導(dǎo)語：如何才能寫好一篇計(jì)算機(jī)視覺概述，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：裝飾工程識圖；預(yù)算教學(xué)；裝飾材料構(gòu)造；計(jì)價(jià)軟件

中圖分類號：G642.0 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-0568（2012）29-0131-03

環(huán)境藝術(shù)設(shè)計(jì)作為設(shè)計(jì)行業(yè)的重要方向之一，主要是針對室內(nèi)及景觀等環(huán)境方向的設(shè)計(jì)。因?yàn)椋容^注重造型藝術(shù)、環(huán)境心理學(xué)及相關(guān)人文知識的研究與表達(dá)，所以在學(xué)科體系上一直被劃分在文科或者藝術(shù)學(xué)。但是，又由于它與工程項(xiàng)目有著不可分割的聯(lián)系，所以在類似建筑裝飾材料、構(gòu)造、工程預(yù)算等技術(shù)經(jīng)濟(jì)類課程中，也是這些課程的專業(yè)建設(shè)所絕對不能忽視的。無論在室內(nèi)設(shè)計(jì)或景觀設(shè)計(jì)的方案階段，還是在設(shè)計(jì)師與施工單位進(jìn)行技術(shù)交底等過程中，這些知識都是將設(shè)計(jì)理論由圖紙變?yōu)楝F(xiàn)實(shí)的不可或缺的重要橋梁，直接影響了設(shè)計(jì)產(chǎn)品最終的實(shí)用與美觀。尤其是工程預(yù)算，設(shè)計(jì)方案往往成為是否被接受、工程是否能順利實(shí)施的決定因素之一?？梢钥吹?，高校環(huán)境藝術(shù)專業(yè)的畢業(yè)生在進(jìn)入社會求職時(shí)，如果能熟悉裝飾構(gòu)造、材料及工程預(yù)算等技術(shù)經(jīng)濟(jì)類知識，往往更受公司青睞，有時(shí)甚至是錄取的必備條件。

但在實(shí)際教學(xué)過程中卻不難發(fā)現(xiàn)，由于環(huán)境藝術(shù)專業(yè)在各高校設(shè)立的歷史并不長，師資又多以藝術(shù)學(xué)專業(yè)為主，所以針對這類課程的教學(xué)現(xiàn)狀不容樂觀。以《建筑裝飾預(yù)決算》課程為例，本身具有濃重的理工科特點(diǎn)，而學(xué)習(xí)對象是以往以單一的美術(shù)練習(xí)為主的學(xué)生，這類學(xué)生對類似課程表現(xiàn)出輕視或?qū)W習(xí)能力的欠缺，再加上教師在教學(xué)安排中理論與實(shí)踐的聯(lián)系不夠，導(dǎo)致學(xué)生的學(xué)習(xí)興趣難以激發(fā)，教師的教學(xué)難度很大，教與學(xué)都陷入了一種尷尬的境地。因此，筆者將在《建筑裝飾預(yù)決算》課程教學(xué)實(shí)踐中總結(jié)的一些教學(xué)方法及心得提出，供大家參考。

一、提高學(xué)生學(xué)習(xí)興趣，增強(qiáng)信心

針對環(huán)藝專業(yè)學(xué)生不了解裝飾工程造價(jià)行業(yè)的事實(shí)，授課初期主要以提高學(xué)生學(xué)習(xí)興趣為出發(fā)點(diǎn)，著重介紹建筑裝飾工程預(yù)決算課程的重要性。對于大三的學(xué)生來說，最關(guān)心的是就業(yè)問題，為此在講述專業(yè)知識的同時(shí)，緊密聯(lián)系實(shí)際，介紹工程造價(jià)專業(yè)的社會應(yīng)用現(xiàn)狀，展示裝飾工程造價(jià)行業(yè)的廣闊發(fā)展前景，強(qiáng)調(diào)本課程的實(shí)用性和重要性，鼓勵(lì)學(xué)生抓住機(jī)會，在課程結(jié)束時(shí)能夠運(yùn)用計(jì)價(jià)軟件完成一份完整的工程造價(jià)文件，增加就業(yè)知識儲備。這樣既可以提高學(xué)生的學(xué)習(xí)興趣，增加學(xué)好本門課程的信心，同時(shí)還可以鼓勵(lì)學(xué)生參加造價(jià)員崗位培訓(xùn)和資格培訓(xùn)，爭取畢業(yè)后能夠持證上崗。實(shí)踐證明，第一次課程的專業(yè)介紹和鋪墊工作，為今后課程的順利開展打下了良好的基礎(chǔ)。具體措施舉例說明如下：

在第一堂課上先撇開課本，主要從四個(gè)方面和學(xué)生討論：第一，學(xué)習(xí)該課程的目的。這是學(xué)生最關(guān)心的問題，只有在這方面讓他們心服口服，才會對本課程產(chǎn)生濃厚的興趣。當(dāng)他們得知學(xué)完本課程所能從事的職業(yè)后，更會加深對本課程學(xué)習(xí)的渴望。第二，這門課的難易程度。當(dāng)學(xué)生得知只須運(yùn)用加、減、乘和面積、體積的計(jì)算公式后，便會放棄"怕"的念頭。第三，這門課程與其它課程的關(guān)系。當(dāng)學(xué)生得知本課程與已學(xué)過的和今后將要學(xué)習(xí)的幾門專業(yè)課都有關(guān)聯(lián)后，更會加深對這門課重要性的認(rèn)識，使之不會輕言放棄。第四，課程內(nèi)容。當(dāng)學(xué)生得知整門課每個(gè)部分都只圍繞工程量計(jì)算規(guī)則和定額套用與換算后，更覺得有規(guī)律可循，學(xué)起來會更容易。這樣，就緊緊抓住了學(xué)生的求知欲，調(diào)動了他們的學(xué)習(xí)興趣，使他們興趣盎然，產(chǎn)生一種躍躍欲試的沖動，教學(xué)效果自然“水到渠道”。

二、裝飾工程識圖與預(yù)算教學(xué)有機(jī)結(jié)合

識圖是建筑裝飾預(yù)決算學(xué)習(xí)的起點(diǎn)，是學(xué)習(xí)《建筑裝飾預(yù)決算》課程的必經(jīng)之路，也是學(xué)生學(xué)習(xí)中的難點(diǎn)。學(xué)生往往在識圖環(huán)節(jié)就望而卻步，還沒有進(jìn)入預(yù)算的學(xué)習(xí)就敗下陣來，那么教師在后面的教學(xué)中，即使使出渾身解數(shù)、講得天花亂墜，學(xué)生仍興趣寡然。究其原因，連圖紙都沒看懂，當(dāng)然就更提不上預(yù)算知識的學(xué)習(xí)了。因此，在具體的教學(xué)中，應(yīng)做到識圖教學(xué)與預(yù)算教學(xué)的有機(jī)結(jié)合，并且把二者都落到實(shí)處。

制圖識圖是環(huán)藝專業(yè)學(xué)生的基本功，似乎并不應(yīng)該成為預(yù)算的畔腳石。但在實(shí)際工作中，完成一個(gè)方案是需要一個(gè)團(tuán)隊(duì)甚至幾個(gè)單位的合作，很多時(shí)候一套圖紙是由多人共同制作完成，由于繪圖人員水平參差不齊，導(dǎo)致最終審圖時(shí)出現(xiàn)很多問題。例如，墻面裝修立面不全，無詳細(xì)剖面圖；吊頂標(biāo)高與實(shí)際高度不符；地面平面尺寸與原建筑施工圖紙存在差異；框架梁的高度與原結(jié)構(gòu)圖不符；建筑做法及說明不詳細(xì)，等等。有經(jīng)驗(yàn)的預(yù)算人員只看圖紙不到現(xiàn)場有時(shí)還會摸不著頭腦，何況學(xué)生呢？在審核時(shí)，教師除了以圖紙為依據(jù)外，還要與繪圖者進(jìn)行溝通，一些常見的標(biāo)準(zhǔn)圖集要熟記于心，可以做一些合理的推測。還有一條最重要卻往往被忽視的原則，那就是實(shí)地現(xiàn)場測量才是驗(yàn)證數(shù)據(jù)是否準(zhǔn)確、審核裝飾圖是否正確的最終依據(jù)。所以在識圖教學(xué)中，建議增加現(xiàn)場教學(xué)的比重，即學(xué)生親臨現(xiàn)場，圖紙與實(shí)物相聯(lián)系，以圖看物，以物解圖，由平面轉(zhuǎn)化為立體，由立體再回到平面。識圖的學(xué)習(xí)與預(yù)算的學(xué)習(xí)不能割裂，兩者應(yīng)并行不悖、互相滲透，做到有的放矢。同時(shí)，盡量尋找一些簡單而且已竣工的標(biāo)準(zhǔn)連鎖化工裝圖紙，如中國建設(shè)銀行或者肯德基餐廳，其裝飾風(fēng)格基本一致，類似工程隨處可見，圖紙既簡單又有普遍性，隨時(shí)可以現(xiàn)場應(yīng)征。

篇2

關(guān)鍵詞：OpenCV；計(jì)算機(jī)視覺技術(shù)；三維模擬技術(shù)

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2015）30-0137-02

21世紀(jì)是國際計(jì)算機(jī)技術(shù)高度發(fā)展的時(shí)代，人們生活中的每個(gè)角落都可以看到計(jì)算機(jī)技術(shù)的身影，尤其是現(xiàn)代計(jì)算機(jī)視覺技術(shù)和圖像處理功能發(fā)展更加迅猛，各技術(shù)分支也逐漸趨于成熟。計(jì)算機(jī)視覺技術(shù)主要指的就是利用智能計(jì)算機(jī)系統(tǒng)來代替人類的眼睛對現(xiàn)實(shí)三維世界進(jìn)行辨識和理解，整個(gè)過程均是計(jì)算機(jī)自我學(xué)習(xí)的過程，而隨著這項(xiàng)技術(shù)研究的不斷深入，其不再僅僅包含計(jì)算機(jī)技術(shù)科學(xué)，同時(shí)還涉獵了包括生理學(xué)、神經(jīng)學(xué)、物理學(xué)、應(yīng)用數(shù)學(xué)等多門學(xué)科，為人類科技的進(jìn)步提供了有效的動力。

1 計(jì)算機(jī)對視頻中運(yùn)動物體檢測的原理概述

在現(xiàn)代計(jì)算機(jī)技術(shù)基礎(chǔ)下，對視頻當(dāng)中的運(yùn)動物體檢測原理主要包括兩種，分別是從微觀和宏觀的角度出發(fā)。其中宏觀檢測技術(shù)指的是當(dāng)計(jì)算機(jī)截取了視頻中的某一個(gè)圖像，其以整幅圖像為對象進(jìn)行檢測；微觀檢測技術(shù)是指在截取圖像后，根據(jù)實(shí)際需求對某一區(qū)域內(nèi)的圖像內(nèi)容進(jìn)行檢測。在計(jì)算機(jī)視覺技術(shù)實(shí)際應(yīng)用時(shí)，其第一步就是對圖像的采集，第二步是對已經(jīng)采集的圖像進(jìn)行預(yù)分析處理，如果采用宏觀檢測技術(shù)則對圖像整體進(jìn)行分析；如果采用微觀檢測技術(shù)則首先將圖像進(jìn)行分割，然后對分割后各圖像內(nèi)容中出現(xiàn)的運(yùn)動物體影像進(jìn)行分析。在圖像數(shù)據(jù)獲取過程中應(yīng)用的是背景差分法，這一技術(shù)主要是將背景和運(yùn)動物體進(jìn)行分離提取，以獲取沒有背景圖像的運(yùn)動物體影像數(shù)據(jù)。還可以利用幀間差分法，這種方法主要是對一個(gè)視頻圖像的逐幀畫面進(jìn)行差別比較，從而獲得各幀圖像上的差值，而將這些差值幀圖結(jié)合起來就是一個(gè)物體在計(jì)算機(jī)視覺下的運(yùn)動軌跡?，F(xiàn)代研究者更傾向于將背景和幀間差分法進(jìn)行結(jié)合運(yùn)用，這樣可以獲得無背景下的運(yùn)動物體軌跡，進(jìn)而提升計(jì)算機(jī)視覺系統(tǒng)捕捉數(shù)據(jù)的準(zhǔn)確性。

2 OpenCV的應(yīng)用概述

OpenCV是現(xiàn)代計(jì)算機(jī)視覺技術(shù)當(dāng)中具有開源性的視覺庫，其最早是由俄羅斯Intel分公司所研發(fā)，不僅高效，而且具有兼容的優(yōu)勢。同時(shí)與傳統(tǒng)IPL圖像處理系統(tǒng)相比，OpenCV所處理的圖像數(shù)據(jù)等級更高，例如在對運(yùn)動物體進(jìn)行特征跟蹤、目標(biāo)分割、運(yùn)動軌跡分析以及三維模型重建等方面都有著巨大的優(yōu)勢。

