計(jì)算機(jī)視覺常用技術(shù)精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的計(jì)算機(jī)視覺常用技術(shù)主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：計(jì)算機(jī)視覺常用技術(shù)范文

[關(guān)鍵詞] 物流企業(yè)； 自動化； 算法

[中圖分類號] F252； TP39 [文獻(xiàn)標(biāo)識碼] A [文章編號] 1673 - 0194（2013）06- 0058- 03

0 引 言

隨著物流業(yè)被列入我國十大行業(yè)振興計(jì)劃，物流業(yè)已經(jīng)成為我國經(jīng)濟(jì)發(fā)展的不可缺少的重要組成部分。物流業(yè)是我國經(jīng)濟(jì)運(yùn)行的基礎(chǔ)，是推動國民經(jīng)濟(jì)發(fā)展的重要支柱性產(chǎn)業(yè)之一。隨著國家持續(xù)加強(qiáng)和改善宏觀調(diào)控政策，物流業(yè)發(fā)展環(huán)境和條件不斷改善，物流業(yè)保持了較快的增長速度。但由于中國物流業(yè)起步較晚，存在物流成本較高、管理落后等問題，離一體化、信息化的物流業(yè)還有一定差距。中國物流業(yè)只有應(yīng)用現(xiàn)代物流的理念，采用先進(jìn)的信息技術(shù)與運(yùn)作方式，才能應(yīng)對擁有技術(shù)、資金和管理優(yōu)勢的外國企業(yè)的競爭。實(shí)現(xiàn)傳統(tǒng)物流業(yè)向現(xiàn)代物流業(yè)的轉(zhuǎn)變，也是物流業(yè)自身結(jié)構(gòu)調(diào)整和產(chǎn)業(yè)升級的需要，是整個國民經(jīng)濟(jì)發(fā)展的必然要求。我國經(jīng)濟(jì)要集約式發(fā)展，必然需要推進(jìn)現(xiàn)代物流?，F(xiàn)代物流的根本宗旨是降低物流成本、提高物流效率、滿足客戶需求，其中信息化是現(xiàn)代物流的核心。隨著信息技術(shù)的不斷更新和物流企業(yè)自身的發(fā)展，使得新興的信息業(yè)務(wù)與傳統(tǒng)物流業(yè)務(wù)之間相互介入，模糊了新興信息技術(shù)及業(yè)務(wù)與傳統(tǒng)物流業(yè)務(wù)的界限，從而模糊了物流業(yè)的產(chǎn)業(yè)屬性和產(chǎn)業(yè)界限， 即發(fā)生了產(chǎn)業(yè)融合現(xiàn)象。產(chǎn)業(yè)融合是由于技術(shù)進(jìn)步和放松管制的原因，發(fā)生在產(chǎn)業(yè)邊界和交叉處的技術(shù)融合，在經(jīng)過不同產(chǎn)業(yè)或行業(yè)之間的業(yè)務(wù)、組織、管理和市場的資源整合后，改變了原有產(chǎn)業(yè)產(chǎn)品和市場需求的特征，導(dǎo)致產(chǎn)業(yè)的企業(yè)之間競爭合作關(guān)系發(fā)生改變，從而最終造成產(chǎn)業(yè)界限的模糊化甚至重劃產(chǎn)業(yè)界限。

產(chǎn)業(yè)融合促進(jìn)了傳統(tǒng)產(chǎn)業(yè)創(chuàng)新， 進(jìn)而推進(jìn)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化與產(chǎn)業(yè)發(fā)展，即產(chǎn)生創(chuàng)新性優(yōu)化效應(yīng)。物流信息化的重要性已經(jīng)引起國內(nèi)很多學(xué)者的重視，并紛紛提出相應(yīng)的觀點(diǎn)和建議。馬健（2005）認(rèn)為物流企業(yè)將在建立呼叫中心、應(yīng)用系統(tǒng)領(lǐng)域和網(wǎng)絡(luò)計(jì)算機(jī)領(lǐng)域出現(xiàn)信息化融合的趨勢，并提出物流企業(yè)應(yīng)采取的戰(zhàn)略。鄧小瑜（2011）等從技術(shù)融合、產(chǎn)品融合、業(yè)務(wù)融合、產(chǎn)業(yè)衍生4個層面闡述了物流業(yè)如何進(jìn)行信息化建設(shè)。物流業(yè)與信息業(yè)的融合包含通過融合信息技術(shù)提高來增強(qiáng)企業(yè)競爭力和將信息業(yè)務(wù)增加到物流服務(wù)中形成新的業(yè)務(wù)2個方面。

視頻攝像頭在日常生活中非常普遍，但是利用率較低，大部分監(jiān)控系統(tǒng)都是提供視頻數(shù)據(jù)的線性存儲，成為事后證據(jù)查找的有效手段。近年來，隨著計(jì)算機(jī)視覺的發(fā)展，很多學(xué)者開始研究視頻理解，尤其是針對視頻信息檢測與識別技術(shù)，建立有效的算法，實(shí)現(xiàn)底層圖像處理技術(shù)與高層視頻內(nèi)容分析之間的關(guān)聯(lián)，從而推動了計(jì)算機(jī)視覺在物流領(lǐng)域的應(yīng)用，提高物流企業(yè)的競爭力。

1 計(jì)算機(jī)視覺的相關(guān)知識

1.1 計(jì)算機(jī)視覺的概念

20世紀(jì)80年代初，Marr從信息處理的角度，提出了第一個比較完善的計(jì)算機(jī)系統(tǒng)視覺框架。計(jì)算機(jī)視覺是指利用計(jì)算機(jī)模擬人眼的視覺功能，對圖片或視頻進(jìn)行采集、加工、處理和識別，從中提取三維景物的形態(tài)和運(yùn)動信息，解決物流、工業(yè)、商業(yè)等領(lǐng)域產(chǎn)品圖像自動檢測識別問題，提高檢測識別效率和自動化程度。計(jì)算機(jī)視覺自動識別技術(shù)作為一門交叉學(xué)科，近年來受到各相關(guān)行業(yè)的高度重視。計(jì)算機(jī)視覺的處理流程為：攝像機(jī)圖像采集圖像處理計(jì)算機(jī)幀存儲、圖像識別控制邏輯顯示器顯示。

1.2 亮度要求

基于計(jì)算機(jī)視覺的硬件環(huán)境中，亮度是非常重要的因素。在計(jì)算機(jī)視覺中亮度的作用是突出物體的重要特征或使物體本身可見，而弱化物體其他不需要的特征或物體所處的背景。如果物體太亮或太暗，都會影響對物體的處理。

彩色物體反射光譜的某些部分，吸收其他部分。因此開發(fā)人員可以利用這個特點(diǎn)來提高某些物體的可視度。開發(fā)人員可以利用顏色之間的對比增強(qiáng)某種顏色或抑制其相反的顏色。例如，如果一個紅色的物體在一個綠色背景中則應(yīng)該加強(qiáng)紅色，這時(shí)可使用紅色照明。這樣紅色的物體會顯得明亮，同時(shí)會變暗綠色的對象。

LED是目前用于計(jì)算機(jī)視覺的主要照明技術(shù)，相比白熾燈、日光燈等使用時(shí)間短、亮度逐漸減弱的特點(diǎn)，LED燈的壽命超過100萬小時(shí)，而且耗電小，產(chǎn)生熱量少。

1.3 計(jì)算機(jī)和攝像機(jī)的接口

常用的計(jì)算機(jī)和攝像機(jī)接口包括IEEE 1394、Ethernet、USB2.0 and Gigabit Ethernet等。

1.4 RGB介紹

RGB 顏色空間是實(shí)際應(yīng)用最多的一個顏色空間，在使用計(jì)算機(jī)進(jìn)行圖像處理時(shí)，數(shù)字圖像一般用RGB 空間存儲和表示，分3個通道：紅（Red）、綠（Green）和藍(lán)（Blue），分別反映了顏色在某個通道的亮度值。3種原色光不同比例混合即使得人得到不同顏色的感知，這就是RGB顏色空間的由來。RGB 空間中每種顏色都能用三維空間中的一個點(diǎn)來表示。

2 計(jì)算機(jī)視覺在物流領(lǐng)域的優(yōu)勢

隨著物流業(yè)的迅速發(fā)展，計(jì)算機(jī)視覺在條形碼識別、運(yùn)動物流跟蹤方面逐漸得到應(yīng)用。與傳統(tǒng)方法相比，計(jì)算機(jī)視覺應(yīng)用在物流領(lǐng)域的優(yōu)勢為以下方面。

2.1 靈活、低成本

物流系統(tǒng)中一般采用傳感器來收集相關(guān)信息，但是傳感器的位置是固定的，如果需要多方位的信息，必須同時(shí)需要多個傳感器才能完成。利用計(jì)算機(jī)視覺攝像機(jī)和計(jì)算機(jī)來完成，只需要通過程序的設(shè)置和一臺攝像機(jī)就可實(shí)現(xiàn)多方位信息的收集。

2.2 高效、準(zhǔn)確

在一些人眼難以滿足要求的場合，或不適于人工工作的環(huán)境下，用計(jì)算機(jī)視覺來代替人工視覺可以提高生產(chǎn)效率、信息的準(zhǔn)確率。

3 計(jì)算機(jī)視覺在流水線中多方位跟蹤計(jì)數(shù)的算法

物流企業(yè)在流水線產(chǎn)品的計(jì)數(shù)方法目前主要采用傳感器，而利用攝像機(jī)所提供的視頻信息可以實(shí)現(xiàn)多方位的跟蹤。計(jì)算機(jī)視覺是一個集成系統(tǒng)，圖像分析的時(shí)間有限，算法必須簡單有效。本文采用的物流流水線視頻圖像如圖1所示。圖中紅色矩形表示流水線中傳輸?shù)奈锲?，綠色區(qū)域?yàn)榱魉€中的物品處理區(qū)域。

系統(tǒng)會在視頻圖像中設(shè)計(jì)①、②、③、④四個計(jì)數(shù)區(qū)域，在物品進(jìn)行相關(guān)處理前進(jìn)行計(jì)數(shù)。計(jì)數(shù)方法為將每幀圖像變?yōu)楹诎讏D，圖像中的紅色變?yōu)榘咨?，其余都變?yōu)楹谏?。?dāng)每幅圖像中的紅線部分中的白色像素超過一定閾值時(shí)，認(rèn)為物體撞線，如圖2所示，這時(shí)確定有需要計(jì)數(shù)的物品通過，可以開始計(jì)數(shù)。

3.1 主要算法

3.2 算法的運(yùn)行結(jié)果

OpenCV是Intel公司開發(fā)的開源計(jì)算機(jī)視覺庫。它提供了幾百個C/C++函數(shù)，實(shí)現(xiàn)了計(jì)算機(jī)視覺領(lǐng)域中大部分最常用的算法。利用Intel開發(fā)的開源視覺庫Intel OpenCV和VC6.0將上述算法轉(zhuǎn)換為對應(yīng)的源代碼，可實(shí)現(xiàn)4個區(qū)域的物品計(jì)數(shù)。

3.3 算法的評價(jià)

該算法利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)了物流流水線上的多方位計(jì)數(shù)，提高物流企業(yè)的信息化水平，節(jié)約了資金。算法簡單，運(yùn)行速度快，完全可以滿足物流企業(yè)的實(shí)際需求。

4 結(jié)論與建議

本文所提出的算法實(shí)現(xiàn)了計(jì)算機(jī)視覺技術(shù)在物流企業(yè)的應(yīng)用，為信息產(chǎn)業(yè)和物流業(yè)的融合提供了新的思路。但信息產(chǎn)業(yè)與物流產(chǎn)業(yè)的融合并不意味著引入信息技術(shù)后物流業(yè)的競爭力一定能提高。Berry（1995）指出了企業(yè)可以從6個方面來利用技術(shù)手段來提高競爭力，根據(jù)Berry的建議和我國物流業(yè)的實(shí)際情況，本文認(rèn)為從以下幾個方面來考慮如何通過與信息技術(shù)的融合提高物流企業(yè)的競爭力。

4.1 要有一個戰(zhàn)略性的全局行動綱領(lǐng)

