计算机视觉的应用范文

导语：如何才能写好一篇计算机视觉的应用，这就需要搜集整理更多的资料和文献，欢迎阅读由公文云整理的十篇范文，供你借鉴。

篇1

关键词 计算机；视觉技术；应用研究

中图分类号：TP212 文献标识码：A 文章编号：1671-7597（2013）16-0114-01

计算机视觉技术自20世纪70年代产生以来就得到了全世界的广泛关注。作为一种多学科综合应用下的新技术，随着专家对其研究会的不断深入，其应用领域也越来越广，给人们的生产生活带来了极大方便。

1 计算机视觉技术

计算机视觉技术是在计算机技术应用下发展起来的一种新技术，主要用来研究计算机模拟生物的宏观或外显功能。该技术在应用过程中会涉及到计算机科学、神经生物学、人工智能、模式识别以及图像处理等多个学科，多学科技术的综合运用使得计算机具有了“感知”周围世界的能力，这也正是该技术发挥作用的核心所在。计算机视觉技术的特点就在于，首先，它能在不接触被测者的前提下完成对被测者的检测；其次，该技术应用的领域和检测的对象非常广，能在敏感器件的应用下，完成对人类难以观察到的超声波、微波和红外线等的检测；最后，该技术还突破了人在视觉观察上长时间工作的限制，能对检测对象进行长时间观察。

2 计算机视觉技术在各领域的应用分析

随着计算机视觉技术研究的不断加深，该技术的应用领域也越来越广，下面，本文就选取工业、农业、林业、农产品检测、电力系统自动化及图书馆工作这6个方面对计算机视觉技术的应用进行简要分析。

2.1 在工业领域中的应用

工业生产对产品的质量要求极高，计算机视觉技术在工业上的应用主要集中在以下3方面：1）产品形状和尺寸的检测上。对制造业而言，产品的形状和尺寸是否合格直接影响到产品在实际应用过程中作用的发挥。计算机视觉技术的应用能对产品进行二维和三维等几何特征的检测，如产品的圆度、位置及形状等。2）产品零部件缺失情况的检测。在生产线运行过程中，计算机视觉技术能准确检测出产品在生产过程中是否存在铆钉、螺丝钉等零部件的缺失以及产品内部是否在生产过程中掺进杂质等。3）产品表面质量的检测。为了从各个方面保证产品的合格性，对其进行表面质量的检测也是一个极其重要的环节。计算机视觉技术实现了对产品表面的纹理、粗糙度、划痕、裂纹等各方面的有效检测。

2.2 在农业生产领域中的应用

该技术在农业领域的应用主要集中在以下两方面：1）对病虫害的预测预报。预测预报作用发挥的关键环节是建立起计算机视觉技术对所有昆虫的识别体系。对昆虫图像识别系统进行数字化建模所使用的方法主要以下2种，一种是运用数学形态学的方法对害虫的边缘进行检测，进而提取害虫的特征；第二种是从昆虫的二值化图像中提取出昆虫的周长、面积和复杂度等基本信息，并对这些信息建立害虫的模板库以实现对昆虫的模糊决策分析。2）对农作物生长的监测。常用的方法就是运用计算机视觉技术下的非接触式监测系统对农作物生长环境下的光照、温度、湿度、风速、营养液浓度等相关因素进行连续地监测，进而判断出农作物长势。

2.3 在林业生产中的应用

该技术在林业生产中的应用主要集中在农药喷洒和林木球果采集这两方面。就林业的农药喷洒而言，常规的农药喷洒方式易造成农药的大量流失，不仅达不到防止林业有害生物的目的，还浪费了大量的人力、物力和财力。计算机视觉技术的应用能通过对施药目标图像进行实时分析，得出具体的施药量和准确的施药位置，该技术指导下的施药工作极大发挥了农药的效果。就林木球果采集而言，该采集工作的操作难度一直都很大，我国当前使用的方法主要是人工使用专业工具下的采集以及机械设备运用下的高空作业车采集和摇振采种机采集，这两种方式都存在一定的安全性和效率问题。计算机视觉技术的应用能通过对需要进行采集的林木球果进行图像采集来得出球果所处的具置，再结合专业机械手的使用完成球果采集。该技术不仅节省了大量劳动力，还极大提高了采摘效率。

2.4 在农产品检测中的应用

农产品在生产过程中受自然环境的影响比较大，所以农产品不仅会产生质量上的差异，还会造成颜色、大小、形状等外观上的极大不同。由于农产品在出售时大多要进行产品等级的划分，所以将计算机视觉技术运用到对其颜色和外形尺寸的检测上，有效达到了对农产品进行检测的目的。通过对外观大小尺寸的检测，不仅提高了对农产品进行分门别类地等级划分的效率，还在很大程度上减少了对产品的损坏；通过对西瓜等农产品进行颜色上的检测，能准确判断其是否成熟，有效避免了人工操作下的失误。

2.5 在电力系统自动化中的应用

计算机视觉技术在电力系统自动化应用的表现当前主要表现在以下2个方面：1）在人机界面中的应用。人机界面在运行过程中更加强调人的主体地位，实现了用户对各种效应通道和感觉通道的运用。具体来讲，计算机视觉技术在用户向计算机的输入方面，效应通道实现了手动为主向手、足、口、身体等的转变；在计算机向用户的输出方面，感觉通道实现了视觉为主向触觉、嗅觉、听觉等的转变。2）在电厂煤粉锅炉火焰检测中的应用。对煤粉锅炉火焰的检测既能有效判断锅炉的运行状况，又能在很大程度上实现电厂的安全性运营。由于煤的负荷变化和种类变化会在使着火位置发生移动，所以为了保证炉膛火焰检测的准确性，必须弥补之前单纯应用火焰检测器只能判断有无火焰开关量信号的弊端。计算机视觉技术的应用，就在弥补火焰检测器应用弊端的基础上，实现了对火焰形状的进一步检测。

2.6 在图书馆工作中的应用

随着当前数字图书馆和自动化管理系统的建立，计算机技术在图书馆方面的应用越来越广泛。当前计算机视觉技术在图书馆方面的应用主要集中在古籍修补和书刊剔旧这两方面。就古籍修补而言，古籍图书等在收藏的过程中，受温度、湿度、光照等的影响，极易导致纸张变黄、变脆以及虫洞等现象的出现。在进行修补时，依靠计算机视觉技术开展具体的修补工作，能在很大程度上提高修补工作的效率。就书刊剔旧而言，由于图书馆藏书众多，对那些使用率低且较为陈旧的文献资料进行及时地剔除，能实现图书资源的及时更新。计算机视觉技术在该方面的应用，极大地保证了工作的准确性和效率性。

3 结束语

通过以上对计算机视觉技术在工业、农业、林业、农产品检测、电力系统自动化及图书馆工作这6个方面的研究可以看出，随着计算机技术的进一步发展以及计算机与各专业学科的不断渗透，该技术的发展前景和应用领域都将更加广阔。

参考文献

篇2

关键词:双目计算机视觉 深度信息 自适应 光照变化 视频监控

1、引 言

面对日益复杂的社会和政治环境,国家安全、社会安全、个人人生安全和财产安全等都面临着不同程度的威胁,都需要各种安全保护措施,在众多场所建立切实有效的安保措施,成为一个迫切的课题。本文提出了一种基于双目计算机视觉的自适应识别算法,将该算法应用于现有的监控系统,并赋予监控终端智能性,不仅使其脱离人而具有独立智能、自主判断的能力,而且使得视频监控系统在安防方面的作用大大提高。

在现有的背景建模方法中,大多对于背景象素点的亮度值,例如最小亮度值、最大亮度值和最大亮度差值[ 1 ] ,或是对颜色信息进行建模[ 2 ] 。对于背景的更新,一般使用自适应滤波器对像素的统计特性进行递归更新,为了考虑到噪声的影响,文献[ 3 ]提出了Kalman滤波器的方法,该文认为系统的最优信息可通过估计获得。考虑到环境的动态缓慢改变,文献[ 4 ]利用统计模型给背景建模,即由一个时域滤波器保留着一个序列均值和一个标准偏差,并通过滤波过程统计值随时间改变来反映环境的动态特性。另外有一些方法解决了光照渐变等影响[ 5~7 ] ,但计算较复杂。

2、双目计算机视觉深度算法

基于实际应用考虑,摄像头的数量关系着成本和计算量,所以选择支持双摄像头(双目视觉)的算法是最合适的。在支持双目视觉的算法中,Princeton NEC research institute 基于最大流算法(maximum2flow)的计算机视觉算法( Stereo2MF)在深度效果平滑性上做得较好[ 8, 9 ] ,适用于监控区域深度计算的应用背景。但原有算法所需的计算量和计算过程中的暂存数据量是较大的,虽然支持计算量的削减,但只是机械地在一块区域中选择中心点来进行计算,这样计算的结果会因选择的机械性,而出现大量的“伪点”,这些伪点错误地表现了该区域的平均深度信息。本文采用统计平均值选取计算点,通过距离因子的Gauss分布将块内其他点的值融合计算,从而使得计算出的值较准确的代表了这一块内的大致深度分布。

m, n分别是图像的长和宽所包含的像素点个数,M、N 表示像素点的横纵坐标, .d 是块内深度统计平均值, dM, N为计算点的深度值, q为距离因子, dB是计算所得的块深度代表值。图1为改进后双目视觉深度算法与原算法识别效果比较。由图1可以明显看出,修改后的算法效果在细节表现、平滑性、伪点减少上均有明显改善,而且深度计算精确度能够完全满足视频

