前言：中文期刊网精心挑选了图像识别技术的基本原理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。
图像识别技术的基本原理范文1
关键词 轮胎缺陷；计算机视觉识别；轮胎X射线检测；算法
中图分类号TN29 文献标识码A 文章编号 1674-6708（2013）95-0073-03
0 引言
目前对轮胎X射线检测系统的图像识别都是由人来主观判断的。X光机对轮胎进行扫描成像，将图像传输到计算机中在显示屏上显示，工作人员通过对轮胎X射线图像的识别来判断轮胎是否有缺陷并对其缺陷进行分类，由人工来进行轮胎缺陷图像识别受到外界的干扰较大，并且具有工作量和工作强度大的特点，这些都容易给轮胎缺陷图像的识别带来较大不利影响。采用计算机图形识别技术对轮胎X射线图像进行识别，不仅能提高工作效率，有效解决人工识别过程中带来的问题，使识别的过程客观化，更加科学和规范。轮胎X射线缺陷检测系统能对其图像进行自动处理和归类，通过对轮胎缺陷图像的统计，还可以建立轮胎缺陷图像的数据库，提高企业在轮胎生产过程中的经济效益[1]。
国内厂商大都是用国外生产的X射线检测产品，比较常见的品牌有德国的Collmann和YXLON等[2]。YXLON是国际上轮胎内部缺陷检测设备的最大生产厂家，其产品具有可靠的检测结果、快速的检测时间、维护简单、结构紧凑、操作简单直观等特点[3]。相比较国外，国内对轮胎用X光机图像处理技术的研究不多，对于国内的轮胎制造厂商，如果想要运用轮胎缺陷图像自动识别技术，只能向国外购买，但是价格昂贵。因此，现在国内的大部分厂商还是采用人工肉眼对轮胎X射线图像检测的方法进行质量判断[4]。
1 轮胎X射线检测装置和结构分析
我们采用的轮胎X射线检测图像采集装置为YXLON公司生产的LX-1500型轮胎X射线检测系统，YXLON的轮胎X射线检测系统由X射线管、U型传感器、数字图像转换器、图像处理工作站和显示器等部分组成，该系统具有机械结构设计良好和图像识别系统分辨率高的特点。采用该系统对轮胎进行X射线检测时，轮胎首先通过起重机被装载到检测的支架上，系统操作工使用控制面板输入合适的参数，按照设定好的参数，径向X射线管伸进到轮胎的中部，马鞍型的轮胎线阵列检测器也移动相应的位置，轮胎在支架上保持匀速的转动，从而确保了轮胎X射线检测过程的连续性。
2轮胎X射线检测图像分析
由于轮胎的规格型号极其繁杂，轮胎的内部结构也是千差万别，导致表述轮胎缺陷时没有统一的标准，这里依据对轮胎生产质量的控制要求，结合轮胎缺陷数据分析和文献资料参考的基础上，将轮胎内部钢丝帘线的缺陷特征概括为以下四类：
2.1 帘线的形状
对于质量正常的轮胎而言，其内部的胎体钢丝帘线分布应该是与图像横向平行排列的直线序列，如图1（a）所示。当帘线弯曲时，其检测图像如图1（b）所示。
2.3帘线的细节
轮胎内部钢丝帘线的细节主要表现为钢丝帘线上的不连续点、交叉点或者断点。图3（a）是帘线交叉的X射线检测图像，图3（b）是帘线断开的X射线检测图像。对于胎体异物而言，由于X射线投影成像的关系，异物的影像会与钢丝帘线的影像发生重叠，如图3（c）所示，所以胎体异物也可以归纳为帘线上的细节问题。
4 结论
本文首先介绍了轮胎X射线检测装置，然后对轮胎X射线检测的图像进行了详细分析，并对图像中轮胎的缺陷种类进行了分类，最后介绍了自己设计的轮胎X射线检测缺陷识别算法，针对形状、尺度、细节、排列四种轮胎缺陷，分别设计了相应的轮胎缺陷识别算法。
参考文献
[1]冯霞，郝振平.X射线在轮胎边缘检测中的应用[J].CT理论与应用研究，2010，19（3）：61-66.
[2]徐啟蕾.轮胎X光图像自动识别系统算法研究[D].青岛：青岛科技大学硕士学位论文，2006.
[3]张小丽.轮胎缺陷X光检测图像的处理与识别研究[D].天津：天津大学硕士学位论文，2007.
图像识别技术的基本原理范文2
关键词：羊绒羊毛 纤维检验
1、物理检验法：
1.1扫描电子显微镜法
扫描电子显微镜法的测试原理是利用细聚焦电子束在固体样品表面逐点扫描，激发出二次电子、背散射电子、X射线等信号，经过放大后在阴极射线管上产生反映样品表面形貌的图像。从待测样品中取得的短纤维片段，经镀金膜后放入扫描电子显微镜中，在约1000倍的放大倍数下，通过SEM的监控器结合动物纤维鳞片结构与其他特征，利用图像判断纤维片段的类型，即可得到每个类型纤维的数量。其依据就是纤维表面的鳞片厚度之间的差异，如果一种纤维的鳞片厚度大于0.1155μm，则应认定为羊毛，而羊绒的鳞片厚度应该小于0.1155m。
1.2计算机图像识别法
获得扫描电镜的微观结构图像后通过图像采集卡输入计算机图像库进行处理，图像处理是为了突出图像中重要的、有用的信息，淡化不必要的部分，以利于以后的分析和理解，对图像处理过程包括灰度变换、滤波、锐化处理，抑制低频分量，增强高频分量，去除大量噪声使纤维鳞片线条变得清楚。而图像分割直接影响到对纤维进行分析识别的有效性，通过阈值定义不同部位的区域归属，实现目标纤维图像和背景的分离，力求达到对图像实施准确而有效的分割。
