導(dǎo)語：如何才能寫好一篇計(jì)算機(jī)視覺的應(yīng)用，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 計(jì)算機(jī)；視覺技術(shù)；應(yīng)用研究

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

計(jì)算機(jī)視覺技術(shù)自20世紀(jì)70年代產(chǎn)生以來就得到了全世界的廣泛關(guān)注。作為一種多學(xué)科綜合應(yīng)用下的新技術(shù)，隨著專家對其研究會的不斷深入，其應(yīng)用領(lǐng)域也越來越廣，給人們的生產(chǎn)生活帶來了極大方便。

1 計(jì)算機(jī)視覺技術(shù)

計(jì)算機(jī)視覺技術(shù)是在計(jì)算機(jī)技術(shù)應(yīng)用下發(fā)展起來的一種新技術(shù)，主要用來研究計(jì)算機(jī)模擬生物的宏觀或外顯功能。該技術(shù)在應(yīng)用過程中會涉及到計(jì)算機(jī)科學(xué)、神經(jīng)生物學(xué)、人工智能、模式識別以及圖像處理等多個(gè)學(xué)科，多學(xué)科技術(shù)的綜合運(yùn)用使得計(jì)算機(jī)具有了“感知”周圍世界的能力，這也正是該技術(shù)發(fā)揮作用的核心所在。計(jì)算機(jī)視覺技術(shù)的特點(diǎn)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(shù)應(yīng)用的領(lǐng)域和檢測的對象非常廣，能在敏感器件的應(yīng)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(shù)還突破了人在視覺觀察上長時(shí)間工作的限制，能對檢測對象進(jìn)行長時(shí)間觀察。

2 計(jì)算機(jī)視覺技術(shù)在各領(lǐng)域的應(yīng)用分析

隨著計(jì)算機(jī)視覺技術(shù)研究的不斷加深，該技術(shù)的應(yīng)用領(lǐng)域也越來越廣，下面，本文就選取工業(yè)、農(nóng)業(yè)、林業(yè)、農(nóng)產(chǎn)品檢測、電力系統(tǒng)自動(dòng)化及圖書館工作這6個(gè)方面對計(jì)算機(jī)視覺技術(shù)的應(yīng)用進(jìn)行簡要分析。

2.1 在工業(yè)領(lǐng)域中的應(yīng)用

工業(yè)生產(chǎn)對產(chǎn)品的質(zhì)量要求極高，計(jì)算機(jī)視覺技術(shù)在工業(yè)上的應(yīng)用主要集中在以下3方面：1）產(chǎn)品形狀和尺寸的檢測上。對制造業(yè)而言，產(chǎn)品的形狀和尺寸是否合格直接影響到產(chǎn)品在實(shí)際應(yīng)用過程中作用的發(fā)揮。計(jì)算機(jī)視覺技術(shù)的應(yīng)用能對產(chǎn)品進(jìn)行二維和三維等幾何特征的檢測，如產(chǎn)品的圓度、位置及形狀等。2）產(chǎn)品零部件缺失情況的檢測。在生產(chǎn)線運(yùn)行過程中，計(jì)算機(jī)視覺技術(shù)能準(zhǔn)確檢測出產(chǎn)品在生產(chǎn)過程中是否存在鉚釘、螺絲釘?shù)攘悴考娜笔б约爱a(chǎn)品內(nèi)部是否在生產(chǎn)過程中摻進(jìn)雜質(zhì)等。3）產(chǎn)品表面質(zhì)量的檢測。為了從各個(gè)方面保證產(chǎn)品的合格性，對其進(jìn)行表面質(zhì)量的檢測也是一個(gè)極其重要的環(huán)節(jié)。計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)了對產(chǎn)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(nóng)業(yè)生產(chǎn)領(lǐng)域中的應(yīng)用

該技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用主要集中在以下兩方面：1）對病蟲害的預(yù)測預(yù)報(bào)。預(yù)測預(yù)報(bào)作用發(fā)揮的關(guān)鍵環(huán)節(jié)是建立起計(jì)算機(jī)視覺技術(shù)對所有昆蟲的識別體系。對昆蟲圖像識別系統(tǒng)進(jìn)行數(shù)字化建模所使用的方法主要以下2種，一種是運(yùn)用數(shù)學(xué)形態(tài)學(xué)的方法對害蟲的邊緣進(jìn)行檢測，進(jìn)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(fù)雜度等基本信息，并對這些信息建立害蟲的模板庫以實(shí)現(xiàn)對昆蟲的模糊決策分析。2）對農(nóng)作物生長的監(jiān)測。常用的方法就是運(yùn)用計(jì)算機(jī)視覺技術(shù)下的非接觸式監(jiān)測系統(tǒng)對農(nóng)作物生長環(huán)境下的光照、溫度、濕度、風(fēng)速、營養(yǎng)液濃度等相關(guān)因素進(jìn)行連續(xù)地監(jiān)測，進(jìn)而判斷出農(nóng)作物長勢。

2.3 在林業(yè)生產(chǎn)中的應(yīng)用

該技術(shù)在林業(yè)生產(chǎn)中的應(yīng)用主要集中在農(nóng)藥噴灑和林木球果采集這兩方面。就林業(yè)的農(nóng)藥噴灑而言，常規(guī)的農(nóng)藥噴灑方式易造成農(nóng)藥的大量流失，不僅達(dá)不到防止林業(yè)有害生物的目的，還浪費(fèi)了大量的人力、物力和財(cái)力。計(jì)算機(jī)視覺技術(shù)的應(yīng)用能通過對施藥目標(biāo)圖像進(jìn)行實(shí)時(shí)分析，得出具體的施藥量和準(zhǔn)確的施藥位置，該技術(shù)指導(dǎo)下的施藥工作極大發(fā)揮了農(nóng)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(dāng)前使用的方法主要是人工使用專業(yè)工具下的采集以及機(jī)械設(shè)備運(yùn)用下的高空作業(yè)車采集和搖振采種機(jī)采集，這兩種方式都存在一定的安全性和效率問題。計(jì)算機(jī)視覺技術(shù)的應(yīng)用能通過對需要進(jìn)行采集的林木球果進(jìn)行圖像采集來得出球果所處的具置，再結(jié)合專業(yè)機(jī)械手的使用完成球果采集。該技術(shù)不僅節(jié)省了大量勞動(dòng)力，還極大提高了采摘效率。

2.4 在農(nóng)產(chǎn)品檢測中的應(yīng)用

農(nóng)產(chǎn)品在生產(chǎn)過程中受自然環(huán)境的影響比較大，所以農(nóng)產(chǎn)品不僅會產(chǎn)生質(zhì)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(nóng)產(chǎn)品在出售時(shí)大多要進(jìn)行產(chǎn)品等級的劃分，所以將計(jì)算機(jī)視覺技術(shù)運(yùn)用到對其顏色和外形尺寸的檢測上，有效達(dá)到了對農(nóng)產(chǎn)品進(jìn)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(nóng)產(chǎn)品進(jìn)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(chǎn)品的損壞；通過對西瓜等農(nóng)產(chǎn)品進(jìn)行顏色上的檢測，能準(zhǔn)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(tǒng)自動(dòng)化中的應(yīng)用

計(jì)算機(jī)視覺技術(shù)在電力系統(tǒng)自動(dòng)化應(yīng)用的表現(xiàn)當(dāng)前主要表現(xiàn)在以下2個(gè)方面：1）在人機(jī)界面中的應(yīng)用。人機(jī)界面在運(yùn)行過程中更加強(qiáng)調(diào)人的主體地位，實(shí)現(xiàn)了用戶對各種效應(yīng)通道和感覺通道的運(yùn)用。具體來講，計(jì)算機(jī)視覺技術(shù)在用戶向計(jì)算機(jī)的輸入方面，效應(yīng)通道實(shí)現(xiàn)了手動(dòng)為主向手、足、口、身體等的轉(zhuǎn)變；在計(jì)算機(jī)向用戶的輸出方面，感覺通道實(shí)現(xiàn)了視覺為主向觸覺、嗅覺、聽覺等的轉(zhuǎn)變。2）在電廠煤粉鍋爐火焰檢測中的應(yīng)用。對煤粉鍋爐火焰的檢測既能有效判斷鍋爐的運(yùn)行狀況，又能在很大程度上實(shí)現(xiàn)電廠的安全性運(yùn)營。由于煤的負(fù)荷變化和種類變化會在使著火位置發(fā)生移動(dòng)，所以為了保證爐膛火焰檢測的準(zhǔn)確性，必須彌補(bǔ)之前單純應(yīng)用火焰檢測器只能判斷有無火焰開關(guān)量信號的弊端。計(jì)算機(jī)視覺技術(shù)的應(yīng)用，就在彌補(bǔ)火焰檢測器應(yīng)用弊端的基礎(chǔ)上，實(shí)現(xiàn)了對火焰形狀的進(jìn)一步檢測。

2.6 在圖書館工作中的應(yīng)用

隨著當(dāng)前數(shù)字圖書館和自動(dòng)化管理系統(tǒng)的建立，計(jì)算機(jī)技術(shù)在圖書館方面的應(yīng)用越來越廣泛。當(dāng)前計(jì)算機(jī)視覺技術(shù)在圖書館方面的應(yīng)用主要集中在古籍修補(bǔ)和書刊剔舊這兩方面。就古籍修補(bǔ)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(dǎo)致紙張變黃、變脆以及蟲洞等現(xiàn)象的出現(xiàn)。在進(jìn)行修補(bǔ)時(shí)，依靠計(jì)算機(jī)視覺技術(shù)開展具體的修補(bǔ)工作，能在很大程度上提高修補(bǔ)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(xiàn)資料進(jìn)行及時(shí)地剔除，能實(shí)現(xiàn)圖書資源的及時(shí)更新。計(jì)算機(jī)視覺技術(shù)在該方面的應(yīng)用，極大地保證了工作的準(zhǔn)確性和效率性。

3 結(jié)束語

通過以上對計(jì)算機(jī)視覺技術(shù)在工業(yè)、農(nóng)業(yè)、林業(yè)、農(nóng)產(chǎn)品檢測、電力系統(tǒng)自動(dòng)化及圖書館工作這6個(gè)方面的研究可以看出，隨著計(jì)算機(jī)技術(shù)的進(jìn)一步發(fā)展以及計(jì)算機(jī)與各專業(yè)學(xué)科的不斷滲透，該技術(shù)的發(fā)展前景和應(yīng)用領(lǐng)域都將更加廣闊。

參考文獻(xiàn)

篇2

關(guān)鍵詞:雙目計(jì)算機(jī)視覺 深度信息 自適應(yīng) 光照變化 視頻監(jiān)控

1、引 言

面對日益復(fù)雜的社會和政治環(huán)境,國家安全、社會安全、個(gè)人人生安全和財(cái)產(chǎn)安全等都面臨著不同程度的威脅,都需要各種安全保護(hù)措施,在眾多場所建立切實(shí)有效的安保措施,成為一個(gè)迫切的課題。本文提出了一種基于雙目計(jì)算機(jī)視覺的自適應(yīng)識別算法,將該算法應(yīng)用于現(xiàn)有的監(jiān)控系統(tǒng),并賦予監(jiān)控終端智能性,不僅使其脫離人而具有獨(dú)立智能、自主判斷的能力,而且使得視頻監(jiān)控系統(tǒng)在安防方面的作用大大提高。

在現(xiàn)有的背景建模方法中,大多對于背景象素點(diǎn)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(jìn)行建模[ 2 ] 。對于背景的更新,一般使用自適應(yīng)濾波器對像素的統(tǒng)計(jì)特性進(jìn)行遞歸更新,為了考慮到噪聲的影響,文獻(xiàn)[ 3 ]提出了Kalman濾波器的方法,該文認(rèn)為系統(tǒng)的最優(yōu)信息可通過估計(jì)獲得。考慮到環(huán)境的動(dòng)態(tài)緩慢改變,文獻(xiàn)[ 4 ]利用統(tǒng)計(jì)模型給背景建模,即由一個(gè)時(shí)域?yàn)V波器保留著一個(gè)序列均值和一個(gè)標(biāo)準(zhǔn)偏差,并通過濾波過程統(tǒng)計(jì)值隨時(shí)間改變來反映環(huán)境的動(dòng)態(tài)特性。另外有一些方法解決了光照漸變等影響[ 5~7 ] ,但計(jì)算較復(fù)雜。

2、雙目計(jì)算機(jī)視覺深度算法

基于實(shí)際應(yīng)用考慮,攝像頭的數(shù)量關(guān)系著成本和計(jì)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(jì)算機(jī)視覺算法( Stereo2MF)在深度效果平滑性上做得較好[ 8, 9 ] ,適用于監(jiān)控區(qū)域深度計(jì)算的應(yīng)用背景。但原有算法所需的計(jì)算量和計(jì)算過程中的暫存數(shù)據(jù)量是較大的,雖然支持計(jì)算量的削減,但只是機(jī)械地在一塊區(qū)域中選擇中心點(diǎn)來進(jìn)行計(jì)算,這樣計(jì)算的結(jié)果會因選擇的機(jī)械性,而出現(xiàn)大量的“偽點(diǎn)”,這些偽點(diǎn)錯(cuò)誤地表現(xiàn)了該區(qū)域的平均深度信息。本文采用統(tǒng)計(jì)平均值選取計(jì)算點(diǎn),通過距離因子的Gauss分布將塊內(nèi)其他點(diǎn)的值融合計(jì)算,從而使得計(jì)算出的值較準(zhǔn)確的代表了這一塊內(nèi)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(diǎn)個(gè)數(shù),M、N 表示像素點(diǎn)的橫縱坐標(biāo), .d 是塊內(nèi)深度統(tǒng)計(jì)平均值, dM, N為計(jì)算點(diǎn)的深度值, q為距離因子, dB是計(jì)算所得的塊深度代表值。圖1為改進(jìn)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(xì)節(jié)表現(xiàn)、平滑性、偽點(diǎn)減少上均有明顯改善,而且深度計(jì)算精確度能夠完全滿足視頻

