基于计算机视觉的测距算法研究
电子科技大学
2012级本科毕业设计（论文）开题报告表
只有这样计算机才能运行。为使更多的人能使用复杂的计算机，必须改变过去的那种让人来适应计算机，来死记硬背计算机的使用规则的情况。而是反过来让计算机来适应人的习惯和要求，以人所习惯的方式与人进行信息交换，也就是让计算机具有视觉、听觉和说话等能力。这时计算机必须具有逻辑推理和决策的能力。具有上述能力的计算机就是智能计算机。
智能计算机不但使计算机更便于为人们所使用，同时如果用这样的计算机来控制各种自动化装置特别是智能机器人，就可以使这些自动化系统和智能机器人具有适应环境，和自主作出决策的能力。这就可以在各种场合取代人的繁重工作，或代替人到各种危险和恶劣环境中完成任务。
3、课题研究内容
将计算机视觉和图像处理技术应用到车辆驾驶辅助系统当中可以有效地为车辆行驶提供安全保障。而在计算机视觉中，利用视觉信息感知环境，由单幅二维投影图像确定目标与装载摄像机物体之间距离信息的研究，是目前智能交通系统(ITS)和智能车辆系统(IVS)的关键技术之一。本文主要研究针对ITS和IVS的单目视觉测距方法。基于单目视觉的测量技术是从计算机视觉领域中发展起来的新型非接触测量技术，它是一种结合图像处理技术，把图像当作检测和传递信息的手段或载体而加以利用的测量方法。本文利用投影几何原理和图像处理方法研究了单目测距算法，重点研究了摄像机标定技术、图像预处理方法、障碍物体检测及计算障碍物体距离的算法。本文首先采用了一种在照、摄像机内外部参数未知的条件下，利用图像平面中的平行线，以及它们形成的消隐点具有几何约束关系来实现摄像机标定的新方法。该方法与以前方法相比，计算复杂性不高，但相对而言，准确性和鲁棒性较高，且无须在使用前标定相机，更符合实际需要(因现今的照、摄像机都是变焦距的)，从而具有广泛的推广价值。其次，对多种图像预处理方法进行了分析、比较和选择，采用的方法兼顾了图像处理效果和实时性要求。最后，在分析道路特征的基础上建立了道路几何模型，并利用改进的Hough变换提取出道路边缘曲线模型。并在现有单一道路模型测距算法的基础上做了改进，提出了混合几何模型的单目测距算法。模拟试验结果表明该算法对视觉测距领域的研究有一定的借鉴意义。
4、关键问题及研究目标
本次研究目标主要是通过对已有基于计算机视觉的测距算法的实现和评估。关键问题在于如何用OpenCV实现这些算法并对其进行合适的评估。
5、研究特点
基于计算机视觉的距离测量主要是单目测距和多目测距，它们都有各自的优点，也
计算机视觉的应用
运动目标检测 目录 基于统计背景模型的运动目标检测方法 背景模型提取 运动目标检测 后处理 基于统计背景模型的运动目标检测方法 问题：（1）背景获取：需要在场景存在运动目标的情况下获得背景图像（2）背景扰动：背景中可以含有轻微扰动的对象，如树枝、树叶的摇动，扰动部分不应该被看做是前景运动目标（3）外界光照变化：一天中不同时间段光线、天气等的变化对检测结果的影响（4）背景中固定对象的移动：背景里的固定对象可能移动，如场景中的一辆车开走、一把椅子移走，对象移走后的区域在一段时间内可能被误认为是运动目标，但不应该永远被看做是前景运动目标（5）背景的更新：背景中固定对象的移动和外界光照条件的变化会使背景图像发生变化，需要及时对背景模型进行更新，以适应这种变化（6）阴影的影响：通常前景目标的阴影也被检测为运动目标的一部分，这样讲影响对运动目标的进一步处理和分析首先利用统计的方法得到背景模型，并实时地对背景模型进行更新以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。 背景模型提取 前提假设在背景模型提取阶段，运动目标在场景区域中运动，不会长时间停留在某一位置视频流中某一像素点只有在前景运动目标通过时，它的亮度值才发生大的变化，在一段时间内，亮度值主要集中在很小的一个区域中，可以用这个区域内的平均值作为该点的背景值。具体实现过程：在YUV颜色空间下，Y值的变化范围为0~255，将该范围划分成若干区间[0,T][T,2T]…[Nt,255],n=255/T，对于每个像素点，统计一段时间内每个区间内亮度值的出现的次数。找出出现次数最多的那个区间，将该区间内所有值的平均值作为背景模型在该点的亮度值。这种方法不受前景运动目标的影响。 运动目标检测 检测当前图像和背景图像中对应像素点的差异，如果差值大于一定阈值，则判定该像素为前景运动目标
基于RSSI测距的室内定位技术
基于RSSI测距的室内定位技术 2012-08-14 12:19:45 摘要搭建了基于ZigBee技术的室内定位实验平台，以实验室楼道为室内场景进行了接收信号强度(RSSI)测距和定位实验研究。首先对测距实验采集到的数据使用线性回归分析拟合出当前环境的具体测距模型，并对信标和未知节点进行软件开发，实现了基于RSSI的定位算法。经过定位实验精度评估，文中算法的平均定位误差为2．3 m，满足大多室内场景要求。 关键词室内定位；无线传感器网络；RSSI测距；线性回归分析 随着现代通信、网络、全球定位系统(Global PositionSystem，GPS)、普适计算、分布式信息处理等技术的迅速发展，位置感知计算和基于位置的服务(Location Based Setvices，LBS)在实际应用中越来越重要。GPS是目前应用最广泛和成功的定位技术。由于微波易被浓密树林、建筑物、金属遮盖物等吸收，因此GPS 只适合在户外使用，在室内场合，由于信道环境复杂、微波信号衰减厉害、测量误差大，GPS并不适用。近年来基于低成本、低功耗、白组织的无线传感器网络(Wireless Sensor Network，WSN)定位技术得到了科研人员的重视和研究，具有广泛地应用前景。根据定位过程中是否实际测量节点间的距离，可将定位算法分为基于测距(Range-based)的定位和距离无关(range-free)的定位。