图1 改进后双目视觉深度算法与原算法识别效果比较Fig. 1Effect comparison after algorithm modification

度计算精确度能够完全满足视频监控应用的需要。

3、自适应识别算法

对于一个固定的场景,场景各像素点的深度值是符合一个随机概率分布。以某一均值为基线,在其附近做不超过某一偏差的随机振荡,这种情况下的场景称之为背景。而场景环境往往是动态变化的,如环境自然光的缓变,灯光的突然熄灭或点亮,以及运动对象的出现、运动和消失等。如果能识别出场景中的动态变化,就能自适应的更新背景值,将光照的改变融合到背景值中。本文采取了用统计模型的方式给每个像素点建模,而以像素点变化的分布情况来确定光照突变引起的深度突变,并结合深度计算本身特性,解决光照缓变突变引起的误判问题,以及判别场景中对象的主次性。

3. 1 背景象素点的深度值建模

由于双目计算机视觉算法得到的深度值,已经是块融合的,可以根据精度要求,来加大块面积, 减少数据量。本文获得的数据量只有原像素点的( k, l分别是块的长和宽所包含的像素点个数) 。以统计的方法给每个像素点的深度值建模, 设为第u帧图像的某个像素点的深度值, 其中u代表第u帧图像, i, j分别代表像素点的横坐标和纵坐标。由一个时间滤波器来保持该像素点深度值的序列均值和时间偏差

其中,α是一个可调增益参数, 其与采样频率有关。通过滤波过程,来得到每个像素点的深度值基于时间的统计特性,由于这些统计特性反映了环境的动态特性,据此可以了解到是环境的光照发生了突变,还是有运动对象的运动。

3. 2 背景更新与场景识别

通过上述滤波过程,就可以将光照缓变融入到背景中去,实现背景的自适应更新。而对于光照突变,此时几乎所有的象素点的亮度值会同时增大或减小,但根据最大流算法的特性,同方向的变化对流量差不会引起太大变化, 而对深度计算结果只会引起较小的同方向变化。这种全局的等量变化, 可以认为是光照突变引起的。

其中, a、b和c是3个可调节系数,他们的取值可依据场景的情况及检测光照突变的速度与误差来进行选取。s, t分别是深度图像的长和宽所包含的像素点个数。Q是符合式( 9)的像素点个数。一旦检测到环境光照发生了突变, 就把背景点像素的深度序列均值,全部以当前帧像素点的深度值的测量

值代替,而j以0取代,从而实现背景的及时更新。

如果式(10)式(12)中任意一个不成立的话,则认为像素块深度值的变化并非由光照突变引起, 而是场景中有运动对象出现。

4、算法分析与实验

4. 1 算法复杂度

对于光照突变检测,若有突变的话,则会立即检测出来,当有运动对象出现时, 并且式( 10)式( 12)都接近满足时,处理会较慢,因为需要处理突变检测和运动对象两个过程。当b取25% s ×t时的处理速度与变化点比例关系如图2所示。

相对于一般的光强、灰度的识别检测算法,本算法的优势在于不仅可以利用深度特性更容易地检测到光照的渐变与突变, 而且可以判断出现的多个运动对象的主次性。

4. 2 算法误检率

由于光照直接对于像素点的光强、灰度等产生影响,所以深度算法的噪声容限更大,这样可降低了误检率,多组实验后得到的误检率对比图如图3所示。但是由于深度算法本身对于反光或者阴暗面会产生伪点,所以,某些时候由于光照突变中光源的位置变化而会误检为运动对象,为此算法还需进一步改进能判别伪点的出现, 除去它在光照突变检测中的影响。另外,公式中可调系数a, b, c的选取也会对不同场景产生影响。

笔者在实验室环境下做了不同光照角度、不同环境光强度、不同运动物体的多组实验,发现在反光面或是阴暗面较多的情况下,光照突变检测不是很灵敏,而且会出错,但是在增加系数a, c的值后, 误检率有所降低(如图3所示) 。

5、基于算法的监控系统

我们利用该算法实现了视频监控原型系统。计算机视觉算法对于摄像头的同步曝光要求很高,所以本系统终端用一块单独的MCU (micro control unit)控制同步曝光。核心算法用DSP处理。系统结构如图4所示。实际系统原型图如图5所示。

篇3

随着计算机技术以及图像处理技术的快速发展，计算机视觉技术作为一种新兴的技术，其被广泛应用在军事、医学、工业以及农业等领域[1]。一般而言，计算机及视觉技术应用在农业的生产前、生产中以及生产后等各个环节，其主要就是鉴别植物种类，分级和检测农产品的品质。计算机视觉相较于人类视觉而言，其具有更多的优点，能够有效提高农业的生产率，实现农业生产与管理的智能化和自动化，促进农业的可持续发展。

一、计算机视觉技术概述

计算机视觉主要是指利用计算机来对图像进行分析，从而控制某种动作或者获取某描述景物的数据，是人工智能与模式识别的重要领域。计算机视觉兴起于20世纪70年代，其涉及的学科范围较为广泛，包括视觉学、CCD技术、自动化、人工智能、模式识别、数字图像处理以及计算机等。就目前而言，计算机视觉技术主要以图像处理技术为核心，是通过计算机视觉模拟人眼，并利用光谱对作物进行近距离拍摄，运用数字图像处理以及人工智能等技术，对图像信息进行分析和研究。计算机视觉技术主要步骤包括采集图像、分割图像、预处理、特征提取、处理和分析提取的特征等[2]。

二、农业机械中计算机视觉技术的应用分析

一般而言，农业机械中计算机视觉技术的应用，主要表现在以下三个方面：一是田间作业机械中的应用；二是农产品加工机械中的应用；三是农产品分选机械中的应用。

（一）田间作业机械中的应用

在田间作业机械中，计算机视觉技术的应用较晚。近年来，由于环境保护政策的提出，在农田作业的播种、植保以及施肥机械中的应用越来越广泛。在田间作业的过程中应用计算机视觉技术时，主要应用在苗木嫁接、田间锄草、农药喷洒、施肥以及播种等方面[3]。为了有效识别杂草，对除草剂进行精确喷洒，相关研究人员分析了美国中西部地区常见的大豆、玉米以及杂草二值图像的形态学特征，发现植物长出后14～23天内能够有效区别双子叶和单子叶的效果，准确率最高达到90%。在1998年开发出Detectspary除草剂喷洒器，其能够有效识别杂草，在休耕季节时，其相较于播撒而言，能够减少19%～60%的除草剂用量。在农业生产中，农药的粗放式喷洒是污染严重，效率低下的环节，为了有效改变这种现状，Giler D.K.等研制出能够精量喷雾成行作物的装置。该系统主要是利用机器视觉导向系统，使喷头能够与每行作物上方进行对准，并结合作物的宽度，对喷头进行自动调节，确保作物的宽度与雾滴分布宽度具有一致性，从而有效节省农药。一般而言，该系统能够促使药量减少66%，提高雾滴沉降效率和施药效率，减少农药对环境产生的影响。

（二）农产品加工机械中的应用

随着信息技术以及计算机技术的快速发展，计算机视觉技术被广泛应用在农产品加工的自动化中。如Jia P等提出了图像处理算法，该算法主要是以鲇鱼水平方向与主轴的形心位置和夹角为依据，检测鲇鱼的方位以及背鳍、腹鳍、头、尾的位置，从而确定最佳的下刀位置。此外，我国的黄星奕等人在研究胚芽米的生产过程时，在不经过染色的情况下，对胚芽米的颜色特性等进行分析，得出胚芽米颜色特征的参数为饱和度S。同时利用计算机视觉系统，自动无损检测胚芽精米的留胚率，其结果与人工评定的结果大体一致。

（三）农产品分选机械中的应用

在分级和鉴定农产品的品质时，可以利用计算机视觉技术对其进行无损检测。一般计算机视觉技术不需对测定对象进行接触，可以直接利用农产品的表面图像，分级和评估其质量，其具有标准统一、识别率高一级效率高等优势。计算机视觉技术在检测农产品时，主要集中在谷物、蔬菜以及水果等方面。Chtioui Y等人提出了结合Rough sets理论，利用计算机视觉技术对蚕豆品质的方法进行评价。该理论通过不同的离散方法对石头、异类蚕豆、过小、破损以及合格等进行有效区分，并利用影色图像，对其特征参数进行分类，最终分类的结果相比于统计分类结果，两者具有较好的一致性。

篇4

关键词：计算机视觉技术；食品工业；分级；图像处理

中图分类号： TS207 文献标识码：A

随着微型个人计算机应用的越来越广泛，以及计算机在综合学科中应用的深入研究，现如今在工农业、军事国防、医学卫生等众多领域的使用和研究方面计算机视觉技术都起到了至关重要的作用，为了节省人力、降低成本、减少误差，该项技术在食品企业、科研院所、检测机构中的应用更加普遍。如今，在农产品药物残留检测、水果重量分级、等级筛选、质量监管等方面计算机视觉技术有众多应用。

1 计算机视觉技术概述

计算机视觉技术是利用计算机、摄像机、图像卡以及相关处理技术来模拟人的视觉，用以识别、感知和认识我们生活的世界[1]。该技术是模拟识别人工智能、心理物理学、图像处理、计算机科学及神经生物学等多领域的综合学科。计算机视觉技术用摄像机模拟人眼，用计算机模拟大脑，用计算机程序和算法来模拟人对事物的认识和思考，替代人类完成程序为其设定的工作。该技术由多个相关的图像处理系统组成，主要包括光源提供系统、图像提取系统、计算机数据运算系统等。原理是：首先通过摄像机获得所需要的图像信息，然后利用信号转换将获得的图像信息转变为数字图像以便计算机正确识别[2]。随着科学技术的发展，计算机技术在各个领域得到广泛应用，计算机视觉技术不仅在代替人类视觉上取得了重大成就，而且在很多具体工作方便超越了人的视觉功能。计算机视觉计算有如此快速的发展，是因为与人类的视觉相比该技术具有以下显著优势[3]。