圖1 改進(jìn)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(jì)算精確度能夠完全滿足視頻監(jiān)控應(yīng)用的需要。

3、自適應(yīng)識別算法

對于一個(gè)固定的場景,場景各像素點(diǎn)的深度值是符合一個(gè)隨機(jī)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(jī)振蕩,這種情況下的場景稱之為背景。而場景環(huán)境往往是動(dòng)態(tài)變化的,如環(huán)境自然光的緩變,燈光的突然熄滅或點(diǎn)亮,以及運(yùn)動(dòng)對象的出現(xiàn)、運(yùn)動(dòng)和消失等。如果能識別出場景中的動(dòng)態(tài)變化,就能自適應(yīng)的更新背景值,將光照的改變?nèi)诤系奖尘爸抵?。本文采取了用統(tǒng)計(jì)模型的方式給每個(gè)像素點(diǎn)建模,而以像素點(diǎn)變化的分布情況來確定光照突變引起的深度突變,并結(jié)合深度計(jì)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(diǎn)的深度值建模

由于雙目計(jì)算機(jī)視覺算法得到的深度值,已經(jīng)是塊融合的,可以根據(jù)精度要求,來加大塊面積, 減少數(shù)據(jù)量。本文獲得的數(shù)據(jù)量只有原像素點(diǎn)的( k, l分別是塊的長和寬所包含的像素點(diǎn)個(gè)數(shù)) 。以統(tǒng)計(jì)的方法給每個(gè)像素點(diǎn)的深度值建模, 設(shè)為第u幀圖像的某個(gè)像素點(diǎn)的深度值, 其中u代表第u幀圖像, i, j分別代表像素點(diǎn)的橫坐標(biāo)和縱坐標(biāo)。由一個(gè)時(shí)間濾波器來保持該像素點(diǎn)深度值的序列均值和時(shí)間偏差

其中,α是一個(gè)可調(diào)增益參數(shù), 其與采樣頻率有關(guān)。通過濾波過程,來得到每個(gè)像素點(diǎn)的深度值基于時(shí)間的統(tǒng)計(jì)特性,由于這些統(tǒng)計(jì)特性反映了環(huán)境的動(dòng)態(tài)特性,據(jù)此可以了解到是環(huán)境的光照發(fā)生了突變,還是有運(yùn)動(dòng)對象的運(yùn)動(dòng)。

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?nèi)谌氲奖尘爸腥?實(shí)現(xiàn)背景的自適應(yīng)更新。而對于光照突變,此時(shí)幾乎所有的象素點(diǎn)的亮度值會同時(shí)增大或減小,但根據(jù)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(jì)算結(jié)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(rèn)為是光照突變引起的。

其中, a、b和c是3個(gè)可調(diào)節(jié)系數(shù),他們的取值可依據(jù)場景的情況及檢測光照突變的速度與誤差來進(jìn)行選取。s, t分別是深度圖像的長和寬所包含的像素點(diǎn)個(gè)數(shù)。Q是符合式( 9)的像素點(diǎn)個(gè)數(shù)。一旦檢測到環(huán)境光照發(fā)生了突變, 就把背景點(diǎn)像素的深度序列均值,全部以當(dāng)前幀像素點(diǎn)的深度值的測量

值代替,而j以0取代,從而實(shí)現(xiàn)背景的及時(shí)更新。

如果式(10)式(12)中任意一個(gè)不成立的話,則認(rèn)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(yùn)動(dòng)對象出現(xiàn)。

4、算法分析與實(shí)驗(yàn)

4. 1 算法復(fù)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(dāng)有運(yùn)動(dòng)對象出現(xiàn)時(shí), 并且式( 10)式( 12)都接近滿足時(shí),處理會較慢,因?yàn)樾枰幚硗蛔儥z測和運(yùn)動(dòng)對象兩個(gè)過程。當(dāng)b取25% s ×t時(shí)的處理速度與變化點(diǎn)比例關(guān)系如圖2所示。

相對于一般的光強(qiáng)、灰度的識別檢測算法,本算法的優(yōu)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(xiàn)的多個(gè)運(yùn)動(dòng)對象的主次性。

4. 2 算法誤檢率

由于光照直接對于像素點(diǎn)的光強(qiáng)、灰度等產(chǎn)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(shí)驗(yàn)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(chǎn)生偽點(diǎn),所以,某些時(shí)候由于光照突變中光源的位置變化而會誤檢為運(yùn)動(dòng)對象,為此算法還需進(jìn)一步改進(jìn)能判別偽點(diǎn)的出現(xiàn), 除去它在光照突變檢測中的影響。另外,公式中可調(diào)系數(shù)a, b, c的選取也會對不同場景產(chǎn)生影響。

筆者在實(shí)驗(yàn)室環(huán)境下做了不同光照角度、不同環(huán)境光強(qiáng)度、不同運(yùn)動(dòng)物體的多組實(shí)驗(yàn),發(fā)現(xiàn)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(cuò),但是在增加系數(shù)a, c的值后, 誤檢率有所降低(如圖3所示) 。

5、基于算法的監(jiān)控系統(tǒng)

我們利用該算法實(shí)現(xiàn)了視頻監(jiān)控原型系統(tǒng)。計(jì)算機(jī)視覺算法對于攝像頭的同步曝光要求很高,所以本系統(tǒng)終端用一塊單獨(dú)的MCU (micro control unit)控制同步曝光。核心算法用DSP處理。系統(tǒng)結(jié)構(gòu)如圖4所示。實(shí)際系統(tǒng)原型圖如圖5所示。

篇3

隨著計(jì)算機(jī)技術(shù)以及圖像處理技術(shù)的快速發(fā)展，計(jì)算機(jī)視覺技術(shù)作為一種新興的技術(shù)，其被廣泛應(yīng)用在軍事、醫(yī)學(xué)、工業(yè)以及農(nóng)業(yè)等領(lǐng)域[1]。一般而言，計(jì)算機(jī)及視覺技術(shù)應(yīng)用在農(nóng)業(yè)的生產(chǎn)前、生產(chǎn)中以及生產(chǎn)后等各個(gè)環(huán)節(jié)，其主要就是鑒別植物種類，分級和檢測農(nóng)產(chǎn)品的品質(zhì)。計(jì)算機(jī)視覺相較于人類視覺而言，其具有更多的優(yōu)點(diǎn)，能夠有效提高農(nóng)業(yè)的生產(chǎn)率，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)與管理的智能化和自動(dòng)化，促進(jìn)農(nóng)業(yè)的可持續(xù)發(fā)展。

一、計(jì)算機(jī)視覺技術(shù)概述

計(jì)算機(jī)視覺主要是指利用計(jì)算機(jī)來對圖像進(jìn)行分析，從而控制某種動(dòng)作或者獲取某描述景物的數(shù)據(jù)，是人工智能與模式識別的重要領(lǐng)域。計(jì)算機(jī)視覺興起于20世紀(jì)70年代，其涉及的學(xué)科范圍較為廣泛，包括視覺學(xué)、CCD技術(shù)、自動(dòng)化、人工智能、模式識別、數(shù)字圖像處理以及計(jì)算機(jī)等。就目前而言，計(jì)算機(jī)視覺技術(shù)主要以圖像處理技術(shù)為核心，是通過計(jì)算機(jī)視覺模擬人眼，并利用光譜對作物進(jìn)行近距離拍攝，運(yùn)用數(shù)字圖像處理以及人工智能等技術(shù)，對圖像信息進(jìn)行分析和研究。計(jì)算機(jī)視覺技術(shù)主要步驟包括采集圖像、分割圖像、預(yù)處理、特征提取、處理和分析提取的特征等[2]。

二、農(nóng)業(yè)機(jī)械中計(jì)算機(jī)視覺技術(shù)的應(yīng)用分析

一般而言，農(nóng)業(yè)機(jī)械中計(jì)算機(jī)視覺技術(shù)的應(yīng)用，主要表現(xiàn)在以下三個(gè)方面：一是田間作業(yè)機(jī)械中的應(yīng)用；二是農(nóng)產(chǎn)品加工機(jī)械中的應(yīng)用；三是農(nóng)產(chǎn)品分選機(jī)械中的應(yīng)用。

（一）田間作業(yè)機(jī)械中的應(yīng)用

在田間作業(yè)機(jī)械中，計(jì)算機(jī)視覺技術(shù)的應(yīng)用較晚。近年來，由于環(huán)境保護(hù)政策的提出，在農(nóng)田作業(yè)的播種、植保以及施肥機(jī)械中的應(yīng)用越來越廣泛。在田間作業(yè)的過程中應(yīng)用計(jì)算機(jī)視覺技術(shù)時(shí)，主要應(yīng)用在苗木嫁接、田間鋤草、農(nóng)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(jìn)行精確噴灑，相關(guān)研究人員分析了美國中西部地區(qū)常見的大豆、玉米以及雜草二值圖像的形態(tài)學(xué)特征，發(fā)現(xiàn)植物長出后14～23天內(nèi)能夠有效區(qū)別雙子葉和單子葉的效果，準(zhǔn)確率最高達(dá)到90%。在1998年開發(fā)出Detectspary除草劑噴灑器，其能夠有效識別雜草，在休耕季節(jié)時(shí)，其相較于播撒而言，能夠減少19%～60%的除草劑用量。在農(nóng)業(yè)生產(chǎn)中，農(nóng)藥的粗放式噴灑是污染嚴(yán)重，效率低下的環(huán)節(jié)，為了有效改變這種現(xiàn)狀，Giler D.K.等研制出能夠精量噴霧成行作物的裝置。該系統(tǒng)主要是利用機(jī)器視覺導(dǎo)向系統(tǒng)，使噴頭能夠與每行作物上方進(jìn)行對準(zhǔn)，并結(jié)合作物的寬度，對噴頭進(jìn)行自動(dòng)調(diào)節(jié)，確保作物的寬度與霧滴分布寬度具有一致性，從而有效節(jié)省農(nóng)藥。一般而言，該系統(tǒng)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(nóng)藥對環(huán)境產(chǎn)生的影響。

（二）農(nóng)產(chǎn)品加工機(jī)械中的應(yīng)用

隨著信息技術(shù)以及計(jì)算機(jī)技術(shù)的快速發(fā)展，計(jì)算機(jī)視覺技術(shù)被廣泛應(yīng)用在農(nóng)產(chǎn)品加工的自動(dòng)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(jù)，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(chǎn)過程時(shí)，在不經(jīng)過染色的情況下，對胚芽米的顏色特性等進(jìn)行分析，得出胚芽米顏色特征的參數(shù)為飽和度S。同時(shí)利用計(jì)算機(jī)視覺系統(tǒng)，自動(dòng)無損檢測胚芽精米的留胚率，其結(jié)果與人工評定的結(jié)果大體一致。

（三）農(nóng)產(chǎn)品分選機(jī)械中的應(yīng)用

在分級和鑒定農(nóng)產(chǎn)品的品質(zhì)時(shí)，可以利用計(jì)算機(jī)視覺技術(shù)對其進(jìn)行無損檢測。一般計(jì)算機(jī)視覺技術(shù)不需對測定對象進(jìn)行接觸，可以直接利用農(nóng)產(chǎn)品的表面圖像，分級和評估其質(zhì)量，其具有標(biāo)準(zhǔn)統(tǒng)一、識別率高一級效率高等優(yōu)勢。計(jì)算機(jī)視覺技術(shù)在檢測農(nóng)產(chǎn)品時(shí)，主要集中在谷物、蔬菜以及水果等方面。Chtioui Y等人提出了結(jié)合Rough sets理論，利用計(jì)算機(jī)視覺技術(shù)對蠶豆品質(zhì)的方法進(jìn)行評價(jià)。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(jìn)行有效區(qū)分，并利用影色圖像，對其特征參數(shù)進(jìn)行分類，最終分類的結(jié)果相比于統(tǒng)計(jì)分類結(jié)果，兩者具有較好的一致性。

篇4

關(guān)鍵詞：計(jì)算機(jī)視覺技術(shù)；食品工業(yè)；分級；圖像處理

中圖分類號： TS207 文獻(xiàn)標(biāo)識碼：A

隨著微型個(gè)人計(jì)算機(jī)應(yīng)用的越來越廣泛，以及計(jì)算機(jī)在綜合學(xué)科中應(yīng)用的深入研究，現(xiàn)如今在工農(nóng)業(yè)、軍事國防、醫(yī)學(xué)衛(wèi)生等眾多領(lǐng)域的使用和研究方面計(jì)算機(jī)視覺技術(shù)都起到了至關(guān)重要的作用，為了節(jié)省人力、降低成本、減少誤差，該項(xiàng)技術(shù)在食品企業(yè)、科研院所、檢測機(jī)構(gòu)中的應(yīng)用更加普遍。如今，在農(nóng)產(chǎn)品藥物殘留檢測、水果重量分級、等級篩選、質(zhì)量監(jiān)管等方面計(jì)算機(jī)視覺技術(shù)有眾多應(yīng)用。