技術(shù)只是一種手段，使用技術(shù)的目的是為了企業(yè)發(fā)展服務(wù)，應(yīng)符合全局發(fā)展的需要。因此物流企業(yè)高層管理者應(yīng)該參與技術(shù)戰(zhàn)略的制定，保證技術(shù)戰(zhàn)略與全局戰(zhàn)略一致，并有CIO（首席信息官）監(jiān)控具體執(zhí)行情況。而不應(yīng)該盲目使用一些新技術(shù)或進(jìn)行信息改革，造成企業(yè)不必要的損失。

4.2 解決主要問題

物流業(yè)作為服務(wù)行業(yè)其最終目的是為客戶服務(wù)，使用信息技術(shù)的有效性應(yīng)建立在為客戶解決實(shí)際問題的基礎(chǔ)上。因此信息產(chǎn)業(yè)與物流業(yè)的融合應(yīng)體現(xiàn)在為客戶提供更多的便利，或提供增值服務(wù)的基礎(chǔ)上。

4.3 使用物流公共信息平臺和建立物流信息系統(tǒng)，保證系統(tǒng)有效運(yùn)轉(zhuǎn)

通過現(xiàn)代物流公共信息平臺的建設(shè)，企業(yè)可以及時(shí)獲得需求信息，政府可獲得物流業(yè)相關(guān)的調(diào)控和管理的宏觀信息，實(shí)現(xiàn)互聯(lián)互通。通過企業(yè)流程再造，利用含有CRM（客戶關(guān)系管理）等模塊的ERP系統(tǒng)，采用EDI（電子數(shù)據(jù)交換系統(tǒng)）、GPS、條形碼、無線射頻技術(shù)等先進(jìn)技術(shù)，建立真正適應(yīng)企業(yè)發(fā)展的符合現(xiàn)有服務(wù)模式的管理信息系統(tǒng)。

4.4 創(chuàng)新型物流人才的引進(jìn)和培養(yǎng)

物流企業(yè)在自身提高業(yè)務(wù)流程和信息化水平的同時(shí)，還應(yīng)注重創(chuàng)新型人才的引進(jìn)和培養(yǎng)，特別是有國際大型物流企業(yè)管理和技術(shù)經(jīng)驗(yàn)的復(fù)合型人才。

主要參考文獻(xiàn)

[1] L Leonard，Berry. On Great Service：A Framework for Action[M]. New York NY：The Free Press，1995.

第2篇：計(jì)算機(jī)視覺常用技術(shù)范文

關(guān)鍵詞：計(jì)算機(jī)視覺；課堂考勤；深度學(xué)習(xí)；MCV架構(gòu)

前言

隨著國家標(biāo)準(zhǔn)《智慧校園總體框架》（Smartcampusoverallframework）的，智慧校園的規(guī)劃與設(shè)計(jì)成為了校園建設(shè)的重點(diǎn)項(xiàng)目[1]。而課堂考勤作為學(xué)校教學(xué)管理、學(xué)生評價(jià)的重要組成部分，隨著物聯(lián)網(wǎng)技術(shù)、人工智能和移動通信技術(shù)的水平的提高與發(fā)展，更應(yīng)該向著智能化、準(zhǔn)確化的方向發(fā)展[2]。本文研究了的當(dāng)前應(yīng)用的課堂考勤方式，并做了進(jìn)一步的分析，最終根據(jù)社會技術(shù)的革新與發(fā)展[3]，提出了一種基于計(jì)算機(jī)視覺的實(shí)時(shí)課堂考勤系統(tǒng)的設(shè)計(jì)。我們的主要工作是搭建了整個系統(tǒng)框架，包括數(shù)據(jù)庫系統(tǒng)、服務(wù)器、計(jì)算機(jī)視覺模型、網(wǎng)絡(luò)通信、圖像采集系統(tǒng)、客戶端和網(wǎng)絡(luò)通信系統(tǒng)。

1課堂考勤方式現(xiàn)狀

目前校園中主要的課堂考勤方式存在為兩種，分別是傳統(tǒng)的考勤方式和生物識別的考勤方式。如圖1所示，其中傳統(tǒng)的考勤方式包括點(diǎn)名考勤和通過校園卡進(jìn)行考勤，點(diǎn)名考勤的方式仍然是高校中最常用的考勤手段，因它不受場地的限制，可以根據(jù)點(diǎn)名冊直接核對現(xiàn)場的學(xué)生信息，但這種方式存在的缺點(diǎn)就是花費(fèi)時(shí)間，影響上課效率，為此有些教師不進(jìn)行點(diǎn)名，因此影響了考勤的效果。校園卡考勤解決了點(diǎn)名占用課堂時(shí)間的問題，但這種方式具有學(xué)生代考勤的漏洞，因?yàn)閷W(xué)生可以拿著別人的校園卡進(jìn)行考勤。生物識別的考勤方式包括指紋考勤和人臉識別考勤，這些方式有效解決了傳統(tǒng)考勤方式代考勤的弊端，但這種方式受設(shè)備硬件的影響，識別能力太慢，尤其是在下課后學(xué)生較多，考勤簽退時(shí)容易發(fā)生擁擠等現(xiàn)象，具有安全隱患[4]。因此，為解決當(dāng)前考勤方式存在的一些弊端，本文設(shè)計(jì)了一種基于計(jì)算機(jī)視覺的實(shí)時(shí)課堂考勤系統(tǒng)。

2系統(tǒng)設(shè)計(jì)基礎(chǔ)

2.1系統(tǒng)開發(fā)環(huán)境

本文設(shè)計(jì)的實(shí)時(shí)課堂考勤系統(tǒng)主要是使用Python開發(fā)語言，Python是目前最流行開發(fā)語言之一，主要應(yīng)用于Web服務(wù)設(shè)計(jì)、大數(shù)據(jù)、人工智能等領(lǐng)域，它的主要優(yōu)點(diǎn)是開發(fā)效率高、可擴(kuò)展性強(qiáng)、跨平臺和具有可移植性等，滿足了本文系統(tǒng)的設(shè)計(jì)要求。另外，在開發(fā)過程還用到了基于Python的第三方軟件開發(fā)包，包括Flask用于搭建系統(tǒng)的Web服務(wù)器；PyQt5用于搭建系統(tǒng)的客戶端；OpenCV用于系統(tǒng)中對圖像視頻的處理；Tensoflow用于開發(fā)計(jì)算機(jī)視覺模型，搭建深度學(xué)習(xí)模型，完成人臉檢測和識別任務(wù)；Mysqlclient用于管理、訪問、查詢和更新Mysql數(shù)據(jù)庫。

2.2系統(tǒng)開發(fā)框架

本文設(shè)計(jì)的實(shí)時(shí)課堂考勤系統(tǒng)通信基于Web應(yīng)用，因此選擇一個合適的服務(wù)架構(gòu)有利于提高系統(tǒng)的開發(fā)和部署效率。目前較流行的Web應(yīng)用主要有MVC（ModelViewController）和CMS（ContentManagementSystem）兩種架構(gòu)。本文使用了基于Python和Flask搭建的MVC架構(gòu)[5]，該架構(gòu)如圖2所示，主要包括模型層、視圖層和控制器。使用該框架的優(yōu)點(diǎn)是可將視圖層和業(yè)務(wù)邏輯層進(jìn)行分離開發(fā)，提高開發(fā)效率，方便系統(tǒng)的部署、維護(hù)和管理。

3系統(tǒng)設(shè)計(jì)方式

3.1系統(tǒng)總結(jié)構(gòu)設(shè)計(jì)

本文設(shè)計(jì)的實(shí)時(shí)課堂考勤系統(tǒng)的總體結(jié)構(gòu)如圖3所示。根據(jù)MVC構(gòu)架的設(shè)計(jì)，我們將該系統(tǒng)分為了模型層、控制器層和視圖層，另外還包括網(wǎng)絡(luò)通信設(shè)備。

3.2模型層設(shè)計(jì)

模型層主要是關(guān)系型數(shù)據(jù)庫模，MySQL是目前使用最多的關(guān)系型數(shù)據(jù)庫系統(tǒng)，也是學(xué)校管理系統(tǒng)使用最多的數(shù)據(jù)系統(tǒng)，為了更好地與學(xué)校管理系統(tǒng)兼容，我們選擇了MySQL數(shù)據(jù)庫，數(shù)據(jù)表之間的關(guān)系如圖4所示。

3.3控制器層設(shè)計(jì)

控制器層主要包括服務(wù)器應(yīng)用軟件和計(jì)算機(jī)視覺模型，服務(wù)器應(yīng)用軟件的功能包括系統(tǒng)通信配置、數(shù)據(jù)業(yè)務(wù)處理和系統(tǒng)各模塊間的調(diào)度。計(jì)算機(jī)視覺模型是實(shí)時(shí)課堂考勤系統(tǒng)的核心模塊，基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)[6]，主要作用是進(jìn)行人臉檢測和識別兩個部分，計(jì)算機(jī)視覺模型的工作流程如圖5所示。在人臉檢測階段使用VGG16檢測器作為主干網(wǎng)絡(luò)，為提高模型的檢測準(zhǔn)確率，通過引入注意力模型和多尺度特征融合對網(wǎng)絡(luò)進(jìn)行了優(yōu)化，有效地從輸入圖片中提取人臉位置信息，得到人臉圖像。在人臉識別階段首先使用FaceNe人臉識別網(wǎng)絡(luò)提取人臉圖像的特征圖，然后通過決策樹算法與待檢測的人臉特征進(jìn)行匹配，從而識別圖片中的學(xué)生信息。

3.4視圖層設(shè)計(jì)

本文設(shè)計(jì)的實(shí)時(shí)考勤系統(tǒng)的模型層主要包括圖像采集系統(tǒng)和客戶端。目前各學(xué)校教室內(nèi)都安裝有監(jiān)控設(shè)備，因此為節(jié)約成本和安裝消耗，圖像采集系統(tǒng)使用教室內(nèi)的監(jiān)控設(shè)備作為圖像采集系統(tǒng)，負(fù)責(zé)采集教室現(xiàn)場圖片?？蛻舳嗽O(shè)計(jì)首先在本系統(tǒng)中采用應(yīng)用程序接口，然后在教學(xué)管理系統(tǒng)中設(shè)計(jì)圖形化用戶界面，通過應(yīng)用程序接口調(diào)用本系統(tǒng)的功能，從而減少資源浪費(fèi)，方便維護(hù)和管理。

4實(shí)時(shí)考勤功能的實(shí)現(xiàn)

實(shí)時(shí)考勤功能的實(shí)現(xiàn)方式如圖6所示，首先系統(tǒng)啟動后，用戶可以隨時(shí)更新考勤信息，比如在數(shù)據(jù)庫中創(chuàng)建新的考勤表等。接著系統(tǒng)會自動讀取考勤表的信息，比如課程所在教室、上課時(shí)間。然后啟動考勤程序，進(jìn)行簽到、簽退操作，并將考勤數(shù)據(jù)保存到考勤數(shù)據(jù)表中。整個系統(tǒng)啟動完成后可以自動運(yùn)行，直到關(guān)閉系統(tǒng)，而且可以實(shí)時(shí)進(jìn)行課堂考勤。

第3篇：計(jì)算機(jī)視覺常用技術(shù)范文

【關(guān)鍵詞】株高 HALCON 雙目視覺 誤差修正

1 引言

計(jì)算機(jī)視覺技術(shù)是近幾年來發(fā)展較快的信息處理技術(shù)，隨著圖像處理技術(shù)的專業(yè)化、計(jì)算機(jī)硬件成本的降低和速度的提高，計(jì)算機(jī)視覺的應(yīng)用已變得越來越廣泛，其中不乏在農(nóng)業(yè)中的應(yīng)用。

株高是植物生長指標(biāo)的重要參數(shù)，是一個物種爭奪陽光的能力的主要決定因素[1]。對于作物來講，株高參數(shù)是作物產(chǎn)量預(yù)估不可或缺的參數(shù)。

然而對于具體的利用機(jī)器視覺方法直接測量株高的研究還是比較少的，本文就是利用HALCON軟件，采用雙目計(jì)算機(jī)視覺方法來實(shí)現(xiàn)株高的測量。

2 雙目視覺原理

雙目視覺的基本原理是從兩個視點(diǎn)觀察同一景物，獲取不同視角下的兩幅圖像，然后根據(jù)三角測量原理計(jì)算不同圖像對應(yīng)像素間的視差（disparity ），獲取景物的三維信息，從而實(shí)現(xiàn)場景三維重構(gòu)。

