計算機視覺分析技術精選(九篇)

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分析技術主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：計算機視覺分析技術范文

【關鍵詞】計算機 設計 圖形圖像 視覺偵查 分析研究

應用計算機實現的圖形圖像設計與視覺偵查，在實際生產與生活中出現的時間都相對比較早，其中計算機視覺偵查應用實現的時間更是早于計算機圖像圖像設計，與一般的平面設計技術相比，通過計算機實現的圖形圖像設計在實際設計應用中不僅內容更加豐富，并且圖形圖像中所包含的元素也相對較多，因此所能夠傳達和表示內容含義也就更為全面。此外，應用計算機實現的圖形圖像設計不僅能夠更進一步的傳遞出現代圖形設計的目的，在設計過程中還能夠借助計算機相關技術實現數據信息的分析處理，從而使圖形圖像設計者的想法愿望能夠更好的呈現出來，具有突出的作用優(yōu)勢和意義。

1 計算機圖形圖像設計與視覺偵查的相關概念概述

在圖形與圖形設計領域中，計算機圖形圖像設計的出現應用相對比較早，最早可以追溯到20世紀80年代，我國的計算機圖形圖像設計是在引進外國設計經驗與理論基礎上實現應用的。對于圖形圖像設計含義的理解，首先應從圖形圖像的含義理解開始，它是指通過圖形圖像或者是視覺形象實現設計者思想觀點的表現和闡述，其本身具有較為突出的創(chuàng)造性特征，因此，圖形圖像設計是指設計者通過使用相關媒體實現特定信息的視覺形象的傳遞，它是一種特殊的語言形式，在設計領域比較受歡迎。視覺偵查則是在圖形圖像設計過程中借助視覺傳達的相關技術手段實現圖像圖像視覺效果的分析判斷，視覺偵查的概念比圖形圖像設計概念出現的時間要早，它是指人們通過信息符號的運用實現相互之間的交流和溝通，是一種實現人與人之間溝通交流的工具。計算機圖形圖像設計與視覺偵查之間有著密切的聯系，其中計算機圖形圖像設計是通過計算機技術對于視覺信息中的圖形圖像相關信息進行再次創(chuàng)作實現的一個過程，借助視覺偵查能夠實現計算機圖形圖像的更好設計。

2 計算機圖形圖像設計與視覺偵查的特征關系分析

（1）計算機圖形圖像設計的特征分析。在設計領域中，圖形圖像設計和藝術設計之間有著很大的聯系，根據上述對于圖形圖像設計概念含義的概述，結合實際設計應用情況可以將圖形圖像設計的特征概括總結如下。首先，在實際設計應用圖形圖像設計所實現的任何設計都需要相應的經濟基礎作為支撐，以商業(yè)性廣告的設計為例，其設計就是把實現最大利益作為目標而進行的，而那些不具有商業(yè)性質的公益設計類型，也具有相關的社會關懷、文化氛圍營造等不同目的，因此，實際設計應用中為了更好的實現設計的目的，就需要在經濟基礎的支撐下結合設計受眾的心理喜好，以達到更好的設計目的。其次，在實現圖形圖像設計過程中需要設計者對于設計內容的基本思路以及設計核心內容、目標等進行明確，以實現圖形圖像設計主題思想的確定，達到設計目的與要求。再次，進行圖形圖像設計中還需要認識到圖形圖像設計與一般的美術畫畫之間有著根本的區(qū)別，其中美術畫畫對于所畫事物之間的一致性要求比較高，而圖形圖像設計則是選取容易被人們所接受、喜愛的事物作為載體的，與日常生活聯系比較密切。此外，在設計領域中，計算機所實現的圖形圖像設計自身屬于一種定量式的設計，每個設計之間是相互獨立的，其設計目的也更為明確，設計速度比較快，設計過程中的定位與配色等都比較精準，所實現的設計帶給人們的視覺沖擊性也比較強，再加上計算機技術的應用，不僅促進了圖形圖像設計中的設計繪制軟件工具的革新，而且很大程度上也拓寬了圖形圖像設計的視覺傳達效果，能夠促使設計者的設計創(chuàng)意與設計表現實現更高層次的突破提升。如圖所示，即為應用計算機圖像設計軟件實現的設計效果示意圖。

（2）計算機圖形圖像設計與視覺偵查之間的關系區(qū)別分析。結合計算機圖形圖像設計的實際情況及其設計的視覺傳達效果，在實際設計中圖形圖像設計和視覺傳達設計之間的設計相同點比較突出，其中，以設計內容和設計目的為例，其中就存在著很大的共通性，在實際設計中對于設計者都具有較高的專業(yè)知識和軟件應用要求。此外，在對于計算機軟件技術的應用上，圖形圖像設計和視覺偵查之間所需要的軟件都是一樣的，像比較常見的Photoshop等，并且完成設計都需要設計者具備相關的審美與對設計元素的靈活應用，在完成設計作品的再創(chuàng)造基礎上，實現設計質量效果與水平的提升。其次，圖形圖像設計與視覺偵查之間也存在有較大的區(qū)別，其中圖形圖像設計更加重視對于圖形和圖像的設計處理，而且視覺偵查則是通過視覺的設計構造，體現出更特別、更新穎的觀念思想，因此視覺偵查更加重視設計者的創(chuàng)意和創(chuàng)新，由于圖形圖像設計與視覺偵查之間的這種根本性的區(qū)別，就導致了視覺偵查與圖形圖像設計在設計手法與設計原則上也存在有一定的區(qū)別，這也是圖形圖像設計與視覺偵查之間的最大不同處。

3 計算機圖形圖像設計與視覺偵查的應用分析

根據上述對于計算機圖形圖像設計與視覺偵查特征與關系區(qū)別的分析，就可以看出在實際設計應用中，視覺偵查與圖形圖像設計之間具有很大的關聯性，它們通過相互之間的作用影響，共同實現設計者思想與觀念的展示表現。通常情況下，計算機圖形圖像設計與視覺偵查在文字設計以及廣告設計、繪畫設計、包裝設計和功能界面設計中的應用體現比較多，以文字設計為例，其中有關的文字大小以及字體顏色、位置、效果等，都是借助計算機圖形圖像處理軟件完成實現，并且借助這種設計手段，最終都是為了對受眾產生相對突出的視覺沖擊。

結語

總之，計算機圖形圖像設計與視覺偵查作為計算機設計領域重要內容，對于計算機技術的提升以及藝術設計的發(fā)展進步都有著積極的影響和意義，進行計算機圖形圖像與視覺偵查的分析，有利于促進計算機技術與藝術設計的發(fā)展提升。

參考文獻

第2篇：計算機視覺分析技術范文

關鍵詞：絕緣子；憎水性；稀疏表示；圖像識別

中圖分類號：TM855 文獻標識碼：A

與傳統(tǒng)電瓷、玻璃絕緣子相比，復合絕緣子因其具有優(yōu)異的耐污閃性能而在電力系統(tǒng)中被廣泛使用.復合絕緣子的憎水性和憎水遷移性是其具有較強耐污閃性能的基礎，然而其在運行中因受到紫外線、污穢、電磁場等條件的共同作用會出現老化現象，使得復合絕緣子憎水性下降，嚴重老化的絕緣子甚至會喪失其憎水性[1-2].因此有必要定期對運行中的復合絕緣子的憎水性進行檢測，及時更換憎水性不合格的絕緣子.目前現場測量復合絕緣子憎水性的方法主要為噴水分級法[3]，該方法將復合絕緣子憎水性分為HC1至HC7 7個等級，其操作簡單，對檢測設備要求低，但完全依賴于人的主觀判斷，容易引起檢測結果的不一致性.

