前言：中文期刊网精心挑选了计算机视觉检测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。
计算机视觉检测技术范文1
【关键词】精密测量 计算机视觉图像 关键技术
在现代城市的建设中离不开测量的运用，对于测量而言需要精确的数值来表达建筑物、地形地貌等特征及高度。在以往的测量中无法精准的进行计算及在施工中无法精准的达到设计要求。本文就计算机视觉图像精密测量进行分析，并对其关键技术做以简析。
1 概论
1.1 什么是计算机视觉图像精密测量
计算机视觉精密测量从定义上来讲是一种新型的、非接触性测量。它是集计算机视觉技术、图像处理技术及测量技术于一体的高精度测量技术，且将光学测量的技术融入当中。这样让它具备了快速、精准、智能等方面的优势及特性。这种测量方法在现代测量中被广泛使用。
1.2 计算机视觉图像精密测量的工作原理
计算机视觉图像精密测量的工作原理类似于测量仪器中的全站仪。它们具有相同的特点及特性，主要还是通过微电脑进行快速的计算处理得到使用者需要的测量数据。其原理简单分为以下几步：
（1）对被测量物体进行图像扫描，在对图像进行扫描时需注意外借环境及光线因素，特别注意光线对于仪器扫描的影响。
（2）形成比例的原始图，在对于物体进行扫描后得到与现实原状相同的图像，在个步骤与相机的拍照原理几乎相同。
（3）提取特征，通过微电子计算机对扫描形成的原始图进行特征的提取，在设置程序后，仪器会自动进行相应特征部分的关键提取。
（4）分类整理，对图像特征进行有效的分类整理，主要对于操作人员所需求的数据进行整理分类。
（5）形成数据文件，在完成以上四个步骤后微计算机会对于整理分类出的特征进行数据分析存储。对于计算机视觉图像精密测量的工作原理就进行以上分析。
1.3 主要影响
从施工测量及测绘角度分析，对于计算机视觉图像精密测量的影响在于环境的影响。其主要分为地形影响和气候影响。地形影响对于计算机视觉图像精密测量是有限的，基本对于计算机视觉图像精密测量的影响不是很大，但还是存在一定的影响。主要体现在遮挡物对于扫描成像的影响，如果扫描成像质量较差，会直接影响到对于特征物的提取及数据的准确性。还存在气候影响，气候影响的因素主要在于大风及光线影响。大风对于扫描仪器的稳定性具有一定的考验，如有稍微抖动就会出现误差不能准确的进行精密测量。光线的影响在于光照的强度上，主要还是表现在基础的成像，成像结果会直接导致数据结果的准确性。
2 计算机视觉图像精密测量下的关键技术
计算机视觉图像精密测量下的关键技术主要分为以下几种：
2.1 自动进行数据存储
在对计算机视觉图像精密测量的原理分析，参照计算机视觉图像精密测量的工作原理，对设备的质量要求很高，计算机视觉图像精密测量仪器主要还是通过计算机来进行数据的计算处理，如果遇到计算机系统老旧或处理数据量较大，会导致计算机系统崩溃，导致计算结果无法进行正常的存储。为了避免这种情况的发生，需要对于测量成果技术进行有效的存储。将测量数据成果存储在固定、安全的存储媒介中，保证数据的安全性。如果遇到计算机系统崩溃等无法正常运行的情况时，应及时将数据进行备份存储，快速还原数据。在对于前期测量数据再次进行测量或多次测量，系统会对于这些数据进行统一对比，如果出现多次测量结果有所出入，系统会进行提示。这样就可以避免数据存在较大的误差。
2.2 减小误差概率
在进行计算机视觉图像精密测量时往往会出现误差，而导致这些误差的原因主要存在于操作人员与机器系统故障，在进行操作前操作员应对于仪器进行系统性的检查，再次使用仪器中的自检系统，保证仪器的硬件与软件的正常运行，如果硬软件出现问题会导致测量精度的误差，从而影响工作的进度。人员操作也会导致误差，人员操作的误差在某些方面来说是不可避免的。这主要是对操作人员工作的熟练程度的一种考验，主要是对于仪器的架设及观测的方式。减少人员操作中的误差，就要做好人员的技术技能培训工作。让操作人员有过硬过强的操作技术，在这些基础上再建立完善的体制制度。利用多方面进行全面控制误差。
2.3 方便便携
在科学技术发展的今天我们在生活当中运用到东西逐渐在形状、外观上发生巨大的变大。近年来，对于各种仪器设备的便携性提出了很高的要求，在计算机视觉图像精密测量中对设备的外形体积要求、系统要求更为重要，其主要在于人员方便携带可在大范围及野外进行测量，不受环境等特殊情况的限制。
3 计算机视觉图像精密测量发展趋势
目前我国国民经济快速发展，我们对于精密测量的要求越来越来高，特别是近年我国科技技术的快速发展及需要，很多工程及工业方面已经超出我们所能测试的范围。在这样的前景下，我们对于计算机视觉图像精密测量的发展趋势进行一个预估，其主要发展趋势有以下几方面：
3.1 测量精度
在我们日常生活中，我们常用的长度单位基本在毫米级别，但在现在生活中，毫米级别已经不能满足工业方面的要求，如航天航空方面。所以提高测量精度也是计算机视觉图像精密测量发展趋势的重要方向，主要在于提高测量精度，在向微米级及纳米级别发展，同时提高成像图像方面的分辨率，进而达到我们预测的目的。
3.2 图像技术
计算机的普遍对于各行各业的发展都具有时代性的意义，在计算机视觉图像精密测量中运用图像技术也是非常重要的，在提高图像处理技术做以提高。同时工程方面遥感测量的技术也是对于精密测量的一种推广。
4 结束语
在科技发展的现在，测量是生活中不可缺少的一部分，测量同时也影响着我们的衣食住行，在测量技术中加入计算机视觉图像技术是对测量技术的一种革新。在融入这种技术后，我相信在未来的工业及航天事业中计算机视觉图像技g能发挥出最大限度的作用，为改变人们的生活做出杰出的贡献。
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，2015，14（18）：33-36.
