉和模式识别算法，对车辆的行驶状态和行为进行分析，如车速、变道、停车等，从而判断是否存在交通违法行为。
3. 图像识别：通过深度学习和卷积神经网络等技术，对交通场景中的图像进行识别和分类，如交通标志、信号灯等，从而辅助交通管理和决策。
二、系统工作流程基于视频识别技术的交通监控系统的工作流程主要包括以下几个步骤：1. 视频采集：系统首先需要采集道路交通场景的视频，并对视频质量进行处理和优化，以确保后续的视频分析能够准确有效。
2. 视频预处理：采集到的视频需要进行预处理，包括视频解码、帧率转换、去噪等。
这些预处理操作能够提高视频分析的准确性和效率。
交通路口闯红灯的视频检测算法-2019年文档
交通路口闯红灯的视频检测算法Red Light Traffic Intersection Video Detection AlgorithmXu Donghua1,He Liju1,Liu Lipin2(1.Guangzhou Maritime College,Guangzhou510725;2.Sea Arms Command College,Guangzhou510430):The rapid development of urban transport,vehicle ownership is rising sharply.Traffic lights junction is essential for traffic control, video detection and implemented through a red light camera deal to help reduce traffic management costs,improve managementefficiency.This video features the junction according to the city,proposed a periodic change based on the red color feature detection e of this algorithm, and the use of automated computing technology background,you can automatically detect the vehicle to capture the red and red light running.Keywords:Signal detection;Color feature;Automatic background calculation;Illegal capture一、前言城市交通因为车辆数据的急剧增长而愈来愈拥塞。
基于视频监控的交通事件识别技术研究
基于视频监控的交通事件识别技术研究随着生活水平的提高，现代交通越来越发达。
然而，人口增长和城市化也带来了交通拥堵和安全问题。
经常发生的交通事故，如车祸、闯红灯、占用公交道、酒驾等，给人们的生命和财产带来了巨大风险。
因此，如何保障交通安全成为大家关注的热点话题。
近年来，基于视频监控的交通事件识别技术受到了越来越多的关注，成为提高交通安全的有效手段。
一、基于视频监控的交通事件识别技术的意义基于视频监控的交通事件识别技术对交通安全有着重要的意义。
首先，能够准确识别交通事故和危险驾驶行为，加强对交通安全的管理和监督。
其次，能够改善司机的行为和习惯，提高交通安全的意识和水平。
最后，能够增加对违法行为的惩罚力度，并且方便交通警察的调查和证明。
二、交通事件识别技术的实施方法交通事件识别技术的实施方法主要有两种：一种是基于传统方法的行为识别，另一种是基于深度学习的模型识别。
传统方法的行为识别主要包括轮廓检测、运动分析、目标跟踪和特征提取等步骤。
首先，将视频数据转化为序列形式，然后通过对图片的边缘检测、统计处理等方法，提取出关键轮廓信息。
之后，用关键轮廓信息来分析和跟踪车辆的运动轨迹。
最后，从运动轨迹中提取出特征参数，如车速、行驶路线、车辆开关门次数等，再结合数据分析方法对行为进行识别。
基于深度学习的模型识别是近几年新兴的技术。
该技术以卷积神经网络为基础，通过多层次网络结构实现信息的自动分层提取和学习。
首先，模型对样本数据通过学习进行特征提取和分类。
其次，模型通过反向传播算法学习得到更优的参数。
最后，可以通过识别结果对车辆的行为进行判别。