OpenCV本身編輯的源代碼是開放式的，編寫過程簡潔且方便，并且程序中大多數(shù)函數(shù)已經(jīng)通過了匯編的最優(yōu)化，使其能夠更加高效地被應(yīng)用。在使用OpenCV的攝像機(jī)標(biāo)定模塊已經(jīng)為用戶設(shè)計(jì)了實(shí)用性較強(qiáng)的接口，并且能夠支持Windows界面的操作平臺，使得這一技術(shù)的操作更加簡便。這一技術(shù)本身操作簡便，對于編程人員和檢驗(yàn)人員個(gè)人技能素質(zhì)要求并不高，視覺技術(shù)系統(tǒng)研發(fā)人員可以利用簡便的操作來檢驗(yàn)其設(shè)想是否能夠?qū)崿F(xiàn)，這就使得現(xiàn)代計(jì)算機(jī)視覺技術(shù)開發(fā)團(tuán)隊(duì)能夠形成更好的協(xié)作研發(fā)關(guān)系，進(jìn)一步提升技術(shù)研究效率。目前已知OpenCV編程系統(tǒng)在航空航天定位、衛(wèi)星地圖繪制、工廠大規(guī)模生產(chǎn)視覺檢測等方面得到了廣泛的應(yīng)用，同時(shí)對于無人飛行器的視覺捕捉技術(shù)也有極大的幫助。最為重要的是OpenCV編程語言的兼容性較強(qiáng)，編程人員可以根據(jù)自己的意愿對源代碼進(jìn)行披露，并且國內(nèi)也已經(jīng)形成了規(guī)模較大的交流社區(qū)，給更多同行業(yè)者提供答疑解惑的場所，進(jìn)一步擴(kuò)大了OpenCV的應(yīng)用范圍。

3 基于OpenCV的計(jì)算機(jī)視覺技術(shù)

3.1 基于OpenCV下的運(yùn)動物體檢測技術(shù)

在常規(guī)運(yùn)動物體檢測技術(shù)下，均是直接通過圖像背景和運(yùn)動物體的區(qū)分來實(shí)現(xiàn)運(yùn)動物體的捕捉。而基于OpenCV下的運(yùn)動物體檢測技術(shù)則不僅能夠針對于圖像背景的分離實(shí)現(xiàn)運(yùn)動物體的觀察，還可通過物體本身特定的信息來進(jìn)行檢測，主要包括形狀、輪廓以及顏色等。這樣就能夠?qū)崿F(xiàn)在復(fù)雜的背景當(dāng)中將特定的運(yùn)動物體完整抽離出來。其基本流程包括：首先，對影像數(shù)據(jù)當(dāng)中某一時(shí)間點(diǎn)的圖像進(jìn)行捕捉，然后對這一視頻圖像的格式進(jìn)行轉(zhuǎn)化；其次，對轉(zhuǎn)化格式后的視頻圖像進(jìn)行早期處理，并將運(yùn)動物體和復(fù)雜的背景區(qū)分開，降低周圍各環(huán)境因素對運(yùn)動物體主體圖像的影響；第三，根據(jù)完成提取后的運(yùn)動物體圖像進(jìn)行辨識，然后再從視頻當(dāng)中捕捉擁有相同特征的物體，并對該物體進(jìn)行跟蹤識別。而這一過程的實(shí)質(zhì)則在于先利用圖像捕捉技術(shù)對畫面進(jìn)行截取，然后同時(shí)利用背景差分法和幀間差分法對圖像進(jìn)行分割，逐幀地將運(yùn)動物體完成提取出來，以供計(jì)算機(jī)進(jìn)行視覺跟蹤處理。

3.2 基于OpenCV的圖像預(yù)處理技術(shù)

一般情況下，計(jì)算機(jī)視覺處理技術(shù)應(yīng)用的環(huán)境情況較為復(fù)雜，大多數(shù)應(yīng)用環(huán)境當(dāng)中均有光照的變化，并且部分計(jì)算機(jī)視覺處理設(shè)備還需要在露天環(huán)境下進(jìn)行工作，此時(shí)周圍環(huán)境中的風(fēng)、溫度、光照、氣候以及運(yùn)動物體數(shù)量等對視頻圖像的采集均有著極大的影響。環(huán)境因素會使圖像采集的質(zhì)量大幅度降低，同時(shí)圖像當(dāng)中的噪點(diǎn)問題也難以避免，而噪點(diǎn)是視覺捕捉和圖像處理當(dāng)中最大的影響因素。因此，在基于OpenCV下的計(jì)算機(jī)視覺技術(shù)在捕捉視頻圖像之后先對其進(jìn)行預(yù)處理，然后再由系統(tǒng)對運(yùn)動物體進(jìn)行分離、檢測和跟蹤。一般的預(yù)處理過程主要包括平滑度濾波、圖像填充、背景實(shí)時(shí)更新等。

1）圖像的平滑度濾波預(yù)處理技術(shù)

由于在實(shí)際計(jì)算機(jī)視覺捕捉過程中圖像噪點(diǎn)是難以避免的問題，以此在對圖像中運(yùn)動物體進(jìn)行檢測前，應(yīng)該相對這些噪點(diǎn)進(jìn)行預(yù)處理，降低環(huán)境噪聲對圖像的影響。圖像的平滑度濾波處理共分為兩種方式，分別為線性和非線性。其中線性處理方式就是通過計(jì)算機(jī)處理設(shè)備的簡單運(yùn)算，對圖像當(dāng)中的噪點(diǎn)進(jìn)行直接清除，但這一技術(shù)使用后會造成截獲圖像模糊不清的情況，因此僅對噪點(diǎn)較少的圖像采用該處理方式；非線性濾波處理則是利用復(fù)雜的圖像處理運(yùn)算，將截獲圖像當(dāng)中的噪點(diǎn)無限縮小，使其不對圖像整體造成影響，并且可以有效保證圖像的局部調(diào)整，但這種處理方式在運(yùn)算時(shí)速度沒有線性濾波處理快，因此需應(yīng)用在噪點(diǎn)較多，圖像信息較復(fù)雜的處理當(dāng)中。

2）圖像的填充預(yù)處理技術(shù)

這一處理技術(shù)在使用過程中運(yùn)算速度較慢，主要是由于其需要對逐幀的圖像均進(jìn)行處理，也包括兩種處理方式，分別為邊緣填充和腐蝕膨脹處理。其中邊緣填充處理主要指的是在確定運(yùn)動物體之后，利用計(jì)算機(jī)系統(tǒng)自身的邊緣檢測處理技術(shù)，對物體的輪廓進(jìn)行辨識，并利用形態(tài)學(xué)上的漫水填充方式對運(yùn)動物體周圍的噪點(diǎn)進(jìn)行顏色填充，減小其對畫面整體元素的影響。而腐蝕膨脹處理與邊緣填充處理原理相類似，但這種處理技術(shù)主要是針對于噪點(diǎn)進(jìn)行腐蝕和膨脹，使其在畫面當(dāng)中所占比例擴(kuò)大，但對運(yùn)動物體本身不造成影響，這使運(yùn)動物體和噪點(diǎn)之間的差異就會更加明顯，就可以將噪點(diǎn)的影響降到最低，但這種處理方法的效果和攝像機(jī)本身的性能、質(zhì)量等有著密切的關(guān)聯(lián)。

3）背景的實(shí)時(shí)更新預(yù)處理技術(shù)

在進(jìn)行運(yùn)動物體和背景分離過程中，計(jì)算機(jī)系統(tǒng)需要對圖像上的背景元素進(jìn)行辨識，并對其開展初始化處理，這樣就能夠?yàn)楹笃趯?shí)時(shí)背景圖像的差異進(jìn)行凸顯，以增加前景圖像的效果，降低噪點(diǎn)對圖像的影響。在運(yùn)用這一技術(shù)時(shí)，首先要先對第一幀的圖像進(jìn)行確定，并將第一幀圖像當(dāng)中的背景圖像元素進(jìn)行辨識，然后在后期圖像更新和運(yùn)動物體檢測過程中對背景進(jìn)行實(shí)時(shí)更新處理。在更新的過程中其流程主要包括：首先，系統(tǒng)要對所讀取的畫面進(jìn)行有效的判斷，了解該圖像是否為第一幀；其次，將Opencv處理的圖像轉(zhuǎn)變?yōu)閱瓮ǖ阑叶戎担坏谌?，對轉(zhuǎn)變后的圖像進(jìn)行高斯平滑度濾波處理，將圖像當(dāng)中的噪點(diǎn)進(jìn)行去除；第四，采用形態(tài)學(xué)噪點(diǎn)填充技術(shù)對圖像當(dāng)中的噪點(diǎn)進(jìn)行二次處理，以獲得所需要更新的背景圖像。

3.3 前景運(yùn)動物體的提取技術(shù)

在計(jì)算機(jī)視覺技術(shù)進(jìn)行運(yùn)動物體的檢測時(shí)，只有有效保障檢測流程的準(zhǔn)確度，才能夠有效保障對前景運(yùn)動物體的跟蹤效果。其主要分為兩大步驟，其一是對二值化后的圖像數(shù)據(jù)進(jìn)行分割處理；其二是在圖像分析前對其進(jìn)行充分的填充處理，保證前景圖數(shù)據(jù)的完整性。同時(shí)，在前景圖像提取的過程中也分為多個(gè)步驟，其包括：首先，對所提出的前景圖像和背景圖像進(jìn)行差分處理；其次，將差分處理后的圖像二值化處理；第三，對背景當(dāng)中前景物體的輪廓或邊緣進(jìn)行辨識，根據(jù)前景圖像的輪廓對其進(jìn)行填充。由于在實(shí)際操作過程中，攝像頭所處環(huán)境的變化較大，并且會在不同場所內(nèi)的不同角度捕捉畫面，因此就需要在前景圖像提取時(shí)有效提高背景圖像實(shí)時(shí)更新的效果。

利用閥值二值化的分割方式能夠有效將前景圖像和背景圖像分離開，從而使目標(biāo)運(yùn)動物體能夠呈現(xiàn)獨(dú)立化，并且閥值分割方式開展前要相對每個(gè)像素點(diǎn)進(jìn)行確定，判斷其是否位于灰度值的范圍內(nèi)。而將該圖像的像素灰度和閥值進(jìn)行對比后會出現(xiàn)兩種結(jié)果，分別是灰度值低于或高于閥值。在實(shí)際應(yīng)用過程中，有效確定圖像的分割閥值T，就能夠降低環(huán)境當(dāng)中光照因素對圖像質(zhì)量的影響。

4 計(jì)算機(jī)視覺技術(shù)當(dāng)中的三維重建技術(shù)

1）三維重建的視覺系統(tǒng)

計(jì)算機(jī)視覺技術(shù)在對圖像進(jìn)行捕捉時(shí)可以視為是對大量的圖像信息進(jìn)行處理，從攝像機(jī)的視覺角度出發(fā)，其所輸入的圖像一般為二維屬性，但輸出的信息確是三維數(shù)據(jù)，而這種三維空間數(shù)據(jù)能夠提升對運(yùn)動物體所處空間位置、距離等描述的準(zhǔn)確性。在三維重建視覺系統(tǒng)工作過程中，其相對基本的圖像數(shù)據(jù)框架進(jìn)行確定，然后利用一個(gè)坐標(biāo)點(diǎn)建立2.5D圖像數(shù)據(jù)，即以此點(diǎn)為視角能夠觀察到的圖像數(shù)據(jù)，再將2.5D圖像數(shù)據(jù)進(jìn)行整合從而建立三維圖像。

2）雙目視覺系統(tǒng)

當(dāng)人體利用雙眼在不同角度、同一時(shí)間內(nèi)觀察同一個(gè)物體時(shí)，就可以利用算法來測量該物體和人體之間的距離，而這種方法也被稱為雙目立體感，其應(yīng)用的原理主要是人體視覺差所帶來的影響。同時(shí)利用兩臺攝像機(jī)對同一圖像從不同角度進(jìn)行觀察，就能夠獲得人體雙目觀察后的效果，因此這一三維重建技術(shù)也被稱為“雙目視覺系統(tǒng)”。兩臺不同的攝像機(jī)即可代表人體雙眼，其對圖像進(jìn)行逐幀捕獲，但由于角度不同和環(huán)境影響因素的差異，因此造成了圖像差異，必須對其捕捉的圖像進(jìn)行預(yù)處理。

3）三維重構(gòu)算法

在計(jì)算機(jī)視覺技術(shù)中對于視頻流的采集主要依靠的是彩色攝像機(jī)、紅外攝像機(jī)、紅外接收攝像頭等設(shè)備。還可以利用微軟所提供的Kinect設(shè)備，在進(jìn)行運(yùn)動物體檢測前能夠?qū)UI進(jìn)行初始化處理，將系統(tǒng)內(nèi)函數(shù)的參數(shù)設(shè)定為用戶信息深度圖、彩圖、骨骼追蹤圖等數(shù)據(jù)。在使用Kinect設(shè)備對視頻流進(jìn)行打開時(shí)，其可以遵循三個(gè)步驟，其一是彩色和深度數(shù)據(jù)的處理；其二是根據(jù)數(shù)據(jù)的索引添加顏色信息，并將其引入到深度圖數(shù)據(jù)當(dāng)中；其三是骨骼追蹤數(shù)據(jù)。

5 結(jié)束語

計(jì)算機(jī)視覺捕捉技術(shù)是現(xiàn)代計(jì)算機(jī)應(yīng)用當(dāng)中較為先進(jìn)的內(nèi)容，其應(yīng)用范圍較廣，對于運(yùn)動物體的捕捉準(zhǔn)確度較高，能夠有效推進(jìn)現(xiàn)代計(jì)算機(jī)模擬技術(shù)的發(fā)展。

參考文獻(xiàn)：

[1] 張海科.基于Opencv的人手識別與跟蹤定位技術(shù)研究與實(shí)現(xiàn)[D].昆明： 云南大學(xué)，2013.