1.3近红外光谱技术法
近红外光谱（NIR）是指波长为700nm～2500nm的光谱，它主要测定的是样品中X—H键（这里X代表C、N、O、S等）在中红外区基频振动的谐波和组合谐波吸收。首先需要利用常规分析手段获得所选校正集样品组分或性质的基本数据，再运用化学计量学方法建立校正模型，最终实现对未知样本的定性或定量分析。已有研究人员应用可见-近红外光谱鉴别山羊绒与细支绵羊毛，鉴别结果与实际相符，证明该方法可行。
1.4纤维内部结晶分析法
侯秀良等人运用广角X-射线衍射法（WAXD）和差示扫描量热法（DSC）对山羊绒和羊毛纤维结晶结构做了研究。他们通过对山羊绒、羊毛纤维衍射峰强度及熔融焓的比较分析，得到一个结论：山羊绒纤维的结晶度、α—结晶度高于羊毛纤维，大分子排列规整性好；羊毛纤维的结晶度、α—结晶度分别为山羊绒纤维的81.2 %和75.8 %。试验证实通过测定纤维中大分子的结晶度来鉴别羊绒和羊毛纤维具有可行性。
1.5溶液法
溶液法是根据同一鉴别溶液中纤维卷曲伸展状态的不同来鉴别细羊毛和羊绒纤维。羊毛的皮质层主要组成成分是正皮质和偏皮质细胞，而羊绒的皮质层主要组成成分是正皮质和间皮质细胞。另一方面，羊绒的鳞片层较细羊毛薄，溶液容易渗透到纤维皮质层，加之纤维细度较细，溶液能够渗透整根纤维。故经同一鉴别液处理后，两种纤维的卷曲变化发生不同：羊绒卷曲伸展，沿整根纤维方向曲率变得很小且均匀；而羊毛仍几乎保持原卷曲形态，且曲率不均匀。借助光学显微镜可观察到此伸展差异。
1.6贝叶斯方法
石先军等人根据细羊毛与山羊绒的鳞片形状与结构特征的不同，提出智能识别两类纤维的方法。通过CCD 系统获取两类纤维的灰度图像，采用图像技术将灰度图像处理成单像素宽度的二值图，从二值图中提取描述两类纤维鳞片形状特征的四个比对指标及细度、鳞片高度或密度、鳞片边界周长和鳞片显示面积。在样本数据库上基于四个比对指标的统计假设建立辨识细羊毛与山羊绒纤维的贝叶斯分类模型。仿真结果表明：该模型具有较好的纤维鉴别能力，对山羊绒纤维的识别准确度达到83%，对细羊毛则达到90%，并且随着参数的增加模型有进一步提高鉴别精度的可能。
2、化学鉴别法
2.1燃烧法
羊毛含有大量蛋白质，燃烧时，一边冒烟起泡一边燃烧，伴有烧焦毛发的气味，灰烬多，有光泽的黑色松脆块状。而羊绒燃烧时，情况与羊毛相似，略有不同的是，羊绒能够迅速燃烧，呈松脆状，一压就碎。笔者认为此方法操作简单，主观性较强，对羊绒羊毛的鉴别完全依靠技术人员的检测经验，准确率难以达到较高程度。
2.2染色法
染色法利用了羊毛和羊绒纤维染色性能的差异。羊毛和羊绒都具有较好的染色性能，由于羊绒比表面积大，鳞片较薄，且排列较稀，染料分子易向内部扩散，故羊绒纤维比羊毛纤维的上染率高。且羊绒纤维的等电点要高于羊毛纤维，导致上染率差异：在染色开始阶段，羊绒吸附染料量远大于羊毛，上染率差异最大。根据其染色性能的差异，选用相同的染料和处方，根据得色及上染率的不同来鉴别细羊毛和羊绒。
3.生物检测方法
3.1 SNP 在羊绒和羊毛纤维鉴别中的应用
SNP是一种利用多态性技术（SNP），通过聚合链式反应（PCR）的基因扩增和限制性片段长度多态性（RFLP）技术的酶切，根据各种纤维的线粒体DNA经扩增酶切后基因序列的不同，来鉴定羊绒与羊毛的新技术。单核苷酸多态性（single nucleotide polymorphisms ，SNP）主要是指在基因组水平上由于单个核苷酸的变异所引起的DNA序列多态性。SNP作为第三代分子遗传标记，因其密度高、可代表性、遗传稳定性、易测定性等方面的特点和多种检测方法，已被广泛应用于动物的种别鉴定，在羊绒与羊毛的定性定量鉴定中也得到了较多的应用。由于不同种别的纤维都有本身特征的SNP标记，因此提取其毛发中的线粒体DNA经PCR扩增后就可以鉴别其种别。基于此，Subramanian利用PCR-RFLP 技术，对羊绒和羊毛中的线粒体DNA进行PCR扩增，并成功开发设计出用于鉴别羊绒羊毛纤维的SNP方法。
3.2生物芯片法
美国Affymetrix公司和国立阿贡实验室开发出一种生物芯片，这种生物芯片采用微凝胶技术，在一块大小如显微镜用载物玻璃片的玻璃表面上，设计了多达一万个作用如同微型测试管的微机构。在测试时每个微凝胶结构中的化学物质与被测生物对象发生反应，便可测出DNA的序列、基因变异、蛋白质相互作用和免疫反应等。生物芯片在数秒之内就能进行数千次破译基因密码等生物反应。由于羊绒和羊毛在DNA链段上有着不同的结构特征，因此可利用DNA 特性来鉴别羊绒和羊毛。
4、结束语
本文综述了国内外羊毛和羊绒纤维的鉴别技术，即光学显微镜法、扫描电子显微镜法、计算机图像识别法等方法，并对这些技术的基本原理、应用范围进行了论述和简单的比较。不同的鉴别方法具有不同的特点、优劣与局限性，对不同性质的羊绒、羊毛应选择合适的方法来鉴别，并且仅靠某一种检测方法来鉴别羊绒、羊毛不能达到目的，建议多种方法搭配使用。
参考文献：
[1]王洪燕，潘福奎，张守斌. 羊毛纤维结构和细化方法概述[J]. 现代纺织技术，2009，01：55-58.