基于测距的定位先由未知节点硬件接收外部信标节点发射的无线信号并记录下TOA(Time of Arrival)、AOA(Angle of Arrival)、TDOA(Time Difference of Arrival)、RSSI(Received Signal strength Indicator)等测距度量值，然后将测距度量值转为未知节点到信标节点的距离或方位，然后再采用相关算法如三边测量法、三角测量法、极大似然估计法等来计算未知节点的位置。由于RSSI检测设备和机制简单，硬件成本低，实现简单，可通过多次测量平均获得较准确的信号强度值，降低多径和遮蔽效应影响，因此基于RSSI测距的定位技术成为近年来室内定位研究的热点。 1 RSSI测距原理 无线信号传输中普遍采用的理论模型为渐变模型(Shadowing Model)。 式中，p(d)表示距离发射机为d时接收端接收到的信号强度，即RSSI值；p(d0)表示距离发射机为d0时接收端接收到的信号功率；d0为参考距离；n是路径损耗(Pass Loss)指数，通常是由实际测量得到，障碍物越多，n值越大，从而接收到的平均能量下降的速度会随着距离的增加而变得越来越快：X是一个以dBm为单位，平均值为0的高斯随机变量，反映了当距离一定时，接收到的能量的变化。 实际应用中一般采用简化的渐变模型 为便于表达和计算，通常取d0为1 m。于是可得 [p(d)]dBm=A-10nlg(d) (3) 把[p(d)dBm写成RSSI的形式得到 RSSI=A-10nlg(d) (4) 其中，A为无线收发节点相距1 m时接收节点接收到的无线信号强度RSSI值。式(4)就是RSSI测距的经典模型，给出了RSSI和d的函数关系，所以已知接收机接收到的RSSI值就可以算出它和发射机之间的距离。A和n都是经验值，和具体使用的硬件节点和无线信号传播的环境密切相关，因此在不同的实际环境下A 和n参数不同，其测距模型不同。
基于计算机视觉的测距算法研究
电子科技大学 2012级本科毕业设计（论文）开题报告表
只有这样计算机才能运行。为使更多的人能使用复杂的计算机，必须改变过去的那种让人来适应计算机，来死记硬背计算机的使用规则的情况。而是反过来让计算机来适应人的习惯和要求，以人所习惯的方式与人进行信息交换，也就是让计算机具有视觉、听觉和说话等能力。这时计算机必须具有逻辑推理和决策的能力。具有上述能力的计算机就是智能计算机。 智能计算机不但使计算机更便于为人们所使用，同时如果用这样的计算机来控制各种自动化装置特别是智能机器人，就可以使这些自动化系统和智能机器人具有适应环境，和自主作出决策的能力。这就可以在各种场合取代人的繁重工作，或代替人到各种危险和恶劣环境中完成任务。 3、课题研究内容 将计算机视觉和图像处理技术应用到车辆驾驶辅助系统当中可以有效地为车辆行驶提供安全保障。而在计算机视觉中，利用视觉信息感知环境，由单幅二维投影图像确定目标与装载摄像机物体之间距离信息的研究，是目前智能交通系统(ITS)和智能车辆系统(IVS)的关键技术之一。本文主要研究针对ITS和IVS的单目视觉测距方法。基于单目视觉的测量技术是从计算机视觉领域中发展起来的新型非接触测量技术，它是一种结合图像处理技术，把图像当作检测和传递信息的手段或载体而加以利用的测量方法。本文利用投影几何原理和图像处理方法研究了单目测距算法，重点研究了摄像机标定技术、图像预处理方法、障碍物体检测及计算障碍物体距离的算法。本文首先采用了一种在照、摄像机内外部参数未知的条件下，利用图像平面中的平行线，以及它们形成的消隐点具有几何约束关系来实现摄像机标定的新方法。该方法与以前方法相比，计算复杂性不高，但相对而言，准确性和鲁棒性较高，且无须在使用前标定相机，更符合实际需要(因现今的照、摄像机都是变焦距的)，从而具有广泛的推广价值。其次，对多种图像预处理方法进行了分析、比较和选择，采用的方法兼顾了图像处理效果和实时性要求。最后，在分析道路特征的基础上建立了道路几何模型，并利用改进的Hough变换提取出道路边缘曲线模型。并在现有单一道路模型测距算法的基础上做了改进，提出了混合几何模型的单目测距算法。模拟试验结果表明该算法对视觉测距领域的研究有一定的借鉴意义。 4、关键问题及研究目标 本次研究目标主要是通过对已有基于计算机视觉的测距算法的实现和评估。关键问题在于如何用OpenCV实现这些算法并对其进行合适的评估。 5、研究特点 基于计算机视觉的距离测量主要是单目测距和多目测距，它们都有各自的优点，也
图像处理与计算机视觉算法及应用
图像处理与计算机视觉算法及应用 图像处理与计算机视觉算法及应用（Algorithms for Image Processing and Computer Vision）（第2版）的配套代码。基于OpenCV库-matching code for the book"Algorithms for Image Processing and Computer Vision".Based on OpenCV Library. [上传源码成为会员下载此文件] [成为VIP会员下载此文件] 文件列表(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉): 图像处理与计算机视觉算法及应用（第2版）\Chapter 1\capture.c .......................................\.........\lib0.c .......................................\.........\thr_glh.c .......................................\.........0\angular.c .......................................\..........\check.c .......................................\..........\convert.c .......................................\..........\display.c .......................................\..........\listGreyFiles.c
计算机视觉复习题