[2]马玉真.程殿彬.范文兵，计算机视觉检测技术的发展及应用研究[J].济南大学学报，2014，18（23）：222-227.
[3]李华.基于计算机视觉图像精密测量的关键技术分析[J].电脑知识与技术，2013（05）：1211-1212.
计算机视觉检测技术范文2
【关键词】K-means算法；入侵检测规则；用户行为；正确率
引言
入侵检测是当前流行的安全防御技术，一般可分为异常检测和误用检测两种类型[1]，异常检测主要用来发现未知的、可疑的攻击行为。提高异常检测的性能可以降低入侵检测系统的漏报率和误报率。数据挖掘K-means算法能高度自动化地分析原有数据，从中挖掘出潜在的模式，预测用户行为，对入侵行为重新划分，获得入侵行为规则。从本文实验结果表明，其可以降低入侵检测系统的漏报率和误报率。
1.数据挖掘（Data Mining）
数据挖掘就是要从大量的数据中整理出或挖掘出有用的知识，这些知识是隐含的、事先未知的具有潜在有用信息，它们可表示为概念、规则、规律、模式等形式[2]。数据挖掘技术是一种决策支持过程，它主要基于人工智能（AI）、机器学习统计等技术，能从大量数据中提取或挖掘知识。
2.数据挖掘的K-means算法
入侵检测模型需要高效、准确地处理海量的用户行为数据，并尽可能降低误判率、漏判率是判断一个入侵检测系统成功与否的标志。聚类分析方法具有可伸缩性、高维性、能处理不同类型属性、可按各种约束聚类等优点，尤其适用大型数据库的模式分类[3]。
2.1聚类分析
聚类按照“最大化类内相似性，最小化类间相似性”的原则，将数据对象分组为多个类或簇（cluster），同一个簇中的对象具有较高相似度，而不同簇间的对象差别较大，对象间的相异度根据对象的属性值计算。
给定一个有N个对象或元组的数据库，用聚类划分法构建数据的K个划分，每个划分表示一个聚簇，并且 K≤N。在聚类划分中，基于距离的分类采用度量方式，例如K-means、K-medoids等。当前比较流行的启发式方法首推K-means算法，我们在此用此算法对已知用户行为数据库进行聚类划分，检测入侵行为[4]。
2.2 K-means算法
K-means算法以K为参数，把N个对象分为K个簇，以使簇内具有较高的相似度，而簇间的相似度较低。相似度的计算根据一个簇中的平均值（视为簇重心）进行。K-means算法的处理过程为：
1）随机选择K个对象，每个对象初始代表一个簇的平均值或中心。对剩余的每个对象，根据其与各个簇中心的距离，将它赋给最近的簇。
2）重新计算每个簇的平均值。这个过程不断重复，直至准则函数收敛到期望值。由于实际应用中对象数据选用的度量单位将直接影响聚类分析结果，不同度量单位可能产生迥异的聚类结构，因此为避免对度量单位选择的依赖，实际中应先对数据进行标准化处理。
每个对象与簇中心的距离采用欧几里德距离，其定义如式（2-1）所示，其中i =（Xi1，Xi2，...，Xip）和 j =（Xj1，Xj2 ， ...， Xjp）是2个p维的数据对象。
（2-1）
该算法试图找出使均方误差函数值最小的 K个划分，令生成的结果尽量紧凑、独立。下面是K-means算法的流程，从中可以得到，算法的复杂度为O（nkt），远小于O（n2），其中，n是所有对象的数目，K是簇的数目，t是迭代次数（一般k和t均小于n）。鉴于待划分的数据库通常比较大，这种性能还是比较优良的。
K-means算法流程如下：
（1）算法K-means基于簇中对象平均值。
（2）输入簇的数目K和N个对象的数据库。
（3）输出K个簇，满足均方误差函数值最小。
3.异常检测模型
通过数据仓库的数据采集、预处理及分析后，形成一个以异常检测为主题的数据集市，该数据集市的模型包含IP地址ID、连接次数、访问协议ID、访问协议次数、访问目标端口次数、出现连接错误次数、访问资源级别ID、访问资源次数。
对生成的异常检测数据进行标准化处理，成为可供K-means使用的特征数据。采用C++语言按照上述原理与流程进行编程，对数据进行分析，经过有限次的迭代即可识别出异常、攻击、安全3种类型的记录，当然也可以按照自己的要求设置分类数。
图1是使用K-means算法设计异常检测模型的设计流程图，用它来生成异常检测规则。
图1异常检测模型的设计流程图
对K-means聚类结果进行分析后，总结出不同类规则及其含义，把这些规则中的正常与攻击行为模式作为入侵检测模式存入在数据仓库中，用以预测和判断用户行为合法性的依据。
4.实验
4.1实验用例
本测试使用MIT林肯实验室开发的DARPA 1999年IDS评测数据集进行了实验测试。异常检测实验时把星期一的部分数据用来经过入侵检测模型来生成异常检测规则，把星期二、星期四、星期五的数据用来进行异常检测实验。
4.2测试过程
处理星期一的部分数据，使数据的形式满足异常检测模型的需要，表4-1是处理数据的最终形式，太多的数据会使程序运行缓慢，而且没有太大的必要。把此数据以文件的形式提交给异常检测模型，我们根据异常检测模型的运行结果（运行时间与主机配置有关）得到异常检测规则。接下来把星期二、星期四、星期五的数据进行异常检测。
表1中各参数含义：
Ip 源IP地址。
count 在一个时间窗口内目标主机的连接次数。
error 出现syn错误的连接百分比。
same_srv 目标端口相同的连接所占的百分比。
diff_srv 目标端口不同的连接所占的百分比。
srv_count 目标端口与当前连接相同的连接次数。
srv_diff_host 目标主机不同的连接所占的百分比。
通过异常检测模型分析，发现SYN错误为0.9、0.75、0.8属于同一类，所以SYN大于0.75的应属于是攻击行为，SYN错误为0.2-0.7属于同一类作为异常行为，而SYN错误小于0.2的属于正常行为。
5.结束语
本文采用数据挖掘K-means算法来建立异常检测模型。通过以上模拟实验可知，使用K-means算法可以形成可用的异常检测规则，用于异常检测时也有较高的正确率。影响异常检测因素很多，比如异常检测模型规则的数据的正确性、数据的角度等。以后的研究中可以提供不同角度不同主题的数据给异常检测模型，以生成其他角度的异常检测的规则，提高入侵检测的精确度。
参考文献：
[1] 杨永铭.异常点检测算法在入侵检测中的应用研究.现代计算机.2008.1：35-38.
