前言：中文期刊网精心挑选了计算机视觉技术范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
计算机视觉技术范文1
1计算机视觉概述
1.1计算机视觉学概述
从某种意义上说，计算机视觉学是一门在20世纪60年代兴起的新学科。它是一门边缘学科，融入了很多学科的特点，具有很强的工程性特征。比如，图像处理、应用数学、光电技术。换个角度来说，计算机视觉同属于工程领域、科学领域。
1.2计算机视觉的应用
计算机视觉的应用能够使计算机具有和人一样的视觉功能。在生活和生产过程中，照片资料、视频资料的处理是计算机视觉应用的主要方面。比如，在航空事业方面，对卫星照片的翻译；在医学领域中，主要用于辅方面的诊断；在工业生产方面，由于各种复杂因素的影响，计算机视觉在这方面的应用显得特别简单，有利于相关系统的实际构成。
2目标图像检索存在的问题
从某种角度来说，目标图像检索需要分为特征匹配、特征提取两个方面。它们表达了不同的含义。对于特征提取来说，它是图像进行检索的第一步，其提取结果会对进一步的研究造成直接的影响。而对于特征匹配来说，其匹配的准确度会直接影响图像检索系统的返回结果。但在目标图像检索完善的过程中，遇到一些问题阻碍了这两个方面的完善。因此，本文作者对其中的一些予以了相关的探讨。
2.1环境因素不断变化
对于目标图像来说，环境因素是影响其准确率的重要因素。同时，在复杂混乱的环境中，由于受到众多干扰物的影响，加上部分目标图像区域被遮盖，致使目标图像信息不够全面，使目标物体特征的提取难度进一步加大。
2.2图像噪声的影响
子为了更好地模仿生活中的图像检索，数据库中的图像也会随之发生一系列的变化。比如，尺度、角度、光照。而其中图像噪音的影响会使目标物体的外观发生对应的变化。在此基础上，严重降低了目标图像信息获取的准确度。
2.3目标图像检索训练数据的自动标注
由于处于网络中的图像资源信息过于繁多，需要采用手工的方式对它们进行标注。但这种方法非常浪费时间，准确率也比较低。很显然，这就需要目标检索图像能够具有自动标注的能力。实际上，图像检索方法过分依赖人工标注信息。而这些信息很多收到来自各方面因素的影响。比如，认识差异因素、个人经验。以至于对图像产生误解。
3基于计算机视觉下的目标图像检索技术
3.1以多尺度视觉为纽带的目标图像检索方法
该种目标检索技术的应用主要是为了提高目标图像检索的准确率，能够实现目标图像训练数据的自动化标注。该类技术主要是用于那些没有遮挡，不需要进行监督的目标图像检索方面。具体来说，它需要经过一系列的训练。在训练的过程中，以统计学习为纽带，对相应多尺度的目标检测模型进行适当的训练。在此基础上，以该模型为基点，对图像中那些显著性的区域进行合理地提取。比如，该区域的亮度、颜色。最后，需要对用于该实验研究中的概率潜在语义分析模型进行合理地利用。总之，利用这种检索方法可以对图像中那些显著目标所处的区域自动进行检测。同时，对其中目标图像的显著性进行合理地排序，能够提高检索引擎所返回图像结果的准确度。
3.2以彩色LBP局部纹理特点为媒介的目标图像检索方法
这种目标图像检索方法能够有效地解决图像信息采集过程图像噪声以及其它相关因素对所提取纹理特征的影响，提高了图像目标的准确率。对于这种图像目标检索方法来说，它把图像彩色空间特征和简化的LBP特征有机地相融合。在此基础上，该类方法增加了光照的不变特性，却保留了LBP局部的旋转特点。在提高图像检索速度方面，主要是利用原来的LBP特征来丢失其中的彩色信息。以此，使其中的特征维度能够在一定程度上降低。同时，这种目标图像检索方法的应用可以使对应计算方法的难度得以降低，还能对角度等变化状态下的目标图像进行准确地识别以及检索。
3.3以视觉一致性为桥梁的目标图像检索方法
从某个角度来说，它的应用主要是为了提高图像搜索引擎的返回效果，使局部噪声图形具有更高的显著性特征。一是：站在客观的角度，对搜索引擎返回结果的目标显著图予以准确的计算。此外，还要对其中的目标显著系数进行适当地过滤。二是：以所有图像为基点，以显著目标为导向，采取视觉一致性的模式。三是：以视觉一致性为基础，对其中的不同目标图像信息进行客观地分类。这种以视觉一致性为核心的方法能够有效地提高图像检索结果的准确率。更重要的是，在提高图像搜索引擎检索性能的同时，能够及时为用户选出最优的图像信息。而这些信息资源和用户寻找的主题信息密切相关。
4结语
计算机视觉技术范文2
关键词：计算机视觉图像 精密测量 构造几何模型 信号源的接收
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）05-1211-02
新型计算机视觉图像精密测量是一种基于计算机程序设计以及图像显示的高精度的关键技术，它广泛用于测量的领域，对于测量的准确性有很好的保证。这种关键技术是几何了光学的特性，发挥了图像学的显影性，把普通的测量技术瞬间提升到了一个新的高度。在这项关键技术中包含了物理学中光的效应，图像中的传感器以及计算机中的编程软件，这还不完全，还有一些其他科学领域知识的辅助，可以说这项关键技术是一个非常有技术含量的技术，很值得学者进行研究。
1 计算机视觉图像精密测量的关键技术的具体形式
在以往的测量中，选择的测量方式还是完全采用机械的形式，但是在使用了计算机视觉图像精密测量后，完成了许多以往技术所不能达到的任务。在我们的研究中，计算机视觉图像测量的原理是通过摄像机将被处理的对象采集进行影像采集，在多个控制点的数据采集完成后，系统会自动将这些图像进行整合，得出相关的几何多变参数，再在计算机上以具体的数据显示出来，以供技术人员使用参照。
