前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的計算機視覺技術基礎主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：計算機視覺技術基礎范文

以下為報告詳細內容：

2017年計算機視覺技術在更多的領域有所落地應用，自動駕駛領域、高考、政務等領域更多的場景開始應用計算機視覺技術。艾媒咨詢分析師認為，計算機視覺行業(yè)技術是核心基礎，隨著技術成熟度提高，未來將有更多的場景能夠應用計算機視覺技術，計算機視覺企業(yè)應在強化技術打造的前提下，發(fā)掘更多新的應用領域，提高商業(yè)落地應用。

2017年人臉識別技術在智能手機終端應用開始普及。9月蘋果新品會上，iPhone X宣布引入Face ID高精度人臉識別技術，引來人們高度關注。而除了iPhone X，華為、小米、OPPO、vivo等手機廠商都推出了帶人臉識別功能的智能手機。艾媒咨詢分析師認為，計算機視覺領域內人臉識別功能可應用場景廣泛，商業(yè)化落地能力強，除了計算機視覺創(chuàng)業(yè)企業(yè)，互聯(lián)網(wǎng)巨頭和硬件巨頭企業(yè)也紛紛關注布局人臉識別領域。但目前人臉識別技術仍然存在一定缺陷，艾媒大數(shù)據(jù)輿情管控系統(tǒng)數(shù)據(jù)顯示，“手機人臉識別”熱詞言值數(shù)據(jù)為48.5，整體輿情偏負向?，F(xiàn)階段人臉識別技術在智能手機終端上的應用仍處于起步發(fā)展階段，技術和安全性仍有待提高，未來隨著各計算機視覺企業(yè)加強技術研發(fā)，人臉識別技術有望進一步改善，成為智能手機標配。

iiMedia Research(艾媒咨詢)數(shù)據(jù)顯示，2017年中國計算機視覺市場規(guī)模為68億元，預計2020年市場規(guī)模達到780億元，年均復合增長率達125.5%。艾媒咨詢分析師認為，人們安全和效率需求不斷提升，計算機視覺技術在各行業(yè)應用能有效滿足人們需求，市場發(fā)展空間巨大。國家政策對人工智能行業(yè)的支持也為計算機視覺的發(fā)展提供了有利的環(huán)境。隨著計算機視覺技術日漸成熟，企業(yè)商業(yè)化落地能力不斷提高，未來計算機視覺市場規(guī)模將迎來突破性發(fā)展。

iiMedia Research(艾媒咨詢)數(shù)據(jù)顯示，商湯科技以24.3%的企業(yè)知名度排名各計算機視覺企業(yè)首位，曠視科技與云從科技則分別以23.1%以及21.7%的知名度分列二三位。艾媒咨詢分析師認為，商湯科技計算機視覺技術及算法能力在行業(yè)內較為出色，同時在安防、金融、商業(yè)、手機端等多個領域均有商業(yè)落地應用，在企業(yè)認知和品牌推廣方面具有優(yōu)勢。

iiMedia Research(艾媒咨詢)顯示，61.7%的受訪網(wǎng)民通過手機APP應用接觸計算機視覺應用，另外有50.9%的受訪網(wǎng)民接觸途徑為通過智能手機終端。艾媒咨詢分析師認為，計算機視覺企業(yè)主要服務B端用戶及政府機構，相比于其他途徑，移動端更適合應用計算機視覺技術的產(chǎn)品推廣。計算機視覺技術日趨成熟，在移動終端和APP上均有落地應用，也進一步為計算機視覺企業(yè)在大眾中奠定基礎。未來企業(yè)可通過線上渠道開發(fā)挖掘C端用戶市場。

iiMedia Research(艾媒咨詢)顯示，半數(shù)受訪網(wǎng)民認為智能手機及APP加入人臉識別技術功能方便了二者的使用，另有48.8%的受訪網(wǎng)民認為人臉識別技術在手機及APP上的應用是未來技術發(fā)展的趨勢。艾媒咨詢分析師認為，人臉識別技術在手機及APP端的應用滿足人們智能化和便捷化的需求，隨著越來越多的手機及APP產(chǎn)品加入人臉識別功能，未來其普及和認可程度將得到進一步提高。

iiMedia Research(艾媒咨詢)顯示，41.8%的受訪網(wǎng)民表示未來愿意使用人臉識別技術進行手機及APP解鎖，同時有41.4%的受訪網(wǎng)民雖持觀望態(tài)度，但愿意嘗試。此外，47.4%的受訪網(wǎng)民認為人臉識別將取代其他手機及APP解鎖技術成為未來主流。艾媒咨詢分析師認為，近期智能手機紛紛應用人臉識別技術解鎖推動該功能技術的普及，便捷性的優(yōu)勢使該功能技術前景受看好。但目前人臉識別解鎖技術的準確性仍然受到質疑，隨著未來技術進一步成熟，該技術有望成為智能手機設備標配。

iiMedia Research(艾媒咨詢)顯示，33.9%的受訪網(wǎng)民曾使用過人證比對功能進行業(yè)務辦理。在使用過該功能的人群中，54.6%認為其方便了業(yè)務辦理，提供了效率，且有47.3%該部分人群認為其識別準確程度高。艾媒咨詢分析師認為，政府、銀行等機構業(yè)務辦理效率以往常遭詬病，人證識別技術的應用提高了辦事效率，在提高人們滿意度的同時，加強了計算機視覺技術的認可度。未來計算機視覺技術在政府、銀行等機構的落地應用將進一步擴展，但其中涉及到個人信息保護等問題需要企業(yè)及相關機構合力解決。

iiMedia Research(艾媒咨詢)顯示，34.1%的受訪網(wǎng)民認為公安辦案為最有必要應用人臉識別技術的安防情景。而關于網(wǎng)民對人臉識別技術在安防監(jiān)控領域應用看法調查中，56.1%的受訪網(wǎng)民認為其能有力保護人們人身財產(chǎn)安全。艾媒咨詢分析師認為，計算機視覺技術，尤其是人臉識別技術在安防領域應用意義重大，在刑偵破案、身份認證、公共安全保護等情景具有重要應用價值。未來安防領域將成為計算機視覺技術重點應用領域，而安防的重要性也對相關企業(yè)技術實力有嚴格的要求，未來安防領域市場或由少數(shù)技術實力較強的企業(yè)占據(jù)。

商湯科技是專注計算機視覺與深度學習原創(chuàng)技術的人工智能創(chuàng)業(yè)企業(yè)，擁有強大的技術能力和人才資源儲備支撐發(fā)展。商湯科技在計算機視覺領域綜合實力較強，獲資本方青睞，B輪融資4.1億美元，同時與國內外知名企業(yè)展開合作。艾媒咨詢分析師認為，商湯科技在商業(yè)營收上同樣處于行業(yè)領先水平，但其本質專注于技術發(fā)展，強大的技術基礎能較好支撐商湯科技在上層應用場景的擴展。商湯科技在技術驅動商業(yè)應用的同時，積累商業(yè)應用經(jīng)驗，提高企業(yè)知名度，拓展應用至更多領域。

艾媒咨詢分析師認為，商業(yè)化落地能力欠缺是目前計算機視覺行業(yè)大部分企業(yè)的痛點，商湯科技在商業(yè)落地應用方面處于行業(yè)領先位置。這一方面源于商湯科技技術能力往專業(yè)化發(fā)展，以專業(yè)技術和研發(fā)基礎實現(xiàn)場景差異化應用。另一方面，純計算機視覺技術或算法由于其專業(yè)性，需求方在使用時需要具備專業(yè)能力，而商湯科技技術產(chǎn)品往標準化方向打造，打包成行業(yè)解決方案，能適應更多企業(yè)使用需求，也有利于商湯科技技術進一步落地應用。未來堅持技術為基礎，繼續(xù)提高商業(yè)落地能力，商湯科技有望繼續(xù)保持良好發(fā)展態(tài)勢。

曠視科技成立于2011年，2017年10月完成巨額C輪融資，專注于人臉識別、圖像識別和深度學習技術自主研發(fā)和商業(yè)化落地，深耕于金融安全、城市安防、商業(yè)物聯(lián)、工業(yè)機器人等領域，同時打造人工智能開放云平臺。艾媒咨詢分析師認為，曠視科技利用云平臺為開發(fā)者提供技術支撐，有利于計算機視覺技術進一步結合產(chǎn)品運營，同時可以收集海量圖片數(shù)據(jù)，通過進行深度學習，曠視科技圖像識別技術又能進一步得到提升，有利于其強化自身核心技術能力。

艾媒咨詢分析師認為，人臉識別技術對于金融行業(yè)業(yè)務辦理及風控等流程具有重要應用價值，曠視科技在人臉識別技術上的優(yōu)勢也助其有效開展金融領域的服務應用。未來隨著曠視科技利用云開放平臺相關圖片數(shù)據(jù)進行深度學習強化人臉識別技術，以及在金融領域積累的渠道資源，其有望在金融領域繼續(xù)強化技術服務，成為該領域市場有力的競爭者。