目前，國內外一些學者提出了基于絕緣子憎水性圖像的智能檢測方法，文獻[4-5]采用圖像預處理去除噪聲和雜波，利用方向濾波、自適應濾波等方法提取圖像的水珠或者水跡邊緣，對水珠特征參數進行統(tǒng)計以后利用K鄰近算法進行模式識別，從而確定憎水性等級.這種方法克服了目測的主觀性，但是由于圖像分割處理中很容易出現過度分割或者欠分割現象而導致分割失敗，使得后續(xù)的特征值提取失準從而導致分類算法無法進行.如圖1所示為運用先進的水平集方法對去噪后憎水性圖像進行分割時，出現過分割和欠分割的現象.

本文采用稀疏表示分類算法（Sparse Representation Classification， SRC）對復合絕緣子憎水性圖像進行識別與分類.稀疏表示的算法是由Wright等于2009年提出應用于人臉識別領域中的算法[6].在該方法中一個測試樣本被所有訓練樣本稀疏線性表示，然后從中找出對測試樣本表示誤差最小的一類訓練樣本.這一研究為稀疏表示在圖像識別中的應用開辟了新的方向.本文運用稀疏表示分類算法對復合絕緣子憎水性圖像進行分類，通過對稀疏表示系數以及最小殘差的計算找出樣本庫中與測試圖像最接近的訓練圖像，從而判斷測試圖像所對應復合絕緣子的憎水性等級.

1稀疏表示算法

由于拍攝圖片光照條件、拍攝角度、拍攝距離等實際因素的影響，即使是同一等級的水珠圖像也會呈現出多種不同的效果，所以在選擇訓練樣本時，要綜合考慮各種水珠圖像所可能呈現的情況.以HC1級別的憎水性圖像為例，此時的復合絕緣子憎水性能較好，噴水后復合絕緣子傘裙表面會呈現出單個獨立的水珠.但由于受到拍攝條件的影響，水珠的大小、形狀、分布有很大的不同.為了能使訓練樣本最大限度的代表HC1級別憎水性圖像的特征，選取具有不同大小水珠、不同光照條件、水珠分布疏密不一致、以及水珠重心傾斜不同角度的憎水性圖像作為訓練樣本集.對于HC4～HC6級別的憎水性圖像，由于這些類別復合絕緣子表面出現了不同程度的污穢，使得拍攝所得水珠圖像的背景進一步復雜化，需要考慮背景中污穢的分布以及污穢等級的影響.本文所用到的部分HC1～HC6的訓練樣本圖像如圖2所示.

3實驗結果統(tǒng)計與分析

3.1可理解性分析

一個分類模型的質量通常由兩方面進行評估決定：分類試驗的準確率以及該模型的可理解性.圖4（a）和（b）給出了同屬憎水性等級HC1級的兩個測試樣本，圖4（c）和（f）為利用訓練樣本庫里所有樣本圖像對測試樣本進行稀疏表示所得的兩組稀疏表示系數和利用式（6）計算得到的各類表示誤差.從圖4（c）中可以看出：第1類訓練樣本所對應的稀疏表示系數明顯大于其他幾類的稀疏表示系數.這說明訓練樣本集中第1類樣本對稀疏表示的貢獻最大，這也在圖4（d）表示的各類測試誤差中得到了體現.因此我們僅通過圖4（c）就可判定測試樣本屬于第1類，即該憎水性圖像所對應的復合絕緣子的憎水性屬于HC1級.但是，在對第2個測試樣本圖像進行測試時，僅根據圖4（e）的稀疏表示系數對其憎水性級別進行劃分有一定的困難，各個類別所對應的稀疏表示系數變化跨度很大，系數之間大小相近的也很多.此種情況下通過進一步計算該測試圖像與稀疏表示各類之間的殘差來對測試圖像進行分類.由圖4（f）可知：第1類訓練樣本與測試圖像之間的殘差最小，以此可判定該測試樣本屬于第1類，即該憎水性圖像所對應的復合絕緣子憎水性等級為HC1級.

通過這個例子可以看出，利用稀疏表示對復合絕緣子憎水性圖像進行分類時，稀疏表示的系數具有以下兩個特點：

1）測試樣本所對應類別的訓練樣本參與該稀疏表示的比例最大.

2）同類測試樣本所對應的稀疏表示系數都比較接近.

3.2實驗結果分析

據文獻[11]，憎水性為HC1～HC2級的復合絕緣子可以繼續(xù)入網運行，HC3～HC5級時需要進行跟蹤監(jiān)測，HC6～HC7級的復合絕緣子必須退出運行.本文在實驗測試階段將復合絕緣子憎水性試驗圖像分成繼續(xù)運行，繼續(xù)觀測，退出運行3大類.將HC1～HC2分為第1類，HC3～HC5分為第2類，HC6～HC7分為第3類.相對應的樣本訓練集也進行了相應的調整，形成了具備上述3大類共107幅標準憎水性圖像的訓練樣本庫即訓練樣本空間，其中第1類樣本40幅，第2類樣本30幅，第3類樣本37幅.由于第1類樣本圖像中水珠較多，導致圖像情況復雜，故相應增加了第1類樣本圖像的數量.

4結論

測試結果表明：運用稀疏表示分類算法對復合絕緣子憎水性圖像進行檢測分類具有較高的準確率和可行性.復合絕緣子圖像光照情況復雜，水珠分布隨機不規(guī)則，可見該算法對外界環(huán)境的改變具有一定的魯棒性.與傳統(tǒng)的憎水性圖像識別分類方法相比，稀疏表示分類算法避開了復雜的圖像分割和特征提取過程，大大簡化了復合絕緣子憎水性檢測步驟.如何通過豐富和優(yōu)化憎水性圖像訓練樣本庫進一步提高算法準確率是今后努力的方向.

參考文獻

[1]趙林杰，李成榕，熊俊，等. 基于帶電檢測的復合絕緣子憎水性評價[J]. 中國電機工程學報，2008，28（16）： 135-142.

[2]張福林. 復合絕緣子外絕緣基材硅橡膠表面的憎水性和憎水遷移性機理分析[J]. 華北電力技術， 1999，3（1）：19-21.

[3]STRI Guide921，Hydrophobicity classification Guide[S].Sweden： Swedish Transm Res Inst， 1992.

[4]BERG M. A digital image processing method for estimating the level of hydrophobicity of high voltage polymeric insulating materials[C]//1999 Conference on Electrical Insulation and Dielectric Phenomena.Austin：IEEE，1999：756-762.

[5]彭克學，王泉德，王先培. 基于表面噴水圖像分析的絕緣子表面憎水性檢測方法[J].絕緣材料，2005，7（1）：47-51.

[6]WRIGHT J， YANG A Y. Robust face recognition via sparse representation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence（PAMI）， 2009， 31（2）：210-227.

[7]DONOHO D， TSAIG Y. Fast solution of l1norm minimization problems when the solution may be sparse[J]. IEEE Trans on Information Theory， 2006，54（11）：4789-4812.