《计算机视觉》复习题 1、利用MFC及OpenCV 库函数编写对话框程序，添加按钮实现图像读入、图像阈值分割、边缘提取等功能（至少实现三个以上功能）。（考前做好并用A4纸打印，考试当天带来） 为旋转不变算子，即当图像()v,u f旋转后，计算值在对应点保持不变。 2、证明Laplace算子 理论 3、计算机视觉研究的目的是什么？它和图像处理及计算机图形学的区别和联系是什么？ 从20世纪50年代末开始，计算机开始被作为实现人类智能和人类感知的工具，借助计算机人类第一次可以象借助机械实现对体力的延伸一样实现对脑力和感知能力的延伸。对人类视觉感知能力的计算机模拟导致了计算机视觉的产生。计算机视觉就是用各种成像系统代替视觉器官作为输入敏感手段，由计算机来替代大脑完成处理和解释。计算机视觉使用的理论方法主要是基于几何、概率和运动学计算与三维重构的视觉计算理论。 具体地讲，计算机视觉要达到的基本目的有以下几个： 根据一幅或者多幅二维图像计算出观测点到目标物体的距离； 根据一幅或者多幅二维图像计算出观测点到目标物体的运动参数； 根据一幅或者多幅二维图像计算出观测点到目标物体的表面物理特征； 根据多幅二维投影图像恢复出更大空间区域的投影图像。 简单来说，计算机视觉要达到的最终目的是实现利用计算机对三维景物世界的理解，即实现人的视觉系统的某些功能。从本质上来讲，计算机视觉研究就是利用二维投影图像来重构三维物体的可视部分。 计算机视觉和图像处理及计算机图形学的区别和联系： 区别： 图像处理（image processing）通常是把一幅图像变换为另外一幅图像。它输入的是图像，输出的也是图像。Photoshop中对一幅图像应用滤镜就是典型的一种图像处理。常见操作有模糊、灰度化、增强对比度。 计算机图形学（Computer Graphics）是借助计算机来研究图形表达、处理图像、显示生成的学科。，主要通过几何基元，如线、圆和自由曲面等，来生成图像，属于图像综合。输入的是对虚拟场景的描述，通常为多边形数组，输出的是图像，即二维像素数组。
基于RSSI测距定位算法的研究和改进
龙源期刊网 https://www.360docs.net/doc/5013250556.html, 基于RSSI测距定位算法的研究和改进 作者：何沃林 来源：《数字技术与应用》2017年第09期 摘要：RSSI的定位算法在实际应用中的定位精度较低。通过研究分析通信距离、环境参数和信号干扰等各种因素对RSSI值测量的影响，为提出高效的定位算法提供研究思路。结合缩短通信距离、改进节点坐标计算方法等几种方法的综合应用，实现对RSSI定位算法的改进和参数优化，提高其定位精度和抗干扰能力。通过对RSSI定位算法的改进和参数优化，提高其定位精度和抗干扰能力。 关键词：无线传感器网络；测距；RSSI；定位算法 中图分类号：TP273 文献标识码：A 文章编号：1007-9416（2017）09-0134-02 接收信号强度测距法RSSI（Received Signal Strength Indication）为基础的定位算法，被普遍运用于无线传感器网络节点定位之中。其理想情况是定位结果坐标为一个正确的位置点，但由于传输距离、信号干扰等诸多因素的影响，往往无法确保RSSI测量结果的精确度，使定位点位于一个存在一定误差的区域内，改正思路是在实际的应用中，对传统的RSSI定位算法进行改进和参数的优化，尽可能缩小这个误差区域。 1 影响RSSI定位精度的因素 1.1 通信距离与障碍物 通信距离将影响到无线电信号衰减量，在长距离传输过程中，信号受环境干扰较大。另外信道内存在障碍物，通过对信号的折射、反射等，会使得信号衰减不断加剧，最终也会对RSSI数值测量结果产生影响。在以下实验过程中，对四组典型环境参数进行选取，A均取值 为41，n则分别取值为2.6、2.8、3.0以及3.2。具体结果参见图1。可以看到，在测距距离不断加大的同时，各组环境参数之下的误差曲线均体现出误差持续增加的特性。若保持在5米之内，则误差增长相对缓慢，而一旦超过这一数值，则误差的增加将极为显著[1]。 此外，因为障碍物存在于信道之中，往往会产生反射、折射等影响，在加大通信距离之后，上述影响将因此而增大。RSSI数值的测量将因为障碍物而受到影响，导致传播进程中的信号损耗。 1.2 环境参数 在对RSSI数值进行计算时，所应用的环境参数是否和实际环境相符，是决定定位误差大小的关键。在上述不同通信距离定位误差测试的实验中，当参数A以及n分别为41以及2.8
近场电磁测距优化算法研究
近场电磁测距优化算法研究 近场电磁测距(NFER,Near-Field Electromagnetic Ranging)技术根据近场电磁场相位差与通信距离之间的关系来实现测距。利用低频信号能够更好地穿透建筑物的特点,近场电磁测距技术能够有效地减少多径干扰,同时在非视距情况下取得较高的测距精度。但是,面对复杂多变的室内、地下环境以及不同的应用需求,现有近场电磁定位系统还存在以下问题:(1)现有近场电磁测距技术采用固定单频点信 号作为测距信号,有效测距范围被限制在发射信号半波长范围内。为了增加测距范围,提高测距精度,需要根据应用需求调整信号频率。(2)在低频测距信号频段范围内,噪声干扰较大,影响测距精度。(3)当发射信号穿透介质传播时,信号传播路径、波长、相位等信息发生改变,影响测距精度。针对以上问题,本文对近场电磁测距技术的优化方法进行了研究,主要研究内容包括:(1)基于RSSI的自适应时延估计算法。为了能够调整测距信号频率,使近场电磁测距系统满足不同测距范围、测距精度的要求,本文将测距信号电磁场成分之间的相位差转化为电磁场成分之间的时间延迟,利用自适应时延估计 (ATDE,Adaptive Time Delay Estimation)算法来检测电磁场成分之间的时间延迟,能够在不需要先验信号频率知识的前提下,测得与定 位目标之间的距离,提高了系统的灵活性。本文基于近场电磁波传播模型,将接收信号强度值转化为时延估计算法的初始时延,提出了基 于接收信号强度指示(RSSI,Received SignalStrength Indication)的自适应时延估计算法,提高了算法的收敛速度,并且基于最大相关
《计算机视觉与图象处理》.