1 計(jì)算機(jī)視覺技術(shù)概述

計(jì)算機(jī)視覺技術(shù)是利用計(jì)算機(jī)、攝像機(jī)、圖像卡以及相關(guān)處理技術(shù)來模擬人的視覺，用以識別、感知和認(rèn)識我們生活的世界[1]。該技術(shù)是模擬識別人工智能、心理物理學(xué)、圖像處理、計(jì)算機(jī)科學(xué)及神經(jīng)生物學(xué)等多領(lǐng)域的綜合學(xué)科。計(jì)算機(jī)視覺技術(shù)用攝像機(jī)模擬人眼，用計(jì)算機(jī)模擬大腦，用計(jì)算機(jī)程序和算法來模擬人對事物的認(rèn)識和思考，替代人類完成程序?yàn)槠湓O(shè)定的工作。該技術(shù)由多個(gè)相關(guān)的圖像處理系統(tǒng)組成，主要包括光源提供系統(tǒng)、圖像提取系統(tǒng)、計(jì)算機(jī)數(shù)據(jù)運(yùn)算系統(tǒng)等。原理是：首先通過攝像機(jī)獲得所需要的圖像信息，然后利用信號轉(zhuǎn)換將獲得的圖像信息轉(zhuǎn)變?yōu)閿?shù)字圖像以便計(jì)算機(jī)正確識別[2]。隨著科學(xué)技術(shù)的發(fā)展，計(jì)算機(jī)技術(shù)在各個(gè)領(lǐng)域得到廣泛應(yīng)用，計(jì)算機(jī)視覺技術(shù)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(jì)算機(jī)視覺計(jì)算有如此快速的發(fā)展，是因?yàn)榕c人類的視覺相比該技術(shù)具有以下顯著優(yōu)勢[3]。

1.1 自動(dòng)化程度高

計(jì)算機(jī)視覺可以實(shí)現(xiàn)對農(nóng)產(chǎn)品的多個(gè)外形和內(nèi)在品質(zhì)指標(biāo)進(jìn)行同時(shí)檢測分析，可以進(jìn)行整體識別、增強(qiáng)對目標(biāo)識別的準(zhǔn)確性。

1.2 實(shí)現(xiàn)無損檢測

由于計(jì)算機(jī)視覺技術(shù)對農(nóng)產(chǎn)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(wěn)定的檢測精度

設(shè)計(jì)的運(yùn)行程序確定后，計(jì)算機(jī)視覺技術(shù)的識別功能就會具有統(tǒng)一的識別標(biāo)準(zhǔn)，具有穩(wěn)定的檢測精度，避免了人工識別和檢測時(shí)主觀因素所造成的差異。

2 計(jì)算機(jī)視覺技術(shù)在食品檢測中的應(yīng)用

20世紀(jì)70年代初，學(xué)者開始研究計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的應(yīng)用，近幾十年電子技術(shù)得到快速發(fā)展，計(jì)算機(jī)視覺技術(shù)也越來越成熟。國內(nèi)外學(xué)者在研究計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的應(yīng)用方面主要集中在該技術(shù)對果蔬的外部形態(tài)（如形狀、重量、外觀損傷、色澤等）的識別、內(nèi)部無損檢測等方面。國內(nèi)有關(guān)計(jì)算機(jī)視覺技術(shù)在食品業(yè)中的應(yīng)用研究起始于90年代，比國外發(fā)達(dá)國家晚多達(dá)20a，但是發(fā)展很快。

2.1 計(jì)算機(jī)視覺技術(shù)在果蔬分級中的應(yīng)用研究

計(jì)算機(jī)視覺技術(shù)在食品檢測中的應(yīng)用研究相當(dāng)廣泛，從外部直徑、成熟度的檢測到內(nèi)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(jì)算機(jī)算法計(jì)算水果的半徑，進(jìn)而得出果蔬的最大直徑。研究表明，該算法不僅降低了計(jì)算量而且提高了計(jì)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(biāo)準(zhǔn)所規(guī)定的5mm分類標(biāo)準(zhǔn)差，可在工業(yè)生產(chǎn)中很好應(yīng)用。李慶中[5]也利用圖像的缺陷分割算法研究了計(jì)算機(jī)視覺技術(shù)在蘋果檢測與分級中的應(yīng)用，結(jié)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(guī)律為理論基礎(chǔ)，結(jié)合模糊聚類知識利用計(jì)算機(jī)視覺技術(shù)來檢測蘋果缺陷域，檢測不僅快速而且結(jié)果精確。劉禾等[7]通過研究認(rèn)為蘋果的表面缺陷可以利用計(jì)算機(jī)視覺技術(shù)進(jìn)行檢測，計(jì)算機(jī)視覺技術(shù)還可以將蘋果按照檢測結(jié)果進(jìn)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(yīng)義斌等[8]通過計(jì)算機(jī)視覺技術(shù)、圖像處理技術(shù)、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(dá)到90%。楊秀坤等[9]綜合運(yùn)用計(jì)算機(jī)視覺技術(shù)、遺傳算法、多層前饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)，實(shí)現(xiàn)了具有精確度高、靈活性強(qiáng)和速度快等優(yōu)點(diǎn)的蘋果成熟度自動(dòng)判別。陳育彥等[10]采用半導(dǎo)體激光技術(shù)、計(jì)算機(jī)視覺技術(shù)和圖像分析技術(shù)相結(jié)合的方法檢測蘋果表面的機(jī)械損傷和果實(shí)內(nèi)部的腐爛情況，初步驗(yàn)證了計(jì)算機(jī)視覺技術(shù)檢測蘋果表面的損傷和內(nèi)部腐爛是可行的。馮斌等[11]通過計(jì)算機(jī)視覺技術(shù)對水果圖像的邊緣進(jìn)行檢測，然后確定水果的大小用以水果分級。試驗(yàn)表明，該方法比傳統(tǒng)的檢測方法速度快、準(zhǔn)確率高，適用于計(jì)算機(jī)視覺的實(shí)時(shí)檢測。朱偉[12]在模糊顏色的基礎(chǔ)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(jìn)行分割，結(jié)果顯示準(zhǔn)確率高達(dá)96%。曹樂平等[13]人研究了溫州蜜柑的果皮顏色與果實(shí)可滴定酸含量以及糖分含量之間的相關(guān)性，然而根據(jù)相關(guān)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(gè)方向獲取蘋果的圖像，并通過計(jì)算機(jī)自動(dòng)分析圖像數(shù)據(jù)，對蘋果的外徑、體積、以及圓形度等參數(shù)進(jìn)行處理，與人工檢測相比，計(jì)算機(jī)視覺技術(shù)具有檢測效率高，檢測標(biāo)準(zhǔn)統(tǒng)一性好等優(yōu)點(diǎn)。Blasco. J [15]通過計(jì)算機(jī)視覺技術(shù)分析柑橘果皮的缺陷，進(jìn)而對其在線分級，正確率約為95%。趙廣華等[16]人綜合計(jì)算機(jī)視覺識別系統(tǒng)、輸送轉(zhuǎn)換系統(tǒng)、輸送翻轉(zhuǎn)系統(tǒng)、差速勻果系統(tǒng)和分選系統(tǒng)，研制出一款適于實(shí)時(shí)監(jiān)測、品質(zhì)動(dòng)態(tài)的智能分級系統(tǒng)，能夠很好地實(shí)現(xiàn)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(guān)系，應(yīng)用計(jì)算機(jī)視覺技術(shù)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(zhǔn)確率均為92%，按果面損傷分級的準(zhǔn)確率分別為76%和80%。

2.2 計(jì)算機(jī)視覺技術(shù)在禽蛋檢測中的應(yīng)用研究

禽蛋企業(yè)在生產(chǎn)過程中，產(chǎn)品的分級、品質(zhì)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(dòng)強(qiáng)度大、人為誤差大、工作效率低等缺點(diǎn)，計(jì)算機(jī)視覺技術(shù)可以很好的解決這類產(chǎn)品工業(yè)生產(chǎn)中存在的困擾。歐陽靜怡等[18]利用計(jì)算機(jī)視覺技術(shù)來檢測雞蛋蛋殼裂紋，利用攝像機(jī)獲取雞蛋圖像后，采用fisher、同態(tài)濾波和BET算法等優(yōu)化后的圖像處理技術(shù)，獲得裂紋形狀并判斷，試驗(yàn)結(jié)果表明，計(jì)算機(jī)視覺技術(shù)對雞蛋蛋殼裂紋的檢測準(zhǔn)確率高達(dá)98%。汪俊德等[19]以計(jì)算機(jī)視覺技術(shù)為基礎(chǔ)，設(shè)計(jì)出一套雙黃雞蛋檢測系統(tǒng)。該系統(tǒng)獲取蛋黃指數(shù)、蛋黃特征和蛋形尺寸等特征，和設(shè)計(jì)的數(shù)學(xué)模型對比來實(shí)現(xiàn)雙黃雞蛋的檢測和識別，檢測準(zhǔn)確率高達(dá)95%。鄭麗敏等[20]人通過高分辨率的數(shù)字?jǐn)z像頭獲取雞蛋圖像，根據(jù)圖像特征建立數(shù)學(xué)模型來預(yù)測雞蛋的新鮮度和貯藏期，結(jié)果表明，計(jì)算機(jī)視覺技術(shù)對雞蛋的新鮮度、貯藏期進(jìn)行預(yù)測的結(jié)果準(zhǔn)確率為94%。潘磊慶等[21]通過計(jì)算機(jī)視覺技術(shù)和聲學(xué)響應(yīng)信息技術(shù)相結(jié)合的方法檢測裂紋雞蛋，其檢測準(zhǔn)確率達(dá)到98%。Mertens K等[22]人基于計(jì)算機(jī)視覺技術(shù)研發(fā)了雞蛋的分級檢測系統(tǒng)，該系統(tǒng)識別帶污漬雞蛋的正確率高達(dá)99%。

2.3 計(jì)算機(jī)視覺技術(shù)在檢測食品中微生物含量中的應(yīng)用研究

計(jì)算機(jī)技術(shù)和圖像處理技術(shù)在綜合學(xué)科中的應(yīng)用得到快速發(fā)展，在微生物快速檢測中的應(yīng)用也越來越多，主要是針對微生物微菌落的處理。食品工業(yè)中計(jì)算機(jī)視覺技術(shù)在微生物檢測方面的研究和應(yīng)用以研究單個(gè)細(xì)胞為主，并在個(gè)體細(xì)胞的研究上取得了一定的進(jìn)展。殷涌光等[23]以顏色特征分辨技術(shù)為基礎(chǔ)，設(shè)計(jì)了一套應(yīng)用計(jì)算機(jī)視覺技術(shù)快速定量檢測食品中大腸桿菌的系統(tǒng)，該系統(tǒng)檢測結(jié)果與傳統(tǒng)方法的檢測結(jié)果具有很好的相關(guān)性，但與傳統(tǒng)方法相比，可以節(jié)省5d時(shí)間，檢測時(shí)間在18h以內(nèi)，并且能夠有效提高產(chǎn)品品質(zhì)。Lawless等[24]人等時(shí)間段測定培養(yǎng)基上的細(xì)胞密度，然后通過計(jì)算機(jī)技術(shù)建立時(shí)間和細(xì)胞密度之間的動(dòng)態(tài)關(guān)聯(lián)，利用該關(guān)聯(lián)可以預(yù)測和自動(dòng)檢測微生物的生長情況，如通過計(jì)算機(jī)控制自動(dòng)定量采集檢測對象，然后分析菌落的邊緣形態(tài)，根據(jù)菌落的邊緣形態(tài)計(jì)算機(jī)可以顯示被檢測菌落的具置，并且根據(jù)動(dòng)態(tài)關(guān)聯(lián)計(jì)算機(jī)視覺系統(tǒng)可以同時(shí)處理多個(gè)不同的樣品。郭培源等[25]人對計(jì)算機(jī)視覺技術(shù)用于豬肉的分級進(jìn)行了研究，結(jié)果顯示計(jì)算機(jī)視覺技術(shù)在識別豬肉表面微生物數(shù)量上與國標(biāo)方法檢測的結(jié)果顯著相關(guān)，該技術(shù)可以有效地計(jì)算微生物的數(shù)量。Bayraktar. B等[26]人采用計(jì)算機(jī)視覺技術(shù)、光散射技術(shù)（BARDOT）和模式識別技術(shù)相結(jié)合的方法來快速檢測李斯特菌，在獲取該菌菌落中的形態(tài)特征有對圖像進(jìn)行分析處理達(dá)到對該菌的分類識別。殷涌光等[27]人綜合利用計(jì)算機(jī)視覺、活體染色、人工神經(jīng)網(wǎng)絡(luò)、圖像處理等技術(shù)，用分辨率為520萬像素的數(shù)字?jǐn)z像機(jī)拍攝細(xì)菌內(nèi)部的染色效果，并結(jié)合新的圖像處理算法，對細(xì)菌形態(tài)學(xué)的8個(gè)特征參數(shù)進(jìn)行檢測，檢測結(jié)果與傳統(tǒng)檢測結(jié)果顯著相關(guān)（相關(guān)系數(shù)R=0.9987），和傳統(tǒng)檢測方法相比該方法具有操作簡單、快速、結(jié)果準(zhǔn)確、適合現(xiàn)場快速檢測等特點(diǎn)。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(shù)量，并以此作為衡量乳制品質(zhì)量是否達(dá)標(biāo)的依據(jù)，并對產(chǎn)品進(jìn)行分級。