艾媒咨詢分析師認為，自動駕駛為人工智能和汽車行業(yè)未來發(fā)展方向，計算機視覺技術在自動駕駛汽車實現(xiàn)路況感知、高精度定位等方面發(fā)揮重要作用，自動駕駛為計算機視覺技術未來重要應用領域。圖森未來的計算機視覺技術和算法在自動駕駛領域實現(xiàn)專業(yè)化發(fā)展，未來有望在此細分領域成長為領先企業(yè)。

2017-2018中國計算機視覺行業(yè)發(fā)展趨勢

需求驅使計算機視覺行業(yè)發(fā)展?jié)摿薮髴脠鼍巴卣節(jié)B透各行業(yè)

艾媒咨詢分析師認為，人們對生活安全以及生產(chǎn)效率追求兩大需求的提升，決定計算機視覺行業(yè)具有巨大發(fā)展空間。而計算機視覺技術場景應用具有廣泛性，有望發(fā)展成為下一個智能時代的標配。目前計算機視覺技術主要應用在B端領域，短期內行業(yè)發(fā)展趨勢也是集中于B端領域。未來隨著技術成熟，計算機視覺有望拓展更多新的應用場景，實現(xiàn)場景落地，滲透至各行各業(yè)，形成AI+，開拓更多C端業(yè)務。此外，計算機視覺技術可以跟其他技術，如AR、VR、無人駕駛等結合發(fā)展，創(chuàng)造新的應用領域。

技術應用由點及面行業(yè)解決方案及軟硬件結合成商業(yè)產(chǎn)品出路

對于計算機視覺技術使用者來說，由于技術的學習應用需要花費較多時間和精力，硬件產(chǎn)品及行業(yè)解決方案往往更受青睞。未來計算機視覺企業(yè)需要將軟硬件結合，如打造嵌入式芯片等。此外，計算機視覺企業(yè)應將技術應用由點及面，將技術應用發(fā)展成針對各行業(yè)的解決方案。未來市場將出現(xiàn)更多基于計算機視覺技術應用的行業(yè)解決方案和軟硬一體化產(chǎn)品，只有打造方便用戶使用的商業(yè)產(chǎn)品，才能有效適應其需求，幫助計算機視覺企業(yè)迅速占領行業(yè)市場，在市場競爭中取得領先優(yōu)勢。

計算機視覺行業(yè)發(fā)展對企業(yè)綜合實力要求高

艾媒咨詢分析師認為，計算機視覺行業(yè)巨大的發(fā)展前景決定其具有高成長性特點，未來將涌現(xiàn)更多人工智能領域優(yōu)秀企業(yè)。但行業(yè)發(fā)展同時伴隨高風險性，行業(yè)競爭需要比拼企業(yè)技術算法能力、資金能力、以及人才資源，同時考驗企業(yè)能否實現(xiàn)技術迅速落地，對企業(yè)綜合實力要求高，綜合實力不具備優(yōu)勢的企業(yè)在行業(yè)內將難以生存。

第2篇：計算機視覺技術基礎范文

【關鍵詞】精密測量 計算機視覺圖像 關鍵技術

在現(xiàn)代城市的建設中離不開測量的運用，對于測量而言需要精確的數(shù)值來表達建筑物、地形地貌等特征及高度。在以往的測量中無法精準的進行計算及在施工中無法精準的達到設計要求。本文就計算機視覺圖像精密測量進行分析，并對其關鍵技術做以簡析。

1 概論

1.1 什么是計算機視覺圖像精密測量

計算機視覺精密測量從定義上來講是一種新型的、非接觸性測量。它是集計算機視覺技術、圖像處理技術及測量技術于一體的高精度測量技術，且將光學測量的技術融入當中。這樣讓它具備了快速、精準、智能等方面的優(yōu)勢及特性。這種測量方法在現(xiàn)代測量中被廣泛使用。

1.2 計算機視覺圖像精密測量的工作原理

計算機視覺圖像精密測量的工作原理類似于測量儀器中的全站儀。它們具有相同的特點及特性，主要還是通過微電腦進行快速的計算處理得到使用者需要的測量數(shù)據(jù)。其原理簡單分為以下幾步：

（1）對被測量物體進行圖像掃描，在對圖像進行掃描時需注意外借環(huán)境及光線因素，特別注意光線對于儀器掃描的影響。

（2）形成比例的原始圖，在對于物體進行掃描后得到與現(xiàn)實原狀相同的圖像，在個步驟與相機的拍照原理幾乎相同。

（3）提取特征，通過微電子計算機對掃描形成的原始圖進行特征的提取，在設置程序后，儀器會自動進行相應特征部分的關鍵提取。

（4）分類整理，對圖像特征進行有效的分類整理，主要對于操作人員所需求的數(shù)據(jù)進行整理分類。

（5）形成數(shù)據(jù)文件，在完成以上四個步驟后微計算機會對于整理分類出的特征進行數(shù)據(jù)分析存儲。對于計算機視覺圖像精密測量的工作原理就進行以上分析。

1.3 主要影響

從施工測量及測繪角度分析，對于計算機視覺圖像精密測量的影響在于環(huán)境的影響。其主要分為地形影響和氣候影響。地形影響對于計算機視覺圖像精密測量是有限的，基本對于計算機視覺圖像精密測量的影響不是很大，但還是存在一定的影響。主要體現(xiàn)在遮擋物對于掃描成像的影響，如果掃描成像質量較差，會直接影響到對于特征物的提取及數(shù)據(jù)的準確性。還存在氣候影響，氣候影響的因素主要在于大風及光線影響。大風對于掃描儀器的穩(wěn)定性具有一定的考驗，如有稍微抖動就會出現(xiàn)誤差不能準確的進行精密測量。光線的影響在于光照的強度上，主要還是表現(xiàn)在基礎的成像，成像結果會直接導致數(shù)據(jù)結果的準確性。

2 計算機視覺圖像精密測量下的關鍵技術

計算機視覺圖像精密測量下的關鍵技術主要分為以下幾種：

2.1 自動進行數(shù)據(jù)存儲

在對計算機視覺圖像精密測量的原理分析，參照計算機視覺圖像精密測量的工作原理，對設備的質量要求很高，計算機視覺圖像精密測量儀器主要還是通過計算機來進行數(shù)據(jù)的計算處理，如果遇到計算機系統(tǒng)老舊或處理數(shù)據(jù)量較大，會導致計算機系統(tǒng)崩潰，導致計算結果無法進行正常的存儲。為了避免這種情況的發(fā)生，需要對于測量成果技術進行有效的存儲。將測量數(shù)據(jù)成果存儲在固定、安全的存儲媒介中，保證數(shù)據(jù)的安全性。如果遇到計算機系統(tǒng)崩潰等無法正常運行的情況時，應及時將數(shù)據(jù)進行備份存儲，快速還原數(shù)據(jù)。在對于前期測量數(shù)據(jù)再次進行測量或多次測量，系統(tǒng)會對于這些數(shù)據(jù)進行統(tǒng)一對比，如果出現(xiàn)多次測量結果有所出入，系統(tǒng)會進行提示。這樣就可以避免數(shù)據(jù)存在較大的誤差。

2.2 減小誤差概率

在進行計算機視覺圖像精密測量時往往會出現(xiàn)誤差，而導致這些誤差的原因主要存在于操作人員與機器系統(tǒng)故障，在進行操作前操作員應對于儀器進行系統(tǒng)性的檢查，再次使用儀器中的自檢系統(tǒng)，保證儀器的硬件與軟件的正常運行，如果硬軟件出現(xiàn)問題會導致測量精度的誤差，從而影響工作的進度。人員操作也會導致誤差，人員操作的誤差在某些方面來說是不可避免的。這主要是對操作人員工作的熟練程度的一種考驗，主要是對于儀器的架設及觀測的方式。減少人員操作中的誤差，就要做好人員的技術技能培訓工作。讓操作人員有過硬過強的操作技術，在這些基礎上再建立完善的體制制度。利用多方面進行全面控制誤差。

2.3 方便便攜

在科學技術發(fā)展的今天我們在生活當中運用到東西逐漸在形狀、外觀上發(fā)生巨大的變大。近年來，對于各種儀器設備的便攜性提出了很高的要求，在計算機視覺圖像精密測量中對設備的外形體積要求、系統(tǒng)要求更為重要，其主要在于人員方便攜帶可在大范圍及野外進行測量，不受環(huán)境等特殊情況的限制。

3 計算機視覺圖像精密測量發(fā)展趨勢

目前我國國民經(jīng)濟快速發(fā)展，我們對于精密測量的要求越來越來高，特別是近年我國科技技術的快速發(fā)展及需要，很多工程及工業(yè)方面已經(jīng)超出我們所能測試的范圍。在這樣的前景下，我們對于計算機視覺圖像精密測量的發(fā)展趨勢進行一個預估，其主要發(fā)展趨勢有以下幾方面：

