行人检测综述.
最近一直在看行人检测的论文，对目前的行人检测做大概的介绍。
行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。从2005年以来行人检测进入了一个快速的发展阶段，但是也存在很多问题还有待解决，个人觉得主要还是在性能和速度方面还不能达到一个权衡。
1.行人检测的现状（大概可以分为两类）
（1）.基于背景建模：利用背景建模方法，提取出前景运动的目标，在目标区域内进行特征提取，然后利用分类器进行分类，判断是否包含行人；
背景建模目前主要存在的问题：(背景建模的方法总结可以参考我的前一篇博文介绍）（前景目标检测总结）
?必须适应环境的变化（比如光照的变化造成图像色度的变化）；
?相机抖动引起画面的抖动(比如手持相机拍照时候的移动)；
?图像中密集出现的物体（比如树叶或树干等密集出现的物体，要正确的检测出来）；
?必须能够正确的检测出背景物体的改变（比如新停下的车必须及时的归为背景物体，而有静止开始移动的物体也需要及时的检测出来）。
?物体检测中往往会出现Ghost区域，Ghost区域也就是指当一个原本静止的物体开始运动，背静差检测算法可能会将原来该物体所覆盖的区域错误的检测为运动的，这块区域就成为Ghost，当然原来运动的物体变为静止的也会引入Ghost区域，Ghost区域在检测中必须被尽快的消除。
（2）.基于统计学习的方法：这也是目前行人检测最常用的方法，根据大量的样本构建行人检测分类器。提取的特征主要有目标的灰度、边缘、纹理、颜色、梯度直方图
等信息。分类器主要包括神经网络、SVM、adaboost以及现在被计算机视觉视为宠儿的深度学习。
统计学习目前存在的难点：
（a）行人的姿态、服饰各不相同、复杂的背景、不同的行人尺度以及不同的关照环境。
（b）提取的特征在特征空间中的分布不够紧凑；
（c）分类器的性能受训练样本的影响较大；
（d）离线训练时的负样本无法涵盖所有真实应用场景的情况；
目前的行人检测基本上都是基于法国研究人员Dalal在2005的CVPR发表的
HOG+SVM的行人检测算法(Histograms of Oriented Gradients for Human Detection, Navneet Dalel,Bill Triggs, CVPR2005)。HOG+SVM作为经典算法也别集成到opencv里面去了，可以直接调用实现行人检测
为了解决速度问题可以采用背景差分法的统计学习行人检测，前提是背景建模的方法足够有效（即效果好速度快），目前获得比较好的检测效果的方法通常采用多特征融合的方法以及级联分类器。（常用的特征有Harry-like、Hog特征、LBP特征、Edgelet 特征、CSS特征、COV特征、积分通道特征以及CENTRIST特征。
2.行人检测综述性文章
[1] D. Geronimo, and A. M.Lopez. Vision-based Pedestrian Protection Systems for Intelligent Vehicles, BOOK, 2014.
[2] P.Dollar, C. Wojek,B. Schiele, et al. Pedestrian detection: an evaluation of the state of the art [J]. IEEE Transactions on PatternAnalysis andMachine Intelligence, 2012, 34(4): 743-761.
[3]苏松志, 李绍滋, 陈淑媛等. 行人检测技术综述[J]. 电子学报, 2012, 40(4):
814-820.
[4]M. Enzweiler, and D.Gavrila. Monocular pedestrian detection: survey and experiments [J]. IEEE Transactions on Pattern Analysis andMachine Intelligence, 2009, 31(12): 2179-2195.
[5] D. Geronimo, A. M.Lopez and A. D. Sappa, et al. Survey of pedestrian detection for advanced driverassistance systems [J]. IEEE Transactionson Pattern Analysis and Machine Intelligence, 2010, 32(7): 1239-1258.
[6]贾慧星, 章毓晋.车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述[J], 自动化学报, 2007, 33(1): 84-90.
[7]许言午, 曹先彬,乔红. 行人检测系统研究新进展及关键技术展望[J], 电子学报, 2008, 36(5): 368-376.