2.4計(jì)算機(jī)視覺技術(shù)在其他食品產(chǎn)業(yè)中的應(yīng)用研究

里紅杰等[30]通過提取貝類和蝦類等海產(chǎn)品的形狀、尺寸、紋理、顏色等外形特征，對照數(shù)學(xué)模型，采用數(shù)字圖像處理技術(shù)、計(jì)算機(jī)識別技術(shù)實(shí)現(xiàn)了對貝類和蝦類等海產(chǎn)品的無損檢測和自動(dòng)化分類、分級和質(zhì)量評估，并通過實(shí)例詳細(xì)闡述了該技術(shù)的實(shí)現(xiàn)方法，證實(shí)了此項(xiàng)技術(shù)的有效性。計(jì)算機(jī)視覺技術(shù)還可以檢驗(yàn)玉米粒形和玉米種子質(zhì)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(yùn)用計(jì)算機(jī)視覺技術(shù)對圖像進(jìn)行分析評估，毛葉棗可食率的評估結(jié)果與運(yùn)用物理方法測得的結(jié)果平均誤差僅為1.47%，因此得出結(jié)論：計(jì)算機(jī)視覺技術(shù)可以應(yīng)用于毛葉棗的自動(dòng)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(shù)來研究薯片中丙烯酰胺的含量和褐變率也關(guān)系，結(jié)果顯示兩項(xiàng)參數(shù)相關(guān)性為0.989，從而可以應(yīng)用計(jì)算機(jī)視覺技術(shù)來預(yù)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(yè)中得到廣泛應(yīng)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(jì)算機(jī)視覺技術(shù)對花生內(nèi)部和外部采集圖像，并通過圖像對其外在品質(zhì)和內(nèi)在品質(zhì)進(jìn)行分析，并建立相應(yīng)的數(shù)學(xué)模型，該技術(shù)在對待檢樣品進(jìn)行分級檢測時(shí)的正確率高達(dá)92%。另外，郭培源等人以國家標(biāo)準(zhǔn)為依據(jù)，通過數(shù)字?jǐn)z像技術(shù)獲取豬肉的細(xì)菌菌斑面積、脂肪細(xì)胞數(shù)、顏色特征值以及氨氣等品質(zhì)指標(biāo)來實(shí)現(xiàn)豬肉新鮮程度的分級辨認(rèn)。

3 展望

新技術(shù)的研究與應(yīng)用必然伴隨著坎坷，從70年代初計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中進(jìn)行應(yīng)用開始，就遇到了很多問題。計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的研究及應(yīng)用主要存在以下幾方面的問題。

3.1 檢測指標(biāo)有限

計(jì)算機(jī)視覺技術(shù)在檢測食品單一指標(biāo)或者以一個(gè)指標(biāo)作為分級標(biāo)準(zhǔn)進(jìn)行分級時(shí)具有理想效果，但以同一食品的多個(gè)指標(biāo)共同作為分級標(biāo)準(zhǔn)進(jìn)行檢測分級，則分級結(jié)果誤差較大。例如，Davenel等通過計(jì)算機(jī)視覺對蘋果的大小、重量、外觀損傷進(jìn)行分析，但研究結(jié)果顯示，系統(tǒng)會把花粵和果梗標(biāo)記為缺陷，還由于蘋果表面碰壓傷等缺陷情況復(fù)雜，造成分級誤差很大，分級正確率只有69%。Nozer等以計(jì)算機(jī)視覺為主要技術(shù)手段，獲取水果的圖像，進(jìn)而通過分析圖像來確定水果的形狀、大小、顏色和重量，并進(jìn)行分級，其正確率僅為85.1%。

3.2 兼容性差

計(jì)算機(jī)視覺技術(shù)針對單一種類的果蔬分級檢測效果顯著，但是同一套系統(tǒng)和設(shè)備很難用于其他種類的果蔬，甚至同一種類不同品種的農(nóng)產(chǎn)品也很難公用一套計(jì)算機(jī)視覺設(shè)備。Reyerzwiggelaar等利用計(jì)算機(jī)視覺檢查杏和桃的損傷程度，發(fā)現(xiàn)其檢測桃子的準(zhǔn)確率顯著高于杏的。Majumdar.S等利用計(jì)算機(jī)視覺技術(shù)區(qū)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(huán)境制約

現(xiàn)階段的計(jì)算機(jī)視覺技術(shù)和配套的數(shù)學(xué)模型適用于簡單的環(huán)境，在復(fù)雜環(huán)境下工作時(shí)會產(chǎn)生較大的誤差。Plebe等利用計(jì)算機(jī)視覺技術(shù)對果樹上的水果進(jìn)行識別定位，但研究發(fā)現(xiàn)由于光照條件以及周邊環(huán)境的影響，水果的識別和定位精度不高，不能滿足實(shí)際生產(chǎn)的需要。

綜上所述，可看出國內(nèi)外學(xué)者對計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的應(yīng)用進(jìn)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(gè)學(xué)科，在研究和應(yīng)用的過程中，取得了較大的經(jīng)濟(jì)效益，也遇到了很多問題，在新的形勢下，計(jì)算機(jī)視覺技術(shù)和數(shù)碼拍攝、圖像處理、人工神經(jīng)網(wǎng)絡(luò)，數(shù)學(xué)模型建設(shè)、微生物快速計(jì)量等高新技術(shù)相融合的綜合技術(shù)逐漸成為了各個(gè)領(lǐng)域?qū)W者的研究熱點(diǎn)，以計(jì)算機(jī)視覺為基礎(chǔ)的綜合技術(shù)也將在食品工業(yè)中發(fā)揮更加重要的作用。

參考文獻(xiàn)

[1] 寧紀(jì)鋒，龍滿生，何東健.農(nóng)業(yè)領(lǐng)域中的計(jì)算機(jī)視覺研究[J].計(jì)算機(jī)與農(nóng)業(yè)，2001（01）：1-3.

[2] 李崢.基于計(jì)算機(jī)視覺的蔬菜顏色檢測系統(tǒng)研究[D].吉林：吉林大學(xué)，2004.

[3] 曾愛群.基于計(jì)算機(jī)視覺與神經(jīng)網(wǎng)絡(luò)的芒果等級分類研究[D].桂林：桂林工學(xué)院，2008.

[4] 韓偉，曾慶山.基于計(jì)算機(jī)視覺的水果直徑檢測方法的研究[J].中國農(nóng)機(jī)化，2011（05）：25-29.

[5] 李慶中.蘋果自動(dòng)分級中計(jì)算機(jī)視覺信息快速獲取與處理技術(shù)的研究[D].北京：中國農(nóng)業(yè)大學(xué)，2000.

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

[7] 劉禾，汀慰華.水果果形判別人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的研究[J].農(nóng)業(yè)工程學(xué)報(bào)，1996，12（0l）：171-176.

[8] 應(yīng)義斌，景寒松，馬俊福.用計(jì)算機(jī)視覺進(jìn)行黃花梨果梗識別的新方法[J].農(nóng)業(yè)工程學(xué)報(bào)，1998，14（02）：221-225.

[9] 楊秀坤，陳曉光，馬成林，等.用遺傳神經(jīng)網(wǎng)絡(luò)方法進(jìn)行蘋果顏色白動(dòng)檢測的研究[J].農(nóng)業(yè)工程學(xué)報(bào)，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(nèi)部腐爛檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（07）：133-137.

[11] 馮斌，汪憋華.基于計(jì)算機(jī)視覺的水果大小檢測方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，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(nóng)業(yè)工程學(xué)報(bào)，2003，19（03）：133-136.

[13] 曹樂平，溫芝元，沈陸明.基于色調(diào)分形維數(shù)的柑橘糖度和有效酸度檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，41（03）：143-148.

[14] 劉剛，王立香，柳兆君.基于計(jì)算機(jī)視覺的蘋果質(zhì)量檢測[J].安徽農(nóng)業(yè)科學(xué)，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(zhì)實(shí)時(shí)分選系統(tǒng)[J].中國科技信息.

[17] 王江楓，羅錫文，洪添勝，等.計(jì)算機(jī)視覺技術(shù)在芒果重量及果面壞損檢測中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，1998（12）：186-189.

[18] 歐陽靜怡，劉木華.基于計(jì)算機(jī)視覺的雞蛋裂紋檢測方法研究[J].農(nóng)機(jī)化研究，2012（03）：91-93.

[19] 汪俊德，鄭麗敏，徐桂云，等.基于計(jì)算機(jī)視覺技術(shù)的雙黃雞蛋檢測系統(tǒng)研究[J].農(nóng)機(jī)化研究，2012（09）：195-199.

[20] 鄭麗敏，楊旭，徐桂云，等.基于計(jì)算機(jī)視覺的雞蛋新鮮度無損檢測[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（03）：335-339.

[21] 潘磊慶，屠康，詹歌，等.基于計(jì)算機(jī)視覺和聲學(xué)響應(yīng)信息融合的雞蛋裂紋檢測[J].農(nóng)業(yè)工程學(xué)報(bào)，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(jì)算機(jī)視覺的食品中大腸桿菌快速定量檢測[J].吉林大學(xué)學(xué)報(bào)（工學(xué)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(tǒng)研究[J].食品科學(xué)，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(jì)算機(jī)視覺的蔬菜中活菌總數(shù)的快速檢測[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（07）：249-254.

[28] 魯靜.乳品微生物自動(dòng)檢測系統(tǒng)的設(shè)計(jì)[J].湖北第二師范學(xué)院學(xué)報(bào)，2010，27（08）：115-117.

[29] 劉侃.鮮奶含菌量快速檢測系統(tǒng)[D].華中科技大學(xué)，2008.

[30] 里紅杰，陶學(xué)恒，于曉強(qiáng).計(jì)算機(jī)視覺技術(shù)在海產(chǎn)品質(zhì)量評估中的應(yīng)用[J].食品與機(jī)械，2012，28（04）：154-156.

篇5

關(guān)鍵詞：并行數(shù)據(jù)挖掘；頻繁模式；入侵檢測

一.引言

頻繁模式挖掘是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)重要方面，研究內(nèi)容一般包括事務(wù)、序列、樹和圖。其方法被廣泛應(yīng)用于許多其它數(shù)據(jù)挖掘任務(wù)中，如相關(guān)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(shí)用的并行挖掘算法成為了提高數(shù)據(jù)挖掘的時(shí)效性和適應(yīng)性的有效途徑。

4.2基于數(shù)據(jù)挖掘的入侵檢測實(shí)現(xiàn)過程

將頻繁模式數(shù)據(jù)挖掘技術(shù)應(yīng)用于入侵檢測的過程中,挖掘算法起到了關(guān)鍵作用。將基于數(shù)據(jù)挖掘入侵檢測實(shí)現(xiàn)分為如下四步：

(1)從原始審計(jì)數(shù)據(jù)中提取ASCII網(wǎng)絡(luò)包(網(wǎng)絡(luò)型)或主機(jī)事件數(shù)據(jù)(主機(jī)型),形成連接記錄( 網(wǎng)絡(luò)型)或主機(jī)會話記錄(主機(jī)型),包括一系列基本特征,放入數(shù)據(jù)倉庫。

(2)使用頻繁模式挖掘算法找出關(guān)聯(lián)模式,抽取出頻繁模式。

(3)通過模式編碼、比較、可視化,并進(jìn)行模式的使用和積累，找出純?nèi)肭帜Ｊ?，然后?gòu)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(shù)據(jù)挖掘的入侵檢測系統(tǒng)組成框架(圖1)

                          圖1: 一個(gè)基于數(shù)據(jù)挖掘的入侵檢測系統(tǒng)

(l)信息的收集。信息的收集分為兩種情況，一是分析歷史數(shù)據(jù)，從中進(jìn)行挖掘形成規(guī)則庫；二是收集實(shí)時(shí)的網(wǎng)絡(luò)數(shù)據(jù)，根據(jù)已經(jīng)形成的規(guī)則庫的規(guī)則，判斷這些網(wǎng)絡(luò)數(shù)據(jù)包是否可疑。

(2)數(shù)據(jù)預(yù)處理。所收集的事件信息需要經(jīng)過轉(zhuǎn)換以供事件分析器使用，它們被修改成通用或規(guī)范的數(shù)據(jù)格式，或者被結(jié)構(gòu)化，以便執(zhí)行一些特性選擇或執(zhí)行其它一些處理。

(3)規(guī)則挖掘。作為分析器的規(guī)則挖掘?qū)?jīng)過預(yù)處理的數(shù)據(jù)進(jìn)行分析處理。對于歷史數(shù)據(jù)，規(guī)則挖掘模塊將對這些數(shù)據(jù)進(jìn)行分析，把得到的規(guī)則的存放在規(guī)則庫中；對于實(shí)時(shí)的網(wǎng)絡(luò)數(shù)據(jù)，該模塊同樣進(jìn)行分析，分析的結(jié)果是實(shí)時(shí)數(shù)據(jù)的頻繁項(xiàng)目集，結(jié)果將交給規(guī)則匹配模塊進(jìn)行進(jìn)一步的分析。

(4)規(guī)則匹配。該模塊把經(jīng)過挖掘分析的實(shí)時(shí)網(wǎng)絡(luò)數(shù)據(jù)與規(guī)則庫的規(guī)則進(jìn)行規(guī)則匹配分析，并把匹配的結(jié)果交給作為響應(yīng)組件的決策和告警模塊。

