導語：如何才能寫好一篇計算機視覺的應用，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞 計算機；視覺技術；應用研究

中圖分類號：TP212 文獻標識碼：A 文章編號：1671-7597（2013）16-0114-01

計算機視覺技術自20世紀70年代產生以來就得到了全世界的廣泛關注。作為一種多學科綜合應用下的新技術，隨著專家對其研究會的不斷深入，其應用領域也越來越廣，給人們的生產生活帶來了極大方便。

1 計算機視覺技術

計算機視覺技術是在計算機技術應用下發展起來的一種新技術，主要用來研究計算機模擬生物的宏觀或外顯功能。該技術在應用過程中會涉及到計算機科學、神經生物學、人工智能、模式識別以及圖像處理等多個學科，多學科技術的綜合運用使得計算機具有了“感知”周圍世界的能力，這也正是該技術發揮作用的核心所在。計算機視覺技術的特點就在于，首先，它能在不接觸被測者的前提下完成對被測者的檢測；其次，該技術應用的領域和檢測的對象非常廣，能在敏感器件的應用下，完成對人類難以觀察到的超聲波、微波和紅外線等的檢測；最后，該技術還突破了人在視覺觀察上長時間工作的限制，能對檢測對象進行長時間觀察。

2 計算機視覺技術在各領域的應用分析

隨著計算機視覺技術研究的不斷加深，該技術的應用領域也越來越廣，下面，本文就選取工業、農業、林業、農產品檢測、電力系統自動化及圖書館工作這6個方面對計算機視覺技術的應用進行簡要分析。

2.1 在工業領域中的應用

工業生產對產品的質量要求極高，計算機視覺技術在工業上的應用主要集中在以下3方面：1）產品形狀和尺寸的檢測上。對制造業而言，產品的形狀和尺寸是否合格直接影響到產品在實際應用過程中作用的發揮。計算機視覺技術的應用能對產品進行二維和三維等幾何特征的檢測，如產品的圓度、位置及形狀等。2）產品零部件缺失情況的檢測。在生產線運行過程中，計算機視覺技術能準確檢測出產品在生產過程中是否存在鉚釘、螺絲釘等零部件的缺失以及產品內部是否在生產過程中摻進雜質等。3）產品表面質量的檢測。為了從各個方面保證產品的合格性，對其進行表面質量的檢測也是一個極其重要的環節。計算機視覺技術實現了對產品表面的紋理、粗糙度、劃痕、裂紋等各方面的有效檢測。

2.2 在農業生產領域中的應用

該技術在農業領域的應用主要集中在以下兩方面：1）對病蟲害的預測預報。預測預報作用發揮的關鍵環節是建立起計算機視覺技術對所有昆蟲的識別體系。對昆蟲圖像識別系統進行數字化建模所使用的方法主要以下2種，一種是運用數學形態學的方法對害蟲的邊緣進行檢測，進而提取害蟲的特征；第二種是從昆蟲的二值化圖像中提取出昆蟲的周長、面積和復雜度等基本信息，并對這些信息建立害蟲的模板庫以實現對昆蟲的模糊決策分析。2）對農作物生長的監測。常用的方法就是運用計算機視覺技術下的非接觸式監測系統對農作物生長環境下的光照、溫度、濕度、風速、營養液濃度等相關因素進行連續地監測，進而判斷出農作物長勢。

2.3 在林業生產中的應用

該技術在林業生產中的應用主要集中在農藥噴灑和林木球果采集這兩方面。就林業的農藥噴灑而言，常規的農藥噴灑方式易造成農藥的大量流失，不僅達不到防止林業有害生物的目的，還浪費了大量的人力、物力和財力。計算機視覺技術的應用能通過對施藥目標圖像進行實時分析，得出具體的施藥量和準確的施藥位置，該技術指導下的施藥工作極大發揮了農藥的效果。就林木球果采集而言，該采集工作的操作難度一直都很大，我國當前使用的方法主要是人工使用專業工具下的采集以及機械設備運用下的高空作業車采集和搖振采種機采集，這兩種方式都存在一定的安全性和效率問題。計算機視覺技術的應用能通過對需要進行采集的林木球果進行圖像采集來得出球果所處的具置，再結合專業機械手的使用完成球果采集。該技術不僅節省了大量勞動力，還極大提高了采摘效率。

2.4 在農產品檢測中的應用

農產品在生產過程中受自然環境的影響比較大，所以農產品不僅會產生質量上的差異，還會造成顏色、大小、形狀等外觀上的極大不同。由于農產品在出售時大多要進行產品等級的劃分，所以將計算機視覺技術運用到對其顏色和外形尺寸的檢測上，有效達到了對農產品進行檢測的目的。通過對外觀大小尺寸的檢測，不僅提高了對農產品進行分門別類地等級劃分的效率，還在很大程度上減少了對產品的損壞；通過對西瓜等農產品進行顏色上的檢測，能準確判斷其是否成熟，有效避免了人工操作下的失誤。

2.5 在電力系統自動化中的應用

計算機視覺技術在電力系統自動化應用的表現當前主要表現在以下2個方面：1）在人機界面中的應用。人機界面在運行過程中更加強調人的主體地位，實現了用戶對各種效應通道和感覺通道的運用。具體來講，計算機視覺技術在用戶向計算機的輸入方面，效應通道實現了手動為主向手、足、口、身體等的轉變；在計算機向用戶的輸出方面，感覺通道實現了視覺為主向觸覺、嗅覺、聽覺等的轉變。2）在電廠煤粉鍋爐火焰檢測中的應用。對煤粉鍋爐火焰的檢測既能有效判斷鍋爐的運行狀況，又能在很大程度上實現電廠的安全性運營。由于煤的負荷變化和種類變化會在使著火位置發生移動，所以為了保證爐膛火焰檢測的準確性，必須彌補之前單純應用火焰檢測器只能判斷有無火焰開關量信號的弊端。計算機視覺技術的應用，就在彌補火焰檢測器應用弊端的基礎上，實現了對火焰形狀的進一步檢測。

2.6 在圖書館工作中的應用

隨著當前數字圖書館和自動化管理系統的建立，計算機技術在圖書館方面的應用越來越廣泛。當前計算機視覺技術在圖書館方面的應用主要集中在古籍修補和書刊剔舊這兩方面。就古籍修補而言，古籍圖書等在收藏的過程中，受溫度、濕度、光照等的影響，極易導致紙張變黃、變脆以及蟲洞等現象的出現。在進行修補時，依靠計算機視覺技術開展具體的修補工作，能在很大程度上提高修補工作的效率。就書刊剔舊而言，由于圖書館藏書眾多，對那些使用率低且較為陳舊的文獻資料進行及時地剔除，能實現圖書資源的及時更新。計算機視覺技術在該方面的應用，極大地保證了工作的準確性和效率性。

3 結束語

通過以上對計算機視覺技術在工業、農業、林業、農產品檢測、電力系統自動化及圖書館工作這6個方面的研究可以看出，隨著計算機技術的進一步發展以及計算機與各專業學科的不斷滲透，該技術的發展前景和應用領域都將更加廣闊。

參考文獻

篇2

關鍵詞:雙目計算機視覺 深度信息 自適應 光照變化 視頻監控

1、引 言

面對日益復雜的社會和政治環境,國家安全、社會安全、個人人生安全和財產安全等都面臨著不同程度的威脅,都需要各種安全保護措施,在眾多場所建立切實有效的安保措施,成為一個迫切的課題。本文提出了一種基于雙目計算機視覺的自適應識別算法,將該算法應用于現有的監控系統,并賦予監控終端智能性,不僅使其脫離人而具有獨立智能、自主判斷的能力,而且使得視頻監控系統在安防方面的作用大大提高。

在現有的背景建模方法中,大多對于背景象素點的亮度值,例如最小亮度值、最大亮度值和最大亮度差值[ 1 ] ,或是對顏色信息進行建模[ 2 ] 。對于背景的更新,一般使用自適應濾波器對像素的統計特性進行遞歸更新,為了考慮到噪聲的影響,文獻[ 3 ]提出了Kalman濾波器的方法,該文認為系統的最優信息可通過估計獲得。考慮到環境的動態緩慢改變,文獻[ 4 ]利用統計模型給背景建模,即由一個時域濾波器保留著一個序列均值和一個標準偏差,并通過濾波過程統計值隨時間改變來反映環境的動態特性。另外有一些方法解決了光照漸變等影響[ 5~7 ] ,但計算較復雜。

2、雙目計算機視覺深度算法

基于實際應用考慮,攝像頭的數量關系著成本和計算量,所以選擇支持雙攝像頭(雙目視覺)的算法是最合適的。在支持雙目視覺的算法中,Princeton NEC research institute 基于最大流算法(maximum2flow)的計算機視覺算法( Stereo2MF)在深度效果平滑性上做得較好[ 8, 9 ] ,適用于監控區域深度計算的應用背景。但原有算法所需的計算量和計算過程中的暫存數據量是較大的,雖然支持計算量的削減,但只是機械地在一塊區域中選擇中心點來進行計算,這樣計算的結果會因選擇的機械性,而出現大量的“偽點”,這些偽點錯誤地表現了該區域的平均深度信息。本文采用統計平均值選取計算點,通過距離因子的Gauss分布將塊內其他點的值融合計算,從而使得計算出的值較準確的代表了這一塊內的大致深度分布。

m, n分別是圖像的長和寬所包含的像素點個數,M、N 表示像素點的橫縱坐標, .d 是塊內深度統計平均值, dM, N為計算點的深度值, q為距離因子, dB是計算所得的塊深度代表值。圖1為改進后雙目視覺深度算法與原算法識別效果比較。由圖1可以明顯看出,修改后的算法效果在細節表現、平滑性、偽點減少上均有明顯改善,而且深度計算精確度能夠完全滿足視頻