1.1 自动化程度高

计算机视觉可以实现对农产品的多个外形和内在品质指标进行同时检测分析，可以进行整体识别、增强对目标识别的准确性。

1.2 实现无损检测

由于计算机视觉技术对农产品的识别是通过扫描、摄像，而不需要直接接触，可以减少对所检测食品的伤害。

1.3 稳定的检测精度

设计的运行程序确定后，计算机视觉技术的识别功能就会具有统一的识别标准，具有稳定的检测精度，避免了人工识别和检测时主观因素所造成的差异。

2 计算机视觉技术在食品检测中的应用

20世纪70年代初，学者开始研究计算机视觉技术在食品工业中的应用，近几十年电子技术得到快速发展，计算机视觉技术也越来越成熟。国内外学者在研究计算机视觉技术在食品工业中的应用方面主要集中在该技术对果蔬的外部形态（如形状、重量、外观损伤、色泽等）的识别、内部无损检测等方面。国内有关计算机视觉技术在食品业中的应用研究起始于90年代，比国外发达国家晚多达20a，但是发展很快。

2.1 计算机视觉技术在果蔬分级中的应用研究

计算机视觉技术在食品检测中的应用研究相当广泛，从外部直径、成熟度的检测到内部腐烂程度的检测都有研究。韩伟等[4]采用分割水果的拍摄图像和新的计算机算法计算水果的半径，进而得出果蔬的最大直径。研究表明，该算法不仅降低了计算量而且提高了计算精度，此方法用于水果分级的误差不超过2mm，高于国际水果分级标准所规定的5mm分类标准差，可在工业生产中很好应用。李庆中[5]也利用图像的缺陷分割算法研究了计算机视觉技术在苹果检测与分级中的应用，结果表明此算法能快速、有效地分割出苹果的表面缺陷。孙洪胜等[6]以苹果色泽特征比率的变化规律为理论基础，结合模糊聚类知识利用计算机视觉技术来检测苹果缺陷域，检测不仅快速而且结果精确。刘禾等[7]通过研究认为苹果的表面缺陷可以利用计算机视觉技术进行检测，计算机视觉技术还可以将苹果按照检测结果进行分级，把检测过的苹果分成裂果、刺伤果、碰伤果和虫伤果等类别。梨的果梗是否存在是梨类分级的重要特征之一，应义斌等[8]通过计算机视觉技术、图像处理技术、傅立叶描述子的方法来描述和识别果形以及有无果柄，其识别率达到90%。杨秀坤等[9]综合运用计算机视觉技术、遗传算法、多层前馈神经网络系统，实现了具有精确度高、灵活性强和速度快等优点的苹果成熟度自动判别。陈育彦等[10]采用半导体激光技术、计算机视觉技术和图像分析技术相结合的方法检测苹果表面的机械损伤和果实内部的腐烂情况，初步验证了计算机视觉技术检测苹果表面的损伤和内部腐烂是可行的。冯斌等[11]通过计算机视觉技术对水果图像的边缘进行检测，然后确定水果的大小用以水果分级。试验表明，该方法比传统的检测方法速度快、准确率高，适用于计算机视觉的实时检测。朱伟[12]在模糊颜色的基础上，分析西红柿损伤部分和完好部分模糊颜色的差别，用分割方法对西红柿的缺陷进行分割，结果显示准确率高达96%。曹乐平等[13]人研究了温州蜜柑的果皮颜色与果实可滴定酸含量以及糖分含量之间的相关性，然而根据相关性，样品检测的正确识别率分别只有约74%和67%。刘刚等[14]从垂直和水平两个方向获取苹果的图像，并通过计算机自动分析图像数据，对苹果的外径、体积、以及圆形度等参数进行处理，与人工检测相比，计算机视觉技术具有检测效率高，检测标准统一性好等优点。Blasco. J [15]通过计算机视觉技术分析柑橘果皮的缺陷，进而对其在线分级，正确率约为95%。赵广华等[16]人综合计算机视觉识别系统、输送转换系统、输送翻转系统、差速匀果系统和分选系统，研制出一款适于实时监测、品质动态的智能分级系统，能够很好地实现苹果分级。王江枫等[17]建立了芒果重量与摄影图像的相互关系，应用计算机视觉技术检测桂香芒果和紫花芒果的重量和果面损伤，按重量分级其准确率均为92%，按果面损伤分级的准确率分别为76%和80%。

2.2 计算机视觉技术在禽蛋检测中的应用研究

禽蛋企业在生产过程中，产品的分级、品质检测主要采用人工方法，不仅需要大量的物力人力，而且存在劳动强度大、人为误差大、工作效率低等缺点，计算机视觉技术可以很好的解决这类产品工业生产中存在的困扰。欧阳静怡等[18]利用计算机视觉技术来检测鸡蛋蛋壳裂纹，利用摄像机获取鸡蛋图像后，采用fisher、同态滤波和BET算法等优化后的图像处理技术，获得裂纹形状并判断，试验结果表明，计算机视觉技术对鸡蛋蛋壳裂纹的检测准确率高达98%。汪俊德等[19]以计算机视觉技术为基础，设计出一套双黄鸡蛋检测系统。该系统获取蛋黄指数、蛋黄特征和蛋形尺寸等特征，和设计的数学模型对比来实现双黄鸡蛋的检测和识别，检测准确率高达95%。郑丽敏等[20]人通过高分辨率的数字摄像头获取鸡蛋图像，根据图像特征建立数学模型来预测鸡蛋的新鲜度和贮藏期，结果表明，计算机视觉技术对鸡蛋的新鲜度、贮藏期进行预测的结果准确率为94%。潘磊庆等[21]通过计算机视觉技术和声学响应信息技术相结合的方法检测裂纹鸡蛋，其检测准确率达到98%。Mertens K等[22]人基于计算机视觉技术研发了鸡蛋的分级检测系统，该系统识别带污渍鸡蛋的正确率高达99%。

2.3 计算机视觉技术在检测食品中微生物含量中的应用研究

计算机技术和图像处理技术在综合学科中的应用得到快速发展，在微生物快速检测中的应用也越来越多，主要是针对微生物微菌落的处理。食品工业中计算机视觉技术在微生物检测方面的研究和应用以研究单个细胞为主，并在个体细胞的研究上取得了一定的进展。殷涌光等[23]以颜色特征分辨技术为基础，设计了一套应用计算机视觉技术快速定量检测食品中大肠杆菌的系统，该系统检测结果与传统方法的检测结果具有很好的相关性，但与传统方法相比，可以节省5d时间，检测时间在18h以内，并且能够有效提高产品品质。Lawless等[24]人等时间段测定培养基上的细胞密度，然后通过计算机技术建立时间和细胞密度之间的动态关联，利用该关联可以预测和自动检测微生物的生长情况，如通过计算机控制自动定量采集检测对象，然后分析菌落的边缘形态，根据菌落的边缘形态计算机可以显示被检测菌落的具置，并且根据动态关联计算机视觉系统可以同时处理多个不同的样品。郭培源等[25]人对计算机视觉技术用于猪肉的分级进行了研究，结果显示计算机视觉技术在识别猪肉表面微生物数量上与国标方法检测的结果显著相关，该技术可以有效地计算微生物的数量。Bayraktar. B等[26]人采用计算机视觉技术、光散射技术（BARDOT）和模式识别技术相结合的方法来快速检测李斯特菌，在获取该菌菌落中的形态特征有对图像进行分析处理达到对该菌的分类识别。殷涌光等[27]人综合利用计算机视觉、活体染色、人工神经网络、图像处理等技术，用分辨率为520万像素的数字摄像机拍摄细菌内部的染色效果，并结合新的图像处理算法，对细菌形态学的8个特征参数进行检测，检测结果与传统检测结果显著相关（相关系数R=0.9987），和传统检测方法相比该方法具有操作简单、快速、结果准确、适合现场快速检测等特点。鲁静[28]和刘侃[29]利用显微镜和图像采集仪器，获取乳制品的扫描图像，然后微生物的图像特征，识别出微生物数量，并以此作为衡量乳制品质量是否达标的依据，并对产品进行分级。

2.4计算机视觉技术在其他食品产业中的应用研究

里红杰等[30]通过提取贝类和虾类等海产品的形状、尺寸、纹理、颜色等外形特征，对照数学模型，采用数字图像处理技术、计算机识别技术实现了对贝类和虾类等海产品的无损检测和自动化分类、分级和质量评估，并通过实例详细阐述了该技术的实现方法，证实了此项技术的有效性。计算机视觉技术还可以检验玉米粒形和玉米种子质量、识别玉米品种和玉米田间杂草[31]。晁德起等[32]通过x射线照射获取毛叶枣的透视图像后，运用计算机视觉技术对图像进行分析评估，毛叶枣可食率的评估结果与运用物理方法测得的结果平均误差仅为1.47%，因此得出结论：计算机视觉技术可以应用于毛叶枣的自动分级。Gokmen，V等通用对薯片制作过程中图像像素的变化来研究薯片的褐变率，通过分析特色参数来研究薯片中丙烯酰胺的含量和褐变率也关系，结果显示两项参数相关性为0.989，从而可以应用计算机视觉技术来预测加热食品中丙烯酰胺的含量，该方法可以在加热食品行业中得到广泛应用。韩仲志等人拍摄和扫描11类花生籽粒，每类100颗不同等级的花生籽粒的正反面图像，利用计算机视觉技术对花生内部和外部采集图像，并通过图像对其外在品质和内在品质进行分析，并建立相应的数学模型，该技术在对待检样品进行分级检测时的正确率高达92%。另外，郭培源等人以国家标准为依据，通过数字摄像技术获取猪肉的细菌菌斑面积、脂肪细胞数、颜色特征值以及氨气等品质指标来实现猪肉新鲜程度的分级辨认。