(5)決策和告警。決策模塊根據(jù)規(guī)則匹配的結(jié)果進(jìn)行響應(yīng)，若數(shù)據(jù)是正常的，表明沒有攻擊行為，則直接把這些數(shù)據(jù)寫到規(guī)則庫中，對規(guī)則庫進(jìn)行更新；若數(shù)據(jù)是異常的，表明有攻擊行為出現(xiàn)，則發(fā)出告警，然后也可以把攻擊的行為模式保存起來。

五．結(jié)束語

頻繁模式挖掘是數(shù)據(jù)挖掘研究中一個(gè)最基本的問題，它可以從海量數(shù)據(jù)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(zhǔn)確性和適應(yīng)性。由于現(xiàn)有頻繁模式挖掘技術(shù)存在諸多問題，特別是針對入侵檢測中數(shù)據(jù)的海量、分布和動(dòng)態(tài)更新等特點(diǎn)，傳統(tǒng)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(tǒng)的準(zhǔn)確性和時(shí)效性顯得十分迫切，而且具有非常重要的理論意義和應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]楊明，孫志揮，吉根林.快速挖掘全局頻繁項(xiàng)目集.計(jì)算機(jī)研究與發(fā)展,2003，40(4):620-625

[2]林杰斌，劉明德，陳湘.數(shù)據(jù)挖掘與OLAP理論與實(shí)務(wù).清華大學(xué)出版社，2003:2-3

篇6

關(guān)鍵詞 關(guān)聯(lián)規(guī)則 高校 計(jì)算機(jī)類教師 教學(xué)質(zhì)量

中圖分類號：G424 文獻(xiàn)標(biāo)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(xué)院計(jì)算機(jī)科學(xué)系在原有的計(jì)算機(jī)科學(xué)與技術(shù)本科專業(yè)，軟件工程專業(yè)的基礎(chǔ)上申請了數(shù)字媒體專業(yè)，物聯(lián)網(wǎng)工程專業(yè)，其中計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)還分為嵌入式系統(tǒng)，信息安全，計(jì)算機(jī)網(wǎng)絡(luò)三個(gè)方向。新專業(yè)，新方向的產(chǎn)生帶來了許多全新的專業(yè)課程。該如何合理安排老師來上課，如何評價(jià)老師的教學(xué)質(zhì)量，這些問題讓類似于梧州學(xué)院這樣地處邊遠(yuǎn)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(tǒng)教學(xué)質(zhì)量測評中存在的不足，許多人嘗試了將關(guān)聯(lián)規(guī)則挖掘這一現(xiàn)代分析技術(shù)引入到教學(xué)質(zhì)量測評中，①②③④但以往的分析沒有專門針對計(jì)算機(jī)類教師，所進(jìn)行的評分也比較籠統(tǒng)，沒有分課程分別評分，此外，也沒有加入教師的行業(yè)背景這些會嚴(yán)重影響教學(xué)效果的評價(jià)因素。因此本文利用C++的STL，加入教師的行業(yè)背景因素，專門利用關(guān)聯(lián)規(guī)則挖掘來對高校計(jì)算機(jī)類教師教學(xué)質(zhì)量進(jìn)行測評，通過公正客觀的統(tǒng)計(jì)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(diào)整策略。

1 高校教師教學(xué)質(zhì)量測評的現(xiàn)狀

1.1 評價(jià)過程

我校建立了校系兩級的教學(xué)質(zhì)量監(jiān)控體系，學(xué)生在網(wǎng)上查看成績，需要把本學(xué)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(jìn)行教學(xué)中期檢查，通過調(diào)查問卷、聽課、評課、座談等多種方式對任課教師的教學(xué)工作進(jìn)行綜合評價(jià)。這樣一來，光是計(jì)算機(jī)類教師的評教分?jǐn)?shù)就至少有三類分?jǐn)?shù)，一是所任課班級的每一名學(xué)生的評分；二是學(xué)院聘請的各學(xué)科專家經(jīng)過隨堂聽課以及學(xué)生訪談后得到的分?jǐn)?shù)；此外，還有教師所在的教研室經(jīng)過相互聽課以及學(xué)生訪談后，對教師授課的各方面情況打分。把所有分?jǐn)?shù)收集了之后，通過錄入計(jì)算機(jī)，再對每名教師的各方面打分加權(quán)合并匯總，形成一個(gè)最終得分。這個(gè)分?jǐn)?shù)即是該教師教學(xué)質(zhì)量測評得分，此分?jǐn)?shù)可作為評價(jià)教師該門課程教學(xué)質(zhì)量優(yōu)劣的主要依據(jù)。

1.2 目前高校教師教學(xué)質(zhì)量測評中存在的問題

以筆者所在的計(jì)算機(jī)科學(xué)系為例，每個(gè)學(xué)期每門課都積累了大量這樣直接的評教分?jǐn)?shù)，但是評測比較主觀，分?jǐn)?shù)收集上來之后，后期的數(shù)據(jù)分析與應(yīng)用欠缺，失去了應(yīng)有的激勵(lì)價(jià)值。大多數(shù)高校都沒有建立起一套科學(xué)的績效考核體系，測評指標(biāo)不全面，指標(biāo)權(quán)重分配不合理，測評方法和手段單一、陳舊；評價(jià)對象不明確。因此，很有必要利用現(xiàn)代分析技術(shù)來對這些寶貴而龐大的數(shù)據(jù)進(jìn)行科學(xué)的挖掘。

2 關(guān)聯(lián)規(guī)則挖掘在高校計(jì)算機(jī)類教師教學(xué)質(zhì)量測評中的應(yīng)用

2.1 原始數(shù)據(jù)的準(zhǔn)備

學(xué)生，學(xué)科專家，同行教師分別就教師所任教課程進(jìn)行評分，評分的依據(jù)包含教學(xué)態(tài)度、教學(xué)內(nèi)容、教學(xué)方法、教學(xué)基本功、教學(xué)效果等方面，評分之后，直接從教務(wù)系統(tǒng)導(dǎo)出相應(yīng)的分?jǐn)?shù)，該分?jǐn)?shù)已經(jīng)是Excel電子表格。由于學(xué)生的人數(shù)較多，同時(shí)同一門課的多個(gè)任課老師可能教授的學(xué)生數(shù)不同，所以學(xué)生對該名教師課程1的評教分?jǐn)?shù)直接取平均值，記為X11；各學(xué)科專家一般是3～5名，把學(xué)科專家的分?jǐn)?shù)取平均，記為X12；同行人數(shù)一般是5～10人，也是同行的分?jǐn)?shù)取平均，記為X13，這樣就得到一名任課教師某門課的三個(gè) （下轉(zhuǎn)第111頁）（上接第82頁）平均值。再把這三個(gè)分?jǐn)?shù)求平均，四舍五入，取整。筆者所在的計(jì)算機(jī)科學(xué)系，每名教師平均一個(gè)學(xué)期授課2門，約有50名專任教師。每位計(jì)算機(jī)學(xué)科教師的最終評價(jià)分?jǐn)?shù)為下式所示：

教師的最終評價(jià)分?jǐn)?shù)=（X11+X12+X13）+（X21+X22+X23）+…+（Xn1+Xn2+Xn3）/n（n為該教師授課的門數(shù)）。再把職稱，年齡，性別等常規(guī)影響教學(xué)效果的字段作為挖掘的因素，同時(shí)考慮到計(jì)算機(jī)專業(yè)的特殊性，還加入了是否有行業(yè)背景這一因素，抽取某個(gè)學(xué)期的測評情況，記錄如表1所示。

表1 教學(xué)測評信息表（注：本校計(jì)算機(jī)系教師編號以17開頭）

2.2 數(shù)據(jù)轉(zhuǎn)換

由于用于挖掘的表1中性別，職稱，學(xué)歷等字段屬于離散值屬性，還同時(shí)存在年齡，最終評價(jià)分?jǐn)?shù)等字段屬于連續(xù)值屬性，為了便于進(jìn)行挖掘，需將連續(xù)值屬性離散化處理。結(jié)果如下：對年齡按照全國高校狀態(tài)數(shù)據(jù)庫中的統(tǒng)計(jì)類別進(jìn)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(jù)計(jì)算所需的實(shí)際情況，對性別、職稱、學(xué)歷的表示加以規(guī)定。性別用M表示男性，F(xiàn)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(xué)歷分別表示為：E1為本科，E2表示碩士（含雙學(xué)士），E3表示博士。

2.3 挖掘過程實(shí)現(xiàn)

Step 1： 初始化參數(shù)；

Step 2： 進(jìn)行關(guān)聯(lián)規(guī)則挖掘；

for （i=0； i

for （j=i+1； j

// 分析教師屬性與評價(jià)分?jǐn)?shù)的關(guān)系

count（）；

//對各種情況進(jìn)行統(tǒng)計(jì)，并記錄到關(guān)聯(lián)矩陣中

Step 3： 調(diào)用STL中的sort（）函數(shù)對關(guān)聯(lián)矩陣進(jìn)行排序；

Step 4： 輸出結(jié)果。

2.4 挖掘結(jié)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(xué)歷，而且多半具有從事行業(yè)背景，而且精力充沛，計(jì)算機(jī)方面的技術(shù)嫻熟，課堂教學(xué)經(jīng)驗(yàn)豐富，所以評價(jià)分?jǐn)?shù)較高。由此可見，我校計(jì)算機(jī)科學(xué)系一批中青年男教師已經(jīng)成為教學(xué)一線的骨干，教師隊(duì)伍結(jié)構(gòu)趨于合理。這跟我系長期重視學(xué)科建設(shè)，堅(jiān)持實(shí)施人才戰(zhàn)略，重視高學(xué)歷，有行業(yè)背景的中青年男教師的引進(jìn)和培養(yǎng)，已經(jīng)初見成效。有趣的是，30歲以下的年輕教師，雖然大多數(shù)剛走上講臺不久，但是由于計(jì)算機(jī)專業(yè)是一個(gè)更新非?？斓膶I(yè)，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(yè)知識的積累，加上注重教學(xué)能力的提升，所以他們的授課也受到學(xué)生的歡迎。

3 總結(jié)

為了探知計(jì)算機(jī)專業(yè)任課教師和課程教學(xué)效果間的深層次內(nèi)在關(guān)聯(lián)，把關(guān)聯(lián)規(guī)則挖掘?qū)虒W(xué)質(zhì)量進(jìn)行評價(jià)，對高校多年來積累的教學(xué)評價(jià)數(shù)據(jù)進(jìn)行挖掘、評價(jià)結(jié)果能給高校教學(xué)管理、教育行政部門的決策提供參考，尤其給教師的教學(xué)工作提供有益的幫助。本文針對特殊的計(jì)算機(jī)專業(yè)進(jìn)行評價(jià)，分專業(yè)的探討使得挖掘結(jié)果更準(zhǔn)確，更貼近現(xiàn)實(shí)，同時(shí)，其思路也同樣適用于高校其他專業(yè)，尤其是理工科類專業(yè)。

基金項(xiàng)目：廣西教育廳科研項(xiàng)目立項(xiàng)項(xiàng)目（200911LX 421），梧州學(xué)院科研項(xiàng)目（2009C006）

注釋

① 王曉艷，高云輝.數(shù)據(jù)挖掘技術(shù)在教學(xué)評價(jià)系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)光盤軟件與應(yīng)用，2013（4）：211-212.

② 宋曉梅.數(shù)據(jù)挖掘技術(shù)在高校教師教學(xué)質(zhì)量測評中的應(yīng)用[J].赤峰學(xué)院學(xué)報(bào)（自然科學(xué)版），2013.29（2下）：181-184.

篇7

1.1自動(dòng)化程度高

計(jì)算機(jī)視覺可以實(shí)現(xiàn)對農(nóng)產(chǎn)品的多個(gè)外形和內(nèi)在品質(zhì)指標(biāo)進(jìn)行同時(shí)檢測分析，可以進(jìn)行整體識別、增強(qiáng)對目標(biāo)識別的準(zhǔn)確性。

1.2實(shí)現(xiàn)無損檢測

由于計(jì)算機(jī)視覺技術(shù)對農(nóng)產(chǎn)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(wěn)定的檢測精度

設(shè)計(jì)的運(yùn)行程序確定后，計(jì)算機(jī)視覺技術(shù)的識別功能就會具有統(tǒng)一的識別標(biāo)準(zhǔn)，具有穩(wěn)定的檢測精度，避免了人工識別和檢測時(shí)主觀因素所造成的差異。

2計(jì)算機(jī)視覺技術(shù)在食品檢測中的應(yīng)用

20世紀(jì)70年代初，學(xué)者開始研究計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的應(yīng)用，近幾十年電子技術(shù)得到快速發(fā)展，計(jì)算機(jī)視覺技術(shù)也越來越成熟。國內(nèi)外學(xué)者在研究計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的應(yīng)用方面主要集中在該技術(shù)對果蔬的外部形態(tài)（如形狀、重量、外觀損傷、色澤等）的識別、內(nèi)部無損檢測等方面。國內(nèi)有關(guān)計(jì)算機(jī)視覺技術(shù)在食品業(yè)中的應(yīng)用研究起始于90年代，比國外發(fā)達(dá)國家晚20多年，但是發(fā)展很快。

