基于CiteSpace的计算机视觉领域研究热点与前沿分析

2022.05.11

张福俊庄晓李玉华张海艳高雪

摘要：以Web of Science收录的文献题录作为数据样本，基于文献计量学方法并利用CiteSpace工具对1990-2019年计算机视觉领域的文献进行可视化分析，从时空层面揭示计算机视觉领域在不同国家（地区）、机构的发展程度;从共引文献层面把握计算机视觉发展脉络;从关键词和突变词角度探测计算机视覺的热点前沿。研究结果显示，从全球范围看，美国对计算机视觉的研究起步较早且一直处于领先地位，中国近年来发展迅速且在总体发文量、高校研究力量层面进步明显，英国、法国、日本、加拿大、瑞士等国近年来发展态势也较突出;马尔视觉计算理论、Canny边缘检测算法、张氏标定法、YOLO算法等许多经典算法对计算机视觉领域的发展具有里程碑式的意义;模型、分类、图像分割、追踪、识别等方向是计算机视觉领域的热点话题;深度学习、卷积神经网络、压缩感知、机器学习是计算机视觉领域近10年的前沿研究方向。

关键词：计算机视觉;文献计量;知识图谱;研究热点;研究前沿;可视化分析

DOI：10. 11907/rjdk. 201706??????????????????????????????????????????????????????????????????????????????????????????????????????? 开放科学（资源服务）标识码（OSID）：

中图分类号：TP301文献标识码：A?????????????? ??????????????? 文章编号：1672-7800（2020）011-0272-07

CiteSpace-based Computer Vision Research on Hotspots and Frontier Analysis

ZHANG Fu-jun1，ZHUANG Xiao2，LI Yu-hua2，ZHANG Hai-yan2，GAO Xue2

（1. Library， Shandong University of Science and Technology;2. School of Computer Science and Engineering，

Shandong University of Science and Technology，Qingdao 266590，China）

Abstract： In this paper， the bibliography included in Web of Science is taken as the data sample， this paper analyzes the literature in the field of computer vision from 1990 to 2019 based on Bibliometrics and CiteSpace tools， reveals the development degree of computer vision in different countries （regions） and institutions from the space-time level， grasps the development context of computer vision from the level of CO citation literature， and from the key words and mutation words Angle detection is the hot front of computer vision. The results show that， from a global perspective， the research on computer vision in the United States started earlier and has been in a leading position; China has developed rapidly in recent years， and has made significant progress in the overall number of papers published and the research strength of universities. In recent years， the development trend of Britain， France， Japan， Canada， Switzerland and other countries is also prominent; the theory of Marvin visual computing， Canny edge detection algorithm， and Many classical algorithms， such as Zhang's calibration method and Yolo algorithm， are of milestone significance to the development of computer vision; models， classification， image segmentation， tracking and recognition are hot topics in the field of computer vision; deep learning， convolution neural network， compressed sensing and machine learning are the frontier research directions in the field of computer vision in recent 10 years.

Key Words：computer vision; literature measurement; knowledge graph; research hotspots; research frontier; visual analysis

0 引言

在当今全球人工智能热潮下，人工智能的快速发展带动了新一轮产业革命，计算机视觉作为人工智能的核心分支也得到迅速发展。计算机视觉技术起源于20世纪50年代，到21世纪，计算机视觉技术在交通、安防、医疗、机器人上有各种形态的应用[1]。计算机视觉技术是通过数据语言中的各种符号以及计算机信息化模式和信息网络平台，进行信息化过程高效传输所产生的一种新型追踪系统，更形象地说，通过计算机实现视觉信息的有效捕获，从而让信息具有更直观的表现力[2]。计算机技术飞速发展的同时产生了大量、无序的数据，本文采用文献计量学方法和可视化分析软件对海量数据进行分析。文献计量学是借助文献的各种特征数量，采用数学和统计学方法评价、预测科学技术现状与发展趋势的一门学科，常被用来分析某一学科领域知识的研究现状、热点方向与演化趋势等[3]。目前广泛应用的可视化分析软件有CiteSpace、Pajek、Timeriver等。本文采用陈超美教授开发的CiteSpace软件并基于文献计量学方法，对计算机视觉领域进行国家机构分析、文献共被引分析、热点前沿分析等，形象直观地展示出该领域内不同区域的发展情况、代表作品，并挖掘计算机视觉领域的研究热点与领域前沿。

