《計算機視覺應用問題研究4300字（論文）》

計算機視覺應用的發(fā)展研究綜述摘要物流倉儲安全是一個企業(yè)賴以生存的基本條件，在現代物流業(yè)和計算機技術大力發(fā)展的環(huán)境下，有效保障倉儲安全的必要手段是要學習用智能化技術進行安全管理。智能視頻監(jiān)控系統(tǒng)的開發(fā)和應用有著廣大的前景。倉儲安全管理是在物流系統(tǒng)中進行系統(tǒng)地、科學地計劃、協(xié)調、組織以及控制倉儲的業(yè)務活動，在物流倉儲過程中具有關鍵的作用。為實現提高物流倉儲安全管理水平這一目標，利用智能視頻監(jiān)控系統(tǒng)、計算機視覺技術、安全仿真技術等來實現倉儲的安全管理是非常有必要的。通過計算機視覺技術可以提取和分析視頻監(jiān)控信息，并對倉庫監(jiān)控范圍的可疑行為進行檢測和跟蹤，實時獲取信息，當發(fā)現異常行為時系統(tǒng)自動報警，從而實現倉庫智能高效的安全管理。1.計算機視覺技術的研究領域的內容1.1計算機視覺的定義計算視覺可以認為是機器學習在視覺領域的應用，是人工智能領域的重要組成部分。其內容可以概括為:通過收集圖像或視頻，對圖像或視頻進行處理和分析，并獲取相應的信息。換句話說，用照相機和計算機來獲取我們需要的信息。這是一個涉及面很廣的綜合性話題。從目前的研究階段來看，計算機視覺嘗試建立人工智能系統(tǒng)，越來越多的理論和技術被提出來的原因是從多維圖像或數據中獲取信息。1.2計算機視覺的內容計算機視覺包括捕捉、處理和控制圖像運動三大組成部分。①光學鏡片:成像設備或數字設備。光學透鏡是計算機視覺系統(tǒng)的重要組成部分。對于一些主要的目標:分辨率，對比度，景深和各種像差是至關重要的圖像質量的因素。②輔助光源成像設備是成像中必不可少的設備，其強度對成像質量至關重要。在現實生活中，可以自行發(fā)光的物體分為自然光源(如太陽)和人工光源(如電燈)。③傳感器:是一種傳感裝置，一般作為光纖開關出現，是實現檢測和控制的自動處理的第一步。它能聽到被測信息，并將電信號輸出中檢測到的信息按照一定的規(guī)則進行轉換，用于判斷被測對象的位置和狀態(tài)，并對采集的圖像傳感器發(fā)出警報。④圖像采集卡-主要來自模擬設備(相機、相機、DVD播放器等)的信息。數字被輸入計算機進行存儲，通常以插件的形式將卡安裝在計算機上。在控制某些相機參數時，相機的模擬或數字信號(觸發(fā)信號、曝光時間、快門速度等)被轉換成特定格式的圖像數據流。除了圖像信號保存功能外，還可以根據不同采集卡的不同壓縮算法對壓縮后的數據和文件進行壓縮，并在保持高分辨率的同時保存數據。⑤PC平臺是指個人計算機，平臺是指計算機的硬件或軟件的運行環(huán)境。它是完成圖像數據處理和大部分控制邏輯的中心，是計算機視覺系統(tǒng)的核心。在檢測過程中，CPU頻率越高，處理效率越高，所以通常需要選擇更高的CPU。⑥視覺處理軟件，用于處理輸入圖像，經過處理和分析后產生結果。計算機視覺軟件有許多常見的形式，可以是一種特殊的功能，也可以是一種通用的功能。例如，跟蹤特定的模塊：顯示屏幕檢測是一個特殊的功能;測量和定位鏡頭是一般功能。⑦控制單元:負責對程序過程進行管理，包括IR(指令日志)、ID(指令譯碼器)、OC(操作控制器)?？刂茊卧囊话愎こ堂枋隹梢愿爬橹噶钐幚恚瑥脑L問到分析再到執(zhí)行。圖像分析完成后，視覺軟件通過控制單元與外部單元進行通信，完成對整個生產過程的控制?？删幊踢壿嬁刂茊卧梢詧?zhí)行復雜的邏輯/動作檢查。2.計算機視覺技術研究方法2.1運動目標檢測方法對物流倉庫監(jiān)控范圍內的可疑目標檢測是后期目標跟蹤的基礎，良好的檢測算法可以提高目標檢測結果的準確性。運動目標檢測技術是通過監(jiān)控視頻攝像頭獲取視頻圖像從中把用戶需要的前景目標和背景場景給差分出來，從而檢測出前景目標并對這個目標進行提取。