2.1計(jì)算機(jī)視覺技術(shù)在果蔬分級中的應(yīng)用研究

計(jì)算機(jī)視覺技術(shù)在食品檢測中的應(yīng)用研究相當(dāng)廣泛，從外部直徑、成熟度的檢測到內(nèi)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(jì)算機(jī)算法計(jì)算水果的半徑，進(jìn)而得出果蔬的最大直徑。研究表明，該算法不僅降低了計(jì)算量而且提高了計(jì)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(biāo)準(zhǔn)所規(guī)定的5mm分類標(biāo)準(zhǔn)差，可在工業(yè)生產(chǎn)中很好應(yīng)用。李慶中［5］也利用圖像的缺陷分割算法研究了計(jì)算機(jī)視覺技術(shù)在蘋果檢測與分級中的應(yīng)用，結(jié)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(guī)律為理論基礎(chǔ)，結(jié)合模糊聚類知識利用計(jì)算機(jī)視覺技術(shù)來檢測蘋果缺陷域，檢測不僅快速而且結(jié)果精確。劉禾等［7］通過研究認(rèn)為蘋果的表面缺陷可以利用計(jì)算機(jī)視覺技術(shù)進(jìn)行檢測，計(jì)算機(jī)視覺技術(shù)還可以將蘋果按照檢測結(jié)果進(jìn)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(yīng)義斌等［8］通過計(jì)算機(jī)視覺技術(shù)、圖象處理技術(shù)、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(dá)到90%。楊秀坤等［9］綜合運(yùn)用計(jì)算機(jī)視覺技術(shù)、遺傳算法、多層前饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)，實(shí)現(xiàn)了具有精確度高、靈活性強(qiáng)和速度快等優(yōu)點(diǎn)的蘋果成熟度自動(dòng)判別。陳育彥等［10］采用半導(dǎo)體激光技術(shù)、計(jì)算機(jī)視覺技術(shù)和圖像分析技術(shù)相結(jié)合的方法檢測蘋果表面的機(jī)械損傷和果實(shí)內(nèi)部的腐爛情況，初步驗(yàn)證了計(jì)算機(jī)視覺技術(shù)檢測蘋果表面的損傷和內(nèi)部腐爛是可行的。馮斌等［11］通過計(jì)算機(jī)視覺技術(shù)對水果圖像的邊緣進(jìn)行檢測，然后確定水果的大小用以水果分級。試驗(yàn)表明，該方法比傳統(tǒng)的檢測方法速度快、準(zhǔn)確率高，適用于計(jì)算機(jī)視覺的實(shí)時(shí)檢測。朱偉［12］在模糊顏色的基礎(chǔ)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(jìn)行分割，結(jié)果顯示準(zhǔn)確率高達(dá)96%。曹樂平等［13］人研究了溫州蜜柑的果皮顏色與果實(shí)可滴定酸含量以及糖分含量之間的相關(guān)性，然而根據(jù)相關(guān)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(gè)方向獲取蘋果的圖像，并通過計(jì)算機(jī)自動(dòng)分析圖像數(shù)據(jù)，對蘋果的外徑、體積、以及圓形度等參數(shù)進(jìn)行處理，與人工檢測相比，計(jì)算機(jī)視覺技術(shù)具有檢測效率高，檢測標(biāo)準(zhǔn)統(tǒng)一性好等優(yōu)點(diǎn)。Blasco.J［15］通過計(jì)算機(jī)視覺技術(shù)分析柑橘果皮的缺陷，進(jìn)而對其在線分級，正確率約為95%。趙廣華等［16］人綜合計(jì)算機(jī)視覺識別系統(tǒng)、輸送轉(zhuǎn)換系統(tǒng)、輸送翻轉(zhuǎn)系統(tǒng)、差速勻果系統(tǒng)和分選系統(tǒng)，研制出一款適于實(shí)時(shí)監(jiān)測、品質(zhì)動(dòng)態(tài)的智能分級系統(tǒng)，能夠很好地實(shí)現(xiàn)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(guān)系，應(yīng)用計(jì)算機(jī)視覺技術(shù)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(zhǔn)確率均為92%，按果面損傷分級的準(zhǔn)確率分別為76%和80%。

2.2計(jì)算機(jī)視覺技術(shù)在禽蛋檢測中的應(yīng)用研究

禽蛋企業(yè)在生產(chǎn)過程中，產(chǎn)品的分級、品質(zhì)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(dòng)強(qiáng)度大、人為誤差大、工作效率低等缺點(diǎn)，計(jì)算機(jī)視覺技術(shù)可以很好的解決這類產(chǎn)品工業(yè)生產(chǎn)中存在的困擾。歐陽靜怡等［18］利用計(jì)算機(jī)視覺技術(shù)來檢測雞蛋蛋殼裂紋，利用攝像機(jī)獲取雞蛋圖像后，采用fisher、同態(tài)濾波和BET算法等優(yōu)化后的圖像處理技術(shù)，獲得裂紋形狀并判斷，試驗(yàn)結(jié)果表明，計(jì)算機(jī)視覺技術(shù)對雞蛋蛋殼裂紋的檢測準(zhǔn)確率高達(dá)98%。汪俊德等［19］以計(jì)算機(jī)視覺技術(shù)為基礎(chǔ)，設(shè)計(jì)出一套雙黃雞蛋檢測系統(tǒng)。該系統(tǒng)獲取蛋黃指數(shù)、蛋黃特征和蛋形尺寸等特征，和設(shè)計(jì)的數(shù)學(xué)模型對比來實(shí)現(xiàn)雙黃雞蛋的檢測和識別，檢測準(zhǔn)確率高達(dá)95%。鄭麗敏等［20］人通過高分辨率的數(shù)字?jǐn)z像頭獲取雞蛋圖像，根據(jù)圖像特征建立數(shù)學(xué)模型來預(yù)測雞蛋的新鮮度和貯藏期，結(jié)果表明，計(jì)算機(jī)視覺技術(shù)對雞蛋的新鮮度、貯藏期進(jìn)行預(yù)測的結(jié)果準(zhǔn)確率為94%。潘磊慶等［21］通過計(jì)算機(jī)視覺技術(shù)和聲學(xué)響應(yīng)信息技術(shù)相結(jié)合的方法檢測裂紋雞蛋，其檢測準(zhǔn)確率達(dá)到98%。MertensK等［22］人基于計(jì)算機(jī)視覺技術(shù)研發(fā)了雞蛋的分級檢測系統(tǒng)，該系統(tǒng)識別帶污漬雞蛋的正確率高達(dá)99%。

2.3計(jì)算機(jī)視覺技術(shù)在檢測食品中微生物含量的應(yīng)用研究

計(jì)算機(jī)技術(shù)和圖像處理技術(shù)在綜合學(xué)科中的應(yīng)用得到快速發(fā)展，在微生物快速檢測中的應(yīng)用也越來越多，主要是針對微生物微菌落的處理。食品工業(yè)中計(jì)算機(jī)視覺技術(shù)在微生物檢測方面的研究和應(yīng)用以研究單個(gè)細(xì)胞為主，并在個(gè)體細(xì)胞的研究上取得了一定的進(jìn)展。殷涌光等［23］以顏色特征分辨技術(shù)為基礎(chǔ)，設(shè)計(jì)了一套應(yīng)用計(jì)算機(jī)視覺技術(shù)快速定量檢測食品中大腸桿菌的系統(tǒng)，該系統(tǒng)檢測結(jié)果與傳統(tǒng)方法的檢測結(jié)果具有很好的相關(guān)性，但與傳統(tǒng)方法相比，可以節(jié)省5d時(shí)間，檢測時(shí)間在18h以內(nèi)，并且能夠有效提高產(chǎn)品品質(zhì)。Lawless等［24］人等時(shí)間段測定培養(yǎng)基上的細(xì)胞密度，然后通過計(jì)算機(jī)技術(shù)建立時(shí)間和細(xì)胞密度之間的動(dòng)態(tài)關(guān)聯(lián)，利用該關(guān)聯(lián)可以預(yù)測和自動(dòng)檢測微生物的生長情況，如通過計(jì)算機(jī)控制自動(dòng)定量采集檢測對象，然后分析菌落的邊緣形態(tài)，根據(jù)菌落的邊緣形態(tài)計(jì)算機(jī)可以顯示被檢測菌落的具置，并且根據(jù)動(dòng)態(tài)關(guān)聯(lián)計(jì)算機(jī)視覺系統(tǒng)可以同時(shí)處理多個(gè)不同的樣品。郭培源等［25］人對計(jì)算機(jī)視覺技術(shù)用于豬肉的分級進(jìn)行了研究，結(jié)果顯示計(jì)算機(jī)視覺技術(shù)在識別豬肉表面微生物數(shù)量上與國標(biāo)方法檢測的結(jié)果顯著相關(guān)，該技術(shù)可以有效地計(jì)算微生物的數(shù)量。Bayraktar.B等［26］人采用計(jì)算機(jī)視覺技術(shù)、光散射技術(shù)（BARDOT）和模式識別技術(shù)相結(jié)合的方法來快速檢測李斯特菌，在獲取該菌菌落中的形態(tài)特征有，對圖像進(jìn)行分析處理達(dá)到對該菌的分類識別。殷涌光等［27］人綜合利用計(jì)算機(jī)視覺、活體染色、人工神經(jīng)網(wǎng)絡(luò)、圖像處理等技術(shù)，用分辨率為520萬像素的數(shù)字?jǐn)z像機(jī)拍攝細(xì)菌內(nèi)部的染色效果，并結(jié)合新的圖像處理算法，對細(xì)菌形態(tài)學(xué)的8個(gè)特征參數(shù)進(jìn)行檢測，檢測結(jié)果與傳統(tǒng)檢測結(jié)果顯著相關(guān)（相關(guān)系數(shù)R=0.9987），和傳統(tǒng)檢測方法相比該方法具有操作簡單、快速、結(jié)果準(zhǔn)確、適合現(xiàn)場快速檢測等特點(diǎn)。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(shù)量進(jìn)行識別，并以此作為衡量乳制品質(zhì)量是否達(dá)標(biāo)的依據(jù)，并對產(chǎn)品進(jìn)行分級。

2.4計(jì)算機(jī)視覺技術(shù)在其他食品產(chǎn)業(yè)中的應(yīng)用研究

里紅杰等［30］通過提取貝類和蝦類等海產(chǎn)品的形狀、尺寸、紋理、顏色等外形特征，對照數(shù)學(xué)模型，采用數(shù)字圖像處理技術(shù)、計(jì)算機(jī)識別技術(shù)實(shí)現(xiàn)了對貝類和蝦類等海產(chǎn)品的無損檢測和自動(dòng)化分類、分級和質(zhì)量評估，并通過實(shí)例詳細(xì)闡述了該技術(shù)的實(shí)現(xiàn)方法，證實(shí)了此項(xiàng)技術(shù)的有效性。計(jì)算機(jī)視覺技術(shù)還可以檢驗(yàn)玉米粒形和玉米種子質(zhì)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(yùn)用計(jì)算機(jī)視覺技術(shù)對圖像進(jìn)行分析評估，毛葉棗可食率的評估結(jié)果與運(yùn)用物理方法測得的結(jié)果平均誤差僅為1.47％，因此得出結(jié)論：計(jì)算機(jī)視覺技術(shù)可以應(yīng)用于毛葉棗的自動(dòng)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(shù)來研究薯片中丙烯酰胺的含量和褐變率的關(guān)系，結(jié)果顯示兩項(xiàng)參數(shù)相關(guān)性為0.989，從而可以應(yīng)用計(jì)算機(jī)視覺技術(shù)來預(yù)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(yè)中得到廣泛應(yīng)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(jì)算機(jī)視覺技術(shù)對花生內(nèi)部和外部采集圖像，并通過圖像對其外在品質(zhì)和內(nèi)在品質(zhì)進(jìn)行分析，并建立相應(yīng)的數(shù)學(xué)模型，該技術(shù)在對待檢樣品進(jìn)行分級檢測時(shí)的正確率高達(dá)92%。另外，郭培源等［36］人以國家標(biāo)準(zhǔn)為依據(jù)，通過數(shù)字?jǐn)z像技術(shù)獲取豬肉的細(xì)菌菌斑面積、脂肪細(xì)胞數(shù)、顏色特征值以及氨氣等品質(zhì)指標(biāo)來實(shí)現(xiàn)豬肉新鮮程度的分級辨認(rèn)。

3展望

新技術(shù)的研究與應(yīng)用必然伴隨著坎坷，從70年代初計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中進(jìn)行應(yīng)用開始，就遇到了很多問題。計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的研究及應(yīng)用主要存在以下幾方面的問題。

3.1檢測指標(biāo)有限

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

3.2兼容性差

計(jì)算機(jī)視覺技術(shù)針對單一種類的果蔬分級檢測效果顯著，但是，同一套系統(tǒng)和設(shè)備很難用于其它種類的果蔬，甚至同一種類不同品種的農(nóng)產(chǎn)品也很難公用一套計(jì)算機(jī)視覺設(shè)備。Reyerzwiggelaar等［41］利用計(jì)算機(jī)視覺檢查杏和桃的損傷程度，發(fā)現(xiàn)其檢測桃子的準(zhǔn)確率顯著高于杏的。Majumdar.S等［42］利用計(jì)算機(jī)視覺技術(shù)區(qū)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(huán)境制約

篇8

（1）課程內(nèi)容方面：工程應(yīng)用價(jià)值較小的內(nèi)容居多；具備工程應(yīng)用價(jià)值的方法，如基于結(jié)構(gòu)光的3D信息獲取，在課程內(nèi)容中卻極少出現(xiàn)。