在上面所说的摄像机并不是我们通常意义上生活中使用的摄像机。它是一种可视化较强，表针比较敏感的测试仪。可以将视觉中的二维形态通过显影，记录在机械的光谱仪上，再将这种的二维图像做数学处理，有二阶矩阵转换为三阶矩阵，通过播放仪呈现出三维的影像。这时的图像变为立体化，更有层次感，效果上也有了明显的变化，这是一种显示方法。此外还有一种造价较高的仪器，我们不常使用，就是图像提取器。同样是采集控制点的数据，将数据整合在系统之内，然后对于原始的图像进行预处理，不再经过有曝光这个程序，将图像中关键点的坐标在整个内部轴面上体现出来，提取数据帧数，再运用机器的智能识别系统，对控制点的坐标进行数据分析，自动生成图形，这也可以用于精密测量。它的优点就是使用上极其的方面，基本只要架立仪器和打开开关，其他的工作机械系统都会自动的完成。使用的困难就是造价极其的高，不适合一般企业使用。在基于计算机视觉图像测量中使用上的原理如下：
1） 计算出观察控制点到计算机视觉图像测量仪器的有效距离；
2） 得出观察点到目标控制点之间的三维的运动几何参数；
3） 推断出目标控制点在整个平面上的表面特征（ 大多时候要求形成立体视觉）；
4） 还通过观察可以判断出目标物体的几何坐标方位。
在整个计算机视觉图像精密测量的关键技术中最关键的元件就是压力应变电阻仪，这也是传感器的一部分。压力应变电阻仪的使用方式是将应力片粘贴在控制点位上，事先在物体表面打磨平整，清理干净后，涂抹丙酮试剂，在液体完全风干后就可以黏贴应力片，通过导线的联接，形成了一小段闭合的电路，时刻让计算机视觉图像系统可以感应到并作跟踪观察。因受到来自不同方面谐波的影响后，应力片会产生一定数值的电阻，在电路中，这些电阻会转化为电流，视觉图像系统接收到了电流后就会显示在仪表盘上相应的数据，我们就可以根据仪表盘中的数据记录测量中的数据，很好的解决了原始机械在使用过程中大量的做无用功所消耗资源的现象。传感器对每个应点都进行动态的测量，将数据模转换成现实中的图像，精确的成像可以测算出控制点的位置，用计算机视觉图像精密测量结合数据方面的相关的分析，得出施工中的可行性报告分析，减低了施工中的成本，将施工的预算控制在一个合理的范围之内。
当无法观察到控制点是，计算机视觉图像精密测量可以通过接收信号或是相关的频率波段来收集数据，不会因为以往测量的环境不好，距离太远，误差太大的影响。
2 计算机视觉图像精密测量的关键技术分析
在计算机视觉图像精密测量的关键技术中解决了很多以往很难完成的任务，但是在使用过程中还是发生了很多的问题。尤其在视觉图像的选择中，无法使用高帧数的图片显示，无法将计算机视觉图像精密测量的关键技术的优点发挥出来。我们就计算机视觉图像精密测量的关键技术中常见的问题进行讨论。
2.1 降低失误的概率
在很多的数据误差中，有一部分是出现在人为的因素上面。对于机器的不熟悉和操作中的疏忽都会在一定程度上对图像的视觉感模拟带来麻烦。对于网络设备的配置上，要经常性的学习，将配置在可能的情况下设置的更加合理和使用，保证网络连接系统的安全性。为防止更多因操作带来的误差，选用系统登入的制度，用户在通过识别后进入系统，在采集数据后，确定最终数据上又相关的再次确定的标识，系统对本身有的登录服务器和路由器有相关的资料解释，记录好实用操作的时间，及时备份。
2.2 对于权限的控制
权限控制是针对测量关键所提出的一种安全保护措施，它是在使用计算机视觉图像精密测量的关键技术中对用户和用户组赋予一定的权限，可以限制用户和用户组对目录、子目录、文件、打印机和其他共享资源的浏览和更改。图像中的运行服务器在停止的情况下可以做出不应答的操作指令，立刻关闭当前不适用的界面，加快系统的运行速度，对于每天的日志文件实时监控，一旦发现问题及时解决。对于数据终端的数据可采用可三维加密的方法，定时进行安全检测等手段来进一步加强系统的安全性。如果通过了加密通道，系统可以将数据自动的保存和转换为视图模式，对于数据的审计和运行可以同时进行，这样就可以很好的保证大地测量中的图像数据安全，利用防护墙将采集中废弃的数据革除在外，避免数值之间发生紊乱的现象，进一步改善计算机视觉图像精密测量的关键技术。
2.3 开启自动建立备份系统
计算机视觉图像精密测量的关键技术的完善中会常遇到系统突然崩溃或是图像受到严重干扰导致无法转换的一系列情况，发生这种情况最大的可能性就是系统在处理多组数据后无法重新还原成进入界面。这时为保证图片转换成数字的系统数据不丢失，我们对系统进行备份。选定固定的磁盘保存数据，定期将产生的数据（转换前的图像和转换后的数值）导出，保证程序的正常运行。当系统一旦发生错误，可以尽快的恢复数据的初始状态，为测量任务的完成争取更多的时间。我们还要减少信号源周围的干扰，定期的更新系统数据库，保持数据采集的稳定性，把摄像机记录出的数据节点保存在相应的技术图纸上，用这样的方式来知道测量工作。系统备份的数据还可以用于数据的对比，重复测量后得出的数据，系统会自动也备份的数据进行比对，发现误差值在规定以外，就会做出相应的预警，这样也能在工作中降低出现误差的概率。
3 计算机视觉图像精密测量的关键技术遇到的困难和使用前景
计算机视觉图像精密测量的关键技术作为一种新兴技术在使用时间上不过十几年，其使用的程度已经无法估算。正是因为它的简单、使用、精度高以及自动化能力卓越的特点受到了测量单位的广泛青睐。在测量方面的这些可靠性和稳定性也是有目共睹的。在土木和机械测量的行业计算机视觉图像精密测量的关键技术都会有广泛和良好的使用，前景也是十分的广阔。但是不容忽视该技术也有一些弊端。这项关键技术中涵盖的学科非常的多，涉及到的知识也很全面，一旦出现了机器的故障，在维修上还是一个很大的问题，如何很好的解决计算机视觉图像技术的相关核心问题就是当下亟待解决的。