[8]杜友田; 陈峰;徐文立; 李永彬;基于视觉的人的运动识别综述, 电子学报, 2007. 35(1): 84-90.
[9]朱文佳. 基于机器学习的行人检测关键技术研究[D]. 第一章, 硕士学位论文, 上
海交通大学. 2008. 指导教师: 戚飞虎.
最新论文
2014_ITS_Toward real-time pedestrian detection based on a deformable template model
2014_PAMI_Scene-specific pedestrian detection for static video surveillance
2014_CVPR_Pedestrian Detection in Low-resolution Imagery by Learning
Multi-scale Intrinsic Motion Structures (MIMS)
2014_CVPR_Switchable Deep Network for Pedestrian Detection
2014_CVPR_Informed Haar-like Features Improve Pedestrian Detection
2014_CVPR_Word Channel Based Multiscale Pedestrian Detection Without Image Resizing and Using Only One Classifier
2013_BMVC_Surveillance camera autocalibration based on pedestrian height distribution
2013_Virtual and real world adaptation for pedestrian detection
2013_Search space reduction in pedestrian detection for driver assistance system based on projective geometry
2013_CVPR_Robust Multi-Resolution Pedestrian Detection in Traffic Scenes
2013_CVPR_Optimized Pedestrian Detection for Multiple and Occluded People 2013_CVPR_Pedestrian Detection with Unsupervised and Multi-Stage Feature Learning
2013_CVPR_Single-Pedestrian Detection aided by Multi-pedestrian Detection 2013_CVPR_Modeling Mutual Visibility Relationship in Pedestrian Detection 2013_CVPR_Local Fisher Discriminant Analysis for Pedestrian Re-identification
3.行人检测source code
1. INRIA Object detection and Localization Toolkit, Dalal于2005年提出了基于HOG特征的行人检测方法，行人检测领域中的经典文章之一。HOG特征目前也被用在其他的目标检测与识别、图像检索和跟踪等领域中。
2. Real-time Pedestrian Detection. Jianxin Wu实现的快速行人检测方法。
3. Hough Transfom for Pedestrian Detection. Olga Barinova, CVPR 2010 Paper: On detection of multiple object instances using Hough Transforms
4. HIKSVM, HOG+LBP+HIKSVM, 行人检测的经典方法.
5. GroundHOG, GPU-based Object Detection with Geometric Constraints, In: ICVS, 2011. CUDA版本的HOG+SVM, video.
6. 100FPS_PDS, Pedestrian detection at 100 frames per second, R. Benenson. CVPR, 2012. 实时的(⊙o⊙)哦。Real-time!!!