篇3

【關(guān)鍵詞】圖像識別 邊緣檢測 小波算法

小波算法在圖形識別、壓縮等方面有著較為廣泛的應(yīng)用，且具有較高的應(yīng)用效率。在圖形識別與壓縮中實(shí)現(xiàn)小波算法的應(yīng)用，能夠更加有效地實(shí)現(xiàn)應(yīng)用數(shù)據(jù)的識別與壓縮。當(dāng)前，在圖像識別與邊緣檢測領(lǐng)域中依舊存在著計(jì)算方法相對單一的情況，這種局限性對圖像識別與邊緣檢測的進(jìn)一步發(fā)展造成了嚴(yán)重的阻礙作用。因此，要實(shí)現(xiàn)小波算法在圖像識別與邊緣檢測中的廣泛應(yīng)用，促進(jìn)其進(jìn)一步發(fā)展。

1 小波算法概述

法國地球物理學(xué)家J?Morlet在1984年首次提出了小波的概念，隨后Hardy空間分子解說研究為小波算法的誕生奠定了理論基礎(chǔ)。當(dāng)前，小波算法在圖像處理中有著非常廣泛的應(yīng)用，并且其應(yīng)用效果非常良好。小波算法主要是對非平穩(wěn)的信號進(jìn)行分析，在小波算法壓縮、平移等處理功能的支持之下，能夠從多個(gè)尺度對函數(shù)或者信號進(jìn)行分析，實(shí)現(xiàn)空間域與頻率域的具備變換，從而能夠更加有效地對信息進(jìn)行檢索。因此，小波算法屬于新興的信號處理技術(shù)。

在傳統(tǒng)的信號表示中，正交基有著非常廣泛的應(yīng)用?；瘮?shù)具有正交性，這使得基函數(shù)相應(yīng)的表示函數(shù)能夠通過內(nèi)積進(jìn)行計(jì)算。小波算法實(shí)現(xiàn)了局部化思想的發(fā)展，屬于信號的“時(shí)間――頻率”分析方法，其主要的特點(diǎn)為多分辨率分析，同時(shí)在時(shí)間域與頻率域中都能夠?qū)π盘柕木邆涮卣鬟M(jìn)行表示。

2 圖像識別中小波算法的應(yīng)用分析

圖像識別指的是通過計(jì)算機(jī)實(shí)現(xiàn)對圖像的處理、分析與理解。通過圖像識別工作能夠?qū)崿F(xiàn)不同模式目標(biāo)、對象的計(jì)算機(jī)識別工作。一般情況下，圖像識別的有效支持包括兩個(gè)方面，一方面是進(jìn)入到系統(tǒng)中的信息，另一方面是系統(tǒng)中原本保存的信息，通過對這兩種信息的對比之后實(shí)現(xiàn)對圖像的有效識別。不同的圖像具有不同的特征，計(jì)算機(jī)在進(jìn)行圖像識別的過程中通常會將視線集中在圖像較為突出的特征方面，從一個(gè)突出的特征向下一個(gè)突出的特征進(jìn)行依次掃描。因此，在圖像識別的過程中，知覺機(jī)制的工作原理為排除多余信息、識別關(guān)鍵信息，因此小波算法有著非常關(guān)鍵的作用。一般情況下，在圖像識別中實(shí)現(xiàn)小波算法的應(yīng)用，能夠有效地整理按照階段獲得的信息，以此為基礎(chǔ)形成完成的知覺映像。此外，在圖像識別中實(shí)現(xiàn)小波算法的應(yīng)用還能夠有效地處理與計(jì)算信息的細(xì)節(jié)，促進(jìn)圖像識別效率的提高。

利用冗余小波對圖像進(jìn)行J個(gè)尺度的二維小波變換，得到3?J+1幅子圖像，其公式為

[Cj?{dj1，dj2，dj3}，j=1，2，3，……，J] （1）

其中，Cj代表原圖像尺度aj上的二維小波變換得到的低頻子帶圖像；djk代表原圖像在尺度2j與方向k上的二維小波變換得到的高頻細(xì)節(jié)自帶圖像，其中k=1，2，3，分別對應(yīng)高頻子帶圖像的水平部分，垂直部分與對角線部分。

3 邊緣檢測中小波算法的應(yīng)用分析

在計(jì)算機(jī)視覺中，邊緣檢測是非常重要的核心問題之一。一般情況下，邊緣檢測的主要目的就是對數(shù)字圖像中具有明顯亮度變化的點(diǎn)進(jìn)行標(biāo)識。在邊緣檢測的過程中，圖像屬性中一些較為顯著的變化能夠?qū)χ匾录?、變化等進(jìn)行反映。例如，如果在圖像的屬性方面出現(xiàn)了表面方向不連續(xù)的情況，這就說明在這一地方存在著比較重要的事件、變化等。此外，邊緣檢測在圖像處理與計(jì)算機(jī)視覺中還發(fā)揮著特征提取的關(guān)鍵作用。實(shí)現(xiàn)了小波算法在邊緣檢測中的應(yīng)用，能夠在很大程度上實(shí)現(xiàn)相應(yīng)數(shù)據(jù)計(jì)算量的降低，同時(shí)還能夠?qū)⒂?jì)算機(jī)視覺中一些不相干的冗雜信息進(jìn)行有效的剔除，同時(shí)能夠合理地對結(jié)構(gòu)屬性進(jìn)行辨識與保留。小波算法在邊緣檢測中的應(yīng)用包括兩種類型，第一種類型為查找計(jì)算，第二種類型為穿越計(jì)算。在邊緣檢測的查找計(jì)算中，工作人員通過以查找方法為基礎(chǔ)的小波算法對計(jì)算機(jī)圖像中的一階導(dǎo)數(shù)最大值與最小值進(jìn)行尋找，從而實(shí)現(xiàn)邊緣檢測工作。在邊緣小波基選取的過程中，遵循的原則包括：第一，邊緣檢測小波應(yīng)該選擇高通濾波器，濾波器的脈沖回應(yīng)函數(shù)包括奇對稱與偶對策兩個(gè)部分，

f（x）=f1（x）+f2（x），其中f1（-x）=-f1（x），f2（-x）=f2（x）

除此之外，小波算法在邊緣檢測的應(yīng)用過程中，其主要的應(yīng)用效果還包括在數(shù)據(jù)壓縮方面取得了較好的效果。小波算法首先對邊緣檢測中的線性頻率進(jìn)行分析，之后實(shí)現(xiàn)相關(guān)信息與數(shù)據(jù)的壓縮與處理，通過小波算法實(shí)現(xiàn)壓縮與處理之后，其圖像的分辨率普遍較高，出現(xiàn)這種情況的主要原因是在邊緣檢測中實(shí)現(xiàn)小波算法的應(yīng)用能夠使邊緣檢測中存在的高頻信號進(jìn)行消除，在高頻信號消除的基礎(chǔ)上對信息與數(shù)據(jù)進(jìn)行壓縮工作，從而取得較好的效果。然而，在利用小波算法實(shí)現(xiàn)邊緣檢測中的數(shù)據(jù)與信息壓縮時(shí)，工作人員還應(yīng)該關(guān)注到邊緣檢測中存在的非線性不穩(wěn)定信號，在對這些信號進(jìn)行處理的過程中，小波算法的應(yīng)用效果并不明顯。因此，在邊緣檢測中實(shí)現(xiàn)小波算法的應(yīng)用，應(yīng)該注重小波算法形態(tài)的有效選擇，從而實(shí)現(xiàn)邊緣檢測水平整體上的提升。

4 總結(jié)

隨著計(jì)算機(jī)視覺處理技術(shù)的快速發(fā)展，圖像處理與邊緣檢測中已經(jīng)實(shí)現(xiàn)了小波算法的廣泛應(yīng)用，且已經(jīng)取得了非常良好的應(yīng)用效果。因此，工作人員在圖像識別與邊緣檢測的過程中，對小波算法的應(yīng)用已經(jīng)有了非常明確的了解，通過小波算法的有效應(yīng)用能夠促進(jìn)圖像識別與邊緣檢測水平的不斷提高。

參考文獻(xiàn)

[1]喬鬧生，鄒北驥，鄧?yán)冢驯?，鄒劍臣.一種基于圖像融合的含噪圖像邊緣檢測方法[J].光電子.激光，2012，11（65）：2215-2220.

[2]馬麗亞木?阿布來孜，艾力米努.阿卜杜如蘇力.一種基于邊緣圖像融合的圖像邊緣檢測方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2012，12（41）：182-185.

[3]王婭囡，谷方，楊厚俊，范延濱，賈冬雪.基于PET醫(yī)學(xué)圖像邊緣檢測算法的研究[J].現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2014，05（42）：965-968.

[4]王曉丹，吳崇明.基于MATLAB的系統(tǒng)分析與設(shè)計(jì)--圖像處理[M].陜西：西安電子科技大學(xué)出版社，2014，02（44）：96-98.

篇4

關(guān)鍵詞計(jì)算機(jī)視覺；圖像處理；AOI；作物識別；像素

1概述

借助于計(jì)算機(jī)視覺技術(shù)的智能化，能快速識別出植物，判斷其覆蓋率，并確定其位置，有針對性地采取措施。這不僅能能降低投入，而且對我國溫室精確種植和設(shè)施農(nóng)業(yè)著重要的經(jīng)濟(jì)意義和實(shí)際價(jià)值。隨著計(jì)算機(jī)軟硬件性能價(jià)格比的提高，特別是近十年來計(jì)算機(jī)技術(shù)在各個(gè)領(lǐng)域的滲透，利用計(jì)算機(jī)視覺技術(shù)來取得植物特征并作進(jìn)一步分析已經(jīng)變得切實(shí)可行[1]。

本文針對溫室大棚采集的雜草圖像進(jìn)行研究，實(shí)現(xiàn)了一種快速植物特征提取與識別算法，能夠滿足實(shí)時(shí)地為后續(xù)變量控制提供信號的要求，為進(jìn)一步的研究工作打下了一定的基礎(chǔ)。

2圖像處理

2.1圖像分割

利用CCD彩色攝像機(jī)獲取的圖像，通過圖像采集卡將獲取的圖像以真彩色24位位圖的格式存儲。真彩色24位位圖在存儲格式上是以3個(gè)字節(jié)表示圖像中的一個(gè)像素點(diǎn)。這三個(gè)字節(jié)分別存儲像素點(diǎn)的R、G、B顏色分量值。三個(gè)值根據(jù)RGB顏色坐標(biāo)系統(tǒng)（見圖1）合成這個(gè)像素點(diǎn)的顏色值。目的一是為了獲得更多的信息量，二是為了減少圖像解壓縮的過程，加快處理速度。

圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟，也是一種基本的計(jì)算機(jī)視覺技術(shù)。隨后的圖像處理，諸如特征提取和對象識別，都依賴于圖像分割的質(zhì)量。圖像分割就是指把圖像分成各具特性的區(qū)域并提取感興趣目標(biāo)的技術(shù)和過程[2]。盡管人們在圖像分割方面做了許多研究工作，但由于沒有通用的分割理論，現(xiàn)己提出的分割算法大都是針對具體問題的，并沒有一種適合所有圖像的通用分割算法[3]。這里的圖像分割，主要是指去除

植物圖像中的土壤背景及作物殘茬。為了有效的將葉面與背景區(qū)分，要對原始圖像數(shù)據(jù)進(jìn)行選擇和變換，得到

最能反映分類本質(zhì)的特征。在此所說的圖像特征，指的是圖像中各個(gè)點(diǎn)的特征，而不是整個(gè)圖像的整體特征。

對于彩色圖像分割問題，必須充分利用彩色圖像所包含的豐富的色彩信息，選擇適當(dāng)?shù)奶卣鳎鼓繕?biāo)和背景能依據(jù)特征上的差別進(jìn)行區(qū)分，利用這個(gè)顏色特征將彩色圖像轉(zhuǎn)變成灰度圖像，再確定閾值將灰度圖像二值化。

2.2RGB和HSI坐標(biāo)系統(tǒng)

數(shù)字圖像處理中，常用的顏色坐標(biāo)系統(tǒng)有RGB和HSI坐標(biāo)系統(tǒng)（坐標(biāo)系統(tǒng)圖如圖1、圖2）。RGB顏色坐標(biāo)系統(tǒng)以紅R、綠G、藍(lán)B三種顏色為基色，其它顏色由這三種基色加權(quán)混合而成。HSI坐標(biāo)系統(tǒng)中H表示色調(diào)（Hue），S表示飽和度（Saturation），I表示密度，對應(yīng)圖像的亮度（Intensity）。面向硬件設(shè)備（如彩色顯示器和打印機(jī)等）的最常用彩色坐標(biāo)系統(tǒng)是RGB坐標(biāo)系統(tǒng)，而面向彩色處理的最常用顏色坐標(biāo)系統(tǒng)是HSI坐標(biāo)系統(tǒng)，HSI坐標(biāo)系統(tǒng)有兩個(gè)特點(diǎn)：其一，I分量與圖像的彩色信息無關(guān)；其二，H和S分量與人感受顏色的方式是緊密相連的。這些特點(diǎn)使得HSI坐標(biāo)系統(tǒng)非常適合于借助人的視覺系統(tǒng)來感知彩色特性的圖像處理算法[4]。