這些年，計算機視覺技術逐漸成熟，許多研究員提出了相關的目標檢測算法，較為典型常用的算法有以下三種：光流法、幀間差分法和背景差分法。物流倉儲監(jiān)控中可疑目標的檢測是后續(xù)目標監(jiān)控的基礎，良好的檢測算法可以提高物流調查結果的準確性。運動目標檢測技術是通過監(jiān)控攝像頭獲取視頻圖像，區(qū)分用戶請求的前景目標和背景場景，從而檢測前景目標并提取目標。近年來，計算機視覺技術逐漸成熟，許多研究者提出了相關的目標檢測算法，其中比較典型的有三種算法:光流法、幀間差分法和背景差分法。2.2高斯混合模型算法高斯混合模型算法是在單高斯模型的基礎上，延伸一種使用多個高斯函數來模擬背景的高斯混合模型。當目標被局部遮擋或嚴重遮擋，背景場景突變時，效果理想。它是一種比較常見的移動目標檢測算法，使用統(tǒng)計特性描述背景圖案,它能適應復雜的場景,如顫抖的樹葉,雨雪天氣,光線的變化等等,它具有良好的魯棒性和計算的數量不是太大的特點。算法的實時性能相對較好,可以滿足實際應用的需求。高斯混合模型的主要思想是:首先通過監(jiān)控攝像頭獲取視頻數據信息建立背景模型,然后使用高斯K分布函數(通常是3-7)代表背景圖像中的每個像素和為每個背景創(chuàng)建一個像素模板,設置初始化參數,并更新每一個高斯分布的均值和方差,并分配一個T閾值來確定像素是否滿足背景圖案。如果匹配條件得到滿足,像素被劃分為背景像素。匹配條件下，該像素被認為是前景目標像素。在高斯混合模型中，為了計算方便，假設三個RGB顏色分量互不相關，每個像素的處理相互獨立，方差相同。其中，K值越大，越能適應場景變化，模擬的背景處理效果也越好，但會增加模型計算量。大幅降低后，運輸速度也會變得非常慢。高斯混合模型包括定義背景模型、確定初始參數、更新參數、生成背景模型、提取目標前景等過程。3.所選定研究方法在其它領域的典型應用3.1將以高斯混合模型為基礎的運動目標檢測方法運用到智能交通監(jiān)控系統(tǒng)中21世紀將會道路交通智能化。人們可以使用全方面智能交通系統(tǒng)，在智能系統(tǒng)中，司機可以憑借自身車輛的智能系統(tǒng)在道路上自由行駛，高速公路依靠自身的智能將交通流量調節(jié)到最優(yōu)狀態(tài)。該系統(tǒng)使管理人員能夠清楚地了解道路和車輛的位置。這是一種以高斯混合模型為基礎的運動目標檢測方法，并將其應用于智能交通監(jiān)控系統(tǒng)。智能交通監(jiān)控系統(tǒng)功能模塊結構圖如2.1所示:圖2.1智能交通監(jiān)控系統(tǒng)功能模塊結構3.2高斯混合模型算法在智能視頻監(jiān)控系統(tǒng)中的應用3.2.1禁區(qū)入侵檢測使用高斯混合模型的目標檢測算法，我們準確地識別并檢測到前景目標位置和輪廓。在監(jiān)控區(qū)域中設定一個需要監(jiān)控人員關注的區(qū)域范圍作為虛擬禁區(qū)，然后，利用目標檢測算法提取的前景目標圖像和虛擬禁區(qū)做交集運算，根據前景目標像素數在虛擬禁區(qū)范圍的數量和閾值大小的比較，判斷目標是否入侵了禁區(qū)。3.2.2行人檢測和跟蹤在實際的應用環(huán)境中，我們還需要對目標進行分類，我們需要對侵入禁區(qū)的目標進行判斷是行人還是動物或者其他物體，然后選擇不同的報警機制。在禁區(qū)入侵檢測的基礎上，首先找到入侵禁區(qū)的目標，然后求出包含前景目標的區(qū)域范圍，用數值0填充該區(qū)域的背景像素，然后利用基于計算機視覺的方法，對目標分類識別。通常情況下，顏色特征分布明顯時，目標分類效果也是比較好的，在具體場景的視頻監(jiān)控系統(tǒng)中，往往還需要結合其他的生物特征識別手段來提高監(jiān)控系統(tǒng)的檢測準確度，降低系統(tǒng)漏報或者誤報的概率。