根據(jù)兩個攝像機(jī)位姿的不同，雙目視覺有多種模式，常用的有雙目橫向模式，雙目橫向會聚模式以及雙目縱向模式（也稱雙目軸向模式）。

為了增加測量精度，基線一般不能太小，但基線長度也不可太長，否則，由于物體各部分相互遮擋，兩個攝像機(jī)可能不能同時(shí)觀察到目標(biāo)點(diǎn)。

圖1是會聚雙目成像中的視差原理圖。圖中給出兩鏡頭連線所在平面（XZ平面），兩鏡頭中心間的距離（即基線）是B，兩光軸在XZ平面相交于（0，0，Z）點(diǎn)，交角為（未知）?，F(xiàn)在來看如果已知像平面坐標(biāo)點(diǎn)（x1， y1）和（x2， y2 ），如何求取世界點(diǎn)W的坐標(biāo)（X，Y，Z）。

根據(jù)相似三角形的關(guān)系可以很明顯得出： （2.1）

（2.2）

（2.3）

其中r為從（任一）鏡頭中心到兩系統(tǒng)會聚點(diǎn)的距離（未知）。將式（2.2）和（2.3）聯(lián)立， 可得：

（2.4）

上式把物體和像平面的距離Z與視差d直接聯(lián)系起來，若想求解式（2.4），除視差d外，還需要知道x1和x2本身。另外，由圖1可以得到：

（2.5）

代入式（2.2）或（2.3）可得：

代入式（2.2）或（2.3）可得：

（2.6）

現(xiàn)實(shí)測量中，兩相機(jī)的光軸與世界坐標(biāo)Z軸的夾角不可能相等，不過即便如此，也只會引入幾個待確定的三角函數(shù)，而這些三角函數(shù)在相機(jī)標(biāo)定時(shí)即可確定。

3 測量過程

實(shí)現(xiàn)該測量過程包括如下幾個功能模塊：圖像獲取、攝像機(jī)標(biāo)定、特征提取、立體匹配與三維信息恢復(fù)、后處理。本實(shí)驗(yàn)采用是分比率為960×720的雙攝像頭。被測區(qū)域大小約為56cm×42cm，所以采用的標(biāo)定板應(yīng)為被測區(qū)域1/3大小的HALCON專用的200mm標(biāo)定板。標(biāo)定數(shù)為24×2張圖片。利用HALCON自帶的標(biāo)定助手，可以輕松實(shí)現(xiàn)單目標(biāo)定。

雙目標(biāo)定時(shí)，需要有15張以上左右相機(jī)相同時(shí)刻拍攝的標(biāo)定板的圖片。再利用for循環(huán)，find_caltab函數(shù)，find_marks_and_pose函數(shù)以及binocular_calibration函數(shù)，可以實(shí)現(xiàn)雙目標(biāo)定。將標(biāo)定過程中，獲得的攝像機(jī)的內(nèi)參以及兩個攝像機(jī)相對位置關(guān)系作參數(shù)傳遞給函數(shù)gen_binocular_rectification_map，可以很好地實(shí)現(xiàn)雙目視覺校正的目的，得到兩幅校正后的圖像，還能得到校正后虛擬立體視覺系統(tǒng)中兩個攝像機(jī)的內(nèi)參和外參。

不同種類的植物其株高定義不同，測量方式也不盡相同。本文研究的株高只針對直立型的，是指從植株根部露出土壤部分到植株最高處的株高。

先利用gen_binocular_rectification_map函數(shù)為map_image函數(shù)提供控制參數(shù)，再通過map_image函數(shù)對采集到的圖像做校正處理，利用threshold函數(shù)，fill_up_shape函數(shù)以及select等函數(shù)找出校正后圖像中植株的最低和最高點(diǎn)，利用intersect_lines_of_sight函數(shù)，可獲得植株最低點(diǎn)和最高點(diǎn)的真實(shí)三維坐標(biāo)，最后通過幾何運(yùn)算得到雙目測量結(jié)果。

我們在圖像采集時(shí)就應(yīng)該考慮到，攝像頭應(yīng)該稍微帶一點(diǎn)俯拍的角度，保證左右兩幅圖像上最高處均為現(xiàn)實(shí)坐標(biāo)中的最高處。切忌俯拍角度不可太大，否則由于拍攝角度而引起的像差會很大，對結(jié)果將會有很大的影響。

經(jīng)過以上幾步驟得到的三維坐標(biāo)，常因各種原因而存在一定的誤差，需要進(jìn)行誤差校正。我們對已知高度的對象進(jìn)行了測量，得出結(jié)果如表1：

通過上述數(shù)據(jù)得出的修正關(guān)系如下：

y=-0.0002x2+1.0699x （3.1）

其相關(guān)系數(shù)R2=0.9993

4 實(shí)驗(yàn)結(jié)果

我們對三種植物進(jìn)行了測量得出的結(jié)果如下：

從測量結(jié)果中可以看出，修正后相對誤差控制在2%之內(nèi)，可以接受。誤差引入的原因可能如下：

1、標(biāo)定板的選擇決定了標(biāo)定精度。一定要選用高精度的標(biāo)定板，且標(biāo)定板的大小應(yīng)約為測量范圍1/3大小。

2、相機(jī)是圖像獲取的根本，高質(zhì)量的圖像離不開高分辨率相機(jī)，但是高分比率，高解析度的相機(jī)又會帶來成本上的提升。本文中，對于390.0mm左右的對象，1個像素的誤差可以帶入約0.4mm的實(shí)際誤差。

3、本文所采用的算法只能針對比較理想，比較直的植株，算法的不斷優(yōu)化，才能不斷減少誤差，提高精度。

5 結(jié)語

本文介紹了一種基于HALCON的，利用雙目視覺測量株高的方法。對于直立型植物，通過對立體匹配與三維信息恢復(fù)結(jié)果的誤差修正，其株高測量相對誤差不超過2%，方法具有一定的可借鑒性。

參考文獻(xiàn)

[1]章毓晉.計(jì)算機(jī)視覺教程 [M].北京： 人民郵電出版社，2011.

作者簡介

郝慧鵬（1988-），男，內(nèi)蒙古烏蘭察布人，碩士研究生，主要研究方向?yàn)橛?jì)算機(jī)視覺技術(shù)在農(nóng)作物檢測上的應(yīng)用。

指導(dǎo)老師

田躍（1956-），男，北京人，北京科技大學(xué)數(shù)理學(xué)院物理系教授，北京市弱磁檢測及應(yīng)用工程技術(shù)研究中心副主任。

作者單位

第4篇：計(jì)算機(jī)視覺常用技術(shù)范文

關(guān)鍵詞:計(jì)算機(jī)視覺；果蔬分類；應(yīng)用；挑戰(zhàn)；展望

自“農(nóng)業(yè)4.0”時(shí)代的來臨，以“互聯(lián)網(wǎng)+”為驅(qū)動的農(nóng)業(yè)技術(shù)已成為發(fā)展農(nóng)業(yè)強(qiáng)有力的支撐。在果蔬業(yè)中，果蔬分類通常由經(jīng)過訓(xùn)練的人員人工評估農(nóng)產(chǎn)品或農(nóng)作物的質(zhì)量。但是，人工分類會帶來許多相關(guān)的限制，工作人員需要熟悉果蔬的許多特征，并且高強(qiáng)度的機(jī)械性工作帶來的失誤不可避免，因而分類技術(shù)的提高是農(nóng)產(chǎn)品質(zhì)量提升的關(guān)鍵。計(jì)算機(jī)視覺技術(shù)具有效率高、非接觸、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，在多個領(lǐng)域已經(jīng)廣泛應(yīng)用，能實(shí)現(xiàn)農(nóng)產(chǎn)品快速無損檢測的要求[1]。果蔬分級效率的提升對我國產(chǎn)品質(zhì)量提升、農(nóng)民增產(chǎn)增收具有重要意義。

1圖像處理技術(shù)在果蔬分類領(lǐng)域的應(yīng)用

本文對基于計(jì)算機(jī)視覺技術(shù)的果蔬分類進(jìn)行了比較調(diào)查，發(fā)現(xiàn)研究人員多使用一種或者多種傳感器或者機(jī)器學(xué)習(xí)技術(shù)進(jìn)行農(nóng)產(chǎn)品的分類與分級，但是由于相同水果品種不同造成形狀、大小與顏色的不同，果蔬的分類依然面臨著許多挑戰(zhàn)[2]。為解決這些問題研究人員已經(jīng)進(jìn)行了多種實(shí)驗(yàn)，其中結(jié)合機(jī)器學(xué)習(xí)技術(shù)對于系統(tǒng)有明顯提升。通過使用傳感器捕獲水果與蔬菜的特征，使用機(jī)器學(xué)習(xí)對任務(wù)進(jìn)行優(yōu)化，以提高系統(tǒng)整體性能[3]。

2果蔬分類的主要挑戰(zhàn)

雖然已經(jīng)在多個產(chǎn)業(yè)中實(shí)現(xiàn)目標(biāo)分類，但將果蔬作為對象進(jìn)行分類仍然是一項(xiàng)復(fù)雜的問題。在實(shí)際過程中，環(huán)境、光及空間等因素制約了系統(tǒng)的優(yōu)化，使系統(tǒng)的時(shí)間與準(zhǔn)確性方面受到限制。光照方向及亮度、色溫以及背景所造成的鏡面反射與漫反射都會制約系統(tǒng)的進(jìn)一步優(yōu)化，并且不同種類果蔬的特征并不相同，這也使果蔬分類系統(tǒng)沒有被廣泛地開發(fā)。

2.1缺乏合適的傳感器

分類任務(wù)的一個關(guān)鍵步驟就是選擇適合場景的傳感器用于數(shù)據(jù)采集。在果蔬的分類任務(wù)中視覺傳感器與非視覺傳感器已經(jīng)廣泛地應(yīng)用，但是由于各種傳感器性質(zhì)不同其所適用的應(yīng)用場景亦有不同[4-6]。例如超聲波傳感器與觸覺傳感器都不太適合易損的目標(biāo)物[7]。因?yàn)檫@些傳感器需要物理接觸果蔬以獲取數(shù)據(jù)。另外，視覺傳感器對許多因素高度敏感，例如照明條件和背景環(huán)境。這些基本因素是許多復(fù)雜因素的結(jié)合，包括反射、折射、縮放、旋轉(zhuǎn)和平移，這在系統(tǒng)實(shí)際的設(shè)計(jì)中需要深入考慮。傳感器大致分為視覺傳感器和非視覺傳感器。由于每個傳感器具有一定的局限性，例如視覺傳感器對照明條件和背景顏色高度敏感。高光譜相機(jī)可以得出物體反射特性，檢測具有相似顏色或背景的不同對象的固有特性，其對許多顏色等因素不敏感，并且高光譜信息與水果的其他特征相結(jié)合，可以提高系統(tǒng)性能。最近，熱紅外分析已用于許多領(lǐng)域，例如植物病害檢測、冷藏對果實(shí)的冷害、農(nóng)作物成熟度估算和農(nóng)作物產(chǎn)量估算[8]。然而，由于蔬菜和背景的熱物理性質(zhì)大致相似，并且這種技術(shù)對溫度變化敏感，因而熱紅外分析仍不能很好地完成綠顏色水果和多葉蔬菜的分類任務(wù)。

2.2難以準(zhǔn)確選擇特征

特征是用于與其他物體區(qū)分的物理特征。果蔬具有多種物理特征，例如顏色、質(zhì)地、形狀和大小，這些都是可以用作分類的特征參數(shù)，并且果蔬具有類間和類內(nèi)的同異性。類別間的變化是主要變化，即顏色、紋理和形狀的變化，而類別內(nèi)的變化更難以發(fā)現(xiàn)，特征更加難以區(qū)分。理想的系統(tǒng)能夠進(jìn)行類間和類內(nèi)分類。研究表明，單個特征不能有效地對果蔬或物體進(jìn)行有效分類。計(jì)算機(jī)視覺是用于圖像分類和識別的一種技術(shù)，可以設(shè)計(jì)算法通過多種方式對果蔬進(jìn)行分類，通常分類是基于神經(jīng)網(wǎng)絡(luò)完成。在任何機(jī)器學(xué)習(xí)應(yīng)用程序中選擇合適的算法至關(guān)重要，但是由于果蔬的類間相似性，算法優(yōu)化尤為重要。數(shù)字圖像中某些與特性有關(guān)信息的識別、分類、檢索、重建稱為特征描述，果蔬具有相關(guān)的獨(dú)特視覺特征。果蔬的分類和識別最常用的特征是顏色、形狀、大小和質(zhì)地，可以根據(jù)整體或局部圖像特征來選擇特征描述是全局或者局部的特征。特別是對于對象識別，全局圖像特征描述整個對象，具有良好的不變性，而局部圖像特征則易于實(shí)現(xiàn)快速匹配。因此，通常將局部和全局圖像特征配合使用以提高整體性能。在圖像經(jīng)過去噪、平滑等操作之后，圖像的細(xì)節(jié)將不可避免地丟失，因而需要更加注意特征的選取。這些因素對特征描述的選取造成了一些限制。