圖1RGB顏色坐標(biāo)系統(tǒng)圖2HSI顏色坐標(biāo)系統(tǒng)

從RGB坐標(biāo)系統(tǒng)到HSI坐標(biāo)系統(tǒng)的轉(zhuǎn)換公式如下：

在RGB顏色坐標(biāo)系統(tǒng)中，如果不考慮光照強(qiáng)度，而只對色度感興趣，則只要知道R、G、B的相對值即可。相對值r、g、b稱為色度坐標(biāo)，其計(jì)算公式如下：

（2）

其中，Rn、Gn、Bn分別是規(guī)范到0～l之間的RGB值，其計(jì)算公式如下：

（3）

式中的Rm、Gm、Bm分別是RGB顏色坐標(biāo)系中的最大分量值。不同的彩色顯示系統(tǒng)有不同的取值范圍，例如，一個(gè)24位的真彩色顯示系統(tǒng)中，Rm=Gm=Bm，此時(shí)r、g、b可按下式計(jì)算

（4）

2.3統(tǒng)計(jì)實(shí)驗(yàn)

物體的顏色是由它的反射光譜特性和光源特性所決定的。由于有生命的雜草的反射光譜特性不同于無生命的土壤背景，因而兩者在顏色上形成了鮮明的對比，但在亮度上差別不明顯。對不同土壤、土壤殘留物以及各種光照條件下的用于識別雜草顏色指數(shù)所做的研究表明，在通常情況下，植物圖像的背景即土壤有較大的r、b值，而其g值卻總小于植物本身的g值，這里r、g、b是歸一化的顏色分量，其計(jì)算公式如（4）。通過研究利用r－b、g－b、（g－b）/|r－g|和（2g－r－b）等指標(biāo)來區(qū)別植物與非植物背景是非常有效的。本文在前人的研究基礎(chǔ)上，利用AOI（Areaofinterest，感興趣區(qū)域）測試工具對大量的包含各種類型的雜草圖像進(jìn)行顏色特征的分析，采集了不同土壤、作物殘留物以及各種光照條件下溫室大棚內(nèi)的雜草圖像。統(tǒng)計(jì)研究上述四種歸一化顏色特征參數(shù)的均值和標(biāo)準(zhǔn)偏差，以及(2G－R－B)顏色特征參數(shù)和H、S、I值的均值和標(biāo)準(zhǔn)偏差。統(tǒng)計(jì)的結(jié)果如下表1、表2、表3、表4。為了便于計(jì)算，作了如下規(guī)定：為了避免分母為零的情況發(fā)生，規(guī)定在（－0.01，0.01）之間的（r－g）值為0.01；有些葉子像素的g值遠(yuǎn)大于r值，從而導(dǎo)致

（g－b）/|r－g|很小，為避免這種情況，當(dāng)（r－g）小于－0.08時(shí)，（r－g）的值設(shè)置為0.01。（注：“殘茬土壤”為含有作物殘茬的土壤）

2.4結(jié)果分析

由表l和表2可以得出以下結(jié)論：

（1）對于r、g、b三個(gè)分量值，干土大于濕土，這是因?yàn)楦赏恋姆瓷渎矢哂跐裢恋姆瓷渎?，土壤濕度越大，則r、g、b值越低。

（2）在相同的土壤濕度下，由于有麥茬等覆蓋物的區(qū)域的反射率低于沒有覆蓋物的區(qū)域，因此，其色度坐標(biāo)r、g、b較小，麥茬覆蓋率越高，則該區(qū)域的r、g、b分量值就越低。

（3）土壤、麥茬等非植物背景的紅色分量占主導(dǎo)地位，而植物部分的綠色分量g占主導(dǎo)地位，從而為植物與非植物背景的識別提供了很好的依據(jù)。

（4）植物部分的（g－b）的值比非植物部分稍高，而非植物部分的（r－g）的值稍高于植物部分，但差別都不明顯，而且偏差相對較大，不太適合于背景分割。

（5）植物部分的（g－b）/|r－g|值高于非植物部分，且差別比較明顯，所以（g－b）/|r－g|值也是背景分離的一個(gè)非常有用的顏色參數(shù)。但是（g－b）/|r－g|的值計(jì)算比較麻煩，尤其是當(dāng)（r－g）的值較小時(shí)，（g－b）/|r－g|就會變得很大，從而導(dǎo)致其偏差較大，不利于背景分割。

（6）植物部分的過綠特征（ExcessGreen，2g－r－b）大于土壤等非植物部分，非植物部分的過綠特征值一般小于等于零，而植物部分的過綠特征值一般大于等于0.20，且過綠特征的偏差都相對較小。因此，過綠特征是雜草圖像中用于背景分離的很好的閾值參數(shù)[5]。

由表3可以得出以下結(jié)論：

（7）沒有歸一化的RGB值的偏差較大，主要是因?yàn)楣庹諒?qiáng)度的變化所導(dǎo)致的。

（8）對于沒有歸一化的過綠特征（2G－R－B）而言，植物部分的值遠(yuǎn)大于零，而非植物部分的值在零附近。雖然植物部分與非植物部分的過綠特征的偏差都相對較大，但是兩部分的過綠特征值相距甚遠(yuǎn)，幾乎沒有重疊現(xiàn)象，故由沒有歸一化的RGB值所產(chǎn)生的過綠特征同樣可用于雜草圖像的背景分割，并且計(jì)算簡單，處理速度快。但光照強(qiáng)度的變化不宜過大。

由表4可以得出以下結(jié)論：

（9）植物部分的飽和度稍高于非植物部分，而且飽和度的偏差相對較大，兩部分的飽和度值交迭嚴(yán)重，故飽和度在雜草識別中沒有可以利用的信息。

（10）植物部分的亮度稍高于非植物部分，但差別甚微，而且相對偏差很大，不能用于雜草識別中的背景分割。

（11）植物部分的色度值遠(yuǎn)遠(yuǎn)高于非植物部分，土壤濕度增加時(shí)，其色度值略有增加，但幅度不大，而且色度的標(biāo)準(zhǔn)偏差相對很小，非植物部分與植物部分的色度范圍幾乎不存在重疊現(xiàn)象，故色度也是可以用于雜草背景分割的參數(shù)。

3結(jié)論

綜上所述，（2g－r－b）、（2G－R－B）、色度H三種顏色特征值都為雜草與土壤背景提供了足夠的對比度，有利于雜草圖像的背景分割。本文在圖像處理試驗(yàn)中發(fā)現(xiàn)，對于由沒有歸一化的RGB分量所產(chǎn)生的過綠特征（2G－R－B），在室內(nèi)光照強(qiáng)度相對比較穩(wěn)定的條件下，在雜草與土壤背景之間的反差很大，因而可以用于雜草圖像的背景分割，而且在這種情況下一些圖像由彩色圖像轉(zhuǎn)成灰度圖像的處理效果比采用（2g－r－b）顏色特征值的處理效果更好，結(jié)合計(jì)算機(jī)系統(tǒng)中采用的真彩色24位bmp圖像文件格式考慮，采用（2G－R－B）顏色特征值計(jì)算簡單，處理速度快，可以很好的將彩色圖像轉(zhuǎn)成灰度圖，并且為下一步的圖像分割作好了準(zhǔn)備。

本系統(tǒng)軟件通過提取圖像中每一個(gè)像素的R、G、B三個(gè)分量值計(jì)算出（2G－R－B）顏色特征值，將彩色圖像轉(zhuǎn)變成灰度圖像顯示，因而可以利用圖像的（2G－R－B）顏色特征值進(jìn)行下一步灰度圖像的閾值分割。

參考文獻(xiàn)：

[1]應(yīng)義斌，饒秀勤.機(jī)器視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)自動識別中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，2000，16(1)：4～17.

[2]何東健，楊青等.實(shí)用圖像處理技術(shù)[M].西安：陜西科學(xué)技術(shù)出版社，1998.

[3]FuKS，MuiJK.Asurveyonimagesegmentation[J].PatternRecog，1981,13(2):3～16.

篇5

關(guān)鍵詞:OpenCV;視頻處理;人流統(tǒng)計(jì)

中圖分類號:TP311文獻(xiàn)標(biāo)識碼:A文章編號:1009-3044(2010)16-4485-02

The Design of Video Human Counting System Based on OpenCV

ZHU Jun-jun, CHENG Tao, DU Ming-ming

(College of Computer Science, Sichuan normal University, Chengdu 610101, China)

Abstract: As is researched that, based on the video of human counting, the application is used widely in all areas. For example, in the giant supermarket if they use this software, it can help them to make good choices of sales and other decisions. For this kind of usage, this paper which is based on Graphics and Images and Mathematics and other relative subjects, using the tool of OpenCV,is designing a system of basing the video of human counting.

Key words: OpenCV; video processing; human counting

1 視頻的人流計(jì)數(shù)系統(tǒng)概述

1.1 應(yīng)用背景

如今體育場,劇院等大型的室內(nèi)建筑都有統(tǒng)計(jì)室內(nèi)人數(shù)的需求,各大超市也有記錄日人流量用以市場分析的需求。本項(xiàng)目正是為了解決以上需求而做的一個(gè)探索性的人流計(jì)數(shù)程序的設(shè)計(jì)開發(fā)。

1.2 解決方案

本項(xiàng)目采集通道處人流視頻,通過對人流視頻進(jìn)行智能分析得出一段時(shí)間內(nèi)該通道口的人流量。本項(xiàng)目將利用開源計(jì)算機(jī)視覺庫OpenCV,開發(fā)出一套windows平臺上的人流計(jì)數(shù)軟件。

1.3 開發(fā)環(huán)境

1) 操作系統(tǒng):Windows XP;

2) 開發(fā)工具:Visual Studio 2005,OpenCV;

3) 其他工具:SVN。

1.4 開發(fā)目標(biāo)

開發(fā)目標(biāo)是:開發(fā)出一套穩(wěn)定,高效,使用方便,準(zhǔn)確率達(dá)到90%以上的人流計(jì)數(shù)軟件。

2 算法設(shè)計(jì)

算法的功能目標(biāo)是計(jì)算感興趣區(qū)域二值圖像上的人數(shù)。本文檔設(shè)計(jì)了2個(gè)算法,程序編碼使用算法一。

2.1 不變步長檢查

算法的已知量:二值化圖像數(shù)據(jù)(包括數(shù)據(jù),高度h,寬度w,單位picel),圖像實(shí)際寬度(單位cm)?？勺冚斎?yún)?shù):檢測實(shí)際步長L(單位cm),有效覆蓋率閾值 P,有效人寬度閾值范圍(a,b,單位cm),如圖1所示。

2.2 檢測原理說明

1) 由二值化圖像的寬度除以圖像實(shí)際寬度,可得picel/cm。

2) 由檢測步長L乘以picel/cm,可得檢測象素步長K。

3) 由有效人寬度閾值范圍(a,b)和picel/cm有效人寬度閾值范圍(A,B)單位picel。

4) 將二值圖像劃分成若干個(gè)h * K的矩陣,計(jì)算矩陣元素和sum。

5) 由矩陣和sum計(jì)算矩陣覆蓋率,如果覆蓋率大于有效覆蓋率閾值P,記二值圖像寬x象素處被覆蓋。

6) 記錄連續(xù)覆蓋寬度(w1,w2),再由(A,B),計(jì)算出人數(shù)。

3 界面設(shè)計(jì)

3.1 界面設(shè)計(jì)

參數(shù)設(shè)置:

1)視頻的長度和寬度(W,L)。

2)采樣矩陣相對于視頻左上角的偏移(x,y),采樣區(qū)域的長度和寬度。

3)采樣區(qū)域的物理寬度。

4)檢測頻率。

5)檢測步長。

6)有效覆蓋率。

7)有效人寬度閾值范圍(a,b)。

4 程序流程圖

程序流程圖如圖2所示。

5 軟件模塊

軟件模塊如圖3所示。

6 功能實(shí)現(xiàn)

6.1 確定檢查區(qū)域

通過鼠標(biāo)畫一條直線作為檢測區(qū)域矩形的對角線,直線的起點(diǎn)和終點(diǎn)分別是:P1,P2。設(shè)檢測區(qū)域矩形的左上角的坐標(biāo)為M,P1與P2的差為Δx,Δy。結(jié)果如圖4所示:

M.x = P1.x(Δx>0) M.y = P1.y (Δy>0)

M.x = P1.x + Δx (Δx

檢測區(qū)域矩形可以由四元組(Offset_x,Offset_y,w,h)表示,Offset_x是相對于原始視頻x方向上的偏移,Offset_y是相對于原始視頻y方向上的偏移,w是檢測區(qū)域矩形的寬度,h是檢測區(qū)域矩形的高度。設(shè)視頻左上角的坐標(biāo)為V。

則:Offset = M-V

w = 對角線(P1,P2)在x方向上的投影。

h = 對角線(P1,P2)在y方向上的投影。

本步驟得到的最終結(jié)果是四元組(Offset_x,Offset_y,w,h),有四元組和原始視頻幀數(shù)據(jù)可以以6.2所示分離出檢測區(qū)域圖像數(shù)據(jù)。