[8]DONOHO D. Compressed sensing[J]. IEEE Trans on Information Theory，2006，52（4）：289-1306.

[9]HUANG J， HUANG X， METAXAS D. Simultaneous image transformation and sparse representation recovery[C]//Proceedings of CVPR. Anchorage： IEEE，2008：1-8.

[10]DONOHO D， TSAIG Y. Fast soluion of l1-norm minimization problems when the solution maybe sparse[R]. Department of Statistics， Stanford University， USA，2008.

第3篇：計算機視覺分析技術范文

關鍵詞： 大跨度運動； 肢體擺動； 視覺圖像； 輪廓特征檢測

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）07?0067?04

Visual judgment of body swing amplitude in long span movement

GAO Li

（Henan University of Animal Husbandry and Economy， Zhengzhou 450046， China）

Abstract： Since it is difficult to model the visual feature of the body swing amplitude in the long span movement， an edge area contour feature detection based visual judgment method of the body swing amplitude in the long span movement is proposed. In the visual judgment method， the body swing visual image of the long span movement is used， and then the high frequency component of the image is denoised to improve its SNR. The edge area contour feature detection method is used to extract the feature of the body swing amplitude to implement vision detection and image recognition. The performance of the method was verified with simulation. The simulation results show that the method can judge the body swing amplitude in the long span movement accurately， has strong ability for movement image analysis， and can improve the output SNR of the image and probability of accurate detection.

Keywords： long span movement； body swing； visual image； contour feature detection

0 引 言

隨著計算機數字圖像處理技術的成熟，采用圖像視覺分析方法進行運動圖像的特征檢測，在體育運動訓練方面展示了較高的應用價值。大跨度運動主要包括跳高、三級跳遠、跨欄以及各種球類運動。大跨度運動中肢體擺動幅度較大，采用傳統(tǒng)的視頻分析方法難以實現對運動動作的特征分析和視覺重構，不能有效指導體育運動訓練效果，需要采用計算機視覺圖像分析方法進行大跨度運動圖像的檢測和分析，視覺重構肢體擺動幅度，從而改進肢體運動中的不規(guī)范動作，提高運動訓練的效果[1]。

對大跨度運動中肢體擺動幅度的視覺判斷建立在人體三維模型建立和視覺特征重構的基礎上。采用圖像信息處理技術對大跨度運動中的人體肢體擺動運動動作進行特征視覺重構[2]，典型的人體運動中肢體擺動幅度的視覺特征重構方法主要有局部線性插值方法、二值圖像擬合方法和邊緣輪廓特征提取方法等[3?5]。

本文提出邊緣區(qū)域輪廓特征檢測的大跨度運動中肢體擺動幅度視覺判斷方法。首先通過CCD圖像掃描技術或者視頻特征采集技術視覺采集運動圖像；然后對運動圖像進行邊緣信息融合和特征重建，提高圖像的肢體擺動幅度的特征分析和參量估計能力；最后通過仿真實驗證明該方法取得了良好的視覺判斷效果。

1 運動圖像的初始化過程

1.1 圖像采集

為了實現對大跨度運動中肢體擺動幅度的視覺判斷，首先要采集大跨度運動中肢體擺動視覺圖像，設圖像視覺特征為[vm=（Rm，Gm，Bm）]和[auxm（Im，Im，fm，λm，dfm，][dlm），][Ψ11，][Ψ12，][Ψ13，][Ψ14]和[Ψ15]表示模板匹配系數，像素集合為[N1×N2]的運動圖像邊緣輪廓特征矩陣，運動幅度輸出測試樣本為：

[identity（y）=argminiW12final（y-Diαi）22] （1）

式中：[Wfinal]是動態(tài)變化過程的權值矩陣；[Di]是第[i]類訓練樣本三維結構模型。

初始特征狀態(tài)下肢體擺動特征的形體坐標為[X=（xi0，xi1，…，xi（n-1），yi0，yi1，…，yi（n-1））T。]在肢體擺動動作三維重構和視覺分析中，建造一個級聯分類器進行擺動動作的特征分類[6?7]。得到大跨度運動中肢體擺動修正像素值[I（i，j）]為：

[I（i，j）=k=1PI（k）（i，j）×2k-1] （2）

對視覺特征進行統(tǒng)計形狀模型分塊，進行圖像樣本屬性的自適應分割，跟蹤量化子塊互不相交的部分，那么圖像特征采集結果為：

[Gm，n=g（m，n）（1，1）g（m，n）（1，2）g（m，n）（2，1）g（m，n）（2，2）， m=1，2，…，M；n=1，2，…，N] （3）

[g（m，n）（u，v）=I（k）g[2（m-1）+u，2（n-1）+v]， u∈{1，2}；v∈{1，2}] （4）

式中：[u]為圖像[pi，j]在標定點的像素值；[i，j]為匹配點沿梯度方向相應像素的坐標值。

1.2 圖像預處理

為了提高圖像的輸出信噪比，進行圖像降噪預處理。采用圖像高頻分量降噪方法提高運動圖像的輸出信噪比[8]。在圖像的成像區(qū)域中，分區(qū)處理肢體擺動空間信息特征，采用關聯信息特征重建方法構建肢體擺動的特征分布無向圖[G=（V，E），]其中[E]是[E]的非空子集，采用RGB三維映射分析方法對圖像的噪點[P1=k=1hp（k）g（i，j）×2k-1]和[P2=k=1hp*（k）g（i，j）×2k-1]進行噪點盲分離，其系統(tǒng)函數為：

[H（z）=k=1hp（k）g（i，j）×2k-1k=1hp*（k）g（i，j）×2k-1] （5）

選擇時間間隔較長的[PE1]作為關鍵幀，通過最大灰度值提取輪廓特征空間信息，得到大跨度運動中肢體擺動RGB圖像[Edx，y]的三維坐標特征分布方程滿足：

[Fd-ddxFdx-ddyFdy=0] （6）

設RGB影像中像素的坐標為[υ=（r，c），]對于最大灰度特征分頻，通過圖像降噪滿足[C∈S，]其輪廓邊緣特征的特征匹配系數為[MST（C，E），]圖像的噪點為[C={Ci：i∈I}。]假設運用圖像干擾檢測方法進行圖像噪聲分離，得到大跨度運動中肢體擺動二值圖像的輪廓點標記信息：

[g（x，y）=f（x，y）+ε（x，y）] （7）

式中：[f（x，y），][g（x，y），][ε（x，y）]分別代表每個三維模型中圖像噪聲方差為[σ2n]的邊緣輪廓特征函數[9?10]。

在圖像降噪過程中，可將兩個分布場集合描述為：

[dft+1i，j，k=ρdfti，j，k+1-ρdft-1i，j，k] （8）

式中[ρ]控制兩個圖像噪聲分布場特征歸并的時間間隔。

通過上述處理，從體元模型中獲取RGB影像的輪廓標記點[r，]確定為大跨度運動中肢體擺動幅度搜索的目標。記錄[D（x）=0]處的體元，根據肢體擺動幅值分布興趣點進行邊緣像素集的跟蹤量化，量化值[VMmi]的計算式為：