我们都知道，人的眼睛是可以受到吱声的控制，想要完成观测是十分简单的，但是在计算机视觉图像技术中，毕竟是采取摄像机取景的模式，在取得的点位有的时候不是特别的有代表性，很难将这些问题具体化、形象化。达不到我们设计时的初衷。所以在这些模型的构建中和数据的转换上必须有严格的规定和要求，切不可盲目的实施测量，每项技术操作都要按规程来实施。
上文中也谈到了，计算机视觉图像精密测量的关键技术中最主要的构建是传感器，一个合理的传感器是体统的“心脏”，我们在仪器的操作中，不能时时刻刻对传感器进行检查，甚至这种高精度的元件在检查上也并不是一件简单的事情，通过不断的研究，将传感器的等级和使用方法上进行一定的创新也是一项科研任务。
4 结束语
在测量工程发展的今天，很多的测量技术已经离不了计算机视觉图像技术的辅助，该文中详细的谈到了基于计算机视觉图像精密测量的关键技术方面的研究，对于之中可能出现的一些问题也提出了相应的解决方案。测量工程中计算机视觉图像精密测量的关键技术可以很好的解决和完善测量中遇到的一些问题，但是也暴露出了很多的问题。
将基于计算机视觉图像精密测量的关键技术引入到测量工程中来，也是加强了工程建设的信息化水平。可以预见的是，在未来使用计算机视觉图像技术建立的测量模型会得到更多、更好的应用。但作为一个长期复杂的技术工程，在这个建设过程中定会有一些困难的出现。希望通过不断的发现问题、总结经验，让计算机视觉图像精密测量的关键技术在测量中作用发挥的更好。
参考文献：
[1] 汤剑，周芳芹，杨继隆.计算机视觉图像系统的技术改造[J].机电产品开发与创新周刊，2005，14（18）：33-36.
[2] 段发阶，等. 拔丝模孔形计算机视觉检测技术[J]. 光电工程时报， 1996，23（13）：189-190.
计算机视觉技术范文3
近年来，经济的发展和人们生活水平的提升也使得人们的出行更加便捷，越来越多的人都是自己驾车出行，这样导致公路上的交通流量不断增加，如何保障交通的顺畅性和安全性成为人们关注的重点问题。信息技术的发展推动了计算机视觉技术的出现，为交通安全性的提升提供了一定的保障。本文主要对计算机视觉技术进行分析，进一步探讨计算机视觉技术在智能交通系统中的应用。
【关键词】计算机 视觉技术 智能交通 系统 应用
智能交通系统简称ITS，这是一种新型的交通管理系统。该系统主要结合了信息化技术、计算机技术以及数据传输技术等多种技术，用来对整个交通运输体系进行管理，可以实现人、车、路的全面监控和管理。计算机视觉艺术作为智能交通系统中的一个重要环节，受到相关工作人员的高度重视。随着计算机视觉技术的发展，不仅为交通行业的发展提供了更多的便捷，同时还能够筛选道路交通的各种信息，进一步增强了智能交通系统的灵活性和准确性。
1 计算机视觉技术的概述
计算机视觉也被称为图像分析和图解理解，其包括的理论主要有摄影几何学、概率论、图像处理理论以及人工智能理论等部分。计算机视觉技术主要是用二维投影图像实现三维物体重构。这种技术的应用范围比较广泛，不仅应用于二维图像识别方面，同时还用于三维物体的识别和重建上面。通过计算机视觉技术能够获取专业化的三维信息，对三维信息的获取一般有两种方法，其中一种是直接获取法，还有一种是间接获取法。直接获取法主要是通过计算机视觉技术的效果来确定三维运动中产生的各种参数，这一过程对摄像机运动问题的关注程度较高；间接获取的方式就是将单幅图像和摄像机焦距相结合，来判断被测量位置视觉上的信息。计算机视觉技术的关键就是实现特别匹配，在特殊情况下可以利用不同的摄像C同时收集运动信息，从而提高相关控制的精确度。
2 计算机视觉技术在智能交通系统中的应用
计算机视觉技术在智能交通系统中的应用可以实现道路交通的监控，同时还能够实现自动收费、智能导航等功能，主要应用有以下几个方面的内容。
2.1 交通监控中对计算机视觉技术的应用
基于计算机视觉技术的交通监控系统主要分为三个步骤，首先是对车辆和行人进行跟踪和分割，其次是对车流量进行分析和计算，并且计算车辆的平均速度和道路上车辆的队列长度，最后根据道路的交通状况来规划形式线路，从而有效缓解道路交通拥堵的现状，方便人们减少出行时间。车辆和行人作为道路中运动的主要目标，在监控场合下，需要对运动时间进行有效分割，常用到的分割方式包括光流法和帧差法两种，其中前一种分割方式主要是依据图像中不同的运动用映射参数正确的表达，这样可以将具有同样映射参数的光流量进行分配，从而完成参数分割。计算机视觉在交通监控中的应用主要是对车辆速度、车辆数目、车辆分类进行检测。随着计算机通信技术的发展，计算机视觉技术也是日新月异，基于计算机视觉的交通监控系统具有较强的实时工作性，能够快速的适应高度公路以及城市道路交通的监控。
2.2 车辆导航中对计算机视觉技术的应用
实现车辆的智能导航是计算机视觉技术在智能交通中应用的典型案例。这种技术主要为驾驶人员提供道路信息和车辆运行状况两大信息。通过车辆智能导航系统的运行能够对道路两边的界限进行有效的识别，将车辆引向规定的行驶车道，在车辆行驶过程中，该系统能够自动检测车辆与前方其他车辆之间的距离，从而提醒驾驶人员保持车辆的安全距离，最终实现安全导航驾驶。通过该系统的摄像机运动能够识别其他车辆的行驶状况，并且通过计算检测点的方式计算车辆的模拟匹配点。车俩智能导航系统中就使用了计算机视觉技术，可以从中提取相关信息，计算车辆行驶的安全距离和速度。