图像识别技术的基本原理范文3
（1.广西电网公司钦州供电局，广西 钦州 535000；2.广西南宁仟能电气技术有限公司，广西 南宁 530002；
3.广西大学电气工程学院，广西 南宁 530004）
【摘 要】弧垂检测是保证架空输电线路安全运行的重要措施。传统的手工计算弧垂的方法不仅计算量大，而且容易出错；现有计算机技术计算弧垂的方法虽然准确度较高，但需要复杂的公式和考虑众多因素（如导线温度、张力、传输容量等），在工程应用中给现场人员带来不便，难以推广应用。为此，提出一种基于图像识别技术的架空线弧垂计算方法，以悬链线模型为基础提取部分段曲线的独立状态参数，还原完整架空线并计算其弧垂。同时，基于Matlab GUI开发了一款实用的弧垂测量系统，并通过实际工程测试结果表明，该系统数据采集方式简单、运算速度快，结果展示和输出方便，既能满足工程的精度要求，又具有较高的实用性，是提高工程现场作业人员工作效率的实用应用工具。
关键词 图像识别；弧垂测量系统；Matlab GUI设计
作者简介：池小兵（1988—），男，本科，工程师，主要从事生产设备管理部输电管理工作。
黄阳垚（1971—），男，本科，工程师，主要从事工程管理等技术工作。
黄景标（1966—），男，本科，工程师，主要从事输电管理工作。
莫枝阅（1989—），男，硕士研究生，主要研究方向为电力系统规划与可靠性。
0 引言
输电线路弧垂是线路设计和运行维护的主要指标之一，弧垂过小，架空线的拉应力就大，杆塔荷载增大，安全系数减小，严重时可能发生断线、倒塔和掉串等事故；弧垂过大，架空线对地及交叉跨越物的安全距离不足，风摆、舞动和跳跃会造成线路停电事故的风险就随之增加[1]。因此，运行线路的日常巡检中需要对弧垂进行实时监测，将弧垂控制在规程要求的范围内以保证线路和被跨越设备的安全。
传统的导线弧垂实测计算方法主要有角度法、驰度板观测法和中点高度法[2-4]等，这些方法均存在测量难度大、实时性差，或者误差较大的问题。随着现代测量技术的不断发展和各类先进工程测量仪器的开发，基于先进的测量仪器和计算平台（包括计算机算法[5]、图像识别技术[6-7]、光纤光栅应变传感器[8]、LabVIEW平台[9]、J2ME技术[10]以及电场逆运算原理[11]等）的弧垂测量新方法应运而生。利用图像处理技术进行弧垂计算有全景拼接数码照片[12]和计算机视觉原理标定线路坐标值[13]等方式。其中，全景拼接技术在实际操作中，容易出现拼接失真而带来较大的计算误差；利用计算机视觉原理计算弧垂时需要标定线路坐标值，在地形环境复杂的地区难以进行准确标定坐标值，甚至是无法完成的。此外，其他仿真类方法需要用到复杂的计算公式和考虑影响弧垂的众多因素如导线温度、张力、传输容量等，在实际工程应用中给现场人员带来不便，因此很难得到应用推广。为此，提出一种基于部分线段图像识别技术的架空线弧垂计算方法，以悬链线模型为基础提取部分段曲线的独立状态参数，还原完整架空线并计算其弧垂。同时，基于Matlab GUI开发一款实用的弧垂测量系统，自动完成弧垂计算、输出和保存等工作。
1 架空线路图像识别技术
考虑到架空线路图像背景的复杂性，为了使特征的提取精度更高，需要对图像进行预处理，包括滤波[14]和边缘检测[15]等。
1.1 图像滤波
图像滤波是一种为数字图像去噪平滑的预处理技术, 在提取图像的特征值之前需要先对图像进行平滑滤波。中值滤波是经典的滤波算法，其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域里各点值的中值代替，既可以去除图像中的噪声又能最大限度地保护图像的边缘和轮廓，为后期的图像处理做好准备。
1.2 图像边缘检测
电力线路最基本的特征是其线特征，线特征的提取可以采用图像的边缘检测来实现。边缘检测是借助空域微分算子通过卷积完成，微分算子具有突出灰度变化的作用，对图像运用微分算子，其灰度变化较大点计算出的微分算子值较高，可以将这些值作为相应点的边界强度，通过设置阈值，提取边界点集。
边缘检测得到线路的两条边缘，参照曲线平滑的思想，可以采用两条边缘线的中间线来代替悬链线，以更加准确地反应线路的趋势。在寻找中间点的时候，若同一x坐标上有n个像素点，则中间点的y坐标可表示为
式中yi为第i个像素的y坐标。
2 基于部分线段的悬垂链弧垂测量原理
2.1 悬链线还原
采用悬链线模型计算架空线弧垂。参照 “悬链段”方法分析柔索结构的思想[16]，提出基于图片处理的弧垂计算思想：当档距一定时，仅需一个独立变量就可以确定线路的悬垂状态，提取该独立参数，还原完整悬链曲线并计算其弧垂值。图1是悬链段参数提取示意图，采用数字图像处理所用的坐标约定，选取顶部索曲线倾角的正割值作为独立变量求解，定义secθ=n，θ为顶部索曲线倾角，则可由公式（2）确定悬链线的状态。
式中，a为待求系数，(l,h)是曲线切点坐标，(x0,y0)是曲线的端点坐标。
线路参数的提取步骤如下：
（1）获取部分段线路图像的两端点坐标(x0,y0)、(L0,H0)，计算连接两端点坐标的直线的斜率k，得到两端点连接的直线方程；
（2）利用点到直线的距离公式，求出点到直线的最大距离，对应的点即为切点，并取得切点坐标(l,h)；
（3）k即为顶部索曲线倾角的正切值tanθ，则，切点坐标即为顶点坐标(l,h)。
（4）由h/a=n-ch(archn-l/a)解出a，即可确定悬链线的状态方程。
由求得的状态方程公式（2）画出曲线在原图像大小范围内的部分，则为还原的部分曲线图像；求出完整曲线两端点的横坐标，即可还原出完整的悬链线，横坐标的计算如图2所示。
图2为测量数值示意图，0B段（以0为原点建立坐标系）对应拍摄的电力线片段。其中L为固定档距，L1和L2分别是拍摄的电力线的两端点到悬链线同一端点的水平距离。测量得到L、L1和L2的值，有