7. POM: Probabilistic Occupancy Map. Multiple camera pedestrian detection.
8. Pitor Dollar Detector. Integral Channel Feature + 多尺度特征近似+多特征融合. Real-Time!
4.行人检测DataSets
MIT数据库
该数据库为较早公开的行人数据库，共924张行人图片（ppm格式，宽高为64x128），肩到脚的距离约80象素。该数据库只含正面和背面两个视角，无负样本，未区分训练集和测试集。Dalal等采用“HOG+SVM”，在该数据库上的检测准确率接近100%。
INRIA数据库
该数据库是目前使用最多的静态行人检测数据库，提供原始图片及相应的标注文件。训练集有正样本614张（包含2416个行人），负样本1218张；测试集有正样本288张（包含1126个行人），负样本453张。图片中人体大部分为站立姿势且高度大于100个象素，部分标注可能不正确。图片主要来源于GRAZ-01、个人照片及google，因此图片的清晰度较高。在XP操作系统下部分训练或者测试图片无法看清楚，但可用OpenCV正常读取和显示。
Daimler行人数据库
该数据库采用车载摄像机获取，分为检测和分类两个数据集。检测数据集的训练样本集有正样本大小为18x36和48x96的图片各15560（3915x4）张，行人的最小高度为72个象素；负样本6744张（大小为640x480或360x288）。测试集为一段27分钟左右的视频（分辨率为640x480），共21790张图片，包含56492个行人。分类数据库有三个训练集和两个测试集，每个数据集有4800张行人图片，5000张非行人图片，大小均为18x36，另外还有3个辅助的非行人图片集，各1200张图片。
Caltech行人数据库
该数据库是目前规模较大的行人数据库，采用车载摄像头拍摄，约10个小时左右，视频的分辨率为640x480，30帧/秒。标注了约250,000帧（约137分钟），350000个矩形框，2300个行人，另外还对矩形框之间的时间对应关系及其遮挡的情况进行标注。数据集分为set00~set10，其中set00~set05为训练集，set06~set10为测试集（标注信息尚未公开）。性能评估方法有以下三种：（1）用外部数据进行训练，在set06~set10进行测试；（2）6-fold交叉验证，选择其中的5个做训练，另外一个做测试，调整参数，最后给出训练集上的性能；（3）用set00~set05训练，
set06~set10做测试。由于测试集的标注信息没有公开，需要提交给Pitor Dollar。结果提交方法为每30帧做一个测试，将结果保存在txt文档中（文件的命名方式为
I00029.txt I00059.txt ……），每个txt文件中的每行表示检测到一个行人，格式为“[l eft, top,width, height, score]”。如果没有检测到任何行人，则txt文档为空。该数据库还提供了相应的Matlab工具包，包括视频标注信息的读取、画ROC（Receiver Operatingcharacteristic Curve）曲线图和非极大值抑制等工具。
TUD行人数据库
TUD行人数据库为评估运动信息在行人检测中的作用，提供图像对以便计算光流信息。训练集的正样本为1092对图像（图片大小为720x576，包含1776个行人）；负样本为192对非行人图像（手持摄像机85对，车载摄像机107对）；另外还提供26对车载摄像机拍摄的图像（包含183个行人）作为附加训练集。测试集有508对图像（图像对的时间间隔为1秒，分辨率为640x480），共有1326个行人。Andriluka 等也构建了一个数据库用于验证他们提出的检测与跟踪相结合的行人检测技术。该数据集的训练集提供了行人的矩形框信息、分割掩膜及其各部位（脚、小腿、大腿、
躯干和头部）的大小和位置信息。测试集为250张图片（包含311个完全可见的行人）用于测试检测器的性能，2个视频序列（TUD-Campus和TUD-Crossing）用于评估跟踪器的性能。
NICTA行人数据库
该数据库是目前规模较大的静态图像行人数据库，25551张含单人的图片，5207张高分辨率非行人图片，数据库中已分好训练集和测试集，方便不同分类器的比较。Overett等用“RealBoost+Haar”评估训练样本的平移、旋转和宽高比等各种因素对分类性能的影响：（1）行人高度至少要大于40个象素；（2）在低分辨率下，对于Haar特征来说，增加样本宽度的性能好于增加样本高度的性能；（3）训练图片的大小要大于行人的实际大小，即背景信息有助于提高性能；（4）对训练样本进行平移提高检测性能，旋转对性能的提高影响不大。以上的结论对于构建行人数据库具有很好的指导意义。
ETH行人数据库
Ess等构建了基于双目视觉的行人数据库用于多人的行人检测与跟踪研究。该数据库采用一对车载的AVT Marlins F033C摄像头进行拍摄，分辨率为640x480，帧率
13-14fps，给出标定信息和行人标注信息，深度信息采用置信度传播方法获取。
CVC行人数据库
该数据库目前包含三个数据集（CVC-01、CVC-02和CVC-Virtual），主要用于车辆辅助驾驶中的行人检测研究。CVC-01[Geronimo,2007]有1000个行人样本，6175
个非行人样本（来自于图片中公路区域中的非行人图片，不像有的行人数据库非行人样本为天空、沙滩和树木等自然图像）。CVC-02包含三个子数据集（CVC-02-CG、CVC-02-Classification和CVC-02-System），分别针对行人检测的三个不同任务：感兴趣区域的产生、分类和系统性能评估。图像的采集采用Bumblebee2立体彩色视觉系统，分辨率640x480，焦距6mm，对距离摄像头0~50m的行人进行标注，最小