2.3 计算机视觉技术用于车辆辅助驾驶
计算机视觉技术在车辆辅助驾驶中的应用主要是帮助驾驶人员对外界的变化做出反应。具体表现为车辆在市内行驶时，计算机视觉技术的应用能够识别周边道路的标记，并且对交通标志、其他车辆和行人进行识别，然后筛选相关信息进行计算，让驾驶人清楚外界的具体状况，从而避开其他的车辆和行人，能够从根本上减少交通事故的发生，增强车辆的安全运行。辅助驾驶的形式转变为人机交互的方式，一定程度上能够满足驾驶人员对信息的需求。
2.4 计算机视觉技术用于车辆智能收费
车辆收费是车辆在公共交通位置行驶中的一个关键环节。随着科学技术的发展，车辆收费系统逐渐向着计算机技术的应用方向发展，计算机视觉技术在各地区交通发展中的应用是现代化交通发展的一个重要突破口。很多地区的智能化收费都是通过识别车牌的方式来实现收费，我国在车牌识别这方面仅仅限制于单目车牌和双目车牌的识别，其中单目车牌识别的核心就是将车牌照位置作为核心部分，我国大部分地区都是将单目系统作为核心部分来使用。采用双目系统对车牌进行识别，也可以对车辆的型号进行识别，通过大量的实践发现，双目系统进行车牌识别的实用性较强。但是这种识别方式在实际应用过程中仍然存在着信息获取难度大、车牌照定位难度大等多种问题，尤其是车辆在高速路上行驶时，对于车牌信息的获取更为困难，因此，在这方面还需要加大研究和实践。
3 结束语
随着计算机视觉技术的智能化发展，其在智能交通系统中的应用能够解决多方面的问题。该技术的应用不仅能够实现车辆的实时监控，同时还能够实现车辆导航以及车辆收费，帮助驾驶人员识别车辆行驶中存在的障碍物，这样一来，可以增强车辆行驶的安全性，同时还能够提高我国道路交通系统的整体管理水平。但是该技术应用中也存在不足之处，未来发展中需要降低视觉系统的价格，减少系统的尺寸，从而增强系统对车辆信息的处理速度，最终实现对道路交通的全面监测。
参考文献
[1]王春波，张卫东，许晓鸣.计算机视觉技术在智能交通系统中的应用[J].测控技术，2000（05）：22-24.
[2]郁梅，蒋刚毅，郁伯康.智能交通系统中的计算机视觉技术应用[J].计算机工程与应用，2001（10）：101-103+121.
[3]顾晶. 基于计算机视觉的智能交通监控系统的研究[D].东南大学，2006.
[4]谢萍萍，黄传春.计算机视觉技术在智能交通系统中的应用[J].福建电脑，2008（10）：77+133.
计算机视觉技术范文4
关键词：计算机；视觉技术；玉米种子；质量；检测
中图分类号：S513 文献标识码：A 文章编号：1003-4374（2015）01-0047-04
引言
计算机视觉是提高人类生产、生活自动化和智能化程度的有效手段。目前，农产品分级与品质检测、种子品质检测、果实的采摘、病害检测等方面，机器视觉都有广泛研究。作为世界三大粮食作物之一，玉米在粮食贸易中所占比重不断升高。随着计算机技术进步，尤其是图像技术的发展，建立在视觉技术的测量方法也高速发展，要适应测量的现代化步伐，算法快速并且精度要高是图像实现测量途径的必然要求。在玉米生产中，种子质量是最为关键的因素之一，玉米的收获产量和产品品质与种子质量的优劣息息相关。十多年来，国内学者对应用机器视觉技术进行玉米种子检测方面开展了深入研究。本文主要综述这类研究，为今后该领域学者提供参考信息，从而加快系列研究的深入开展。
图像采集与模式识别
目前，CCD相机、扫描仪或数码相机是主要的图像采集设备。CCD相机在生产线的开发当中是最好的选择，而对静态检测设备而言面阵相机则是上选，如果应用场合是既有设备，那么数码相机等更为适用。由于在封闭的环境光照足够稳定，此时图像噪声干扰较小，免除标定这一环节，在后续处理时非常方便，所以图像采集通常是在封闭环境中进行。用于移动设备的相关软件的研究中，则有四个方面的情况需要着重考虑：第一，当前采集玉米图像时所用背景都是单一颜色，而在生产具体应用中则完全有可能是非单一颜色；第二，在用户使用过程中，光照条件不确定、特别是颜色特征对图像质量有影响。第三，玉米种子体积不大，当玉米种子的空间位置发生移动时，图像中种子的特征会随着改变。第四，在图像采集时，如采集的角度存在偏移，图像中玉米种子的形态也不会保持不变。
玉米种子纯度检测
种子最主要的质量指标之一是纯度，目前，形态学鉴定和蛋白质电泳分析法是主要的鉴定籽粒纯度方法。
国外学者从图像当中提取玉米种子形态方面的参数，并结合判别函数实现对玉米统计学的种子外形判断，实现玉米种子从非完整玉米种识别。当然，该方法效率不高，所费时间过多。
朱晓利用高光谱反射图像技术，提取多个波段种子图像特征，然后通过遗传算法选择最优波段图像，建立分级模型，达到对玉米种子纯度检测的目的。所建立的分类模型测试精度达到97.22%。
另一批学者针对纯度考虑图像识别这一方法实现识别玉米种子，首先是彩色相机获得图谱，通过基于阈值的二值化处理图像灰度变换、图像均衡化，实现和电泳图谱进行比对以期判断纯度水平，玉米种子纯度在计算机和人眼检测结果，得到一种高效测玉米种子纯度的方法，而这个技术对2个品种玉米的平均识别准确度接近100%。
综合几种玉米种子纯度检测方案，形态鉴定法方法简单，但效率与精度不高。随着检测识别算法的改进和计算机处理能力的提高，计算机视觉技术将比其他方法更高效更准确。
玉米种子品质自动检测
周红等为实现对种子评级，借助图像处理技术得到玉米种子轮廓。通过计算机模糊识别代替玉米种子形态传统鉴定法，目的是将识别水平大幅度提高；基于模糊数学以及统计学，得到隶属函数，从而制定对品种进行判别的规律，玉米种子得以判别，所构建的系统投资低，而且玉米种子品质的识别率为88%。