圖1 改進后雙目視覺深度算法與原算法識別效果比較Fig. 1Effect comparison after algorithm modification

度計算精確度能夠完全滿足視頻監控應用的需要。

3、自適應識別算法

對于一個固定的場景,場景各像素點的深度值是符合一個隨機概率分布。以某一均值為基線,在其附近做不超過某一偏差的隨機振蕩,這種情況下的場景稱之為背景。而場景環境往往是動態變化的,如環境自然光的緩變,燈光的突然熄滅或點亮,以及運動對象的出現、運動和消失等。如果能識別出場景中的動態變化,就能自適應的更新背景值,將光照的改變融合到背景值中。本文采取了用統計模型的方式給每個像素點建模,而以像素點變化的分布情況來確定光照突變引起的深度突變,并結合深度計算本身特性,解決光照緩變突變引起的誤判問題,以及判別場景中對象的主次性。

3. 1 背景象素點的深度值建模

由于雙目計算機視覺算法得到的深度值,已經是塊融合的,可以根據精度要求,來加大塊面積, 減少數據量。本文獲得的數據量只有原像素點的( k, l分別是塊的長和寬所包含的像素點個數) 。以統計的方法給每個像素點的深度值建模, 設為第u幀圖像的某個像素點的深度值, 其中u代表第u幀圖像, i, j分別代表像素點的橫坐標和縱坐標。由一個時間濾波器來保持該像素點深度值的序列均值和時間偏差

其中,α是一個可調增益參數, 其與采樣頻率有關。通過濾波過程,來得到每個像素點的深度值基于時間的統計特性,由于這些統計特性反映了環境的動態特性,據此可以了解到是環境的光照發生了突變,還是有運動對象的運動。

3. 2 背景更新與場景識別

通過上述濾波過程,就可以將光照緩變融入到背景中去,實現背景的自適應更新。而對于光照突變,此時幾乎所有的象素點的亮度值會同時增大或減小,但根據最大流算法的特性,同方向的變化對流量差不會引起太大變化, 而對深度計算結果只會引起較小的同方向變化。這種全局的等量變化, 可以認為是光照突變引起的。

其中, a、b和c是3個可調節系數,他們的取值可依據場景的情況及檢測光照突變的速度與誤差來進行選取。s, t分別是深度圖像的長和寬所包含的像素點個數。Q是符合式( 9)的像素點個數。一旦檢測到環境光照發生了突變, 就把背景點像素的深度序列均值,全部以當前幀像素點的深度值的測量

值代替,而j以0取代,從而實現背景的及時更新。

如果式(10)式(12)中任意一個不成立的話,則認為像素塊深度值的變化并非由光照突變引起, 而是場景中有運動對象出現。

4、算法分析與實驗

4. 1 算法復雜度

對于光照突變檢測,若有突變的話,則會立即檢測出來,當有運動對象出現時, 并且式( 10)式( 12)都接近滿足時,處理會較慢,因為需要處理突變檢測和運動對象兩個過程。當b取25% s ×t時的處理速度與變化點比例關系如圖2所示。

相對于一般的光強、灰度的識別檢測算法,本算法的優勢在于不僅可以利用深度特性更容易地檢測到光照的漸變與突變, 而且可以判斷出現的多個運動對象的主次性。

4. 2 算法誤檢率

由于光照直接對于像素點的光強、灰度等產生影響,所以深度算法的噪聲容限更大,這樣可降低了誤檢率,多組實驗后得到的誤檢率對比圖如圖3所示。但是由于深度算法本身對于反光或者陰暗面會產生偽點,所以,某些時候由于光照突變中光源的位置變化而會誤檢為運動對象,為此算法還需進一步改進能判別偽點的出現, 除去它在光照突變檢測中的影響。另外,公式中可調系數a, b, c的選取也會對不同場景產生影響。

筆者在實驗室環境下做了不同光照角度、不同環境光強度、不同運動物體的多組實驗,發現在反光面或是陰暗面較多的情況下,光照突變檢測不是很靈敏,而且會出錯,但是在增加系數a, c的值后, 誤檢率有所降低(如圖3所示) 。

5、基于算法的監控系統

我們利用該算法實現了視頻監控原型系統。計算機視覺算法對于攝像頭的同步曝光要求很高,所以本系統終端用一塊單獨的MCU (micro control unit)控制同步曝光。核心算法用DSP處理。系統結構如圖4所示。實際系統原型圖如圖5所示。

篇3

隨著計算機技術以及圖像處理技術的快速發展，計算機視覺技術作為一種新興的技術，其被廣泛應用在軍事、醫學、工業以及農業等領域[1]。一般而言，計算機及視覺技術應用在農業的生產前、生產中以及生產后等各個環節，其主要就是鑒別植物種類，分級和檢測農產品的品質。計算機視覺相較于人類視覺而言，其具有更多的優點，能夠有效提高農業的生產率，實現農業生產與管理的智能化和自動化，促進農業的可持續發展。

一、計算機視覺技術概述

計算機視覺主要是指利用計算機來對圖像進行分析，從而控制某種動作或者獲取某描述景物的數據，是人工智能與模式識別的重要領域。計算機視覺興起于20世紀70年代，其涉及的學科范圍較為廣泛，包括視覺學、CCD技術、自動化、人工智能、模式識別、數字圖像處理以及計算機等。就目前而言，計算機視覺技術主要以圖像處理技術為核心，是通過計算機視覺模擬人眼，并利用光譜對作物進行近距離拍攝，運用數字圖像處理以及人工智能等技術，對圖像信息進行分析和研究。計算機視覺技術主要步驟包括采集圖像、分割圖像、預處理、特征提取、處理和分析提取的特征等[2]。

二、農業機械中計算機視覺技術的應用分析

一般而言，農業機械中計算機視覺技術的應用，主要表現在以下三個方面：一是田間作業機械中的應用；二是農產品加工機械中的應用；三是農產品分選機械中的應用。

（一）田間作業機械中的應用

在田間作業機械中，計算機視覺技術的應用較晚。近年來，由于環境保護政策的提出，在農田作業的播種、植保以及施肥機械中的應用越來越廣泛。在田間作業的過程中應用計算機視覺技術時，主要應用在苗木嫁接、田間鋤草、農藥噴灑、施肥以及播種等方面[3]。為了有效識別雜草，對除草劑進行精確噴灑，相關研究人員分析了美國中西部地區常見的大豆、玉米以及雜草二值圖像的形態學特征，發現植物長出后14～23天內能夠有效區別雙子葉和單子葉的效果，準確率最高達到90%。在1998年開發出Detectspary除草劑噴灑器，其能夠有效識別雜草，在休耕季節時，其相較于播撒而言，能夠減少19%～60%的除草劑用量。在農業生產中，農藥的粗放式噴灑是污染嚴重，效率低下的環節，為了有效改變這種現狀，Giler D.K.等研制出能夠精量噴霧成行作物的裝置。該系統主要是利用機器視覺導向系統，使噴頭能夠與每行作物上方進行對準，并結合作物的寬度，對噴頭進行自動調節，確保作物的寬度與霧滴分布寬度具有一致性，從而有效節省農藥。一般而言，該系統能夠促使藥量減少66%，提高霧滴沉降效率和施藥效率，減少農藥對環境產生的影響。

（二）農產品加工機械中的應用

隨著信息技術以及計算機技術的快速發展，計算機視覺技術被廣泛應用在農產品加工的自動化中。如Jia P等提出了圖像處理算法，該算法主要是以鲇魚水平方向與主軸的形心位置和夾角為依據，檢測鲇魚的方位以及背鰭、腹鰭、頭、尾的位置，從而確定最佳的下刀位置。此外，我國的黃星奕等人在研究胚芽米的生產過程時，在不經過染色的情況下，對胚芽米的顏色特性等進行分析，得出胚芽米顏色特征的參數為飽和度S。同時利用計算機視覺系統，自動無損檢測胚芽精米的留胚率，其結果與人工評定的結果大體一致。

（三）農產品分選機械中的應用

在分級和鑒定農產品的品質時，可以利用計算機視覺技術對其進行無損檢測。一般計算機視覺技術不需對測定對象進行接觸，可以直接利用農產品的表面圖像，分級和評估其質量，其具有標準統一、識別率高一級效率高等優勢。計算機視覺技術在檢測農產品時，主要集中在谷物、蔬菜以及水果等方面。Chtioui Y等人提出了結合Rough sets理論，利用計算機視覺技術對蠶豆品質的方法進行評價。該理論通過不同的離散方法對石頭、異類蠶豆、過小、破損以及合格等進行有效區分，并利用影色圖像，對其特征參數進行分類，最終分類的結果相比于統計分類結果，兩者具有較好的一致性。

篇4

關鍵詞：計算機視覺技術；食品工業；分級；圖像處理

中圖分類號： TS207 文獻標識碼：A

隨著微型個人計算機應用的越來越廣泛，以及計算機在綜合學科中應用的深入研究，現如今在工農業、軍事國防、醫學衛生等眾多領域的使用和研究方面計算機視覺技術都起到了至關重要的作用，為了節省人力、降低成本、減少誤差，該項技術在食品企業、科研院所、檢測機構中的應用更加普遍。如今，在農產品藥物殘留檢測、水果重量分級、等級篩選、質量監管等方面計算機視覺技術有眾多應用。

1 計算機視覺技術概述

計算機視覺技術是利用計算機、攝像機、圖像卡以及相關處理技術來模擬人的視覺，用以識別、感知和認識我們生活的世界[1]。該技術是模擬識別人工智能、心理物理學、圖像處理、計算機科學及神經生物學等多領域的綜合學科。計算機視覺技術用攝像機模擬人眼，用計算機模擬大腦，用計算機程序和算法來模擬人對事物的認識和思考，替代人類完成程序為其設定的工作。該技術由多個相關的圖像處理系統組成，主要包括光源提供系統、圖像提取系統、計算機數據運算系統等。原理是：首先通過攝像機獲得所需要的圖像信息，然后利用信號轉換將獲得的圖像信息轉變為數字圖像以便計算機正確識別[2]。隨著科學技術的發展，計算機技術在各個領域得到廣泛應用，計算機視覺技術不僅在代替人類視覺上取得了重大成就，而且在很多具體工作方便超越了人的視覺功能。計算機視覺計算有如此快速的發展，是因為與人類的視覺相比該技術具有以下顯著優勢[3]。