计算机视觉检测技术范文3
关键词：无损检测；农产品；分级
引言：自1993年开始,我国果品总产量超过印度、巴西和美国,跃居世界首位。因此,水果的品质分析就显得更加重要。水果品质检测主要包括硬度、糖度、酸度等多种指标检测,传统的检测方法主要采用的是化学方法,测量过程复杂,等待时间长,也就降低了其实际的使用意义。无损检测技术(Nondestructive Determination Techonol ogies,简称NDT)主要指的是在不破坏或损坏被检测对象的基础上,利用农产品内部结构异常或缺陷存在所引起的对热、声、光、电、磁等反应的变化,来探测各种农产品等内部和表面缺陷,并对缺陷的类型、性质、数量、形状、位置、尺寸、分布及其变化做出判断和评价。
一、农产品无损检测技术介绍
(一)核磁共振技术
核磁共振技术(NMR)是一种探测浓缩氢质子的技术,它对农产品中的水、脂的混合团料状态下的响应变化比较敏感。自1946年美国科学家F.Bloch和E.M.Purcell发现了核磁共振现象以来,核磁共振技术在研究物质的结构方面得到了广泛应用。核磁共振能生成果实内部组织的高清晰图像,不仅可用于检测果品的压伤、虫害、成熟度,在测定苹果、香蕉的糖度等方面也具有潜在价值。对于采收成熟度直接影响品质的品种,利用核磁共振技术可大大提高收获、运输的可靠性。目前,该项技术真正用于果品的内部检测和质量评价还有很多问题有待研究,但由于其卓越的优点,将会是一种很好的果品无损检测方法。
(二)声学特征的应用
声学特性反映的是声波和农产品相互作用的基本规律,利用声学特性主要是指根据农产品在声波作用下反射特性、散射特性、吸收特性、衰减系数和声波传播速度及本身声阻抗、固有频率等的变化与农产品内部组织变化如结构、成分、物理状态等物化特性信息间的关系进行。用于检测的超声波一般为低能超声波,在被检测物中传播时不会引起其物理或化学特性的变化。低能超声测量中最常用的3个参数为:声速、声衰减系数、声阻抗。声学无损检测技术与光学、电学及其他无损检测技术相比,有适应性强、投资较低、操作简便快捷等优点,适用于在线检测,在农产品检测领域的应用前景良好。
利用农产品声学特性对其内部品质进行无损检测和分级是生物学、声学、农业物料学、电子学、计算机等学科在农产品生产和加工中的综合应用,该技术适应性强,检测灵敏度高,对人体无害,成本低廉,易实现自动化,是果品无损检测技术发展的重点领域。虽然国外学者对此技术已做了较多基础研究,但这些研究基本上是研究农产品声学特性共振频率、反射折射透射特性、吸收特性、衰减特性、传播速度、声阻抗等中的某一特性与农产品某一品质指标的关系,而对多种声学特性对农产品某一内部品质指标或多种内部品质指标的综合影响的研究报道很少,阻碍了声学检测精度的提高。
(三)近红外分析法的应用
近红外光谱分析技术(Near Infrared Spectroscopy Analysis,简称NIR)是利用样品中有代表性的有机成分在近红外光谱区域的最强吸收波长不同,以及吸收的强度与有机成分呈线性关系的原理进行定量分析。通过对已知有机成分含量的样品与其近红外光谱特征的回归分析,建立定标方程,即可对含有同一种有机成分的样品进行定量估测。
近红外线波长为800～2500 nm,近红外线照射在果实上,果实中构成糖和酸的官能基(-OH,-CH2,-NH)吸收与相应分子固有振动相一致的特定光线,近红外分光法就是利用上述特性,从被吸收的光量非破坏检测糖、酸、水分和叶绿素等成分的一种技术。该方法仅在建立标定线时破坏果实测定其化学成分,标定线做成后,只需测定样品的近红外线分光频谱,就可得到成分的预测值,还能在瞬间同时测定多个成分。
(四)X射线检测技术的应用
X射线检测技术是指利用X射线的穿透能力对果蔬品质进行检测的一种方法。X射线具有很好的穿透能力,而物质的密度大小又影响了其穿透量的多少,通过对透过穿透量多少的分析从而可以对物质的内部品质进行分析。检测时所需的X射线强度弱,所以通常称为软X射线检测技术。X射线检测技术本来是为检测一些不易拆卸分解的大型构件或机械零件的内部缺陷而开发应用的,近来已被成功地移植到农产品加工领域。
(五)机器视觉技术的应用
20世纪70年代开始,计算机视觉技术开始被应用到工业和农业之中,主要进行的是植物种类的鉴别、农产品品质检测和分级。由于图像处理技术专业的出现以及计算机成本的降低,机器视觉技术在农产品品质检测与分级领域的应用中越来越具有吸引力。
计算机视觉是以计算机和图像获取部分为工具,以图像处理技术、图像分析技术、模式识别技术、人工智能技术为依托,处理所获取的图像信号,并从图像中获取某些特定信息。计算机视觉技术无需接触特定对象便可从获取的图像中得到大量的信息,通过对这些信息的分析得到物体尺寸、表面缺陷、外观形状、表面色度等具体信息,进而实现外观质量的综合评价。
现在,用于农产品品质检测与分级的可见光快速检测主要是基于计算机视觉的检测技术,利用光学传感器或扫描摄像机摄像,综合测出果品的表面颜色、对特定光的透光率、形状和大小,并与事先贮存在计算机中的数据模型进行对比,推算出成熟度和糖分。
(六)电子鼻技术的应用
电子鼻技术是近年来兴起的一种农产品无损检测的方法,电子鼻一般由气敏传感器阵列、信号处理子系统和模式识别子系统等3大部分组成。它以特定的传感器和模式识别系统快速提供被测样品的整体信息,从而指示样品的隐含特征。与普通的化学分析仪器,如色谱仪、光谱仪等不同,电子鼻得到的不是被测样品中某种或某几种成分的定性与定量结果,而是给予样品中挥发性成分的整体信息,也称“指纹”数据。