1 数据获取

为确保研究数据的客观性和全面性，本文数据选自Web of Science的核心合集，检索式为：TS=“computer vision” OR TS=“robot vision” OR TS=“machine vision” OR TS=“mode recognition” OR TS=“image identification” OR TS=“image processing” OR TS= “face identification” OR TS=“monocular vision” OR TS= “compressed sensing”，检索时间跨度为1990-2019年。引文索引选定SCI-EXPANDED，共筛选得到63 486条检索结果。按照CiteSpace的格式要求，以“download*.txt”命名，将所有文件保存在同一文件夹中，使其作为绘制图谱的基础数据。

2 文献时间分布

任何学科的发展情况都在该学科的发文量上有迹可循，文献发表数量的历时变化有助于反映和透视某一学科研究的总体态势和演化发展[4]，可以使研究者直观便捷地洞察该领域的文献发展情况，从而更准确地把握该领域发展脉絡。

如图1所示，对已有数据按年发文量进行统计，可以在时间层次上把握该领域研究情况，绘制得到1990-2019年计算机视觉领域文献的年发文量和年增长率图。由图1可知，可将其分为3个阶段：

（1）前期探索阶段：1990-1994年。1990年文献数量少于200篇，1991年文献数量超过700篇，由于1990年发文量基数较小，因此1991年增长率增幅较大。1990-1994年5年间发文量增长较快，数量从低于200篇增长到接近1 000篇。20世纪90年代，研究者们对计算机视觉不断求知探索，将多视几何方法和统计学习方法广泛应用于计算机视觉领域，为计算机视觉领域带来了新的变革，发文量得到显著增加。

（2）平稳发展阶段：1995-2006年。在该阶段中，1995年发文量突破1 000篇，除1997年、1999年、2000年和2001年是负增长率外，其余年份均为正增长率，这一阶段年发文量基本在1 000篇左右，因此负增长率可以忽略不计。总体而言，这一阶段计算机视觉文献的年增长率平缓但整体发文量呈上升趋势。20世纪90年代末期，传感器革命的爆发极大促进了机器学习和大数据的蓬勃发展，计算机视觉也从中受益，越来越多的学者开始关注计算机视觉领域，出现了许多经典学术成果。

（3）高速增长阶段：2007-2019年。2007年发文量大于1 500篇，此后年发文量逐年快速增长，2019年发文量达到了6 622篇。在这一阶段，计算机视觉领域文献呈现井喷式增长，高增长率体现了学者们对这一研究领域的热切关注，研究成果呈百花齐放的良好态势，计算机视觉领域得到蓬勃发展。根据文献年际统计图可以预测未来计算机视觉领域将受到更多学者的关注，同时会广泛应用于各行各业。

3 文献空间分布——核心国家（地区）与机构分析

将数据导入CiteSpace软件，对相关选项进行设置。采用Pathfinder Networks算法简化文献空间分布网络，突出网络重要的结构特征[5]。选取不同的节点类型（Node Types），绘制合作网络知识图谱对国家、机构等进行分析。将下载并经过数据预处理的数据导入CiteSpace，时间区间设置为1990-2019年，时间切片设置为5年，将网络节点分别设置为国家（country）和机构（institution），运行CiteSpace得到图2和图3。

在图2中，每个节点代表国家（地区），节点越大表示发文量越多，节点的最外圈若是紫色，则说明其是具有较高中介中心性的重要节点，中心度不小于0.1。节点之间的连线表示国家（地区）间的合作关系，连线的粗细程度代表合作关系的强度。连线越粗表示国家（地区）间合作关系越密切。