闫小梅等通过CCD相机，对玉米种子冠部和无胚芽面图像进行提取，利用图像预处理将单个籽粒分割出来，通过图像分割，将冠部核心区域和侧面黄色区域6个颜色特征提取出来，以Fisher判别理论和K-均值聚类为依据，将特征投影到一维空间，进行纯度识别，识别率不低于93.75%。
玉米收获后加工的重要环节之一就是对玉米种子质量进行分级，在玉米种子质量分级工作中，机器视觉技术优势明显，例如不会对玉米种子造成损坏、更好实现分级。相关学者提出从特征值按照一定的等级进行分类，采用典型神经网络与隶属函数方法对玉米种子实现分级，发现：BP神经网络处理时间更短，具有更好的实时性，为现实应用打下良好的基础。有学者将形态学加上种子分级设备，能够实现准确率高达90%以上的将种子分为4级的方法。吴继华等开发了一种种子品种实时检测系统，该系统是基于机器视觉，由CCD摄像机进行图像采集，每隔2s停止1次，在分析结束时就可以得到特征参数，二十粒种子只需一秒钟时间。Wan等18-19]将机器视觉应用在谷物类进行动态识别，并进行分类，得到图像就进行处理，并将信号传给对应的PLC，从而闭合电磁阀，以达到吹离目的。宋鹏等就分级系统在动态玉米品质检测，抓住玉米种子的特征，把种子分类形态以及颜色分别分为4级和3级，合格率分别为8 1.8%和93.04%，还能够实现玉米种子品种，应用Bayes分类器以及模式识别法实现识别玉米种子品种达到5种，识别准确率不低于92%；结合玉米颜色等信息，实现单倍体籽粒分类，待识别玉米单倍体后，将用气吸方式和二自由度并联机器人机构相结合进行分拣，精度不低于80%。
目前的玉米种子品质自动检测中，多采用可见光进行图像采集，然后通过综合处理分析种子的外部特征来确定品质等级。鲜有利用红外等不可见光生成的图像来进行品质分级，因而无法精确分析种子内部的品质特征，影响到检测精度。因此，运用不同波段图像分析玉米种子品质，将成为以后种子品质检测的一个重要方向。
玉米种子活力检测
漫射光法、热浸法、电导率测定、四唑染色法、冷浸法、发芽实验等是种子活力的常规检测方法。目前，有效结合图像识别与处理等技术以及发芽试验和四唑染色法等方法的优势，能够准确测定种子活力。赵新子等对活力识别进行论述，染色种胚后获取彩色图像，判断染色区域在种胚的面积占比，得到活力水平评判，识别率为94%。
张晓宇等通过处理和分析种苗图像，根据玉米种苗特征建立起可以方便、快速地获取苗高、苗鲜重等信息的相关统计模型，该模型直接用于玉米种子的发芽试验，以便获得准确可靠实验结果。该技术将作为玉米种子发芽试验新的检测手段，同时应用于其它植物种子发芽试验。
Zayas等通过形态学参数把玉米种子从被破坏的玉米种识别，结合统计学方面的判别函数，将被破坏的玉米种子剔除。为了检验播种材料，需要对种子发芽的规律以及所需条件进行研究，研究必须将玉米种子发芽进行系列实验，这时候对于发芽粒数以及苗高等种子的信息大多由人工获取。
玉米种子机械和霉菌损害检测
玉米种子质量检测的重要指标之一是种子是否有裂纹和发生霉变，采用视觉无损检测，我们发现如果光线对应入射孔直径设定在2.4mm时，所得背景是黑色的，如果入射光是白色光，采集得到的图像采用高速滤波法识别玉米籽粒裂纹处与其他部位的像素灰度值的不同，检测精度不低于百分之九十。有学者利用生霉粒对光照变化非常敏感的特点，光照变化对颜色标定是鉴定生霉粒的主要途径，认为机器视觉算法在精确性以及一致性方面具有非常明显的优势，这给玉米种子质量检测的提高打下良好的实践基础。
有学者基于图像分析等途径分析玉米应力裂纹，主要结论是重度裂纹最易于被识别出，达到完全被识别的水平；无裂纹以及中度裂纹则朝着变差方向发展，不能完全被识别，占比约有30%-12%。
张俊雄等实现表面裂纹检测：在获取单粒玉米种子的图像后采用Sobel算子得到玉米种子边缘并通过分割阈值、腐蚀以及膨胀等传统图像处理，从而可以判断满足什么样的条件可以判定为种子尖端点，并能实现尖端部分拿掉；将R通道膨胀，同时细线化处理B通道图像结果，并执行减运算操作，根据连通性判别有无裂纹，识别率超过90%。
计算机视觉技术范文5
关键词：计算机视觉；地图匹配；SLAM；机器人导航；路径规划
1概述
计算机视觉在人工智能学科占据重要地位，为自主移动机器人视觉导航做了深厚的理论铺垫。目前，机器人导航技术有很多种，传感器导航技术如里程计、激光雷达、超声波、红外线、微波雷达、陀螺仪、指南针、速度、加速度计或触觉等得到了普遍应用，与上述非计算机视觉导航技术相比较，计算机视觉导航技术如人眼般具有灵敏度高且可捕获的信息量大以及成本低等优点。由于室内相对室外空间比较狭小且内部环境复杂，所以普通移动机器人在作业过程中，完成躲避眼前障碍物、自主导航以及为自身找出一条可行路径等一系列操作会相对比较困难。计算机视觉导航技术可利用本身的摄像头获得室内周围的环境信息，实时对其周身的场景进行快速反馈，对视野前方障碍物进行快速识别和检测，从而确定一条高效的可行的安全路径。本文对计算机视觉导航技术进行分类研究，主要分为3类：第一类是环境地图事先已知，提前对外界环境特征进行提取和处理，建立全局地图，并将地图信息存储在机器人内存数据库中，在导航的时候实时进行地图匹配；第二类是同时定位与地图构建，移动机器人在自身位置不确定的情况下根据自身的摄像头获取周围未知环境信息，在作业时逐步构建周围的环境地图，根据构建的增量式地图自主实时定位和导航；第三类是不依赖环境地图，自主移动机器人不需要依赖任何的环境地图，其在作业活动时的可行区域主要取决于摄像头实时识别和检测的环境相对信息。
2环境地图的表示方法