3展望

第5篇：計(jì)算機(jī)視覺常用技術(shù)范文

[關(guān)鍵詞]K近鄰法；支持向量機(jī)；紋理識別

中圖分類號：TP392.01 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-914X（2014）20-0286-01

1.引言

計(jì)算機(jī)視覺是當(dāng)前計(jì)算機(jī)學(xué)科研究中比較重要的一個分支，其最終目的是讓計(jì)算機(jī)系統(tǒng)能夠準(zhǔn)確理解三維世界中的事物，使之具備人眼視覺的某些功能。因此，計(jì)算機(jī)視覺的研究對人工智能、工業(yè)智能等領(lǐng)域的發(fā)展有著十分重要的意義。紋理識別是計(jì)算機(jī)視覺中最具挑戰(zhàn)性的領(lǐng)域之一，它在物體識別、遙感圖像分析、工業(yè)自動化處理、海洋生態(tài)研究等多個方面都有著廣泛的應(yīng)用。這樣，紋理識別在自動化生產(chǎn)、機(jī)器人智能化等方面也具有相當(dāng)重要的研究意義與應(yīng)用價(jià)值。

本文以O(shè)utex、Brodatz以及CUReT三個公共紋理庫中的紋理圖像為研究對象，將K近鄰法和支持向量機(jī)這兩種分類算法應(yīng)用到紋理識別實(shí)驗(yàn)中，對兩種算法的紋理識別效果及優(yōu)缺點(diǎn)做了詳細(xì)對比、分析。下面首先介紹一下K近鄰法與支持向量機(jī)的基本原理。

2. 原理介紹

2.1 K近鄰法

K近鄰法是一種在概率統(tǒng)計(jì)基礎(chǔ)上被提出的算法，主要通過對訓(xùn)練樣本進(jìn)行概率密度統(tǒng)計(jì)來實(shí)現(xiàn)對待測樣本的分類。該算法不需要任何諸如條件性獨(dú)立之類的假設(shè)做前提條件，而是直接對已有的樣本數(shù)據(jù)集進(jìn)行學(xué)習(xí)、分類。因此，K近鄰法是一種沒有參數(shù)的密度估計(jì)算法。

K近鄰法的主要思想是首先對類別未知的樣本和訓(xùn)練樣本集做距離度量；接著，比較這些距離的大小，取其中前K個最短距離即離待測樣本最近的訓(xùn)練樣本作為它的鄰居；最后，取這K個鄰居的類標(biāo)進(jìn)行投票，將票數(shù)最多即出現(xiàn)次數(shù)最多的類標(biāo)賦給當(dāng)前待測樣本，此時(shí)即已完成對待測樣本的分類。

2.2 支持向量機(jī)

支持向量機(jī)主要通過對整個訓(xùn)練樣本集進(jìn)行學(xué)習(xí)來獲得使分類間隔達(dá)到最大的支持向量。其中，如圖1所示，直線和之間的距離即為分類間隔，而和分別經(jīng)過的實(shí)心點(diǎn)和空心點(diǎn)表示的訓(xùn)練樣本即為支持向量。以兩分類問題為例，支持向量機(jī)是一種在線性可分的前提下，尋找能將訓(xùn)練樣本劃分為兩種類別的最優(yōu)分類線的算法。這里所說的“線性可分”是指存在一直線或超平面，能夠直接將訓(xùn)練樣本集分為兩種類別；“最優(yōu)分類線”即為圖1中將實(shí)心點(diǎn)與空心點(diǎn)區(qū)分開來的直線，而圖中所示的和分別代表的是經(jīng)過與直線距離最短的實(shí)心點(diǎn)和空心點(diǎn)的兩條直線，同時(shí)這兩條直線還與直線平行。如圖1所示，當(dāng)直線使“margin”最大，即直線與之間的分類間隔最大時(shí)，直線就是最優(yōu)分類線，而支持向量就是分布在和上的訓(xùn)練樣本。

3. 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)中我們首先對Outex、Brodatz以及CUReT三個公共紋理庫中的紋理圖像進(jìn)行特征提取，并對獲得的特征向量使用PCA算法進(jìn)行降維，最終以10個特征值來表示一幅紋理圖像。接著，將紋理圖像分為訓(xùn)練樣本與待測樣本兩部分，分別使用K近鄰法、支持向量機(jī)對訓(xùn)練樣本進(jìn)行學(xué)習(xí)，對待測樣本進(jìn)行紋理識別。

此外，我們對K近鄰法不同的K值，支持向量機(jī)不同的核函數(shù)、核參數(shù)均進(jìn)行了多次選取，得到的識別結(jié)果顯示，不同K值的選取對K近鄰法的識別效果影響較大，核函數(shù)及核參數(shù)的選取同樣影響了支持向量機(jī)最終的識別效果。表1為兩種方法對三種紋理庫中紋理圖像的平均識別準(zhǔn)確率。從總體上看，支持向量機(jī)的紋理識別效果優(yōu)于K近鄰法的識別效果。因此，在紋理識別方面，支持向量機(jī)的性能相較于K近鄰法要好一些。

4. 結(jié)束語

第6篇：計(jì)算機(jī)視覺常用技術(shù)范文

關(guān)鍵詞:智能科學(xué)與技術(shù)專業(yè);課程體系;教材建設(shè)

繼2004年北京大學(xué)率先在國內(nèi)建立“智能科學(xué)與技術(shù)”本科專業(yè)之后,2005年,北京郵電大學(xué)、南開大學(xué)和西安電子科技大學(xué);2006年,首都師范大學(xué)、北京信息科技大學(xué)、武漢工程大學(xué)和西安郵電學(xué)院;2007年,北京科技大學(xué)、廈門大學(xué)和湖南大學(xué);2008年,河北工業(yè)大學(xué)和桂林電子科技大學(xué);2009年,重慶郵電大學(xué)和大連海事大學(xué);2010年,中南大學(xué)和上海理工大學(xué)先后經(jīng)教育部批準(zhǔn)先后設(shè)立了“智能科學(xué)與技術(shù)”本科專業(yè)[1-2]。在中國人工智能學(xué)會教育工作委員會的指導(dǎo)下,自2002年起,各相關(guān)專業(yè)教師定期召開智能科學(xué)與技術(shù)教育學(xué)術(shù)研討會,并出版教育論文專輯,大力推進(jìn)了我國智能科學(xué)與技術(shù)教育的健康、快速發(fā)展,并對我國智能科學(xué)技術(shù)的人才培養(yǎng)和學(xué)科建設(shè)起到了極大的帶動作用。

作為一個發(fā)展中的新興專業(yè),目前各高校仍主要結(jié)合自身基礎(chǔ)和特點(diǎn)建設(shè)該專業(yè)。如南開大學(xué)以智能技術(shù)與智能工程為核心專業(yè)課程[3];北京科技大學(xué)從社會需求角度出發(fā),以提高學(xué)生軟件實(shí)踐能力為切入點(diǎn)[4];河北工業(yè)大學(xué)根據(jù)相關(guān)專業(yè)的就業(yè)現(xiàn)狀,以提高學(xué)生硬件實(shí)踐能力為著力點(diǎn)[5]。為了解決南開大學(xué)、北京科技大學(xué)和河北工業(yè)大學(xué)3所高校共同面臨的課程體系和教材建設(shè)等問題,三校教師分別于2010年6月16日和8月2日在南開大學(xué)、河北工業(yè)大學(xué)進(jìn)行了兩次研討,現(xiàn)將研討成果匯總于此。

1研討背景

“智能科學(xué)與技術(shù)”專業(yè)自開辦以來,不可避免地要回答如下3個方面的問題:

1) 來自用人單位的問題:“智能科學(xué)與技術(shù)”專業(yè)是做什么的?與其他專業(yè)相比優(yōu)勢何在?

2) 來自學(xué)生及家長的問題:“智能科學(xué)與技術(shù)”專業(yè)是學(xué)什么的?與其他專業(yè)相比優(yōu)勢何在?

3) 來自教師自身的問題:“智能科學(xué)與技術(shù)”專業(yè)應(yīng)該教什么?與其他專業(yè)相比優(yōu)勢何在?

無論是做什么、學(xué)什么還是教什么,歸根到底是課程體系和教材內(nèi)容。無論是研究生課程下移(帶來學(xué)生接受知識的困難),還是在其他專業(yè)教學(xué)體系基礎(chǔ)上做簡單的增、刪、改(帶來學(xué)生知識結(jié)構(gòu)的凌亂),都是不行的,長此以往的后果將是沒有優(yōu)勢,只有劣勢。

南開大學(xué)、北京科技大學(xué)和河北工業(yè)大學(xué)3所高校的“智能科學(xué)與技術(shù)”專業(yè)建設(shè)都源于自動化專業(yè)基礎(chǔ),而且都具有典型的工科特色;同時(shí)3所高校分別是教育部直屬“985”高校、教育部直屬國家“優(yōu)勢學(xué)科創(chuàng)新平臺”建設(shè)項(xiàng)目試點(diǎn)高校和河北省屬“211”高校,3所高校的“智能科學(xué)與技術(shù)”專業(yè)分別于2006、2007和2008年招生。3所高校在“智能科學(xué)與技術(shù)”專業(yè)建設(shè)上的異同特點(diǎn)以及地域便利的條件,為優(yōu)勢互補(bǔ)、交流融合提供了機(jī)遇。

2課程體系

根據(jù)研究任務(wù)的不同,智能科學(xué)技術(shù)涵蓋的內(nèi)容可以劃分為智能科學(xué)、智能技術(shù)、智能工程三個層次[6]。

1) 智能科學(xué):主要任務(wù)是研究人的智慧,建立人機(jī)結(jié)合系統(tǒng)理論,并用其模擬人的智慧。

2) 智能技術(shù):在智能科學(xué)的框架內(nèi)創(chuàng)建人機(jī)結(jié)合智能系統(tǒng)所需要的方法、工具和技術(shù)。

3) 智能工程:利用智能科學(xué)的理念和思想,充分運(yùn)用智能技術(shù)工具創(chuàng)建各種應(yīng)用系統(tǒng)。它是當(dāng)前新技術(shù)、新產(chǎn)品、新產(chǎn)業(yè)的重要發(fā)展方向、開發(fā)策略和顯著標(biāo)志。

根據(jù)上述智能科學(xué)技術(shù)的劃分,智能科學(xué)與技術(shù)專業(yè)的課程體系同樣劃分為理論、技術(shù)與工程應(yīng)用3個層次,具體框架如圖1所示。

需要說明的是,由于課時(shí)、學(xué)時(shí)等因素的限制,有些課程需要包含未列入課程的部分內(nèi)容。如智能科學(xué)與技術(shù)概論課程內(nèi)含系統(tǒng)論的簡要介紹;智能控制系統(tǒng)包含可編程序控制器、智能傳感器、智能執(zhí)行器等內(nèi)容;智能工程包含若干典型智能系統(tǒng)實(shí)例。

3教材建設(shè)

經(jīng)南開大學(xué)、北京科技大學(xué)和河北工業(yè)大學(xué)3所高校的討論,一致認(rèn)為工科專業(yè)應(yīng)以技術(shù)和工程應(yīng)用兩個層次為核心,并將人工智能導(dǎo)論和智能信息處理兩門課程的教材合并為智能技術(shù)。同時(shí),根據(jù)南開大學(xué)側(cè)重理論、北京科技大學(xué)側(cè)重軟件、河北工業(yè)大學(xué)側(cè)重硬件的原則進(jìn)行分工,編寫對應(yīng)課程的教學(xué)大綱和教材內(nèi)容。

3.1智能技術(shù)