全部论文涉及151个国家（地区），其中美国以14 980篇的论文数量遥遥领先于其它国家（地区），目前美国已将计算机视觉技术广泛应用于传感器、机器人、3D视觉、人工智能等领域。相比于欧美国家，中国对计算机视觉的研究起步较晚，但以12 793篇的发文量后来居上，仅次于美国，位居第2位，近年来一直重视计算机视觉相关技术研发。目前，国内计算机视觉研究主要集中在检测、识别、测量等工业控制领域。论文发表量在1 000篇以上的其它国家（地区）有德国、法国、英国、日本、加拿大、西班牙、意大利、韩国、印度、澳大利亚、伊朗、巴西、荷兰、瑞士。由图2和表1可以看出，美国、中国、法国、英格兰、加拿大、荷兰、瑞士等节点最外圈的颜色是紫色且中心性均大于0.1，这表明以上国家都是非常重要的节点，与其它国家（地区）的连通性非常高[5]。在地域分布网络中，中心性最高的是瑞士，说明瑞士与其它国家合作关系最为密切，与其合作的国家有法国和澳大利亚等。中国和加拿大的中心性分别排第2、第3位，体现出中国、加拿大近年来在计算机视觉领域与其它国家（地区）的合作越来越密切，并贡献了许多优秀学术成果。从突显值看，美国的突显值以330.07居第1位，说明其近年来在计算机视觉领域取得较大突破，日本和荷兰的突显值分别居第2和第3位，说明日本和荷兰在研究成果方面也有一定突破。

从机构层面研究发文量，有助于把握机构在学科发展中的位置和实力。如图3所示，所有文章共涉及574个机构。根据普赖斯定律，发文量在 N 篇以上的机构可认为是核心研究机构。核心研究机构的发文量至少为：N=0.749ηmax，其中，ηmax为最高产研究机构的发文量[6]。根据表2得知，ηmax=1 380，因此核心研究机构的发文量应为28篇以上。

结合图3和表2可以看出，在发文量前20的机构中，各有9所研究机构分别来自中国和美国，而新加坡和日本各有一所研究机构。美国是计算机视觉领域发文量最多的国家，核心发文机构主要分布在高等院校，比如斯坦福大学、麻省理工学院、加州大学伯克利分校、加州理工学院、多伦多大学、伊利诺伊大学、哈佛大学等。此外，美国宇航局也在核心发文机构行列。斯坦福大学位居美国核心发文机构首位，其中斯坦福大学人工智能机器人实验室是计算机视觉的领军机构，主要研究BET算法、非线性降噪、线性图像配准、自动分割、结构性脑部变化分析、运动校正等。

发文量最多的机构是中国科学院，有1 380篇。中国的核心发文机构有中国科学院、上海交通大学、浙江大学、清华大学、中国科学院大学、哈尔滨工业大学、华中科技大学等。其中，中国科学院SIGVC组是中国科学院计算机视觉研究的核心部门，主要研究领域为计算机图形学、图像视频处理等。虽然新加坡在国家层面发文总量并不突出，但其国内的南洋理工学院发文量排在第10位，说明该机构在计算机视觉领域方面有一定建树。

4 知识基础分析

1994年，Persson[7]在The Intellectual Base and Research Fronts of JASIS 1986—1990中阐述了在文献计量学中，知识基础由被引文献组成，研究前沿则由引用文献构成。探寻所研究领域的知识基础以便获悉该领域研究前沿的本质。利用CiteSpace软件绘制文献共被引图谱，从而可以更好地研究知识基础与前沿的演进关系。

前期发展的基础性文献以及具有高共被引、高中心性的关键性文献构成了计算机视觉领域发展的知识基础。

4.1 早期奠基性文献

由时间线视图（由于时间线图篇幅过大，已上传于OSID码）和本文有限数据可以得出，计算机视觉领域最长的时间线出现在1982年，说明计算机视觉领域的研究从20世纪80年代便已開始，时至今日依然热度不减。