行人檢測和跟蹤過程中，使用較多的是HOG特征和SVM分類器的行人檢測方法，在行人不存在遮擋等干擾情況下，基本可以實現行人的準確檢測和跟蹤。3.2.3人數密度異常檢測在一些特殊的監(jiān)控場景中，如監(jiān)獄、戒毒所等，需要控制區(qū)域中的人數，以免發(fā)生異常聚集斗毆等行為，當人數密度較高時就發(fā)出警報信息，及時預防異常行為的發(fā)生。在行人目標檢測的基礎上，人數密度是通過計算前景行人目標的像素點在監(jiān)控區(qū)域范圍內占的比例判斷的。為更加精確的計算人數密度，后期還需要對目標進行計數以及分類等處理。4.評價維度4.1方法的先進性因為運動目標檢測和高斯混合模型先進性的優(yōu)點在很多領域被運用，例如基于計算機視覺的視網膜圖像處理關鍵技術研究里面就充分使用了運動目標檢測和高斯混合模型。其中高斯混合模型的靈活性也是它的優(yōu)點之一5.分維度評價5.1運動目標檢測運動目標檢測是計算機視覺和數字成像領域的研究熱點之一，被應用于AI導航、智能視頻監(jiān)控、、航空航天等多個領域。因此，在理論和實際應用中，運動物體的檢測成為近年來研究的一個參考點:它是計算機圖像和視圖的重要組成部分，是智能控制系統(tǒng)的重要組成部分。目標是在控制視頻中高效、定性地檢測運動目標，也就是將運動目標和序列圖像區(qū)分。5.2高斯混合模型高斯混合模型可以先給出樣本屬于某一特定類別而不是絕對類別的概率，既可用于聚類，又可用于概率密度的估計;可以重復用來產生一個新的采樣點。在第三維中，高斯混合模型必須計算協(xié)方差，研究跨維關系，并在應用中具有靈活性。6.各維度綜合評述雖然不同場景下的目標運用高斯混合模型檢測成熟度，場景中運行時間更短，光照更好，可以在短時間內檢測到目標。但問題是，外部光強的變化和背景場景的復雜性仍然對檢測的驅動時間有一定的影響。通過使用高斯混合模型算法來比較不同項目的數量和運行時，可以看到一個項目的行駛時間更快，實時性更好。結果表明，高斯混合模型算法的驅動速度在原理上能夠滿足實時檢測的要求，在科學技術領域，尤其是醫(yī)學影像領域一定會起到關鍵性作用。7.結論和展望本文主要探討了物流倉儲跟蹤領域中異常行為的檢測與監(jiān)控，使用的算法相對簡單。雖然運動目標的檢測和跟蹤結果很好，但在實際應用過程中場景要比模擬場景復雜很多，還有許多技術性問題需要科學技術人員深入研究，如天氣、突發(fā)事件等多個因素。因為運動目標檢測與跟蹤技術屬于實現智能視頻分析與處理的關鍵部分，其基礎且關鍵算法和適用環(huán)境等問題的研究是十分重要的。

參考文獻[1]倪晨旭.計算機視覺研究綜述[J].電子世界,2018(1):91-91.[2]趙鐸.基于層次輪廓計算機視覺的交通路標識別[J].電子設計工程,2017,25(14):123-126.[3]王一幃.深度學習分類網絡研究及其在計算機視覺中的應用[J].通訊世界,2019(3):195-196.[4]JaraboA,MasiaB,MarcoJ,etal.計算機圖形學和計算機視覺中瞬態(tài)成像的研究進展[J].VisualInformatics,2017,1(1).[5]劉宇.基于計算機視覺的手勢檢測識別技術[J].科學中國人,2017(23).[6]劉倫,王輝.城市研究中的計算機視覺應用進展與展望[J].城市規(guī)劃,2019(1):117-124.[7]姜文澤.淺述計算機視覺中的圖像特征及提取方法[J].電腦知識與技術,2019(16).[8]張黎,張琳琳,高丹,etal.淺析計算機視覺技術在現代科學教育中的作用[J].科教文匯(下旬刊),2017(11).[9]張卓群,曹鐘淼,王慧.計算機視覺與機器學習技術在三維人體動畫中的應用研究[J].網絡安全技術與應用,2019(8).[10]李雅琪,馮曉輝,王哲.計算機視覺技