3.1 測量精度

在我們日常生活中，我們常用的長度單位基本在毫米級別，但在現(xiàn)在生活中，毫米級別已經(jīng)不能滿足工業(yè)方面的要求，如航天航空方面。所以提高測量精度也是計算機視覺圖像精密測量發(fā)展趨勢的重要方向，主要在于提高測量精度，在向微米級及納米級別發(fā)展，同時提高成像圖像方面的分辨率，進而達到我們預測的目的。

3.2 圖像技術

計算機的普遍對于各行各業(yè)的發(fā)展都具有時代性的意義，在計算機視覺圖像精密測量中運用圖像技術也是非常重要的，在提高圖像處理技術做以提高。同時工程方面遙感測量的技術也是對于精密測量的一種推廣。

4 結束語

在科技發(fā)展的現(xiàn)在，測量是生活中不可缺少的一部分，測量同時也影響著我們的衣食住行，在測量技術中加入計算機視覺圖像技術是對測量技術的一種革新。在融入這種技術后，我相信在未來的工業(yè)及航天事業(yè)中計算機視覺圖像技g能發(fā)揮出最大限度的作用，為改變人們的生活做出杰出的貢獻。

參考文獻

[1]湯劍.周芳芹.楊繼隆.計算機視覺圖像系統(tǒng)的技術改造[J].機電產(chǎn)品開發(fā)與創(chuàng)新周刊，2015，14（18）：33-36.

[2]馬玉真.程殿彬.范文兵，計算機視覺檢測技術的發(fā)展及應用研究[J].濟南大學學報，2014，18（23）：222-227.

[3]李華.基于計算機視覺圖像精密測量的關鍵技術分析[J].電腦知識與技術，2013（05）：1211-1212.

第3篇：計算機視覺技術基礎范文

關鍵詞：計算機視覺技術 鐵路檢測 應用

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-3973（2012）002-075-03

1 前言

自1825年世界第一條鐵路在英國出現(xiàn)以來，鐵路已經(jīng)成為人們不可或缺的交通工具，越來越多的人在使用鐵路出行，由于近年來鐵路事故頻頻發(fā)生，促使了計算機視覺技術在鐵路檢測上的廣泛使用并大力發(fā)展。

傳統(tǒng)的鐵路檢測一直是靠人工和靜態(tài)檢測，這種檢測缺乏實時性和準確性，并且效率低下，根本無法滿足鐵路的發(fā)展。這就要求研究一種新的檢測方法來適應環(huán)境的發(fā)展，人們就試圖將計算機視覺技術應用于鐵路檢測上，并取得了很好的效果。將計算機視覺技術應用在鐵路檢測上顯著提高了鐵路檢測的實時性、準確性，有效的減輕了人工檢測中工作條件惡劣，工作量大等缺點。它能在列車行駛的過程中就能對鐵路和列車狀況進行檢測，并及時的做出預警，防止安全事故的發(fā)生。目前有關鐵路檢測主要集中在鐵路信號檢測、軌道檢測、接觸網(wǎng)檢測、電力機車檢測及站臺環(huán)境監(jiān)測等五個方面。

2 計算機視覺技術

計算機視覺，也稱機器視覺。它是利用一個代替人眼的圖像傳感器獲取物體的圖像，將圖像轉換成數(shù)字圖像，并利用計算機模擬人的判別準則去理解和識別圖像，達到分析圖像和作出結論的目的。

計算機視覺是多學科的交叉和結合，涉及到數(shù)學、光學、人工智能、神經(jīng)生物學、心理物理學、計算機科學、圖像處理、圖像理解、模式識別等多個領域。計算機視覺已有多年的發(fā)展歷程。隨著計算機、控制理論、模式識別、人工智能和生物技術的發(fā)展，計算機視覺在機器人、工業(yè)檢測、物體識別的應用越來越廣，研究方向也從二維到三維，從串行到并行，從直接依賴于輸入信號的低層處理到依賴于特征、結構、關系和知識的高層處理。

一般的計算機視覺系統(tǒng)是有CCD(電荷耦合器件)攝像機、裝備有圖像采集板的計算機、光照系統(tǒng)以及專用圖像處理軟件等組成。CCD攝像機將所要研究的對象和背景以圖像的形式記錄下來，這其實是一個光電傳感器，將光學信號轉成電信號，圖像采集板把采集的電信號轉為數(shù)字信號，即數(shù)字化，一般情況下在攝取圖像時都需要一個照明系統(tǒng)提供光照，然后再用專用的圖像處理軟件對圖像進行處理，輸出分析結果。

3 計算機視覺技術在鐵路信號中的應用

鐵路信號燈和現(xiàn)在的交通公路上的紅綠燈是一個功能，但鐵路和公路不同，鐵路有限定的道路，列車必須在限定的股道上行駛，所以一旦與其他車輛相遇的話根本沒有辦法避讓，如果發(fā)生車禍將會對國家和人民的生命和財產(chǎn)造成嚴重的損失，因此列車必須嚴格按照信號燈的指示行駛。

鐵路信號燈識別主要是利用了信號燈在不同情況下會發(fā)出特定色彩光的特點。文獻[1]在HSV空間中對S分量圖像邊緣檢測和膨脹等，結合各種信號燈色調H分量的取值范圍得到信號燈區(qū)域，然后多次腐蝕直到消除孤立點得到信號燈的邊緣，最后填充信號燈區(qū)域，從而實現(xiàn)了信號燈的識別。在文獻[2]也與此類似。文獻[3]將彩色圖像由RGB模式轉化為HSI模式，用彩色特征聚類分析法來對圖像進行分割，文中提出了基于顏色和形狀相結合的復雜環(huán)境中目標檢測與識別方法，用Hough變化來提取目標邊界，從而提取出特定目標，而后得到指示燈區(qū)域所有像素的H，S統(tǒng)計值確定信號燈的顏色。在文獻[4]提出一種基于改進的Hough變化的吊車信號燈識別算法。Roberto將攝取的圖片轉換到HIS顏色空間，用基于形狀特征和模板匹配的方法探測到相關的鐵路標志而放棄無關的基礎設施。

為了部分消除因為光照條件、背景和拍攝角度對目標識別的影響，文獻[5]提出使用一種利用sift特征的方法，它首先建立已知樣本模型的特征集，然后將視頻流每幀灰度圖像的sift特征與之比較，從而實現(xiàn)對目標的檢測或跟蹤。實驗表明該方法不僅能避免目標的錯誤識別，而且也明顯優(yōu)于基于邊緣檢測的算法，在識別準確率上達到了90%。

4 計算機視覺技術在軌道檢測中的應用

隨著世界鐵路運營速度的不斷提高，列車在行駛時對軌道的撞擊、摩擦加劇，這就會造成軌道的變形、零件松動、磨損乃至缺失等，這些都會對列車的安全性造成嚴重影響，極有可能會造成鐵路安全事故的發(fā)生。因此軌道設備具備良好的狀態(tài)是鐵路運輸安全的重要保證。

隨著電子技術和檢測技術的發(fā)展，軌道檢測技術也經(jīng)歷了翻天覆地的變化，其中也有不少研究機構將計算機視覺技術應用于軌道檢測上，且取得了若干有效的檢測方法。

軌道表面缺陷對列車行駛的質量和鐵路系統(tǒng)的安全性會造成嚴重的影響，文獻[7]提出了一種軌道表面缺陷檢測的實時視覺檢測系統(tǒng)。利用跟蹤提取算法分割出軌道的灰度圖像，然后用局部歸一化法增強軌道圖像的對比度，最后用基于投影輪廓的缺陷定位法檢測缺陷。該算法對噪聲有較強的魯棒性和計算速度快，在一定程度上克服了光照不均和軌道表面反射性質不同對圖像的影響，但對局部歸一化過程中參數(shù)的選擇有待進一步研究，以使該系統(tǒng)有更強的魯棒性。該系統(tǒng)在216km/h速度下能進行實時檢測，但隨著檢測速度的提高檢測的準確度會明顯下降且缺乏實時性。

文獻[8]利用一排結構光視覺傳感器，將鋼軌輪廓的大圓周和小圓周的中心作為檢查點。首先結構光視覺傳感器拍攝鐵軌側面并且將其標記 在參考坐標幀中，最后通過比較測量的鋼軌輪廓與參考輪廓的比較計算出鐵軌磨損程度。該方法簡單快速精確且不需要特殊的圖像處理設備，在列車較高速度時仍然能達到良好效果。

5 計算機視覺技術在接觸網(wǎng)檢測中的應用

接觸網(wǎng)是沿鐵路線上空架設的向電力機車供電的特殊形式的輸電線路。其由接觸懸掛、支持裝置、定位裝置、支柱與基礎幾部分組成。它是軌道交通的主要組成部分，主要為機車提供動力，接觸網(wǎng)的連接件由于受外界因素的影響容易產(chǎn)生過熱現(xiàn)象，嚴重時會導致供電中斷，引發(fā)列車停運事故。