三、基于视频监控的交通事件识别技术的应用目前，基于视频监控的交通事件识别技术已经得到广泛的应用。
在城市交通系统中，可用于协调交通流量、进行动态路况监测、辅助交通指挥等。
在出租车、公交车、物流车等行业中，可以用于车辆调度、疲劳驾驶监测、车辆异常行为检测等。
此外，近年来，在英国、日本等国家已开始利用该技术进行交通事故的自动报警和追踪。
基于视频图像处理的交通违法识别与监测系统设计及实现
基于视频图像处理的交通违法识别与监测系统设计及实现随着城市的不断发展，交通流量不断增加，交通安全问题也变得越来越突出。
尤其是一些交通违法行为，经常会导致交通事故的发生，严重危害了公共安全。
因此，交通违法识别与监测系统的研究和开发，成为了当前急需解决的问题。
本文将从交通违法识别与监测系统的需求出发，介绍基于视频图像处理的交通违法识别与监测系统的设计和实现方案。
一、需求分析1.交通违法行为种类繁多交通违法行为种类繁多，如闯红灯、逆向行驶、不按规定车道行驶、超速行驶、酒后驾驶等。
因此，交通违法识别与监测系统需要能够准确识别并分类不同种类的违法行为。
2.交通场景复杂多变交通场景的复杂程度直接影响交通违法识别与监测系统的效果。
在城市道路中，车辆数量众多、速度快，道路宽窄、光线明暗、天气状况等因素对视频图像的质量产生了较大影响。
交通违法识别与监测系统需要能够针对不同的场景进行适应性调整，保证正确识别违法行为。
3.系统实时性要求高交通违法行为的发生瞬息万变，对交通违法识别与监测系统的实时性提出了很高的要求。
系统需要能够实时采集现场交通视频数据，并进行快速处理和分析，及时发出警报。
二、系统设计方案1.系统总体框架基于视频图像处理的交通违法识别与监测系统，主要分为三个部分：视频采集、图像处理、结果输出。
系统的视频采集部分，采用高清摄像头对交通场景进行全方位的拍摄，获取高质量的视频数据。
系统的图像处理部分，采用先进的图像处理技术，对视频数据进行分析和处理，识别出现场交通违法行为。
系统的结果输出部分，将违法行为的相关信息展示在监测界面上，并将警报信息推送到终端设备上，实现快速处置。
2.违法行为识别算法基于视频图像处理的交通违法识别算法，主要包括两个部分：目标检测和行为判定。
目标检测，采用卷积神经网络（CNN）模型，对视频数据中的车辆、行人等目标进行检测，进而确定违法行为发生的位置。
行为判定，采用计算机视觉技术，对违法行为进行分类。
基于视频的道路识别新算法在交通监测系统中的应用
ＡＰＰＬＹＩ ＮＧ ＤＥｏ ． ＶＩ ＢＡＳＥＤ ＮＥＷ ＡＬＧｏＲＩ ＴＨＭ ｏＦ ＲｏＡＤ ＲＥＣｏＧＮＩ ｏＮ ＴＩ Ｉ ＴＲＡＦＦＩ Ｓ Ｎ Ｃ ＵＲＶＥＩ ＬＬＡＮＣＥ ＳＹＳ ＴＥＭ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于高清视频的红绿灯识别算法研究与实现一、综述本课题国内外研究动态，说明选题的依据和意义随着社会经济和科技的发展“智能交通系统”这一新的研究领域随之应运而生。
智能交通系统简称ITS（Intelligent Transportation System）是通过对交通信息的实时采集、传输和处理，借助高科技设备和手段，对各种交通状况进行协调与处理建立一种准确、实时、高效的综合运输管理体系，从而提高交通的效率性和安全性[8]。
智能交通系统是目前世界上公认的改善行车安全，解决交通拥挤，提高运行效率的有途径[1]。
目前世界各国正大力发展智能运输系统(ITS) ,以实现道路交通的科学化、现代化管理 ,创造可持续发展的交通环境[7]。
十九世纪六、七十年代起智能交通系统开始发展[9]。
80年代以来，以计算机技术、控制技术和通信技术为代表的信息技术在交通管理和控制中得到越来越广泛的应用，并取得了良好的效果[10]。
欧洲从70年代就开始了有关于智能交通系统的研究，在2000年欧洲共同体推出名为e-Europe的计划，将投入更多人力和物力来推进ITS在欧洲的发展和应用。
日本更是早在70年代就已经研制成功了一些道路控制系统，从1973年到1978年投入了大量的人力和资金成功组织了一个“动态路径诱导系统”的实验[2]。