计算机视觉领域第1篇奠基性文献是1982年的Vision： A Computational Investigation into the Human Representation and Processing of Visual Information，作者是Marr，他在文中首次提出人的视觉计算理论，被称为“计算机视觉之父”。Marr认为视觉系统就是三维重建问题，并提出了计算理论和方法。马尔视觉计算理论的诞生，标志着计算机视觉成为了一门独立的学科[8]。

1986年，CANNY发表论文A Computational Approach to Edge Detection，就此拉开了Canny边缘检测算法的序幕。Canny边缘检测是从不同目标中提取结构信息并可以大幅减少待处理数据量的技术，已广泛应用于各种计算机视觉系统[9]。

Matthew等[10]于1991年发表论文Face recognition using eigenfaces。作者提出特征脸（主成分分析）方法，通过较少的二维特征表示面部，从而将脸部识别视为二维识别问题，该框架提供了以无人监督的方式学习识别新面孔的能力。

2000年，Zhang[11]发表论文A flexible new technique for camera calibration。文中提出一种单平面棋盘格的相机标定方法，这种方法既克服了传统标定法需要高精度标定物的缺点，又使得精度高于自标定法，被称为“张氏标定法”，后来被广泛应用于计算机视觉领域。

由以上文献可以看出，在计算机视觉领域前期发展过程中，许多学者做了大量创新性、前瞻性探索，出现了许多经典文献，为后来计算机视觉领域的蓬勃发展夯实基础。

4.2 全面发展与分化

随着时间的推移，学科的知识基础和热点前沿也会演进拓展，并逐渐形成该学科的核心论文集合，该集合可视为该学科的高被引高中心性文献簇[12]。图4中每个节点代表一篇文献，节点越大表示文献被引用频次越高，位于两个网络上的连接节点通常具有高中心性。

由表3可以看出，按中心性排序，排在第1位的文章是Donoho等[13]于2006年发表在IEEE Transactions on Information Theory的论文Sparse Solution of Underdetermined Systems of Linear Equations by Stagewise Orthogonal Matching Pursuit，文章中心性是0.31，被引频次是26 359。本文设计了一种压缩数据采集协议，在特定应用中，该协议可以大幅减少测量时间、降低采样率或减少模数转换器资源使用。

第2篇中心性较高的文章是Candes等[14]于2006年发表在IEEE Transactions on Information Theory上的论文Robust Uncertainty Principles： Exact Signal Reconstruction from Highly Incomplete Frequency Information，文章中心性是0.25，被引频次是15 945。作者在不完整的频率样本中重建对象的模型问题，提出一种新型非线性采样定理，通过解决凸优化问题恢复对象精确，该方法能够扩展到更高维度。

第3篇中心性较高的文章是Krizhevsky等[15]在2017年发表于Communications of The ACM上的论文ImageNet Classification with Deep Convolutional Neural Networks，中心性是0.23，被引频次是23 808。文中训练了一个大型深度卷积神经网络，且引入了可分离的卷积结构。AlexNet模型在ILSVRC-2012竞赛中赢得了冠军。这篇文章是深度卷积神经网络的开篇，对计算机视觉领域的后续发展产生了非常大的影响。

第4篇中心性较高的文章是Redmon等[16]于2016年在CVPR会议上发表的You Only Look Once：Unified，Real-Time Object Detection，中心性是0.20，被引频次是9 652次。作者提出了一种全新的目标检测方法——YOLO算法。作者将目标检测看作目标区域预测和类别预测的回归问题，采用单个神经网络直接预测边界和类别概率，实现了端到端目标检测。

第5篇中心性较高的文章是Russakovsky等[17]于2015年发表于International Journal of Computer Vision的ImageNet Large Scale Visual Recognition Challenge，中心性是0.16，被引频次是16 783。文中介绍了ImageNet比赛中的分类和识别研究，分析结果是否符合客观规律。作者也开展过人类对ImageNet图片进行学习并分类的实验，结论是人类的分类正确率比机器高。