由于在同一个仪器装置里采用了多类不同的矩阵技术,使检测更能模拟人类嗅觉神经细胞,根据气味标识和利用化学计量统计学软件对不同气味进行快速鉴别。在建立数据库的基础上,对每一样品进行数据计算和识别,可得到样品的“气味指纹图”和“气味标记”。
二、无损检测技术的应用前景
无损检测技术作为一种新兴的检测技术,在不破坏果蔬品质的基础上,对果蔬的品质进行检测和分级利用光学、电学以及电脑信息技术等的先进技术对果蔬的品质进行准确、快速的检测。随着我国人民生活水平的提高,我们对新鲜果蔬的品质要求也越来越高,无损检测技术适合加工高效率、大规模的要求,因此,这种检测方法必将在未来的农产品检测和分级中得到广泛的应用。
参考文献：
计算机视觉检测技术范文4
关键词 安防监控；行人检测；HOG；SVM；C4
DOI DOI： 10.11907/rjdk.162336
中图分号： TP302
文献标识码： A 文章编号 文章编号： 16727800（2017）002002204
0 引言
当前，随着中国社会的不断发展，城市化进程也不断加快，居民们的人身安全和财物安全已成为广受关注的问题。安防监控是现阶段维护我国社会安定的关键环节之一，因此对于相关技术也提出了更高要求。例如：安防监控应该有人工智能的视频分析能力，能够实现“发现可疑人员并报警”及“自动跟踪可疑人员”等功能。其中，行人检测是安防监控中的重要环节，是实现“发现可疑人员并报警”及“自动跟踪可疑人员”的前提。
行人检测是机器视觉、图像处理等领域中相关应用的关键技术之一，在安防监控、无人汽车驾驶、机器人以及多媒体分析等方面具有广泛的应用前景和潜在的经济价值，因此成为了近年来的研究热点。目前行人检测技术已涌现出一批经典算法，但是受姿态、遮挡、环境等干扰因素的影响，行人检测技术在检测的精确度、速度等方面仍有较大提升空间。
1 行人检测技术现状
行人检测指获取视频或图片信息，然后从其中检测出行人位置。由于行人检测涉及到服饰变化、姿态变化、遮挡等因素，还要考虑天气、光线、路况变化，对算法的鲁棒
性要求高，并且要满足实时性要求。因此，行人检测技术的研究很有价值，也非常具有挑战性。
2005年Dalal等提出基于统计训练的方法，是经典行人检测方法，该方法利用梯度方向直方图――HOG（Histogram of Oriented Gradient）来刻画图像局部梯度幅值和方向，然后利用支持向量机（SVM）分类器对待测图像进行检测。如今，行人检测技术趋于大规模和实用化，但也存在着检测速度和检测准确度不高等缺点。在如何提高检测速度和检测准确度方面，仍存在以下问题：①行人高度问题；②复杂场景问题；③分类器问题；④多特征融合问题。
2 HOG+SVM与C4两种行人检测技术分析
目前安防监控领域的行人检测技术较多，但很多都是对经典的HOG+SVM方法进行改进，其中C4行人检测算法对视频中行人检测速度较快。经典的HOG+SVM方法与C4行人检测算法两种技术都是基于SVM的，只是特征上有些差异，下面对这两种技术作简要介绍。
2.1 HOG+SVM人体检测
Navneet Dalal和Bill Triggs在2005年的CVPR上发表的文章中首次提出了HOG特征，同时采用SVM分类器对HOG特征进行分类，这种结合使行人检测技术趋于实用化。由于基于该特征的行人检测方法效果很好，吸引了众多研究者关注。Dalal等最初只是用此方法检测静态图像中的行人，但后来也用于在视频和电影中检测行人，以及检测静态图像中的车辆、常见动物等。HOG特征具有很多优势，其有效性主要来源于它对光照变化和少量偏移不敏感，同时还能描述局部形状信息，能够很好地刻画人体的边缘特征及其轮廓。
HOG描述子是在包含大小统一的细胞单元（Dense Grid of Uniformly Spaced Cells）的稠密网格上进行计算，还采用了局部方向直方图对比度归一化。HOG特征提取方法的流程是：先输入图像，然后对其伽玛和颜色进行归一化；计算梯度，对细胞单元的空间和方向进行加权投票；对重叠空间块进行对比归一化，再在检测窗口收集描述子，用线性支持向量机对描述子进行分类；最后由分类器识别人与非人，如图1所示。
2.2 C4行人检测算法
C4行人检测算法对经典的HOG+SVM方法进行了算法上的改进，能够进行快速行人检测，实时视频处理效果好、速度快。
由于Sobel[1]图像能很好地计算边缘信息，先计算Sobel图像（见图2），再进行CT（Census Transform）[2]变换（见图3）。所谓的C4是Human Contour Using a Cascade Classifier and the CENTRIST Visual Descriptor。
C4训练时采用线性SVM和HIK SVM。如图4所示，与HOG特征提取时所设置的cell和block关系一样，把窗口分成9*4个block，其中每个block大小为12*9，把邻近的2*2个block作为一个Super block。因此，每个窗口则有8*3个Super block，得到的向量应为24*256=6144维。
采用式（6）可以快速计算CENTRIST描述符，如图5所示。图5（a）表示式（2）的计算方法，Super block中的值代表CT图像变换后的值，图5（b）表示式（6）的快速计算方法，Super block中的值代表在分类器ω中前者CT图像变换后的值。
3 对比实验与分析