1.1 自動化程度高

計算機視覺可以實現對農產品的多個外形和內在品質指標進行同時檢測分析，可以進行整體識別、增強對目標識別的準確性。

1.2 實現無損檢測

由于計算機視覺技術對農產品的識別是通過掃描、攝像，而不需要直接接觸，可以減少對所檢測食品的傷害。

1.3 穩定的檢測精度

設計的運行程序確定后，計算機視覺技術的識別功能就會具有統一的識別標準，具有穩定的檢測精度，避免了人工識別和檢測時主觀因素所造成的差異。

2 計算機視覺技術在食品檢測中的應用

20世紀70年代初，學者開始研究計算機視覺技術在食品工業中的應用，近幾十年電子技術得到快速發展，計算機視覺技術也越來越成熟。國內外學者在研究計算機視覺技術在食品工業中的應用方面主要集中在該技術對果蔬的外部形態（如形狀、重量、外觀損傷、色澤等）的識別、內部無損檢測等方面。國內有關計算機視覺技術在食品業中的應用研究起始于90年代，比國外發達國家晚多達20a，但是發展很快。

2.1 計算機視覺技術在果蔬分級中的應用研究

計算機視覺技術在食品檢測中的應用研究相當廣泛，從外部直徑、成熟度的檢測到內部腐爛程度的檢測都有研究。韓偉等[4]采用分割水果的拍攝圖像和新的計算機算法計算水果的半徑，進而得出果蔬的最大直徑。研究表明，該算法不僅降低了計算量而且提高了計算精度，此方法用于水果分級的誤差不超過2mm，高于國際水果分級標準所規定的5mm分類標準差，可在工業生產中很好應用。李慶中[5]也利用圖像的缺陷分割算法研究了計算機視覺技術在蘋果檢測與分級中的應用，結果表明此算法能快速、有效地分割出蘋果的表面缺陷。孫洪勝等[6]以蘋果色澤特征比率的變化規律為理論基礎，結合模糊聚類知識利用計算機視覺技術來檢測蘋果缺陷域，檢測不僅快速而且結果精確。劉禾等[7]通過研究認為蘋果的表面缺陷可以利用計算機視覺技術進行檢測，計算機視覺技術還可以將蘋果按照檢測結果進行分級，把檢測過的蘋果分成裂果、刺傷果、碰傷果和蟲傷果等類別。梨的果梗是否存在是梨類分級的重要特征之一，應義斌等[8]通過計算機視覺技術、圖像處理技術、傅立葉描述子的方法來描述和識別果形以及有無果柄，其識別率達到90%。楊秀坤等[9]綜合運用計算機視覺技術、遺傳算法、多層前饋神經網絡系統，實現了具有精確度高、靈活性強和速度快等優點的蘋果成熟度自動判別。陳育彥等[10]采用半導體激光技術、計算機視覺技術和圖像分析技術相結合的方法檢測蘋果表面的機械損傷和果實內部的腐爛情況，初步驗證了計算機視覺技術檢測蘋果表面的損傷和內部腐爛是可行的。馮斌等[11]通過計算機視覺技術對水果圖像的邊緣進行檢測，然后確定水果的大小用以水果分級。試驗表明，該方法比傳統的檢測方法速度快、準確率高，適用于計算機視覺的實時檢測。朱偉[12]在模糊顏色的基礎上，分析西紅柿損傷部分和完好部分模糊顏色的差別，用分割方法對西紅柿的缺陷進行分割，結果顯示準確率高達96%。曹樂平等[13]人研究了溫州蜜柑的果皮顏色與果實可滴定酸含量以及糖分含量之間的相關性，然而根據相關性，樣品檢測的正確識別率分別只有約74%和67%。劉剛等[14]從垂直和水平兩個方向獲取蘋果的圖像，并通過計算機自動分析圖像數據，對蘋果的外徑、體積、以及圓形度等參數進行處理，與人工檢測相比，計算機視覺技術具有檢測效率高，檢測標準統一性好等優點。Blasco. J [15]通過計算機視覺技術分析柑橘果皮的缺陷，進而對其在線分級，正確率約為95%。趙廣華等[16]人綜合計算機視覺識別系統、輸送轉換系統、輸送翻轉系統、差速勻果系統和分選系統，研制出一款適于實時監測、品質動態的智能分級系統，能夠很好地實現蘋果分級。王江楓等[17]建立了芒果重量與攝影圖像的相互關系，應用計算機視覺技術檢測桂香芒果和紫花芒果的重量和果面損傷，按重量分級其準確率均為92%，按果面損傷分級的準確率分別為76%和80%。

2.2 計算機視覺技術在禽蛋檢測中的應用研究

禽蛋企業在生產過程中，產品的分級、品質檢測主要采用人工方法，不僅需要大量的物力人力，而且存在勞動強度大、人為誤差大、工作效率低等缺點，計算機視覺技術可以很好的解決這類產品工業生產中存在的困擾。歐陽靜怡等[18]利用計算機視覺技術來檢測雞蛋蛋殼裂紋，利用攝像機獲取雞蛋圖像后，采用fisher、同態濾波和BET算法等優化后的圖像處理技術，獲得裂紋形狀并判斷，試驗結果表明，計算機視覺技術對雞蛋蛋殼裂紋的檢測準確率高達98%。汪俊德等[19]以計算機視覺技術為基礎，設計出一套雙黃雞蛋檢測系統。該系統獲取蛋黃指數、蛋黃特征和蛋形尺寸等特征，和設計的數學模型對比來實現雙黃雞蛋的檢測和識別，檢測準確率高達95%。鄭麗敏等[20]人通過高分辨率的數字攝像頭獲取雞蛋圖像，根據圖像特征建立數學模型來預測雞蛋的新鮮度和貯藏期，結果表明，計算機視覺技術對雞蛋的新鮮度、貯藏期進行預測的結果準確率為94%。潘磊慶等[21]通過計算機視覺技術和聲學響應信息技術相結合的方法檢測裂紋雞蛋，其檢測準確率達到98%。Mertens K等[22]人基于計算機視覺技術研發了雞蛋的分級檢測系統，該系統識別帶污漬雞蛋的正確率高達99%。

2.3 計算機視覺技術在檢測食品中微生物含量中的應用研究

計算機技術和圖像處理技術在綜合學科中的應用得到快速發展，在微生物快速檢測中的應用也越來越多，主要是針對微生物微菌落的處理。食品工業中計算機視覺技術在微生物檢測方面的研究和應用以研究單個細胞為主，并在個體細胞的研究上取得了一定的進展。殷涌光等[23]以顏色特征分辨技術為基礎，設計了一套應用計算機視覺技術快速定量檢測食品中大腸桿菌的系統，該系統檢測結果與傳統方法的檢測結果具有很好的相關性，但與傳統方法相比，可以節省5d時間，檢測時間在18h以內，并且能夠有效提高產品品質。Lawless等[24]人等時間段測定培養基上的細胞密度，然后通過計算機技術建立時間和細胞密度之間的動態關聯，利用該關聯可以預測和自動檢測微生物的生長情況，如通過計算機控制自動定量采集檢測對象，然后分析菌落的邊緣形態，根據菌落的邊緣形態計算機可以顯示被檢測菌落的具置，并且根據動態關聯計算機視覺系統可以同時處理多個不同的樣品。郭培源等[25]人對計算機視覺技術用于豬肉的分級進行了研究，結果顯示計算機視覺技術在識別豬肉表面微生物數量上與國標方法檢測的結果顯著相關，該技術可以有效地計算微生物的數量。Bayraktar. B等[26]人采用計算機視覺技術、光散射技術（BARDOT）和模式識別技術相結合的方法來快速檢測李斯特菌，在獲取該菌菌落中的形態特征有對圖像進行分析處理達到對該菌的分類識別。殷涌光等[27]人綜合利用計算機視覺、活體染色、人工神經網絡、圖像處理等技術，用分辨率為520萬像素的數字攝像機拍攝細菌內部的染色效果，并結合新的圖像處理算法，對細菌形態學的8個特征參數進行檢測，檢測結果與傳統檢測結果顯著相關（相關系數R=0.9987），和傳統檢測方法相比該方法具有操作簡單、快速、結果準確、適合現場快速檢測等特點。魯靜[28]和劉侃[29]利用顯微鏡和圖像采集儀器，獲取乳制品的掃描圖像，然后微生物的圖像特征，識別出微生物數量，并以此作為衡量乳制品質量是否達標的依據，并對產品進行分級。

2.4計算機視覺技術在其他食品產業中的應用研究

里紅杰等[30]通過提取貝類和蝦類等海產品的形狀、尺寸、紋理、顏色等外形特征，對照數學模型，采用數字圖像處理技術、計算機識別技術實現了對貝類和蝦類等海產品的無損檢測和自動化分類、分級和質量評估，并通過實例詳細闡述了該技術的實現方法，證實了此項技術的有效性。計算機視覺技術還可以檢驗玉米粒形和玉米種子質量、識別玉米品種和玉米田間雜草[31]。晁德起等[32]通過x射線照射獲取毛葉棗的透視圖像后，運用計算機視覺技術對圖像進行分析評估，毛葉棗可食率的評估結果與運用物理方法測得的結果平均誤差僅為1.47%，因此得出結論：計算機視覺技術可以應用于毛葉棗的自動分級。Gokmen，V等通用對薯片制作過程中圖像像素的變化來研究薯片的褐變率，通過分析特色參數來研究薯片中丙烯酰胺的含量和褐變率也關系，結果顯示兩項參數相關性為0.989，從而可以應用計算機視覺技術來預測加熱食品中丙烯酰胺的含量，該方法可以在加熱食品行業中得到廣泛應用。韓仲志等人拍攝和掃描11類花生籽粒，每類100顆不同等級的花生籽粒的正反面圖像，利用計算機視覺技術對花生內部和外部采集圖像，并通過圖像對其外在品質和內在品質進行分析，并建立相應的數學模型，該技術在對待檢樣品進行分級檢測時的正確率高達92%。另外，郭培源等人以國家標準為依據，通過數字攝像技術獲取豬肉的細菌菌斑面積、脂肪細胞數、顏色特征值以及氨氣等品質指標來實現豬肉新鮮程度的分級辨認。

