《计算机视觉应用问题研究4300字（论文）》

计算机视觉应用的发展研究综述摘要物流仓储安全是一个企业赖以生存的基本条件，在现代物流业和计算机技术大力发展的环境下，有效保障仓储安全的必要手段是要学习用智能化技术进行安全管理。智能视频监控系统的开发和应用有着广大的前景。仓储安全管理是在物流系统中进行系统地、科学地计划、协调、组织以及控制仓储的业务活动，在物流仓储过程中具有关键的作用。为实现提高物流仓储安全管理水平这一目标，利用智能视频监控系统、计算机视觉技术、安全仿真技术等来实现仓储的安全管理是非常有必要的。通过计算机视觉技术可以提取和分析视频监控信息，并对仓库监控范围的可疑行为进行检测和跟踪，实时获取信息，当发现异常行为时系统自动报警，从而实现仓库智能高效的安全管理。1.计算机视觉技术的研究领域的内容1.1计算机视觉的定义计算视觉可以认为是机器学习在视觉领域的应用，是人工智能领域的重要组成部分。其内容可以概括为:通过收集图像或视频，对图像或视频进行处理和分析，并获取相应的信息。换句话说，用照相机和计算机来获取我们需要的信息。这是一个涉及面很广的综合性话题。从目前的研究阶段来看，计算机视觉尝试建立人工智能系统，越来越多的理论和技术被提出来的原因是从多维图像或数据中获取信息。1.2计算机视觉的内容计算机视觉包括捕捉、处理和控制图像运动三大组成部分。①光学镜片:成像设备或数字设备。光学透镜是计算机视觉系统的重要组成部分。对于一些主要的目标:分辨率，对比度，景深和各种像差是至关重要的图像质量的因素。②辅助光源成像设备是成像中必不可少的设备，其强度对成像质量至关重要。在现实生活中，可以自行发光的物体分为自然光源(如太阳)和人工光源(如电灯)。③传感器:是一种传感装置，一般作为光纤开关出现，是实现检测和控制的自动处理的第一步。它能听到被测信息，并将电信号输出中检测到的信息按照一定的规则进行转换，用于判断被测对象的位置和状态，并对采集的图像传感器发出警报。④图像采集卡-主要来自模拟设备(相机、相机、DVD播放器等)的信息。数字被输入计算机进行存储，通常以插件的形式将卡安装在计算机上。在控制某些相机参数时，相机的模拟或数字信号(触发信号、曝光时间、快门速度等)被转换成特定格式的图像数据流。除了图像信号保存功能外，还可以根据不同采集卡的不同压缩算法对压缩后的数据和文件进行压缩，并在保持高分辨率的同时保存数据。⑤PC平台是指个人计算机，平台是指计算机的硬件或软件的运行环境。它是完成图像数据处理和大部分控制逻辑的中心，是计算机视觉系统的核心。在检测过程中，CPU频率越高，处理效率越高，所以通常需要选择更高的CPU。⑥视觉处理软件，用于处理输入图像，经过处理和分析后产生结果。计算机视觉软件有许多常见的形式，可以是一种特殊的功能，也可以是一种通用的功能。例如，跟踪特定的模块：显示屏幕检测是一个特殊的功能;测量和定位镜头是一般功能。⑦控制单元:负责对程序过程进行管理，包括IR(指令日志)、ID(指令译码器)、OC(操作控制器)。控制单元的一般工程描述可以概括为指令处理，从访问到分析再到执行。图像分析完成后，视觉软件通过控制单元与外部单元进行通信，完成对整个生产过程的控制。可编程逻辑控制单元可以执行复杂的逻辑/动作检查。2.计算机视觉技术研究方法2.1运动目标检测方法对物流仓库监控范围内的可疑目标检测是后期目标跟踪的基础，良好的检测算法可以提高目标检测结果的准确性。运动目标检测技术是通过监控视频摄像头获取视频图像从中把用户需要的前景目标和背景场景给差分出来，从而检测出前景目标并对这个目标进行提取。这些年，计算机视觉技术逐渐成熟，许多研究员提出了相关的目标检测算法，较为典型常用的算法有以下三种：光流法、帧间差分法和背景差分法。物流仓储监控中可疑目标的检测是后续目标监控的基础，良好的检测算法可以提高物流调查结果的准确性。运动目标检测技术是通过监控摄像头获取视频图像，区分用户请求的前景目标和背景场景，从而检测前景目标并提取目标。近年来，计算机视觉技术逐渐成熟，许多研究者提出了相关的目标检测算法，其中比较典型的有三种算法:光流法、帧间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单高斯模型的基础上，延伸一种使用多个高斯函数来模拟背景的高斯混合模型。当目标被局部遮挡或严重遮挡，背景场景突变时，效果理想。它是一种比较常见的移动目标检测算法，使用统计特性描述背景图案,它能适应复杂的场景,如颤抖的树叶,雨雪天气,光线的变化等等,它具有良好的鲁棒性和计算的数量不是太大的特点。算法的实时性能相对较好,可以满足实际应用的需求。高斯混合模型的主要思想是:首先通过监控摄像头获取视频数据信息建立背景模型,然后使用高斯K分布函数(通常是3-7)代表背景图像中的每个像素和为每个背景创建一个像素模板,设置初始化参数,并更新每一个高斯分布的均值和方差,并分配一个T阈值来确定像素是否满足背景图案。如果匹配条件得到满足,像素被划分为背景像素。匹配条件下，该像素被认为是前景目标像素。在高斯混合模型中，为了计算方便，假设三个RGB颜色分量互不相关，每个像素的处理相互独立，方差相同。其中，K值越大，越能适应场景变化，模拟的背景处理效果也越好，但会增加模型计算量。大幅降低后，运输速度也会变得非常慢。