的行人图片为12x24。CVC-02-CG主要针对候选区域的产生，有100张彩色图像，包含深度和3D点信息；CVC-02-Classification主要针对行人分类，训练集有1016张正样本，7650张负样本，测试集分为基于切割窗口的分类（570张行人，7500张非行人）和整张图片的检测（250张包含行人的图片，共587个行人）；CVC-02-System 主要用于系统的性能评估，包含15个视频序列（4364帧），7983个行人。CVC-Virtual 是通过Half-Life 2图像引擎产生的虚拟行人数据集，共包含1678虚拟行人，2048
个非行人图片用于测试。
USC行人数据库
该数据库包含三组数据集（USC-A、USC-B和USC-C），以XML格式提供标注信息。USC-A[Wu, 2005]的图片来自于网络，共205张图片，313个站立的行人，行人间不存在相互遮挡，拍摄角度为正面或者背面；USC-B的图片主要来自于CAVIAR 视频库，包括各种视角的行人，行人之间有的相互遮挡，共54张图片，271个行人；USC-C有100张图片来自网络的图片，232个行人（多角度），行人之间无相互遮挡。
5.Others
相关资料资料
1. Edgar Seemann维护的行人检测网站，比较全，包括publications, code, datasets 等。
2. Pedestrian detection: state of the art. A video talk by Pitor Dollar. Pitor Dollar做了很多关于行人检测方法的研究，他们研究小组的Caltech Pedestrian Dataset也很出名。
6.人体行为识别（Human Action Recognition)
来源：https://www.360docs.net/doc/c210374391.html,/susongzhi/item/656d196a2dcd733cac3e83e3
二
一、论文
CVPR 2012 与行人检测相关的论文
[1] Contextual Boost for Pedestrian Detection YuanyuanDing, Jing Xiao
[2] Understanding Collective CrowdBehaviors:Learning Mixture Model of Dy
namic Pedestrian-Agents Bolei Zhou, Xiaogang Wang
[3] Pedestrian detection at 100 frames persecond Rodrigo Benenson, Marku
s Mathias, Radu Timofte, Luc Van Gool
[4] Multi-Pedestrian Detection in CrowdedScenes: A Global View Junjie Yan,
Zhen Lei, Dong Yi, Stan.Z. Li
[5] A Discriminative Deep Model forPedestrian Detection with Occlusion Ha
ndling Wanli Ouyang, Xiaogang Wang
[6] Transferring a Generic PedestrianDetector Towards Specific Scenes Men gWang, Wei Li, Xiaogang Wang
[7] Geodesic Flow Kernel for UnsupervisedDomain Adaptation Boqing Gong , Yuan Shi, Fei Sha, Kristen Grauman
综述类的文章
[1]P.Dollar, C. Wojek,B. Schiele, et al. Pedestrian detection: an evaluation of t he state of the art [J].IEEE Transactions on PatternAnalysis andMachine Intell igence, 2012, 34(4): 743-761.
[2]M. Enzweiler, and D.Gavrila. Monocular pedestrian detection: survey and experiments [J]. IEEE Transactions on Pattern Analysis andMachine Intelligen ce, 2009, 31(12): 2179-2195.
[3]D. Geronimo, A. M.Lopez and A. D. Sappa, et al. Survey of pedestrian dete ction for advanced driverassistance systems [J]. IEEE Transactionson Pattern Analysis and Machine Intelligence, 2010, 32(7): 1239-1258.
[4]苏松志, 李绍滋, 陈淑媛等. 行人检测技术综述[J]. 电子学
报, 2012, 40(4): 814-820.
[5]贾慧星, 章毓晋.车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述[J], 自动化学报, 2007, 33(1): 84-90.
[6]许言午, 曹先彬,乔红. 行人检测系统研究新进展及关键技术展望[J], 电子学
报, 2008, 36(5): 368-376.