3 展望

新技術的研究與應用必然伴隨著坎坷，從70年代初計算機視覺技術在食品工業中進行應用開始，就遇到了很多問題。計算機視覺技術在食品工業中的研究及應用主要存在以下幾方面的問題。

3.1 檢測指標有限

計算機視覺技術在檢測食品單一指標或者以一個指標作為分級標準進行分級時具有理想效果，但以同一食品的多個指標共同作為分級標準進行檢測分級，則分級結果誤差較大。例如，Davenel等通過計算機視覺對蘋果的大小、重量、外觀損傷進行分析，但研究結果顯示，系統會把花粵和果梗標記為缺陷，還由于蘋果表面碰壓傷等缺陷情況復雜，造成分級誤差很大，分級正確率只有69%。Nozer等以計算機視覺為主要技術手段，獲取水果的圖像，進而通過分析圖像來確定水果的形狀、大小、顏色和重量，并進行分級，其正確率僅為85.1%。

3.2 兼容性差

計算機視覺技術針對單一種類的果蔬分級檢測效果顯著，但是同一套系統和設備很難用于其他種類的果蔬，甚至同一種類不同品種的農產品也很難公用一套計算機視覺設備。Reyerzwiggelaar等利用計算機視覺檢查杏和桃的損傷程度，發現其檢測桃子的準確率顯著高于杏的。Majumdar.S等利用計算機視覺技術區分不同種類的麥粒，小麥、燕麥、大麥的識別正確率有明顯差異。

3.3 檢測性能受環境制約

現階段的計算機視覺技術和配套的數學模型適用于簡單的環境，在復雜環境下工作時會產生較大的誤差。Plebe等利用計算機視覺技術對果樹上的水果進行識別定位，但研究發現由于光照條件以及周邊環境的影響，水果的識別和定位精度不高，不能滿足實際生產的需要。

綜上所述，可看出國內外學者對計算機視覺技術在食品工業中的應用進行了大量的研究，有些研究從單一方面入手，有些研究綜合了多個學科，在研究和應用的過程中，取得了較大的經濟效益，也遇到了很多問題，在新的形勢下，計算機視覺技術和數碼拍攝、圖像處理、人工神經網絡，數學模型建設、微生物快速計量等高新技術相融合的綜合技術逐漸成為了各個領域學者的研究熱點，以計算機視覺為基礎的綜合技術也將在食品工業中發揮更加重要的作用。

參考文獻

[1] 寧紀鋒，龍滿生，何東健.農業領域中的計算機視覺研究[J].計算機與農業，2001（01）：1-3.

[2] 李崢.基于計算機視覺的蔬菜顏色檢測系統研究[D].吉林：吉林大學，2004.

[3] 曾愛群.基于計算機視覺與神經網絡的芒果等級分類研究[D].桂林：桂林工學院，2008.

[4] 韓偉，曾慶山.基于計算機視覺的水果直徑檢測方法的研究[J].中國農機化，2011（05）：25-29.

[5] 李慶中.蘋果自動分級中計算機視覺信息快速獲取與處理技術的研究[D].北京：中國農業大學，2000.

[6] 孫洪勝，李宇鵬，王成，等.基于計算機視覺的蘋果在線高效檢測與分級系統[J].儀表技術與傳感器，2011（06）：62-65.

[7] 劉禾，汀慰華.水果果形判別人工神經網絡專家系統的研究[J].農業工程學報，1996，12（0l）：171-176.

[8] 應義斌，景寒松，馬俊福.用計算機視覺進行黃花梨果梗識別的新方法[J].農業工程學報，1998，14（02）：221-225.

[9] 楊秀坤，陳曉光，馬成林，等.用遺傳神經網絡方法進行蘋果顏色白動檢測的研究[J].農業工程學報，1997，13（02）：193-176.

[10] 陳育彥，屠康，柴麗月，等.基于激光圖像分析的蘋果表面損傷和內部腐爛檢測[J].農業機械學報，2009，40（07）：133-137.

[11] 馮斌，汪憋華.基于計算機視覺的水果大小檢測方法[J].農業機械學報，2003，34（01）：73-75.

[12] 朱偉，曹其新.基于模糊彩色聚類方法的西紅柿缺陷分割[J].農業工程學報，2003，19（03）：133-136.

[13] 曹樂平，溫芝元，沈陸明.基于色調分形維數的柑橘糖度和有效酸度檢測[J].農業機械學報，2009，41（03）：143-148.

[14] 劉剛，王立香，柳兆君.基于計算機視覺的蘋果質量檢測[J].安徽農業科學，2012，40（08）：5014-5016.

[15] Blasco J，Aleixos N，Molto puter vision detection of peel defects in citrus by means of a region oriented segmentation algorithm[J].Journal of Food Engineering，2007，81（03）：535-543.

[16] 趙廣華，飛，陸奎榮，等.智能化蘋果品質實時分選系統[J].中國科技信息.

[17] 王江楓，羅錫文，洪添勝，等.計算機視覺技術在芒果重量及果面壞損檢測中的應用[J].農業工程學報，1998（12）：186-189.

[18] 歐陽靜怡，劉木華.基于計算機視覺的雞蛋裂紋檢測方法研究[J].農機化研究，2012（03）：91-93.

[19] 汪俊德，鄭麗敏，徐桂云，等.基于計算機視覺技術的雙黃雞蛋檢測系統研究[J].農機化研究，2012（09）：195-199.

[20] 鄭麗敏，楊旭，徐桂云，等.基于計算機視覺的雞蛋新鮮度無損檢測[J].農業工程學報，2009，25（03）：335-339.

[21] 潘磊慶，屠康，詹歌，等.基于計算機視覺和聲學響應信息融合的雞蛋裂紋檢測[J].農業工程學報，2010，26（11）：332-337.

[22] Mertens K，De Ketelaere B，Kamers B，et al.Dirt detection on brown eggs by means of colorcomputer vision[J]. Poultry Science，2005，84（10）：1653-1659.

[23] 殷涌光，丁筠.基于計算機視覺的食品中大腸桿菌快速定量檢測[J].吉林大學學報（工學版），2009，39（02）：344-348.

[24] Lawless C，Wilkinson DJ，Young A，et al.Colonyzer： automated quantification of micro-organism growth characteristics on solid agar[J].BMC Bioinformatics，2010（08）：38-44.

[25] 郭培源，畢松，袁芳.豬肉新鮮度智能檢測分級系統研究[J].食品科學，2010，31（15）：68-72.

[26] Bayraktar B，Banada PP，Hirleman ED，et al.Feature extraction from light-scatter patterns of Listeria colonies for identification and classification [J].Journal of Biomedical Optics，2006，11（03）：34- 36.

[27] 殷涌光，丁筠.基于計算機視覺的蔬菜中活菌總數的快速檢測[J].農業工程學報，2009，25（07）：249-254.

[28] 魯靜.乳品微生物自動檢測系統的設計[J].湖北第二師范學院學報，2010，27（08）：115-117.

[29] 劉侃.鮮奶含菌量快速檢測系統[D].華中科技大學，2008.

[30] 里紅杰，陶學恒，于曉強.計算機視覺技術在海產品質量評估中的應用[J].食品與機械，2012，28（04）：154-156.

篇5

關鍵詞：并行數據挖掘；頻繁模式；入侵檢測

一.引言

頻繁模式挖掘是數據挖掘領域的一個重要方面，研究內容一般包括事務、序列、樹和圖。其方法被廣泛應用于許多其它數據挖掘任務中，如相關性分析、最大模式、閉合模式等。隨著Internet的廣泛使用和高性能工作站的不斷普及，高效實用的并行挖掘算法成為了提高數據挖掘的時效性和適應性的有效途徑。

4.2基于數據挖掘的入侵檢測實現過程

將頻繁模式數據挖掘技術應用于入侵檢測的過程中,挖掘算法起到了關鍵作用。將基于數據挖掘入侵檢測實現分為如下四步：

(1)從原始審計數據中提取ASCII網絡包(網絡型)或主機事件數據(主機型),形成連接記錄( 網絡型)或主機會話記錄(主機型),包括一系列基本特征,放入數據倉庫。

(2)使用頻繁模式挖掘算法找出關聯模式,抽取出頻繁模式。

(3)通過模式編碼、比較、可視化,并進行模式的使用和積累，找出純入侵模式，然后構建特征。

(4)利用分類器(如RIPPER等分類算法)建立分類模型以得到檢測模型。

4.3基于數據挖掘的入侵檢測系統組成框架(圖1)

                          圖1: 一個基于數據挖掘的入侵檢測系統

(l)信息的收集。信息的收集分為兩種情況，一是分析歷史數據，從中進行挖掘形成規則庫；二是收集實時的網絡數據，根據已經形成的規則庫的規則，判斷這些網絡數據包是否可疑。

(2)數據預處理。所收集的事件信息需要經過轉換以供事件分析器使用，它們被修改成通用或規范的數據格式，或者被結構化，以便執行一些特性選擇或執行其它一些處理。

(3)規則挖掘。作為分析器的規則挖掘將對經過預處理的數據進行分析處理。對于歷史數據，規則挖掘模塊將對這些數據進行分析，把得到的規則的存放在規則庫中；對于實時的網絡數據，該模塊同樣進行分析，分析的結果是實時數據的頻繁項目集，結果將交給規則匹配模塊進行進一步的分析。

(4)規則匹配。該模塊把經過挖掘分析的實時網絡數據與規則庫的規則進行規則匹配分析，并把匹配的結果交給作為響應組件的決策和告警模塊。

(5)決策和告警。決策模塊根據規則匹配的結果進行響應，若數據是正常的，表明沒有攻擊行為，則直接把這些數據寫到規則庫中，對規則庫進行更新；若數據是異常的，表明有攻擊行為出現，則發出告警，然后也可以把攻擊的行為模式保存起來。

五．結束語

頻繁模式挖掘是數據挖掘研究中一個最基本的問題，它可以從海量數據中得到正常的和異常的行為模式，將其用于入侵檢測不僅可以有效地檢測已知入侵,而且還具有檢測未知攻擊模式的能力，具有更高的準確性和適應性。由于現有頻繁模式挖掘技術存在諸多問題，特別是針對入侵檢測中數據的海量、分布和動態更新等特點，傳統的挖掘與更新方法顯得低效和昂貴。因此，研究快速高效的頻繁模式挖掘算法及其并行化策略以提高入侵檢測系統的準確性和時效性顯得十分迫切，而且具有非常重要的理論意義和應用價值。

參考文獻：

[1]楊明，孫志揮，吉根林.快速挖掘全局頻繁項目集.計算機研究與發展,2003，40(4):620-625

[2]林杰斌，劉明德，陳湘.數據挖掘與OLAP理論與實務.清華大學出版社，2003:2-3

篇6

關鍵詞 關聯規則 高校 計算機類教師 教學質量

中圖分類號：G424 文獻標識碼：A

Application of Association Rules Mining in the Teaching

Quality Evaluation of College Computer

LU Xueyan

（Department of Computer Science， Wuzhou University， Wuzhou， Guangxi 543002）

Abstract In order to fine the deep relationship between teacher and curriculum teaching effect， association rule mining was applied to the teaching quality evaluation of college computer teachers. It makes the arrangement of teacher more scientific and reasonable， thus improving the quality of teaching.