其它中心性较高的文章还有Szegedy等[18]在2015年发表在CVPR上的论文：Going Deeper with Convolutions。作者通过改进神经网络结构，使得在不提高资源需求的前提下增大网络深度，从而提高效果;Lowe[19]于2004年发表的Distinctive Image Features from Scale-Invariant Keypoints，本文提出了一种从图像中提取特殊不变特征的方法，可用于杂乱环境中的物体识别。

根据以上文献可以看出，随着时间推移，计算机视觉领域研究热度愈发高涨。在计算机视觉后期发展中，学者们不再局限于狭隘的理论研究，而是转向了涉及更多领域和主题的实际应用研究，涌现出了一大批优秀的计算机视觉领域学者，产生了许多代表性文献。

5 计算机视觉领域研究热点与前沿分析

随着学科的不断演绎发展，会产生学科内的研究热点和研究前沿。关键词是对一篇文章核心与精髓的高度概括及凝练，频次高的关键词通常被用来确定一个研究领域的热点问题[20]，而前沿探究则可以利用CiteSpace软件中提供的突变词探测（Burst Detection）算法，通过考察词频的时间分布，在大量的主题词中探测出频次变化较高的词，根据突现词探究计算机视觉领域研究前沿趋势。

5.1 计算机视觉研究热点分析

关键词是对文章主旨内容的精炼，但按词频大小作为某领域内热点只能体现单一关键词受关注的程度，无法体现关键词之间的关系。共词分析是对同一篇文献中出现的主题词对进行统计、聚类、关联分析，从而分析它们所代表领域内的研究热点及变化[21]。

利用CiteSpace软件绘制关键词共现网络图，将节点设为关键词（Keyword），勾选路径、简化算法（Pathfinder）并绘制图谱，运行CiteSpace软件得到关键词共现图（见图5）。对结果进行统计和排序，得到计算机视觉领域的关键词统计如表4所示。

在表4中，由于image processing、computer vision、compressed sensing、machine vision在检索式中，故不作探究。排名第3的关键词是算法（algorithm），体现出许多学者在研究计算机视觉的过程中重视理论方法创新，提出主动视觉理论框架、基于感知特征群的物体识别理论框架等新概念、新方法[22]，推动计算机视觉发展;其次是系统（system）和模型（model），说明系统和模型是研究计算机视觉的表达载体;排在第6的是分类（classification），随后是分割（segmentation），分割是对图像问题进行分析，同类还有重建（reconstruction）、追踪（tracking）、识别（recognition），这些关键词是对计算机视觉问题进行分析，体现出计算机视觉的核心即是对问题作出分析。图像（image）、特征（feature）、表達（representation）、性能（performance）、颜色（color）、优化（optimization）这些关键词始终贯穿于计算机视觉相关研究，表明研究者们更关注图像局部特征，而非只是颜色、纹理等底层特征。排在第14的神经网络（neural network）和第21的深度学习（deep learning）近年来备受关注，这表明在计算机视觉后续发展中，越来越多的学者将研究重点放在机器学习中，说明深度学习是计算机视觉的热点研究方向之一。随着人工智能技术的进步，深度学习技术（DL）和卷积神经网络技术（CNN）被引入计算机视觉应用中，促使计算机视觉领域逐渐走进大众视野，涉及工业生产、军事、智能交通、虚拟现实等多个社会应用领域，大力推动了计算机视觉领域的发展。

5.2 计算机视觉前沿分析

本文利用CiteSpace软件中的突变词探测算法，探测出其中频次变化率大的词语，根据词频的变动趋势，确定计算机视觉领域的前沿领域和发展趋势[23]。

运行CiteSpace，得到如图6所示的计算机视觉领域突变词探测图。如图6所示，1990-2019年期间一共出现了25个突现词，这些突现词构成了计算机视觉领域的研究前沿。根据突现词出现的时间，可以将突现词划分为3个阶段，以更好地呈现计算机视觉的前沿演进路径。