高斯混合模型包括定义背景模型、确定初始参数、更新参数、生成背景模型、提取目标前景等过程。3.所选定研究方法在其它领域的典型应用3.1将以高斯混合模型为基础的运动目标检测方法运用到智能交通监控系统中21世纪将会道路交通智能化。人们可以使用全方面智能交通系统，在智能系统中，司机可以凭借自身车辆的智能系统在道路上自由行驶，高速公路依靠自身的智能将交通流量调节到最优状态。该系统使管理人员能够清楚地了解道路和车辆的位置。这是一种以高斯混合模型为基础的运动目标检测方法，并将其应用于智能交通监控系统。智能交通监控系统功能模块结构图如2.1所示:图2.1智能交通监控系统功能模块结构3.2高斯混合模型算法在智能视频监控系统中的应用3.2.1禁区入侵检测使用高斯混合模型的目标检测算法，我们准确地识别并检测到前景目标位置和轮廓。在监控区域中设定一个需要监控人员关注的区域范围作为虚拟禁区，然后，利用目标检测算法提取的前景目标图像和虚拟禁区做交集运算，根据前景目标像素数在虚拟禁区范围的数量和阈值大小的比较，判断目标是否入侵了禁区。3.2.2行人检测和跟踪在实际的应用环境中，我们还需要对目标进行分类，我们需要对侵入禁区的目标进行判断是行人还是动物或者其他物体，然后选择不同的报警机制。在禁区入侵检测的基础上，首先找到入侵禁区的目标，然后求出包含前景目标的区域范围，用数值0填充该区域的背景像素，然后利用基于计算机视觉的方法，对目标分类识别。通常情况下，颜色特征分布明显时，目标分类效果也是比较好的，在具体场景的视频监控系统中，往往还需要结合其他的生物特征识别手段来提高监控系统的检测准确度，降低系统漏报或者误报的概率。行人检测和跟踪过程中，使用较多的是HOG特征和SVM分类器的行人检测方法，在行人不存在遮挡等干扰情况下，基本可以实现行人的准确检测和跟踪。3.2.3人数密度异常检测在一些特殊的监控场景中，如监狱、戒毒所等，需要控制区域中的人数，以免发生异常聚集斗殴等行为，当人数密度较高时就发出警报信息，及时预防异常行为的发生。在行人目标检测的基础上，人数密度是通过计算前景行人目标的像素点在监控区域范围内占的比例判断的。为更加精确的计算人数密度，后期还需要对目标进行计数以及分类等处理。4.评价维度4.1方法的先进性因为运动目标检测和高斯混合模型先进性的优点在很多领域被运用，例如基于计算机视觉的视网膜图像处理关键技术研究里面就充分使用了运动目标检测和高斯混合模型。其中高斯混合模型的灵活性也是它的优点之一5.分维度评价5.1运动目标检测运动目标检测是计算机视觉和数字成像领域的研究热点之一，被应用于AI导航、智能视频监控、、航空航天等多个领域。因此，在理论和实际应用中，运动物体的检测成为近年来研究的一个参考点:它是计算机图像和视图的重要组成部分，是智能控制系统的重要组成部分。目标是在控制视频中高效、定性地检测运动目标，也就是将运动目标和序列图像区分。5.2高斯混合模型高斯混合模型可以先给出样本属于某一特定类别而不是绝对类别的概率，既可用于聚类，又可用于概率密度的估计;可以重复用来产生一个新的采样点。在第三维中，高斯混合模型必须计算协方差，研究跨维关系，并在应用中具有灵活性。6.各维度综合评述虽然不同场景下的目标运用高斯混合模型检测成熟度，场景中运行时间更短，光照更好，可以在短时间内检测到目标。但问题是，外部光强的变化和背景场景的复杂性仍然对检测的驱动时间有一定的影响。通过使用高斯混合模型算法来比较不同项目的数量和运行时，可以看到一个项目的行驶时间更快，实时性更好。结果表明，高斯混合模型算法的驱动速度在原理上能够满足实时检测的要求，在科学技术领域，尤其是医学影像领域一定会起到关键性作用。7.结论和展望本文主要探讨了物流仓储跟踪领域中异常行为的检测与监控，使用的算法相对简单。虽然运动目标的检测和跟踪结果很好，但在实际应用过程中场景要比模拟场景复杂很多，还有许多技术性问题需要科学技术人员深入研究，如天气、突发事件等多个因素。因为运动目标检测与跟踪技术属于实现智能视频分析与处理的关键部分，其基础且关键算法和适用环境等问题的研究是十分重要的。

参考文献[1]倪晨旭.计算机视觉研究综述[J].电子世界,2018(1):91-91.[2]赵铎.基于层次轮廓计算机视觉的交通路标识别[J].电子设计工程,2017,25(14):123-126.[3]王一帏.深度学习分类网络研究及其在计算机视觉中的应用[J].通讯世界,2019(3):195-196.[4]JaraboA,MasiaB,MarcoJ,etal.计算机图形学和计算机视觉中瞬态成像的研究进展[J].VisualInformatics,2017,1(1).[5]刘宇.基于计算机视觉的手势检测识别技术[J].科学中国人,2017(23).[6]刘伦,王辉.城市研究中的计算机视觉应用进展与展望[J].城市规划,2019(1):117-124.[7]姜文泽.浅述计算机视觉中的图像特征及提取方法[J].电脑知识与技术,2019(16).[8]张黎,张琳琳,高丹,etal.浅析计算机视觉技术在现代科学教育中的作用[J].科教文汇(下旬刊),2017(11).[9]张卓群,曹钟淼,王慧.计算机视觉与机器学习技术在三维人体动画中的应用研究[J].网络安全技术与应用,2019(8).[10]李雅琪,冯晓辉,王哲.计算机视觉技