Key words association rules； college； computer teachers； teaching quality

0 引言

為了滿足社會對人才的需求，近兩年來梧州學院計算機科學系在原有的計算機科學與技術本科專業，軟件工程專業的基礎上申請了數字媒體專業，物聯網工程專業，其中計算機科學與技術專業還分為嵌入式系統，信息安全，計算機網絡三個方向。新專業，新方向的產生帶來了許多全新的專業課程。該如何合理安排老師來上課，如何評價老師的教學質量，這些問題讓類似于梧州學院這樣地處邊遠山城且新升格的地方本科院校來說，一切都還在摸索中。為了解決傳統教學質量測評中存在的不足，許多人嘗試了將關聯規則挖掘這一現代分析技術引入到教學質量測評中，①②③④但以往的分析沒有專門針對計算機類教師，所進行的評分也比較籠統，沒有分課程分別評分，此外，也沒有加入教師的行業背景這些會嚴重影響教學效果的評價因素。因此本文利用C++的STL，加入教師的行業背景因素，專門利用關聯規則挖掘來對高校計算機類教師教學質量進行測評，通過公正客觀的統計和分析，做出歸納性推理，從中挖掘出潛在的模式，從而幫助決策者調整策略。

1 高校教師教學質量測評的現狀

1.1 評價過程

我校建立了校系兩級的教學質量監控體系，學生在網上查看成績，需要把本學期所上課程的任課教師的評教問卷填寫完成才可以查看本科目的成績；此外，各系部還進行教學中期檢查，通過調查問卷、聽課、評課、座談等多種方式對任課教師的教學工作進行綜合評價。這樣一來，光是計算機類教師的評教分數就至少有三類分數，一是所任課班級的每一名學生的評分；二是學院聘請的各學科專家經過隨堂聽課以及學生訪談后得到的分數；此外，還有教師所在的教研室經過相互聽課以及學生訪談后，對教師授課的各方面情況打分。把所有分數收集了之后，通過錄入計算機，再對每名教師的各方面打分加權合并匯總，形成一個最終得分。這個分數即是該教師教學質量測評得分，此分數可作為評價教師該門課程教學質量優劣的主要依據。

1.2 目前高校教師教學質量測評中存在的問題

以筆者所在的計算機科學系為例，每個學期每門課都積累了大量這樣直接的評教分數，但是評測比較主觀，分數收集上來之后，后期的數據分析與應用欠缺，失去了應有的激勵價值。大多數高校都沒有建立起一套科學的績效考核體系，測評指標不全面，指標權重分配不合理，測評方法和手段單一、陳舊；評價對象不明確。因此，很有必要利用現代分析技術來對這些寶貴而龐大的數據進行科學的挖掘。

2 關聯規則挖掘在高校計算機類教師教學質量測評中的應用

2.1 原始數據的準備

學生，學科專家，同行教師分別就教師所任教課程進行評分，評分的依據包含教學態度、教學內容、教學方法、教學基本功、教學效果等方面，評分之后，直接從教務系統導出相應的分數，該分數已經是Excel電子表格。由于學生的人數較多，同時同一門課的多個任課老師可能教授的學生數不同，所以學生對該名教師課程1的評教分數直接取平均值，記為X11；各學科專家一般是3～5名，把學科專家的分數取平均，記為X12；同行人數一般是5～10人，也是同行的分數取平均，記為X13，這樣就得到一名任課教師某門課的三個 （下轉第111頁）（上接第82頁）平均值。再把這三個分數求平均，四舍五入，取整。筆者所在的計算機科學系，每名教師平均一個學期授課2門，約有50名專任教師。每位計算機學科教師的最終評價分數為下式所示：

教師的最終評價分數=（X11+X12+X13）+（X21+X22+X23）+…+（Xn1+Xn2+Xn3）/n（n為該教師授課的門數）。再把職稱，年齡，性別等常規影響教學效果的字段作為挖掘的因素，同時考慮到計算機專業的特殊性，還加入了是否有行業背景這一因素，抽取某個學期的測評情況，記錄如表1所示。

表1 教學測評信息表（注：本校計算機系教師編號以17開頭）

2.2 數據轉換

由于用于挖掘的表1中性別，職稱，學歷等字段屬于離散值屬性，還同時存在年齡，最終評價分數等字段屬于連續值屬性，為了便于進行挖掘，需將連續值屬性離散化處理。結果如下：對年齡按照全國高校狀態數據庫中的統計類別進行分組，35歲以下為A1，A2為[36，45]，A3為[46，55]，A4為56歲以上。根據計算所需的實際情況，對性別、職稱、學歷的表示加以規定。性別用M表示男性，F表示女性。職稱分別表示為：初級為Z1，中級為Z2，副高為Z3，正高為Z4。學歷分別表示為：E1為本科，E2表示碩士（含雙學士），E3表示博士。

2.3 挖掘過程實現

Step 1： 初始化參數；

Step 2： 進行關聯規則挖掘；

for （i=0； i

for （j=i+1； j

// 分析教師屬性與評價分數的關系

count（）；

//對各種情況進行統計，并記錄到關聯矩陣中

Step 3： 調用STL中的sort（）函數對關聯矩陣進行排序；

Step 4： 輸出結果。

2.4 挖掘結果分析

年齡在36～45歲的中青年男性教師具有較高職稱和學歷，而且多半具有從事行業背景，而且精力充沛，計算機方面的技術嫻熟，課堂教學經驗豐富，所以評價分數較高。由此可見，我校計算機科學系一批中青年男教師已經成為教學一線的骨干，教師隊伍結構趨于合理。這跟我系長期重視學科建設，堅持實施人才戰略，重視高學歷，有行業背景的中青年男教師的引進和培養，已經初見成效。有趣的是，30歲以下的年輕教師，雖然大多數剛走上講臺不久，但是由于計算機專業是一個更新非常快的專業，所以置信度也挺高的。說明部分年輕老師由于有一定的專業知識的積累，加上注重教學能力的提升，所以他們的授課也受到學生的歡迎。

3 總結

為了探知計算機專業任課教師和課程教學效果間的深層次內在關聯，把關聯規則挖掘對教學質量進行評價，對高校多年來積累的教學評價數據進行挖掘、評價結果能給高校教學管理、教育行政部門的決策提供參考，尤其給教師的教學工作提供有益的幫助。本文針對特殊的計算機專業進行評價，分專業的探討使得挖掘結果更準確，更貼近現實，同時，其思路也同樣適用于高校其他專業，尤其是理工科類專業。

基金項目：廣西教育廳科研項目立項項目（200911LX 421），梧州學院科研項目（2009C006）

注釋

① 王曉艷，高云輝.數據挖掘技術在教學評價系統中的應用[J].計算機光盤軟件與應用，2013（4）：211-212.

② 宋曉梅.數據挖掘技術在高校教師教學質量測評中的應用[J].赤峰學院學報（自然科學版），2013.29（2下）：181-184.

篇7

1.1自動化程度高

計算機視覺可以實現對農產品的多個外形和內在品質指標進行同時檢測分析，可以進行整體識別、增強對目標識別的準確性。

1.2實現無損檢測

由于計算機視覺技術對農產品的識別是通過掃描、攝像，而不需要直接接觸，可以減少對所檢測食品的傷害。

1.3穩定的檢測精度

設計的運行程序確定后，計算機視覺技術的識別功能就會具有統一的識別標準，具有穩定的檢測精度，避免了人工識別和檢測時主觀因素所造成的差異。

2計算機視覺技術在食品檢測中的應用

20世紀70年代初，學者開始研究計算機視覺技術在食品工業中的應用，近幾十年電子技術得到快速發展，計算機視覺技術也越來越成熟。國內外學者在研究計算機視覺技術在食品工業中的應用方面主要集中在該技術對果蔬的外部形態（如形狀、重量、外觀損傷、色澤等）的識別、內部無損檢測等方面。國內有關計算機視覺技術在食品業中的應用研究起始于90年代，比國外發達國家晚20多年，但是發展很快。