迄今为止日本的ITS已经涉及到了安全驾驶系统、车辆导航系统和自动收费系统等多方面的内容；美国的ITS的研究从20世纪60年代末期就已经开始了；20世纪80年代加利福尼亚交通部门成功研究出PATHFINDER系统成功；1990年美国运输部正式成立了智能化车辆系统（IVHS)组织：1991年底，“综合地面运输效率法案”在美国国会上通过[12]；1992年，美国运输部、联邦顾问委员和美国智能运输协会三者联合制定了“智能运输系统”发展战略计划[11]；1995年3月美国运输部出版“国家ITS项目计划”，根据该项计划从2000年到2011年，美国将投资2000亿美元构造全国的ITS。
目前，智能交通领域中的车队管理、电子收费、公交出行信息和交通需求技术等四大系统及多个子系统已经在美国正式建立[6]。
经过多年的发展欧美和日本等国已经坐在了ITS开发和研究的前列。
现今世界上已经形成了以美国、欧洲、日本为首的三大ITS研究基地，从1994年起以ITS为专题的国际大会便轮流在欧洲、北美以及亚太地区举行。
20世纪80年代后期ITS的研发工作在我国开始了[4]；90年代我国建设交通指挥中心；1999年科技部、交通部、公安部等十多个相关部委组成了全国智能交通系统协调小组；2000年制定了ITS体系框架研究和标准规范；2007年在北京召开了第十四届以ITS为专题的国际大会，进一步促进了我国在ITS学术研究上的发展[5]。
在我国社会经济高速发展和人民生活水平不断提高的同时，交通道路和车辆运输也发展的越来越快，给社会经济和人们的生活带来极大提高，与此同时汽车数量也急剧增加，导致了交通状况的日益恶化，城市中普遍存在交通阻塞的状况，交通事故发生量也不断上涨，交通效率不断下降。
加上我国是一个人口大国拥有14亿以上的庞大人口数量更为交通带来了很大的困扰。
近几年来，很多司机在公路上不注意限制驾驶速度造成了许多起因乱闯红灯而导致的交通事故，更有许多惘顾道德的肇事司机在交通事故发生后扬长而去，这种种状况给我们的出行带来了很大的安全隐患。
如何运用先进交通监测技术，保证交通的安全性已经成为我们需要要解决的首要问题。
传统交通车流量的检测方法有电磁感应线圈，超声波检测器，微波检测器和红外线检测器等多种方式，而基于图像处理的视频车辆检测方式近年来的发展十分迅速，由于它具有灵活的系统设置，检测区域大等优点，视频检测方法就成为了智能交通系统领域中测量检测技术的研究热点。
本课题主要通过对高清视频的解码分析，对视频中的红绿灯信号进行识别和分析，实现对时间段内车辆的检测。
若在红灯时间内车辆超过警戒线则该车有闯红灯的行为。
此系统使交通管理更方便、安全和高效，实现交通的自动化管理，帮助城市和社会实现全面的信息化交通管理，尤其适合都市的车辆管理。
二、研究的基本内容，拟解决的主要问题：2.1研究的基本内容通过对高清视频进行解码分析，实现红绿灯识别。
使用OpenCV完成A VI视频转换为图像序列，并通过对图像的处理，数据的检测和校正判断帧内车辆是否有闯红灯的行为。
2.2拟解决的主要问题：图像的处理，数据的检测和校对，视频的解码，红绿灯灯识别，设计简洁、美观的操作界面。
三、研究步骤、方法及措施：3.1资料收集收集相关资料了解有关于红绿灯识别算法的相关信息。
合国内外解决基于视频的红绿灯识别系统设计开发的方法并作必要的技术准备。
3.2学习并掌握OpenCV的基本操作OpenCV的全称是：Open Source Computer Vision Library。
OpenCV于1999年由Intel建立，现在由Willow Garage提供支持。
OpenCV是一个基于BSD许可证授权（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。
它轻量级而且高效——由一系列 C 函数和少量C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
OpenCV基本操作包括：读入图像、写入图像、创建显示窗口、显示图像、读入视频、等待按键事件。
3.3了解视频解码的相关信息和技术ADI公司扩展了Advantiv高级电视视频解码器产品，最新推出的高性能视频解码器ADV7802/ADV7800内置12bit分辨率3D梳状视频解码器以及150 MSPS数字转换器，支持全高清1080p输入格式。
ADV7802为系统设计人员提供一种完整的单芯片解决方案，能改善高清电视(HDTV)、视频处理器、音频/视频接收机(A VR)系统以及DVD录像机的视频图像与色彩质量。