6.2 分離檢測區(qū)域圖像數(shù)據(jù)

在這個(gè)步驟中要把檢測區(qū)域的圖像數(shù)據(jù)分離出來,存放在一片獨(dú)立連續(xù)的內(nèi)存中。執(zhí)行本步的條件:

1) 視頻當(dāng)前幀數(shù)據(jù):BYTE* pFrame;

2) 當(dāng)前幀寬度:W;高度:H;

3) 深度:Depth=24,32;

4) 檢測區(qū)域矩形可以由四元組(Offset_x, Offset_y, w, h)。

檢測區(qū)域的圖像數(shù)據(jù)為:

pFrame [W * Depth * Offset_y * i + Offset_y * Depth ],0

在程序設(shè)計(jì)時(shí)使用OpenCV的感興趣區(qū)域ROI來提取圖像數(shù)據(jù)。

6.3 檢測區(qū)域圖像數(shù)據(jù)預(yù)處理

將得到的差值圖二值化,絕對值大于常數(shù)C的置為1,其它置為0,圖像保存在一塊連續(xù)的內(nèi)存中。通過顯示二值化后的圖像來驗(yàn)證本步驟的正確性。二值圖反應(yīng)圖像的變化。

6.4 檢測變化區(qū)域

本步驟的目標(biāo)是記錄覆蓋區(qū)域,以x表示覆蓋區(qū)域距離采樣矩陣左端的距離,L表示覆蓋區(qū)域的長度。一個(gè)覆蓋表示為typedef struct{int x, int length} COVEREDAREA。將COVEREDAREA記錄到一個(gè)CList m_CoveredAreaList鏈表中,結(jié)果如圖5所示。

在每一個(gè)檢查周期中判斷m_CoveredAreaList的覆蓋區(qū)域是否變?yōu)榉歉采w區(qū)域,如果是,則將人數(shù)計(jì)數(shù)值int m_TotalPeople增加1,并從m_CoveredAreaList中移除該覆蓋區(qū)域記錄。

7 結(jié)束語

經(jīng)過實(shí)踐證明,本程序能夠按照相關(guān)的要求檢測出人數(shù)的統(tǒng)計(jì),在穩(wěn)定的情況下能夠達(dá)到90%的準(zhǔn)確程度。

參考文獻(xiàn):

[1] Zhang Z Y. A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(11):1330-1334.

[2] 陳磊.計(jì)算機(jī)視覺類庫OpenCV在VC中的應(yīng)用[J].微計(jì)算機(jī)信息,2007,4-3:209-210.

[3] 陳祖爵,陳瀟君,何鴻.基于改進(jìn)的混合高斯模型的運(yùn)動日標(biāo)檢測[J]中國圖像圖形學(xué)報(bào),2007(12):1585-1589.

[4] 文瀕,陳紅濤.基于減背景與對稱差分的運(yùn)動日標(biāo)檢測[J].數(shù)采與監(jiān)測,2007(23):99-101.

篇6

在過去的幾年里，高質(zhì)量的顯示技術(shù)發(fā)展越發(fā)迅猛，目前雙目視差信息、人類視覺系統(tǒng)的三維深度感知越來越引起學(xué)者的研究興趣。雙眼視差的呈現(xiàn)方法有多種，主要包括三大類：立體顯示、全息顯示和立體面顯示。而立體顯示技術(shù)比基于全息或容積的方法更為成熟和廣泛應(yīng)用。創(chuàng)造立體顯示的方法有多種，包括立體空間復(fù)用和時(shí)分復(fù)用技術(shù)，而且在顯示時(shí)，還有不可忽視的人的因素。本書針對立體顯示技術(shù)中人的因素提供一份詳細(xì)分析，使其在設(shè)計(jì)和使用三維顯示時(shí)能夠被充分考慮。

本書分為3部分，共8章：1.3D立體顯示中人的因素簡介：主要是對相關(guān)背景信息與知識的簡單概述，以及對全書結(jié)構(gòu)的說明。第1部分 背景信息，包括第2-3章：2.人類雙目視覺基礎(chǔ)：包括雙目視察、視覺競爭、雙目視察梯度、視覺通路等術(shù)語和概念的介紹；3.創(chuàng)建立體顯示：包括空間復(fù)用和時(shí)間復(fù)用的概念。第2部分 立體顯示中影響立體深度知覺的因素：包括第4-9章：4.低級因素：包括雙目串?dāng)_、時(shí)空復(fù)用、調(diào)節(jié)輻輳沖突等因素的介紹；5.低級因素（續(xù)）：包括瞳孔亮度的差異、兩眼間的差異對比與簡單總結(jié)；6.語境因素：包括時(shí)空頻率的影響、真實(shí)環(huán)境中的視覺與距離變化、立體顯示環(huán)境中視覺的差異等內(nèi)容；7.語境因素（續(xù)）：包括知覺的恒常性，分別是大小、遠(yuǎn)近、速度、深度的恒定，以及環(huán)境的因素；8.高級因素：包括運(yùn)動視差和航向控制、運(yùn)動視差和雙目視察的沖突、直觀推理等內(nèi)容；9.高級因素（續(xù)）：包括手/手臂跟蹤和本體、空間心理模型和工作記憶、交互式立體顯示和空間推理，最后進(jìn)行了總結(jié)。第3部分 立體顯示設(shè)計(jì)的建議，含第10章：10.對全書進(jìn)行了簡單總結(jié)，并提出若干立體顯示設(shè)計(jì)的建議。

本書通過對立體顯示相關(guān)文獻(xiàn)及應(yīng)用進(jìn)行總結(jié)，分析了從人類視覺角度對立體顯示的影響，并指導(dǎo)讀者如何從人的視覺/人的角度進(jìn)行立體顯示的設(shè)計(jì)。全書條理清晰，邏輯性很強(qiáng)，由淺入深，易于初學(xué)者迅速了解主要概念。本書適合計(jì)算機(jī)視覺、模式識別、生物視覺等領(lǐng)域的學(xué)者、碩士生及以上水平的讀者閱讀。

李亞寧，碩士研究生

（中國科學(xué)院自動化研究所）

篇7

關(guān)鍵詞：嵌入式；圖像處理系統(tǒng)；軟件設(shè)計(jì)

中圖分類號：TP3文獻(xiàn)標(biāo)識碼：A文章編號：1674-6708（2016）156-0080-02

DOI:10.16607/ki.1674-6708.2016.03.049

在很多領(lǐng)域中，由于科學(xué)技術(shù)的不斷發(fā)展，不可避免的需要使用大量的數(shù)據(jù)，面對這些算法復(fù)雜的數(shù)據(jù)，傳統(tǒng)的圖像處理系統(tǒng)已經(jīng)不能滿足要求。嵌入式圖像處理系統(tǒng)在通訊、醫(yī)藥等方面都發(fā)揮著非常重要的作用，正是因?yàn)楦鱾€(gè)領(lǐng)域獲得的圖像數(shù)據(jù)越來越多，如何對圖像數(shù)據(jù)快速準(zhǔn)確的進(jìn)行處理顯得格外重要。所以需要設(shè)計(jì)出更優(yōu)化的圖像處理。

1嵌入式系統(tǒng)概述

1.1嵌入式系統(tǒng)的概念

嵌入式系統(tǒng)是建立在計(jì)算機(jī)技術(shù)基礎(chǔ)上的應(yīng)用型專用計(jì)算機(jī)系統(tǒng)，其軟件和硬件都可以剪裁，系統(tǒng)對成本、功耗、功能都提出了更高的要求，具有可靠性強(qiáng)、體積小等優(yōu)點(diǎn)，可以實(shí)現(xiàn)對其他設(shè)備的監(jiān)視、控制和管理。隨著嵌入式系統(tǒng)的不斷發(fā)展，嵌入式系統(tǒng)已經(jīng)滲透到人們的生活中，無論是在工業(yè)、服務(wù)業(yè)還是消費(fèi)電子等領(lǐng)域都得到了廣泛的應(yīng)用。

1.2嵌入式系統(tǒng)的特點(diǎn)

與普通的計(jì)算機(jī)系統(tǒng)相比，嵌入式系統(tǒng)的專用性更強(qiáng)，一般是面向特定運(yùn)用的，嵌入式處理器一般應(yīng)用在用戶設(shè)計(jì)的特定系統(tǒng)中，集成性高、體積小、功耗低，不僅具有方便攜帶的優(yōu)點(diǎn)，操作系統(tǒng)更是實(shí)時(shí)操作的，可以滿足實(shí)時(shí)性較強(qiáng)的場合要求。將嵌入式系統(tǒng)運(yùn)用到應(yīng)用程序中，在芯片上直接運(yùn)行而不需要操作系統(tǒng)，未來可以充分利用更多的系統(tǒng)資源，用戶需要選擇RTOS開發(fā)平臺，保障軟件的質(zhì)量。嵌入式系統(tǒng)主要包括硬件系統(tǒng)和軟件系統(tǒng)，其中硬件系統(tǒng)是基礎(chǔ)，軟件系統(tǒng)是靈魂，復(fù)雜程度非常高。

2系統(tǒng)軟件設(shè)計(jì)

基于RF5軟件系統(tǒng)總體設(shè)計(jì)：嵌入式圖像處理系統(tǒng)和傳統(tǒng)處理系統(tǒng)一樣，主要包括硬件和軟件兩個(gè)方面，硬件包括系統(tǒng)的硬件平臺，軟件包括嵌入式操作系統(tǒng)和圖像處理算法兩個(gè)方面。其中硬件平臺又包括圖像儲存模塊、通信模塊和顯示模塊等，主要是為系統(tǒng)的軟件系統(tǒng)提供支持。在圖像處理過程中，硬件系統(tǒng)可以為其提供計(jì)算、顯示、存儲等條件[1]。RF5是以DSP和XDAIS為基礎(chǔ)的代碼參考框架，在DSP軟件的設(shè)計(jì)和開發(fā)中具有重要的作用，參考框架在整個(gè)程序中具有非常重要的作用，是整個(gè)運(yùn)用應(yīng)用程序的藍(lán)本。RF5的數(shù)據(jù)處理元素包括通道、單元、任務(wù)和XDAIS算法，這4個(gè)元素之間具有緊密的聯(lián)系，獨(dú)立又聯(lián)系。嵌入式操作系統(tǒng)是整個(gè)系統(tǒng)的核心系統(tǒng)，提供了包括圖形處理任務(wù)管理在內(nèi)的各項(xiàng)管理，經(jīng)過硬件的初始化、圖像信息存儲、圖像信息顯示等過程實(shí)現(xiàn)圖像處理和存儲。

3軟件模塊化程序?qū)崿F(xiàn)

3.1初始化模塊

軟件系統(tǒng)的初始化模塊主要包括處理器、RF5模塊化初始化、圖像處理算法、視頻捕獲、視頻顯示通道等。處理器和系統(tǒng)板初始化是指設(shè)備重啟之后，通過軟件配置的方式對設(shè)備進(jìn)行配置和選擇。系統(tǒng)在進(jìn)行工作的時(shí)候，初始化模塊是其執(zhí)行的第一個(gè)任務(wù)，執(zhí)行完初始化模塊之后，程序的控制權(quán)將會轉(zhuǎn)變到調(diào)度程序中，由調(diào)度程序來調(diào)度接下來的任務(wù)。

3.2視頻捕獲和顯示模塊

3.2.1視頻捕獲的實(shí)現(xiàn)

視頻捕獲主要負(fù)責(zé)將外部的視頻解碼器解碼生成的數(shù)字視頻信號采集收集起來，并且這個(gè)采集的過程非常方便，可以實(shí)現(xiàn)實(shí)時(shí)采集，最終形成的圖形處理也是可以實(shí)時(shí)處理的，可以隨時(shí)隨地對大數(shù)據(jù)的圖像進(jìn)行處理，這也是其最大的優(yōu)點(diǎn)和特點(diǎn)。采集到的數(shù)字視頻信號進(jìn)入到系統(tǒng)外擴(kuò)的存儲器中，從而實(shí)現(xiàn)視頻的捕獲。視頻采集可以自動采集，當(dāng)單元進(jìn)入自動采集狀態(tài)，完成了圖像的采集之后，視頻端口都會向系統(tǒng)自動發(fā)出中斷請求，中斷服務(wù)程序便開始發(fā)揮自身的功能，對圖像的存儲區(qū)進(jìn)行連續(xù)更新，圖像存儲區(qū)一旦更新之后，圖像采集系統(tǒng)就會采集下一個(gè)圖像數(shù)據(jù)，最終進(jìn)入一個(gè)循環(huán)。當(dāng)視頻端口的FIFO裝滿了采集的數(shù)據(jù)之后，會發(fā)生中斷信息，進(jìn)入EDMAISR中斷服務(wù)程序?qū)⒁曨l數(shù)據(jù)送入到SDRAM中[2]。

3.2.2視頻顯示的實(shí)現(xiàn)