3 展望

新技术的研究与应用必然伴随着坎坷，从70年代初计算机视觉技术在食品工业中进行应用开始，就遇到了很多问题。计算机视觉技术在食品工业中的研究及应用主要存在以下几方面的问题。

3.1 检测指标有限

计算机视觉技术在检测食品单一指标或者以一个指标作为分级标准进行分级时具有理想效果，但以同一食品的多个指标共同作为分级标准进行检测分级，则分级结果误差较大。例如，Davenel等通过计算机视觉对苹果的大小、重量、外观损伤进行分析，但研究结果显示，系统会把花粤和果梗标记为缺陷，还由于苹果表面碰压伤等缺陷情况复杂，造成分级误差很大，分级正确率只有69%。Nozer等以计算机视觉为主要技术手段，获取水果的图像，进而通过分析图像来确定水果的形状、大小、颜色和重量，并进行分级，其正确率仅为85.1%。

3.2 兼容性差

计算机视觉技术针对单一种类的果蔬分级检测效果显著，但是同一套系统和设备很难用于其他种类的果蔬，甚至同一种类不同品种的农产品也很难公用一套计算机视觉设备。Reyerzwiggelaar等利用计算机视觉检查杏和桃的损伤程度，发现其检测桃子的准确率显著高于杏的。Majumdar.S等利用计算机视觉技术区分不同种类的麦粒，小麦、燕麦、大麦的识别正确率有明显差异。

3.3 检测性能受环境制约

现阶段的计算机视觉技术和配套的数学模型适用于简单的环境，在复杂环境下工作时会产生较大的误差。Plebe等利用计算机视觉技术对果树上的水果进行识别定位，但研究发现由于光照条件以及周边环境的影响，水果的识别和定位精度不高，不能满足实际生产的需要。

综上所述，可看出国内外学者对计算机视觉技术在食品工业中的应用进行了大量的研究，有些研究从单一方面入手，有些研究综合了多个学科，在研究和应用的过程中，取得了较大的经济效益，也遇到了很多问题，在新的形势下，计算机视觉技术和数码拍摄、图像处理、人工神经网络，数学模型建设、微生物快速计量等高新技术相融合的综合技术逐渐成为了各个领域学者的研究热点，以计算机视觉为基础的综合技术也将在食品工业中发挥更加重要的作用。

参考文献

[1] 宁纪锋，龙满生，何东健.农业领域中的计算机视觉研究[J].计算机与农业，2001（01）：1-3.

[2] 李峥.基于计算机视觉的蔬菜颜色检测系统研究[D].吉林：吉林大学，2004.

[3] 曾爱群.基于计算机视觉与神经网络的芒果等级分类研究[D].桂林：桂林工学院，2008.

[4] 韩伟，曾庆山.基于计算机视觉的水果直径检测方法的研究[J].中国农机化，2011（05）：25-29.

[5] 李庆中.苹果自动分级中计算机视觉信息快速获取与处理技术的研究[D].北京：中国农业大学，2000.

[6] 孙洪胜，李宇鹏，王成，等.基于计算机视觉的苹果在线高效检测与分级系统[J].仪表技术与传感器，2011（06）：62-65.

[7] 刘禾，汀慰华.水果果形判别人工神经网络专家系统的研究[J].农业工程学报，1996，12（0l）：171-176.

[8] 应义斌，景寒松，马俊福.用计算机视觉进行黄花梨果梗识别的新方法[J].农业工程学报，1998，14（02）：221-225.

[9] 杨秀坤，陈晓光，马成林，等.用遗传神经网络方法进行苹果颜色白动检测的研究[J].农业工程学报，1997，13（02）：193-176.

[10] 陈育彦，屠康，柴丽月，等.基于激光图像分析的苹果表面损伤和内部腐烂检测[J].农业机械学报，2009，40（07）：133-137.

[11] 冯斌，汪憋华.基于计算机视觉的水果大小检测方法[J].农业机械学报，2003，34（01）：73-75.

[12] 朱伟，曹其新.基于模糊彩色聚类方法的西红柿缺陷分割[J].农业工程学报，2003，19（03）：133-136.

[13] 曹乐平，温芝元，沈陆明.基于色调分形维数的柑橘糖度和有效酸度检测[J].农业机械学报，2009，41（03）：143-148.

[14] 刘刚，王立香，柳兆君.基于计算机视觉的苹果质量检测[J].安徽农业科学，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] 赵广华，飞，陆奎荣，等.智能化苹果品质实时分选系统[J].中国科技信息.

[17] 王江枫，罗锡文，洪添胜，等.计算机视觉技术在芒果重量及果面坏损检测中的应用[J].农业工程学报，1998（12）：186-189.

[18] 欧阳静怡，刘木华.基于计算机视觉的鸡蛋裂纹检测方法研究[J].农机化研究，2012（03）：91-93.

[19] 汪俊德，郑丽敏，徐桂云，等.基于计算机视觉技术的双黄鸡蛋检测系统研究[J].农机化研究，2012（09）：195-199.

[20] 郑丽敏，杨旭，徐桂云，等.基于计算机视觉的鸡蛋新鲜度无损检测[J].农业工程学报，2009，25（03）：335-339.

[21] 潘磊庆，屠康，詹歌，等.基于计算机视觉和声学响应信息融合的鸡蛋裂纹检测[J].农业工程学报，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.基于计算机视觉的食品中大肠杆菌快速定量检测[J].吉林大学学报（工学版），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，毕松，袁芳.猪肉新鲜度智能检测分级系统研究[J].食品科学，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.基于计算机视觉的蔬菜中活菌总数的快速检测[J].农业工程学报，2009，25（07）：249-254.

[28] 鲁静.乳品微生物自动检测系统的设计[J].湖北第二师范学院学报，2010，27（08）：115-117.

[29] 刘侃.鲜奶含菌量快速检测系统[D].华中科技大学，2008.

[30] 里红杰，陶学恒，于晓强.计算机视觉技术在海产品质量评估中的应用[J].食品与机械，2012，28（04）：154-156.

篇5

关键词：并行数据挖掘；频繁模式；入侵检测

一.引言

频繁模式挖掘是数据挖掘领域的一个重要方面，研究内容一般包括事务、序列、树和图。其方法被广泛应用于许多其它数据挖掘任务中，如相关性分析、最大模式、闭合模式等。随着Internet的广泛使用和高性能工作站的不断普及，高效实用的并行挖掘算法成为了提高数据挖掘的时效性和适应性的有效途径。

4.2基于数据挖掘的入侵检测实现过程

将频繁模式数据挖掘技术应用于入侵检测的过程中,挖掘算法起到了关键作用。将基于数据挖掘入侵检测实现分为如下四步：

(1)从原始审计数据中提取ASCII网络包(网络型)或主机事件数据(主机型),形成连接记录( 网络型)或主机会话记录(主机型),包括一系列基本特征,放入数据仓库。

(2)使用频繁模式挖掘算法找出关联模式,抽取出频繁模式。

(3)通过模式编码、比较、可视化,并进行模式的使用和积累，找出纯入侵模式，然后构建特征。

(4)利用分类器(如RIPPER等分类算法)建立分类模型以得到检测模型。

4.3基于数据挖掘的入侵检测系统组成框架(图1)

                          图1: 一个基于数据挖掘的入侵检测系统

(l)信息的收集。信息的收集分为两种情况，一是分析历史数据，从中进行挖掘形成规则库；二是收集实时的网络数据，根据已经形成的规则库的规则，判断这些网络数据包是否可疑。

(2)数据预处理。所收集的事件信息需要经过转换以供事件分析器使用，它们被修改成通用或规范的数据格式，或者被结构化，以便执行一些特性选择或执行其它一些处理。

(3)规则挖掘。作为分析器的规则挖掘将对经过预处理的数据进行分析处理。对于历史数据，规则挖掘模块将对这些数据进行分析，把得到的规则的存放在规则库中；对于实时的网络数据，该模块同样进行分析，分析的结果是实时数据的频繁项目集，结果将交给规则匹配模块进行进一步的分析。

(4)规则匹配。该模块把经过挖掘分析的实时网络数据与规则库的规则进行规则匹配分析，并把匹配的结果交给作为响应组件的决策和告警模块。

(5)决策和告警。决策模块根据规则匹配的结果进行响应，若数据是正常的，表明没有攻击行为，则直接把这些数据写到规则库中，对规则库进行更新；若数据是异常的，表明有攻击行为出现，则发出告警，然后也可以把攻击的行为模式保存起来。

五．结束语

频繁模式挖掘是数据挖掘研究中一个最基本的问题，它可以从海量数据中得到正常的和异常的行为模式，将其用于入侵检测不仅可以有效地检测已知入侵,而且还具有检测未知攻击模式的能力，具有更高的准确性和适应性。由于现有频繁模式挖掘技术存在诸多问题，特别是针对入侵检测中数据的海量、分布和动态更新等特点，传统的挖掘与更新方法显得低效和昂贵。因此，研究快速高效的频繁模式挖掘算法及其并行化策略以提高入侵检测系统的准确性和时效性显得十分迫切，而且具有非常重要的理论意义和应用价值。