视觉检测技术基础》课程教学大纲 一、课程基本信息 1、课程代码：MI420 2 、课程名称（中/ 英文）：视觉检测技术基础/ Foundation of visual measurement technique 3、学时/ 学分：27/1.5 4、先修课程：高等数学，大学物理 5、面向对象：电子信息类专业本科生 6、开课院（系）、教研室：电子信息与电气工程学院仪器系自动检测技术研究所 7、教材、教学参考书：自编讲义 《机器视觉》，贾云得著，科学出版社，2000 《计算机视 觉》，马颂德著，科学出版社，1997 《图像工程》，章毓晋 著，清华大学出版社，2002 二、本课程的性质和任务 《视觉检测基础》是电子信息学院仪器系四年级本科生的选修课，通过本课程的学习，使学生初步了解视觉检测系统的构成及基本原理，每个组成部分如何选择设计，掌握相应的图像处理方法，增加学生的专业知识。通过上机实践提高学生的实际编程能力，增强感性认识，为以后科研、工作中遇到的相关问题提供一个解决的思想，并能实际运用。 三、本课程教学内容和基本要求
1. 基本要求 《视觉检测基础》作为本科生的选修课，应当主要立足于对学生知识的普及，主要讲述计算机视觉系统的组成、设计、处理等方面的基本知识，以课堂讲述为主，讲述中应结合日常生活实际，提高学生的学习兴趣，让学生掌握基本的处理过程及算法，并辅以实验手段进一步增强学生对视觉检测技术的了解，增加感性认识， 2. 教学内容 (1) 课堂教学部分 第一讲计算机视觉概述 一、什么是计算机视觉 二、计算机视觉的应用 三、计算机视觉的研究内容 1 、主要研究内容 2 、与其它学科的关系 第二讲成像原理与系统 一、成像几何基础 1、透视投影 2、正交投影 二、输入设备 1 、镜头 2 、摄像机
计算机视觉大纲.doc
课程名称：计算机视觉 课程编码：M510021 课程学分：3 适用学科：信息与计算科学、数学与应用数学 计算机视觉 Computer Vision 教学大纲 一、课程性质 计算机视觉是人工智能领域的一个重要部分，它的研究目标是使计算机具有通过二维图像认知三维环境信息的能力。计算机视觉是以图象处理技术、信号处理技术、概率统计分析、计算几何、神经网络、机器学习理论和计算机信息处理技术等为基础，通过计算机分析与处理视觉信息。 二、课程教学目的 通过计算机视觉课程的学习，使硕士研究生掌握计算机视觉基本理论与方法以及计算机视觉的一些典型应用，初步具有设计、实现计算机视觉中比较简单的算法的能力，从而为学生进一步从事该方向的学习与研究工作打下基础。 三、教学基本内容及基本要求 计算机视觉主要内容分为六部分。基本要求与基本内容如下： 1、教学基本内容 (一)计算机视觉概述：计算机视觉的基本概念，计算机视觉的发展和应用，计 算机视觉的现状。 (二)摄像机成像原理及针孔摄像机成像模型。 (三)射影几何的基本介绍及几何元素的数学表达方法。 (四)多视几何理论，包括单视几何中的射影测量、两视几何中的外极几何的基 本概念、基本矩阵、本质矩阵的理论推导及其含义。 (五)立体视觉方法。使用双摄像机得到的图像恢复三维物体深度信息的方法， 包括直接重建和分层重建理论。 (六)视觉系统的标定，包括3D标定模板下的Tsai标定算法、2D标定模板下的 张正友标定算法、基于圆的标定算法、1D张正友标定算法、基于Kruppa方程的自标定算法。 2、教学基本要求 通过对计算机视觉的教学活动，对学生的要求按了解、理解、掌握三个层面给出，具体要求如下： (一)计算机视觉概述 1.理解计算机视觉的基本概念。 2.了解计算机视觉的应用前景及发展现状。 (二)摄像机成像 掌握针孔摄像机成像模型。 (三)射影几何
线路故障测距的人工智能算法研究
Smart Grid 智能电网, 2016, 6(2), 64-72 Published Online April 2016 in Hans. https://www.360docs.net/doc/5013250556.html,/journal/sg https://www.360docs.net/doc/5013250556.html,/10.12677/sg.2016.62008 A Fault Locator for Transmission Line Based on Artificial Intelligent Algorithm Yu Zou Qinzhou Power Supply Bureau, Guangxi Power Grid Co., Ltd., Qinzhou Guangxi Received: Mar. 24th, 2016; accepted: Apr. 8th, 2016; published: Apr. 11th, 2016 Copyright ? 2016 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.360docs.net/doc/5013250556.html,/licenses/by/4.0/ Abstract Considering the transmission line with multi-branch, a dynamic fault location algorithm based on intelligent algorithm is presented in this paper. Based on the measured voltage and current at two terminals, a discrimination index is proposed by which the faulted section can be located first. Af-ter that the equivalent voltage and current at the branch node is obtained by the equivalent calcu-lation of the healthy branches. It corrects the results of fault location method based on