視頻顯示的實(shí)現(xiàn)是通過視頻圖像顯示模塊來實(shí)現(xiàn)的，視頻圖像處理模塊處理后的圖像經(jīng)過顯示模塊處理，處理之后將圖像編碼成數(shù)字視頻流，標(biāo)準(zhǔn)數(shù)字視頻流經(jīng)過系統(tǒng)編碼轉(zhuǎn)化為虛擬視頻信號，經(jīng)過解碼器之后視頻流就變成了標(biāo)準(zhǔn)的模擬視頻信號，分別經(jīng)過EDMA控制器和EDMAISR之后最終進(jìn)入到視頻端口的緩沖區(qū)中，經(jīng)過緩沖器之后，信號會使EDMA中斷，送入新的圖像信號，并在顯示器上顯示出來，視頻顯示的流程。輸出作用在外部編輯器中。

3.3圖像處理模塊

圖像處理模塊比較靈活，是指在嵌入式的環(huán)境下實(shí)現(xiàn)對圖像的處理。在圖像處理系統(tǒng)中，又包括系統(tǒng)功能模塊和圖像增強(qiáng)模塊。系統(tǒng)功能中包含圖像增強(qiáng)功能，除了圖像功能之外，還包括圖像的幾何變換、形態(tài)運(yùn)輸和圖像分析。在圖像增強(qiáng)模塊中又包括圖像的預(yù)處理和邊緣檢測、直方圖修正、中值濾波、灰度變換調(diào)整，而圖像預(yù)處理又包括圖像平滑和圖像銳化。圖像平滑就是消除噪聲對圖像造成的影響，圖像平滑的處理是通過高斯低通濾波法來實(shí)現(xiàn)，這樣做雖然可以消除圖像受到噪聲的影響，但同時(shí)也存在著一定的弊端，圖像經(jīng)過處理之后會變得模糊。圖像銳化的目的就是讓模糊的圖像重新變得清晰。圖像模糊是由于圖像受到平均或積分運(yùn)算而造成的，圖像銳化就是對其進(jìn)行逆運(yùn)算，重新使圖像變得清晰[3]。

4結(jié)論

嵌入式圖像處理系統(tǒng)的軟件系統(tǒng)主要包括初始化模塊、視頻捕獲模塊、視頻顯示模塊和圖像處理模塊，在確定了整個(gè)軟件系統(tǒng)的程序流程之后，就可以分別設(shè)計(jì)紛紛模塊的程序，最終完成整個(gè)軟件系統(tǒng)的設(shè)計(jì)。

參考文獻(xiàn)

[1]吳錫強(qiáng).探析嵌入式圖像處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)光盤與軟件，2015，12（3）：307-309.

[2]蔣立豐.嵌入式圖像處理系統(tǒng)的設(shè)計(jì)與研究[D].東華大學(xué)，2013，22（21）：11-13.

篇8

圖像處理、圖像分析、機(jī)器視覺和計(jì)算機(jī)視覺是彼此緊密關(guān)聯(lián)的學(xué)科，其特點(diǎn)均具有很強(qiáng)的理論性和實(shí)踐性。如果在教學(xué)中不重視實(shí)踐教學(xué)或?qū)嵺`教學(xué)手段不力，都不利于學(xué)生創(chuàng)新能力和動手能力的培養(yǎng)。高校教師應(yīng)重視理論教學(xué)的同時(shí)，更要重視實(shí)踐教學(xué)，關(guān)鍵是要找到強(qiáng)有力的教學(xué)方式和教學(xué)手段，找到恰當(dāng)?shù)膱D像處理軟件。Matlab科學(xué)計(jì)算軟件具有豐富的圖像處理工具箱[1-2]，目前被廣泛1應(yīng)用于圖像處理的教學(xué)中。但是，機(jī)器視覺課程具有很強(qiáng)的理論和實(shí)踐性，一些功能齊全的機(jī)器視覺軟件，如Halcon和Open CV等軟件的出現(xiàn)，為提高這些課程的實(shí)踐教學(xué)效果提供了新的手段。本文將探討如何應(yīng)用Halcon軟件改進(jìn)實(shí)驗(yàn)教學(xué)方式和手段，并結(jié)合實(shí)例說明Halcon在機(jī)器視覺等課程教學(xué)中的應(yīng)用。

1 機(jī)器視覺硬件系統(tǒng)概述

機(jī)器視覺系統(tǒng)[3]是基于機(jī)器視覺技術(shù)為機(jī)器或自動化生產(chǎn)線建立的一套視覺系統(tǒng)，圖1為實(shí)驗(yàn)用機(jī)器視覺系統(tǒng)，包含攝像機(jī)、照明光源、鏡頭、圖像采集卡和計(jì)算機(jī)組成。

2 Halcon概述

Halcon 軟件是德國MVtec公司開發(fā)的一套完善的標(biāo)準(zhǔn)的機(jī)器視覺算法包[4]，是得到廣泛應(yīng)用的機(jī)器視覺集成開發(fā)環(huán)境，提供了1100多種具備突出性能控制器的庫，如圖像的運(yùn)算、圖像的幾何與數(shù)學(xué)變換、濾波、色彩分析、Blob分析、形態(tài)學(xué)計(jì)算分析、3D校正等。Halcon軟件保障與硬件無關(guān)，支持大多數(shù)圖像采集卡及帶有Directshow和IEEE 1394驅(qū)動的采集設(shè)備。

Halcon軟件包含一個(gè)功能強(qiáng)大的交互式軟件接口HDevelop，提供一個(gè)通用的瀏覽界面，訪問不同的圖像采集設(shè)備，支持Windows、Linux和Solaris運(yùn)行環(huán)境，為用戶搭建了快速有效的圖像處理程序開發(fā)平臺。它甚至可以從圖像采集設(shè)備中實(shí)時(shí)捕捉圖像。HDevelop擁有很多數(shù)據(jù)和圖像檢查的圖形工具。它的圖形用戶界面支持多種顯子語言。HDevelop具備語法檢查，語法凸現(xiàn)，函數(shù)參數(shù)的合適取值，后續(xù)操作和替代算子建議，程序調(diào)試，完整的在線幫助等功能。Halcon軟件還可以導(dǎo)出以C++、C#、C、Visual Basic或者VB.NET程序，以嵌入到其他程序中。

3 實(shí)驗(yàn)教學(xué)應(yīng)用實(shí)例

在機(jī)器視覺等課程的理論教學(xué)中，我們的教學(xué)目的是讓學(xué)生掌握相關(guān)的理論知識，在機(jī)器視覺等課程的實(shí)驗(yàn)教學(xué)階段，我們更要培養(yǎng)學(xué)生的算法編程能力和實(shí)踐應(yīng)用能力。利用Halcon軟件的高度交互式編程環(huán)境HDevelop，能編譯和測試視覺處理算法，可以方便查看處理結(jié)果。再者，Halcon軟件自帶許多圖像處理與機(jī)器視覺的相關(guān)案例，涵蓋了圖像處理與機(jī)器視覺基礎(chǔ)知識的大部分內(nèi)容[4]。我們在教授學(xué)生理論知識的同時(shí)，結(jié)合案例的講解，使學(xué)生在掌握理論的同時(shí)熟悉實(shí)踐過程，進(jìn)而培養(yǎng)學(xué)生的編程實(shí)現(xiàn)能力。因此選擇Halcon軟件作為教學(xué)軟件，成為培養(yǎng)學(xué)生圖像處理和視覺處理算法編程能力和實(shí)踐能力的又一重要手段。由于篇幅限制，這里僅以利用Blob分析算法實(shí)現(xiàn)車牌識別的實(shí)例來說明 Halcon軟件在機(jī)器視覺與數(shù)字圖像處理等課程教學(xué)中的應(yīng)用。

Blob分析算法實(shí)現(xiàn)車牌定位識別程序如下：

read_image（Image，'lisence'）

fill_interlace（Image，ImageFilled，'odd'）

threshold（ImageFilled，Region，0，90）

connection（Region，ConnectedRegions）

select_shape（ConnectedRegions， SelectedRegions，'width'，'and'，30，70）

select_shape （SelectedRegions，Letters， 'height'，'and'，60，110）

sort_region（Letters，SortRegions，'upper_left'，'true'，'column'）

read_ocr_class_mlp（'Industrial_0-9A-Z.omc'，OCRHandle）

do_ocr_multi_class_mlp（SortRegions，ImageFilled，OCRHandle，Class，Confidence）

area_center（SortRegions，Area，Row， Column）

disp_message（3600，['The result is：']， 'window'，200，150，'yellow'，'false'）

for Index：=0 to 6 by 1

disp_message（3600，Class[Index]， 'window'，200，300+20*Index，'yellow'， 'false'）endfor

上面程序中，利用read_image算子讀入要識別的車牌圖像，命名為Image，如圖2所示；通過fill_interlace算子修改在采集圖像過程中造成的兩個(gè)半幅圖像拼接的問題。接著，用threshold算子對圖像進(jìn)行閾值分割處理，分割出含有車牌的圖像區(qū)域，灰度閾值范圍為0～90；接著用connection算子將選擇出來的區(qū)域進(jìn)行相聯(lián)，形成相連區(qū)域ConnectedRegions，如圖3所示。處理后的圖像除了車牌區(qū)域使我們的感興趣區(qū)域外，其他的都為干擾區(qū)域，于是用算子select_shape通過限定width和height將車牌區(qū)域選擇出來，如圖4所示。車牌區(qū)域共有7個(gè)，從左至右排序后，利用現(xiàn)有Industrial_0～9A～Z字符庫對車牌7個(gè)部分進(jìn)行識別，用到算子do_ocr_multi_class_mlp。識別之后，利用for循環(huán)將結(jié)果用淺黃色字體顯示在窗口中，實(shí)驗(yàn)結(jié)果如圖5所示。

從上面的車牌識別實(shí)例可以看出，HDevelop交互編程環(huán)境中的函數(shù)概念清楚，用法明了，應(yīng)用簡單。由于每一個(gè)HDevelop算子的各個(gè)參數(shù)都可以在編程過程中及時(shí)調(diào)整和編輯，這樣我們在實(shí)驗(yàn)過程中對程序進(jìn)行單步調(diào)試，講解重要算子的選擇、調(diào)試和參數(shù)編輯，讓同學(xué)們看到算法運(yùn)行的每一個(gè)步驟，這樣同學(xué)們就能很快掌握相關(guān)知識點(diǎn)。Halcon具備可實(shí)時(shí)查看圖像屬性的交互對話框，來查看程序中的參數(shù)設(shè)置，灰度直方圖，特征值柱狀圖，放大鏡和特征檢測等。隨著學(xué)生對HDevelop編寫算法的掌握，后續(xù)的教學(xué)部分可以從HDevelop導(dǎo)出算法代碼并集成到應(yīng)用程序中，例如生成用戶界面等，這樣同學(xué)們就可以開發(fā)機(jī)器視覺程序，添加用戶界面，集成調(diào)試生成可執(zhí)行的應(yīng)用程序。

篇9

【摘要】2016年是“十三五”的開局之年，也是全面建成小康社會決勝階段的開局之年，設(shè)施農(nóng)業(yè)產(chǎn)業(yè)將面臨更多的機(jī)遇和挑戰(zhàn)。在以往的研究中，針對物聯(lián)網(wǎng)對設(shè)施農(nóng)業(yè)影響的研究比較多，本文將以人工智能在設(shè)施農(nóng)業(yè)領(lǐng)域應(yīng)用為視角，分析人工智能對設(shè)施農(nóng)業(yè)的潛在發(fā)展優(yōu)勢。

施農(nóng)業(yè)是集種植、農(nóng)業(yè)裝備等多領(lǐng)域?yàn)橐惑w的系統(tǒng)工程，是一種在人為可控環(huán)境下進(jìn)行的高效農(nóng)業(yè)生產(chǎn)方式，具有成套的生產(chǎn)技術(shù)、完整的設(shè)施裝備和生產(chǎn)規(guī)范[1]。近幾年，隨著信息技術(shù)的發(fā)展，物聯(lián)網(wǎng)技術(shù)逐漸被應(yīng)用到農(nóng)業(yè)生產(chǎn)和科研中，這是現(xiàn)代農(nóng)業(yè)依托新型信息化應(yīng)用的一次進(jìn)步[2]。本文結(jié)合人工智能研究成果，著重介紹人工智能技術(shù)在設(shè)施農(nóng)業(yè)種植領(lǐng)域方面的應(yīng)用前景，根據(jù)設(shè)施農(nóng)業(yè)產(chǎn)前、產(chǎn)中、產(chǎn)后3個(gè)階段，對現(xiàn)有研究成果進(jìn)行了闡述。

人工智能概述

“人工智能”一詞是1956年在Dartmouth學(xué)會上提出。從那以后，研究者們發(fā)展了眾多理論和原理，人工智能的概念也隨之?dāng)U展。人工智能（Artificial Intelligence），英文縮寫為AI，它是研究用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的新型科學(xué)技術(shù)[3]。

作為計(jì)算機(jī)科學(xué)的一個(gè)重要分支，人工智能技術(shù)著眼于探索智能的實(shí)質(zhì)，模擬智能行為，最終制造出能以人類智能相似的方式做出反應(yīng)的智能機(jī)器。著名的美國斯坦福大學(xué)人工智能研究中心尼爾遜教授對人工智能下了這樣一個(gè)定義：“人工智能是關(guān)于知識的學(xué)科，即怎樣表示知識以及怎樣獲得知識并使用知識的科學(xué)?！倍硪晃幻绹槭±砉W(xué)院的溫斯頓教授認(rèn)為：“人工智能就是研究如何使計(jì)算機(jī)去做過去只有人才能做的智能工作?！盄些說法反映了人工智能學(xué)科的基本思想和基本內(nèi)容。人工智能自誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域不斷擴(kuò)大，可以設(shè)想，未來應(yīng)用了人工智能的科技產(chǎn)品，將會是人類智慧的“容器”。