参考文献：

[1]杨明，孙志挥，吉根林.快速挖掘全局频繁项目集.计算机研究与发展,2003，40(4):620-625

[2]林杰斌，刘明德，陈湘.数据挖掘与OLAP理论与实务.清华大学出版社，2003:2-3

篇6

关键词 关联规则 高校 计算机类教师 教学质量

中图分类号：G424 文献标识码：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

为了满足社会对人才的需求，近两年来梧州学院计算机科学系在原有的计算机科学与技术本科专业，软件工程专业的基础上申请了数字媒体专业，物联网工程专业，其中计算机科学与技术专业还分为嵌入式系统，信息安全，计算机网络三个方向。新专业，新方向的产生带来了许多全新的专业课程。该如何合理安排老师来上课，如何评价老师的教学质量，这些问题让类似于梧州学院这样地处边远山城且新升格的地方本科院校来说，一切都还在摸索中。为了解决传统教学质量测评中存在的不足，许多人尝试了将关联规则挖掘这一现代分析技术引入到教学质量测评中，①②③④但以往的分析没有专门针对计算机类教师，所进行的评分也比较笼统，没有分课程分别评分，此外，也没有加入教师的行业背景这些会严重影响教学效果的评价因素。因此本文利用C++的STL，加入教师的行业背景因素，专门利用关联规则挖掘来对高校计算机类教师教学质量进行测评，通过公正客观的统计和分析，做出归纳性推理，从中挖掘出潜在的模式，从而帮助决策者调整策略。

1 高校教师教学质量测评的现状

1.1 评价过程

我校建立了校系两级的教学质量监控体系，学生在网上查看成绩，需要把本学期所上课程的任课教师的评教问卷填写完成才可以查看本科目的成绩；此外，各系部还进行教学中期检查，通过调查问卷、听课、评课、座谈等多种方式对任课教师的教学工作进行综合评价。这样一来，光是计算机类教师的评教分数就至少有三类分数，一是所任课班级的每一名学生的评分；二是学院聘请的各学科专家经过随堂听课以及学生访谈后得到的分数；此外，还有教师所在的教研室经过相互听课以及学生访谈后，对教师授课的各方面情况打分。把所有分数收集了之后，通过录入计算机，再对每名教师的各方面打分加权合并汇总，形成一个最终得分。这个分数即是该教师教学质量测评得分，此分数可作为评价教师该门课程教学质量优劣的主要依据。

1.2 目前高校教师教学质量测评中存在的问题

以笔者所在的计算机科学系为例，每个学期每门课都积累了大量这样直接的评教分数，但是评测比较主观，分数收集上来之后，后期的数据分析与应用欠缺，失去了应有的激励价值。大多数高校都没有建立起一套科学的绩效考核体系，测评指标不全面，指标权重分配不合理，测评方法和手段单一、陈旧；评价对象不明确。因此，很有必要利用现代分析技术来对这些宝贵而庞大的数据进行科学的挖掘。

2 关联规则挖掘在高校计算机类教师教学质量测评中的应用

2.1 原始数据的准备

学生，学科专家，同行教师分别就教师所任教课程进行评分，评分的依据包含教学态度、教学内容、教学方法、教学基本功、教学效果等方面，评分之后，直接从教务系统导出相应的分数，该分数已经是Excel电子表格。由于学生的人数较多，同时同一门课的多个任课老师可能教授的学生数不同，所以学生对该名教师课程1的评教分数直接取平均值，记为X11；各学科专家一般是3～5名，把学科专家的分数取平均，记为X12；同行人数一般是5～10人，也是同行的分数取平均，记为X13，这样就得到一名任课教师某门课的三个 （下转第111页）（上接第82页）平均值。再把这三个分数求平均，四舍五入，取整。笔者所在的计算机科学系，每名教师平均一个学期授课2门，约有50名专任教师。每位计算机学科教师的最终评价分数为下式所示：

教师的最终评价分数=（X11+X12+X13）+（X21+X22+X23）+…+（Xn1+Xn2+Xn3）/n（n为该教师授课的门数）。再把职称，年龄，性别等常规影响教学效果的字段作为挖掘的因素，同时考虑到计算机专业的特殊性，还加入了是否有行业背景这一因素，抽取某个学期的测评情况，记录如表1所示。

表1 教学测评信息表（注：本校计算机系教师编号以17开头）

2.2 数据转换

由于用于挖掘的表1中性别，职称，学历等字段属于离散值属性，还同时存在年龄，最终评价分数等字段属于连续值属性，为了便于进行挖掘，需将连续值属性离散化处理。结果如下：对年龄按照全国高校状态数据库中的统计类别进行分组，35岁以下为A1，A2为[36，45]，A3为[46，55]，A4为56岁以上。根据计算所需的实际情况，对性别、职称、学历的表示加以规定。性别用M表示男性，F表示女性。职称分别表示为：初级为Z1，中级为Z2，副高为Z3，正高为Z4。学历分别表示为：E1为本科，E2表示硕士（含双学士），E3表示博士。

2.3 挖掘过程实现

Step 1： 初始化参数；

Step 2： 进行关联规则挖掘；

for （i=0； i

for （j=i+1； j

// 分析教师属性与评价分数的关系

count（）；

//对各种情况进行统计，并记录到关联矩阵中

Step 3： 调用STL中的sort（）函数对关联矩阵进行排序；

Step 4： 输出结果。

2.4 挖掘结果分析

年龄在36～45岁的中青年男性教师具有较高职称和学历，而且多半具有从事行业背景，而且精力充沛，计算机方面的技术娴熟，课堂教学经验丰富，所以评价分数较高。由此可见，我校计算机科学系一批中青年男教师已经成为教学一线的骨干，教师队伍结构趋于合理。这跟我系长期重视学科建设，坚持实施人才战略，重视高学历，有行业背景的中青年男教师的引进和培养，已经初见成效。有趣的是，30岁以下的年轻教师，虽然大多数刚走上讲台不久，但是由于计算机专业是一个更新非常快的专业，所以置信度也挺高的。说明部分年轻老师由于有一定的专业知识的积累，加上注重教学能力的提升，所以他们的授课也受到学生的欢迎。

3 总结

为了探知计算机专业任课教师和课程教学效果间的深层次内在关联，把关联规则挖掘对教学质量进行评价，对高校多年来积累的教学评价数据进行挖掘、评价结果能给高校教学管理、教育行政部门的决策提供参考，尤其给教师的教学工作提供有益的帮助。本文针对特殊的计算机专业进行评价，分专业的探讨使得挖掘结果更准确，更贴近现实，同时，其思路也同样适用于高校其他专业，尤其是理工科类专业。

基金项目：广西教育厅科研项目立项项目（200911LX 421），梧州学院科研项目（2009C006）

注释

① 王晓艳，高云辉.数据挖掘技术在教学评价系统中的应用[J].计算机光盘软件与应用，2013（4）：211-212.

② 宋晓梅.数据挖掘技术在高校教师教学质量测评中的应用[J].赤峰学院学报（自然科学版），2013.29（2下）：181-184.

篇7

1.1自动化程度高

计算机视觉可以实现对农产品的多个外形和内在品质指标进行同时检测分析，可以进行整体识别、增强对目标识别的准确性。

1.2实现无损检测

由于计算机视觉技术对农产品的识别是通过扫描、摄像，而不需要直接接触，可以减少对所检测食品的伤害。

1.3稳定的检测精度

设计的运行程序确定后，计算机视觉技术的识别功能就会具有统一的识别标准，具有稳定的检测精度，避免了人工识别和检测时主观因素所造成的差异。

2计算机视觉技术在食品检测中的应用

20世纪70年代初，学者开始研究计算机视觉技术在食品工业中的应用，近几十年电子技术得到快速发展，计算机视觉技术也越来越成熟。国内外学者在研究计算机视觉技术在食品工业中的应用方面主要集中在该技术对果蔬的外部形态（如形状、重量、外观损伤、色泽等）的识别、内部无损检测等方面。国内有关计算机视觉技术在食品业中的应用研究起始于90年代，比国外发达国家晚20多年，但是发展很快。