目前，计算机视觉导航技术多采用栅格地图、几何地图、拓扑地图和混合地图构建环境地图信息。
2.1栅格地图
栅格地图，将栅格图像考虑为一矩形，均分为一系列栅格单元，将每个栅格单元赋予一个平均概率值，并利用传感信息估计每个单元内部内存障碍物的概率。构建栅格地图的优点是其地图表达形式直观，创建和维护比较容易；但当划分的栅格单元数量不断增多时，实时性就会慢慢变差；当划分的栅格单元越大时，环境地图的分辨率越低。
2.2几何地图
几何地图利用几何特征如点、直线、平面等来构成环境主要框架，需要知道这些特征在环境中信息的具置，所以几何地图通常使用其对应的三维空间坐标来表示。几何地图构建过程相对简单，保留了室内环境的各种重要信息，是基于计算机视觉的定位与地图构建算法中最常用的一种表示方式。但是为了完成环境的建模需要标记大量的特征，从而计算量也非常的大，降低了实时性，其重建的地图也容易出现与全局不一致的情况。
2.3拓扑地图
拓扑地图用许多节点和连接这些节点的曲线来表示环境信息。其中，每个节点相对应真实环境中的特征点（如门角、窗户、椅子、桌子角及拐角等），而节点之间的曲线表示两个节点对应的地点是相联通的。拓扑地图把环境信息表上在一线图上，不需要精确表示不同节点间的地理位置关系，图像较为抽象，表示起来方便且简单。机器人首先识别这些节点进而根据识别的节点选择节点与节点间的曲线作为可作业的路径。
2.4混合地图
混合地图主要包括3种形式：栅格一几何地图、几何一拓扑地图以及栅格一拓扑地图。混合地图采用多种地图表示，可结合多种地图的优势，与单一的地图表示相比更具有灵活性、准确性和鲁棒性，但其不同类别的地图结合起来管理会比较复杂，难以协调，增加了地图构建的难度。文献针对室内环境所建立的模型分为全局拓扑和局部几何表述部分，整体环境通过拓扑节点串连起来，维护了整体环境表述的全局一致性；而以每个拓扑节点为核心所采用的几何表述则可确保局部精确定位的实现，这样建立的几何一拓扑混合环境模型可将二者的优势都表现出来，使得移动机器人定位和地图构建同时进行，实现容易。
3基于计算机视觉的室内导航
基于计算机视觉的室内导航技术可利用摄像头捕获机器人周围环境的全部信息，对其周身的场景进行反馈，对障碍物进行快速识别和检测，从而确定一条高效的可行的安全路径。本文将计算机视觉室内导航技术主要分为3类：第一类是环境地图事先已知；第二类是定位与地图构建同时进行；第三类是不依赖环境地图。
3.1环境地图事先已知
提前对外界环境特征进行提取和处理，建立全局地图，并将地图信息存储在机器人内存数据库中，在导航的时候实时进行地图匹配，即预存环境地图。在环境地图事先已知的导航中，路标信息保存在计算机内存的数据库中，视觉系统中心利用图像特征直接或间接向移动机器人提供一系列路标信息，一旦路标被确定后，通过匹配观察到的图像和所期望图像，机器人借助地图实现自身精确定位和导航。该导航技术过程可分为以下步骤：
a）图像获取：摄像头获取其周围的视频图像；
b）路标识别及检测：利用相关图像处理算法对图像进行一系列预处理如进行边缘检测和提取、平滑、滤波、区域分割；
c）路标匹配标志：在观察到的图像和所期望图像之间进行匹配，搜索现有的路标数据库进行标志路标；
d）位置计算：当有特征点进行匹配时，视觉系统会根据数据库中的路标位置进行自身精确定位和导航。
在基于计算机视觉的地图匹配定位过程中，主要有2种地图匹配较为典型。
①已知起点，已知地图。这种条件下的定位称为局部定位，采用的是一种相对定位的方法，如图1所示为其位姿估计过程，这种情况目前导航技术研究得最多。
②不知起点，已知地图。这种条件下的定位称为全局定位。当机器人需要重置时，通常使用这种定位方法来检索机器人的当前位置（即姿态初始化）。常用的辅助方法是在环境中添加一些人造信标，如无线收发器，几何信标，条码技术，红外或超声波接收系统进行位置识别，利用视觉系统识别自然标志，自主定位。
3.2定位与地图构建同时进行
不知起点，不知地图。SLAM技术最早由Smith等人于1986年提出，移动机器人在自身位置不确定的情况下根据自身的摄像头获取周围未知环境信息，在作业时逐步构建周围的环境地图，根据构建的增量式地图自主实时定位和导航。在日后的导航研究中，混合地图中的几何一拓扑混合环境模型被得到广泛应用，主要用来解决SLAM问题。
2003年，在解决SLAM技术难题上，Arras等人采用基于Kalman滤波器和最邻近（nearest neighbor）匹配策略的随机地图创建方法。下面是该算法步骤：
a）数据采集：首先初始化系统，从摄像头传感器采集距离数据；
b）状态预测：视觉系统预测机器人运动状态，实时返回新位姿信息和协方差矩阵，预测地图；
c）观测：从原始捕获的信息中提取主要特征信息并将此信息返回给局部地图；
d）测量预测：预测机器人当前位姿的全局地图；
e）位置匹配：应用最邻近滤波器匹配局部地图中的观测点和预测点；
f）估计：使用扩展Kalman滤波器更新地图；
g）创建：将非相关的观测点加入地图，对机器人返回增量式地图；
h）输出地图。
制约机器人视觉系统性能的重要因素是信息实时处理的计算复杂度和处理效率，SLAM算法需要在地图密度与计算效率之间取得权衡。
3.3无环境地图
在这类系统中，机器人不需要依赖任何的环境地图信息，机器人的活动取决于其当时识别和提取出来的环境信息，这些环境信息可能是桌子、椅子和门等，不需要知道这些环境元素的绝对位置。无环境地图的导航技术典型的技术有3大类：基于光流的导航技术、基于外观信息的导航技术、基于目标识别的导航技术和基于目标跟踪的导航技术。
3.3.1基于光流的导航技术