隨著人工智能技術(shù)的日益成熟，人們意識到人類已經(jīng)具備了設(shè)計(jì)和建造智慧型設(shè)施農(nóng)業(yè)所需的硬件和軟件技術(shù)條件，結(jié)合設(shè)施農(nóng)業(yè)高投入高產(chǎn)出，資金、技術(shù)、勞動力密集型的特點(diǎn)，完成工廠化農(nóng)業(yè)生產(chǎn)已經(jīng)不是夢想[4]。依靠人工智能技術(shù)，作物可以在適宜的溫度、濕度、光照、水肥等設(shè)施環(huán)境下，生產(chǎn)優(yōu)質(zhì)、高產(chǎn)的農(nóng)產(chǎn)品，擺脫對自然環(huán)境的依賴，實(shí)現(xiàn)設(shè)施生產(chǎn)的高度智能化，提高農(nóng)業(yè)生產(chǎn)的效率，降低勞動成本[5]。

人工智能在設(shè)施農(nóng)業(yè)領(lǐng)域的應(yīng)用

人工智能技術(shù)在產(chǎn)前階段的應(yīng)用

在設(shè)施農(nóng)業(yè)產(chǎn)前階段，憑借人工智能技術(shù)可對土壤、灌溉水量需求、作物品種質(zhì)量鑒別等方面做出分析和評估，為農(nóng)民做出科學(xué)指導(dǎo)，對后續(xù)的農(nóng)業(yè)生產(chǎn)起到很好的保障作用。

土壤分析是農(nóng)業(yè)產(chǎn)前階段最重要的工作之一，是實(shí)現(xiàn)定量施肥、宜栽作物選擇、經(jīng)濟(jì)效益分析等工作的重要前提[6]。在土壤分析等農(nóng)業(yè)生產(chǎn)智能分析系統(tǒng)中，應(yīng)用最廣泛的技術(shù)就是人工神經(jīng)網(wǎng)絡(luò)（簡稱ANN）。ANN是模擬人腦神經(jīng)元連接的，由大量簡單處理單元經(jīng)廣泛并互連形成的一種網(wǎng)絡(luò)系統(tǒng)，它可以實(shí)現(xiàn)對人腦系統(tǒng)的簡化、抽象和模擬，具有人腦功能的許多基本特征。目前可以通過該技術(shù)分析土壤性質(zhì)特征，并將其與宜栽作物品種間建立關(guān)聯(lián)模型。土壤性質(zhì)特征的探測主要是借助非侵入性的探地雷達(dá)成像技術(shù)，然后利用神經(jīng)網(wǎng)絡(luò)技術(shù)在無人指導(dǎo)的情況下對土壤進(jìn)行分類研究，進(jìn)而建立起土壤類別與宜栽作物的關(guān)聯(lián)關(guān)系；土壤表層的黏土含量也可通過人工智能方法預(yù)測，該技術(shù)通過分析電磁感應(yīng)土壤傳感器獲取的信號，使用深度加權(quán)方法從中提取土壤表層質(zhì)地信息，然后使用ANN預(yù)測土壤表層的黏土含量。

傳統(tǒng)農(nóng)業(yè)對灌溉用水的使用量往往依靠經(jīng)驗(yàn)，無法根據(jù)環(huán)境變化進(jìn)行精確調(diào)節(jié)，對多目標(biāo)灌溉規(guī)劃問題也無能為力。人工智能技術(shù)可幫助人們選擇合適的水源對作物進(jìn)行灌溉，保證作物用水量，大大減輕灌溉問題對作物產(chǎn)量造成的不良影響。在美國，有專家研制出一個(gè)隱層的反饋前向ANN模型和一個(gè)位于科羅拉多州地區(qū)阿肯色河流域的消費(fèi)使用模型，使用它們可勘察區(qū)域氣候變化對灌溉用水供應(yīng)和需求可能產(chǎn)生的影響。在灌溉項(xiàng)目研究中，為了選擇最好的折中灌溉規(guī)劃策略，還可基于多目標(biāo)線性規(guī)劃優(yōu)化，利用神經(jīng)網(wǎng)絡(luò)將非支配的灌溉規(guī)劃策略加以分類，將這些策略分為若干個(gè)小類別。結(jié)果表明，在對多目標(biāo)灌溉規(guī)劃問題加以建模時(shí)，綜合模型方法是有效的。

人工智能技術(shù)在產(chǎn)中階段的應(yīng)用

在設(shè)施農(nóng)業(yè)產(chǎn)中階段，主要應(yīng)用是農(nóng)業(yè)專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)技術(shù)、農(nóng)業(yè)機(jī)器人等。這些技術(shù)能夠幫助農(nóng)民更科學(xué)地種植農(nóng)作物并對溫室大棚進(jìn)行合理的管理，指導(dǎo)農(nóng)民科學(xué)種植，提高作物產(chǎn)量。這些人工智能技術(shù)的使用推進(jìn)了農(nóng)業(yè)現(xiàn)代化的發(fā)展，提高了農(nóng)業(yè)生產(chǎn)的效率，使農(nóng)業(yè)生產(chǎn)更加機(jī)械化、自動化、規(guī)范化。

專家系統(tǒng)是指應(yīng)用于某一專門領(lǐng)域，擁有該領(lǐng)域相當(dāng)數(shù)量的專家級知識，能模擬專家的思維，能達(dá)到專家級水平，能像專家一樣解決困難和復(fù)雜問題的計(jì)算機(jī)（軟件）系統(tǒng)。國際上農(nóng)業(yè)專家系統(tǒng)的研究始于20世紀(jì)70年代末期的美國，1983年日本千葉大學(xué)研制出MTCCS（番茄病蟲害診斷專家系統(tǒng)），到了20世紀(jì)80年代中期，農(nóng)業(yè)專家系統(tǒng)不再是單一的病蟲害診斷系統(tǒng)，美國、日本、中國等國家也相繼轉(zhuǎn)向開發(fā)涉及農(nóng)業(yè)生產(chǎn)管理、經(jīng)濟(jì)分析、生態(tài)環(huán)境等方面的農(nóng)業(yè)專家系統(tǒng)。農(nóng)業(yè)科研人員把人工智能中的專家系統(tǒng)技術(shù)應(yīng)用到農(nóng)業(yè)生產(chǎn)中，開發(fā)出了農(nóng)業(yè)專家系統(tǒng)。它可代替農(nóng)業(yè)專家走進(jìn)生產(chǎn)溫室，在各地區(qū)具體指導(dǎo)農(nóng)民科學(xué)種植農(nóng)作物，這是科技普及的一項(xiàng)重大突破。

在設(shè)施生產(chǎn)中可以使用機(jī)器人來代替農(nóng)民進(jìn)行作物采收，不僅可以降低勞動成本，也可以提高工作效率。Wolfgang Heinemann等人研發(fā)出的具有獨(dú)特設(shè)計(jì)結(jié)構(gòu)的采收機(jī)器人，該機(jī)器人可以在無需人類干擾的情況下自動采收白蘆筍。為了保證機(jī)器人能夠精確行進(jìn)，它使用了2個(gè)獨(dú)立的速度控制輪和級聯(lián)控制結(jié)構(gòu)（其中包含了一個(gè)內(nèi)部的定位誤差控制器和一個(gè)外部的橫向偏置控制器）。借助PID算法①，機(jī)器人系統(tǒng)可以分析自己的運(yùn)動軌跡，優(yōu)化驅(qū)動電機(jī)的控制參數(shù)，保證系統(tǒng)能夠穩(wěn)定自主的運(yùn)行。

在中國，應(yīng)用人工智能技術(shù)的智能雜草識別噴霧系統(tǒng)已經(jīng)得到了長足發(fā)展。圖像分析系統(tǒng)通過分析田間圖像的顏色模型，根據(jù)色差分量②顏色特征實(shí)現(xiàn)雜草實(shí)時(shí)識別，并基于Canny算子對識別到的雜草進(jìn)行邊緣檢測，提取其特征參數(shù)，配合超生測距等技術(shù)可以精確控制噴頭位置及用藥量[7]。該技術(shù)的應(yīng)用可以大大提高除草劑的經(jīng)濟(jì)性，對保護(hù)環(huán)境也大有益處。

人工智能技術(shù)在產(chǎn)后階段的應(yīng)用

人工智能技術(shù)在設(shè)施農(nóng)業(yè)產(chǎn)后階段也有相當(dāng)多的應(yīng)用前景。

在農(nóng)產(chǎn)品分類方面人工智能技術(shù)能提供很好的支持。張嘏偉[8]等提出了一種基于圖像識別的番茄分類方法，該方法根據(jù)番茄的表面缺陷、顏色、形狀和大小，使用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)對番茄進(jìn)行分類，并與BP訓(xùn)練神經(jīng)網(wǎng)絡(luò)③進(jìn)行了比較。結(jié)果表明，遺傳算法在訓(xùn)練次數(shù)和準(zhǔn)確性上都具有優(yōu)勢。謝靜[9]等對圖像識別分類中的圖像預(yù)處理方法進(jìn)行了研究，包括圖像噪聲去除方法、圖像分割方法、邊緣提取方法等。提出了使用改進(jìn)的canny算法④和當(dāng)量直徑法相結(jié)合來檢測水果大小的新思路，并使用模糊聚類方法處理gabor濾波器提取水果表面缺陷特征，對水果表面缺陷進(jìn)行了分類。

隨著社會的發(fā)展，人民生活水平的提高，廣大消費(fèi)者及國家都對食品安全問題越來越重視，農(nóng)產(chǎn)品質(zhì)量檢測方法也在不斷進(jìn)步。圖像識別、電子鼻等技術(shù)都應(yīng)用在了農(nóng)產(chǎn)品檢測中。李洪濤[10]等利用人工嗅覺裝置，模擬人的嗅覺形成過程分析、識別和檢測農(nóng)產(chǎn)品在腐敗過程中釋放的不同特征氣體。其制作了小型化的傳感器陣列并利用半導(dǎo)體制冷片搭建了一個(gè)PID溫度控制系統(tǒng)，保證傳感器正常工作的溫度及濕度。在當(dāng)前技術(shù)的發(fā)展下，科學(xué)家們以彩色計(jì)算機(jī)視覺系統(tǒng)為重要技術(shù)手段，綜合運(yùn)用圖像處理、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模擬退火算法以及決策樹、專家系統(tǒng)等人工智能領(lǐng)域的技術(shù)，研究出了眾多實(shí)現(xiàn)農(nóng)產(chǎn)品品質(zhì)檢測和自動分級的新方法。

草莓、葡萄等農(nóng)產(chǎn)品很容易破損和受傷，依靠人工采摘和搬運(yùn)，不僅增加了勞動成本，也影響農(nóng)產(chǎn)品采摘后的品質(zhì)。結(jié)合磁流變（MR）流體技術(shù)，工程師們設(shè)計(jì)出了一種可用于搬運(yùn)農(nóng)產(chǎn)品的磁機(jī)器人手爪，該手爪經(jīng)過精確設(shè)計(jì)，可以搬運(yùn)胡蘿卜、草莓、西蘭花和葡萄等不同形狀食品，而且不會在食物表面留下任何淤痕和凹陷。為了讓機(jī)器人手爪更為快速、準(zhǔn)確地工作，在磁流變手爪的基礎(chǔ)上結(jié)合力傳感技術(shù)開發(fā)出了更為靈活、智能的新型手爪。該手爪可在410～530 ms內(nèi)抓握50～700 g重量的農(nóng)作物，還能顯著減少細(xì)菌的交叉感染。

人工智能發(fā)展前景

近年來，人工智能技術(shù)已經(jīng)取得了長足的進(jìn)步，語音識別、自然語言識別、計(jì)算機(jī)視覺、自動推理、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)以及機(jī)器人學(xué)都在蓬勃發(fā)展。人工智能的未來就是在智能感知的前提下，結(jié)合大數(shù)據(jù)技術(shù)自主學(xué)習(xí)，橢人們做出決策、代替重復(fù)性工作。在農(nóng)業(yè)方面出現(xiàn)全天候全自動平臺，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)的全自動化[11]。物聯(lián)網(wǎng)技術(shù)在設(shè)施農(nóng)業(yè)中已經(jīng)得到普及，在溫室大棚中的大量智能傳感器是機(jī)器感知的基礎(chǔ)，而感知?jiǎng)t是智能實(shí)現(xiàn)的前提之一，通過感知，農(nóng)業(yè)數(shù)據(jù)源源不斷地匯集在一起。云計(jì)算的發(fā)展為大數(shù)據(jù)存儲和大規(guī)模并行計(jì)算提供了可能[12]，而數(shù)據(jù)則是機(jī)器學(xué)習(xí)的書本。設(shè)施農(nóng)業(yè)是物聯(lián)網(wǎng)、云計(jì)算、人工智能三大技術(shù)結(jié)合應(yīng)用的領(lǐng)域之一，它們的結(jié)合顛覆了傳統(tǒng)農(nóng)業(yè)生產(chǎn)方式。

面對眾多的新技術(shù)、新成果，把它們投入到生產(chǎn)中去才是關(guān)鍵。如何讓技術(shù)能夠適應(yīng)中國復(fù)雜的農(nóng)業(yè)生產(chǎn)環(huán)境，同時(shí)還要面對不同知識水平的用戶，這些都是人工智能技術(shù)、云計(jì)算技術(shù)等高新技術(shù)在農(nóng)業(yè)生產(chǎn)中所面臨的問題。設(shè)施農(nóng)業(yè)高產(chǎn)出高投入的特點(diǎn)，正適合應(yīng)用這些新技術(shù)，這樣既可以讓新技術(shù)有實(shí)踐的機(jī)會，又可以讓其他涉農(nóng)用戶對新技術(shù)有直觀的感知，這對技術(shù)進(jìn)步和技術(shù)推廣都很有幫助[13]。

人工智能技術(shù)雖然前景光明，但其應(yīng)用的研究才剛剛起步，離目標(biāo)還很遠(yuǎn)。未來，人工智能技術(shù)可以更好地為人們服務(wù)，改善人們的生活，并帶來巨大的社會和經(jīng)濟(jì)效益[14]。在人工智能的引領(lǐng)下，農(nóng)業(yè)已邁入數(shù)字和信息化的嶄新時(shí)代，借助其技術(shù)優(yōu)勢來提高農(nóng)業(yè)生產(chǎn)的經(jīng)濟(jì)效益，是全面實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)現(xiàn)代化、智能化、信息化的必由之路。

參考文獻(xiàn)

[1]李雪，肖淑蘭，趙文忠，等.信息技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用分析[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2008，39（3）：125-128.