我國的計算機視覺技術的接觸網(wǎng)檢測系統(tǒng)是基于德國相關技術而建立起來的，目前基于計算機視覺技術的接觸網(wǎng)磨耗檢測主要有兩種方案：(1)基于鏡面反射，激光照射接觸線，線性CCD照相機捕獲反射圖像；(2)基于漫反射原理和CMOS(互補金屬氧化物半導體)照相機。由于長期的頻繁摩擦，接觸網(wǎng)與受電弓接觸部分很少被空氣氧化，所以用光進行照射時該部分光反射率明顯高于其他部分，因此這也為計算機視覺技術用于接觸網(wǎng)檢測提供了可能。

基于機器視覺的接觸網(wǎng)檢測系統(tǒng)主要是建立在圖像識別和圖像處理等視覺技術基礎之上的，檢測的內容涵蓋接觸網(wǎng)的所有基本幾何參數(shù)。隨著鐵路的發(fā)展，原有的檢測系統(tǒng)已經(jīng)暴露出了一些問題，已無法滿足需求，所以研究人員在系統(tǒng)硬件設備不變的情況下提出了許多改進的算法，如文獻[9]針對現(xiàn)行的接觸網(wǎng)定位器傾斜度檢測方法效率低下、精確度不高的缺點，提出了一種基于計算機視覺的接觸網(wǎng)定位器傾斜度自動測量裝置，應用圖像分割、剔除干擾線、圖像細化等算法，對采集的圖像進行處理，然后利用改進的霍夫(Hough)變換檢測細化后的圖像，對相鄰的特征像素點進行聚類并感知編組，最后用隨機Hough變換使感知編組后的每條線段更接近直線，進而計算裝置中定位器的傾斜度，實驗證明該算法精度高、速度快。

6 計算機視覺技術在電力機車檢測中的應用

在列車的行進過程中，機車車輪與鋼軌接觸面不斷發(fā)生摩擦，也就是輪緣與踏面的摩擦。從而會造成踏面的擦傷或剝離，而剝離會嚴重影響列車運行的安全性和平穩(wěn)性以及軌道設施的使用壽命，因此需要對輪緣進行定期的檢測和維修。

傳統(tǒng)的檢測方法需要人工逐項檢測，存在費時費力、工作量大、工作環(huán)境差、效率低等缺點，所以人們就提出了一種基于計算機視覺技術的檢測技術，該技術是一種非接觸式檢測方法，它能檢測出所有關于火車輪緣輪廓的幾何參數(shù)，從而計算出火車輪緣的磨損情況。這種檢測方法檢測速度快、準確率高且大大減輕了勞動強度，在實驗中取得了滿意的效果，并且在實際檢測中也得到了廣泛的應用。

文獻[10]中研發(fā)設計了一種利用CCD成像測量技術、圖像處理理論和計算機控制等相關技術，提出了一種非接觸式的在線測量系統(tǒng)。采用二元多項式方法對由于硬件裝置引起的誤差的圖像進行幾何校正，用統(tǒng)計均值法對圖像進行分割，從而求出車輪踏面的各項參數(shù)，通過在實驗室對標準物進行測試實驗而得到的測量數(shù)據(jù)結果進行分析而得出。此系統(tǒng)能夠完成對火車輪對幾何參數(shù)的測量，并且可得到相對準確的測量結果。

為了解決檢測輪緣高度和寬度存在精度難以保證及穩(wěn)定性不高的問題，文獻[11]提出了一種基于三角法測量的在線監(jiān)測系統(tǒng)，該系統(tǒng)由CCD高速攝像機和結構光發(fā)射器完成數(shù)據(jù)的采集，然后利用三角測量原理導出測量模型和計算模型，根據(jù)輪緣高度和寬度的定義完成對高度和寬度的測量，最終對輪緣磨損程度進行量化，實驗表明該算法測量精度高，結果穩(wěn)定可靠。

7 計算機視覺技術在站臺環(huán)境監(jiān)測中的應用

近年來鐵路交通事業(yè)發(fā)展迅速，鐵路客流量也不斷增大，如中國每年的春運期間都有上億人次通過火車返鄉(xiāng)，各種危害乘客安全的事故也時有發(fā)生，因此世界各國特別是中國站臺監(jiān)控就顯得越來越重要，目前的站臺監(jiān)控主要是依靠安裝在各個角落的閉路電視或專業(yè)技術人員，這不僅需要專業(yè)技術知識還需要大量的人力物力。隨著計算機、圖像處理等技術的快速發(fā)展，對站臺的自動監(jiān)控也逐漸成為發(fā)展趨勢。

近年來人們做了許多關于站臺人群檢測的研究，這些研究大都使用鐵路站臺中的閉路電視（CCTV）系統(tǒng)，在現(xiàn)代的CCTV系統(tǒng)中基本上使用的是數(shù)字化圖像，在人群監(jiān)測過程中大量使用了數(shù)字圖像處理技術，如邊緣檢測、細化、像素計算等，通過圖像的處理可以輕易的得到想要的結果。

文獻[12]仍采用原有的CCTV監(jiān)控系統(tǒng)拍攝的灰度圖像作為處理對象，利用基于視覺的經(jīng)過最小二乘法和全局搜索的混合算法訓練的工業(yè)的額神經(jīng)網(wǎng)絡來估算站臺的擁擠程度，該系統(tǒng)在實際的運行中獲得了較高的精確度，雖然不能計算人數(shù)但卻能實時的預測人群的密度。

文獻[13]所設計的系統(tǒng)就較為復雜，它利用多臺攝像頭對站臺進行檢測。首先判斷站臺上列車的四種狀態(tài)，如：沒有列車、有列車、列車正在出站、列車正在入站等，然后對物體或行人檢測及跟蹤，最后對所檢測的結果綜合分析，做出合理的預警或警告。

8 計算機視覺技術在鐵路檢測上的發(fā)展趨勢

隨著計算機視覺技術的鐵路檢測中的應用越來越廣泛和深入，并且隨著計算機視覺技術等關鍵技術的不斷發(fā)展，計算機視覺技術在鐵路檢測上應用發(fā)揮更大的作用，它就目前而言在鐵路檢測的應用上仍然存在技術難題需要研究：

第4篇：計算機視覺技術基礎范文

Abstract： This paper puts forward the camera calibration method in computer vision， through analysis of principle of computer vision， and analyzes the application of camera calibration methods in computer vision.

關鍵詞： 計算機；視覺；攝像機；定標

Key words： computer；visual；camera；scaling

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1006-4311（2013）24-0193-02

0 引言

在計算機技術快速發(fā)展的今天，人們越來越依賴于計算機，計算機在人們的生活工作中占有重要的地位。計算機中的各種應用層出不窮，廣泛應用在各個領域，計算機視覺在攝像中的應用為攝像機定標方法提供了巨大的參考價值。由于人們對攝像機拍攝效果的要求，使得攝像機在不斷改革更新，攝像機的定標方法是攝像機研究領域備受關注的話題。計算機視覺中攝像機的定標方法是攝像機研究領域所推崇的，它受到了研究人員的高度重視。計算機視覺中攝像機的定標方法呈現(xiàn)出了高質量的攝像效果，極大地滿足了人們對攝像機攝像效果的要求。

1 計算機視覺投影原理

計算機視覺投影原理是利用光的折射現(xiàn)象，把視覺中呈現(xiàn)的影像投射到攝影機的屏幕上，形成了固定的圖像。在計算機視覺中攝影機的成像原理就是利用光的感應，通過對攝像機的焦距進行調整，確定拍攝目標在攝像機鏡頭中的位置，然后利用光的折射形成固定的圖像。在進行攝像時調整焦距是非常關鍵的，焦距就是鏡頭與目標之間的距離，這兩者距離的遠近決定了攝像的效果。如果焦距太遠的話，目標成像就會非常小甚至是模糊。如果焦距太近的話，目標成像會很大也會導致無法看清圖像，所以調整焦距是非常必要的，只有調好了焦距才會形成高質量的圖像。

2 計算機視覺中的攝像機定標方法

2.1 三維立體定標法 攝像機的成像往往都是三維立體的，把圖形通過每個立體面詳細的表現(xiàn)出來，以達到完美的效果。要想達到三維立體的效果在對攝像目標的位置進行確定時，就要找出目標的三維坐標點，以便接下來的攝像工作可以順利進行。然后在圖像投影中找到對應的三維坐標，這一步?jīng)Q定了整個攝像過程的設計方案。最后確定目標在攝影鏡頭中的實際三維坐標，根據(jù)鏡頭中目標的實際三維坐標形成具體的圖像。三維立體定標方法的操作原理就是把目標的三維投影進行分步成像，和實際成像效果相聯(lián)系，形成鏡頭中具體的三維圖像。在計算機視覺中把三維成像圖進行處理，對三維定標的參數(shù)進行分析，找出最優(yōu)的三維成像方法，使攝像機呈現(xiàn)出高質量的攝像效果。