2.1计算机视觉技术在果蔬分级中的应用研究

计算机视觉技术在食品检测中的应用研究相当广泛，从外部直径、成熟度的检测到内部腐烂程度的检测都有研究。韩伟等［4］采用分割水果的拍摄图像和新的计算机算法计算水果的半径，进而得出果蔬的最大直径。研究表明，该算法不仅降低了计算量而且提高了计算精度，此方法用于水果分级的误差不超过2mm，高于国际水果分级标准所规定的5mm分类标准差，可在工业生产中很好应用。李庆中［5］也利用图像的缺陷分割算法研究了计算机视觉技术在苹果检测与分级中的应用，结果表明此算法能快速、有效地分割出苹果的表面缺陷。孙洪胜等［6］以苹果色泽特征比率的变化规律为理论基础，结合模糊聚类知识利用计算机视觉技术来检测苹果缺陷域，检测不仅快速而且结果精确。刘禾等［7］通过研究认为苹果的表面缺陷可以利用计算机视觉技术进行检测，计算机视觉技术还可以将苹果按照检测结果进行分级，把检测过的苹果分成裂果、刺伤果、碰伤果和虫伤果等类别。梨的果梗是否存在是梨类分级的重要特征之一，应义斌等［8］通过计算机视觉技术、图象处理技术、傅立叶描述子的方法来描述和识别果形以及有无果柄，其识别率达到90%。杨秀坤等［9］综合运用计算机视觉技术、遗传算法、多层前馈神经网络系统，实现了具有精确度高、灵活性强和速度快等优点的苹果成熟度自动判别。陈育彦等［10］采用半导体激光技术、计算机视觉技术和图像分析技术相结合的方法检测苹果表面的机械损伤和果实内部的腐烂情况，初步验证了计算机视觉技术检测苹果表面的损伤和内部腐烂是可行的。冯斌等［11］通过计算机视觉技术对水果图像的边缘进行检测，然后确定水果的大小用以水果分级。试验表明，该方法比传统的检测方法速度快、准确率高，适用于计算机视觉的实时检测。朱伟［12］在模糊颜色的基础上，分析西红柿损伤部分和完好部分模糊颜色的差别，用分割方法对西红柿的缺陷进行分割，结果显示准确率高达96%。曹乐平等［13］人研究了温州蜜柑的果皮颜色与果实可滴定酸含量以及糖分含量之间的相关性，然而根据相关性，样品检测的正确识别率分别只有约74%和67%。刘刚等［14］从垂直和水平两个方向获取苹果的图像，并通过计算机自动分析图像数据，对苹果的外径、体积、以及圆形度等参数进行处理，与人工检测相比，计算机视觉技术具有检测效率高，检测标准统一性好等优点。Blasco.J［15］通过计算机视觉技术分析柑橘果皮的缺陷，进而对其在线分级，正确率约为95%。赵广华等［16］人综合计算机视觉识别系统、输送转换系统、输送翻转系统、差速匀果系统和分选系统，研制出一款适于实时监测、品质动态的智能分级系统，能够很好地实现苹果分级。王江枫等［17］建立了芒果重量与摄影图像的相互关系，应用计算机视觉技术检测桂香芒果和紫花芒果的重量和果面损伤，按重量分级其准确率均为92%，按果面损伤分级的准确率分别为76%和80%。

2.2计算机视觉技术在禽蛋检测中的应用研究

禽蛋企业在生产过程中，产品的分级、品质检测主要采用人工方法，不仅需要大量的物力人力，而且存在劳动强度大、人为误差大、工作效率低等缺点，计算机视觉技术可以很好的解决这类产品工业生产中存在的困扰。欧阳静怡等［18］利用计算机视觉技术来检测鸡蛋蛋壳裂纹，利用摄像机获取鸡蛋图像后，采用fisher、同态滤波和BET算法等优化后的图像处理技术，获得裂纹形状并判断，试验结果表明，计算机视觉技术对鸡蛋蛋壳裂纹的检测准确率高达98%。汪俊德等［19］以计算机视觉技术为基础，设计出一套双黄鸡蛋检测系统。该系统获取蛋黄指数、蛋黄特征和蛋形尺寸等特征，和设计的数学模型对比来实现双黄鸡蛋的检测和识别，检测准确率高达95%。郑丽敏等［20］人通过高分辨率的数字摄像头获取鸡蛋图像，根据图像特征建立数学模型来预测鸡蛋的新鲜度和贮藏期，结果表明，计算机视觉技术对鸡蛋的新鲜度、贮藏期进行预测的结果准确率为94%。潘磊庆等［21］通过计算机视觉技术和声学响应信息技术相结合的方法检测裂纹鸡蛋，其检测准确率达到98%。MertensK等［22］人基于计算机视觉技术研发了鸡蛋的分级检测系统，该系统识别带污渍鸡蛋的正确率高达99%。

2.3计算机视觉技术在检测食品中微生物含量的应用研究

计算机技术和图像处理技术在综合学科中的应用得到快速发展，在微生物快速检测中的应用也越来越多，主要是针对微生物微菌落的处理。食品工业中计算机视觉技术在微生物检测方面的研究和应用以研究单个细胞为主，并在个体细胞的研究上取得了一定的进展。殷涌光等［23］以颜色特征分辨技术为基础，设计了一套应用计算机视觉技术快速定量检测食品中大肠杆菌的系统，该系统检测结果与传统方法的检测结果具有很好的相关性，但与传统方法相比，可以节省5d时间，检测时间在18h以内，并且能够有效提高产品品质。Lawless等［24］人等时间段测定培养基上的细胞密度，然后通过计算机技术建立时间和细胞密度之间的动态关联，利用该关联可以预测和自动检测微生物的生长情况，如通过计算机控制自动定量采集检测对象，然后分析菌落的边缘形态，根据菌落的边缘形态计算机可以显示被检测菌落的具置，并且根据动态关联计算机视觉系统可以同时处理多个不同的样品。郭培源等［25］人对计算机视觉技术用于猪肉的分级进行了研究，结果显示计算机视觉技术在识别猪肉表面微生物数量上与国标方法检测的结果显著相关，该技术可以有效地计算微生物的数量。Bayraktar.B等［26］人采用计算机视觉技术、光散射技术（BARDOT）和模式识别技术相结合的方法来快速检测李斯特菌，在获取该菌菌落中的形态特征有，对图像进行分析处理达到对该菌的分类识别。殷涌光等［27］人综合利用计算机视觉、活体染色、人工神经网络、图像处理等技术，用分辨率为520万像素的数字摄像机拍摄细菌内部的染色效果，并结合新的图像处理算法，对细菌形态学的8个特征参数进行检测，检测结果与传统检测结果显著相关（相关系数R=0.9987），和传统检测方法相比该方法具有操作简单、快速、结果准确、适合现场快速检测等特点。鲁静［28］和刘侃［29］利用显微镜和图像采集仪器，获取乳制品的扫描图像，然后微生物的图像特征和微生物数量进行识别，并以此作为衡量乳制品质量是否达标的依据，并对产品进行分级。

2.4计算机视觉技术在其他食品产业中的应用研究

里红杰等［30］通过提取贝类和虾类等海产品的形状、尺寸、纹理、颜色等外形特征，对照数学模型，采用数字图像处理技术、计算机识别技术实现了对贝类和虾类等海产品的无损检测和自动化分类、分级和质量评估，并通过实例详细阐述了该技术的实现方法，证实了此项技术的有效性。计算机视觉技术还可以检验玉米粒形和玉米种子质量、识别玉米品种和玉米田间杂草［31］。晁德起等［32］通过x射线照射获取毛叶枣的透视图像后，运用计算机视觉技术对图像进行分析评估，毛叶枣可食率的评估结果与运用物理方法测得的结果平均误差仅为1.47％，因此得出结论：计算机视觉技术可以应用于毛叶枣的自动分级。GokmenV等［33-34］通过对薯片制作过程中图像像素的变化来研究薯片的褐变率，通过分析特色参数来研究薯片中丙烯酰胺的含量和褐变率的关系，结果显示两项参数相关性为0.989，从而可以应用计算机视觉技术来预测加热食品中丙烯酰胺的含量，该方法可以在加热食品行业中得到广泛应用。韩仲志等［35］人拍摄和扫描11类花生籽粒，每类100颗不同等级的花生籽粒的正反面图像，利用计算机视觉技术对花生内部和外部采集图像，并通过图像对其外在品质和内在品质进行分析，并建立相应的数学模型，该技术在对待检样品进行分级检测时的正确率高达92%。另外，郭培源等［36］人以国家标准为依据，通过数字摄像技术获取猪肉的细菌菌斑面积、脂肪细胞数、颜色特征值以及氨气等品质指标来实现猪肉新鲜程度的分级辨认。

3展望

新技术的研究与应用必然伴随着坎坷，从70年代初计算机视觉技术在食品工业中进行应用开始，就遇到了很多问题。计算机视觉技术在食品工业中的研究及应用主要存在以下几方面的问题。

3.1检测指标有限

计算机视觉技术在检测食品单一指标或者以一个指标作为分级标准进行分级时具有理想效果，但以同一食品的多个指标共同作为分级标准进行检测分级，则分级结果误差较大［37］。例如，Davenel等［38］通过计算机视觉对苹果的大小、重量、外观损伤进行分析，但研究结果显示，系统会把花萼和果梗标记为缺陷，还由于苹果表面碰压伤等缺陷情况复杂，造成分级误差很大，分级正确率只有69%。Nozer［39-40］等以计算机视觉为主要技术手段，获取水果的图像，进而通过分析图像来确定水果的形状、大小、颜色和重量，并进行分级，其正确率仅为85.1%。

3.2兼容性差

计算机视觉技术针对单一种类的果蔬分级检测效果显著，但是，同一套系统和设备很难用于其它种类的果蔬，甚至同一种类不同品种的农产品也很难公用一套计算机视觉设备。Reyerzwiggelaar等［41］利用计算机视觉检查杏和桃的损伤程度，发现其检测桃子的准确率显著高于杏的。Majumdar.S等［42］利用计算机视觉技术区分不同种类的麦粒，小麦、燕麦、大麦的识别正确率有明显差异。

3.3检测性能受环境制约

篇8

（1）课程内容方面：工程应用价值较小的内容居多；具备工程应用价值的方法，如基于结构光的3D信息获取，在课程内容中却极少出现。

（2）课程定位方面：现有课程体系中未能体现最新研究成果，而掌握世界最新工程应用成果是卓越工程师的基本要求之一。

（3）教学形式方面：传统计算机视觉课程侧重基本原理，尽管范例教学被引入到课堂教学中，在一定程度上帮助学生理解，但卓越工程师培养目标是培养学生解决实际工程问题的能力。针对卓越工程师培养目标，以及目前计算机视觉课程中存在的问题，本文提出工程应用导向型的课程内容、面向最新成果的课程定位、理论实例化与工程实践化的教学形式，以培养具有扎实理论基础及工程实践能力的卓越工程师。