[VMmi=j=1TCis_visibleMmi，CjTC-1] （9）

通過特征提取與特征歸并實現圖像降噪和肢體擺動幅度的視覺判斷。

2 肢體擺動幅度的視覺判斷優(yōu)化實現

2.1 基本思想

基于邊緣區(qū)域輪廓特征檢測的大跨度運動中，肢體擺動幅度視覺判斷方法的基本思想為：采用邊緣區(qū)域輪廓特征檢測方法進行肢體擺動幅度特征提取，實現視覺檢測和圖像識別，在原始RGB圖像數據中構建運動圖像邊緣區(qū)域輪廓特征檢測的網格圖，在網格頂點圖中進行圖像深度轉換，采用頂點圖與法向向量圖融合方法進行光纖投影，實現對大跨度運動中肢體擺動視覺圖像的體元計算和數據融合，完成采集相機的位置追蹤和邊緣區(qū)域輪廓特征檢測。工作原理如圖1所示。

2.2 計算運動圖像邊緣區(qū)域輪廓特征距離

肢體擺動視覺圖像的體元檢測結果為：

[xI（W（x；p））-A0（W（x；0））-?A0?W?pΔp2] （10）

基于角點檢測結構，進行體元數據融合，則有：

[Bel（xt）=p（ztxt）p（xtut-1，…，z0）p（ztut-1，d0，…，t-1）=ηp（ztxt）Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （11）

視覺圖像采樣的特征壓縮函數為：

[p（ztxt-1，d0，…，t-1）=Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （12）

[p（ztxt）=p（xtxt-1，ut-1）] （13）

用TPS頂點圖與法向向量圖變換來確定大跨度運動中肢體擺動網格區(qū)間的圖像深度[η]：

[η=1p（ztut-1，d0，…，t-1）] （14）

為了實現運動圖像邊緣區(qū)域輪廓特征檢測，從頂點圖中進行特征點自適應檢索，得到大跨度運動中肢體擺動的角點位置信息相關函數：

[RT1R1={X1，X2，…，Xm}{X1，X2，…，Xm}T] （15）

考慮特征向量分布空間的肢體擺動視覺像素特征點，進行運動圖像邊緣區(qū)域輪廓特征分解：

[RT1R1=V1Σ1VT1] （16）

得到大跨度運動中肢體擺動的標準化特征滿足條件[?=sup?（θ）]，肢體擺動目標點與特定點之間的距離為：

[h（ωi，k）=（xi-x）2+（yi-y）2] （17）

通過SIFT角點檢測算法實現對大跨度運動中肢體擺動視覺圖像的體元計算和數據融合，達到運動圖像邊緣區(qū)域廓特征檢測的效果。

2.3 肢體擺動幅度規(guī)律性特征角度的識別

假設大跨度運動中肢體擺動幅度向量集[K{ri}]為體源模型區(qū)域中的模型拼接信息，在特征檢測節(jié)點[（x，y）]處提取肢體擺動幅度的規(guī)律性特征信息：

[Kwpg（x，y，ωi）=1，d（ωi，k）≤r-ruu-α1θβ1θ2β2+α2，r-ru

式中：[ru（0

[θi=ru-r+d（ωi，k）] （19）

采用計算機視覺信息判斷方法進行肢體擺動幅度的視點分割，得到視點分割的特征映射：

[Kwpg（Wpg）=1-ωi∈Wpg（1-Kwpg（x，y，ωi））] （20）

計算出計算機視覺下大跨度運動肢體擺動的邊界網格中[ki（ki-1）2]個邊，這[ki]個肢體擺動的像素信息點實際形成的邊[Ei]與[ki（ki-1）2]的比值構成肢體擺動的三維重構信息，信息函數為[Ci，]即：

[Ci=Eiki（ki-1）2] （21）

肢體擺動動作的三維空間重構輸出為：

[C=1Ni=1NCi] （22）

結合人體動力學模型，得到[N=228]。結合邊緣區(qū)域輪廓特征檢測方法提取肢體擺動幅度SIFT特征，實現視覺檢測和圖像識別。本文方法的實現過程如圖2所示。

3 實驗與結果分析

實驗平臺硬件環(huán)境為：CPU 3.30 GHz，內存4 GB DDR3的個人PC機，輸入圖像的像素值為1 024×1 689，實驗次數為100次，圖像的信噪比為-12 dB。以三級跳遠作為大跨度運動的測試向量集，以跳遠運動中的正面和側面采集的兩幅肢體擺動圖像作為測試對象，首先對大跨度運動中肢體擺動視覺圖像進行特征采集，得到原始運動圖像視覺信息采集的結果如圖3所示。

圖3給出的運動圖像采集結構受到相機抖動和環(huán)境因素的干擾，準確判斷運動幅值的性能受限。采用圖像高頻分量降噪方法提高運動圖像的輸出信噪比，得到的圖像降噪結果如圖4所示。

把圖4中的大跨度運動中肢體擺動幅度視覺判斷及動作數據保存為.txt文本數據，加載到圖像數據處理軟件中，進行計算機視覺分析。然后采用邊緣區(qū)域輪廓特征檢測方法進行肢體擺動幅度特征提取，得到的結果如圖5所示。

從圖5可見，采用本文方法進行大跨度運動中肢體擺動幅度檢測，能較好地去除背景信息的干擾，提高肢體擺動幅度檢測的準確度和指向性。圖6為大跨度運動中肢體擺動幅度的視覺檢測均方根誤差對比結果。

分析圖6可知：

（1） 采用本文方法進行大跨度運動中肢體擺動幅度檢測，提高了輸出圖像的峰值信噪比，改善了圖像成像質量。

（2） 本文方法進行大跨度運動中肢體擺動幅度視覺判斷，實現幅度參量檢測估計的均方根誤差較低，說明準確性能較好。

4 結 語

為了提高大跨度運動訓練的指導水平，進行大跨度運動中肢體擺動幅度視覺特征建模分析，提出基于邊緣區(qū)域輪廓特征檢測的大跨度運動中肢體擺動幅度視覺判斷方法。研究結果表明，本文能夠實現大跨度運動肢體擺動幅度的視覺判斷，提高圖像的輸出信噪比和準確檢測概率，誤差小，具有廣泛的應用前景。

參考文獻

[1] 柳超，李秀友，黃勇.優(yōu)化的多模型粒子濾波機動微弱目標檢測前跟蹤方法[J].信號處理，2015（9）：1131?1137.

[2] 趙石磊，郭紅，劉宇鵬.基于軌跡跟蹤的線性時滯系統(tǒng)容錯控制[J].信息與控制，2015，44（4）：469?473.

[3] 尚朝軒，王品，韓壯志，等.基于類決策樹分類的特征層融合識別算法[J].控制與決策，2016，31（6）：1009?1014.

[4] 郭三黨，劉思峰，方志耕.基于核和灰度的區(qū)間灰數多屬性決策方法[J].控制與決策，2016，31（6）：1042?1046.

[5] MAREY M， DOBRE O A， LIAO B. Classification of STBC system over frequency?selective channels [J]. IEEE transactions on vehicular technology， 2015， 64（5）： 2159?2164.

[6] 李旭超，宋博，甘良志.改進的迭代算法在圖像恢復正則化模型中的應用[J].電子學報，2015，43（6）：1152?1159.

[7] 涂超平，肖進勝，杜康華，等.基于各向異性熱擴散方程的多聚焦圖像融合算法[J].電子學報，2015，43（6）：1192?1199.

[8] 王寶進，吳淑躍，薛娟.SDD?1改進算法在Hive中用[J].湘潭大學自然科學學報，2014，36（4）：77?82.