光流是三维空间运动物体在观测成像面上的像素运动的瞬时速度，也是图像亮度的运动信息描述。光流法计算最初是由Horn和Schunck于1981年提出的，其利用二维速度场与灰度，引入光流约束方程，得到光流计算的基本算法。光流计算基于物体移动的光学特性提出了2个假设：①运动物体的灰度在很短的间隔时间内保持不变；②给定邻域内的速度向量场变化是缓慢的。如Santos-Victor等人研发了一种基于光流的robee视觉系统，该系统模拟了蜜蜂的视觉行为。在robee视觉系统中，使用单独的双目视觉方法来模拟蜜蜂的中心反射（Centering Reflex）：当机器人移动到走廊两侧的墙壁中心时，左眼捕获场景的瞬时速度与右眼捕获场景的瞬时速度是相同的，几乎没有差别，那么机器人就可以知道他们在走廊的中心。如果眼睛两侧的眼睛的瞬时变化速度不同，则机器人移动到较慢的速度。在自动机器人导航的实现中，基于这个想法是测量摄像机捕获图像场景瞬时速度差异。这种导航技术只能用于室内单通道直走道导航，不能引导机器人改变方向，具有一定的局限性。
3.3.2基于外观信息的导航技术
基于外观的机器人导航方法，不需要构建真实的地图导航，机器人通过自身所携带的摄像头和传感器感知周围目标的外观信息进行自主定位和导航。其中，所述的外观信息多为目标信息的颜色、亮度、形状、空间大小和物理纹路等。机器人在导航时存储连续视频帧的环境图像信息，并将连续视频帧与控制指令相关联，从而再执行指令规划有效路径到达目的地。
3.3.3基于目标识别导航技术
为了达到目标点或是识别目标，机器人很多时候只能获取少量的图像信息。Kim等人提出了一种用符号代替导航各个位置的赋值方法。该赋值方法中，机器人执行命令如“去窗边”“去你后面的椅子旁”等。这样，通过相关的符号命令，机器人自动识别并建立路标，通过符号指令到达目标点。例如“去你后面的椅子旁”，这样的命令就是告诉机器人路标是椅子、路径向后。该导航技术的难点在于目标是否可以准确实时识别路标。第一，识别大量不同类别的物体，室内环境有许多不同类别的物体，需要将它们组织到一个在给定的容易搜索图像数据结构中去，起到容易识别是用什么度量来区分物体；第二，识别大量不同背景下的物体，一个合适的物体表达式有助于将图像组织成片断，而这些片断来自于物体的种类且与物体无关的；第三，在抽象层次上识别物体，机器人可以不需要在看到一个具体的杯子之前便能知道它是一个杯子，相关程序能够类似的物体进行识别和区分。
3.3.4基于目标跟踪的导航技术
基于目标跟踪的导航技术，为机器人构造一个虚拟地图，机器人通过摄像头获取连续的视频序定一个跟踪的目标，为了达到对目标的精确定位和实时跟踪，可以利用粒子滤波算法对需要跟踪的目标进行建模。基于粒子滤波的目标跟踪主要包含四个阶段，分别是初始化目标区域，概率转移，目标区域权重计算，目标区域重采样。在机器人导航之前，通过视频序列的当前几帧标注机器人所需要跟踪的目标，在导航时，机器人通过连续的视频帧感知周围的待跟踪目标，同时对所需要跟踪的目标散播粒子，当获取的视频帧对目标区域重采样后足以让机器人确定所需要跟踪的目标时，机器人通过确定的目标为自己规划最有效的路径到达目的地。获取视频序列目标跟踪是算机视觉领域中的重要分支，它在工业生产、交通导航、国防建设、航空导航等各个领域有着广泛的应用。
计算机视觉技术范文6
关键词： 云计算；数据挖掘；分布式
中图分类号：TP393.08 文献标识码：A 文章编号：1671－7597（2012）0220104－01
0 引言
信息技术的出现导致各种格式（如记录、文档、图像、声音、航空数据等）的海量数据存储在数据仓库中，如何从海量的数据中找到有价值的信息是当前的一个热点，对人类社会具有非常重要的社会价值和经济利益，数据挖掘就是实现这一功能的技术。数据挖掘从早期的单独算法对单系统、单机器进行对向量数据的挖掘，到与数据库相结合，支持多个算法的挖掘，以及和预测模型相集成，支持Web数据、半结构化的数据的网络化计算，发展到了分布式数据挖掘。分布式数据挖掘（Distributed Data Mining，DDM）作为一种成熟的挖掘技术已被广泛应用到各个领域，是数据挖掘领域的热点之一。“分布”的含义包括数据的分布和计算的分布两层含义。在分布式计算环境中，用户、数据、计算硬件、数据挖掘软件均可能在地域上分散。分布式数据挖掘旨在解决分散的同构和异构数据库的挖掘问题；同时，数据的分布性带来处理的并行性，则可能解决海量数据挖掘的可伸缩性（Scalability）瓶颈[1]。
随着科学技术的飞速发展，人类社会信息正以每18个月产生的数量等于过去几千年的总和的速度不断增加[1]。尤其是随着物联网产业的迅猛发展，越来越多的应用终端被接入网络，随之带来的庞大的数据量极大的增加了人们从海量数据中发现有用知识的难度。物联网产生的数据具有数量大，高度分散的特点，传统的分布式数据挖掘已经无法解决现有数据处理瓶颈问题[2]。作为新兴商业计算模型的云计算，为分布式数据挖掘提供了许多新的解决思路和方案。云计算是数据管理技术发展的必然趋势，能对分布在大量计算机上存储的资源池上进行操作，使基于云计算平台的应用能根据需要获取所需的存储空间，软件服务和计算能力。目前，IT巨头正在相继开发云计算平台、云计算终端和服务器。
1 数据挖掘算法分类
数据挖掘算法有很多，从不同的视角，数据挖掘技算法可以有根据发现知识的种类分类、根据挖掘的数据库的种类分类和根据采用的技术分类的几种常见分类标准[3]。