genetic al-gorithm by the way of neural network algorithm, with the ranging accuracy improved when there are faults at two terminals of transmission line. The proposed algorithm only demands the meas-ured voltage and current on the two terminals, and inherits the advantages of fault location me-thod based on genetic algorithm, which is independent of fault type, fault resistance at fault point, etc., the influence on ranging accuracy by line parameters deviation is greatly reduced. The pro-posed method is simulated by PSCAD, and the results verified the correctness and high precision of the algorithm. Keywords Transmission Lines with Multi-Branch, The Principle of Superposition, Fault Location, Genetic Algorithm, Artificial Intelligence Algorithm 线路故障测距的人工智能算法研究 邹宇 广西电网有限责任公司钦州供电局，广西钦州
计算机视觉前沿与深度学习
视觉研究中投入巨大，在IEEE 模式分析与机器智能汇刊(IEEE Transactions on Pattern Analysis and Machine Intelligence, IEEE TPAMI)、计算机视觉国际期刊(International Journal of Computer Vision, IJCV)、IEEE图像处理汇刊(IEEE Transactions on Image Processing, IEEE TIP)、IEEE国际计算机视觉大会(IEEE Inter-national Conference on Computer Vision, IEEE ICCV)和IEEE国际计算机视觉与模式识别会议(IEEE Conference on Computer Vi-sion and Pattern Recognition, IEEE CVPR)等顶级国际期刊和会议上发表了许多重要学术论文，产生了许多国际一流的研究成果。其中最受到关注的研究是深度学习，而深度学习领域发表的论文70%以上是关于视觉图像识别方面的。 为了更好地开展学术交流，推动国内计算机视觉学科发展，进一步提升我国计算机视觉研究在国际领域的影响力，中国计算机学会成立了“计算机视觉专业组”。在本期专题中，计算机视觉专业组特别邀请了多位著名的视觉专家从不同角度撰文，介绍计算机视觉前沿与深度学习研究方面的最新进展。 香港中文大学助理教授王晓刚、博士孙祎、教授汤晓鸥共同撰写的《从统一子空间分析到联合深度学习：人脸识别的十年历程》文章，回顾了人脸识别近十年的发展历程。他们的团队使用深度学习开发了DeepID2+系统，在人脸识别最受关注的LFW(labeled faces in the wild)1数据集上取得了人脸确认任务的世界第一，识别率99.47%。深度学习在人脸识别上的巨大成功，并非只是利用复杂模型拟合数据集。DeepID2+系统的神经元响应有很多重要的性质，比如它是中度稀疏的，对人物身份和人脸属性有很强的选择性，对局部遮挡具有良好的鲁棒性。这些性 计算机视觉通常是指用摄像机和计算机代替人眼对目标进行识别、跟踪/测量来实现对客观三维世界的理解。计算机视觉既是科学领域中富有挑战性的理论研究，也是工程领域中的重要应用，在图像检索、安全监控、人机交互、医疗诊断和机器人等领域具有广阔的应用前景。美国和欧洲等先进国家将计算机视觉列为对经济和科学有广泛影响的重大基本问题，计算机视觉也是“谷歌大脑”、“百度大脑”等研究计划中的核心项目。 计算机视觉作为一门学科始于20世纪60年代。随着个人计算机的普及，计算机视觉在80年代取得了重要进展。最近10年，随着计算机性能的大幅提升和互联网的快速发展，新的视觉特征、大数据、稀疏低秩、深度学习等技术的不断涌现，使计算机视觉又迎来了一次突飞猛进的发展，开辟出许多新的研究领域。国内高校与科研单位在计算机特邀编辑：王 涛1 查红彬2 1爱奇艺公司 2北京大学 计算机视觉前沿与深度学习关键词：计算机视觉 深度学习 1 标注过的户外脸部测试数据集。
浅谈计算机视觉技术
浅谈计算机视觉 随着数字多媒体技术的快速发展，人机交互成为人类生活中不可或缺的一部分。作为计算机技术的一个重要分支，计算机视觉技术近些年来得到了广泛重视，它为人机交互提供了更广阔的发展空间。 计算机视觉就是用摄像机和计算机代替人眼对目标进行识别、跟踪和测量的机器视觉，在电脑中做进一步的图像处理后成为适合人眼或者检测仪器检测的图像。计算机视觉与图像处理、图像分析、机器人视觉和计算机视觉是彼此密不可分的学科，但相比之下又有不同：计算机视觉的研究对象主要是映射到单幅或多幅图像上的三维场景，例如三维场景的重建。计算机视觉的研究很大程度上针对图像的内容。对于一个计算机视觉系统来说，它主要包括以下部分：程序控制、事件检测、信息组织、物体与环境建模、交感互动。计算机视觉系统的结构很大程度上依赖于其具体应用方向，同时也可由其功能决定：是预先固定的抑或是在运行过程中自动学习调整。但在所有的计算机视觉系统中，图像处理、预处理、特征提取、检测/分割、高级处理几乎是必不可少的。 识别、运动、场景重建、图像恢复是计算机视觉中较为经典的问题。其中，识别就是判定一组图像数据中是否包含某个特定的物体，图像特征或运动状态。