2.1計算機視覺技術在果蔬分級中的應用研究

計算機視覺技術在食品檢測中的應用研究相當廣泛，從外部直徑、成熟度的檢測到內部腐爛程度的檢測都有研究。韓偉等［4］采用分割水果的拍攝圖像和新的計算機算法計算水果的半徑，進而得出果蔬的最大直徑。研究表明，該算法不僅降低了計算量而且提高了計算精度，此方法用于水果分級的誤差不超過2mm，高于國際水果分級標準所規定的5mm分類標準差，可在工業生產中很好應用。李慶中［5］也利用圖像的缺陷分割算法研究了計算機視覺技術在蘋果檢測與分級中的應用，結果表明此算法能快速、有效地分割出蘋果的表面缺陷。孫洪勝等［6］以蘋果色澤特征比率的變化規律為理論基礎，結合模糊聚類知識利用計算機視覺技術來檢測蘋果缺陷域，檢測不僅快速而且結果精確。劉禾等［7］通過研究認為蘋果的表面缺陷可以利用計算機視覺技術進行檢測，計算機視覺技術還可以將蘋果按照檢測結果進行分級，把檢測過的蘋果分成裂果、刺傷果、碰傷果和蟲傷果等類別。梨的果梗是否存在是梨類分級的重要特征之一，應義斌等［8］通過計算機視覺技術、圖象處理技術、傅立葉描述子的方法來描述和識別果形以及有無果柄，其識別率達到90%。楊秀坤等［9］綜合運用計算機視覺技術、遺傳算法、多層前饋神經網絡系統，實現了具有精確度高、靈活性強和速度快等優點的蘋果成熟度自動判別。陳育彥等［10］采用半導體激光技術、計算機視覺技術和圖像分析技術相結合的方法檢測蘋果表面的機械損傷和果實內部的腐爛情況，初步驗證了計算機視覺技術檢測蘋果表面的損傷和內部腐爛是可行的。馮斌等［11］通過計算機視覺技術對水果圖像的邊緣進行檢測，然后確定水果的大小用以水果分級。試驗表明，該方法比傳統的檢測方法速度快、準確率高，適用于計算機視覺的實時檢測。朱偉［12］在模糊顏色的基礎上，分析西紅柿損傷部分和完好部分模糊顏色的差別，用分割方法對西紅柿的缺陷進行分割，結果顯示準確率高達96%。曹樂平等［13］人研究了溫州蜜柑的果皮顏色與果實可滴定酸含量以及糖分含量之間的相關性，然而根據相關性，樣品檢測的正確識別率分別只有約74%和67%。劉剛等［14］從垂直和水平兩個方向獲取蘋果的圖像，并通過計算機自動分析圖像數據，對蘋果的外徑、體積、以及圓形度等參數進行處理，與人工檢測相比，計算機視覺技術具有檢測效率高，檢測標準統一性好等優點。Blasco.J［15］通過計算機視覺技術分析柑橘果皮的缺陷，進而對其在線分級，正確率約為95%。趙廣華等［16］人綜合計算機視覺識別系統、輸送轉換系統、輸送翻轉系統、差速勻果系統和分選系統，研制出一款適于實時監測、品質動態的智能分級系統，能夠很好地實現蘋果分級。王江楓等［17］建立了芒果重量與攝影圖像的相互關系，應用計算機視覺技術檢測桂香芒果和紫花芒果的重量和果面損傷，按重量分級其準確率均為92%，按果面損傷分級的準確率分別為76%和80%。

2.2計算機視覺技術在禽蛋檢測中的應用研究

禽蛋企業在生產過程中，產品的分級、品質檢測主要采用人工方法，不僅需要大量的物力人力，而且存在勞動強度大、人為誤差大、工作效率低等缺點，計算機視覺技術可以很好的解決這類產品工業生產中存在的困擾。歐陽靜怡等［18］利用計算機視覺技術來檢測雞蛋蛋殼裂紋，利用攝像機獲取雞蛋圖像后，采用fisher、同態濾波和BET算法等優化后的圖像處理技術，獲得裂紋形狀并判斷，試驗結果表明，計算機視覺技術對雞蛋蛋殼裂紋的檢測準確率高達98%。汪俊德等［19］以計算機視覺技術為基礎，設計出一套雙黃雞蛋檢測系統。該系統獲取蛋黃指數、蛋黃特征和蛋形尺寸等特征，和設計的數學模型對比來實現雙黃雞蛋的檢測和識別，檢測準確率高達95%。鄭麗敏等［20］人通過高分辨率的數字攝像頭獲取雞蛋圖像，根據圖像特征建立數學模型來預測雞蛋的新鮮度和貯藏期，結果表明，計算機視覺技術對雞蛋的新鮮度、貯藏期進行預測的結果準確率為94%。潘磊慶等［21］通過計算機視覺技術和聲學響應信息技術相結合的方法檢測裂紋雞蛋，其檢測準確率達到98%。MertensK等［22］人基于計算機視覺技術研發了雞蛋的分級檢測系統，該系統識別帶污漬雞蛋的正確率高達99%。

2.3計算機視覺技術在檢測食品中微生物含量的應用研究

計算機技術和圖像處理技術在綜合學科中的應用得到快速發展，在微生物快速檢測中的應用也越來越多，主要是針對微生物微菌落的處理。食品工業中計算機視覺技術在微生物檢測方面的研究和應用以研究單個細胞為主，并在個體細胞的研究上取得了一定的進展。殷涌光等［23］以顏色特征分辨技術為基礎，設計了一套應用計算機視覺技術快速定量檢測食品中大腸桿菌的系統，該系統檢測結果與傳統方法的檢測結果具有很好的相關性，但與傳統方法相比，可以節省5d時間，檢測時間在18h以內，并且能夠有效提高產品品質。Lawless等［24］人等時間段測定培養基上的細胞密度，然后通過計算機技術建立時間和細胞密度之間的動態關聯，利用該關聯可以預測和自動檢測微生物的生長情況，如通過計算機控制自動定量采集檢測對象，然后分析菌落的邊緣形態，根據菌落的邊緣形態計算機可以顯示被檢測菌落的具置，并且根據動態關聯計算機視覺系統可以同時處理多個不同的樣品。郭培源等［25］人對計算機視覺技術用于豬肉的分級進行了研究，結果顯示計算機視覺技術在識別豬肉表面微生物數量上與國標方法檢測的結果顯著相關，該技術可以有效地計算微生物的數量。Bayraktar.B等［26］人采用計算機視覺技術、光散射技術（BARDOT）和模式識別技術相結合的方法來快速檢測李斯特菌，在獲取該菌菌落中的形態特征有，對圖像進行分析處理達到對該菌的分類識別。殷涌光等［27］人綜合利用計算機視覺、活體染色、人工神經網絡、圖像處理等技術，用分辨率為520萬像素的數字攝像機拍攝細菌內部的染色效果，并結合新的圖像處理算法，對細菌形態學的8個特征參數進行檢測，檢測結果與傳統檢測結果顯著相關（相關系數R=0.9987），和傳統檢測方法相比該方法具有操作簡單、快速、結果準確、適合現場快速檢測等特點。魯靜［28］和劉侃［29］利用顯微鏡和圖像采集儀器，獲取乳制品的掃描圖像，然后微生物的圖像特征和微生物數量進行識別，并以此作為衡量乳制品質量是否達標的依據，并對產品進行分級。

2.4計算機視覺技術在其他食品產業中的應用研究

里紅杰等［30］通過提取貝類和蝦類等海產品的形狀、尺寸、紋理、顏色等外形特征，對照數學模型，采用數字圖像處理技術、計算機識別技術實現了對貝類和蝦類等海產品的無損檢測和自動化分類、分級和質量評估，并通過實例詳細闡述了該技術的實現方法，證實了此項技術的有效性。計算機視覺技術還可以檢驗玉米粒形和玉米種子質量、識別玉米品種和玉米田間雜草［31］。晁德起等［32］通過x射線照射獲取毛葉棗的透視圖像后，運用計算機視覺技術對圖像進行分析評估，毛葉棗可食率的評估結果與運用物理方法測得的結果平均誤差僅為1.47％，因此得出結論：計算機視覺技術可以應用于毛葉棗的自動分級。GokmenV等［33-34］通過對薯片制作過程中圖像像素的變化來研究薯片的褐變率，通過分析特色參數來研究薯片中丙烯酰胺的含量和褐變率的關系，結果顯示兩項參數相關性為0.989，從而可以應用計算機視覺技術來預測加熱食品中丙烯酰胺的含量，該方法可以在加熱食品行業中得到廣泛應用。韓仲志等［35］人拍攝和掃描11類花生籽粒，每類100顆不同等級的花生籽粒的正反面圖像，利用計算機視覺技術對花生內部和外部采集圖像，并通過圖像對其外在品質和內在品質進行分析，并建立相應的數學模型，該技術在對待檢樣品進行分級檢測時的正確率高達92%。另外，郭培源等［36］人以國家標準為依據，通過數字攝像技術獲取豬肉的細菌菌斑面積、脂肪細胞數、顏色特征值以及氨氣等品質指標來實現豬肉新鮮程度的分級辨認。

3展望

新技術的研究與應用必然伴隨著坎坷，從70年代初計算機視覺技術在食品工業中進行應用開始，就遇到了很多問題。計算機視覺技術在食品工業中的研究及應用主要存在以下幾方面的問題。

3.1檢測指標有限

計算機視覺技術在檢測食品單一指標或者以一個指標作為分級標準進行分級時具有理想效果，但以同一食品的多個指標共同作為分級標準進行檢測分級，則分級結果誤差較大［37］。例如，Davenel等［38］通過計算機視覺對蘋果的大小、重量、外觀損傷進行分析，但研究結果顯示，系統會把花萼和果梗標記為缺陷，還由于蘋果表面碰壓傷等缺陷情況復雜，造成分級誤差很大，分級正確率只有69%。Nozer［39-40］等以計算機視覺為主要技術手段，獲取水果的圖像，進而通過分析圖像來確定水果的形狀、大小、顏色和重量，并進行分級，其正確率僅為85.1%。

3.2兼容性差

計算機視覺技術針對單一種類的果蔬分級檢測效果顯著，但是，同一套系統和設備很難用于其它種類的果蔬，甚至同一種類不同品種的農產品也很難公用一套計算機視覺設備。Reyerzwiggelaar等［41］利用計算機視覺檢查杏和桃的損傷程度，發現其檢測桃子的準確率顯著高于杏的。Majumdar.S等［42］利用計算機視覺技術區分不同種類的麥粒，小麥、燕麥、大麥的識別正確率有明顯差異。

3.3檢測性能受環境制約

篇8

（1）課程內容方面：工程應用價值較小的內容居多；具備工程應用價值的方法，如基于結構光的3D信息獲取，在課程內容中卻極少出現。

（2）課程定位方面：現有課程體系中未能體現最新研究成果，而掌握世界最新工程應用成果是卓越工程師的基本要求之一。

（3）教學形式方面：傳統計算機視覺課程側重基本原理，盡管范例教學被引入到課堂教學中，在一定程度上幫助學生理解，但卓越工程師培養目標是培養學生解決實際工程問題的能力。針對卓越工程師培養目標，以及目前計算機視覺課程中存在的問題，本文提出工程應用導向型的課程內容、面向最新成果的課程定位、理論實例化與工程實踐化的教學形式，以培養具有扎實理論基礎及工程實踐能力的卓越工程師。