1工程应用导向型的课程内容传统计算机视觉课程围绕Marr理论框架展开教学，其中部分原理仅在理想状态或若干假设下成立，不能直接运用到工程实践中。近年来已具备工程应用基础的原理及方法，在传统课程内容中较少出现，如已在工业测量、视频监控、游戏娱乐等领域中应用的主动式三维数据获取方法等。我们对工程应用价值高的课程内容，增加课时，充分讲解其原理及算法，并进行工程实例分析；对工程应用价值较低内容，压缩课时，以介绍方法原理为主。例如，在教授3D信息获取部分时，课时主要投入到工程应用价值较大的内容，如立体视觉、运动恢复结构、基于结构光的3D信息获取等；而对于基于阴影的景物恢复等缺乏应用基础的内容主要介绍其基本原理，并引导学生进行其工程应用的可行性分析，培养学生缜密的思维习惯，训练学生辩证的分析能力。

2面向最新成果的课程定位计算机视觉近十年来发展迅速，新方法和新理论层出不穷，在现有课程体系中未能得以体现。跟进世界最新成果是卓越工程师的基本要求之一，因此计算机视觉课程定位应当面向国际最新成果。为实现这一目标，我们主要从以下两方面入手。

（1）选用涵盖最新成果的教材。我们在教学中加入国际最新科研成果及应用范例，在教材选取上采用2010年RichardSzeliski教授所著《Computervision:algorithmsandapplications》作为参考教材。该书是RichardSzeliski教授在多年MIT执教经验及微软多年计算机视觉领域工作经验基础上所著，涵盖计算机视觉领域的主要科研成果及应用范例，参考文献最新引用至2010年。这是目前最新的计算机视觉著作之一，条理清晰，深入浅出，特点在于对计算机视觉的基本原理介绍非常详尽，算法应用紧跟国际前沿。

（2）强化学生调研及自学能力。“授之以鱼”，不如“授之以渔”。在教授学生的同时，更重要的是培养学生调研、跟踪、学习并分析国际最新科研及工程应用成果的能力。为强化学生的知识结构，培养学生跟踪国际前沿的能力，我们在教学中加入10%的课外学时，指导每位学生完成最近三年本领域的国际最新文献调研及工程应用新技术调研，并撰写相关调研论文。同时，设置2学时课内学时，让每位学生介绍调研成果，并进行课堂讨论。在调研基础上，选择相关算法进行了实验证明，进一步强化学习成果。实践证明，由于学生能够根据自己的兴趣，选择本领域感兴趣的课题进行深入调研，极大地调动了学生的积极性，强化了学生调研、跟踪、学习并分析国际最新科研及工程应用成果的能力。

3工程实践化的教学形式我们在教学中提出工程实践化的教学形式，即以人类视觉功能为背景，由相应工程实例引出相关理论，并最终将理论运用到工程实例中的算法和方法传授给学生。

篇9

关键词：动态场景；自适应预测；多特征融合；计算机视觉；运动目标

接受信息的关键手段之一就是视觉系统，随着科学技术水平的不断发展，以及计算机和信号处理理论的诞生，让机器拥有人类视觉功能已经不再是梦。对所采集视频中的运动目标进行跟踪、检测，并对其目标行为进行分析，就是运动目标分析的内容，运动目标分析是计算机视觉领域关键内容之一，其属于图像理解与图像分析的范畴。而在运动目标分析系统中，跟踪与检测运动目标则为中级和低级处理部分，是分析与理解行为的高等层分析模块的基础。检测与跟踪运动目标技术主要包括了：机器人视觉导航、军事领域、运动图像编码、交通管制、视觉监视等。

1目标检测算法

连续图像序列由视频中提取出，由前景区域与背景区域共同组成了整个画面。前景区域包含了如运动的人体、车辆等动态要素，它是指人们较为感兴趣的区域。而背景区域主要包含例如树木、建筑物等静态要素，它的像素值仅发生微弱变化或者不产生变化。在连续图像序列中，采用一系列算法分隔开背景区域和前景区域，将运动目标信息有效提取，则为运动目标检测。以静态场景为基础的运动目标检测算法包括了光流法、背景差分法、帧间查分法等，文章主要针对背景差分法进行介绍。

背景差分法通常适用于静态场景，其是将背景图像与当前帧图像进行差分，运动目标依靠阀值化进行检测，因为该算法仅能够在背景变化缓慢或者不发生变化的情况下应用，因此就有着一定的局限性。假设当前帧图像为fk（x，y），背景图像B（x，y）可通过一定的方法得出，而这时背景差分图像则为：

（1）

而假设二值化阀值为Th，二值化图像B（x，y）则为：

（2）

运动目标检测结果可通过数学形态学处理获得。

2 背景模型的实时更新

要更新背景图像可采用一阶KALMAN滤波来实现，为了克服气候变化、光照变化等外部环境变化对运动检测产生的影响，采用一阶KALMAN滤波更新背景图像公式如下：

Bk+1（p）=Bk（p）+g（Ik（p）-Bk（p）） （3）

而增益因子则为：g=？琢1（1-Mk（p））+？琢2Mk（p） （4）

公式中？琢1和？琢2是权值系数；M是第k时刻二值化后目标图像中p像素的值；B为背景图像；I为当前帧图像。要想将运动目标从背景序列图像中有效分割出来，就必须要达到？琢2足够小的条件，且？琢1应等于或者大于10？琢2，若？琢1值过大，就会将算法自身的去噪特性丧失，在序列背景图像中也会存储越来越多的运动变化。

3 更新车辆目标模型

核与活动轮廓算法具有效率高、技术复杂度低等特点，它以非参数核概率密度估计理论为基础，在视频运动目标跟踪中广泛应用。彩色图像序列通过摄像机获取，人脸目标模型可以采用RGB颜色空间来进行描述。在跟踪车辆的过程中，噪声、遮挡、光照等干扰或多或少存在，因干扰因素的存在，车辆像素特征也会发生相应的微弱变化。若不对目标模型进行更新，会对跟踪精度产生影响，所以，采用的矩形模板会包括一定背景。而在实施跟踪的过程中，要对车辆目标模型进行更换。如果其过程物遮挡，当BHATTACHARYYA系数满足？籽>Tudm条件时，更新车辆目标模型，更新模型为：

（5）

公式中Tudm是模板更新阀值；qk-1是更新之前的车辆目标模型。通过视频跟踪，在近场景和远场景拍摄到的视频中，多尺度图像空间由各个帧图像构成。例如：将将书本作为跟踪对象，由远及近从书本的正上方拍摄六十帧图像，为了能使矩形框正好能够包含书本，对每帧图像张书本手工划定矩形框，并对框内图像的信息量进行统计。最后，随书本尺度的变化，给出图像信息量变化曲线。

4 计算机视觉原理

计算机视觉是一门研究怎样使机器进行观察的科学，更切确地说，就是指利用电脑和摄影机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为传送给仪器检测或更适合人眼观察的图像。计算机视觉研究相关的理论和技术作为一个科学学科，尝试创建能够从图像或者多维数据中获取信息的人工智能系统。这里所指的信息指Shannon定义的，可以用来帮助做一个决定的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中感知的科学。

计算机视觉就是由计算机来代替大脑完成处理和解释，用各种成象系统代替视觉器官作为输入敏感手段。使计算机能象人那样通过视觉观察和理解世界，具有自主适应环境的能力就是计算机视觉的最终研究目标，而需要经过长期的努力才能达到这个目标。所以，在实现最终目标以前，通过努力的中期目标是建立一种视觉系统，这个系统能依靠反馈的某种程度的智能和视觉敏感完成一定的任务。例如：计算机视觉的一个重要应用领域就是自主车辆的视觉导航，但要实现自主导航的系统，却还没有条件实现象人那样能识别和理解任何环境。所以，人们通过不懈的努力，研究在高速公路上具有道路跟踪能力，有效避免与前方车辆碰撞的视觉辅助驾驶系统。人类视觉系统是有史以来，人们所知道的功能最强大和完善的视觉系统。这里要指出的一点是在计算机视觉系统中计算机起代替人脑的作用。计算机视觉可以而且应该根据计算机系统的特点来进行视觉信息的处理，但并不等于计算机必须按人类视觉的方法完成视觉信息的处理。可以说，对人类视觉处理机制的研究将给计算机视觉的研究提供指导和启发，所以，用计算机信息处理的方法研究人类视觉的机理，建立人类视觉的计算理论，与此同时也是一个十分重要和让人感兴趣的研究领域。这方面的研究被称为计算视觉。计算视觉可被认为是计算机视觉中的一个研究领域。计算机视觉领域的不完善性与多样性为其突出特点。

5 结束语

对视频中的运动目标进行跟踪、识别、检测，并对目标行为进行研究、分析，这就是基于视觉运动目标分析。以计算机视觉为基础，分析运动目标，包括了目标行为的理解与分析、目标跟踪、运动目标检测、预处理图像等，它是计算机视觉领域重要内容之一。理解与分析运动目标的行为，既是计算机视觉的根本目的之一，也是检测与跟踪运动目标的最终目标。从理论层考虑，理解与分析运动目标的行为可以分为人工智能理论研究与模式识别。简要阐述基于计算机视觉的运动目标分析，而所面临的是对运动目标行为的理解。

参考文献

[1]杨可，刘明军，毛欣，夏维建，刘伟，周旋，吴炜，周凯.基于计算机视觉的电缆终端表面温升分析系统[J].电视技术，2013（7）.