这一问题通常可以通过机器自动解决，但是到目前为止，还没有某个单一的方法能够广泛的对各种情况进行判定：在任意环境中识别任意物体。对于运动问题，基于序列图像的对物体运动的监测包含多种类型，例如自体运动和图像跟踪。在场景重建方面，给定一个场景的二或多幅图像或者一段录像，场景重建寻求为该场景建立一个计算机模/三维模型。最简单的情况便是生成一组三维空间中的点。更复杂的情况下会建立起完整的三维表面模型。而在图像恢复中，计算机视觉主要用来移除图像中的噪声。 在进行计算机视觉方面的系统开发时，有一个很有用的工具库，即OpenCv,它是Intel资助的开源计算机视觉库，是一套关于计算机视觉的开放源代码的API 函数库，由一系列C函数及C++类构成，实现了图像处理和计算机视觉方面的很多通用算法。一个典型的计算机视觉算法应包括：数据获取(视频和图像)、预处理（降低噪声，光照、亮度归一化，模糊化，锐化，腐蚀，膨胀等）、特征提取、特征选择、分类器涉及与训练、分类判别。OpenCv对于这六个部分，分别提供了API。但在进行相关部分的研究时，仅有OpenCv是满足不了开发人员的需要的，这就需要去查阅计算机视觉、模式识别、机器学习领域顶级会议、期刊、杂志上面发表的文章，然后再根据这些文章中阐述的原理和方法，来编程实现需要的东西。 随着计算机硬件性能的不断提高，计算机视觉技术的应用从传统的工业自动化、移动机器人视觉导航、医学图像分析、遥感图像等领域逐渐扩展到基于生物特征的识别和验证、基于视觉的人机接口和人机交互、视频监控等领域。在这些以人为中心的计算机视觉应用中，人体是主要对象，涉及对人体的静态和动态特征检测、识别及理解。在现实生活中，我们需要计算机对自然、连续的动作和行为进行分析。基于这种事实，一些技术难题由此而生：分布式视觉信息处理方法和系统、自然连续动作和行为的分割及多层次模型、基于上下境行为的理解。 通过计算机视觉课程讲座的学习，我对该课程有了初步了解，而文中所提的相关概念和理解是我通过查阅相关文献和网络资源所总结的。如果所述的一些技术难题得到解决，将给社会带来极大的经济效益。
计算机视觉与图像处理
基于SURF算法人脸检测识别跟踪技术的研究 项有元 （上海大学机电工程与自动化学院，上海200072） 摘要：人脸检测识别跟踪技术已经成为机器人视觉研究领域的热点问题。基于SURF的特征提取与匹配算法对处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力，而且速度较快。本文主要介绍SURF 算法的基本原理，并将该算法与层叠分类器相结合，应用于人脸检测识别中，然后运用OPencv的函数库进行编程，在实验室中采用XBox360视觉传感器kinect采集图像,检测人脸得到了很好的实验效果。实验证明：SURF算法对人脸尺寸变化、旋转，光照变化都有很强的鲁棒性。 关键词：SURF；层叠分类器；人脸检测 Research on Face Detecting Recognition and Tracking Technique Based on SURF Algorithm XIANG You-yuan (School of Mechanical and Electrical Engineering and Automation, Shanghai University, Shanghai 200072, China) Abstract: Face detection recognition tracking technology has become a hotspot in the field of robot vision research. The algorithm which based on the SURF of feature extraction and matching can deal with translation, rotation, affine transformation of matching problem that happened between two images , and has a strong ability to match, and the speed is fast. This paper mainly introduces the basic principle of SURF algorithm, and the combination of application of the algorithm and the cascade classifier in face detection recognition, and then use OPencv function library for programming .At last,it uses XBox360 visual sensor kinect to collect image in the laboratory, and can get a good experimental result.This experimental proof: that SURF algorithm has a strong robustness in face size changing, rotation, illumination changing. Key words: SURF; Cascade Classifier; Face Detecting
基于累加跳距和校正因子的无线传感网定位算法