本課程包括智能計(jì)算和計(jì)算機(jī)視覺兩部分,分別介紹以對人腦的物理結(jié)構(gòu)進(jìn)行模擬為主要特征的聯(lián)接主義智能技術(shù)和以模擬人類視覺處理為主要特征的計(jì)算機(jī)視覺兩部分。它是智能技術(shù)的主干內(nèi)容;也是實(shí)現(xiàn)智能技術(shù)、組成智能系統(tǒng)的重要工具,屬于本專業(yè)本科生的專業(yè)基礎(chǔ)課。通過智能技術(shù)的學(xué)習(xí),學(xué)生應(yīng)能夠掌握智能技術(shù)的基本原理和方法。通過課堂講解、,并配合一定的作業(yè)練習(xí)、上機(jī)實(shí)驗(yàn)等環(huán)節(jié),學(xué)生應(yīng)初步具備運(yùn)用智能技術(shù)和方法分析和解決問題的能力。本課程擬定90學(xué)時(shí),其中授課54學(xué)時(shí),實(shí)驗(yàn)36學(xué)時(shí)。

教材內(nèi)容包括智能計(jì)算和計(jì)算機(jī)視覺兩部分,智能計(jì)算部分包括神經(jīng)網(wǎng)絡(luò)、模糊理論和遺傳算法/蟻群算法,計(jì)算機(jī)視覺包括計(jì)算機(jī)視覺導(dǎo)論、計(jì)算機(jī)視覺理論基礎(chǔ)、圖像預(yù)處理、圖像分割、物體識別、圖像理解、雙目立體視覺、三維視覺技術(shù)、主動視覺。

神經(jīng)網(wǎng)絡(luò)講授單個神經(jīng)元(感知器)的動作原理,與實(shí)際生物神經(jīng)元的對應(yīng)關(guān)系;講授BP神經(jīng)網(wǎng)絡(luò)的組成,網(wǎng)絡(luò)的特性和對非線性函數(shù)的模擬功能;介紹BP算法的優(yōu)、缺點(diǎn);講授H網(wǎng)絡(luò)的組成結(jié)構(gòu),H網(wǎng)絡(luò)在解決優(yōu)化問題的優(yōu)越性。模糊理論講授模糊集合的概念,建立隸屬度函數(shù)的概念;介紹模糊規(guī)則的建立原則,模糊規(guī)則與模糊系統(tǒng)收入輸出量之間的關(guān)系;介紹模糊化以及模糊量精確化的幾種常用方法。遺傳算法和蟻群算法只作簡要介紹,重點(diǎn)介紹這兩種算法的特點(diǎn)和成功的應(yīng)用實(shí)例,使學(xué)習(xí)者有一個感性認(rèn)識,明確這種類型算法的“迭代”特點(diǎn)以及總體最優(yōu)目標(biāo)與個體行為之間的聯(lián)系。

計(jì)算機(jī)視覺理論基礎(chǔ)主要介紹Marr的視覺計(jì)算理論、圖像的相關(guān)知識、傅立葉變換基礎(chǔ);圖像預(yù)處理主要介紹像素亮度變換、幾何變換、直方圖修正、局部預(yù)處理、圖像復(fù)原;圖像分割主要介紹閾值處理方法、基于邊界的分割方法、基于區(qū)域的分割方法;形狀表示與描述主要介紹鏈碼、使用片斷序列描述邊界、尺度空間方法、基于區(qū)域的形狀表示與描述;物體識別主要介紹知識的表示、統(tǒng)計(jì)模式識別、神經(jīng)元網(wǎng)絡(luò)、遺傳算法、模擬退火、模糊系統(tǒng);圖像理解主要介紹并行和串行處理控制、分層控制、非分層控制;雙目立體視覺主要介紹雙目立體視覺原理、精度分析、系統(tǒng)結(jié)構(gòu)、立體成像、立體匹配、系統(tǒng)標(biāo)定;三維視覺技術(shù)主要介紹結(jié)構(gòu)光三維視覺原理、光模式投射系統(tǒng)、標(biāo)定方法、光度立體視覺、由紋理恢復(fù)形狀、激光測距法;主動視覺主要介紹從陰影恢復(fù)形狀、從運(yùn)動恢復(fù)結(jié)構(gòu)、主動跟蹤。

3.2智能控制理論與技術(shù)

本課程是“智能科學(xué)與技術(shù)”專業(yè)的一門重要專業(yè)課程,目的是使學(xué)生了解智能科學(xué)與控制理論結(jié)合所產(chǎn)生之智能控制理論的基本概念和應(yīng)用價(jià)值;使學(xué)生熟知當(dāng)前主流智能控制技術(shù)的種類,并掌握模糊控制、神經(jīng)網(wǎng)絡(luò)控制以及進(jìn)化計(jì)算、群體智能的基礎(chǔ)知識,了解智能技術(shù)與傳統(tǒng)控制方法的結(jié)合點(diǎn);加強(qiáng)MATLAB仿真實(shí)驗(yàn)的訓(xùn)練,以使學(xué)生更好地理解基礎(chǔ)知識,培養(yǎng)學(xué)生使用高級智能控制方法解決實(shí)際控制問題的能力。本課程的學(xué)習(xí)將使學(xué)生加深對控制理論的理解,明晰智能技術(shù)在控制中的應(yīng)用技巧,也為本科生繼續(xù)深造打下基礎(chǔ)。本課程擬定64學(xué)時(shí),其中授課54學(xué)時(shí),實(shí)驗(yàn)10學(xué)時(shí)。

教材內(nèi)容包括智能控制概論,介紹智能控制的發(fā)展歷程和應(yīng)用領(lǐng)域,簡介幾種重要的智能控制方法;專家控制,簡介專家系統(tǒng)的基本結(jié)構(gòu),講授專家PID控制器的原理與設(shè)計(jì)方法;模糊控制,講授模糊數(shù)學(xué)基礎(chǔ)知識、傳統(tǒng)的模糊控制原理和控制器設(shè)計(jì)與實(shí)現(xiàn)方法、模糊PID控制的兩種形式,特別是PID控制參數(shù)的模糊整定技術(shù);神經(jīng)網(wǎng)絡(luò)控制,講授前饋神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)中幾種典型的網(wǎng)絡(luò)模型以及學(xué)習(xí)算法、基于神經(jīng)網(wǎng)絡(luò)的線性系統(tǒng)辨識技術(shù)、神經(jīng)網(wǎng)絡(luò)逆模控制等;進(jìn)化計(jì)算與控制,講授進(jìn)化計(jì)算的概念、遺傳算法的原理及其與其他智能方法的結(jié)合,介紹遺傳機(jī)器人學(xué);群體智能與控制,講授蟻群算法的基本原理及其在控制問題中的應(yīng)用,介紹群體機(jī)器人學(xué)。

3.3單片機(jī)原理與應(yīng)用

本課程是“智能科學(xué)與技術(shù)”專業(yè)的一門專業(yè)課程,目的是使學(xué)生了解單片機(jī)的組成原理及常用控制算法的實(shí)現(xiàn);掌握51系列單片機(jī)指令系統(tǒng)和一般匯編程序設(shè)計(jì)編寫方法;熟悉常用的單片機(jī)硬件擴(kuò)展技術(shù);在此基礎(chǔ)上,熟練掌握控制算法的單片機(jī)程序編寫與調(diào)試。本課程擬定54學(xué)時(shí),其中授課38學(xué)時(shí),實(shí)驗(yàn)16學(xué)時(shí)。

教材內(nèi)容包括單片機(jī)系統(tǒng)概述,介紹單片機(jī)定義、單片機(jī)發(fā)展過程及單片機(jī)硬件結(jié)構(gòu);單片機(jī)指令系統(tǒng)及程序設(shè)計(jì),介紹指令系統(tǒng)和匯編語言程序設(shè)計(jì);硬件資源及接口技術(shù),介紹硬件資源和接口技術(shù);單片機(jī)使用技術(shù),介紹抗干擾技術(shù)、C語言應(yīng)用程序設(shè)計(jì);依次介紹PID控制器、狀態(tài)反饋控制器、模糊控制器、系統(tǒng)辨識、卡爾曼濾波、滑模控制器、最優(yōu)控制器、魯棒控制器、自適應(yīng)控制器、神經(jīng)網(wǎng)絡(luò)控制器的歷史沿革、基本原理、常用形式和單片機(jī)具體實(shí)現(xiàn)方法。

3.4嵌入式系統(tǒng)

本課程以當(dāng)前主流的嵌入式系統(tǒng)技術(shù)為背景,以嵌入式系統(tǒng)原理為基礎(chǔ),以嵌入式系統(tǒng)開發(fā)體系為骨架,以嵌入式控制系統(tǒng)開發(fā)為目標(biāo),較為全面地介紹嵌入式系統(tǒng)的基本概念、軟硬件的基本體系結(jié)構(gòu)、軟硬件開發(fā)方法、相關(guān)開發(fā)工具、應(yīng)用領(lǐng)域、熱門領(lǐng)域的開發(fā)實(shí)例以及當(dāng)前的一些前沿動態(tài),為學(xué)生展示較為完整的嵌入式控制系統(tǒng)領(lǐng)域概況。本課程擬定64學(xué)時(shí),其中授課48學(xué)時(shí),實(shí)驗(yàn)16學(xué)時(shí)。

教材依據(jù)嵌入式控制系統(tǒng)的特征,將控制算法、嵌入式系統(tǒng)硬件、操作系統(tǒng)、應(yīng)用程序設(shè)計(jì)及組態(tài)軟件作為統(tǒng)一的技術(shù)平臺介紹,突出嵌入式技術(shù)在控制系統(tǒng)中應(yīng)用的特點(diǎn),重點(diǎn)介紹嵌入式控制系統(tǒng)軟硬件、電路、操作系統(tǒng)、實(shí)時(shí)性、可靠性等特性,從軟件體系結(jié)構(gòu)及開發(fā)的角度出發(fā),強(qiáng)調(diào)實(shí)時(shí)調(diào)度、Bootloader、BSP、嵌入式實(shí)時(shí)多任務(wù)系統(tǒng)設(shè)計(jì)、交叉開發(fā)與仿真開發(fā)等關(guān)鍵技術(shù),并特別引入了工業(yè)控制中需要的電磁兼容性設(shè)計(jì)和大量的典型嵌入式控制系統(tǒng)實(shí)例設(shè)計(jì)。通過本課程的學(xué)習(xí),學(xué)生不但可以學(xué)會使用工具開發(fā)嵌入式軟硬件,而且可以從總體角度選擇適當(dāng)?shù)募夹g(shù)和方法,全面規(guī)劃和設(shè)計(jì)嵌入式系統(tǒng)。

3.5智能工程

本課程是“智能科學(xué)與技術(shù)”專業(yè)的一門核心專業(yè)課程。面向智能技術(shù)的實(shí)際應(yīng)用,著眼于解決工程應(yīng)用中的技術(shù)問題,從典型系統(tǒng)設(shè)計(jì)案例分析出發(fā),通過大量實(shí)驗(yàn)提高學(xué)生的工程實(shí)踐能力。本課程擬定36學(xué)時(shí),全部為授課學(xué)時(shí)。

教材內(nèi)容包括智能工程概論,介紹智能工程現(xiàn)狀、工程設(shè)計(jì)原則和工程實(shí)際流程;常用傳感器原理,介紹傳感器一般特性、光電式傳感器和視覺傳感器;典型智能系統(tǒng)設(shè)計(jì)案例,包括智能移動機(jī)器人、智能電梯群控電梯等系統(tǒng)。

3.6智能機(jī)器人

課程通過對一個具有代表性的仿人機(jī)器人的拆解,將知識點(diǎn)拆解成6個主要教學(xué)模塊:1)機(jī)器人控制模塊,介紹各類控制模塊的原理與組成;2)機(jī)器人運(yùn)動系統(tǒng),介紹電機(jī)與舵機(jī)的原理與控制方法;3)機(jī)器人動作系統(tǒng),介紹機(jī)器人各部件的協(xié)調(diào)控制;4)機(jī)器人視覺系統(tǒng),介紹典型的超聲波、影像傳感器的原理與識別算法;5)機(jī)器人表現(xiàn)系統(tǒng)原理,介紹人與機(jī)器人的交互原理;6)機(jī)器人通信系統(tǒng)原理,介紹機(jī)器人之間的數(shù)據(jù)與信息傳遞方法。學(xué)生學(xué)習(xí)時(shí),能夠與基礎(chǔ)知識相聯(lián)系,并能掌握機(jī)器人這門技術(shù),為從事機(jī)器人產(chǎn)品研發(fā)工作打下堅(jiān)實(shí)的基礎(chǔ)。本課程擬定54學(xué)時(shí),其中授課44學(xué)時(shí),實(shí)驗(yàn)10學(xué)時(shí)。