式中L0如图1所示，表示部分段曲线的端点的横坐标。
以部分段图像的原点为原点，画出曲线在-x1到x2区间上的部分，则为该档距内完整的悬链线。
2.2 弧垂计算
从第2.1节中还原的完整悬链线提取两端点坐标(-x1,y1)、(x2,y2)，则连接悬链线两端点的直线方程为，减去式（2）即得悬链线的弧垂值为
f=yd-ach(x/a+archn-l/a)+ach(archn-l/a)-y0（5）
令?坠f/?坠x=0，当x=a(arshk1-archn)+l时，可得最大弧垂值fmax，式中k1=(y2-y1)/(x2-x1)。
结果计算中，恢复出的像素点和原图像素点间的相对误差为
α=(y-y′)/y（6）
平均误差率为
式中y为原图像中某一像素点的坐标，y′为恢复出的该像素点的坐标。
计算得出的弧垂值和实际测量的弧垂值之间的相对误差为
式中f为实际测量得到的弧垂值，fmax为计算得到的弧垂值。
3 实用架空线弧垂测量系统设计
3.1 系统分析
系统分析主要任务是根据工程实际需求，分析、理解整个系统设计的基本要求，确定系统框架。
3.1.1 功能要求
利用高清数码相机取得导线的图片，对该图片进行处理，把架空导线当作悬垂链条，通过分析一段悬垂链的轨迹，模拟仿真出整段悬垂链轨迹，通过悬垂链轨迹计算出最大弧垂的系统。
3.1.2 系统框架
包含由高清数码相机、图片处理系统、悬垂链分析系统、数据接口等软硬件组成的导线弧垂测量系统，满足测量数字化、输出标准化、通信网络化特征，对一档架空导线弧垂测量的数据测量装置，并通过信道将数据传送到服务器。
3.2 系统设计
3.2.1 算法设计
基于图像处理的架空线弧垂实测系统的计算流程图如图3所示，包括图像处理、参数提取和弧垂计算等内容。
先对目标图片进行校正、滤波等预处理，然后边缘检测得到图像像素坐标，提取独立参数恢复完整曲线并计算弧垂值。
3.2.2 系统界面设计
基于MATALB /GUI开发弧垂系统界面。建立GUI的主要方式有两种：第一种是直接通过程序编写的方式产生对象，即利用uicontrol 、ui2contexmenu 等函数以编写M文件的方式来开发整个GUI；第二种方式是直接通过MATALB的GUI编辑界面—GUIDE来建立GUI。本文采用第二种方法来开发软件界面。
开发的弧垂实测系统界面如图4所示。输入数据包括拍摄的架空线图片和相关测量数据，依次单击“选择图片”、“数据输入”，就可以得到输出结果。
4 应用案例分析
采用高清相机拍摄档距一定的架空线部分段图像作为分析对象，如图5所示。利用全站仪测量得到参数L、L1、L2和实际弧垂值，其值分别为L=120.699m，L1=11.248m，L2=16.902m,实测弧垂值为5.468m。整个计算流程如图6至图8所示。
运行弧垂实测系统，点击“选择图片”按钮，在弹出的对话框里选择拍摄的图片，如图6所示；当“数据输入”按钮变为可用状态时，点击“数据输入”，在弹出的对话框中输入测量数据，就可以自动完成计算，如图7所示；点击“结果输出”按钮，得到计算结果，点击“保存”按钮可以方便将结果保存，如图8所示。
由计算结果可以看出，计算的弧垂值为5.632m，与实测弧垂值5.483m对比，弧垂计算相对误差为-2.716%，负值表示计算弧垂值大于实测弧垂值，能够较好地满足系统精度要求。
5 结论
以悬链线模型为基础，通过部分线段图像识别分析，提取部分段曲线的独立状态参数，还原完整电力线；避开导线应力、温度、传输容量等影响，能对弧垂进行准确、直观的测量。
基于Matlab GUI开发了一款实用的弧垂测量系统，建立友好的对话框式数据输入界面，提升了数据录入的便捷性，能够自动完成弧垂计算、分析、保存和输出等工作，既能满足工程的精度要求，又能方便现场工作人员，提高了工作效率，降低了工作强度，易于推广使用。
参考文献
［1］黄俊杰,王身丽,陈早明,等．架空输电线路弧垂计算的计算机实现[J]．湖北电力,2003,3:1-3.
［2］时瀑森,王占林.弧垂观测及大档距弧垂观测新方法[J]．湖北电力,2012,36(5):61-63.
［3］赵新卫.线路弧垂的观测方法[J].大众用电,2009(6):29-29.
［4］窦小晶,瑚跃进,陈贵锋,等．大档距架空线弧垂测量及其误差分析[J].供用电,2009,26(4):15-17.
［5］奉斌,罗辉.配电架空线路应力弧垂计算机算法[J].广西电业,2006(9):90-92.
［6］陈斯雅,王滨海,盛戈皞,王闻,江秀臣.采用图像摄影的输电线路弧垂测量方法[J].高电压技术,2011(04).
［7］黄新波,张晓霞,李立浧,罗兵.采用图像处理技术的输电线路导线弧垂测量[J].高电压技术,2011(08).
［8］李路明,孟小波,张治国,孙欣,陈雪,张民.基于光纤光栅应变传感器的架空输电线弧垂实时监测[J].电力建设,2011,32(7):51-54.
［9］桂菲菲,王振刚,庞百胜,等.基于LabVIEW的架空输电线最大弧垂计算方法[J].电力建设,2013,34(7):108-113.
［10］刘万夫,刘涛.J2ME技术在架空线路弧垂观测角计算中的应用[J].电力建设,2013,33(11):101-103.
［11］陈楠,文习山,蓝磊,等.基于电场逆运算的输电导线弧垂计算方法[J].中国电机工程学报,2011,31(16):121-127.
［12］杨靖超.基于弧垂在线检测的输电线路动态增容技术[D].北京:华北电力大学,2006.
［13］李俊芳.基于计算机视觉的输电线弧垂测量[D].北京:华北电力大学,2008.
［14］赵高长,张磊,武风波.改进的中值滤波算法在图像去噪中的应用[J].应用光学,2011(04).
［15］谭艳,王宇俊,李飞龙,葛耿育.几种典型的图像边缘检测算法的分析比较[J].电脑知识与技术,2012(07).