基于Opencv的行人检测方法，利用开源的跨平台计算机视觉库Opencv在Visual Studio进行开发、调试及应用。通过提取行人的梯度方向直方图（HOG）特征，并利用事先准备的样本训练出来线性支持向量机（SVM）分类器对提取的行人特征进行分类，建立一种基于梯度方向直方图特征的行人检测系统。实验结果表明，该系统符合要求，能够有效地检测出行人。
3.1 开发平台
Visual Studio 2010作为代码编写与编译的平台，其开发语言为C++。OpenCV2.4.4为微软开源计算机视觉库，OpenCV高效的矩阵运算能力以及对通用视觉算法的 完美实现，都有助于项目开发。
3.2 实验数据介绍
实验数据分为3种：①三张多行人的图片；②一些MIT行人库的行人图片，一些INRIA行人库的正样本，一些INRIA行人库的负样本；③十字路口的O控图片。
（1）先采用三张多行人的图片分别对两种方法进行检测，并将经典的HOG+SVM和C4行人检测算法在Opencv+VS2010中加以实现。实验结果如图6所示，经典的HOG+SVM实验结果为：a1、a2、a3、C4行人检测算法实验结果为：b1、b2、b3。
实验结果表明，两种方法都可以检测行人，但有误报，也有漏检。相比经典的HOG+SVM， C4行人检测算法的检测准确率有所提高（误报与漏检较少）。由此可见，C4行人检测算法在监控中检测行人具有一定优势。
（2）采用一些MIT行人库的行人图片、一些INRIA行人库的正样本，以及一些INRIA行人库的负样本进行检测。
一些MIT行人库的行人图片检测结果如图7所示，经典HOG+SVM方法实验结果为：c1、c2、c3、c4、c5，C4行人检测算法实验结果为：d1、d2、d3、d4、d5。实验结果表明，两种方法都可以检测行人，效果都比较好。
一些INRIA行人库的正样本的检测结果如图8所示，经典HOG+SVM方法实验结果为：e1、e2、e3、e4、e5，C4行人检测算法实验结果为：f1、f2、f3、f4、f5。实验结果表明，两种方法都可以检测行人，其中HOG+SVM漏检多一点。
一些INRIA行人库的负样本的检测结果如图9所示，经典HOG+SVM方法实验结果为：g1、g2、g3、g4、g5，C4行人检测算法实验结果为：h1、h2、h3、h4、h5。实验结果表明，两种方法都可以检测行人，其中HOG+SVM误检多一点。
（3）采用十字路口的监控图片进行检测，实验结果如图10所示。经典HOG+SVM方法实验结果为：g1、g2，C4行人检测算法实验结果为：h1、h2。实验结果表明，两种方法都可以检测行人。可能是因为图片较大，情景较复杂，两种方法检测行人的效果都不太好，都有较多误检和漏检。综合以上3种实验数据：可以看出C4行人检测算法要比经典的HOG+SVM方法检测行人的准确率高，误检与漏检更少。
4 结语
本文比较了经典的HOG+SVM方法和C4行人检测算法，并利用Visual Studio 2010开发平台及OpenCV计算机视觉库进行实验。实验结果表明，C4行人检测算法性能较好，在检测率、漏检率等方面均优于经典的基于方向梯度直方图算法的行人检测系统。
参考文献：
[1] 李新江，龚勋，李天瑞，等.面向视频监控的自动行人检测[J].计算机科学，2014，41（12）：264268.
[2] 李广春，罗扬. 基于CENTRIST特征的实时行人检测算法的实现[J].电脑知识与技术，2013，9（2）：370372.
[3] 贾慧星，章毓晋.车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述[J].自动化学报，2007，33（1）：8590.
[4] 张阳.复杂交通场景中基于视频的行人检测与跟踪若干关键问题研究[D].广州：华南理工大学，2013.
[5] 洪传文，张建龙，李洁.多模版匹配及加权融合的行人检测方法[J].济南大学学报：自然科学版，2016，30（3）：216219.
[6] WU J，REGH J M.CENTRIST：a visual descriptor for scene categorization[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（8）：14891501.
计算机视觉检测技术范文5
关键词 机器视觉；现代农业；应用；问题；展望
中图分类号 TP391.4 文献标识码 A 文章编号 1007-5739（2014）08-0335-01
Application of Machine Vision Technique in Modern Agriculture
WANG Wen-jing
（Department of Electronic Information，Foshan Polytechnic，Foshan Guangdong 528137）
Abstract The basic concepts，principle and system of machine vision were introduced.The application status of machine vision in modern agricultural production was discussed.Based on the analysis and research status at home and abroad，current problems and future direction of the development was proposed for machine vision applications in modern agriculture.