1990-2000年期间，计算机视觉领域突变词的突变度较强且持续时间较长。这一阶段的突变词以方法、逻辑及确定目标图像边界为主。突变词主要有：图像处理（image processing）、边缘检测（edge detection）、模式识别（pattern recognition）、运动（motion）、配准（registration）、滤波器（filter）、检测（inspection）、可视化（visualization）、目标（object）。在这一阶段，统计学习理论出现了一次大的变革，SVM等统计学习方法也开始广泛应用于计算机视觉，计算机视觉开始进入高速发展期，涌现了一大批新算法、新概念、新技术，学者们不断提高图像检测精度，计算机视觉技术被广泛应用于工业控制领域，计算机技术的发展也推动了计算机视觉领域的发展。

2001-2010年期间，计算机视觉领域前沿方向注重算法优化和定量分析。这一阶段的突变词主要有：标定（calibration）、稀疏度（sparsity）、信号（signal）、模式（pattern）、定量（quantification）。在这一阶段，计算机视觉依然发展迅速，领域内研究前沿主要聚焦在相机标定、稀疏度算法等方向，互联网的崛起和数码相机的广泛应用为算法训练提供了海量实验载体。

2011-2019年期间，计算机视觉领域的研究不再局限于完成特定的工作任务，而是转向以深度学习为导向的算法、模型及结构的创新性探索。这一阶段的突变词强度极强且持续性长，主要有：深度学习（deep learning）、卷积神经网络（convolution neural network）、压缩感知（compressed sensing）、机器学习（machine learning）、预测（prediction）、目标检测（object detection）、稀疏表示（sparse representation）、行为（behavior）、框架（framework）、传感器（sensor）、信号恢复（signal recovery）。在该阶段，研究者对计算机视觉领域作进一步探索，随着图形处理芯片GPU制造业的迅速发展，机器学习也进入了深度学习时代，借助于深度学习的力量，边缘检测、图像识别和图像分割等计算机视觉领域得到快速发展。研究者们深入研究卷积神经网络等算法，极大提高了计算机视觉的逻辑性、智能性，计算机视觉技术呈现良好发展态势。可以预见，融合多层卷积神经网络的深度学习算法在计算机视觉中的实际场景落地研究将是未来计算机视觉领域的前沿研究趋势。

6 结语

本文以文献计量学的思想和方法为指导，以Web of Science核心合集的文献数据为主要数据来源，借助CiteSpace软件对计算机视觉领域近30年来的发展规律和状况进行了可视化分析和探究，得出以下结论：

（1）通过计算机视觉领域的国家（地区）和机构图谱，发现早期计算机视觉领域的核心发展区域集中在美国，并且美国在该领域的研究发展一直领先于其他国家，出现了许多优秀学者和沿用至今的经典算法。中国一直注重与其他国家（地区）的交流合作，但存在核心技术缺乏、自主化程度较低等不足，但近年来我国计算机视觉发展势态良好，计算机视觉技术进步较快，具有巨大发展潜力。

（2）利用CiteSpace软件中的词频分析方法，对计算机视觉领域的关键词作领域热点研究，其中分类、分割、重建、识别以及追踪等关键词是计算机视觉领域的热点词语，这些关键词都是对视觉图像问题的分析，说明对图像问题的分析处理是计算机视觉领域的核心热点。

（3）通过CiteSpace软件中的突变探测技术，分析得到近年来计算机视觉领域的研究前沿主要是融合卷积神经网络的深度学习算法在计算机视觉领域的应用。

本文为了尽可能全面、准确地获取不同时间区间的文献情况，并确保有价值的关键词不被淹没，因此将时间片段划分为1年，但是时间区间跨度大、时间划分粒度细和词汇量过多，容易导致结果中的分词误差。此外，由于作者姓名相似引起的姓名缩写相同，会导致结果产生偏差，因此加强对结果的检验和修正是后续研究的重点。

参考文献：

[1] 倪晨旭. 计算机视觉研究综述[J]. 电子世界， 2018，40（1）：91-93.