图像识别技术的基本原理范文4
关键词:图像分割 车型识别 目标跟踪 模型匹配
在现代交通管理和道路规划中,交通流量和通行车辆的类型、速度是重要的参数。自动获取这些数据的方法大致可以分为两类:一类是利用压电、红外、环形磁感应线圈等传感器获得车辆本身的参数, 这类方法跟踪识别率较高,但是容易损坏,安装也不方便;还有一类就是基于图像处理和模式识别的方法,克服了前面一类方法的局限,由于图像处理识别技术的进步和硬件性价比的大幅提高,有一定实用价值的系统已经出现。这些系统的使用证明;图像处理识别车辆的方法晶趋成熟,环境适应能力较强,能长期稳定工作,但是计算量大,识别正确率不如感应线圈、激光读卡等方法高。本文的研究属于后者,利用安装在高处的单个静止摄像头监视路面,利用运动分割与模型匹配的方法,检测并统计多车道的车流。
识别过程分三步:分割、跟踪和车型判定。运动目标的分割常采用幅差法。在监控场合,摄像头大多是固定的,背景基本没有变化或者变化缓慢,可以从图像序列中逐渐取出背景图像,然后利用帧差法检测出目标区域,同时还可以检测静止目标。由于识别过程中利用二值边缘,所以本文在图像分割中对输入图像进行了梯度二值化处理。三维空间和二维图像平面之间映射关系的确定,采用基于针孔模型的摄像机定标来计算。对目标区域的跟踪,采用了区域特征向量的匹配跟踪方法,减小了运算量。由于图像处理的方法很难提取轮数、轴距等车辆本身参数,所以在图像车型识别中一般都采用三维模型在图像上投影和车辆边缘相匹配的方法。
1 背景重建和图像分割
由于摄像头固定,背景变化缓慢,因此,可以利用图像序列逐渐恢复出背景图像。其基本原理是:对每一个像素进行监控,如果在较长时钟内灰度不发生明显变化,则认为该象素属于背景区域,将该象素灰度值复制到背景缓冲区,否则属于前景区域。由于光照以及车辆阴影等影响,采用这种方法恢复出来的 背景图像存在较大噪声。因此大实验中对原始输入图像进行了梯度二值化处理,然后进行背景重建。这样可以减小阴影的干扰,加快背景重建速度。由于识别是利用边缘,所以度化对后面的识别过程没有影响。
在得到背景边界图像后,利用帧差法可以分割出感兴趣的目标。但是,如果目标区域和背景边界后果合(都兴趣的目标。但是,如果目标区域和背景边界重合(值都为“1”),相减之后该目标区域被错误判定为背景区域(来"0")。为了减小错误判决区域,本文在分割时参考了相邻两帧的二值化帧差fdmask,判决准则如下:如果fdmask中革像开绿素为“0”,则输入图像和背景图像相应像素相减;否则直接复制输入图像中相应的像素值。分割结果经过噪声消除、形态学平滑边办、种子填充、区域标记等后续处理,就分字出了目标。
2 摄像机定标
在模型匹配中,需要从二维图像恢复目标三维,同时将三维模型投影到图像平面上,因此必须计算三维空间到图像平面的投影关系矩阵。这个过程就是摄像机定标。本文采用基于针孔模型的摄像机定标方法,其基本原理是利用给定的一组三维世界的点坐标和这些点在图像中的坐标,求解线性方程组,计算透视投影矩阵中的各个元素。透视投影矩阵如下:
其中:(u,v)是图像坐标,(xw,yw,zw)是三维坐标,m为投影矩阵,zc为三维空间中点到摄像机镜头的矢量在光主轴上的投影距离。要求解m的各个元素,通常方程组不独立,没有唯一解,采用近似计算的误差罗大。在(21)式基础上经过变形,将12阶方程分拆成三个4阶方程组,只需要利用4个点的投影关系,方程组的阶次也只有4阶,可以有效避免出现奇异矩阵,求出唯一解。由式(1)可以得出:
另外,除了4组点的坐标之外,还需测定镜头主光轴的水平垂直倾角。
3 车辆的跟踪和分类
在区域分割后,接下来进行区域跟踪,利用相邻两帧的区域匹配从而图像序列中建立目标链,跟踪目标从进入监视范围到驶离监视范围的整个过程。首称要确定区配准则。常用的图像匹配方法有hausdorff距离区域法和图像互相关。这两种方法都需要逐个含金量纱的计算。为了减小计算量,采用区域特片跟踪法。目标区域的特征包括区域形心坐标、区域包围矩形、区域运动速度及运动方向和区域面积。本文匹配准则采用了两个假定:同一目标所对应区域在相邻两帧中面积相近;同一目标在前一帧中的区域形心加上运动速度所得到的形心预测值与后一帧中区域形心距离相近。跟踪过程如下:
(1)将第一帧的各个区域当作不同的目标,对各个目标区域启动目标链。
(2)根据判决准则,如果某目标链中的区域在当前帧找到了匹配区域,则用找到的的匹配区域特片更新该目标链中的区域特征。
(3)如果在形心预测值所在位置,当前帧区域和目标链中区域面积相差很大,则可以认为发生了合并或者分裂现象。对目标链中的区域包围矩形,在本帧查找该矩形覆盖了几个区域,如果多于一个区域,则认为发生了分裂现象。对分裂现象出现的新区域,启动新目标链。同理,对于本帧区域的包围矩形,查找该矩形覆盖了几个目标链中的区域,如果多于一个,则认为发生了合并现象,利用合并区域启动新的目标链,同时终止那些被合并区域的目标链。
(4)对于目标链中的区域,如果在本帧没有与之相匹配的区域存在,则认为发生了消失现象。目标链并不立即终止,只有在经过数帧仍没有找到匹配之后,才终止该目标链。
(5)查找本帧是否还存在新进入的区域,如果存在,则启动新的目标链。
采用这种方法可以快速跟踪图像序列中的目标,同时得到车辆在监视范围的平均速度。在计数时,只有目标在连续数帧里出现才认烛一个真正的目标区域,只有目标在连续数帧都没有出现才认为消失,因此可以消除那些暂时消失引起的计数错误。
车辆分类是个很复杂的问题。图像处理方法要获得轮数、轴距等车辆本身参数比较困难,因此图像识别车型通常采用模型匹配方法。现有的研究大多是先抽取车辆的几条直线边缘,然后用线条和模型边缘匹配。由于在图像中抽取直线本身的计算量相当大,所以本文没有抽取车辆边缘直线,而是直接利用了canny边缘检测的整体结果与模型相匹配。canny边缘与模型边缘之间存在较大的形变,hausdorff距离匹配对形变不敏感,所以采用hausdorff距离作为匹配准则是很适宜的。