同现有的视频解码器解决方案相比，这款新型内置12 bit分辨率3D梳状视频解码器可为运动检测以及3D梳状滤波操作提供卓越的处理分辨率，使设计人员不必在图像清晰度与Y/C分离之间进行性能折衷——在传统的专业与演播室广播设备中，这是不可避免的，因此，相对分离芯片解决方案而言，它不会增加成本与设计复杂度。
新型全高清（HD）视频多解码器LSI，这款产品可以在全高清模式下（1920点x 1080线）对MPEG-2和H.264两种压缩格式进行解码。
此款新型LSI-MB86H60的样片将于2008年5月底开始提供。
这款LSI为高度集成的片上系统（SoC），并且符合当前在各个区域、特别是欧洲所使用的DVB标准。
LSI能够对以MPEG-2或H.264进行压缩的全高清视频进行解码，并在一个单独的芯片上集成了高清播放接收器所需的各种处理功能，其中包括对数字视频、音频和图形的处理，从而使得这款多解码器产品适用于电视、机顶盒和便携式电视接收器。
而且，由于LSI的各种功能仅通过增加两个16位的外存储芯片即可实现，因此它使得设备厂商在设计电视和机顶盒时降低了总成本。
3.4编写程序在VC2008环境下使用C#语言实现具体功能通过OpenCV实现可视化。
完成部分功能代码后进行测试和检查。
完成整个项目后进行整体功能的检测。
导入一段视频进行红绿灯识别。
四、研究工作进度：序号时间内容1 2012.11.16-2012.12.11 熟悉OpenCV并收集相关资料2 2012.12.12-2012.2.14 完成开题报告和外文翻译3 2012.2.15-23012.2.21 开题答辩4 2012.2.22-2012.3.16 编写程序代码5 2012.3.17-2012.4.12 运行并检测程序6 2012.4.13-2012.4.15 进行红绿灯识别7 2012.4.16-2012.5.5 整理数据完成毕业写作8 25012.5.6-2012.5.21 准备并完成毕业答辩9五、主要参考文献：[1]黄卫，陈里得.智能运输系统（ITS）概论[M]，北京：人民交通出版社，1999.[2]尚刚，陈宝.智能交通系统（ITS）在日本的发展综述[J].华东公路.1999，3：63-65.[3]汤文杰.美国的智能运输系统——公路交通的未来发展.国外公路，1995，15：1-6.[4]王笑京.中国智能交通系统发展战略[M]，北京：人民交通出版社，2006.[5]陆化普，史其信.“智能交通发展趋势与我国的发展战略”.97北京智能交通系统发展趋势国际学术研讨会论文集，陆化普，史其信编，1-7，北京1997.[6]沈庭芝，方子文.数字图像处理及模式识别.北京理工大学出版社，1998.[7]刘东.ITS中的车辆检测技术.公安大学学报（自然科学版），2000，20：30-32.[8]李卫平.智能交通技术应用.人秘尿痛出版社，2006.[9]李庆忠，陈显华，王立红.视频监视运动目标检测与识别方法.计算机工程，2004，30（16）：143-145.[10]高大山.智能交通系统中运动目标检测方法的研究.清华大学硕士学位论文，2002.[11]Brian Kulis, Kate Saenko, and Trevor Darrell.hat You Saw is Not What You Get: omain Adaptation Using Asymmetric Kernel puter Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on.[12]Ce Liu，Lavanya Sharan，Edward H. Adelson and Ruth Rosenholtz.Exploring Features in a Bayesian Framework for Material puter Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on.六、指导教师审核意见：指导教师签字：2012年2月19日七、系、室、部（研究所）评议意见：1.适合本专业的毕业设计课题；2.不适合本专业的毕业设计课题；3.其他系、室、部（研究所）主任签字：2012年2月20日八、开题小组评审意见：开题小组组长签字：2012年2月21日九、学院领导（答辩委员会）审核意见：1．通过； 2．完善后通过；３．未通过学院领导（答辩委员会）签字：2012年2月22日。