2.2 平面定標法 平面定標法就是利用多個成像平面對目標的位置進行分析，選擇合適的成像平面對目標進行位置的確定。每個平面的成像都是不同的，由于每個平面的成像都是在運動的，所以應該在攝像機與目標之間的平面內找到一個點，來分析目標與攝像機之間的成像規(guī)律，然后根據(jù)這一規(guī)律對目標進行定標，使攝像機中運動的目標給人們帶來不一樣的感受。隨著目標的不斷運動，攝像機與目標之間平面內的點會越來越多，對物體的定標會受到這些點的影響，物體定標的準確度也越來越高，為攝像機定標提供了可靠的信息支持，會減少攝像機定標的成本，提高了攝像的經(jīng)濟效益。相比三維立體定標法，平面定標的精確度更高，定標所用的時間相對較短，所以平面定標法在攝像研究領域中值得推廣。

2.3 雙平面定標法 所謂的雙平面定標法就是利用鏡頭與目標之間的兩個平面的成像點來進行定標，不需要成像平面上的光線通過平面中心，只要選取兩個平面之間任意兩點坐標來對定標參數(shù)進行計算分析，得出具體的成像圖。這種定標方式不受平面中心的影響可以在任意點上成像，減少了定標參數(shù)的數(shù)量，提高了定標的工作效率。但是由于雙平面定標法只是任意選取兩平面上的點，對定標的精確度造成了一定的影響，使計算機對參數(shù)的運算缺少可靠的數(shù)據(jù)支持，一定程度上降低了攝像機的成像清晰度，使計算機視覺中攝像機的定標精度存在一定的偏差，呈現(xiàn)出來的具體圖像質量相對比較差。

2.4 直線兩點定標法 在三維立體和平面定標法的基礎上，又進一步研究了直線兩點定標法，極大程度上滿足了人們對攝像效果的要求。直線兩點定標法是利用定標物與攝像機鏡頭之間的直線上的兩點進行定標。然后通過計算機視覺對這兩點的坐標參數(shù)進行分析，然后攝像機利用這些參數(shù)對攝像機的焦距進行調整，確定物體的具置。在三維立體和平面定標的基礎上對計算機視覺程序進行改進升級，進一步提高對物體定標的精確度。對原有定標方法進行創(chuàng)新改進得出了直線兩點定標法使定標參數(shù)的數(shù)量大幅度的下降，節(jié)省了很多的人工成本，攝像機的清晰度也會大大提高。

2.5 透視變換焦距的定標法 透視變換焦距定標法是通過分析鏡頭與目標之間的距離，不斷調整兩者之間的距離使鏡頭里呈現(xiàn)出來的圖形清晰為止，然后就將現(xiàn)在的目標設置為定標物。由于這種定標方法不用去分析具體的定標參數(shù)被人們廣泛的應用。隨著科技的發(fā)展現(xiàn)在的攝像機都有自動調整焦距功能，不用人為的去調整焦距，使定標物更快地呈現(xiàn)在鏡頭中，節(jié)省了大量的定標時間，計算機的運算速度也加快了。但是這種定標方法也存在一定的缺陷，在實際操作如果不考慮攝像環(huán)境以及攝像鏡頭的變化，定標的精確度會存在一定的偏差，導致鏡頭中的定標物成像不清晰。

3 計算機視覺中攝像機定標方法的應用

3.1 在計算機視覺中攝像機的主動定標 計算機視覺中攝像機的定標方法推動了計算機技術在攝像機中的廣泛應用。計算機視覺中攝像機的主動定標是計算機技術在攝像機中的顯著應用。計算機技術使攝像機在定標過程中主動尋找定標物，使焦距和視角很好地配合，充分發(fā)揮計算機視覺在攝像機中的成像原理，把定標方法合理地運用在攝像機主動定標過程中，使攝像機的清晰度得到大幅度地提升。

3.2 分層次進行攝像機的定標 隨著計算機技術在攝像機定標中的不斷發(fā)展更新，攝影者喜歡分層次地進行定標，把自己的觀點融入到攝像機定標過程中，用自己的思維對定標參數(shù)進行分析，利用計算機視覺成像原理把定標物直觀的反映在計算機上，以便更好的對定標物進行分析，以其中一個定標物的成像平面來確定定標物的具體成像圖，使攝像機鏡頭中的定標物圖像可以更清晰。這種分層次的定標使計算機技術可以更好的應用在攝像機定標過程中，呈現(xiàn)出高質量的攝像效果。

4 總結

在計算機視覺中攝像機的定標方法都是可行的，但各種方法都存在一定的缺陷，所以在實際應用中還應該根據(jù)攝影環(huán)境以及攝影機的質量選擇最優(yōu)的定標方法，保證定標參數(shù)的準確性，在鏡頭里呈現(xiàn)出清晰的成像。針對計算機視覺中攝像機定標方法的缺陷，攝像機的研究領域應該要不斷更新攝像機定標方法，提高攝像機定標的精確度，不斷滿足人們對攝像機清晰度的要求，呈現(xiàn)出清晰的攝像效果。

參考文獻：

[1]邱茂林，馬頌德，李毅.計算機視覺中攝像機定標綜述[J].自動化學報，2000（1）.

[2]伍雪冬，蔣新華，李建興，黃靖.計算機視覺中傳統(tǒng)攝像機定標方法綜述[J].福建工程學院學報，2007（1）.

第5篇：計算機視覺技術基礎范文

【關鍵詞】計算機視覺 運動目標 跟蹤算法

在計算機等現(xiàn)代科學技術尚未出現(xiàn)以前，人們在獲取外界信息時往往主要依賴視覺，而在我國計算機技術水平不斷發(fā)展提升的背景之下，計算機視覺技術的出現(xiàn)使得人類肉眼視覺得到了進一步的發(fā)展延伸，尤其是在各種傳感器技術的幫助之下，使得人們能夠對保持運動狀態(tài)的目標進行實時跟蹤，從而準確掌握目標的具體形態(tài)屬性。在此背景之下，本文將運動目標設定為運動的人臉，通過探究基于計算機視覺的運動目標跟蹤算法，希望能夠為相關研究人員提供相關參考和幫助。

1 Kalman filter目標跟蹤算法的簡要概述

Kalman filter目標跟蹤算法是當前眾多跟蹤算法當中使用范圍較廣、使用頻率比較集中的一種跟蹤算法，這一算法最早可以追溯至上個世紀六十年代，人們通過將濾波理論與狀態(tài)空間模型相集合，從而得到的一種遞推估計的算法也就是卡爾曼濾波理論。其通過利用上一時刻獲取的預估值以及當下獲取的實際觀測值，在信號與噪聲狀態(tài)空間模型當中不斷更新狀態(tài)變量，進而順利完成估計預測并獲得當前時刻估計預測值。經(jīng)過不斷的發(fā)展，在計算機圖像處理以及其他運動目標跟蹤當中經(jīng)常會使用Kalman filter算法。如果在k時刻系統(tǒng)下的狀態(tài)向量用xk表示，那么在t0時刻下初始化的狀態(tài)預測方程為；在tk時刻下更新系統(tǒng)狀態(tài)的具體方程為

，其中Hk、Zk分別表示測量矩陣m×n維以及轉移矩陣n×n維的狀態(tài)向量。但在跟蹤計算機視覺運動目標譬如說視頻目標時，由于相鄰的兩幀視頻圖像本身時間間隔非常短，因此目標在這一時間內難以發(fā)生明顯的運動狀態(tài)變化，此時我們可以通過將此間隔時間設定為單位時間，同時目標在單位時間內一直保持勻速運動狀態(tài)，這時我們可以得到一個狀態(tài)轉移矩陣且

，定義系統(tǒng)觀測矩陣即為

，定義噪聲Wk以及Vk協(xié)方差矩陣則可以分別用

和表示。

如果在濾波器在經(jīng)過若干次卡爾曼濾波后仍然能夠恢復至原始狀態(tài)，則其具有較好的穩(wěn)定性，但如果在進行運動目標跟蹤實驗的過程當中，對于處于運動狀態(tài)的被跟蹤目標，一旦出現(xiàn)遮擋行為則將在第一時間內暫停估計參數(shù)，并將這一參數(shù)估計值直接代入到狀態(tài)方程當中，使得運動目標無論是否被遮擋均可以對其進行精確跟蹤。