第4篇：計算機視覺分析技術范文

換句話說，物聯網連接性必須是智能的和可擴展的。一個智能IoT平臺需要3個主要構件：連接性、環(huán)境感知和智能處理。顯而易見地，這個智能平臺需要處理很多數據，而一個以DSP為基礎的解決方案能夠很好地支撐基于連接性、環(huán)境感知和智能處理構建的智能IoT平臺。讓我們從物聯網連接性所面對的挑戰(zhàn)開始，逐一討論DSP技術如何推動智能物聯網的發(fā)展。

經由DSP實現的智能連接

基于DSP的軟件解決方案PHY通過支持多種連接性標準來實現智能IoT設備。以智能家居為例，IoT設備大多使用WiFi連接，然而在沒有WiFi的情況下，它們能夠自動轉換至LTE網絡。

從安全角度來看，攻擊家庭WiFi網絡或電力供應是十分容易的，但是廣域LTE網絡卻難以被攻擊，因而IoT設備將依賴LTE進行家庭環(huán)境之外的云連接。基于CEVAXC DSP的軟件PHY可以實現多標準無線連接平臺的創(chuàng)建。

CEVA的WiFi平臺基于CEVATeakLite-4 DSP外加PHY和MAC硬件，可以擴展支持其他連接性標準，并且在IMb/s 802.lln的條件下功耗低于30mW。其次，CEVA的藍牙平臺使用與WiFi解決方案相同的DSP產品TeakLite-4，同時支持傳統(tǒng)藍牙和低功耗藍牙（BLE）。

藍牙控制器協議棧在CEVATeakLite-4上運行，而基帶硬件則與TeakLite-4 DSP內核集成。下一代藍牙5.0將支持“audio over BLE”和“IPv6 0ver BLE”，而且支持更廣的覆蓋范圍。另一個令人期待的物聯網連接性標準是LTE MTC（Machine Type Communication）.LTE CATO是首個滿足MTC需求的3GPP Category，MTC提升LTE覆蓋范圍至高達15dB，并且可以使用2個AA電池運行長達10年。

性能優(yōu)于MCU/CPU

基于CEVA-TeakLite-4和CEVA-XC等DSP的IoT連接性方案勝過基于MCU的普遍解決方案。以運行WiFi和HD音頻解碼并具有音頻后處理特性以增強音效體驗的便攜式WiFi互聯網收音機為例，使用CEVATeakLite-4等內核處理Wi-Fi和音頻的功耗僅為典型主CPU的六分之一。

在物聯網（IoT）環(huán)境中有著多種低成本傳感器，以智能家居為例，一個IoT家庭控制器設備可能具有麥克風，能夠收集語音輸入、處理用于語音識別的指令和進行說話人身份確認，并且在偵測到玻璃破碎等可疑噪聲時，自動呼叫保安公司。

家中可能還有CMOS圖像傳感器，能夠執(zhí)行運動檢測、夜視和面部識別等功能，并且可發(fā)送信息告訴主人何人在家。

那么，DSP在感測領域中可發(fā)揮什么作用呢？首先，DSP使得人們可以分析和匯總來自傳感器的數據，而且越來越多的傳感器生成大量的數據和信息，必須以極低的功耗來處理。

傳感器互聯網

有很多種用于運動、聲音、視覺、健康和其他環(huán)境數據采集的傳感器。生物特征傳感器對于可穿戴設備非常重要，因為它們能夠與皮膚和肌肉接觸，并且使得健康監(jiān)測更持久。多個運動感測及多種位置和環(huán)境感測應用程序使用麥克風、攝像頭和環(huán)境傳感器。還有信標和三角測量設備，它們用于在沒有GPS信號的商場和機場中追蹤位置。

這些傳感器的輸出的噪聲水平可能很高，所以需要通過濾波、平滑、校準等方法“清理”信號以提取數據。為了校準和獲得有意義的數據，不可避免地要進行大量信號處理。而這造成了一個兩難問題，一方面手機和IoT設備OEM廠商要求alwavs-on感測應用的功耗控制在數毫安的水平，另一方面大量信號處理會帶來功耗的增加。

使用DSP進行智能感測

早期的傳感器融合功能通常作為應用處理器軟件的一部分而運行，但是這種方法的功耗太高了。接下來，OEM廠商開始使用sensor hub，這通常是一個進行簡單加速度計或運動感應處理的精簡MCU。這種方法存在同樣的問題，就是OEM廠商需要功耗很低的解決方案。

基于DSP的感測解決方案可以節(jié)省功耗，并同時執(zhí)行多種感測任務。超低功耗DSP將經由麥克風隨時偵聽語音指令，并且在需要時喚醒主處理器，它還能夠通過學習過程和預先設定的規(guī)范來執(zhí)行環(huán)境感知操作。生物特征傳感器的引入則進一步增加了對DSP的需求。

CEVA DSP解決方案既可以實現在sensor hub中，也可以實現在應用處理器中。

CEVA-TL410 DSP內核可以在功耗低于150μW的條件下實現alwayson傳感器融合、語音觸發(fā)、人臉觸發(fā)和低功耗藍牙（BLE）功能。它不僅可以嵌入到單獨的sensor hub芯片或者音頻編解碼芯片中，DSP內核和子系統(tǒng)也可以集成進應用處理器本身。

IoT的目的就是要把各種物件連接起來，但這并不意味著它們天生是具有智能處理功能。

讓我們以智能家居為例，IoT家庭控制器設備必須是智能的，它可以通過匯總本地設備上的數據來提取有價值的信息，并且向您發(fā)送家中一切安好的信息。

以DSP為中心的解決方案能夠實現基于連接性、感測和智能處理部件的智能IoT設備的創(chuàng)建。

本地智能為何重要

我們如何才能使得IoT設備具備更高智能？今天大量的IoT處理是在云端進行，但是，對于語音識別、目標識別和數據分析等應用，在設備側進行本地處理是很有價值的。在大多數情況下，若要把來自傳感器、麥克風、相機和其他來源的所有數據都傳送到云端是根本不可行的。另一方面，位于IoT設備內部并且具有全部所需外設的DSP子系統(tǒng)能夠提供功能強大的智能處理系統(tǒng)，用于音頻和視覺分析。

基于DSP的本地智能處理能力為專用信號處理應用提供了低功耗優(yōu)勢，并且可以節(jié)省寶貴的通信網絡帶寬以及云服務的成本。本地智能處理能力的另一項優(yōu)勢，就是避免了信息（例如攝像頭和麥克風的輸入）從IoT設備傳向云端時可能引起的安全和隱私問題。

例如，基于DSP的音頻分析能夠執(zhí)行聲音分類和分析，用于語音識別和說話人身份識別應用。它能夠根據您的語音聲調識別緊急情況，或者報告玻璃破碎和嬰兒哭泣等事件。CEVATL421音頻DSP是第四代原生32位DSP，實現包括精確聲音分析所需的高強度降噪在內的許多智能處理。

另外還有基于DSP的計算機視覺和視頻分析，能夠以遠低于CPU或GPU的功耗來執(zhí)行場景分析等任務。越來越多的具備目標檢測、面部識別和手勢識別等功能的IoT設備配備了攝像頭，而且需要復雜的視覺分析能力，而CEVA公司的第四代計算機視覺引擎CEVAXM4能夠在本地處理大量的視頻數據，是這方面的理想選擇。