[2]叶闯，沈益青，李豪，曹思汗，王柏祥.基于人类视觉特性（HVS）的离散小波变换（DWT）数字水印算法[J].浙江大学学报：理学版，2013（2）.

[3]何青海，马本学，瞿端阳，李宏伟，王宝.基于机器视觉棉叶螨自动监测与分级方法研究[J].农机化研究，2013（4）.

[4]贾挺猛，苟一，鲍官军，董茂，杨庆华.基于机器视觉的葡萄树枝骨架提取算法研究[J].机电工程，2013（4）.

篇10

关键词：三目摄像机；标定；立体视觉；外部参数

一、绪论

1.1研究的背景及意义

计算机视觉是当今极为重要的学科之一，它在具有很强的挑战性的同时又拥有广泛的应用前景和实用价值。计算机视觉以视觉理论为中心，以图像处理、模式识别、计算机技术和生理学、心理学为基础，研究内容主要有两个方面：一是开发从输入图像数据自动构造场景描述的图像处理系统；二是理解人类视觉机理，用机器代替人去做人类难以达到或根本无法达到的工作[1]。

计算机视觉应用的广泛性体现在其不仅用于文字、指纹、面部、商标以及图像数据库、检测集成电路芯片、多媒体技术这些图像方面，还应用到机器人导航、工业检测和产品的自动装配、CT图像器官重建和遥感照片解释等空间物体的定位、识别以及重建上。现如今，计算机视觉已经应用到机器人、地理、医学、物理、化学、天文等各大的研究领域。

作为多个学科交叉与融合中心的计算机视觉，摄像机是其研究的重要工具，而摄像机标定又是计算机视觉研究的一个关键问题，故摄像机的标定越来越受到广泛的重视。摄像机标定是通过物体空间上的点与图像中的对应点的几何关系，来确定摄像机的内外参数的过程。标定结果是否准确影响着三维测量的精度和三维重建的结果，而且实时的标定更能满足自动导航机器视觉的需要[2]。

伴随着应用的发展，摄像机广泛地被应用于三维立体的测量、视觉检测、运动检测等领域。由此，对摄像机标定的精度要求也日益增加。摄像机标定结果的优劣影响了计算机视觉在各领域的应用。摄像机标定的准确与否，对能否提高计算机视觉在各领域测量的准确度有重要影响[3]。因此，研究摄像机标定方法具有重要的理论研究意义和实际应用价值。

1.2摄像机标定技术研究的发展及现状

摄像机有一个图像平面和提供三维空间到图像平面转换的镜头。由于镜头会产生畸变，不能把这个转化过程简单描述为投射变换。所以它表示的是畸变的模型，这些模型近似于真实数据，而其精确性则依靠于建立的模型及模型参数的准确性。

首先进行摄像机标定工作的是加拿大的Deville，他于1910年建立实验室，使用多个瞄准仪对他的“测量摄像机”（surveying camera）进行标定[4]。上个世纪三十年代后期，美国标准局发明了一种精确镜头，用来检测摄像机，同时将它用在摄像机标定上。四十年代后期，该项工作得到进一步加深，有了更多对高精度的需求和对易操作设备的需求。1955年，Carman出版了 《棋盘平面度的干涉测量和控制》，该书引起了社会各界对摄像机标定的关注。二战时期，随着飞机的大规模使用，航空摄影与制图兴起，为得到更加精确的测量结果，对摄像机镜头的校正要求也变得更高。五十到七十年代也是镜头校正技术发展最为迅速的时间段。在这期间，各种镜头像差的表达式逐步被提出并且得到普遍认同与采用，建立了很多的镜头像差的模型，D.C.Brown等人作出了比较大的贡献，他们导出了近焦距情况下给定位置处径向畸变表达式并证明了近焦距情况下测量出镜头两个位置的径向畸变就可以求出任何位置的径向畸变[5]。这些径向与切向像差表达式成为后来各摄像机的标定非线性模型的基础。这段时间里，研究的重点是如何校正镜头与用何种方法补偿镜头像差，这些研究对促进各性能镜头组的研制起到了重要作用。在1999年，张正友提出了一种简便的摄像机标定方法，该方法介于传统标定和自标定之间，操作方便灵活，能够得到不错的精度，满足了众多拥有桌面视觉系统的用户在摄像机标定方面的需求。

1.3本文的主要研究内容

本文的主要研究多个摄像机的标定问题。标定主要是对摄像机内外参的测量计算，利用这些参数对多个摄像机识别的物体尺寸进行衡量并建立起多摄像机系统的数字环境。

论文的内容包括：

第一章为绪论，介绍摄像机标定相关的研究背景、国内外研究现状。

第二章为摄像机标定理论基础：主要介绍标定的坐标系与待标定的参数。

第三章提出本文的多摄像机标定方法与实验过程。

第四章进行全文的总结。

二、摄像机标定方法研究

2.1摄像机标定原理

摄像机通过透镜将三维物体投影到--维图像平面上，这个成像变换的过程称为摄像机成像模型。摄像机成像模型有多种，最常用的为小孔成像模型。由于实际的摄像机镜头会发生一定的畸变，使得空间点所成的像不在线性模型描述的位置而会发生一定的偏移，为了能准确的标定摄像机参数，标定的过程中要考虑非线性畸变因子。

一般来说，得到标定结果后要对其精度进行评估，然而很难得到准确的摄像机标定参数真值作为参考，其中基于图像坐标和世界坐标的绝对和相对误差的评价方法应用广泛，本文将对这些方法的原理进行探讨。

2.2摄像机标定坐标系建立

首先定义了四个坐标系，如图1所示，图像坐标系的坐标原点为O0，列与行由坐标轴u和v表示；成像平面坐标系的原点是摄像机光轴与图像坐标系的交点0l，x、y 轴分别与u、v 轴平行；在摄像机坐标系中，坐标原点0c即为在摄像机的光心，Xc、Yc轴与x、y 轴平行，与图像平面垂直是摄像机光轴作为Zc轴，0c0l为摄像机焦距f；世界坐标系是假想的参考坐标系，可固定于场景中某物体上，用于描述摄像机的位置，由Xw，Yw，Zw轴组成。

图（1）

2.3摄像机外部参数构成

主动视觉传感器从在笛卡尔直角坐标系中的运动表现为相应的旋转矩阵和平移矩阵，故摄像机外部参数表现为旋转矩阵R和平移矩阵T，则摄像机坐标系与世界坐标系的转化关系可以表示成：

上式中（Xc，Yc，Zc）表示空间点在摄像机坐标系下的坐标，（Xw，Yw，Zw）表示空间点在世界坐标系下的坐标。根据靶标点在像空间坐标系和物方空间坐标系中的坐标，通过分解旋转矩阵线性计算像空间坐标系与物方空间坐标之间的转换参数，即外方位元素（摄站参数）[6]。

2.4各摄像机相对位置确定

三目摄像机拥有三个视觉传感器，而三个传感器之间的相对位置可通过已获得的外部参数进行确定。将三个摄像机坐标系设置为，Oci xci yci zci（i=1，2，3），由2.3中所介绍的内容可知，这三个摄像机坐标系与世界坐标系的关系为：

i=（1，2，3）

由此我们可以得到任意两个摄像机i，j的坐标系转换关系：

其中： = = i，j=1，2，3

三、摄像机标定实验过程及结果

3.1实验系统介绍

实验中被用来标定的是一个多摄像机系统，摄像机标定有关的基本参数、系统组成和开发环境如下：

（1）硬件环境

标定板、三目摄像机和图像采集卡等。

（2）软件环境

OpenCV开源视觉库，它仅由一系列C函数和少量C++类构成，为Python、MATLAB等语言提供了接口，在图像处理和计算机视觉方面实现了很多通用算法。

3.2实验过程

本系统以棋盘格模板作为标定模板。采用激光打印机打印棋盘格黑白方块间隔纸，方块边长为3cm，共6行9列，将打印纸固定在一块平板上，作为标定模板，如图（2）。安装三目摄像机系统，调节固定好个摄像机位置，如图（3）。手持标定板在三目摄像机前方各个位置拍摄5组共15张各姿态的照片，利用Canny算子进行像点灰度中心提取、同名像点匹配并解算出三个摄像机在标定板坐标系中的外部参数值。

3.3标定结果

摄像机1：

R= T=

摄像机2：

R= T=

摄像机3：

R= T=

四、总结

随着计算机技术的高速发展，计算机视觉成为当今热门的研究课题，受到了广泛关注。本文就如何在机器视觉的理论基础上对三目视觉系统进行标定进行了研究，讨论了计算机视觉理论知识，分析摄像机标定原理以及标定坐标系的建立。同时通过计算机视觉知识的分析讨论了基于三目视觉系统的摄像机标定技术，完成了三目视觉系统的外部参数标定实验。三目摄像机测量系统外部参数的标定能够解决测量作业现场、测量控制场建立难的问题，为快速地建立简单实用的控制场提供了方案，有一定的实用价值。

参考文献

[1] 荆丽秋.双目视觉系统标定与匹配的研究与实现[D].哈尔滨工程大学，2009.DOI：10.7666/d.y1489086.

[2] 马颂德.计算机视觉―计算理论与算法基础[M].北京：科学出版社，1998.

[3] 王荣一.摄像机标定及关键技术研究[D].哈尔滨理工大学，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] 范亚兵，黄桂平，高宝华等.三目立体工业摄影测量系统外部参数的快速标定[J].测绘工程，2012，21（5）：48-52.DOI：10.3969/j.issn.1006-7949 .2012.05.013