2 基于計算機視覺的運動目標跟蹤算法

2.1 建立顏色概率模型

顏色囊括了諸多的信息量光柱點，尤其是在人類的視覺世界從本質上來說也是一種用過感知自然界色彩以及明暗變化的世界，因此人們可以通過使用三基色原理獲得RGB顏色空間?？紤]到顏色與計算機視覺場景當中各個場景和目標之間有著緊密的關系，同時不同于目標的大小、形態(tài)等其他視覺特征，顏色特征鮮少會受到包括觀察視角等在內各因素的干擾影響，從某種角度上來說基于顏色特征的運動目標具有較好的穩(wěn)定性。為了能夠保障目標跟蹤既穩(wěn)定又迅速，需要選擇合適的顏色特征，否則將極有可能導致出現(xiàn)跟蹤失敗。在這一環(huán)節(jié)當中人們通常使用的是RGB顏色空間以及HSI顏色空間，但由于二者均具有一定的局限性，因此本文在對人臉特征尤其是顏色特征進行選取時，選擇了rgI顏色直方圖的方法，在解決兩N顏色空間自身缺陷的同時，盡量避免目標人臉運動位置以及尺寸等變化因素對目標追蹤造成的干擾影響。在rgI顏色直方圖當中

，，，L=r+g+I其中R、G、B就是RGB顏色空間當中的三原色，r、g、I有著相同的取值范圍即在0到1之間。保持間隔相等的情況下劃分L值即可得到rgI顏色直方圖。雖然rgI顏色直方圖與物體相對應，但如果目標只是位置以及尺寸等出現(xiàn)變化，rgI顏色直方圖并不會受到任何實質性影響，因此在理想情況下，利用rgI顏色直方圖能夠對視頻圖像中不同運動位置以及不同尺寸的人臉進行目標追蹤。

2.2 跟蹤算法

運動目標的不斷變化將會使得模板圖像隨之發(fā)生相應變化，因此需要不斷更新模板圖像才能夠有效完成對運動目標的連續(xù)跟蹤，本文在對運動目標的實際運動范圍進行預測過程中選擇使用卡爾曼濾波，之后利用rgI顏色直方圖在預測運動范圍之內搜索和匹配相應目標，從而通過此舉獲得與目標模板有著最小歐式距離的區(qū)域，在此過程當中存在一個特定閾值T，如果兩者的歐氏距離在進行相減時差值沒有超過這個特定閾值，那么此時該區(qū)域就是運動目標所在的實際位置，利用在這一區(qū)域當中的rgI顏色直方圖并將其充當下一幀運動目標的匹配模板，在不斷重復的過程中模板能夠實現(xiàn)不間斷地更新。由于相鄰的兩幀視頻圖像之間，時間間隔并不長，因此目標人臉在極短的時間間隔當中基本上不會出現(xiàn)突然變化，此時我們可以認為運動目標人臉的運動連續(xù)性比較強，此時利用公式

可以進行歐式距離的計算并用以衡量匹配的模板。其中匹配區(qū)域和模板的rgI顏色直方圖分別用l和l'表示，而rgI顏色直方圖中的維數(shù)則用n進行表示。根據(jù)相關視頻圖像顯示，通過不斷更新模板確實可以對目標運動人臉進行實時跟蹤顯示。

3 結束語

總而言之，本文通過選擇當前比較常見的目標跟蹤算法即Kalman filter算法，利用卡爾曼濾波以及rgI顏色直方圖完成對運動人臉的跟蹤。事實證明，Kalman filter算法確實能夠在對各目標之間的干擾進行明確區(qū)分的基礎之上，準確描述運動人臉目標，從而較好地跟蹤運動目標，但由于人臉之間本身存在一定的相似性，因此本文只是對理想狀態(tài)下的運動人臉進行跟蹤實驗，日后還需要對計算機視覺技術和Kalman filter算法進行進一步優(yōu)化以妥善解決多人臉目標以及相似性問題。

參考文獻

[1]鄭薇.基于雙目視覺的運動目標跟蹤算法研究及應用[D].哈爾濱：哈爾濱工程大學，2014.

[2]李慧霞，李臨生，閆慶森，周景文.基于Mean Shift算法的目標跟蹤綜述[J].計算機與現(xiàn)代化，2017（01）：65-70.

[3]李寰宇，畢篤彥，楊源，查宇飛，覃兵，張立朝.基于計算機視覺的運動目標跟蹤算法研究[J].電子與信息學報，2015（09）：2033-2039.

[4]陳曦，殷華博.基于計算機視覺運動目標跟蹤技術分析[J].無線電工程，2014（06）：22-24+39.

第6篇：計算機視覺技術基礎范文

分布式計算是一種計算方法，和集中式計算是相對的。隨著計算技術的發(fā)展，有些計算應用需要非常巨大的計算能力才能完成，如果采用集中式計算，需要耗費相當長的時間來完成。簡單來說，分布式計算將該應用分解成許多小的部分，分配給多臺計算機進行處理。這樣可以節(jié)約整體計算時間，大大提高計算效率。本書使用開源工具及相應技術的開發(fā)并實現(xiàn)了大規(guī)模分布式處理系統(tǒng)，提出了構建高性能分布式計算系統(tǒng)的先進材料，提供實際的指導、相關練習以及軟件框架的理論描述。

全書分為2部分，共8章。第1部分 高性能分布式計算的編程基礎，包括1-4章：1.引言：包括分布式系統(tǒng)的介紹、分類，分布式計算體系結構與分布式文件系統(tǒng)，最后指出分布式系統(tǒng)面對的挑戰(zhàn)與發(fā)展趨勢；2.開始使用Hadoop：包括Hadoop的發(fā)展歷史、生態(tài)系統(tǒng)、HDFS的特性、單個節(jié)點的集群安裝與多個節(jié)點的集群安裝，最后介紹Hadoop編程與流；3.從Spark開始：包括Spark裝置、應用實例、Python編程及應用等內容；4.Spark和Scalding的內部編程：包括其安裝步驟與編程指南。第2部分 使用Hadoop、Scalding和Spark的實例，包括5-8章：5. 案例研究1：使用Scalding和Spark進行數(shù)據(jù)聚類：包括聚類技術、聚類過程、K均值算法和相應的例子，最后進行實現(xiàn)；6.案例研究2：使用Scalding和Spark進行數(shù)據(jù)分類：包括分類及概率論的相關概念，樸素貝葉斯及其分類器的實現(xiàn)，最后對Scalding的實現(xiàn)進行實驗并說明結果；7.案例研究3：使用Scalding和Spark進行回歸分析：包括線性回歸的代數(shù)方法和梯度下降法，并分別使用Scalding和Spark進行了實現(xiàn)；8.案例研究4：使用Scalding和Spark的推薦系統(tǒng)：包括推薦系統(tǒng)的介紹、技術應用、實現(xiàn)規(guī)則并使用Scalding和Spark進行了實現(xiàn)。

作者K.G. Srinivasa是卡內基梅隆大學計算機科學學院機器人研究所的副教授；是電腦專業(yè)資格認定協(xié)會（ICCP，International Conformity Certification Programm）、國際計算機視覺期刊（IJCV，International Journal Computer Vision）、國際計算機視覺與模式識別會議（CVPR，Computer Vision and Pattern Recognition）等多個國際會議的委員會委員，發(fā)表超過20篇期刊及會議論文。他的研究領域包括計算機視覺、圖像處理、動態(tài)場景的計算機視覺監(jiān)控、基于人的行為和生物特征的人物識別與身份鑒定以及數(shù)字多媒體數(shù)據(jù)的水印處理等。

本書描述了構建高性能分布式計算大規(guī)模數(shù)據(jù)處理的軟件系統(tǒng)新模式的基本原理；介紹了Hadoop生態(tài)系統(tǒng)并一步步地指導安裝、編程和執(zhí)行；對Spark的基礎知識，包括彈性分布式數(shù)據(jù)集進行了介紹，并對使用Spark和Scalding進行數(shù)據(jù)聚類、分類和回歸進行了分析，提供了詳細的案例研究方法；最后使用Scalding和Spark實現(xiàn)了一個實用推薦系統(tǒng)。本書適合計算機體系結構、計算智能、數(shù)據(jù)挖掘等專業(yè)的科研人員及研究生閱讀參考。

第7篇：計算機視覺技術基礎范文

【關鍵詞】視頻；圖像處理；智能交通系統(tǒng)

交通視頻監(jiān)控系統(tǒng)是一個國家交通正常運行的有力保障。隨著我國城鎮(zhèn)化進程的不斷推進和汽車的普及，交通問題日益嚴峻，道路擁擠、事故頻發(fā)，加上不遵守交通規(guī)則的人比比皆是，使交通問題成為一直困擾我國的難題。而由于交通系統(tǒng)是一個相當復雜的龐大系統(tǒng)，所以監(jiān)控起來十分困難。

隨著計算機技術的發(fā)展，計算機視覺處理技術興盛起來。計算機視覺處理技術是模擬人類視覺系統(tǒng)的一種技術，人類可以通過對視覺中感知到的信息進行適當?shù)慕M合和聯(lián)想以達到對外界信息進行判斷的能力，計算機視覺處理技術就是要用計算機代替人類的大腦實現(xiàn)對采集到的信息進行處理，從而使計算機具有外部感知的能力，這對于交通視頻監(jiān)控系統(tǒng)具有非常重要的意義。