（上接第39頁）

第5篇：計算機視覺分析技術范文

關鍵詞：電子制圖；地圖學；電子地圖

Abstract: The electronic cartography and Computer Science in the context of the information revolution, in close connection with the product. It is the use of advanced information technology to greatly expand the ways and means of cartography, to promote cartography another innovation. Cartography direction break-through in the two-dimensional static constraints to the development of multi-dimensional, interactive, dynamic and virtual direction. This paper discusses the current Electronic Cartography development, the advantages of electronic cartography, electronic maps and cartographic generalization and electronic cartography use and inadequate.Keywords: electronic mapping; cartography; electronic map

中圖分類號：S771.3文獻標識碼：A文章編碼：

1.電子地圖制圖的發(fā)展狀況

1.1電子地圖概括

電子地圖是以地圖數據庫為基礎，以數字形式存貯于計算機外存貯器上，并能在電子屏幕上實時顯示的可視地圖，又稱“屏幕地圖”或“瞬時地圖”。根據電子地圖存貯介質的不同又可分為“磁盤地圖”或“光盤地圖”等。

電子地圖的主要優(yōu)點在于：

(1)電子地圖數據庫可包括圖形、圖像、文檔、統(tǒng)計數據等多種形式，也可與視頻、音頻信號相連，數據類型與數據量的可擴展性比較強；

(2)電子地圖的檢索十分方便，多種數據類型、多個窗口可以在同一屏幕上分層、實時地進行動態(tài)顯示，具有廣泛的可操縱性，用戶界面十分友好；

(3)信息的存貯、更新以及通訊方式較為簡便，便于攜帶與交流；

(4)可以進行動態(tài)模擬，便于定性與定量分析，具有較強的靈活性，為地圖及其相關信息深層次的應用打下了堅實的基礎；

(5)可縮短大型系列地圖集的生產周期和更新周期，降低生產成本。

1.2電子地圖制圖的優(yōu)點

電子地圖制圖與傳統(tǒng)地圖制圖相比，有著不可比擬的優(yōu)勢，具體體現在：

1、電子地圖可以方便地應用于計算機讀取、分析、管理和輸入地形信息的各個領域（如GIS）中的信息獲取和輸出。

2、電子地圖易于校正、編輯、更新和復制，并可方便地根據用戶要求進行改編，計算機可僅取出和制作用戶所需要的內容和比例尺，增強了地圖的適應性、實用性和用戶的廣泛性。

3、電子地圖存貯方便，并保證了貯存的不變形性，提高了地圖的使用精度。

4、電子地圖的容量大，它只受計算機存貯器的限制，因此可以包含比一般模擬地圖多得多的地理信息。

5、增加了地圖的品種，拓寬了服務的范圍，比如用電子計算機處理地圖信息，可制作用常規(guī)方法難以實現的三維立體圖、視覺立體圖、地面切割密度圖、坡度圖、坡向圖等。

6、傳統(tǒng)地圖制圖主要是以手工完成，手工制圖的質量高低，很大程度上取決于作業(yè)者的技術水平，不同的作業(yè)者對同一圖幅內地理現象的認識存在著差異，因此不同作業(yè)者編制的同一地區(qū)的地圖在內容上就有可能不完全一致，這種不一致有時就會給地圖使用者帶來困難。用繪圖機繪圖不僅減輕了作業(yè)人員的勞動強度，而且也減少了制圖過程中人的主觀隨意性所引起的偏差，這樣就為地圖制圖的進一步標準化，規(guī)范化奠定了基礎。

7、加快了成圖速度，縮短了成圖周期，改進了制圖和制印的工藝。

8、便于遠程傳輸。電子地圖信息，能作遠距離的傳輸和處理。某些類型的制圖，如航空圖，需及時向用圖者反映圖上各種變化，通過遠程傳輸能夠有效地達到這一目的。

當今電子地圖制圖的發(fā)展趨勢表現在以下幾個方面：

（1）多種數據采集手段一體化

（2）數據標準化

（3）向集成化的地理信息系統(tǒng)發(fā)展

2.電子地圖制圖

2.1電子地圖制圖概括

電子地圖制圖強調空間地理信息的傳輸和表達,電子地圖制圖須在現有技術發(fā)展的基礎上加強空間(地圖) 分析功能,即在保持地圖表達的模擬性、藝術性的基礎上向GIS 發(fā)展轉化,才能夠一方面提高可視化表達質量,另一方面深化數字地圖制圖的應用層次,拓展其應用范圍

地圖學經過長期的研究與實踐,總結了一整套地圖設計、編制、整飾、綜合的地圖制圖技術體系,并由此歸納出地圖信息學、地圖模式論、地圖符號學、地圖感受論等理論知識,可以從用圖者對地圖內容在心理及生理層面上的感受、審美觀、視覺效果等方面入手,最大程度地利用容量有限的地圖載體,概括和抽象空間地理特征,表達海量的地圖目標實體及其復雜的空間關系。

而電子地圖制圖是地圖學與計算機技術、圖形圖像處理技術融合發(fā)展的產物,在保持地圖原有特色的基礎上,提高了地圖的各生產環(huán)節(jié)的效率和成果質量,增加了地圖的表現手段,拓展了地圖的應用范圍。但電子地圖制圖在重視地圖制圖理論、技術、方法的同時,存在著忽視地圖分析應用的現象,而要拓展電子地圖制圖的應用,就要在保持其現有特色的基礎上,加強空間地理分析功能,向GIS 發(fā)展和轉化。

2.2電子地圖與制圖綜合

在傳統(tǒng)地圖制圖過程中,制圖綜合的目的是在于將無限的信息反映在有限的區(qū)域內,實質是受制于信息存儲介質的容量和人的視覺分辨率。計算機軟硬件技術的發(fā)展使得存儲器的容量成倍地增加,同時圖形數據的縮放、漫游功能也改變了人的視圖要求。因此,在重新審視制圖綜合標準和質量時,應該從現代技術發(fā)展的角度考慮,將傳統(tǒng)的制圖綜合的一些方法、規(guī)則與新技術相結合,與GIS對空間地理目標的數據要求相匹配。問題的關鍵在于如何協調區(qū)域地理特征和空間地理目標細節(jié)之間的關系,在有效保持區(qū)域地理特征的基礎上,盡可能減少地圖綜合對地圖目標實體的變化,比如采用變焦數據庫或建立各要素空間結構關系的方式。分析這兩種方法的實質,不難發(fā)現它是通過不改變地圖數據庫,僅僅在視覺上實現地圖制圖綜合效果的方法,以解決地圖表達的計算機視覺與空間地理分析的地理實體之間的矛盾問題

2.3電子地圖制圖的不足

顯然,地圖數據庫中存在的地圖目標的不完整和地圖制圖綜合導致的空間地理信息的變化也導致了空間結構關系的不完整。由于GIS 在空間分析中需要建立完整的空間結構關系,既包括道路網結構、河系樹結構等較簡單的空間結構關系(這些關系通過拓撲結構就可以進行準確的描述) ,也包括居民地、地貌等更加復雜的空間結構形態(tài)。作為主要研究地圖表達的電子地圖制圖在地圖數據庫支持下雖然有一部分空間分析功能,可以建立一定的空間結構關系,但還是無法滿足GIS 的更為廣闊的區(qū)域和專題應用的需要。