1工程應用導向型的課程內容傳統計算機視覺課程圍繞Marr理論框架展開教學，其中部分原理僅在理想狀態或若干假設下成立，不能直接運用到工程實踐中。近年來已具備工程應用基礎的原理及方法，在傳統課程內容中較少出現，如已在工業測量、視頻監控、游戲娛樂等領域中應用的主動式三維數據獲取方法等。我們對工程應用價值高的課程內容，增加課時，充分講解其原理及算法，并進行工程實例分析；對工程應用價值較低內容，壓縮課時，以介紹方法原理為主。例如，在教授3D信息獲取部分時，課時主要投入到工程應用價值較大的內容，如立體視覺、運動恢復結構、基于結構光的3D信息獲取等；而對于基于陰影的景物恢復等缺乏應用基礎的內容主要介紹其基本原理，并引導學生進行其工程應用的可行性分析，培養學生縝密的思維習慣，訓練學生辯證的分析能力。

2面向最新成果的課程定位計算機視覺近十年來發展迅速，新方法和新理論層出不窮，在現有課程體系中未能得以體現。跟進世界最新成果是卓越工程師的基本要求之一，因此計算機視覺課程定位應當面向國際最新成果。為實現這一目標，我們主要從以下兩方面入手。

（1）選用涵蓋最新成果的教材。我們在教學中加入國際最新科研成果及應用范例，在教材選取上采用2010年RichardSzeliski教授所著《Computervision:algorithmsandapplications》作為參考教材。該書是RichardSzeliski教授在多年MIT執教經驗及微軟多年計算機視覺領域工作經驗基礎上所著，涵蓋計算機視覺領域的主要科研成果及應用范例，參考文獻最新引用至2010年。這是目前最新的計算機視覺著作之一，條理清晰，深入淺出，特點在于對計算機視覺的基本原理介紹非常詳盡，算法應用緊跟國際前沿。

（2）強化學生調研及自學能力。“授之以魚”，不如“授之以漁”。在教授學生的同時，更重要的是培養學生調研、跟蹤、學習并分析國際最新科研及工程應用成果的能力。為強化學生的知識結構，培養學生跟蹤國際前沿的能力，我們在教學中加入10%的課外學時，指導每位學生完成最近三年本領域的國際最新文獻調研及工程應用新技術調研，并撰寫相關調研論文。同時，設置2學時課內學時，讓每位學生介紹調研成果，并進行課堂討論。在調研基礎上，選擇相關算法進行了實驗證明，進一步強化學習成果。實踐證明，由于學生能夠根據自己的興趣，選擇本領域感興趣的課題進行深入調研，極大地調動了學生的積極性，強化了學生調研、跟蹤、學習并分析國際最新科研及工程應用成果的能力。

3工程實踐化的教學形式我們在教學中提出工程實踐化的教學形式，即以人類視覺功能為背景，由相應工程實例引出相關理論，并最終將理論運用到工程實例中的算法和方法傳授給學生。

篇9

關鍵詞：動態場景；自適應預測；多特征融合；計算機視覺；運動目標

接受信息的關鍵手段之一就是視覺系統，隨著科學技術水平的不斷發展，以及計算機和信號處理理論的誕生，讓機器擁有人類視覺功能已經不再是夢。對所采集視頻中的運動目標進行跟蹤、檢測，并對其目標行為進行分析，就是運動目標分析的內容，運動目標分析是計算機視覺領域關鍵內容之一，其屬于圖像理解與圖像分析的范疇。而在運動目標分析系統中，跟蹤與檢測運動目標則為中級和低級處理部分，是分析與理解行為的高等層分析模塊的基礎。檢測與跟蹤運動目標技術主要包括了：機器人視覺導航、軍事領域、運動圖像編碼、交通管制、視覺監視等。

1目標檢測算法

連續圖像序列由視頻中提取出，由前景區域與背景區域共同組成了整個畫面。前景區域包含了如運動的人體、車輛等動態要素，它是指人們較為感興趣的區域。而背景區域主要包含例如樹木、建筑物等靜態要素，它的像素值僅發生微弱變化或者不產生變化。在連續圖像序列中，采用一系列算法分隔開背景區域和前景區域，將運動目標信息有效提取，則為運動目標檢測。以靜態場景為基礎的運動目標檢測算法包括了光流法、背景差分法、幀間查分法等，文章主要針對背景差分法進行介紹。

背景差分法通常適用于靜態場景，其是將背景圖像與當前幀圖像進行差分，運動目標依靠閥值化進行檢測，因為該算法僅能夠在背景變化緩慢或者不發生變化的情況下應用，因此就有著一定的局限性。假設當前幀圖像為fk（x，y），背景圖像B（x，y）可通過一定的方法得出，而這時背景差分圖像則為：

（1）

而假設二值化閥值為Th，二值化圖像B（x，y）則為：

（2）

運動目標檢測結果可通過數學形態學處理獲得。

2 背景模型的實時更新

要更新背景圖像可采用一階KALMAN濾波來實現，為了克服氣候變化、光照變化等外部環境變化對運動檢測產生的影響，采用一階KALMAN濾波更新背景圖像公式如下：

Bk+1（p）=Bk（p）+g（Ik（p）-Bk（p）） （3）

而增益因子則為：g=？琢1（1-Mk（p））+？琢2Mk（p） （4）

公式中？琢1和？琢2是權值系數；M是第k時刻二值化后目標圖像中p像素的值；B為背景圖像；I為當前幀圖像。要想將運動目標從背景序列圖像中有效分割出來，就必須要達到？琢2足夠小的條件，且？琢1應等于或者大于10？琢2，若？琢1值過大，就會將算法自身的去噪特性喪失，在序列背景圖像中也會存儲越來越多的運動變化。

3 更新車輛目標模型

核與活動輪廓算法具有效率高、技術復雜度低等特點，它以非參數核概率密度估計理論為基礎，在視頻運動目標跟蹤中廣泛應用。彩色圖像序列通過攝像機獲取，人臉目標模型可以采用RGB顏色空間來進行描述。在跟蹤車輛的過程中，噪聲、遮擋、光照等干擾或多或少存在，因干擾因素的存在，車輛像素特征也會發生相應的微弱變化。若不對目標模型進行更新，會對跟蹤精度產生影響，所以，采用的矩形模板會包括一定背景。而在實施跟蹤的過程中，要對車輛目標模型進行更換。如果其過程物遮擋，當BHATTACHARYYA系數滿足？籽>Tudm條件時，更新車輛目標模型，更新模型為：

（5）

公式中Tudm是模板更新閥值；qk-1是更新之前的車輛目標模型。通過視頻跟蹤，在近場景和遠場景拍攝到的視頻中，多尺度圖像空間由各個幀圖像構成。例如：將將書本作為跟蹤對象，由遠及近從書本的正上方拍攝六十幀圖像，為了能使矩形框正好能夠包含書本，對每幀圖像張書本手工劃定矩形框，并對框內圖像的信息量進行統計。最后，隨書本尺度的變化，給出圖像信息量變化曲線。

4 計算機視覺原理

計算機視覺是一門研究怎樣使機器進行觀察的科學，更切確地說，就是指利用電腦和攝影機代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖形處理，用電腦處理成為傳送給儀器檢測或更適合人眼觀察的圖像。計算機視覺研究相關的理論和技術作為一個科學學科，嘗試創建能夠從圖像或者多維數據中獲取信息的人工智能系統。這里所指的信息指Shannon定義的，可以用來幫助做一個決定的信息。因為感知可以看作是從感官信號中提取信息，所以計算機視覺也可以看作是研究如何使人工系統從圖像或多維數據中感知的科學。

計算機視覺就是由計算機來代替大腦完成處理和解釋，用各種成象系統代替視覺器官作為輸入敏感手段。使計算機能象人那樣通過視覺觀察和理解世界，具有自主適應環境的能力就是計算機視覺的最終研究目標，而需要經過長期的努力才能達到這個目標。所以，在實現最終目標以前，通過努力的中期目標是建立一種視覺系統，這個系統能依靠反饋的某種程度的智能和視覺敏感完成一定的任務。例如：計算機視覺的一個重要應用領域就是自主車輛的視覺導航，但要實現自主導航的系統，卻還沒有條件實現象人那樣能識別和理解任何環境。所以，人們通過不懈的努力，研究在高速公路上具有道路跟蹤能力，有效避免與前方車輛碰撞的視覺輔助駕駛系統。人類視覺系統是有史以來，人們所知道的功能最強大和完善的視覺系統。這里要指出的一點是在計算機視覺系統中計算機起代替人腦的作用。計算機視覺可以而且應該根據計算機系統的特點來進行視覺信息的處理，但并不等于計算機必須按人類視覺的方法完成視覺信息的處理。可以說，對人類視覺處理機制的研究將給計算機視覺的研究提供指導和啟發，所以，用計算機信息處理的方法研究人類視覺的機理，建立人類視覺的計算理論，與此同時也是一個十分重要和讓人感興趣的研究領域。這方面的研究被稱為計算視覺。計算視覺可被認為是計算機視覺中的一個研究領域。計算機視覺領域的不完善性與多樣性為其突出特點。

5 結束語

對視頻中的運動目標進行跟蹤、識別、檢測，并對目標行為進行研究、分析，這就是基于視覺運動目標分析。以計算機視覺為基礎，分析運動目標，包括了目標行為的理解與分析、目標跟蹤、運動目標檢測、預處理圖像等，它是計算機視覺領域重要內容之一。理解與分析運動目標的行為，既是計算機視覺的根本目的之一，也是檢測與跟蹤運動目標的最終目標。從理論層考慮，理解與分析運動目標的行為可以分為人工智能理論研究與模式識別。簡要闡述基于計算機視覺的運動目標分析，而所面臨的是對運動目標行為的理解。

參考文獻

[1]楊可，劉明軍，毛欣，夏維建，劉偉，周旋，吳煒，周凱.基于計算機視覺的電纜終端表面溫升分析系統[J].電視技術，2013（7）.