在智能交通系統(tǒng)中，基于計算機視覺的圖像處理技術扮演著重要的角色，它以視頻圖像為分析對象，利用先進的算法去除干擾，具有直觀、高效、精度高等特點。

1 交通視頻中進行圖像處理的重要性

交通視頻檢測系統(tǒng)的攝像機在工作時面臨的是自然氣象條件，這就意味著它要受到各種自然條件的干擾，比如強光、霧霾、粉塵、街燈等，由于光照條件不同所引起的圖像差異遠遠大于由于人的不同所引起的圖像差異，即使是在相同光照條件下，由于鏡面反射的存在，同一物體的不同表面對光的反射不同，再加上粉塵、霧霾等的影響，從不同視角反映出來的圖像有很大差異。外界光照的方向和強度還會隨著時間不斷發(fā)生變化，這些因素會導致采集的圖像不清晰、重影、有陰影等，給基于視頻的檢測帶來很大的難度。而視覺檢測必須借助外界光線才能夠獲取圖像信息，所以要把圖像中的車輛信息完整清晰的反應出來，就要對靜止的視頻圖像序列（即每幀圖像）進行預處理。這些處理會涵蓋圖像色彩模式轉換、格式轉換、算法處理等。

2 交通視頻監(jiān)控系統(tǒng)的組成

交通視頻監(jiān)控系統(tǒng)一般由采集、傳輸、控制、顯示四部分組成。

2.1 圖像采集

圖像采集工作由前端的攝像機完成，采集質量的好壞將直接影響視頻圖像處理的效果。如果視頻圖像中的車輛信息清楚，對比度好，無干擾信息或干擾信息少，將有利于車輛的檢測和跟蹤，反之，將不利于車輛的檢測和跟蹤。

2.2 傳輸

根據(jù)攝像機和控制中心之間距離的長短，會采用不同的傳輸設備，一般的傳輸方式包括視頻基帶傳輸、射頻有線傳輸、光纖傳輸、電話線傳輸?shù)取?/p>

2.3 控制

控制部分是整個交通視頻監(jiān)控系統(tǒng)的中心，由總控制臺組成。總控制臺可以進行信號的縮放、矯正、補償、切換、遙控、記錄存儲圖像等。

2.4 顯示

顯示部分的功能就是把傳送過來的圖像顯示出來，由若干臺監(jiān)視器組成。

3 交通視頻監(jiān)控系統(tǒng)中視頻圖像處理技術的應用

3.1 車輛檢測

對運動車輛的檢測是交通視頻監(jiān)控系統(tǒng)的核心功能，通過對視頻圖像中的連續(xù)畫面的變化分析能抽出運動車輛的特征，從而實現(xiàn)檢測。但是由于運動的車輛受光線、灰塵、霧霾、陰影等因素的影響，給圖像分割帶來很大的困難。所以在進行車輛檢測時，要對獲得的視頻圖像進行處理，來提取目標車輛信息，常用的方法有幀間差分法、背景差分法、邊緣檢測法等。

3.2 車輛跟蹤

對車輛進行檢測的目的是辨別運動車輛，然而要想了解目標的運動參數(shù)，還要對車輛進行跟蹤。車輛跟蹤的核心內容是根據(jù)目標運動車輛的某些特征在不同的圖像幀中進行目標匹配，用于匹配的特征包括位置、大小、形狀，以及局部的點、線特征和整體輪廓特征等[1]。常用的車輛跟蹤方法有基于區(qū)域的方法、基于特征的方法、基于運動估計的方法、基于模型的方法、基于輪廓的方法等。

3.3 陰影檢測

陰影檢測是交通視頻監(jiān)控系統(tǒng)的一項重要且具有挑戰(zhàn)性的工作。運動目標車輛由于受各種光源的影響會產(chǎn)生陰影，而陰影與運動目標車輛具有相似的視覺特征和運動特征，所以前面介紹的車輛檢測方法都不能有效地將陰影檢測出來。陰影的存在會使車輛檢測和跟蹤產(chǎn)生誤差，給交通參數(shù)的提取帶來很大誤差，因而陰影的檢測與去除是視頻檢測的重點和難點。根據(jù)陰影形成的不同原理可以把陰影分成不同的類型，而不同類型的陰影又有不同的特點，這給陰影的檢測和提取提供了可能。目前，陰影檢測方法通常包括兩大類：一類是基于陰影屬性如顏色不變性、紋理不變性、低頻性質等屬性的檢測技術，另一類是基于應用場景先驗知識的模型的陰影檢測[2]。

3.4 交通參數(shù)的檢測

交通參數(shù)可以分為兩類，一類是針對某一具體車輛的，如該車輛的車型、顏色、車牌、速度、重量等；另一類是針對某一具體路段的，如該這段的固定時間內的車流量、平均速度、車輛密度、車輛數(shù)目、路面占有率等。基于圖像處理的交通參數(shù)檢測需要實時處理大量的圖像數(shù)據(jù)，這些參數(shù)的獲得可以為交通執(zhí)法提供依據(jù)，增加交通道路的容量。目前應用較為廣泛的交通參數(shù)獲取方法為虛擬線圈檢測方法，很多學者都在此基礎之上設計算法更加精密的檢測系統(tǒng)。

3.5 車牌識別

車牌識別技術（Vehicle License Plate Recognition，VLPR） 是計算機視頻圖像識別技術在車輛牌照識別中的一種應用。車牌識別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，應用十分廣泛。它以數(shù)字圖像處理、模式識別、計算機視覺等技術為基礎，對攝像機所拍攝的車輛圖像或者視頻序列進行分析，得到每一輛汽車唯一的車牌號碼，從而完成識別過程。通過車牌識別可以實現(xiàn)對停車場的收費管理、車輛定位、交通違法行為監(jiān)控等功能，對于維護交通安全、實現(xiàn)交通自動化管理有很重要的意義。

視頻圖像處理技術在交通視頻監(jiān)控系統(tǒng)中應用的已經(jīng)十分廣泛，隨著計算機視覺、人工智能理論的發(fā)展，對包含運動目標的圖像序列進行分析和處理，能夠實現(xiàn)交通管理的高效智能化。隨著視頻圖像處理技術硬件的不斷發(fā)展，我們所面臨的挑戰(zhàn)是如何找出與硬件相匹配的高效的軟件技術（即先進的算法），使智能交通系統(tǒng)的功能更加強大和完善。

【參考文獻】

[1]梁曉愛.基于視頻的車輛檢測與跟蹤技術研究[D].山東師范大學，2010.

[2]許潔瓊.基于視頻圖像處理的車輛檢測與跟蹤方法研究[D].中國海洋大學，2012.

[3]衛(wèi)小偉.視頻圖像處理技術在智能交通系統(tǒng)中的運用[J].電子測試，2015（6）.

[4]姜旭.視頻圖像處理技術在智能交通系統(tǒng)中的應用[D].蘇州大學，2009.

第8篇：計算機視覺技術基礎范文

關鍵詞關鍵詞：OpenCV；人臉檢測；微笑檢測；JNI

DOIDOI：10.11907/rjdk.162330

中圖分類號：TP319文獻標識碼：A文章編號文章編號：16727800（2017）001011502

隨著人工智能技術的發(fā)展，機器學習、計算機視覺等領域也逐漸成為計算機科學中的熱點問題，人臉檢測便是計算機視覺中的一個分支。OpenCV作為一個開源的視覺庫，提供了不少關于人臉檢測的模型與處理接口，而大部分接口與算法均采用C/C++語言編寫。Java雖有其跨平臺的巨大優(yōu)勢，但是這種特性也給Java帶來了局限性，在調用動態(tài)數(shù)據(jù)庫文件時存在不便。因此，通過JNI工具，可以利用C/C++語言的特性彌補Java的不足[13]。

1相關技術原理

1.1JNI技術分析

JNI（Java Native Interface）提供了若干API 實現(xiàn)Java與其它語言的通信（主要是C/C++）。從Java 1.1開始，JNI標準成為Java平臺的一部分，它允許Java和其它語言編寫的代碼進行交互。然而使用Java與本地已編譯的代碼交互，通常會喪失平臺可移植性[45]。

通常遇到以下幾種情況需要使用JNI：①所開發(fā)的程序需要用到其它平臺屬性，但在Java的標準庫中不支持此屬性；②程序對于運行效率要求較高，因此希望能用較低級的語言（如C/C++）來實現(xiàn)；③Java已經(jīng)擁有實現(xiàn)需要的程序和庫，希望C/C++對其直接進行調用[67]。

1.2JNI技術架構

JNI允許運行在Java虛擬機上的應用程序調用其它語言（如C/C++語言）來編寫需要的方法或類庫，也能將Java虛擬機嵌入到本地應用程序中。

圖1是JNI在本地應用程序與Java應用之間各自扮演的角色圖。從圖中可以看出，JNI作為Java與C/C++函悼庵間的橋梁，可以實現(xiàn)Java代碼與C/C++庫函數(shù)當中本地代碼之間的交互。然而JNI沒有改變Java語言的屬性，只是讓Java語言擁有一種能夠對外調用的形式[89]。