一２０１９年一第２期仪表技术与传感器Ｉｎｓｔｒｕｍｅｎｔ一Ｔｅｃｈｎｉｑｕｅ一ａｎｄ一Ｓｅｎｓｏｒ２０１９一Ｎｏ ２一 收稿日期：２０１８－０１－０２基于累加跳距和校正因子的无线传感网定位算法 孙博文，韦素媛，李东林 （火箭军工程大学，陕西西安一７１００２５） 一一摘要：针对无线传感网中ＤＶ－Ｈｏｐ定位算法利用平均跳距乘以跳数来估算距离，并未对估计节点坐标重新评价而导致误差较大的问题，提出一种基于累加跳距和校正因子的ＤＶ－Ｈｏｐ定位算法三该算法首先利用最小均方误差法求出各锚节点平均跳距，未知节点根据所有锚节点平均跳距加权求出自身平均跳距，然后累加链路中各未知节点平均跳距求出节点间距离，最后估算锚节点位置并与实际锚节点位置比较，得出校正因子修正未知节点坐标三仿真结果表明，该算法与传统ＤＶ－Ｈｏｐ算法及相关文献算法相比，能够有效降低距离误差，提高定位精度三 关键词：无线传感网；ＤＶ－Ｈｏｐ算法；累加跳距；校正因子；最小均方误差 中图分类号：ＴＰ３９３一一一文献标识码：Ａ一一一文章编号：１００２－１８４１（２０１９）０２－０１０９－０５ ＬｏｃａｌｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍｓｆｏｒＷｉｒｅｌｅｓｓＳｅｎｓｏｒＮｅｔｗｏｒｋＢａｓｅｄｏｎＡｃｃｕｍｕｌａｔｅｄＨｏｐＤｉｓｔａｎｃｅａｎｄＣａｌｉｂｒａｔｉｏｎＦａｃｔｏｒ ＳＵＮＢｏ?ｗｅｎ，ＷＥＩＳｕ?ｙｕａｎ，ＬＩＤｏｎｇ?ｌｉｎ（ＴｈｅＲｏｃｋｅｔＦｏｒｃｅＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ ａｎ７１００２５，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：ＴｈｅＤＶ－Ｈｏｐｌｏｃａｔｉｏｎａｌｇｏｒｉｔｈｍｓｅｓｔｉｍａｔｅｔｈｅｄｉｓｔａｎｃｅｂｙｔｈｅａｖｅｒａｇｅｈｏｐｄｉｓｔａｎｃｅｍｕｌｔｉｐｌｉｅｄｂｙｔｈｅｎｕｍｂｅｒｏｆｈｏｐｓ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅｓｅａｌｇｏｒｉｔｈｍｓｄｏｎ ｔｒｅａｓｓｅｓｓｔｈｅｅｓｔｉｍａｔｅｄｎｏｄｅｃｏｏｒｄｉｎａｔｅｓ，ｗｈｉｃｈｕｓｕａｌｌｙｒｅｓｕｌｔｓｉｎｌａｒｇｅｒｅｒｒｏｒ．Ｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎｏｖｅｌａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈｗａｓｂａｓｅｄｏｎｔｈｅａｃｃｕｍｕｌａｔｅｄｈｏｐｄｉｓｔａｎｃｅａｎｄｃａｌｉｂｒａｔｉｏｎｆａｃ?ｔｏｒ．Ｆｉｒｓｔｌｙ，ｔｈｅａｌｇｏｒｉｔｈｍｐｅｒｆｏｒｍｓｔｈｅｍｉｎｉｍｕｍｍｅａｎｓｑｕａｒｅｅｒｒｏｒｒｕｌｅ（ＭＭＳＥ）ｃａｌｃｕｌａｔｅｄｔｈｅａｖｅｒａｇｅｈｏｐｄｉｓｔａｎｃｅｏｆｅａｃｈａｎ?ｃｈｏｒｎｏｄｅ．Ｔｈｅｕｎｋｎｏｗｎｎｏｄｅｓｃａｌｃｕｌａｔｅｄｔｈｅｉｒｏｗｎａｖｅｒａｇｅｈｏｐｄｉｓｔａｎｃｅａｃｃｏｒｄｉｎｇｔｏｔｈｅｗｅｉｇｈｔｅｄａｖｅｒａｇｅｈｏｐｄｉｓｔａｎｃｅｏｆａｌｌｔｈｅａｎｃｈｏｒｎｏｄｅｓ，ａｎｄｔｈｅｎａｃｃｕｍｕｌａｔｉｎｇｔｈｅａｖｅｒａｇｅｈｏｐｄｉｓｔａｎｃｅｏｆｔｈｅｕｎｋｎｏｗｎｎｏｄｅｓｉｎｔｈｅｌｉｎｋｃａｌｃｕｌａｔｅｄｔｈｅｄｉｓｔａｎｃｅｂｅｔｗｅｅｎａｌｌｎｏｄｅｓ．Ｆｉｎａｌｌｙ，ｔｈｅｌｏｃａｔｉｏｎｏｆａｎｃｈｏｒｎｏｄｅｓｗａｓｅｓｔｉｍａｔｅｄｔｏｃｏｍｐａｒｅｗｉｔｈｔｈｅａｃｔｕａｌａｎｃｈｏｒｎｏｄｅｐｏｓｉｔｉｏｎｔｏａｍｅｎｄｔｈｅｕｎ?ｋｎｏｗｎｎｏｄｅｃｏｏｒｄｉｎａｔｅｓ．ＴｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｒｅｄｕｃｅｔｈｅｄｉｓｔａｎｃｅｅｒｒｏｒａｎｄｉｍｐｒｏｖｅｓｔｈｅｐｏｓｉｔｉｏｎｉｎｇａｃｃｕｒａｃｙｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｃｏｎｖｅｎｔｉｏｎａｌＤＶ－Ｈｏｐａｌｇｏｒｉｔｈｍｓａｎｄｔｈｅｒｅｌａｔｅｄｌｉｔｅｒａｔｕｒｅａｌｇｏｒｉｔｈｍｓ． Ｋｅｙｗｏｒｄｓ：ｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋ；ＤＶ?Ｈｏｐａｌｇｏｒｉｔｈｍ；ａｃｃｕｍｕｌａｔｅｄｈｏｐｄｉｓｔａｎｃｅ；ｃａｌｉｂｒａｔｉｏｎｆａｃｔｏｒ；ｍｉｎｉｍｕｍｍｅａｎｓｑｕａｒｅｅｒｒｏｒｒｕｌｅ０一引言 无线传感器网络（Ｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔ?ｗｏｒｋ，ＷＳＮ） 是由若干个具有数据采集二处理二传输功能的节点通 过自组织方式形成的网络，节点之间进行信息传递， 达到对特定区域敏感数据实时监测的功能［１］三它在目标跟踪二环境监测等领域有广泛的应用，引起学术 界的广泛关注和研究［２－３］三在应用中，节点时常被随机布置或播撒在监测目标区域内，因此事件发生的位 置或获取信息的节点位置是传感器节点监测消息中 的重要信息，定位技术也就成为ＷＳＮ应用中的一项 关键技术［４］三根据在定位过程中是否直接测量节点间的距离，可将ＷＳＮ定位算法分为测距（Ｒａｎｇｅ? ｂａｓｅｄ）定位算法和非测距（Ｒａｎｇｅ?ｆｒｅｅ）定位算法［５］三与基于测距的定位算法相比，基于非测距的定位算法具有成本低二功耗小二抗测量噪声能力强以及硬件设备简单等优势，且能够提供误差允许范围内的定位服务［６］，受到越来越多的瞩目三在基于非测距定位算法中，ＤＶ－Ｈｏｐ算法是比较经典的定位算法之一，但当ＷＳＮ中传感器节点分布不均匀和不规则时，ＤＶ－Ｈｏｐ算法存在定位误差较大的缺陷［７］三为了使定位的结果更加准确，研究者对其算法进行了不同程度的改进三文献［８］考虑了在计算锚节点间距离时可能存在彼此处于通信半径之内的情况，细化了锚节点间距离，使得平均跳距更加准确；文献［９］采用多通信半径的方法由锚节点多次广播信息，有效改善了定位精度，但是提高了网络连通度，影
计算机视觉在自动驾驶中的应用及算法