1）根据发现的知识种类，数据挖掘算法有：关联规则发现、分类或预测模型知识发现、数据总结、数据聚类、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等多种算法。
2）根据挖掘的数据库的种类，数据挖掘有基于各种数据库的挖掘算法：关系型、面向对象数据库、空间数据库、时态数据库、文本数据源、交易型、多媒体数据库、异质数据库、遗留数据库等，已经基于数据仓库、基于Web的挖掘算法等。
3）根据挖掘方法采用的技术，可分为：统计分析、机器学习方法、模式识别、面向数据库或数据仓库的技术、可视化技术和神经网络等挖掘算法。其中，常用的统计方法可细分为回归分析、判别分析、聚类分析（系统聚类、动态聚类等）、探索性分析等。机器学习方法可细分为：归纳学习方法（决策树、规则归纳等）、基于范例学习、遗传算法等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。
基于云计算分布式数据挖掘算法是在这些数据挖掘算法的基础上，采用云计算平台实现的数据挖掘算法，也可以采用这样的分类标准进行分类。然而，由于有各式各样的数据存在，每一种挖掘算法都应用到具体的数据类型上，对数据类型的要求是有限制的，一种算法不可能会适应所有数据类型的挖掘应用。因此，在考虑不同数据类型的挖掘和具体的应用时，如何选择合适的挖掘算法是非常重要的。当然，在实际应用中，往往结合多方面的因素，考虑算法的优缺点，采用多种算法实现有效的挖掘。
2 不同数据类型对应的挖掘算法
随着信息量的剧增，数据的种类也不断增多。从粗粒度来看，数据挖掘常应用到如下几种数据形式：文本型（Textual）、关系型（Relational）、
事务型（Transactional）、面向对象型（Objected-Oriented）、主动型（Active）、空间型（Spatial）、时间型（Temporal）、多媒体（Multi-Media）、异质（Heterogeneous）数据库和遗留（Legacy）系统等。从挖掘的数据特性出发，专家和相关研究人员将数据挖掘归为如下几种技术：[4，5]
1）分类。分类算法适用于以元组构成的关系型数据形式，关系型中的一个数据属性可以看作分类输出的目标属性，其他属性作为分类算法数据模式（输入）。这类算法的主要目的是对训练的数据集进行挖掘，以发现另外的数据为目标得出数据分类的原理，这个原理可以用于后加入数据的分类。如果预测的变量是离散的，这类问题成为分类；如果预测的变量是连续的，这类问题成为回归。基于云计算常用的分布式挖掘算法实现关系型数据的挖掘主要有基于K-最邻近方法的分类算法、云计算环境下朴素贝叶斯文本分类算法、基于神经网络、基于范例的推理、决策树和径向基函数等分类算法。
2）聚类分析。聚类分析和分类算法相似适用于关系型数据的挖掘。聚类是在事先不规定分组规则的情况下，将数据按照其自身特征划分成不同的群组进行挖掘，以期从潜在的数据中发现新的、有意义的数据分布模式。聚类方法主要有划分聚类、层次聚类、基于密度的聚类、基于网格的聚类和基于模型的聚类。云计算聚类算法常用的有基于云计算的并行k均值聚类算法等。
3）关联规则。关联规则适用于事务型、交易型和关系型数据，但对关系型数据要求按事务分组。最适合处理的变量类型是布尔型和数值型。布尔型关联规则处理的值都是离散的、种类化的，而数值型关联规则可以和多维关联或多层关联规则结合起来。关联规则挖掘主要是发现大量数据中项集之间有趣的关联或相关联系，关联规则研究有助于发现交易数据库中不同商品（项）之间的联系以应用于商品货架布局、货存安排以及根据购买模式对用户进行分类。云计算环境下的常用关联规则分布式挖掘算法有：Apriori算法，已经出现了多种对Apriori算法改进的版本。
4）基于模式的相似性查找。该算法适用于于文本型和时间型数据，进行文本相似性搜索和时间相似性。时间序列数据是一类重要的复杂数据对象，对时间序列数据库进行挖掘能发现时间序列中所蕴涵的知识，数据挖掘技术在时间序列中的主要应用有规则发现、周期模式挖掘、相似性搜索和序列模式发现等方面。文本数据是最常见的一种数据，基于文本相似型的挖掘可以实现文本雷同度与相似性的研究。常用的算法有基于云模型的时间序列分段聚合近似方法、基于模糊聚类的文本挖掘算法、基于云计算的ARMA算法和基于离散傅立叶变换的时间序列相似性查找算法等。
5）时间序列或趋势发现和分析。该技术主要用于时间型数据，通过对不同时间点以前时间数据值的变化，发现或预测未来可能的变化和趋势，如股票的预测就是这种一个好的时间序列趋势析例子。常用的算法有神经网络算法、支持向量机算法等。
此外，除了上面提到的常用数据类型的挖掘，对空间数据的挖掘多采用空间聚类分析和空间OLAP等方法；对多媒体数据的挖掘多采用基于规则的决策树分类算法；对于应用在智能终端上的普适数据多采用机器学习和统计的挖掘算法。
3 结束语
本文首先介绍了云计算和分布式数据挖掘的相关知识，随着Internet的普及和数据的海量增加，二者相结合能解决分布式数据挖掘的瓶颈问题，是今后的一个发展方向。本文重点针对不同的数据类型采用的基于云计算的分布式挖掘算法进行了对比，为基于云平台的分布式数据挖掘系统的开发提供了支持。云计算为海量和复杂数据对象的数据挖掘提供了基础设施，为网络环境下面向大众的数据挖掘服务带来了机遇。
参考文献：
[1]张诚、郭毅，专访中国科学院计算技术研究所-何清博士，数字通信，2011，3：5-7.
[2]陈磊、王鹏、董静宜、任超，基于云计算架构的分布式数据挖掘研究，成都信息工程学院学报，2010，12：777-579.
[3]邵峰晶、于忠清著，数据挖掘原理与算法，北京：水利水电出版社，2003.08.