1.3OpenCV介紹

OpenCV（Open Source Computer Vision Library）是一個基于BSD許可發(fā)行的跨平臺計算機視覺庫。它輕量而且高效，由C函數(shù)與C++類構成，同時提供了Python、Java等語言的接口，可實現(xiàn)圖像處理和計算機視覺方面的很多通用算法。OpenCV中對于人臉的檢測方法是基于處理成的灰度圖像的弱特征檢測方法。該方法建立在Haar特征[10]檢測方法基礎上，可以獲得檢測人臉的實時處理速度。

OpenCV中也提供了訓練分類器[1112]的程序及方法來檢測特征。使用者可以將此方法應用于一些項目中的二次開發(fā)，比如雙目視覺的三維重構、物體識別，協(xié)助機器人完成復雜任務，以及在智能監(jiān)控中的人臉檢測、智能交通中的行人檢測等。

2開發(fā)工具選擇

選用的工具是eclipse，Java版本為JDK1.7，C++使用的是VS2010。另外PC端需要具備內置或外置攝像頭，PC機配置為Inter Core i5-3230M CPU 2.6GHz。

3實現(xiàn)過程

從圖2中編寫JNI代碼的大致步驟可以看出Java需要將字節(jié)碼文件通過javah生成頭文件，再與C代碼共同生成動態(tài)鏈接庫，進而與Java中的代碼進行交互。

3.4人臉檢測實驗結果

第9篇：計算機視覺技術基礎范文

【關鍵詞】 運動目標檢測 視頻圖像 OpenCV

一、緒論

隨著計算機技術日新月異的發(fā)展，計算機視覺，模式識別，人工智能，多媒體技術，越來越受到人們的重視的快速發(fā)展。廣泛地被定位對象使用運動跟蹤和檢測，監(jiān)測和智能人機交互和分析他們的行為，一旦發(fā)現(xiàn)有異常行為的對象，監(jiān)控系統(tǒng)發(fā)出警報，提醒人們注意和及時的治療，改善人類的人工監(jiān)督注意力浪費資源等問題。計算機視覺是通過計算機代替人的眼睛和大腦感知外部環(huán)境，分析和理解。

1.1 OpenCV技術介紹

視覺處理算法的OpenCV提供了非常豐富的，它部分是用C寫的，有它的開源特性，妥善處理，無需添加新的外部支持進行編譯和鏈接，生成程序的完整實現(xiàn)，所以很多人們用它做算術移植，OpenCV的可正常運行的系統(tǒng)DSP和MCU系統(tǒng)正常重寫代碼。

二、運動目標檢測

運動目標的檢測在整個視頻監(jiān)控系統(tǒng)的底層，各種高級應用，如目標跟蹤，目標分類，目標行為的隨訪，了解互惠的基礎。運動對象檢測裝置，從在實時目標視頻流中提取，目標通常設置面積和顏色特性。結果運動目標檢測是描述一些靜態(tài)功能的“靜態(tài)”的目標前景。根據(jù)上下文，其中環(huán)境可分為兩大類靜態(tài)背景下運動目標檢測和動態(tài)背景運動目標檢測，本章與實際紙工作主攝像機靜態(tài)背景運動目標運動結合，不會發(fā)生前景對象的運動目標檢測檢測算法。

2.1運動目標檢測的基本方法

目標檢測和提取已在目標跟蹤應用程序中的重要地位。目標檢測和提取的精度直接影響結果和準確性的跟蹤。一個良好的各種環(huán)境動目標檢測算法的應能適用于監(jiān)測，在正常情況下，移動體檢測算法可以根據(jù)場景被監(jiān)視在室內或室外監(jiān)測算法被分成室內和室外監(jiān)視算法，則可以按照使用特定算法的方法分為連續(xù)幀差分方法，背景減除法和光流法。

2.1.1幀間差分法

對于許多應用，圖像的連續(xù)幀之間的差檢測出圖像的順序是非常重要的一步。場景中的任何可觀察到的運動將反映在場景圖像序列的變化，如果能檢測到這種變化，我們可以分析的運動特性。

2.1.2背景差法

基于該原理的背景差分方法非常簡單，基本操作過程示于（4.2）如下：首先使用式（4.3）來計算背景圖像之間的差fbk當前幀fk，然后根據(jù)下式（4.4）是差分圖像的Dk值化和形態(tài)學濾波處理，并獲得當該區(qū)域的通信區(qū)域比給定的閾值RK進行連通區(qū)域分析的結果，它成為檢測對象，并且該區(qū)域是區(qū)域目標在區(qū)間的，你能確定的最小邊界矩形的目標。

其中T 是二值化設定閥值。

2.1.3光流法

光流是指在圖像模式（或表觀的）運動的表觀亮度。用“表觀運動”，主要是由于光流的運動圖像不能有部分信息只以確定，例如，區(qū)域性或亮度輪廓點更均勻的亮度不能唯一確定的運動對應的點，但觀察到的運動。這解釋了光流和該流不一定是由物體的運動所產(chǎn)生的光，而運動的主體不一定會產(chǎn)生光流體育場不一定是唯一的。

三、目標跟蹤算法的研究

目標對象的運動信息的條件的先驗知識下跟蹤，通過從信息源的實時數(shù)據(jù)來估計所述目標狀態(tài)，以實現(xiàn)所述目標位置和運動趨勢判定。運動目標跟蹤問題是一個復雜的估計。研究精度高，性能穩(wěn)定，目標跟蹤方法的適用性仍面臨巨大挑戰(zhàn)，具有重要的理論意義和實用價值。

3.1圖像匹配法

通過圖像匹配方法可以識別要跟蹤的運動對象，并確定它們的相對位置。早期跟蹤涉及的目標位置的變化的兩個圖像之間的測量計算出的相關函數(shù)，跟蹤點是，這兩個圖象相匹配的最佳位置，這是相關函數(shù)的峰值。

3.2基于團塊的目標跟蹤

基于團塊（BLOB）的基本原理是用于圖像分割候選像素跟蹤算法，它決定像素是否屬于背景或屬于定位或屬于其他區(qū)域?；诟櫵惴ǖ馁|量也可稱為基于圖像分割的跟蹤，分割結果剛夠目標和背景之間的區(qū)分，而傳統(tǒng)的圖像分割算法需要目標輪廓的精確顯示。分裂臺球在目標，紋理特征和圖像的深度信息的一般特性。

四、結語

隨著在軍事領域的計算機視覺，智能交通監(jiān)控，視頻運動目標檢測與跟蹤的發(fā)展必將得到更廣泛的應用和發(fā)展。在本文中，歷時四個月中，主要研究的OpenCV實現(xiàn)運動目標檢測與跟蹤的應用，實驗結果表明，該系統(tǒng)具有良好的魯棒性和準確性，實現(xiàn)畢業(yè)設計的預期目標，在工作和問題結合起來實際應用中。

參 考 文 獻

[1]劉瑞禎， 于仕琪. OpenCV教程基礎篇[M]. 北京： 北京航空航天大學出版社，2007.

[2]彭達. Visual C++多媒體編程技術[M]. 北京： 人民郵電出版社， 1999.

[3]丁金鑄. 基于圖像處理的運動目標檢測跟蹤系統(tǒng)的設計與實現(xiàn)[D]. 華中師范大學， 2007.

[4]王建中， 姜昱明. 基于塊匹配的運動對象檢測算法[J]. 微電子與計算機， 2005， 22（1）： 10-12.

[5]林少丹. VC++程序設計基礎[M]. 北京： 人民交通出版社， 2009.

[6]唐雙發(fā). 基于OpenCV的車輛視頻檢測技術研究[D]. 華中科技大學， 2009.

[7]李慶忠，陳顯華，王立紅. 視頻監(jiān)視中運動目標檢測與識別方法[J]. 計算機工程， 2004， 30（16）：30-33.

[8]胡曉峰， 吳玲達， 老松楊， 司光亞. 多媒體技術教程[M]. 北京： 人民郵電出版社， 2002.

[9]韓鴻哲， 王志良， 劉冀偉， 李郴， 韓忠濤. 陰影消除的自適應背景建模[C]. 第二屆全國智能視覺監(jiān)控學術會議論文集， 2003， 35-39.[10]張玲， 葉海炳， 何偉. 一種基于邊緣信息的改進車輛檢測方法[J]. 重慶大學學報（自然科學版）， 2004， 27（11）： 56-58.

[11] J.B.Kim， H.J.Kim. Efficient Region―based Motion Segmentation for Video Monitoring System [J]. Pattern Recognition Letters， 2003， 3（24）：113-128.

[12]王春平， 朱元昌，黃允華. 基于圖像信息的跟蹤算法分析[J]. 火力與指揮控制， 2000， 25（1）： 64-67.

[13]楊枝靈， 王開. Visual C++數(shù)字圖像獲取處理及實踐應用[M].北京： 人民郵電出版社， 2003.