设有两组有限点集a={a1,…,ap}和b=={b1,…,bq},则二者之间的hausdorff距离定义为:
h(a,b)=max(h(a,b),h(b,a)) (3)
其中: ||bj-ai||,h(a,b)被称为从a到b的有向hausdorff距离,它反映了a到b的不匹配程度。h(b,a)的意义与h(a,b)相似。在具体计算hausdorff距离时,通常采用距离变换的方法。车辆分类步骤如下:
(1)在分割结果的基础上,对目标区域进行canny算子边缘检测,仅仅处理分割出目标区域的边缘,减小了运算量。
(2)对canny边缘,采用串行距离变换,得到距离变换图像。距离变换图像的每个像素灰度值等于该像素到目标边缘的最近距离。
(3)对各分割目标,恢复车辆的三维信息,只计算长度和宽度。由于二维图像平面上一点对应了摄像机坐标中不同深度的一第洌 点,所以在从图像上一点恢复该点在世界傺 标中的时,首先要给定该点在世界坐 标值中一个分量以减少不确定度(这样恢复出来的数值有些误差,通常给出z方向高度值zw)。
(4)在计算目标区域长度和宽度的同时,可以求出车辆底盘形心在地面上的位置(x,y),根据速度方向判断车辆在地面上的角度α。利用车辆本身的三维模型数据以及(x,y,α),通过式(1)透视投影,消隐处理,可以确定车辆模型在图像平面上的投影。
(5)当目标进入指定区域后,以模型投影图像为模板,将投影图像在距离变换图像上移动,在每一个位置,求出模型影图像下距离变换图像被模型轮廓线覆盖的像素值之和,以这个和值作为在该位置当前模型与实际车辆的匹配程度。将当前模型在各位置所得区配程度的最小值作为当前模型与车辆的实际匹配程度,该最小值除以模型轮廓线的像素数目,即该模型与车辆之间的hausdorff距离。对各种模型,分别求出它们与车辆之间的hausdorff距离,取其中最小值对应的那种模型那为车型识别结果。实验过程中为了减小计算量,搜索方法采用了三步搜索法。
4 实验结果
本实验所采用的352×288视频图像,来自采用单个固定ccd摄像机于杭州天目山路拍摄的交通场影片断。主要算法在trimedia1300 DSP上用c语言实现,在图像分割过程中进行了较多的梯度、降低噪声、填充和标记运算,平均处理一帧大约耗时0.3s。算法流程全过程如图1所示。
实验证明,抽取背景和当前帧之间进行差异检测,分贫穷交为准确。对于比较淡的阴影,用梯率二值化方法可以部分消除阴影影响。由于只监视边缘变化部分,背景重建速度比直接利用灰度图像重建背景快很多,干扰也较小。梯度二值化处理之后得建背景只需150-200帧,而不经过新颖度二值化处理在上升帧之后仍然没有较好的背景,并且点状噪声和去雾状模糊比较严重。
图像识别技术的基本原理范文5
1多源遥感数据源
随着遥感技术的发展，越来越多的不同类型的遥感传感器数据被用于对水域的观测。不同类型的遥感数据在水产养殖信息提取中具有各自的优势和特性，因而也对应有不同的应用领域和信息提取精度。一般来说，多光谱遥感记录了地物的反射、辐射波谱特征，拥有丰富的地物空间分布及光谱信息，有助于识别水产养殖区域，是目前水产养殖区信息提取的主要信息源。但大多数多光谱遥感图像数据空间分辨率相对较低，即空间的细节表现能力比较差，将多光谱图像和全色图像融合，可有效提高图像解译能力。目前常用的识别水产养殖区的卫星遥感数据主要有全色图像、多光谱图像和微波雷达图像等，具体参数如表1所示。SAR具有全天时、全天候、多波段、多极化工作方式、可变侧视角、穿透能力强等特点，SAR图像中则含有丰富的地表纹理结构信息。在沿海水域，由于海水对微波雷达的回波能量较弱，而养殖用的基座、围栏和网箱等回波能量较强，色调比周围的海水更亮，二者对比度较大，因而可从SAR图像中提取养殖区域的相关信息。此外，在进行精度验证时，还可利用GoogleEarth平台提供的在线照片，这为实地调查验证提供了便利。
2水产养殖区域的识别方法
由于受研究时间、研究区域和数据源等客观因素的限制，还没有一种方法是最普遍和最佳的水产养殖区的识别方法。目前常用的水产养殖区识别方法主要有目视解译、基于比值指数分析的信息提取、基于对应分析的信息提取、基于空间结构分析的信息提取以及基于面向对象的信息提取等。
2．1目视解译目视解译是遥感应用最常用、最基本的方法之一。它根据遥感图像目视解译标志(位置、形状、大小、色调、阴影、纹理、图形及相关布局等)和解译经验，与多种非遥感信息资料相结合，运用相关知识，采用对照分析的方法，进行由此及彼、由表及里、去伪存真、循序渐进的综合分析和逻辑推理，从遥感图像中获取需要的专题信息。目前，目视解译一般都采用人机交互方式。在解译前先通过遥感图像处理软件对图像进行必要的预处理，包括图像增强、图像融合等，有效地改善图像的可识别能力，突出主要信息，提高判读的精度。杨英宝等依据6景TM图像和3期高精度航片，利用人机交互式解译方法分析了东太湖20世纪80年代以来网围养殖的时空变化情况［6］;李新国等采用3景航空图像对东太湖的网围养殖面积动态变化进行人机交互目视解译［7］;樊建勇等在经过增强处理后的SAR图像上，对胶州湾海域养殖区进行了交互跟踪矢量化［8］;褚忠信等利用不同时期的TM图像，对黄河三角洲平原水库与水产养殖场面积进行了人机交互解译［9］;吴岩峻等用4景ETM+图像，经过多次外业调查，建立解译标志，采用人机交互方法，对海南省海水和岛上水产养殖区进行了勾画［10］;宫鹏等借助1987—1992年和1999—2002年的TM/ETM+图像及GoogleEarth平台提供的高分辨率图像和部分在线照片，对包括海水养殖场在内的全国湿地分布进行了目视解译，并绘制了专题图［11］。目视解译简单易行，而且具有较高的信息提取精度，适用于绝大多数养殖区域的识别，但是也存在一定的缺点。当解译人员的专业知识背景、解译经验不同时，可能得到不同的结果，其结果往往带有解译者的主观随意性。当养殖区域水体同非养殖区域水体的光谱特征或空间结构特征等相似时，解译人员就很难根据标志将其区分开来，使精度受到影响;而且目视解译工作量大、费工费时，难以实现对海量空间信息的定量化分析和保证信息的时效性，因此研究遥感信息的自动提取方法已成必然。