薛毅恒 11510365 2018年11?22? 计算机视觉在?动驾驶中的应? ——《机器学习》课程报告 近些年来随着??智能的兴起与物联?的结合，在?活中越来越多的?业被机器所取代或者被机器提?了很?的效率。在?动驾驶领域，属于“?速、?危”?向，·门槛很?，对实验和研究的要求也?常?。随着技术的飞速发展，?动驾驶这个领域也逐渐被攻破，虽然有类似“Uber?动驾驶致命事故”这样的案例发?，但我们还是需要客观的审视这个技术，从需求点出发解决问题，才能使得技术为我们“服务”。 在?动驾驶领域通过计算机视觉技术可以达到如下的?的： 1.Location 2.Detection https://www.360docs.net/doc/5013250556.html,ne 2.2.Car 3.Segmentation 4.Traf?c Sign 4.1.Detection 4.2.Recognition 5.SLAM Control 通过计算机视觉来解决这些问题，是需要我们通过相机或雷达的?式向计算机输?数据（环境信息）等有效内容之后，计算机会反馈?系列的指令，类似加速、减速、左转、右转等?些和汽车运动控制相关的指令。 ?.输?信息 雷达和相机是?前解决这个问题的两个学派或两个研究?向。 1.雷达（激光雷达、毫?波雷达） 1.1.激光雷达
激光雷达是指以激光为?作光束的雷达，向?标发射探测信号（激光束）， 然后将接收到的?标反射回来的信号（?标回波）与发射信号进??较，做适当的处理后就可以获得?标的有关信息，包括?标距离、?位、?度、速度、姿态、形状等参数。 激光雷达精度?，但是价格昂贵。对?艺?平要求?。 1.2.毫?波雷达 毫?波实质上是电磁波，频段?较特殊，频率?于?线电又低于可见光与 红外线，?约在10GHz-200GHz ，?常适合车载领域的频段。常见的?个频段如下： 根据国内产业机构调查，2014年汽车毫?波雷达销量120万颗，2015年180 万颗，每车需要前后两颗，今年会突破500万颗。 1.3.超声波雷达 超声波发射器向外?某?个?向发射超声波信号，在发射的同时开始计时， 超声波通过空?进?传播，传播途中遇到障碍物就会反射回来，接收器在收到反射波的时刻就停?计时。已知空?中超声波的传播速度是340m/s ，通过记录时间t ，就可以测算出距离s 。 超声波雷达在速度很?的情况下有局限性，因为 声?的传播速度受天?情 况的?扰较强。在短距离测量中，超声波测距传感器具有?常?的优势。 1.4.激光雷达和毫?波雷达的区别 激光雷达的稳定性?，精度?，但是探测范围窄，有部分咋当后?法正常 使?，在?雪雾霾天?不能开启，受环境影响?，没有穿透能?，探头必须完频段（GHz ） 特点应?领域24-24.25频率低，带宽窄，250MHz 汽车盲点监测、变道辅助，检测周围车辆，是否符合变道要求。77频率?，带宽?，800MHz 探测与前车的距离以及前车速度，?于紧急制动等主动安全领域79-81 带宽很宽，分辨率 ?达5cm 精确定位
计算机视觉复习资料2016
一、名词解释 视知觉： 直方图均衡化： 拉普拉斯算子： 统计模式识别： 人工智能： 无监督学习： 视感觉： 直方图规定化： 马尔算子： 人工神经网络： 有监督学习： 模糊聚类： 参考： 1.视知觉主要论述人们从客观世界接收到视觉刺激后如何反应以及反应所采 用的方式，视知觉是在神经中枢进行的一组活动，它把视野中一些分散的刺激加以组织，构成具有一定形状的整体以认识世界。 2.直方图均衡化的基本思想是把原始图的直方图变换为在整个灰度范围内均 匀分布的形式，这样就增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果。 3.模板的基本要求是对应中心像素的系数应是正的，而对应中心像素邻近像素 的系数应是负的，且所有系数的总和应该是零。 4.统计模式识别方法就是用给定的有限数量样本集，在已知研究对象统计模型 或已知类判别函数条件下根据一定的准则通过学习算法把d维特征空间划分为c个区域,每一个区域与每一类别相对应。模式识别系统在进行工作时只要判断被识别的对象落入哪一个区域，就能确定出它所属的类别。一个统计模式识别系统应包含预处理、特征抽取、分类器等部分。 5.人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术 及应用系统的一门技术科学。研究用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。
6.无监督式学习是人工智能网络的一种算法，目的是对原始资料进行分类，以 了解资料内部结构。有别于监督学习网络，无监督学习网络在学习时并不知道其分类结果是否正确，亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出潜在类别规则。当学习完毕并经测试后，也可以将之应用到新的案例上。 7.视感觉中主要研究的内容有：①光的物理特性；②光刺激视觉感受器官的程 度；③光作用于视网膜后经视觉系统加工而产生的感觉。 8.用户可指定规定化函数来得到特殊的增强功能，3个步骤：①对原始图的直 方图进行灰度均衡化，②规定需要的直方图，并计算能使规定的直方图均衡化的变换，③将第1步得到的变换反转过来，即将原始直方图对应映射到规定的直方图。 9.在每个分辨率上进行如下计算：①用一个2-D的高斯平滑模板与原图像卷积， ②计算卷积后图像的拉普拉斯值，③检测拉普拉斯图像中的过零点作为边缘 点。 10.人工神经网络从信息处理角度对人脑神经元网络进行抽象，建立某种简单模 型，按不同的连接方式组成不同的网络；神经网络是一种运算模型，由大量的节点（或称神经元）相互联接构成；每个节点代表一种特定的输出函数，称为激励函数；每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆；网络的输出按网络的连接方式，权重值和激励函数而不同；网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。 11.有监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要 求性能的过程，是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练实例，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，可以映射出新实例。 12.模糊聚类分析是指根据研究对象本身的属性来构造模糊矩阵，并在此基础上 根据一定的隶属度来确定聚类关系，即用模糊数学的方法把样本之间的模糊关系定量的确定，从而客观且准确地进行聚类。聚类就是将数据集分成多个