[2]施連敏，陳志峰，蓋之華，等.物聯(lián)網(wǎng)在智慧農(nóng)業(yè)中的應(yīng)用[J].農(nóng)機(jī)化研究，2013（6）：250-252.

[3]劉現(xiàn)，鄭回勇，施能強(qiáng)，等.人工智能在農(nóng)業(yè)生產(chǎn)中的應(yīng)用進(jìn)展[J].福建農(nóng)業(yè)學(xué)報(bào)，2013，28（6）：609-614.

[4]姜芳，曾碧翼.設(shè)施農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的應(yīng)用探討與發(fā)展建議[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2013（5）：10-12.

[5]陳超，張敏，宋吉軒，等.我國設(shè)施農(nóng)業(yè)現(xiàn)狀與發(fā)展對策分析[J].河北農(nóng)業(yè)科學(xué)，2008，12（11）：99-101.

[6]鄒承俊.物聯(lián)網(wǎng)技術(shù)在蔬菜溫室大棚生產(chǎn)中的應(yīng)用[J].物聯(lián)網(wǎng)技術(shù)，2013（8）：18-24.

[7]石禮娟.基于可見光/近紅外光譜的稻米質(zhì)量快速無損檢測研究[D].武漢：華中農(nóng)業(yè)大學(xué)，2011.

[8]張嘏偉.計(jì)算機(jī)視覺系統(tǒng)在番茄品質(zhì)識別與分類中的研究[D].保定：河北農(nóng)業(yè)大學(xué)，2005.

[9]謝靜.基于計(jì)算機(jī)視覺的蘋果自動分級方法研究[D].合肥：安徽農(nóng)業(yè)大學(xué)，2011.

[10]李洪濤.基于農(nóng)產(chǎn)品品質(zhì)檢測的專用電子鼻系統(tǒng)的設(shè)計(jì)與研究[D].杭州：浙江大學(xué)，2010.

[11]張震，劉學(xué)瑜.我國設(shè)施農(nóng)業(yè)發(fā)展現(xiàn)狀與對策[J].農(nóng)業(yè)經(jīng)濟(jì)問題，2015（5）：64-70.

[12]施連敏.物聯(lián)網(wǎng)在智慧農(nóng)業(yè)中的應(yīng)用[J].農(nóng)機(jī)化研究，2013（6）：250-252.

篇10

關(guān)鍵詞 計(jì)算機(jī)應(yīng)用 電子攝像頭技術(shù) 網(wǎng)絡(luò)傳輸

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A

1 電子攝像技術(shù)概述

電子攝像系統(tǒng)已廣泛應(yīng)用于軍用及民用測繪系統(tǒng)中，但是效果受到其載體不同時(shí)刻姿態(tài)變化或震動的影響。當(dāng)工作環(huán)境比較惡劣，尤其是在航空或野外操作時(shí)，支撐攝像機(jī)平臺的震動會引起圖像畫面的抖動，令觀察者視覺疲勞，從面產(chǎn)生漏警和虛警。所以在運(yùn)行中，如何穩(wěn)像成為十分重要的問題，特別是在長焦距、高分辨力的監(jiān)視跟蹤系統(tǒng)中更加突出。 電子攝像表現(xiàn)為實(shí)用性強(qiáng)、體積小巧等特點(diǎn)，它利用計(jì)算機(jī)、圖像處理、模式識別和計(jì)算機(jī)視覺技術(shù)，在視頻源的關(guān)鍵信息提取和分析、檢測和處理異常信息以及監(jiān)測現(xiàn)場強(qiáng)大數(shù)據(jù)的處理。電子攝像系統(tǒng)是視頻監(jiān)控系統(tǒng)的直接體現(xiàn)和發(fā)展趨勢。

紐約市政大樓于二十世紀(jì)九十年代，安裝了第一套電子攝像系統(tǒng)用于監(jiān)控，并由專門的人員負(fù)責(zé)監(jiān)控屏幕，系統(tǒng)僅局限于整個(gè)建筑。本系統(tǒng)突破了完全由員工在每個(gè)監(jiān)視處點(diǎn)對點(diǎn)的傳統(tǒng)模式，并將監(jiān)控任務(wù)從復(fù)雜的安全巡邏、路線、規(guī)章制度等等轉(zhuǎn)變成在控制室和幾個(gè)監(jiān)視屏幕前完成。這是開始的視頻監(jiān)控時(shí)代。電子攝像系統(tǒng)在短時(shí)間內(nèi)，從最早的模擬監(jiān)控到幾年前數(shù)字監(jiān)控到現(xiàn)在蓬勃發(fā)展的網(wǎng)絡(luò)視頻監(jiān)控，發(fā)生了翻天覆地的變化。在IP技術(shù)逐步統(tǒng)一的今天，我們有必要了解電子攝像系統(tǒng)的發(fā)展歷史。從技術(shù)的角度來看，電子攝像系統(tǒng)開發(fā)分為第一代模擬電子攝像系統(tǒng)（CCTV），第二代是基于“PC +多媒體卡”的數(shù)字視頻監(jiān)控系統(tǒng)（DVR），第三代全電子攝像系統(tǒng)基于IP網(wǎng)絡(luò)（IPVS）。

2 電子攝像技術(shù)存在的缺陷分析

近年來，隨著國民經(jīng)濟(jì)的快速增長，銀行、電力、交通、安全、軍事設(shè)施和其他領(lǐng)域的安全報(bào)警系統(tǒng)，要求越來越高，視頻監(jiān)控在生產(chǎn)和生活的所有方面有著非常廣泛的應(yīng)用。智能視頻監(jiān)控系統(tǒng)正成為越來越多的國內(nèi)外學(xué)者關(guān)注的焦點(diǎn)。視頻監(jiān)控系統(tǒng)涉及到許多領(lǐng)域，在交通運(yùn)輸、軍事和其他地方已經(jīng)取得了一些研究成果。盡管監(jiān)控系統(tǒng)已廣泛存在于銀行、購物中心、公共場所，如車站、交通路口，實(shí)際監(jiān)測任務(wù)仍需要更多的人工完成，現(xiàn)有的視頻監(jiān)控系統(tǒng)通常是記錄的視頻圖像，提供的信息是沒有任何解釋的視頻圖像，只能用作證據(jù)，沒有充分發(fā)揮監(jiān)控的實(shí)時(shí)性和主動性。為了達(dá)到實(shí)時(shí)分析、跟蹤和監(jiān)控對象，并提示當(dāng)異常事件發(fā)生時(shí)作出報(bào)告，為政府主管部門正確的行動提供保障，“智能”視頻監(jiān)控尤為重要?！爸悄鼙O(jiān)控系統(tǒng)可以使攝像機(jī)捕獲的信息通過計(jì)算機(jī)網(wǎng)絡(luò)傳遞到整個(gè)系統(tǒng)軟件，實(shí)現(xiàn)遠(yuǎn)程智能的監(jiān)控。

傳統(tǒng)的基于“攝像機(jī)-圖像采集卡-計(jì)算機(jī)”模式的穩(wěn)像系統(tǒng)、圖像檢測和匹配算法全部由計(jì)算機(jī)以軟件方式實(shí)現(xiàn)。 盡管當(dāng)今計(jì)算機(jī)的性能很高，能夠部分滿足單傳感器電子穩(wěn)系統(tǒng)的實(shí)時(shí)處理要求，但在以下幾個(gè)方面有著難以解決的問題：首先，其固有的串行工作方式使得單計(jì)算機(jī)難以適應(yīng)其于多傳感器視頻處理系統(tǒng)的實(shí)時(shí)穩(wěn)像，阻礙了在實(shí)際中的應(yīng)用，傳統(tǒng)的圖像采集卡中能將采集圖像數(shù)據(jù)實(shí)時(shí)傳輸給計(jì)算機(jī)，而不能傳輸給標(biāo)準(zhǔn)接口的視頻監(jiān)視設(shè)備，很多應(yīng)用場合對聽要求很高。因此，研制專用的電子穩(wěn)像平臺，既能實(shí)時(shí)地高速獲取視頻數(shù)據(jù)，又能將數(shù)據(jù)實(shí)時(shí)地傳后續(xù)的圖像處理系統(tǒng)，既有實(shí)際意義又有工程價(jià)值。智能電子攝像頭監(jiān)控系統(tǒng)在許多場合發(fā)揮重要的作用，不斷發(fā)展更多的智能。然而，在努力發(fā)展其智能的同時(shí)，系統(tǒng)可靠性的問題也不容忽視。只有可靠的視頻監(jiān)控系統(tǒng)，才可以準(zhǔn)確地發(fā)現(xiàn)危險(xiǎn)情況和采取措施的時(shí)間。

3 電子攝像技術(shù)的應(yīng)用分析

電子攝像頭智能分析技術(shù)和產(chǎn)品現(xiàn)在在高端安全監(jiān)控市場已經(jīng)應(yīng)用多年。在機(jī)場、監(jiān)獄、軍事基地和其他大型基礎(chǔ)設(shè)施監(jiān)測有成功的案例。在一些大型的基礎(chǔ)設(shè)施，如機(jī)場、周圍對象太分散，一個(gè)或多個(gè)人可以完成監(jiān)控周邊。這個(gè)系統(tǒng)將智能視頻分析單元，在前面的攝像頭，實(shí)時(shí)視頻分析單元，通常嵌入式產(chǎn)品、特點(diǎn)的分析和結(jié)果在需要上傳到監(jiān)控中心。這是一個(gè)典型的分布式系統(tǒng)架構(gòu)。當(dāng)我們做智能視頻圖像分析的固定場景，當(dāng)這個(gè)被廣泛使用，該系統(tǒng)具有實(shí)時(shí)分析，分析結(jié)果和速度的算法不受交通聯(lián)系。另一種系統(tǒng)通常是集中在個(gè)人計(jì)算機(jī)終端算法，監(jiān)控中心可以整合更多算法同時(shí)運(yùn)行。一般來說，一個(gè)算法為一個(gè)特定的內(nèi)容分析。和個(gè)人電腦可以集成各種算法，綜合分析的內(nèi)容將更加豐富，效果更好。在監(jiān)控系統(tǒng)技術(shù)中區(qū)別不同的產(chǎn)品，系統(tǒng)可以根據(jù)分析的內(nèi)容使用不同的算法和不同的輸出結(jié)果。

從加入WTO以來，智能電子視頻分析技術(shù)得到了快速的發(fā)展，它的使用是慢慢滲透到各種行業(yè)。智能電子相機(jī)應(yīng)用程序通常可以分為安全相關(guān)應(yīng)用程序和非安全相關(guān)應(yīng)用兩大類。比如：有函數(shù)的視頻分析攝像機(jī)、視頻編碼器可以充分發(fā)揮它的功能，它可以自動檢測在某些地方進(jìn)入或離開一個(gè)地區(qū)或一個(gè)特定時(shí)間的可疑對象。安全相關(guān)應(yīng)用是目前市場上主要的智能視頻應(yīng)用程序。應(yīng)用程序在安全領(lǐng)域安全部門主要是協(xié)助政府或其他機(jī)構(gòu)改善戶外大型區(qū)域安全保護(hù)的公共環(huán)境。

4 電子攝像技術(shù)的發(fā)展趨勢

電子攝像技術(shù)在現(xiàn)代社會應(yīng)用，已經(jīng)達(dá)到一個(gè)相對穩(wěn)定和成熟的系統(tǒng)模式。數(shù)字視頻監(jiān)控系統(tǒng)，視頻監(jiān)控和數(shù)字網(wǎng)絡(luò)監(jiān)控系統(tǒng)集成一體。目前的情況是，我們需要從以下幾個(gè)方面來推動發(fā)展電子攝像技術(shù)。