解決的前提是建立地圖數據庫中全面的、完整的地圖目標實體,同時保持地圖目標實體在空間形態(tài)上的地理性質。并在此基礎上,從分析地理應用出發(fā),建立地圖各要素之間的關系

3.電子地圖制圖的運用

目前國內外的電子地圖應用主要集中于地圖信息數據的網上，以及簡單的空間和屬性的雙向查詢，這還僅僅局限于二維表達地理客體和現象。隨著地圖功能多極化的發(fā)展，網絡地圖同樣具有功能多極化的特點，也就是將其擴展到三維顯示，能瀏覽和操作大型海量數據，功能擴展到空間分析、知識挖掘、預測預報和綜合評價等方面。

結論：

電子地圖制圖是現代地圖學研究的前沿之一，它的研究對地理信息的表達、處理、傳輸和利用都具有重要的理論和現實意義。特別是在信息技術高度發(fā)達的今天，各個學科領域都不斷的引入其它學科中有益的方法和手段以促進自身的進一步發(fā)展，電子地圖制圖也應該不斷的汲取其它學科中有益的方法以彌補自身不足，使之更加完善，功能更加齊全。

文獻綜述

[1]劉岳.我國電子地圖研制的實踐及發(fā)展方向[J].地球信息科學，2005

[2]高俊.地理空間數據的可視化.測繪工程，2000

第6篇：計算機視覺分析技術范文

Abstract: The technology of intelligent video surveillance changes the passive monitoring to active monitoring, and changes the post hoc analysis of the prison monitoring system into analyzing things and advance warning. Prison sentence as the penalty enforcement authorities shoulder the important function of maintaining social peace and stability, preventing and reducing crime, so they need to use modern technology to ensure the performance of the functions. Based on the analysis of the technology of intelligent video monitoring, this paper discusses its specific application in prison.

關鍵詞： 視頻監(jiān)控系統(tǒng)；智能視頻監(jiān)控；異常行為識別；監(jiān)獄

Key words: video surveillance system；intelligent video surveillance；abnormal behavior recognition；prison

中圖分類號：TP39 文獻標識碼：A文章編號：1006-4311（2010）35-0140-02

0引言

監(jiān)獄視頻監(jiān)控系統(tǒng)是監(jiān)獄安防系統(tǒng)的重要組成部分，它對于監(jiān)督犯人的改造、防范監(jiān)獄內突發(fā)事件的發(fā)生都起到不可替代的作用。傳統(tǒng)的視頻監(jiān)控模式，在大多時候只能用于事后取證，無法起到預防、預警的作用。同時隨著監(jiān)控系統(tǒng)圖像路數的增加，獄警人手相對緊張，使監(jiān)控的效率大打折扣，為此提出新一代監(jiān)控――智能視頻監(jiān)控（IVS Intelligent Video Surveillance）的概念。智能視頻監(jiān)控的目的是在無需人為干預的情況下，利用計算機視覺和圖像分析的方法對攝像機拍攝的圖像序列進行自動分析，將有用的信息提取后呈現給監(jiān)控者。使監(jiān)控者可以擺脫大量繁雜無關信息的干擾，并能在異常情況發(fā)生時做出及時反應，使視頻監(jiān)控系統(tǒng)重新成為防范于未然的重要手段。

1智能視頻監(jiān)控技術

從上世紀90年代中期開始，卡耐基梅隆大學（CMU）和麻省理工學院（MIT）的視覺監(jiān)控重大項目VSAM（Visual Surveillance and Monitoring）以及其它科研機構的研究成果，推動了智能視頻監(jiān)控系統(tǒng)的發(fā)展。智能視頻監(jiān)控系統(tǒng)可以解決兩個主要問題：一個是將安防操作人員從繁雜而枯燥的“盯屏幕”任務中解脫出來，由機器來完成這部分工作，對異常情況能夠及時處理等，比如報警等；另外一個是為在海量的視頻數據中快速搜索到想要找的圖像。智能視頻監(jiān)控的核心內容是對特定目標的自動檢測、跟蹤與異常行為識別，包括運動檢測、目標分類、目標跟蹤、異常行為識別等4個方面內容。其中運動檢測、目標分類、目標跟蹤等屬于低級和中級處理，而異常行為識別，如人與物的異常行為的檢測與識別等則屬于高級處理，但它們之間也可能有交叉。

1.1 運動檢測運動檢測是視頻監(jiān)控系統(tǒng)中關鍵的一步，它的目的就是提取監(jiān)控場景中的運動目標為運動物體的識別跟蹤和行為理解等中高級視覺分析提供必備條件。運動檢測是從圖像序列中將變化區(qū)域從背景圖像中提取出來。運動區(qū)域的有效分割將大大減少后續(xù)過程的運算量。然而，背景圖像的不穩(wěn)定性，如陰影、光照、慢移動、靜移動（樹葉的擺動）等等，也使得運動檢測非常困難。目前運動檢測方法主要包括光流法、時間差分法、和背景差分法。光流法計算方法復雜，計算量大，很難滿足實時要求，所以在實時性要求相對較高的視頻監(jiān)控系統(tǒng)中不予采用。時間差分法實質是利用相鄰幀圖像相減來提取前景目標移動的信息，計算簡單、速度快、實時性高，而且對動態(tài)環(huán)境具有較強的自適應性，但是對于移動緩慢或顏色一致的運動物體，時間差分法不能完全提取出所有相關的特征像素點，在運動物體內部容易產生“空洞現象”。背景差分法是利用當前圖像和背景圖象的差分（SAD）來檢測出運動區(qū)域的一種方法，可以提供比較完整的運動目標特征數據，精確度和靈敏度比較高，具有良好的性能表現。

1.2 目標分類目標分類的目的是從檢測到的運動區(qū)域中將特定類型物體的運動區(qū)域提取出來。目標分類可以分為基于運動特性的分類和基于形狀信息的分類兩種方法。基于運動特性的識別利用目標運動的周期性進行識別，受顏色、光照的影響較小。基于形狀信息的識別利用檢測出的運動區(qū)域的形狀特征與模板或者統(tǒng)計量進行匹配。

1.3 目標跟蹤目標跟蹤，就是通過對攝像機獲得的視頻幀序列進行分析，計算出目標在每幀圖像上的二維位置坐標，根據當前幀的目標位置定位下一幀的目標位置。在目標跟蹤技術中，一般可分為兩類：一類為目標檢測方法，即對每一幀圖像采取自底向上的方法進行目標檢測，例如基于Adaboost算法的實時行人檢測系統(tǒng)；還有一類為目標驗證方法，先猜測目標的位置，然后進行驗證，是一種自頂向下的方法，均值偏移就是這類算法中的一種。

1.4 異常行為識別異常行為的檢測與識別屬于高級處理。傳統(tǒng)的數字圖像處理通常是將模擬的視頻信號轉換成數字視頻信號后，送PC機進行軟處理，這不僅不夠靈活，其處理能力還受到PC機和軟件的限制。而監(jiān)獄視頻監(jiān)控系統(tǒng)往往要求系統(tǒng)具有穩(wěn)定的特點，因而基于嵌入式平臺的智能視頻監(jiān)控算法研究越來越受到重視。隨著CCD與CMOS攝像機芯片工藝的改進和數字信號處理器DSP功能的提升，使得數據量與計算量較大的圖像硬處理成為可能。