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

（3）教學(xué)形式方面：傳統(tǒng)計(jì)算機(jī)視覺課程側(cè)重基本原理，盡管范例教學(xué)被引入到課堂教學(xué)中，在一定程度上幫助學(xué)生理解，但卓越工程師培養(yǎng)目標(biāo)是培養(yǎng)學(xué)生解決實(shí)際工程問題的能力。針對卓越工程師培養(yǎng)目標(biāo)，以及目前計(jì)算機(jī)視覺課程中存在的問題，本文提出工程應(yīng)用導(dǎo)向型的課程內(nèi)容、面向最新成果的課程定位、理論實(shí)例化與工程實(shí)踐化的教學(xué)形式，以培養(yǎng)具有扎實(shí)理論基礎(chǔ)及工程實(shí)踐能力的卓越工程師。

1工程應(yīng)用導(dǎo)向型的課程內(nèi)容傳統(tǒng)計(jì)算機(jī)視覺課程圍繞Marr理論框架展開教學(xué)，其中部分原理僅在理想狀態(tài)或若干假設(shè)下成立，不能直接運(yùn)用到工程實(shí)踐中。近年來已具備工程應(yīng)用基礎(chǔ)的原理及方法，在傳統(tǒng)課程內(nèi)容中較少出現(xiàn)，如已在工業(yè)測量、視頻監(jiān)控、游戲娛樂等領(lǐng)域中應(yīng)用的主動(dòng)式三維數(shù)據(jù)獲取方法等。我們對工程應(yīng)用價(jià)值高的課程內(nèi)容，增加課時(shí)，充分講解其原理及算法，并進(jìn)行工程實(shí)例分析；對工程應(yīng)用價(jià)值較低內(nèi)容，壓縮課時(shí)，以介紹方法原理為主。例如，在教授3D信息獲取部分時(shí)，課時(shí)主要投入到工程應(yīng)用價(jià)值較大的內(nèi)容，如立體視覺、運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)、基于結(jié)構(gòu)光的3D信息獲取等；而對于基于陰影的景物恢復(fù)等缺乏應(yīng)用基礎(chǔ)的內(nèi)容主要介紹其基本原理，并引導(dǎo)學(xué)生進(jìn)行其工程應(yīng)用的可行性分析，培養(yǎng)學(xué)生縝密的思維習(xí)慣，訓(xùn)練學(xué)生辯證的分析能力。

2面向最新成果的課程定位計(jì)算機(jī)視覺近十年來發(fā)展迅速，新方法和新理論層出不窮，在現(xiàn)有課程體系中未能得以體現(xiàn)。跟進(jìn)世界最新成果是卓越工程師的基本要求之一，因此計(jì)算機(jī)視覺課程定位應(yīng)當(dāng)面向國際最新成果。為實(shí)現(xiàn)這一目標(biāo)，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(xué)中加入國際最新科研成果及應(yīng)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(zhí)教經(jīng)驗(yàn)及微軟多年計(jì)算機(jī)視覺領(lǐng)域工作經(jīng)驗(yàn)基礎(chǔ)上所著，涵蓋計(jì)算機(jī)視覺領(lǐng)域的主要科研成果及應(yīng)用范例，參考文獻(xiàn)最新引用至2010年。這是目前最新的計(jì)算機(jī)視覺著作之一，條理清晰，深入淺出，特點(diǎn)在于對計(jì)算機(jī)視覺的基本原理介紹非常詳盡，算法應(yīng)用緊跟國際前沿。

（2）強(qiáng)化學(xué)生調(diào)研及自學(xué)能力。“授之以魚”，不如“授之以漁”。在教授學(xué)生的同時(shí)，更重要的是培養(yǎng)學(xué)生調(diào)研、跟蹤、學(xué)習(xí)并分析國際最新科研及工程應(yīng)用成果的能力。為強(qiáng)化學(xué)生的知識結(jié)構(gòu)，培養(yǎng)學(xué)生跟蹤國際前沿的能力，我們在教學(xué)中加入10%的課外學(xué)時(shí)，指導(dǎo)每位學(xué)生完成最近三年本領(lǐng)域的國際最新文獻(xiàn)調(diào)研及工程應(yīng)用新技術(shù)調(diào)研，并撰寫相關(guān)調(diào)研論文。同時(shí)，設(shè)置2學(xué)時(shí)課內(nèi)學(xué)時(shí)，讓每位學(xué)生介紹調(diào)研成果，并進(jìn)行課堂討論。在調(diào)研基礎(chǔ)上，選擇相關(guān)算法進(jìn)行了實(shí)驗(yàn)證明，進(jìn)一步強(qiáng)化學(xué)習(xí)成果。實(shí)踐證明，由于學(xué)生能夠根據(jù)自己的興趣，選擇本領(lǐng)域感興趣的課題進(jìn)行深入調(diào)研，極大地調(diào)動(dòng)了學(xué)生的積極性，強(qiáng)化了學(xué)生調(diào)研、跟蹤、學(xué)習(xí)并分析國際最新科研及工程應(yīng)用成果的能力。

3工程實(shí)踐化的教學(xué)形式我們在教學(xué)中提出工程實(shí)踐化的教學(xué)形式，即以人類視覺功能為背景，由相應(yīng)工程實(shí)例引出相關(guān)理論，并最終將理論運(yùn)用到工程實(shí)例中的算法和方法傳授給學(xué)生。

篇9

關(guān)鍵詞：動(dòng)態(tài)場景；自適應(yīng)預(yù)測；多特征融合；計(jì)算機(jī)視覺；運(yùn)動(dòng)目標(biāo)

接受信息的關(guān)鍵手段之一就是視覺系統(tǒng)，隨著科學(xué)技術(shù)水平的不斷發(fā)展，以及計(jì)算機(jī)和信號處理理論的誕生，讓機(jī)器擁有人類視覺功能已經(jīng)不再是夢。對所采集視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤、檢測，并對其目標(biāo)行為進(jìn)行分析，就是運(yùn)動(dòng)目標(biāo)分析的內(nèi)容，運(yùn)動(dòng)目標(biāo)分析是計(jì)算機(jī)視覺領(lǐng)域關(guān)鍵內(nèi)容之一，其屬于圖像理解與圖像分析的范疇。而在運(yùn)動(dòng)目標(biāo)分析系統(tǒng)中，跟蹤與檢測運(yùn)動(dòng)目標(biāo)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(chǔ)。檢測與跟蹤運(yùn)動(dòng)目標(biāo)技術(shù)主要包括了：機(jī)器人視覺導(dǎo)航、軍事領(lǐng)域、運(yùn)動(dòng)圖像編碼、交通管制、視覺監(jiān)視等。

1目標(biāo)檢測算法

連續(xù)圖像序列由視頻中提取出，由前景區(qū)域與背景區(qū)域共同組成了整個(gè)畫面。前景區(qū)域包含了如運(yùn)動(dòng)的人體、車輛等動(dòng)態(tài)要素，它是指人們較為感興趣的區(qū)域。而背景區(qū)域主要包含例如樹木、建筑物等靜態(tài)要素，它的像素值僅發(fā)生微弱變化或者不產(chǎn)生變化。在連續(xù)圖像序列中，采用一系列算法分隔開背景區(qū)域和前景區(qū)域，將運(yùn)動(dòng)目標(biāo)信息有效提取，則為運(yùn)動(dòng)目標(biāo)檢測。以靜態(tài)場景為基礎(chǔ)的運(yùn)動(dòng)目標(biāo)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(jìn)行介紹。

背景差分法通常適用于靜態(tài)場景，其是將背景圖像與當(dāng)前幀圖像進(jìn)行差分，運(yùn)動(dòng)目標(biāo)依靠閥值化進(jìn)行檢測，因?yàn)樵撍惴▋H能夠在背景變化緩慢或者不發(fā)生變化的情況下應(yīng)用，因此就有著一定的局限性。假設(shè)當(dāng)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(shí)背景差分圖像則為：

（1）

而假設(shè)二值化閥值為Th，二值化圖像B（x，y）則為：

（2）

運(yùn)動(dòng)目標(biāo)檢測結(jié)果可通過數(shù)學(xué)形態(tài)學(xué)處理獲得。

2 背景模型的實(shí)時(shí)更新

要更新背景圖像可采用一階KALMAN濾波來實(shí)現(xiàn)，為了克服氣候變化、光照變化等外部環(huán)境變化對運(yùn)動(dòng)檢測產(chǎn)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(quán)值系數(shù)；M是第k時(shí)刻二值化后目標(biāo)圖像中p像素的值；B為背景圖像；I為當(dāng)前幀圖像。要想將運(yùn)動(dòng)目標(biāo)從背景序列圖像中有效分割出來，就必須要達(dá)到？琢2足夠小的條件，且？琢1應(yīng)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(yùn)動(dòng)變化。

3 更新車輛目標(biāo)模型

核與活動(dòng)輪廓算法具有效率高、技術(shù)復(fù)雜度低等特點(diǎn)，它以非參數(shù)核概率密度估計(jì)理論為基礎(chǔ)，在視頻運(yùn)動(dòng)目標(biāo)跟蹤中廣泛應(yīng)用。彩色圖像序列通過攝像機(jī)獲取，人臉目標(biāo)模型可以采用RGB顏色空間來進(jìn)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(fā)生相應(yīng)的微弱變化。若不對目標(biāo)模型進(jìn)行更新，會對跟蹤精度產(chǎn)生影響，所以，采用的矩形模板會包括一定背景。而在實(shí)施跟蹤的過程中，要對車輛目標(biāo)模型進(jìn)行更換。如果其過程物遮擋，當(dāng)BHATTACHARYYA系數(shù)滿足？籽>Tudm條件時(shí)，更新車輛目標(biāo)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(biāo)模型。通過視頻跟蹤，在近場景和遠(yuǎn)場景拍攝到的視頻中，多尺度圖像空間由各個(gè)幀圖像構(gòu)成。例如：將將書本作為跟蹤對象，由遠(yuǎn)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(nèi)圖像的信息量進(jìn)行統(tǒng)計(jì)。最后，隨書本尺度的變化，給出圖像信息量變化曲線。

4 計(jì)算機(jī)視覺原理

計(jì)算機(jī)視覺是一門研究怎樣使機(jī)器進(jìn)行觀察的科學(xué)，更切確地說，就是指利用電腦和攝影機(jī)代替人眼對目標(biāo)進(jìn)行識別、跟蹤和測量等機(jī)器視覺，并進(jìn)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(jì)算機(jī)視覺研究相關(guān)的理論和技術(shù)作為一個(gè)科學(xué)學(xué)科，嘗試創(chuàng)建能夠從圖像或者多維數(shù)據(jù)中獲取信息的人工智能系統(tǒng)。這里所指的信息指Shannon定義的，可以用來幫助做一個(gè)決定的信息。因?yàn)楦兄梢钥醋魇菑母泄傩盘栔刑崛⌒畔?，所以?jì)算機(jī)視覺也可以看作是研究如何使人工系統(tǒng)從圖像或多維數(shù)據(jù)中感知的科學(xué)。

計(jì)算機(jī)視覺就是由計(jì)算機(jī)來代替大腦完成處理和解釋，用各種成象系統(tǒng)代替視覺器官作為輸入敏感手段。使計(jì)算機(jī)能象人那樣通過視覺觀察和理解世界，具有自主適應(yīng)環(huán)境的能力就是計(jì)算機(jī)視覺的最終研究目標(biāo)，而需要經(jīng)過長期的努力才能達(dá)到這個(gè)目標(biāo)。所以，在實(shí)現(xiàn)最終目標(biāo)以前，通過努力的中期目標(biāo)是建立一種視覺系統(tǒng)，這個(gè)系統(tǒng)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(wù)。例如：計(jì)算機(jī)視覺的一個(gè)重要應(yīng)用領(lǐng)域就是自主車輛的視覺導(dǎo)航，但要實(shí)現(xiàn)自主導(dǎo)航的系統(tǒng)，卻還沒有條件實(shí)現(xiàn)象人那樣能識別和理解任何環(huán)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(tǒng)。人類視覺系統(tǒng)是有史以來，人們所知道的功能最強(qiáng)大和完善的視覺系統(tǒng)。這里要指出的一點(diǎn)是在計(jì)算機(jī)視覺系統(tǒng)中計(jì)算機(jī)起代替人腦的作用。計(jì)算機(jī)視覺可以而且應(yīng)該根據(jù)計(jì)算機(jī)系統(tǒng)的特點(diǎn)來進(jìn)行視覺信息的處理，但并不等于計(jì)算機(jī)必須按人類視覺的方法完成視覺信息的處理?？梢哉f，對人類視覺處理機(jī)制的研究將給計(jì)算機(jī)視覺的研究提供指導(dǎo)和啟發(fā)，所以，用計(jì)算機(jī)信息處理的方法研究人類視覺的機(jī)理，建立人類視覺的計(jì)算理論，與此同時(shí)也是一個(gè)十分重要和讓人感興趣的研究領(lǐng)域。這方面的研究被稱為計(jì)算視覺。計(jì)算視覺可被認(rèn)為是計(jì)算機(jī)視覺中的一個(gè)研究領(lǐng)域。計(jì)算機(jī)視覺領(lǐng)域的不完善性與多樣性為其突出特點(diǎn)。

5 結(jié)束語

對視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤、識別、檢測，并對目標(biāo)行為進(jìn)行研究、分析，這就是基于視覺運(yùn)動(dòng)目標(biāo)分析。以計(jì)算機(jī)視覺為基礎(chǔ)，分析運(yùn)動(dòng)目標(biāo)，包括了目標(biāo)行為的理解與分析、目標(biāo)跟蹤、運(yùn)動(dòng)目標(biāo)檢測、預(yù)處理圖像等，它是計(jì)算機(jī)視覺領(lǐng)域重要內(nèi)容之一。理解與分析運(yùn)動(dòng)目標(biāo)的行為，既是計(jì)算機(jī)視覺的根本目的之一，也是檢測與跟蹤運(yùn)動(dòng)目標(biāo)的最終目標(biāo)。從理論層考慮，理解與分析運(yùn)動(dòng)目標(biāo)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(jì)算機(jī)視覺的運(yùn)動(dòng)目標(biāo)分析，而所面臨的是對運(yùn)動(dòng)目標(biāo)行為的理解。

參考文獻(xiàn)

[1]楊可，劉明軍，毛欣，夏維建，劉偉，周旋，吳煒，周凱.基于計(jì)算機(jī)視覺的電纜終端表面溫升分析系統(tǒng)[J].電視技術(shù)，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(shù)字水印算法[J].浙江大學(xué)學(xué)報(bào)：理學(xué)版，2013（2）.