Key words machine vision；modern agricultural；application；problems；prospects
随着“在工业化、城镇化深入发展中同步推进农业现代化”这项重要任务在“十二五”规划中的提出，我国的农业有了迅猛发展，农业与自动化技术的研究和应用得到了高度的重视，但是与国外发达国家还有一定的差距。机器视觉技术是促进农业生产和管理自动化水平提高的一种高效的手段。目前，该技术在国内外农业领域的各个环节已经有了较大突破，如种子质量检测、田间杂草识别、植物生长信息监测、病虫害监测等。机器视觉技术不仅节约了人力、物力的消耗，而且提高了生产质量和效率。
1 机器视觉技术的基本概念、原理以及系统组成
机器视觉也称之为计算机视觉，是一种利用机器代替人眼进行观察、测量与判断的技术，首先利用摄像机获取目标的图像，然后通过计算机算法将图像进行数字化处理和颜色、形状和尺寸等的测量与判别[1]。
机器视觉系统主要由光源、摄像机、采集卡和计算机构成。摄像机通过光电传感器将被测物光形象转化为电信号，并且以图像的形式记录保存下来。图像采集卡是连接摄像机和计算机的纽带，主要作用是把电信号转化为数字信号，并将数字信号传输到计算机进行保存和处理。在实际应用中，为了能够获得高亮度和高对比度的图像，通常需要使用光源提供的灯光照明，以便图像的获取和处理。
2 机器视觉技术在现代化农业中的应用
2.1 在农业生产前的应用
进行种子质量检测。农作物种子质量的好坏对作物产品的优劣与作物产量的高低有着直接的影响作用，在农业生产过程中有着至关重要的地位。成 芳等[2]详细介绍了机器视觉系统的原理和发展动态，并且从系统软件、硬件和国内外研究现状等方面综合描述了机器视觉在种子质量检测中的运用。陈兵旗等[3]利用机器视觉技术对水稻种子进行了精选，首先提取长宽比和面积等特征参数，并建立有关稻种类型的数据库，进而对稻种类型进行判断，然后通过扫描线数和扫描线上黑白像素的变化次数来判断种子是否破裂，最后利用不同阈值提取的稻种面积差来判断稻种是否霉变。试验证明：该方法能对种子种类、发霉和破损情况等进行判断，具有较高的准确率。
2.2 在农业生产中的应用
2.2.1 作物生长信息监测。农作物的生长调控、缺素诊断、产量分析与预测都是以作物生长信息为基础和依据的，因此，通过机器视觉的方法对农作物的生长信息进行监测，成为当今机器视觉在农业中的研究热点之一。张云鹤等[4]设计了农作物茎秆直径变化测量系统，通过测量图像中作物茎秆直径像素数、图像中参照物直径像素数和参照物的实际直径求取作物茎秆直径。使用该系统对黄瓜茎杆进行直径测量，绝对误差在0.002 mm以内。王文静等[5]设计了一个基于机器视觉的水下鲆鲽鱼类质量估计系统。该系统利用机器视觉和图像处理技术对不同生长发育阶段的半滑舌鳎进行了检测，提取了鱼的面积、等效椭圆长宽比和圆形度因子等形状参数，并将各参数分别与质量进行数据拟合建立二维和三维维模型。试验证明：该方法能够较好地估计出生物的质量。
2.2.2 病虫害与杂草监测。病虫害和杂草直接危害着农作物的生长，如果没有得到及时的控制，会直接影响到农作物的质量与产量。因此，检测并获取害虫的分布情况、位置、生长情况等对农作物的生产具有巨大的意义。邱道尹等[6]设计了一个基于机器视觉的大田害虫检测系统，利用神经网络分类的方法对常见的几类害虫进行了分类。通过现场试验证明，该方法简单可行、识别率高。毛文华等[7]以国内外的研究为例，系统、详细地介绍了机器视觉在杂草识别中的研究和应用情况，分析了采用植物纹理、颜色、多光谱和形状等特征来识别杂草的理论根据以及存在的问题和难点。尹建军等[8]利用摄像机采集标定靶图像，根据摄像机的透视模型对图像进行处理，求出48个靶点质心的像素坐标，然后通过DLT最小二乘法建立摄像机隐参数矩阵。实践证明，该方法对杂草定位的误差在23 mm以内，能够满足杂草识别与智能化喷施的需求。
2.2.3 营养胁迫诊断。在农业生产管理中，由于缺素初期的作物和正常情况没有太大差别，很难被察觉和诊断，而利用机器视觉的方法能够比较及时、准确的判断，进而降低损失。
毛罕平等[9]在作物营养元素亏缺的识别和自动检测中，利用植物的叶片特征和遗传算法进行优化组合，挑选出能够用在分类器设计方面的特征向量。试验证明，利用二叉树分类法的模糊K近邻法对缺元素的番茄进行识别和测试，其误差在15%以内。张彦娥等[10]利用机器视觉技术和图像处理技术研究了一种温室黄瓜叶片营养信息检测系统，通过求取叶片含水率、含氮率与含磷率分别与各个分量之间的相关性；试验证明：该方法获取叶片颜色分量、亮度指标等参数，能够作为计算机视觉技术作物长势和作物营养信息监测的指标。
2.3 在农业生产中的应用
2.3.1 农业机器人。对农业机器人的应用主要利用机器人技术进行视觉导航技术的研究，是目前比较受关注的课题之一。视觉导航技术的研究为农业机器人的自动除草、施肥和施药等工作奠定了良好的基础。
周 俊等[11]在综合分析农田自然环境的基础上，提出了农业机器人视觉导航中多分辨率路径识别算法，并将色彩特征分析法应用于路径识别中，利用小波分析变化法进行边缘检测，结果表明，结合导航系统期望跟踪的路径特点分析可以比较准确的识别路径。安 秋等[12]通过AVR单片机的下位机来控制4个电机的速度和实现与上位机的串口通讯功能，提出了将线性扫描法和最小二乘法结合使用的思路，实现了农业机器人的视觉导航算法，使机器人能够在农作物之间行走。
2.3.2 品质分级。利用机器视觉的方法对农作物进行分级，可以减少主观因素的影响，并且为生产自动化的发展奠定了基础。
蒋益女等[13]对苹果质量等级识别的机器视觉检测技术进行了研究，对苹果图像进行梗蒂、缺陷识别后，提取目标区域，并求出纹理和几何特征参数等，并通过Pearson对参数进行相关性分析和SFFS对特征进行选择，去掉冗余的特征，最后使用KNN分类方法对苹果进行分类。试验结果表明，该识别方法对苹果等级识别与人工判别结果非常接近，可以推广到其他产品质量等级检测和识别。李江波等[14]对鲜香菇外部品质计算机视觉检测与分级进行了研究，首先对摄像机采集的图像进行预处理后，获取香菇菇盖的圆形度、最大直径、色调均值等特征参数对香菇进行分级。试验证明，利用BP神经网络法对香菇进行分级的准确度为94.2%。
3 存在的问题及未来的展望
随着机器视觉技术的发展和农业自动化水平的提高，机器视觉技术在农业中的应用研究越来越多，但是由于农作物形状的多样性、周围环境的复杂性、理论和实际的差异性等因素制约着机器视觉技术在农业中的应用发展。为了解决这些问题，笔者认为应从试验条件、系统硬件和软件设计3个方面着手。如在设置和模拟试验条件和硬件系统设计时，应多方位、全面地考虑到实际情况和国内外先进技术，使设计更加完善。在系统软件算法的开发阶段，需要将机器视觉和图像处理算法多与神经网络、人工智能等相结合使用，寻求出适用性强的新算法[15]。
在现代农业中引入机器视觉技术，不仅可以提高农业生产和发展的自动化水平，而且可以使人类从重复的劳动中解放出来，有着广阔的发展空间和应用前景。一方面，与人类视觉相比，机器视觉具有快速、非接触性、无损和准确的特点，可以提高农业生产效率，促进农业生产和管理自动化方向和发展。另一方面，计算机、自动化控制技术、机器视觉技术的进一步发展和综合集成，也将会为机器视觉在农业生产中的应用开辟新的空间。
4 参考文献
[1] 赵晓霞.计算机视觉技术在农业中的应用[J].科技情报开发与经济，2004，14（4）：124-125.