教材面向“智能科學(xué)與技術(shù)”專業(yè),同時(shí)兼顧信息類專業(yè)學(xué)生編寫,根據(jù)這類專業(yè)學(xué)生的知識結(jié)構(gòu)和特點(diǎn)組織內(nèi)容。從具體的機(jī)器人控制需求出發(fā),將自動控制的基本理論和機(jī)器人控制特點(diǎn)相結(jié)合,講授機(jī)器人控制系統(tǒng)的組成、規(guī)律、特點(diǎn)和設(shè)計(jì)方法。理論上反映當(dāng)前的最新進(jìn)展,內(nèi)容上考慮初學(xué)者的需求,側(cè)重普及性、實(shí)用性和新穎性,結(jié)構(gòu)體系符合信息類和控制類專業(yè)學(xué)生的特點(diǎn),力求簡潔、清楚,對技術(shù)的敘述遵循目標(biāo)、問題、理論依據(jù)、實(shí)現(xiàn)方法、實(shí)際情況、發(fā)展方向的方式。做到重點(diǎn)突出,符合實(shí)際,滿足需要,指導(dǎo)性強(qiáng)。

3.7智能控制系統(tǒng)

本課程是“智能科學(xué)與技術(shù)”專業(yè)的一門專業(yè)課程,使學(xué)生了解智能控制系統(tǒng)的基礎(chǔ)知識;掌握智能控制系統(tǒng)中最新的智能傳感技術(shù)、智能控制器、智能執(zhí)行能執(zhí)行器及智能網(wǎng)絡(luò)與接口技術(shù);掌握智能控制系統(tǒng)中多個關(guān)鍵硬件裝置的識別及其使用。通過學(xué)習(xí)多個智能控制系統(tǒng)的開發(fā)實(shí)例,學(xué)生應(yīng)掌握智能控制系統(tǒng)的設(shè)計(jì)方法與技術(shù),堅(jiān)實(shí)地掌握最新智能控制系統(tǒng)知識,提高理論聯(lián)系實(shí)際的能力,并為學(xué)習(xí)其他課程的打下堅(jiān)實(shí)基礎(chǔ)。本課程擬定64學(xué)時(shí),其中授課48學(xué)時(shí),實(shí)驗(yàn)16學(xué)時(shí)。

教材內(nèi)容包括概述,介紹智能控制系統(tǒng)的基本概念、基本內(nèi)容和機(jī)構(gòu)及其發(fā)展趨勢;智能傳感系統(tǒng),講授智能數(shù)據(jù)采集技術(shù)、傳感器智能化的數(shù)據(jù)處理方法、多傳感器信息融合的方法、智能傳感器實(shí)現(xiàn)方法與典型實(shí)例;智能控制器設(shè)計(jì),講授基于單片機(jī)的智能控制器設(shè)計(jì)及其應(yīng)用、基于高性能嵌入式ARM的智能控制器設(shè)計(jì)及其應(yīng)用、基于PLC的智能控制器設(shè)計(jì)及其應(yīng)用;智能電動執(zhí)行器,講授智能電動執(zhí)行器的硬件實(shí)現(xiàn)技術(shù),軟件設(shè)計(jì)技術(shù)以及典型的智能電動執(zhí)行器實(shí)例及其應(yīng)用;智能網(wǎng)絡(luò)與接口技術(shù),講授無線傳感器智能網(wǎng)絡(luò),工業(yè)現(xiàn)場總線網(wǎng)絡(luò)以及智能傳感器、智能控制器和智能執(zhí)行器的網(wǎng)絡(luò)接口實(shí)現(xiàn)技術(shù);智能控制系統(tǒng)設(shè)計(jì)實(shí)例,綜合利用前面的知識設(shè)計(jì)網(wǎng)絡(luò)化智能壓力傳感器的系統(tǒng)設(shè)計(jì)、基于聲音定位的智能機(jī)器人系統(tǒng)設(shè)計(jì)、基于微機(jī)電慣性傳感器的汽車多路況智能防撞系統(tǒng)的設(shè)計(jì)、大型設(shè)備的PLC智能控制系統(tǒng)設(shè)計(jì)。

4結(jié)語

通過南開大學(xué)、北京科技大學(xué)和河北工業(yè)大學(xué)3所高校的研討,我們凝練出較完整的“智能科學(xué)與技術(shù)”專業(yè)課程體系,體現(xiàn)出本專業(yè)的特色;提出可供3所高校共同使用的教學(xué)大綱和教材內(nèi)容,體現(xiàn)出學(xué)生培養(yǎng)的工程實(shí)踐導(dǎo)向。這些研究成果可以為開辦“智能科學(xué)與技術(shù)”專業(yè)的兄弟院校進(jìn)一步研討提供藍(lán)本,也可以為籌建該專業(yè)的高校所參考。

注:本文受到北京科技大學(xué)教學(xué)研究會第六批教學(xué)研究課題、北京科技大學(xué)教育教學(xué)研究基金青年教師教育教學(xué)研究立項(xiàng)項(xiàng)目、河北工業(yè)大學(xué)教改項(xiàng)目(2010-12)支持。

參考文獻(xiàn):

[1] 王萬森,鐘義信,韓力群,等. 我國智能科學(xué)技術(shù)教育的現(xiàn)狀與思考[J]. 計(jì)算機(jī)教育,2009(11):10-14.

[2] 教育部關(guān)于公布2009年度高等學(xué)校專業(yè)設(shè)置備案或?qū)徟Y(jié)果的通知[S]. 教高〔2010〕2號,2010.

[3] 方勇純,劉景泰. 南開大學(xué)“智能科學(xué)與技術(shù)”專業(yè)教學(xué)體系與實(shí)驗(yàn)環(huán)境建設(shè)[J]. 計(jì)算機(jī)教育,2009(11):21-25.

[4] 石志國,劉冀偉,王志良.“智能科學(xué)與技術(shù)”本科專業(yè)軟件實(shí)踐類課程建設(shè)探討[J]. 計(jì)算機(jī)教育,2009(11):93-97.

[5] 劉作軍,張磊,楊鵬,等. 談我校增設(shè)“智能科學(xué)與技術(shù)”專業(yè)的設(shè)想與措施[J]. 計(jì)算機(jī)教育,2009(11):53-56.

[6] 盧桂章. 無處不在的智能技術(shù)[J]. 計(jì)算機(jī)教育,2009(11):68-72.

A Study on the Course System and Textbook Construction for the Discipline of

Intelligence Science and Technology

YANG Peng1, ZHANG Jian-xun2, LIU Ji-wei3, ZHANG Lei1

(1. Hebei University of Technology, Tianjin 300130, China; 2.Nankai University, Tianjin 300071, China;

3. University of Science and Technology Beijing, Beijing 100083, China)

第7篇：計(jì)算機(jī)視覺常用技術(shù)范文

關(guān)鍵詞：無人機(jī)；捷聯(lián)慣性導(dǎo)航系統(tǒng)；計(jì)算機(jī)視覺；組合導(dǎo)航；卡爾曼濾波

DOI：10.16640/ki.37-1222/t.2016.22.256

0 引言

隨著無人機(jī)技術(shù)的發(fā)展，導(dǎo)航系統(tǒng)的種類也越來越多，通常有慣性導(dǎo)航系統(tǒng)、衛(wèi)星導(dǎo)航系統(tǒng)、多普勒導(dǎo)航系統(tǒng)和地形輔助導(dǎo)航系統(tǒng)等[1]。然而，單一的導(dǎo)航裝置已難以滿足當(dāng)前實(shí)際應(yīng)用中的飛行要求，多種形式的組合導(dǎo)航方案隨之產(chǎn)生，組合方案的采用使各導(dǎo)航系統(tǒng)之間取長補(bǔ)短，利用組合系統(tǒng)提供的冗余信息可以有效提高系統(tǒng)的導(dǎo)航精度和可靠性[2]。本文針對GPS/SINS組合導(dǎo)航系統(tǒng)中GPS信號易受干擾、易丟失等缺點(diǎn)，提出了SINS/GPS/視覺組合導(dǎo)航方案，提高了系統(tǒng)的可靠性和導(dǎo)航精度，具有一定的工程實(shí)際意義。

1 SINS/GPS/視覺組合導(dǎo)航系統(tǒng)方案

捷聯(lián)慣導(dǎo)系統(tǒng)SINS為主導(dǎo)航系統(tǒng)，全球定位系統(tǒng)GPS和計(jì)算機(jī)視覺系統(tǒng)則作為導(dǎo)航輔助子系統(tǒng)。SINS采用姿態(tài)解算算法將 MEMS傳感器輸出數(shù)據(jù)解算為需要的導(dǎo)航參數(shù)，GPS接收機(jī)獲取的信號經(jīng)由計(jì)算機(jī)轉(zhuǎn)換為用戶所需的機(jī)置和速度參數(shù)，而視覺系統(tǒng)則根據(jù)連續(xù)時(shí)刻的圖像信息估計(jì)機(jī)體的姿態(tài)參數(shù)[2]。利用SINS系統(tǒng)誤差模型、GPS量測誤差模型及視覺量測誤差模型構(gòu)成擴(kuò)展卡爾曼濾波器，兩個子濾波器給出局部最優(yōu)估計(jì)，再依據(jù)信息融合技術(shù)將局部估計(jì)有機(jī)合成，從而得到捷聯(lián)慣導(dǎo)系統(tǒng)狀態(tài)的全局最優(yōu)估計(jì)。SINS/GPS/視覺組合導(dǎo)航結(jié)構(gòu)如圖1所示。

2 SINS/GPS/視覺組合導(dǎo)航系統(tǒng)狀態(tài)方程的建立

本系統(tǒng)采用的組合方式為SINS分別與GPS和視覺系統(tǒng)構(gòu)成子組合，且都采用輸出校正，因而可采用同一組狀態(tài)方程。

2.1 SINS姿態(tài)誤差方程

理論上，SINS姿態(tài)矩陣滿足微分方程

（1）

其中，表示由向量構(gòu)成的反對稱矩陣，且有。

而在實(shí)際中需要考慮陀螺儀的測量誤差和計(jì)算誤差，根據(jù)相似變換法則及反對稱矩陣與向量之間的關(guān)系，可得SINS姿態(tài)誤差方程為

（2）

為了使模型適用于特定的場合且便于分析，在可接受范圍內(nèi)認(rèn)為 （2）式中陀螺測量誤差主要指陀螺隨機(jī)常值漂移 ，因而可簡化為

（3）

2 SINS速度誤差方程

理想情況下，SINS速度微分方程為：

（4）

實(shí)際系統(tǒng)中，基于誤差的SINS速度微分方程為：

（5）

其中，，為速度計(jì)算誤差；

；；；，在此只考慮主要誤差源，而加速度計(jì)測量誤差主要包含加速度計(jì)隨機(jī)常值偏置，則有；

將式（5）與式（4）相減，忽略的影響，并略去二階小量，可得速度誤差方程：

（6）

2.3 SINS位置誤差方程

機(jī)體的緯度、經(jīng)度變化分別是由北向速度分量和東向速度分量引起的，而高度信息則與地向速度有關(guān)[3]。由此確定的位置方程為：

（7）

由式（7）可得位置誤差方程如下：

（8）

（9）

（10）

將（3）、（6）、（8）～（10）式聯(lián)立即可得到SINS誤差模型，即組合導(dǎo)航系統(tǒng)的狀態(tài)方程。

3 SINS/GPS/視覺組合導(dǎo)航系統(tǒng)量測方程的建立

SINS/GPS子系統(tǒng)有兩組量測值，一組為位置量測值，即SINS和GPS接收機(jī)給出的位置信息的差值；另一組為速度量測值，即兩個系統(tǒng)給出的速度差值。而SINS/視覺子系統(tǒng)只包含一組量測值，利用視覺圖像信息估計(jì)得到的機(jī)姿信息和SINS給出的姿態(tài)角信息之間的差值作為量測值。