[2] 刘波. 计算机视觉研究综述[J]. 数字通信世界， 2019，15（12）：97.

[3] 李晓萌. 基于知识图谱的我国计量科学研究领域研究現状与热点挖掘[J]. 计量与测试技术， 2019，46（11）：95-98.

[4] 林通，金韬，李婕. 科学知识图谱下公安教学改革研究的可视化分析[J]. 中国人民公安大学学报（自然科学版）， 2019，25（4）：101-108.

[5] 张福俊，叶权慧，于路云. 基于知识图谱的海洋科学领域技术机会分析[J]. 科技管理研究， 2017，37（24）：165-170.

[6] 熊回香，叶佳鑫，丁玲，等. 基于改进的h指数的学者评价研究[J]. 情报学报， 2019，38（10）：1022-1029.

[7] PERSSON O.The intellectual base and research fronts ofJASIS 1986-1990[J]. Journal of the Association for Information Science & Technology， 1994，45（1）：31-38.

[8] 戴杰. 基于深度学习的立体匹配研究[D]. 北京：北京邮电大学， 2016.

[9] 曹晨洁，王夏黎，赵嘉兴，等. 基于CANNY算法的道路交通标线识别方法[J]. 信息技术与网络安全， 2019，38（10）：78-82.

[10] MATTHEW A T， PENTLAND A P. Face recognition using eigenfaces： computer vision and pattern recognition[C].? IEEE Computer Society Conference onComputer Vision and Pattern Recognition， 1991：586-591.

[11] ZHANG Z. A flexible new technique for camera calibration[J].? IEEE Transactions on Pattern Analysis & Machine Intelligence， 2000，22（11）：1330-1334.

[12] 赵蓉英，王菊. 图书馆学知识图谱分析[J]. 中国图书馆学报， 2011，37（2）：40-50.

[13] DONOHO D L，TSAIG Y，DRORI I，et al. Sparse solution of underdeterminded systems of Linear equations by stagewise erthogonal metching pursuit[J]. IEEE Transactions on Information Theory，2016，58：1094-1121.

[14] CANDES E J， ROMBERG J， TAO T. Robust uncertainty principles： exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory， 2006，52（2）：489-509.

[15] KRIZHEVSKY A，SUTSKEVER I，HINTON G.ImageNet classification with deep convolutional neural networks：NIPS[C]. Proceedings of the 25th International Conference on Neural Information Processing Systems， 2012：1097-1105.

[16] REDOM J，DIVVALA S，GIRSHICK R，et al. You only look once：unified，real-time object detection[C]. CVRR，2016：1-10.

[17] RUSSAKOVSKY O，DENG J， SU H，et al.ImageNet Large Scale Visual Recognition Challenge[J]. International Journal of Computer Vision， 2015，115（3）：211-252.

[18] SZEGEDY C，LIU W，JIA Y，et al.Going deeper with convolutions[DB/OL]. https：//arxiv.org/abs/1409.4842， 2014.

[19] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision，2004，60：91-110.

[20] 張凌. 基于CiteSpace的竞争情报研究的可视化分析[J]. 图书情报工作网刊，2011，5（10）：1-8.

[21] 徐彤阳，张国标. 视频检索研究可视化分析[J]. 计算机工程与应用， 2017，53（22）：190-197.

[22] 徐俊成. 基于机器视觉的精密注塑零件的识别与检测[D]. 北京：北京化工大学， 2011.

[23] 栾春娟，侯海燕，王贤文. 国际科技政策研究热点与前沿的可视化分析[J]. 科学学研究， 2009，27（2）：240-243.

（责任编辑：孙娟）