[2] 成芳，应义斌.机器视觉技术在农作物种子质量检验中的应用研究进展[J].农业工程学报，2001，17（6）：175-179.
[3] 陈兵旗，孙旭东，韩旭，等.基于机器视觉的水稻种子精选技术[J].农业机械学报，2010，41（7）：165-173.
[4] 张云鹤，乔晓军，王成，等.基于机器视觉的作物茎秆直径变化测量仪研发[J].农机化研究，2011（12）：158-160.
[5] 王文静，徐建瑜，吕志敏，等.基于机器视觉的水下鲆鲽鱼类质量估计[J].农业工程学报，2012，28（16）：153-157.
[6] 邱道尹，张红涛，刘新宇，等.基于机器视觉的大田害虫检测系统[J].农业机械学报，2007，38（1）：120-122.
[7] 毛文华，王一鸣，张小超，等.基于机器视觉的田间杂草识别技术研究进展[J].农业工程学报，2004，20（5）：43-46.
[8] 尹建军，沈宝国，陈树人.基于机器视觉的田间杂草定位技术[J].农业机械学报，2010，41（6）：163-166.
[9] 毛罕平，徐贵力，李萍萍.基于计算机视觉的番茄营养元素亏缺的识别[J].农业机械学报，2003，34（2）：73-75.
[10] 张彦娥，李民赞，张喜杰.基于计算机视觉技术的温室黄瓜叶片营养信息检测[J].农业工程学报，2005，21（8）：102-105.
[11] 周俊，姬长英.农业机器人视觉导航中多分辨率路径识别[J].农业机械学报，2003，34（6）：120-123.
[12] 安秋，顾宝兴，王海青.农业机器人视觉导航试验平台[J].河南科技大学学报：自然科学版，2012，33（3）：42-45.
[13] 蒋益女，徐从富.基于机器视觉的苹果质量等级识别方法的研究[J].计算机应用于软件，2010，27（11）：99-101.
计算机视觉检测技术范文6
关键词：计算机技术；轮廓提取；视觉测量
计算机视觉测量技术是一种综合技术，融合了光电子技术、计算机技术、图像处理技术等多种技术。在对采集对象进行处理之后，就可以得到目标物体的几何特征参数。想要得到准确的图像，就必须重视目标物体的轮廓提取参数。在计算机视觉测量系统中，为了保障测量的精准度，选取合适的轮廓提取方法也是很重要的。边缘检测法是轮廓提取方法中主要的内容，该方法借助于空域微分算子，使图像和模板完成卷积。边缘检测方法中的局部算子法，具有实现简单、运算速度快等优点。梯度算子、Sobel算子、Roberts算子、canny算子，都是经典局部算子法。本文提出了基于灰度阈值法的原理，根据链码跟踪技术对轮廓信息进行存储，实现图像轮廓的提取。这种方法具有准确度高、稳定性好等优势，在工程上的应用十分广泛。
1 轮廓提取的原理
轮廓提取指的是从物体图像上得到物体外形，它能够有效保障测量的精确度。由于计算机视觉测量图像只含有目标和背景2类区域，应该利用阈值分析法对图像进行分割。为了确保二维图像中没有噪音，可以利用非线性的滤波能力消除噪音。为了实现轮廓提取，将会掏空图像内部的点。通过链码跟踪技术对轮廓的信息进行存储，使图像的轮廓处理工作量得以减轻。轮廓提取的工作流程是：首先对原始图像进行预处理，消除噪音后可以得到平滑的图像。然后，对图像进行阈值分割得到二维图像。对二值图像进行轮廓提取，就可以得到图像的边界点。最后，再根据跟踪算法将轮廓存储为链码序列的形式。
2 图像轮廓提取的关键技术
轮廓提取技术是计算机视觉测量技术中的重要组成部分，轮廓提取技术主要包括图像预处理技术、阈值分割技术、轮廓提取技术和链码跟踪技术等内容。本文将具体介绍几种关键的图像的轮廓提取技术。
2.1 图像预处理技术
通过光学成像系统产生的二维图像经常含有各种噪音。为了提高计算机的视觉能力，增加计算机的分析和识别能力，必须消除掉这些二维图像中的噪音。有目的地显示出有用的信息，消除掉无用的信息，这种方法就是图像预处理技术。图像预处理技术能够有效增加图像的清晰度，是一种关键的计算机视觉测量技术。图像的预处理技术是指在图像输入过程中对图像进行处理，从而得到清晰图像的技术。图像的预处理技术的内容很多，比如图像中如果含有噪音，就需要除掉图像中的杂音，提高图像的语音效果。对于一些比度比较小的图像，就需要对其进行灰度变换。对于已经模糊的图像，应该进行各种复原处理。对于失真的图像，应该采用几何方法来校正。
计算机视觉测量中的图像预处理技术，能够有效地提高图像的画面质量，让图像便于处理，更易于测量。图像预处理的方法有很多，通常情况下，主要采用图像平滑处理、图像锐化处理、图像边缘增强等技术。