[2]葉闖，沈益青，李豪，曹思汗，王柏祥.基于人類視覺特性（HVS）的離散小波變換（DWT）數字水印算法[J].浙江大學學報：理學版，2013（2）.

[3]何青海，馬本學，瞿端陽，李宏偉，王寶.基于機器視覺棉葉螨自動監測與分級方法研究[J].農機化研究，2013（4）.

[4]賈挺猛，茍一，鮑官軍，董茂，楊慶華.基于機器視覺的葡萄樹枝骨架提取算法研究[J].機電工程，2013（4）.

篇10

關鍵詞：三目攝像機；標定；立體視覺；外部參數

一、緒論

1.1研究的背景及意義

計算機視覺是當今極為重要的學科之一，它在具有很強的挑戰性的同時又擁有廣泛的應用前景和實用價值。計算機視覺以視覺理論為中心，以圖像處理、模式識別、計算機技術和生理學、心理學為基礎，研究內容主要有兩個方面：一是開發從輸入圖像數據自動構造場景描述的圖像處理系統；二是理解人類視覺機理，用機器代替人去做人類難以達到或根本無法達到的工作[1]。

計算機視覺應用的廣泛性體現在其不僅用于文字、指紋、面部、商標以及圖像數據庫、檢測集成電路芯片、多媒體技術這些圖像方面，還應用到機器人導航、工業檢測和產品的自動裝配、CT圖像器官重建和遙感照片解釋等空間物體的定位、識別以及重建上。現如今，計算機視覺已經應用到機器人、地理、醫學、物理、化學、天文等各大的研究領域。

作為多個學科交叉與融合中心的計算機視覺，攝像機是其研究的重要工具，而攝像機標定又是計算機視覺研究的一個關鍵問題，故攝像機的標定越來越受到廣泛的重視。攝像機標定是通過物體空間上的點與圖像中的對應點的幾何關系，來確定攝像機的內外參數的過程。標定結果是否準確影響著三維測量的精度和三維重建的結果，而且實時的標定更能滿足自動導航機器視覺的需要[2]。

伴隨著應用的發展，攝像機廣泛地被應用于三維立體的測量、視覺檢測、運動檢測等領域。由此，對攝像機標定的精度要求也日益增加。攝像機標定結果的優劣影響了計算機視覺在各領域的應用。攝像機標定的準確與否，對能否提高計算機視覺在各領域測量的準確度有重要影響[3]。因此，研究攝像機標定方法具有重要的理論研究意義和實際應用價值。

1.2攝像機標定技術研究的發展及現狀

攝像機有一個圖像平面和提供三維空間到圖像平面轉換的鏡頭。由于鏡頭會產生畸變，不能把這個轉化過程簡單描述為投射變換。所以它表示的是畸變的模型，這些模型近似于真實數據，而其精確性則依靠于建立的模型及模型參數的準確性。

首先進行攝像機標定工作的是加拿大的Deville，他于1910年建立實驗室，使用多個瞄準儀對他的“測量攝像機”（surveying camera）進行標定[4]。上個世紀三十年代后期，美國標準局發明了一種精確鏡頭，用來檢測攝像機，同時將它用在攝像機標定上。四十年代后期，該項工作得到進一步加深，有了更多對高精度的需求和對易操作設備的需求。1955年，Carman出版了 《棋盤平面度的干涉測量和控制》，該書引起了社會各界對攝像機標定的關注。二戰時期，隨著飛機的大規模使用，航空攝影與制圖興起，為得到更加精確的測量結果，對攝像機鏡頭的校正要求也變得更高。五十到七十年代也是鏡頭校正技術發展最為迅速的時間段。在這期間，各種鏡頭像差的表達式逐步被提出并且得到普遍認同與采用，建立了很多的鏡頭像差的模型，D.C.Brown等人作出了比較大的貢獻，他們導出了近焦距情況下給定位置處徑向畸變表達式并證明了近焦距情況下測量出鏡頭兩個位置的徑向畸變就可以求出任何位置的徑向畸變[5]。這些徑向與切向像差表達式成為后來各攝像機的標定非線性模型的基礎。這段時間里，研究的重點是如何校正鏡頭與用何種方法補償鏡頭像差，這些研究對促進各性能鏡頭組的研制起到了重要作用。在1999年，張正友提出了一種簡便的攝像機標定方法，該方法介于傳統標定和自標定之間，操作方便靈活，能夠得到不錯的精度，滿足了眾多擁有桌面視覺系統的用戶在攝像機標定方面的需求。

1.3本文的主要研究內容

本文的主要研究多個攝像機的標定問題。標定主要是對攝像機內外參的測量計算，利用這些參數對多個攝像機識別的物體尺寸進行衡量并建立起多攝像機系統的數字環境。

論文的內容包括：

第一章為緒論，介紹攝像機標定相關的研究背景、國內外研究現狀。

第二章為攝像機標定理論基礎：主要介紹標定的坐標系與待標定的參數。

第三章提出本文的多攝像機標定方法與實驗過程。

第四章進行全文的總結。

二、攝像機標定方法研究

2.1攝像機標定原理

攝像機通過透鏡將三維物體投影到--維圖像平面上，這個成像變換的過程稱為攝像機成像模型。攝像機成像模型有多種，最常用的為小孔成像模型。由于實際的攝像機鏡頭會發生一定的畸變，使得空間點所成的像不在線性模型描述的位置而會發生一定的偏移，為了能準確的標定攝像機參數，標定的過程中要考慮非線性畸變因子。

一般來說，得到標定結果后要對其精度進行評估，然而很難得到準確的攝像機標定參數真值作為參考，其中基于圖像坐標和世界坐標的絕對和相對誤差的評價方法應用廣泛，本文將對這些方法的原理進行探討。

2.2攝像機標定坐標系建立

首先定義了四個坐標系，如圖1所示，圖像坐標系的坐標原點為O0，列與行由坐標軸u和v表示；成像平面坐標系的原點是攝像機光軸與圖像坐標系的交點0l，x、y 軸分別與u、v 軸平行；在攝像機坐標系中，坐標原點0c即為在攝像機的光心，Xc、Yc軸與x、y 軸平行，與圖像平面垂直是攝像機光軸作為Zc軸，0c0l為攝像機焦距f；世界坐標系是假想的參考坐標系，可固定于場景中某物體上，用于描述攝像機的位置，由Xw，Yw，Zw軸組成。

圖（1）

2.3攝像機外部參數構成

主動視覺傳感器從在笛卡爾直角坐標系中的運動表現為相應的旋轉矩陣和平移矩陣，故攝像機外部參數表現為旋轉矩陣R和平移矩陣T，則攝像機坐標系與世界坐標系的轉化關系可以表示成：

上式中（Xc，Yc，Zc）表示空間點在攝像機坐標系下的坐標，（Xw，Yw，Zw）表示空間點在世界坐標系下的坐標。根據靶標點在像空間坐標系和物方空間坐標系中的坐標，通過分解旋轉矩陣線性計算像空間坐標系與物方空間坐標之間的轉換參數，即外方位元素（攝站參數）[6]。

2.4各攝像機相對位置確定

三目攝像機擁有三個視覺傳感器，而三個傳感器之間的相對位置可通過已獲得的外部參數進行確定。將三個攝像機坐標系設置為，Oci xci yci zci（i=1，2，3），由2.3中所介紹的內容可知，這三個攝像機坐標系與世界坐標系的關系為：

i=（1，2，3）

由此我們可以得到任意兩個攝像機i，j的坐標系轉換關系：

其中： = = i，j=1，2，3

三、攝像機標定實驗過程及結果

3.1實驗系統介紹

實驗中被用來標定的是一個多攝像機系統，攝像機標定有關的基本參數、系統組成和開發環境如下：

（1）硬件環境

標定板、三目攝像機和圖像采集卡等。

（2）軟件環境

OpenCV開源視覺庫，它僅由一系列C函數和少量C++類構成，為Python、MATLAB等語言提供了接口，在圖像處理和計算機視覺方面實現了很多通用算法。

3.2實驗過程

本系統以棋盤格模板作為標定模板。采用激光打印機打印棋盤格黑白方塊間隔紙，方塊邊長為3cm，共6行9列，將打印紙固定在一塊平板上，作為標定模板，如圖（2）。安裝三目攝像機系統，調節固定好個攝像機位置，如圖（3）。手持標定板在三目攝像機前方各個位置拍攝5組共15張各姿態的照片，利用Canny算子進行像點灰度中心提取、同名像點匹配并解算出三個攝像機在標定板坐標系中的外部參數值。

3.3標定結果

攝像機1：

R= T=

攝像機2：

R= T=

攝像機3：

R= T=

四、總結

隨著計算機技術的高速發展，計算機視覺成為當今熱門的研究課題，受到了廣泛關注。本文就如何在機器視覺的理論基礎上對三目視覺系統進行標定進行了研究，討論了計算機視覺理論知識，分析攝像機標定原理以及標定坐標系的建立。同時通過計算機視覺知識的分析討論了基于三目視覺系統的攝像機標定技術，完成了三目視覺系統的外部參數標定實驗。三目攝像機測量系統外部參數的標定能夠解決測量作業現場、測量控制場建立難的問題，為快速地建立簡單實用的控制場提供了方案，有一定的實用價值。

參考文獻

[1] 荊麗秋.雙目視覺系統標定與匹配的研究與實現[D].哈爾濱工程大學，2009.DOI：10.7666/d.y1489086.

[2] 馬頌德.計算機視覺―計算理論與算法基礎[M].北京：科學出版社，1998.

[3] 王榮一.攝像機標定及關鍵技術研究[D].哈爾濱理工大學，2011.DOI：10.7666/d.y2012483.

[4] Clarke T A，Fryer J G.The development of camera calibration methods andmodels.Photogrammetric Record，1998，16（91）：51-66

[5] Brown D C.Decentering distortion of lenses.Photogrammetric Engineering，1 966，32（3）：444-462.

[6] 范亞兵，黃桂平，高寶華等.三目立體工業攝影測量系統外部參數的快速標定[J].測繪工程，2012，21（5）：48-52.DOI：10.3969/j.issn.1006-7949 .2012.05.013