[3]何青海，馬本學(xué)，瞿端陽，李宏偉，王寶.基于機(jī)器視覺棉葉螨自動(dòng)監(jiān)測與分級方法研究[J].農(nóng)機(jī)化研究，2013（4）.

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

篇10

關(guān)鍵詞：三目攝像機(jī)；標(biāo)定；立體視覺；外部參數(shù)

一、緒論

1.1研究的背景及意義

計(jì)算機(jī)視覺是當(dāng)今極為重要的學(xué)科之一，它在具有很強(qiáng)的挑戰(zhàn)性的同時(shí)又擁有廣泛的應(yīng)用前景和實(shí)用價(jià)值。計(jì)算機(jī)視覺以視覺理論為中心，以圖像處理、模式識別、計(jì)算機(jī)技術(shù)和生理學(xué)、心理學(xué)為基礎(chǔ)，研究內(nèi)容主要有兩個(gè)方面：一是開發(fā)從輸入圖像數(shù)據(jù)自動(dòng)構(gòu)造場景描述的圖像處理系統(tǒng)；二是理解人類視覺機(jī)理，用機(jī)器代替人去做人類難以達(dá)到或根本無法達(dá)到的工作[1]。

計(jì)算機(jī)視覺應(yīng)用的廣泛性體現(xiàn)在其不僅用于文字、指紋、面部、商標(biāo)以及圖像數(shù)據(jù)庫、檢測集成電路芯片、多媒體技術(shù)這些圖像方面，還應(yīng)用到機(jī)器人導(dǎo)航、工業(yè)檢測和產(chǎn)品的自動(dòng)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?，F(xiàn)如今，計(jì)算機(jī)視覺已經(jīng)應(yīng)用到機(jī)器人、地理、醫(yī)學(xué)、物理、化學(xué)、天文等各大的研究領(lǐng)域。

作為多個(gè)學(xué)科交叉與融合中心的計(jì)算機(jī)視覺，攝像機(jī)是其研究的重要工具，而攝像機(jī)標(biāo)定又是計(jì)算機(jī)視覺研究的一個(gè)關(guān)鍵問題，故攝像機(jī)的標(biāo)定越來越受到廣泛的重視。攝像機(jī)標(biāo)定是通過物體空間上的點(diǎn)與圖像中的對應(yīng)點(diǎn)的幾何關(guān)系，來確定攝像機(jī)的內(nèi)外參數(shù)的過程。標(biāo)定結(jié)果是否準(zhǔn)確影響著三維測量的精度和三維重建的結(jié)果，而且實(shí)時(shí)的標(biāo)定更能滿足自動(dòng)導(dǎo)航機(jī)器視覺的需要[2]。

伴隨著應(yīng)用的發(fā)展，攝像機(jī)廣泛地被應(yīng)用于三維立體的測量、視覺檢測、運(yùn)動(dòng)檢測等領(lǐng)域。由此，對攝像機(jī)標(biāo)定的精度要求也日益增加。攝像機(jī)標(biāo)定結(jié)果的優(yōu)劣影響了計(jì)算機(jī)視覺在各領(lǐng)域的應(yīng)用。攝像機(jī)標(biāo)定的準(zhǔn)確與否，對能否提高計(jì)算機(jī)視覺在各領(lǐng)域測量的準(zhǔn)確度有重要影響[3]。因此，研究攝像機(jī)標(biāo)定方法具有重要的理論研究意義和實(shí)際應(yīng)用價(jià)值。

1.2攝像機(jī)標(biāo)定技術(shù)研究的發(fā)展及現(xiàn)狀

攝像機(jī)有一個(gè)圖像平面和提供三維空間到圖像平面轉(zhuǎn)換的鏡頭。由于鏡頭會產(chǎn)生畸變，不能把這個(gè)轉(zhuǎn)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(shí)數(shù)據(jù)，而其精確性則依靠于建立的模型及模型參數(shù)的準(zhǔn)確性。

首先進(jìn)行攝像機(jī)標(biāo)定工作的是加拿大的Deville，他于1910年建立實(shí)驗(yàn)室，使用多個(gè)瞄準(zhǔn)儀對他的“測量攝像機(jī)”（surveying camera）進(jìn)行標(biāo)定[4]。上個(gè)世紀(jì)三十年代后期，美國標(biāo)準(zhǔn)局發(fā)明了一種精確鏡頭，用來檢測攝像機(jī)，同時(shí)將它用在攝像機(jī)標(biāo)定上。四十年代后期，該項(xiàng)工作得到進(jìn)一步加深，有了更多對高精度的需求和對易操作設(shè)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(jī)標(biāo)定的關(guān)注。二戰(zhàn)時(shí)期，隨著飛機(jī)的大規(guī)模使用，航空攝影與制圖興起，為得到更加精確的測量結(jié)果，對攝像機(jī)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(shù)發(fā)展最為迅速的時(shí)間段。在這期間，各種鏡頭像差的表達(dá)式逐步被提出并且得到普遍認(rèn)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(xiàn)，他們導(dǎo)出了近焦距情況下給定位置處徑向畸變表達(dá)式并證明了近焦距情況下測量出鏡頭兩個(gè)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(dá)式成為后來各攝像機(jī)的標(biāo)定非線性模型的基礎(chǔ)。這段時(shí)間里，研究的重點(diǎn)是如何校正鏡頭與用何種方法補(bǔ)償鏡頭像差，這些研究對促進(jìn)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(jī)標(biāo)定方法，該方法介于傳統(tǒng)標(biāo)定和自標(biāo)定之間，操作方便靈活，能夠得到不錯(cuò)的精度，滿足了眾多擁有桌面視覺系統(tǒng)的用戶在攝像機(jī)標(biāo)定方面的需求。

1.3本文的主要研究內(nèi)容

本文的主要研究多個(gè)攝像機(jī)的標(biāo)定問題。標(biāo)定主要是對攝像機(jī)內(nèi)外參的測量計(jì)算，利用這些參數(shù)對多個(gè)攝像機(jī)識別的物體尺寸進(jìn)行衡量并建立起多攝像機(jī)系統(tǒng)的數(shù)字環(huán)境。

論文的內(nèi)容包括：

第一章為緒論，介紹攝像機(jī)標(biāo)定相關(guān)的研究背景、國內(nèi)外研究現(xiàn)狀。

第二章為攝像機(jī)標(biāo)定理論基礎(chǔ)：主要介紹標(biāo)定的坐標(biāo)系與待標(biāo)定的參數(shù)。

第三章提出本文的多攝像機(jī)標(biāo)定方法與實(shí)驗(yàn)過程。

第四章進(jìn)行全文的總結(jié)。

二、攝像機(jī)標(biāo)定方法研究

2.1攝像機(jī)標(biāo)定原理

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

一般來說，得到標(biāo)定結(jié)果后要對其精度進(jìn)行評估，然而很難得到準(zhǔn)確的攝像機(jī)標(biāo)定參數(shù)真值作為參考，其中基于圖像坐標(biāo)和世界坐標(biāo)的絕對和相對誤差的評價(jià)方法應(yīng)用廣泛，本文將對這些方法的原理進(jìn)行探討。

2.2攝像機(jī)標(biāo)定坐標(biāo)系建立

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

圖（1）

2.3攝像機(jī)外部參數(shù)構(gòu)成

主動(dòng)視覺傳感器從在笛卡爾直角坐標(biāo)系中的運(yùn)動(dòng)表現(xiàn)為相應(yīng)的旋轉(zhuǎn)矩陣和平移矩陣，故攝像機(jī)外部參數(shù)表現(xiàn)為旋轉(zhuǎn)矩陣R和平移矩陣T，則攝像機(jī)坐標(biāo)系與世界坐標(biāo)系的轉(zhuǎn)化關(guān)系可以表示成：

上式中（Xc，Yc，Zc）表示空間點(diǎn)在攝像機(jī)坐標(biāo)系下的坐標(biāo)，（Xw，Yw，Zw）表示空間點(diǎn)在世界坐標(biāo)系下的坐標(biāo)。根據(jù)靶標(biāo)點(diǎn)在像空間坐標(biāo)系和物方空間坐標(biāo)系中的坐標(biāo)，通過分解旋轉(zhuǎn)矩陣線性計(jì)算像空間坐標(biāo)系與物方空間坐標(biāo)之間的轉(zhuǎn)換參數(shù)，即外方位元素（攝站參數(shù)）[6]。

2.4各攝像機(jī)相對位置確定

三目攝像機(jī)擁有三個(gè)視覺傳感器，而三個(gè)傳感器之間的相對位置可通過已獲得的外部參數(shù)進(jìn)行確定。將三個(gè)攝像機(jī)坐標(biāo)系設(shè)置為，Oci xci yci zci（i=1，2，3），由2.3中所介紹的內(nèi)容可知，這三個(gè)攝像機(jī)坐標(biāo)系與世界坐標(biāo)系的關(guān)系為：

i=（1，2，3）

由此我們可以得到任意兩個(gè)攝像機(jī)i，j的坐標(biāo)系轉(zhuǎn)換關(guān)系：

其中： = = i，j=1，2，3

三、攝像機(jī)標(biāo)定實(shí)驗(yàn)過程及結(jié)果

3.1實(shí)驗(yàn)系統(tǒng)介紹

實(shí)驗(yàn)中被用來標(biāo)定的是一個(gè)多攝像機(jī)系統(tǒng)，攝像機(jī)標(biāo)定有關(guān)的基本參數(shù)、系統(tǒng)組成和開發(fā)環(huán)境如下：

（1）硬件環(huán)境

標(biāo)定板、三目攝像機(jī)和圖像采集卡等。

（2）軟件環(huán)境

OpenCV開源視覺庫，它僅由一系列C函數(shù)和少量C++類構(gòu)成，為Python、MATLAB等語言提供了接口，在圖像處理和計(jì)算機(jī)視覺方面實(shí)現(xiàn)了很多通用算法。

3.2實(shí)驗(yàn)過程

本系統(tǒng)以棋盤格模板作為標(biāo)定模板。采用激光打印機(jī)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(biāo)定模板，如圖（2）。安裝三目攝像機(jī)系統(tǒng)，調(diào)節(jié)固定好個(gè)攝像機(jī)位置，如圖（3）。手持標(biāo)定板在三目攝像機(jī)前方各個(gè)位置拍攝5組共15張各姿態(tài)的照片，利用Canny算子進(jìn)行像點(diǎn)灰度中心提取、同名像點(diǎn)匹配并解算出三個(gè)攝像機(jī)在標(biāo)定板坐標(biāo)系中的外部參數(shù)值。

3.3標(biāo)定結(jié)果

攝像機(jī)1：

R= T=

攝像機(jī)2：

R= T=

攝像機(jī)3：

R= T=

四、總結(jié)

隨著計(jì)算機(jī)技術(shù)的高速發(fā)展，計(jì)算機(jī)視覺成為當(dāng)今熱門的研究課題，受到了廣泛關(guān)注。本文就如何在機(jī)器視覺的理論基礎(chǔ)上對三目視覺系統(tǒng)進(jìn)行標(biāo)定進(jìn)行了研究，討論了計(jì)算機(jī)視覺理論知識，分析攝像機(jī)標(biāo)定原理以及標(biāo)定坐標(biāo)系的建立。同時(shí)通過計(jì)算機(jī)視覺知識的分析討論了基于三目視覺系統(tǒng)的攝像機(jī)標(biāo)定技術(shù)，完成了三目視覺系統(tǒng)的外部參數(shù)標(biāo)定實(shí)驗(yàn)。三目攝像機(jī)測量系統(tǒng)外部參數(shù)的標(biāo)定能夠解決測量作業(yè)現(xiàn)場、測量控制場建立難的問題，為快速地建立簡單實(shí)用的控制場提供了方案，有一定的實(shí)用價(jià)值。

參考文獻(xiàn)

[1] 荊麗秋.雙目視覺系統(tǒng)標(biāo)定與匹配的研究與實(shí)現(xiàn)[D].哈爾濱工程大學(xué)，2009.DOI：10.7666/d.y1489086.

[2] 馬頌德.計(jì)算機(jī)視覺―計(jì)算理論與算法基礎(chǔ)[M].北京：科學(xué)出版社，1998.

[3] 王榮一.攝像機(jī)標(biāo)定及關(guān)鍵技術(shù)研究[D].哈爾濱理工大學(xué)，2011.DOI：10.7666/d.y2012483.

[4] Clarke T A，F(xiàn)ryer 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(yè)攝影測量系統(tǒng)外部參數(shù)的快速標(biāo)定[J].測繪工程，2012，21（5）：48-52.DOI：10.3969/j.issn.1006-7949 .2012.05.013