2.2 阈值分割技术
由于计算机视觉测量技术中只有目标和背景两类区域，本文将采用单阈值法来分割图像。阈值分割法在实施的过程中，先要确定分割阈值，再将分割阈值与像素的灰度进行比较。
阈值分割法的原理是：首先设定图像的灰度区间在z的最大值和z的最小值之间。在该区间设定一个阈值Z，阈值Z的大小在z最小值与最大值之间，令图像中所有灰度值小于或等于Z的像素，将它们的新灰度值设定为0，大于Z的像素新灰度值设定为1。经过这样的阈值分割，就可以得到输出的二值图像。
阈值分割的工作尽量保留原图像，在此基础上，应该去掉一些冗余信息。但阈值分割法中最为关键的就是阈值z的确定，这是灰度值的突变点。本文将采用迭代法来确定阈值Z，根据灰度直方图来确定初始阈值，将图像分割为目标和背景，计算目标和背景灰度的平均值，可以利用循环迭代的方法求出差值较小的阈值，该阈值就是灰度阈值Z。这种方法求灰度值算法简单，便于实现，其具体的步骤是：首先，求出图像的最大阈值与最小阈值，令初始阈值为最大阈值与最小阈值和的一半。然后，再利用初始阈值将图像分割为目标和背景，分别求出目标和背景的平均灰度值Zo与Zb。Zo与Zb和的一般就是新阈值Z，如果新阈值Z与初始阈值相等，那么新阈值Z即为所求阈值。
2.3 轮廓提取技术
通过对阈值分割后的图像进行缺陷修补，还需要利用轮廓提取技术，最后才能得到图像中目标的二维轮廓。本文将采用掏空内部点的方法对二维图形进行轮廓提取。假定背景颜色为黑色，目标颜色为白色。当目标中有1个点为白色，这个内部点周围的8个点都为白色时，就可以将这个点和它周围8个点都删除，把内部点全部掏空。
在二值图像中，假设背景的灰度为0，目标灰度为l，那么边界轮廓的提取方法如下：如果中心像素值为O，那么其余相连8个像素均规定为1；如果其余相连8个像素为1，那么将把中心像素值改为0；除此之外，中心像素将一律设定为1。根据这样的规则，就可以得到图像的轮廓。
2.4 链码跟踪技术
链码是一种改进的坐标序列存储结构，链码用指向中心像素P的8个方向来表示，每个方向都存在着45度的夹角。对于轮廓图像来说，除了起始像素以外，所有的像素都可以用8个像素方向来确定。轮廓跟踪是以链码的方向来进行的，上一个轮廓点将会影响到下一个跟踪点。这种方法能够加快像素扫描的速度，能够有效地提高跟踪效率。
链码的跟踪过程如下：（1）通过扫描得到初始轮廓点，将该点的坐标定位（x，y），进入步骤（2），如果扫描之后得不到轮廓点，那么进入步骤（4）。（2）按照链码的方向来扫描当前与相邻的8个区域，如果遇到轮廓点，用“-”设置停止扫描跟踪，并记录该店的链码值，转进步骤（3）；如果扫描过程中没有遇到轮廓点，则设置结束跟踪标志，将扫描点重新设置到起始点（x，y）坐标上，转退步骤（1）。（3）用底色填充扫描轮廓点，将当前点设置为跟踪到的轮廓处，转退步骤（2）。（4）用“-”设置结束所有轮廓跟踪。
根据上述步骤，不仅可以算出链码序列，还能够求出链码序列中的坐标、方向，甚至能求出链码的具体值。为了区别链码序列中的不同轮廓，要使用特殊标志将它们分开。为了找出封闭轮廓的起始点，应先标出链码方向序列，将轮廓结束标志最后标出。在自闭式轮廓跟踪系统中，序列的记录工作是根据轮廓线条顺序进行的，这将大大方便后续轮廓处理工作。
通过链码的解密工作，可以求出链码表示的轮廓值，解码的过程和编码的过程相同。链码和像素之间存在一一对应关系，可以用数组的方法来解决解码问题。对于X坐标的数组，可以将它们设定为X[8]，X[8]={1，1，0，-1，-1，-1，0，1}。对于Y坐标的数组，可以将它们设定为Y[8]，Y[8]={0，1，1，1，0，-1，-1，-1）。通过处理这种链码序列，可以求出不同轮廓的坐标值。
3 图像轮廓提取效果分析
如果图像在没有受到干扰的情况下，就能够提取到较为清晰的轮廓。但是如果存在某种敏感性因素时，就会严重影响图像的轮廓提取效果。利用20%的椒盐噪声影响一个花瓶图像，在预处理环节对其滤波之后，会产生出图像5（c）。以这种图像为检验标准，对其进行轮廓提取试验。同时，也可以利用Sobel，Robets，Canny等算子对该图像进行边缘提取试验，将实验得出的结构图像，与轮廓提取试验中得到的图像相比较，可得到图1。
根据图1可以看到，Sobel算子、Robets算子、Canny算子在受到干扰的情况下，对图像轮廓的提取效果不是很好，会出现断线、噪声等问题。而采用本文方法的轮廓则能保持较高的清晰度，这种方法适用性强，无噪音，未来必将会得到广泛应用。