SINS系統(tǒng)的位置信息和速度信息可表達(dá)為真值與相應(yīng)誤差之和：

GPS全球定位系統(tǒng)的位置信息和速度信息可表示為真值與相應(yīng)誤差之差：

其中，，，分別為緯度，經(jīng)度和高度的真實(shí)值；，，為GPS接收機(jī)沿北、東、地方向的位置誤差；，，為GPS接收機(jī)沿北、東、地方向的速度誤差。兩個子系統(tǒng)的量測方程為：

（11）

其中，

4 SINS/GPS/視覺組合導(dǎo)航系統(tǒng)仿真實(shí)驗(yàn)

卡爾曼濾波是實(shí)現(xiàn)組合導(dǎo)航的關(guān)鍵性環(huán)節(jié)?；谙惹敖⒌臓顟B(tài)方程和量測方程設(shè)計(jì)擴(kuò)展卡爾曼濾波器，并將其作為導(dǎo)航系統(tǒng)子濾波器。同時(shí)，采用聯(lián)邦濾波技術(shù)對子濾波器輸出信息進(jìn)行有效融合[4]。

軌跡發(fā)生器的參數(shù)選取如下：

位置參數(shù)：初始緯度、經(jīng)度、高度，，，，。

姿態(tài)參數(shù)：，，，，，。

卡爾曼濾波器參數(shù)：初始位置誤差5m，初始速度誤差0.1m，初始平臺誤差角均為，陀螺白噪聲漂移，加速度計(jì)零偏，GPS接收機(jī)位置誤差10m，GPS接收機(jī)速度誤差0.5m/s，聯(lián)邦濾波器參數(shù)。

獲取特征點(diǎn)信息的幀間圖像間隔時(shí)間為150ms。SINS解算頻率為50Hz，GPS接收頻率為1Hz，組合頻率為1Hz。

由圖3～圖11所示誤差曲線可知，SINS/GPS系統(tǒng)的姿態(tài)角誤差波動范圍約為SINS/GPS/視覺系統(tǒng)的1.39倍；速度誤差波動范圍約為SINS/GPS/視覺系統(tǒng)的1.45倍；位置誤差中，高度、緯度和經(jīng)度誤差波動范圍分別為SINS/GPS/視覺系統(tǒng)的1.40倍、1.28倍、1.13倍，整體而言，SINS/GPS/視覺組合系統(tǒng)的誤差波動范圍減小且誤差曲線整體的收斂性優(yōu)于SINS/GPS系統(tǒng)，穩(wěn)態(tài)趨向更平穩(wěn)。綜上所述，SINS/GPS/視覺組合系統(tǒng)的導(dǎo)航定位精度優(yōu)于SINS/GPS系統(tǒng)。

此外，即使GPS信號丟失或受到干擾，系統(tǒng)仍可采用SINS/視覺組合完成導(dǎo)航任務(wù)，維持系統(tǒng)正常工作。視覺導(dǎo)航技術(shù)的輔助作用使得系統(tǒng)的可靠性增強(qiáng)。

5 結(jié)束語

無人機(jī)眾多導(dǎo)航系統(tǒng)中， SINS/GPS組合導(dǎo)航系統(tǒng)最為常見，但是，由于GPS存在信號易受干擾甚至丟失的缺點(diǎn)，以提高系統(tǒng)的精度和可靠性為目標(biāo)，分別從狀態(tài)方程和量測方程的建立、卡爾曼濾波算法及聯(lián)邦濾波等多方面進(jìn)行研究和改進(jìn)，相比SINS/GPS導(dǎo)航系統(tǒng)，本文提出的SINS/GPS/視覺組合導(dǎo)航技術(shù)在提高定位精度和系統(tǒng)可靠性方面都有著顯著的優(yōu)勢。

參考文獻(xiàn)：

[1]魏瑞軒，李學(xué)仁.無人機(jī)系統(tǒng)及作戰(zhàn)使用[M].北京：國防工業(yè)出版社，2009：23-26.

[2]萬明.基于視覺導(dǎo)航的無人機(jī)自主著陸飛行參數(shù)估計(jì)方法[D]. 南京航空航天大學(xué)，2009.

第8篇：計(jì)算機(jī)視覺常用技術(shù)范文

關(guān)鍵詞：圖像預(yù)處理；圖像增強(qiáng)；圖像銳化

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2011)27-6727-03

Image Pre-processing Technology in Tracking System

CHEN Qian-hui1, WANG Xiao-fen2

(1.School of Mechanical and Electrical Engineering, Shangqiu Institute of Technology, Shangqiu 476000, China; 2.School of Computer Science, Shangqiu Institute of Technology, Shangqiu 476000, China)

Abstract: To get precise three attitude for space goals to achieve the purpose of tracking real-time stability, it is necessary for using an effective method to process the resulting image. In this paper, based on the theory of image processing, we introduce several methods of pretreatment to achieve the enhancement of edge information, it is also significant for edge detection, feature extraction, matching and 3D reconstruction.

Key words: image preprocessing; image enhancement; image sharpening

目標(biāo)跟蹤研究屬于計(jì)算機(jī)視覺的范疇，也是如今比較熱點(diǎn)的研究方向之一。在日常生活、交通、國防等方面有著非常廣泛的應(yīng)用。隨著計(jì)算機(jī)技術(shù)、數(shù)字圖像處理技術(shù)的不斷發(fā)展，目標(biāo)跟蹤的方法也得到進(jìn)一步的改進(jìn)。根據(jù)計(jì)算機(jī)視覺的原理，如果能精確的模擬空中目標(biāo)的飛行情況，對我國的航天以及軍事事業(yè)都將有很大的益處。要想使空間目標(biāo)實(shí)現(xiàn)可視化，必須對跟蹤獲得的二維圖像信息進(jìn)行圖像的預(yù)處理，通過基于邊緣的特征提取的方法來實(shí)現(xiàn)跟蹤空間運(yùn)動目標(biāo)。

1 圖像預(yù)處理方法

一般對圖像的預(yù)處理包括：圖像的增強(qiáng)、圖像的濾波、圖像的銳化。

1.1 圖像增強(qiáng)

圖像增強(qiáng)是應(yīng)用計(jì)算機(jī)或光學(xué)設(shè)備通過對圖像灰度等級的變換以達(dá)到改善圖像視覺效果的處理技術(shù)。由于CCD攝像機(jī)的影響，或者是攝像機(jī)周圍環(huán)境的影響等因素，使得攝像系統(tǒng)攝取的圖像存在一些問題，為得到目標(biāo)的精確信息達(dá)到研究目的，必須對圖像進(jìn)行預(yù)處理。

1) 直方圖

灰度直方圖是圖像最基本的統(tǒng)計(jì)特性。其橫坐標(biāo)是灰度級，縱坐標(biāo)是該灰度級出現(xiàn)的頻度。用Pr(rk)=nk/n0≤rk≤1k=0,1,2,…,l-1，表示。式中：nk為圖像中出現(xiàn)rk級灰度的像素?cái)?shù)，n是圖像像素?cái)?shù)，而nk/n即為頻數(shù)。

由直方圖分析，有助于我們確定圖像閾值處理。其中最常用、重要方法是直方圖修正，特別是直方圖均衡。用圖像f(x,y)的直方圖代替灰度的分布密度函數(shù)pf(f)，則直方圖均化后圖像g為：。若原圖像f(x,y)在像素點(diǎn)(x,y)處的灰度為rk，則直方圖均化后的圖像g(x,y)處的灰度sk為：，T[rk]是灰度變換函數(shù)。由于ni/N只是圖像灰度級概率密度函數(shù)的近似，因此經(jīng)過直方圖均衡后，得到坦直方圖。

2) 灰度變換

灰度變換法分3種：線性、分段線性及非線性變換。

A 線性變換

假定原圖像f(x,y)的灰度范圍為[a,b],希望變換后圖像g(x,y)的灰度范圍擴(kuò)至[c,d]，則線性變換可表示為，若圖像灰度在[0,Mf]范圍保持f(x,y)灰度低端和高端值，表達(dá)式分別為：

B 分段線性變換

對灰度區(qū)間[0,a]和[b,Mf]加以壓縮，對灰度區(qū)間[a,b]進(jìn)行擴(kuò)展?？刹捎梅侄尉€性變換，其表達(dá)式為：

C 非線性變換

非線性點(diǎn)運(yùn)算對應(yīng)于非線性映射函數(shù)，典型的映射包括平方函數(shù)、對數(shù)函數(shù)。截取函數(shù)、閾值函數(shù)、多值量化函數(shù)等。如對數(shù)及指數(shù)函數(shù)表達(dá)式分別為，g(i,j)=bc[f(i,j)-1]-1。

1.2 圖像噪聲及平滑濾波

1) 模板操作和卷積運(yùn)算

模板操作是數(shù)字圖像處理中常用的一種運(yùn)算方式，圖像平滑、銳化及后討論的細(xì)化、邊緣檢測等都要用到模板（如表1）。

2) 鄰域平均法

鄰域平均法是一種利用Box模塊（如表1）對圖像進(jìn)行模塊操作（卷積運(yùn)算）的圖像平滑方法，其主要優(yōu)點(diǎn)是算法簡單，計(jì)算速度快，但會造成圖像一定程度上的模糊。其數(shù)學(xué)含義是：，式中：(x,y)=0,1,...,N-1;S是以(x,y)為中心的鄰域集合，M是S內(nèi)的點(diǎn)數(shù)。

3) 中值濾波

中值濾波是一張非線性信號處理方法，與其對應(yīng)的中值濾波器即是一種非線性濾波器。一維fi序列公式表示為：

。

而二維中值濾波表示為：yij=Med A{fij}，其中：A為窗口；{fij}為二維數(shù)據(jù)序列。

復(fù)合型中值濾波：中值濾波線性組合、高階中值濾波組合、加權(quán)中值濾波及迭代中值濾波等。其中線性組合方程為：

，

高階中值濾波組合為：，式中ak為不同中值濾波的系數(shù)。

4) 空間域低通濾波

從信號頻譜看，信號緩慢變化部分在頻率域?qū)俚皖l部分，而信號迅速變化部分屬頻譜域高頻部分。由于圖像邊緣及噪聲干擾頻率分量都處于頻率域較高部分。故可采用低通濾波方法去除噪聲（如表1）。

5) 頻率域低通濾波

利用卷積定理得表達(dá)式G(u,v)=H(u,v)F(u,v)，其中F(u,v)是含噪聲圖像傅里葉變換，G(u,v)是平滑后圖像傅里葉變換，H(u,v)是低通濾波器傳遞函數(shù)（系統(tǒng)框圖如圖1）。

常用的頻率域低通濾波器有：理想低通濾波器、巴特沃思低通濾波器、指數(shù)低通濾波器、梯形低通濾波器。

6) 多幅圖像平均法

一幅有噪聲圖像f(x,y)，可看作由原始無噪聲圖像g(x,y)和噪聲n(x,y)疊加而成，即f(x,y)= g(x,y)+ n(x,y)，若疊加在圖像上的噪聲n(x,y)是非相關(guān)、具有零均值的隨機(jī)噪聲時(shí)，可針對一目標(biāo)物在相同條件下作M次重復(fù)攝取的圖像相加，取平均值作為輸出圖像，便可對圖像中噪聲進(jìn)行平滑。

1.3 圖像銳化

圖像平滑往往使圖像邊界、輪廓變得模糊，而圖像銳化是一種使原有圖像信息變得有利于人們觀看的質(zhì)量，目的是為了改善圖像視覺效果，消f(x,y)圖像應(yīng)有對象邊緣變得輪廓分明。

1) 梯度法

圖像銳化常用方法是對圖像微分處理。其最常用處理方法是梯度法。設(shè)f(x,y)方向?qū)?shù)為?鄣f/?鄣x，表示其在某一方向α上變化率，且，其中，稱為飛f(x,y)的梯度，可知當(dāng)時(shí)，方向?qū)?shù)取最大值。

2) Sobel 算子

索貝爾算子是一組方向算子，從不同方向檢測邊緣。它通常對灰度漸變和噪聲較多圖像處理較好。常用的梯度銳化算法有Roberts、Isotropic Sobel、Prewitt 和Krisch算子（如表2所示），且都是用差分方法對梯度運(yùn)算近似處理。

3) 拉普拉斯算子

Laplacian 算子是二階導(dǎo)數(shù)算子，它既能增強(qiáng)圖像高頻分量，又能保持低頻分量，是圖像增強(qiáng)的有效方法。常用于基于偏導(dǎo)數(shù)運(yùn)算的一種各向同性的線性組合運(yùn)算的邊緣增強(qiáng)算子（如表1）。

4) 高通濾波銳化

圖像中邊緣部分與其頻譜的高頻分量相對應(yīng)，因此采用高通濾波讓高頻分量通過，實(shí)現(xiàn)圖像銳化（如表2），算子為：。

2 總結(jié)

為獲取序列二維圖像特征點(diǎn)、線、面，實(shí)現(xiàn)空間三維目標(biāo)重建及動態(tài)軌跡模擬，以實(shí)現(xiàn)空間運(yùn)動目標(biāo)的實(shí)時(shí)跟蹤，對圖像信息進(jìn)行預(yù)處理是必要的。本文通過圖像增強(qiáng)、圖像噪聲與濾波、圖像平滑與銳化等一系列圖像處理方法的介紹，通過模擬仿真就可得到邊緣被加強(qiáng)的處理圖像，進(jìn)而實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)穩(wěn)定跟蹤。

參考文獻(xiàn)：

[1] 何東健,數(shù)字圖像處理[D].西安:西安電子科技大學(xué),2003.