2．2基于比值指数分析的信息提取比值型指数［12］创建的基本原理就是在同一图像的多光谱波段内，求得每个像元在不同波段的亮度值之比，构成新的图像，以压制某些造成光照差异的因子或背景的影响，增强地物光谱特征的微小差别，突出目标地物的辐射特征。比值型指数通常又会作归一化处理，使其数值范围统一到－1～1之间。马艳娟等利用ASTER数据，分析养殖水体与非养殖水体在图像各波段上的特征差异，构建用于提取图像中水产养殖区域的指数(normalizeddifferenceaquacultureindex，NDAI);并分析用NDAI提取得到的结果中错分的受大气、传感器影响的水体与自然水体的各波段灰度值的分布，构建了用来进一步提取深海区域的指数(marineextractionindex，MEI)，将近海水产养殖区的养殖水体与其他水体区分开［13］，取得了较高的精度。由于比值指数分析的信息提取方法只考虑各波段上的灰度信息，当部分养殖区在光谱上与深海水域接近或是当深海水域光谱并非均一时，会导致错分。该方法适用于养殖区与背景环境光谱差异大的地区，否则将无法克服传统遥感分类方法所普遍存在的“椒盐”噪声，从而影响信息提取的精度。
2．3基于对应分析的信息提取对应分析是在因子分析的基础上发展起来的分析方法，又称“R－Q型因子分析”［14］。该方法已在生物和统计领域得到广泛的认同和应用，但在遥感领域的应用相对较少。在遥感应用中对应分析方法既研究图像波段特征属性及其相互关系，也研究像元特征之间的关系，有利于提高信息提取的精度。王静等应用该方法快速有效地进行了滆湖围网养殖区湖泊围网分布信息的提取［15］。该方法对遥感图像的质量要求较高，并在分析前要进行严格有效的图像预处理。此外，该方法并无法有效地解决“异物同谱”和“异物同纹理”的分类问题。
2．4基于空间结构分析的信息提取空间结构分析的处理方法有邻域分析、纹理分析、线性特征提取等。其中，邻域分析是对波段每一个像元依据四周邻近的像元对其进行空间分析的方法［16］，分析和运算的像元数目和位置由扫描窗口确定;纹理表现是指图像灰度在空间上有序重复出现的特征，反映了一个区域中某个像元灰度级的空间分布规律，其基本分析方法有3类:统计分析方法、结构分析方法和频谱分析方法。周小成等采用ASTER遥感图像，以九龙江河口地区为研究示范区，利用卷积算子，采用邻域分析法来增强水产养殖地的空间纹理信息［17］;李俊杰等利用纹理统计分析方法中的灰度共生矩阵(graylevelco－occurrencematrices，GLCM)，选用中巴资源卫星02星多光谱数据，以白马湖为试验区，提取湖泊围网养殖区，实验表明纹理量化的均值指标能够较好地反映自然水体、围网养殖区和其他地物内部结构的异质性，取得了较理想的效果［18］;林桂兰等利用方差算法对厦门海湾海上的吊养和网箱养殖进行纹理分析，得到养殖专题图［19］;初佳兰等选用长海县广鹿岛海区的SAR图像，统计有效视数(ef-fectivenumberoflooks)，并对图像进行多种方法滤波分析，提取了浮筏养殖信息［20］。基于空间结构分析的养殖区识别方法，适用于近海水产养殖地的自动提取，而不适用于内陆水产养殖地，因为后者在空间上的分布孤立，斑块小，与其他农用坑塘水体的空间特征类似，但仍可以作为一种遥感图像识别的辅助方法。#p#分页标题#e#
2．5基于面向对象的信息提取面向对象的图像分析主要思想是:首先将图像分割成具有一定意义的图像对象，然后综合运用地物的光谱特征、纹理、形状、邻近关系等相关信息，在最邻近法和模糊分类思想的指导下，确定分割对象所属类别，得到精度比较高的遥感图像分类结果［21］。对于养殖区分布的提取，面向对象的图像分析方法基本步骤包括多精度图像分割、面向对象的水陆划分和非养殖水域剔除。首先，使用多精度图像分割对原始图像进行分割以获得分割图斑，并计算各个图斑的特征，为后继分析服务;然后，根据遥感图像中水域的辐射特性进行水陆分割;接着根据图斑的光谱、形状及空间特征提取出面状、线状非养殖水域部分;最后，在水陆划分得到的水域全图的基础上剔除以上提取的面状水系和线状水系，得到养殖水域提取结果［22］。谢玉林等利用该方法，对珠江口养殖区域进行了提取，验证该方法在水产养殖区提取上的可行性［22］;关学彬等采用该方法对海南省文昌地区的水产养殖区进行监测，取得了理想效果［23］;孙晓宇等采用该方法，利用多时相遥感数据对珠江口海岸带地区水产养殖场的变化进行了提取［24］。面向对象的图像分析将处理的对象从像元过渡到了图斑的对象层次，更接近人们观测数据的思维逻辑，更利于知识与规则的融合。在很多情况下，面向对象的遥感图像分析方法会比基于像元的分析方法取得更好的效果。采用面向对象技术，在解决常规图像分类时的椒盐噪声效应、结果的可解释性上有很大优势，因此在高分辨率图像信息提取中能够发挥更大的作用。但是当特征及隶属度函数选取不当时，会出现较严重的误分现象，此时要结合目视解译方法，判别分类结果的合理性，优化隶属度函数，重新进行分类。
图像识别技术的基本原理范文6
关键词：图像处理；电力设备
中图分类号：V351.31文献标识码：A文章编号：
1、电力设备检测
电力设备是输配电网中的枢纽和通道，设备在使用的过程中会有老化、失修、故障隐患等情况出现。但是这些情况并不能都靠人眼、工作人员的经验一一排除，必须要专门的电力设备检测才能检查出这些电力安全隐患并组织人力及时排除。 在电力运行中，电力安全始终是电力人绷紧的一根弦。电力设备检测实际上是起到了预防、发现隐患的作用。因此电力设备检测（即电力设备预防性试验）至关重要。