由于智能識別算法運算量很大，一般使用兩塊DSP芯片的方案來實現，一塊芯片專門負責普通視頻服務器的視頻壓縮和傳輸功能。另一塊專門運行智能識別算法。具體來講就是模擬視頻信號先經過采集芯片的AD轉換形成數字信號，通過DSP的Video Port接口傳入運行智能識別算法DSP內部，經過智能識別算法函數的處理后，就通過函數返回值直接獲得感興趣的信息，另外在圖像上疊加了一些標示分析結果的圖形和符號。新的圖像和監(jiān)控信息再送入視頻壓縮的DSP進行普通的視頻壓縮和傳輸。

用于智能視頻分析的算法有單一算法、對象跟蹤算法、多對象行為監(jiān)測算法等。單一算法可以識別和捕捉出現在監(jiān)控畫面里移動的物體。雖然此方法起到些作用，但它不能作為一個完整的解決方案，而且畫面中人數多的時候或復雜的行為就不能用。對象跟蹤算法是通過使用一種圖形化的地圖，攝像機可以捕捉移動的物體，這些對象被完全秘密監(jiān)控。雖然這種方法有所進步，但它無法識別一些可以導致違規(guī)的行為，而且這種方法跟蹤對象需要攝像頭畫面的重疊。多對象行為監(jiān)測是通過一種神經網絡算法，可以識別多個物體的多種行為，可以作為一個完備的安全方案，十分有效地應用到監(jiān)控系統(tǒng)里，實施地發(fā)現各種違規(guī)行為。

2監(jiān)獄智能視頻監(jiān)控技術應用

監(jiān)獄的智能視頻監(jiān)控技術主要發(fā)揮管理和預警作用，主要應用在大門、圍墻、監(jiān)倉等敏感區(qū)域，防止人員逗留、自殺、打架以及重要生產工具丟失等。

2.1 監(jiān)獄打架斗毆聚眾智能識別系統(tǒng)在監(jiān)獄空曠處，如操場、食堂等，或者在監(jiān)舍、放風場等場所，當在押人員出現聚眾現象時，往往有聚眾、打架斗毆等異常情況嫌疑。為保證在押人員的安全以及保護在押人員人權，需要使用打架、斗毆、聚眾等人體異常行為智能識別系統(tǒng)，該系統(tǒng)基于智能視頻分析并結合人體行為檢測，當發(fā)生上述行為時則自動報警，提醒監(jiān)管部門有異常情況發(fā)生，及時進行反映和處理，防止暴力惡性事件的發(fā)生。

2.2 監(jiān)獄圍墻智能巡邏系統(tǒng)為有效地對巡邏人員和巡邏工作進行有效的監(jiān)督和管理，管理者可按照巡邏地點和巡邏路線的要求，定義不同的規(guī)則，確保在規(guī)定的時間內有巡邏人員進行巡邏，并實時跟蹤巡邏人員的軌跡，記錄巡邏人員往返的時間、里程數，識別巡邏人員的巡邏狀態(tài)，當發(fā)現巡邏人員倒地、異常行為時自動報警，切實有效地保護巡邏人員的人身安全；避免出現無人巡邏、不按規(guī)定路線進行巡邏、巡邏時間不及時以及巡邏過程出現意外的情況；同時可有效避免巡邏人員巡邏期間在高墻內外串供或為在押人員傳話等違規(guī)行為，保證監(jiān)獄、看守所的正常安全運作。

2.3 門崗哨兵異常智能識別系統(tǒng)

2.3.1 正常狀態(tài)：哨兵在崗哨內執(zhí)勤，姿勢正確且在規(guī)定的區(qū)域內活動，屬于正常狀態(tài)則不會觸發(fā)報警。

2.3.2 不規(guī)范站崗：哨兵在崗哨內執(zhí)勤，過程中哨兵出現靠墻、彎腰、坐下、蹲下等不規(guī)范姿勢，系統(tǒng)識別為哨位異常報警。

2.3.3 倒地報警：哨兵在崗哨內執(zhí)勤，過程中哨兵可能因中暑或遠距離遇襲出現倒地的情況，系統(tǒng)識別為哨位異常報警。

2.3.4 兩個人報警：哨兵在崗哨內執(zhí)勤，過程中哨位內出現兩個人，且停留時間超過系統(tǒng)設定時間，系統(tǒng)識別為哨位異常報警。

2.3.5 多人報警：哨兵在崗哨內執(zhí)勤，過程中哨位內出現多人（三個或以上），系統(tǒng)識別為哨位異常報警。

2.3.6 脫崗報警：哨兵在崗哨內執(zhí)勤，過程中識別脫離哨位，系統(tǒng)識別為哨位異常報警。

2.3.7 遇襲報警：哨兵在崗哨內執(zhí)勤，當有人襲擊哨兵或發(fā)生暴力行為時，系統(tǒng)自動識別報警，有效保護哨兵安全。

2.3.8 換崗報警：當哨兵換崗時，未按照規(guī)定區(qū)域或規(guī)定動作、規(guī)定時間換崗，系統(tǒng)自動識別報警。

2.4 監(jiān)獄全方位越獄系統(tǒng)針對監(jiān)獄圍墻，可以將警戒線跨越檢測、滯留檢測、警戒區(qū)入侵檢測這幾個功能組合使用，可預防犯人跨越圍墻逃脫。在圍墻內，當有人進入警戒區(qū)，智能設備發(fā)出報警，值班室工作人員立即接收到報警畫面，當此人再次跨過警戒線，表明此人有可能要翻越圍墻。，智能設備再次發(fā)出報警，值班員馬上采取相關措施。而圍墻外也將設置警戒區(qū)，在設置警戒區(qū)內如果有人長時間逗留、徘徊，也能產生報警，提升值班人員注意此人非常可疑。當智能設備發(fā)出預警時，可進行一系列的報警聯動，報警監(jiān)控平臺自動彈出報警畫面，電視墻主畫面自動彈出報警畫面，報警自動轉發(fā)到上級單位，使得上級單位在第一時間看的報警畫面。

3總結

監(jiān)獄作為國家的刑罰執(zhí)行機關，擔負著維護社會安寧和穩(wěn)定、預防和減少犯罪的重要職能，更需要運用現代科技手段來保證職能的履行。智能視頻監(jiān)控區(qū)別于傳統(tǒng)意義上的監(jiān)控系統(tǒng)在于它的智能性，即變被動監(jiān)控為主動監(jiān)控（自動檢測、識別潛在入侵者、可疑目標和突發(fā)事件）。不僅用攝像機代替人眼，而且用計算機代替獄警、協助獄警來完成監(jiān)視或控制的任務，從而減輕獄警的負擔。其優(yōu)勢主要有：24×7全天候可靠監(jiān)控、提高報警精確度和響應速度。智能視頻監(jiān)控技術將對新一代監(jiān)獄安全技術防范系統(tǒng)建設產生深遠的意義。

參考文獻：

[1]李立仁，李少軍，劉忠領.智能視頻監(jiān)控技術綜述[J].中國安防，2009，（10）：90-95.

[2]鄭世寶.智能視頻監(jiān)控技術與應用[J].安防科技，2009，（3）：59-61.

[3]楊.智能視頻監(jiān)控系統(tǒng)的設計研究[J].科技情報開發(fā)與經濟，2010，20（4）：110-112.