[2] 閆娟.數(shù)字圖像的平滑處理方法研究[J].軟件導(dǎo)刊,2009,8(1):182-184.

[3] 岡薩雷斯,數(shù)字圖像處理[M].3版.北京:電子工業(yè)出版社,2011.

[4] 陳娟,陳乾輝.圖像跟蹤中的邊緣檢測技術(shù)[J].中國光學(xué)與應(yīng)用光學(xué),2009,2(1):46-53.

[5] 榮瑩.用C++ Builder 實(shí)現(xiàn)數(shù)字圖像的平滑處理[J].電腦與信息技術(shù),2002,5:50-52.

[6] 王憲輝.視頻圖像中的目標(biāo)跟蹤技術(shù)研究[D].合肥:中國科學(xué)技術(shù)大學(xué),2010.

第9篇：計(jì)算機(jī)視覺常用技術(shù)范文

關(guān)鍵詞：仿射不變矩；運(yùn)動識別與跟蹤；計(jì)算機(jī)視覺

中圖分類號： TP391.4文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2011)19-4692-03

Animal Motion Detection based on Affine Invariant Moments

ZHANG Tian-jin

(School of Computer Science, Sichuan University, Chengdu 610207, China)

Abstract: Due to its appealing simplicity in mathematics and versatility, the moment technique is widely used in many areas, such as computer vision and pattern recognition. Combining with the high operation speed of frame difference detection technology, the moving target detection algorithm, based on affine invariant moments and frame difference area, is proposed. Firstly, the algorithm picks up moving region by using the distance frame-difference method. Then it calculates the invariant moment characteristic quantities of the detected moving targets. At last, identification to these quantities will be achieved by neural network. Test results show that the method can detect moving targets without missing, overcome the weakness that the target would be undetectable when suddenly stop, and at the same time, the method improves the computational speed.

Key words: affine invariant moments; Animal motion detection; computer vision

運(yùn)動目標(biāo)的檢測與跟蹤是計(jì)算機(jī)視覺研究的基礎(chǔ)任務(wù)和關(guān)鍵技術(shù)之一，已經(jīng)有了多年的研究歷史。它融合了圖像處理、模式識別、人工智能、自動控制等許多領(lǐng)域的前沿技術(shù)，在視頻監(jiān)控、視頻會議、人機(jī)交互等領(lǐng)域有著廣泛的應(yīng)用。對于運(yùn)動目標(biāo)檢測和跟蹤的許多關(guān)鍵技術(shù)：例如目標(biāo)檢測、運(yùn)動分析、遮擋處理、目標(biāo)分類、圖像穩(wěn)定、圖像信息融合等，國內(nèi)外許多學(xué)者進(jìn)行了大量的研究?；谀０迤ヅ洹⒒诠饬鲌?、基于神經(jīng)網(wǎng)絡(luò)、基于圖像分割技術(shù)等運(yùn)動目標(biāo)檢測方法已經(jīng)被提出；基于灰度變化、基于特征、基于變換、基于可變模型的運(yùn)動目標(biāo)跟蹤方法也日趨成熟;基于分層模型、基于水平集等遮擋處理方法也相繼提出；同時(shí)也涌現(xiàn)出一批實(shí)際的運(yùn)動檢測和跟蹤系統(tǒng)。

該文提出了一種基于隔幀差分區(qū)域結(jié)合仿射不變矩的運(yùn)動目標(biāo)檢測方法，并且進(jìn)行了試驗(yàn)。

1 動物的特征提取及不變矩

1.1 矩的概念

矩(Moments)是一種用來描述邊界或區(qū)域形狀的描述子，而不變矩(Invariant Moment)則是由基本的矩衍生而來。

矩(Ordinary Moments)：灰度分布為f(x,y)的圖像其二維(i+i)

階矩的定義如下：

(1)

中心矩表達(dá)式如下：

(2)

其中，

1.2 矩的平移、伸縮、旋轉(zhuǎn)不變性

HU根據(jù)二階和三階中心矩的非線性組合，構(gòu)成了7個不變矩表達(dá)式：

(3)

其中

1.3 仿射不變矩

現(xiàn)實(shí)情況下，動物的形體一般都存在仿射變形，為了對動物進(jìn)行更好的運(yùn)動識別及跟蹤，故引用F． JAN 等人在HU 不變矩的基礎(chǔ)提出的仿射不變距，以下出了仿射不變矩，以下是具有二階和三階中心距構(gòu)成的仿射不變矩：

(4)

2 試驗(yàn)及結(jié)果分析

2.1 視頻預(yù)處理

視覺系統(tǒng)在圖像的生成和處理過程中, 由于各種干擾因素, 往往產(chǎn)生干擾, 形成噪聲, 降低圖像質(zhì)量。因此, 在圖像處理與分析之前, 需通過去噪處理改善圖像質(zhì)量。該文采用的是基于空間域的中值濾波，中值濾波器是一種常用的非線性平滑濾波器，基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)鄰域內(nèi)各點(diǎn)的中值代換。設(shè)f(x，y)表示數(shù)字圖像像素點(diǎn)(x，y)的灰度值，濾波窗口為A的中值濾波器可以定義為：

(x, y)=MDE{f(x, y)}(x,y)∈A (5)

當(dāng)n為奇數(shù)時(shí)，n個數(shù)x1，x2，…，xn的中值就是按數(shù)值大小順序處于中間的數(shù)；當(dāng)n為偶數(shù)時(shí)，我們定義兩個中間數(shù)平均值為中值。

2.2 運(yùn)動區(qū)域的檢測

本實(shí)驗(yàn)所選擇的是大白鼠的運(yùn)動視頻，從而實(shí)現(xiàn)對大白鼠的運(yùn)動檢測及跟蹤。為了提高檢測速度及減少計(jì)算量， 該文采用隔幀差分法先檢測包含運(yùn)動目標(biāo)的區(qū)域,具體的過程描述如下：

1) 視頻序列圖像在經(jīng)過中值濾波預(yù)處理后，去掉了圖像隨機(jī)噪聲, 再將彩色的視頻幀圖像進(jìn)行灰度變換, 得到灰度圖像;

2) 在經(jīng)過灰度變換后的動態(tài)視頻幀圖像中，以間隔n幀選取三幀圖像, 其中前一幀圖像fi-n(x,y), 當(dāng)前幀圖像fi(x,y), 下一幀圖像fi+n(x,y)。當(dāng)n=1時(shí), 就是傳統(tǒng)連續(xù)幀差分計(jì)算, 當(dāng)n=2時(shí)，為隔1幀差分，當(dāng)n=3時(shí)，為隔2幀差分, 依次類推。隔幀的時(shí)間間隔選擇取決于運(yùn)動目標(biāo)的速度和大小, 對快速運(yùn)動或者大的物體, 需要選擇較小的時(shí)間間隔; 對慢速運(yùn)動或者弱小的物體, 需要選擇較大的時(shí)間間隔; 本試驗(yàn)中因?yàn)榘资筮\(yùn)動較慢，故n取值較大。

3) 計(jì)算當(dāng)前幀與前一幀的前向幀差圖像 (x,y) 和下一幀與當(dāng)前幀的后向幀差圖像(x,y), 對隔幀差分后的圖像進(jìn)行閾值化處理, 得到隔幀差分后的二值圖像。

4) 計(jì)算幀差圖像 (x,y) 和 (x,y) 的交集得到運(yùn)動目標(biāo)的運(yùn)動區(qū)域En(x,y)。

(6)

(7)

(8)

其中，T為圖像二值化時(shí)的閾值。

隔幀差分的方法不僅能完整檢測到大的目標(biāo),算法實(shí)現(xiàn)簡單，程序設(shè)計(jì)復(fù)雜度低；對光線等場景變化不太敏感，能夠適應(yīng)各種動態(tài)環(huán)境，穩(wěn)定性較好。

2.3 不變矩的計(jì)算

1) 令i、j分別為0、1、2, 根據(jù)式1求出其(i+j)階幾何矩m10, m01, m11, m20, m02, m30, m03, m12, m21。同時(shí)求得x=m10/m00, y=m01/m00 。

2) 根據(jù)式2求出其(i+j)階中心矩u11,u20,u02,u30,u03,u21,u12。

3) 計(jì)算出仿射不變矩Φ1～Φ4。

2.4 不變矩特征匹配

在得到仿射不變矩的特征向量后，就進(jìn)入分類識別的過程了。該文選取的是BP網(wǎng)絡(luò)來實(shí)現(xiàn)分類識別。將Φ1～Φ4作為訓(xùn)練樣本輸入BP網(wǎng)絡(luò)，當(dāng)輸出誤差過大或大于指定的門限時(shí)就停止訓(xùn)練。具體的識別是通過分別計(jì)算模板的特征向量與每個待匹配區(qū)域特征向量的歐氏距離D，預(yù)先設(shè)定一個閾值R來確定二者的相似度，如果D

其中圖1為該文試驗(yàn)所采用的原視頻，圖2為檢測并且腐蝕掉尾巴之后的白鼠。

2.5 運(yùn)動路線的跟蹤

1) 通過膨脹腐蝕算法將白鼠的尾巴去掉，為了便于計(jì)算白鼠的幾何中心點(diǎn)。

2) 計(jì)算老鼠的重心，取出當(dāng)前幀老鼠的重心，以此重心周圍的5×5個像素代表老鼠的重心，并將該重心染成紅色。

圖3為該文所采用的方法試驗(yàn)的最終結(jié)果。紅色的線為白鼠的運(yùn)動軌跡。

3 結(jié)論

該文結(jié)合隔幀差分的方法和仿射不變矩的優(yōu)點(diǎn), 提出了一種實(shí)時(shí)運(yùn)動目標(biāo)的檢測方法。并且該文所提的運(yùn)動目標(biāo)檢測與識別原理清晰, 不僅能較完整地檢測出運(yùn)動目標(biāo), 克服了對突然停止目標(biāo)會出現(xiàn)檢測檢測不出來的弱點(diǎn)。同時(shí)試驗(yàn)結(jié)果表明：采用仿射不變矩方法來提取白鼠的特征是非常有效地，其特征提取算法又具有較強(qiáng)的抗噪優(yōu)點(diǎn)，因此該算法獲得了很高的識別率和運(yùn)算速度。

參考文獻(xiàn)：

[1] 劉進(jìn)，張?zhí)煨颍畧D像不變矩的推廣[J]. 計(jì)算機(jī)學(xué)報(bào)，2004,27(5):668-674.

[2] 范立南, 徐心和. 基于不變矩特征和神經(jīng)網(wǎng)絡(luò)的圖像模式模糊分類[J]. 東北大學(xué)學(xué)報(bào)(自然科學(xué)版), 2004,25(8):738-741.

[3] 謝林海,劉相濱. 基于不變矩特征和神經(jīng)網(wǎng)絡(luò)的步態(tài)識別[J]. 微計(jì)算機(jī)信息, 2007,7(1):279-281.

[4] 張濤，費(fèi)樹岷，李曉東．基于GA-RBF神經(jīng)網(wǎng)絡(luò)及邊界不變特征的車輛識別[J]. 智能系統(tǒng)學(xué)報(bào)，2009,4(3):278-282.