2、电力设备的概述
电力设备预防性试验是指对已投入运行的设备按规定的试验条件（如规定的试验设备、环境条件、试验方法和试验电压等）、试验项目、试验周期所进行的定期检查或试验，以发现运行中电力设备的隐患、预防发生事故或电力设备损坏。它是判断电力设备能否继续投入运行并保证安全运行的重要措施。
3、图像处理的发展
随着计算机技术的迅猛发展和相关理论的不断完善，数字图像处理 技术在许多应用领域受到广泛重视并取得了重大的开拓性成就。 属于这些领域的有航空 航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等。该 技术终将成为一门引人注目、前景远大的新型学科。
4、图像处理的意义
图像进行处理的主要目的有三个方面:
4.1图像的视感质量,如进行图像的亮度、彩色变换,增强、抑制某些成分,对图像进行几何变换等,以改善图像的质量。
4.2图像中所包含的某些特征或特殊信息,这些被提取的特征或信息往往为计算机分析图像提供便利。提取特征或信息的过程是图像处理的预处理。提取的特征可以包括很多方面,如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。
4.3不管是何种目的的图像处理,都需要由计算机和图像专用设备组成的图像处理系统对图像数据进行输入、加工和输出。图像是人类获取和交换信息的主要来源，是视觉的基础，而视觉又是人类重要的感知手段，所以图像成为心理学，生理学，计算机科学等诸多方面学者研究示图感知的有效工具。图像处理是一门实用的科学，在军事，航空，航天，遥感，电力，通信，医学，教育等领域得到广泛应用。
5、电力系统概述
传统的视频监控系统需要人工监看录像，监控性能受到监控者本身的生理因素的制约。有研究表明: 人盯着屏幕看3 个小时后，注意力将降低70%。随着我国高压输电线路的规模迅速增长，线路运行部门承担了越来越多的线路巡视维护工作量，急需用先进的技术来帮助线路维护人员提高工作效率。图像处理技术借助计算机强大的数据处理功能，对视频画面中的海量数据进行高速分析，过滤掉用户不关心的信息，仅仅为监控者提供有用的关键信息。能够大大减轻视频监控中人工劳动强度，同时可以减少误报漏报，还可以提高报警处理的及时性。图像监控系统应用的范围非常广，最常见的是对民宅、停车场、公共场所、银行等的监控，以防止偷盗、破坏行为的发生，保障社会安全。近年来图像处理技术在电力设备系统监控上也有大量应用: 如赵书涛等人利用图像的形状不变矩特征作为特征矢量，采用SVM 分类器识别各类电力设备，取得了较满意的识别效果，实现了变电站的无人值守; 刘金春利用小波不变矩来提取图像的边缘特征，通过与无故障图像的小波不变矩比较，分析出图像的变化情况，实现了对变电站的自动监控。因此图像处理技术能在电力系统的安全监测中发挥重大作用。
6、图像检测
边缘检测是一种重要的区域处理方法。边缘是所要提取目标和背景的分界线, 提取出边缘才能将目标和背景区分开来。边缘检测是利用物体和背景在某种图像特性上的差异来实现的, 这些差异包括灰度、颜色或者纹理特征。实际上, 就是检测图像特性发生变化的位置。边缘检测包括两个基本内容: 一是抽取出反映灰度变化的边缘点; 二是剔除某些边界点或填补边界间断点, 并将这些边缘连接成完整的线。如果一个像素落在边界上, 那么它的邻域将成为一个灰度级变化地带。对这种变化最有用的两个特征是灰度的变化率和方向。边缘检测算子可以检查每个像素的邻域, 并对灰度变化率进行量化, 也包括对方向的确定, 其中大多数是基于方向导数掩模求卷积的方法。
6.1图像几何校正
图像的几何畸变表现为像元相对于地面目标实际位置发生挤压、扭曲、变形等。其基本环节有两个，即像素坐标变换和重采样。
6.2图像重采样
图像重采样的目的主要是保证图像像素的连续性，因为对图像空间分辨率进行提升时，需要利用插值的手段在空出的像素上补上对应的值，使整个图像平滑，有利于进一步处理。其最基本方法有三种：最近邻插值、双线性插值和双三次插值。
6.3 图像增强
图像增强就是采用一定的方法对图像的某些特征进行调整，以突出图像中的某些感兴趣信息，同时抑制或去除不需要的信息来提高图像质量。它的主要目的是改变图像的灰度等级，提高对比度；消除边缘噪声，平滑图像；突出边缘及图像主要信息，锐化图像、压缩数据量等。图像增强主要方法根据处理空间的不同，分为空间域方法和频率域方法两大类。空间域增强主要是通过改变像元及相邻像元的灰度值达到增强的目的。而频率域增强则是通过对图像进行傅里叶变换后改变频域图像的频谱来达到图像增强的目的。此外，根据图像处理的范围又可以将增强处理技术分为全局处理和局部处理两种。
7、结束语
我国电力行业的不断发展，和停电机会的不断减少。现代化的电力设备停电检修试验的机会越来越少。电力设备的检修试验也从原来的传统试验逐步的转型为现在的不停电检修试验。由于现在的状态监测与传统试验相比不具有破坏性或破坏性较小和不停电等优点。现在的电力设备状态监测试验也将逐步取代于传统的试验，为未来的电力发展和可靠的安全供电提供有力的技术保障。电力设备的状态监测也将必然成为未来电力电网试验发展的主导方向。社会经济的飞速发展，科学技术的突飞猛进，电力设备检测的范围，设备与技术也在与时俱进。一套设备的“健康指数”包括其电气特性和机械特性两部分内容组成；而无法得到电力设备在通电运行中的电气特性的“健康数值”这一难题，一直困扰电力用户多年。全新的状态监测技术的出现解决了这一难题。不仅扩展了电力设备检测的概念，而且填补了电力设备检测领域的盲点。常规停电检测技术和状态监测技术相辅相承，为电力设备的可靠运行提供全方位的数据支持。
参考文献：
[1] 龚超,罗毅,涂光瑜.计算机视觉技术及其在电力系统自动化中的应用[J]. 电力系统自动化. 2003。