[7]杜友田; 陈峰;徐文立; 李永彬;基于视觉的人的运动识别综述, 电子学
报, 2007. 35(1): 84-90.
[8]朱文佳. 基于机器学习的行人检测关键技术研究[D]. 第一章, 硕士学位论文, 上海交通大学. 2008. 指导教师: 戚飞虎.
二、Source Code
1.INRIA Object detection and Localization Toolkit, Dalal于2005年提出了基于HOG特征的行人检测方法，行人检测领域中的经典文章之一。HOG特征目前也被用在其他的目标检测与识别、图像检索和跟踪等领域中。
2. Real-time Pedestrian Detection. Jianxin Wu实现的快速行人检测方法。
3. Hough Transfom for Pedestrian Detection. Olga Barinova, CVPR 2010 Pap er: On detection of multiple object instances using Hough Transforms
4. HIKSVM, HOG+LBP+HIKSVM, 行人检测的经典方法.
5. GroundHOG, GPU-based Object Detection with Geometric Constraints, In: ICVS, 2011. CUDA版本的HOG+SVM, video.
三、数据集
MIT数据库
该数据库为较早公开的行人数据库，共924张行人图片（ppm格式，宽高为
64x128），肩到脚的距离约80象素。该数据库只含正面和背面两个视角，无负样本，未区分训练集和测试集。Dalal等采用“HOG+SVM”，在该数据库上的检测准确率接近100%。
INRIA数据库
该数据库是目前使用最多的静态行人检测数据库，提供原始图片及相应的标注文件。训练集有正样本614张（包含2416个行人），负样本1218张；测试集有正样本288张（包含1126个行人），负样本453张。图片中人体大部分为站立姿势且高度大于100个象素，部分标注可能不正确。图片主要来源于GRAZ-01、个人照片及google，因此图片的清晰度较高。在XP操作系统下部分训练或者测试图片无法看清楚，但可用OpenCV正常读取和显示。
Daimler行人数据库
该数据库采用车载摄像机获取，分为检测和分类两个数据集。检测数据集的训练样本集有正样本大小为18x36和48x96的图片各15560（3915x4）张，行人的最小高度为72个象素；负样本6744张（大小为640x480或360x288）。测试集为一段27分钟左右的视频（分辨率为640x480），共21790张图片，包含56492个行人。分类数据库有三个训练集和两个测试集，每个数据集有4800张行人图片，5000张非行人图片，大小均为18x36，另外还有3个辅助的非行人图片集，各1200张图片。
[https://www.360docs.net/doc/c210374391.html,/Datasets/Daimler_Pedestrian_Benchmark_D/daimler _pedestrian_benchmark_d.html]
Caltech行人数据库
该数据库是目前规模较大的行人数据库，采用车载摄像头拍摄，约10个小时左右，视频的分辨率为640x480，30帧/秒。标注了约250,000帧（约137分钟），350000个矩形框，2300个行人，另外还对矩形框之间的时间对应关系及其遮挡的情况进行标注。数据集分为set00~set10，其中set00~set05为训练集，set06~set10为测试集（标注信息尚未公开）。性能评估方法有以下三种：（1）用外部数据进行训练，在set06~set10进行测试；（2）6-fold交叉验证，选择其中的5个做训练，另外一个做测试，调整参数，最后给出训练集上的性能；（3）用set00~set05训练，set06~set10做测试。由于测试集的标注信息没有公开，需要提交给Pitor Dollar。结果提交方法为每30帧做一个测试，将结果保存在txt文档中（文件的命名方式为I00029.txt I00059.txt ……），每个txt文件中的每行表示检测到一个行人，格式为“[left, top,width, height, score]”。如果没有检测到任何行人，则txt文档为空。该数据库还提供了相应的Matlab工具包，包括视频标注信息的读取、画ROC （Receiver Operatingcharacteristic Curve）曲线图和非极大值抑制等工具。
TUD行人数据库
TUD行人数据库为评估运动信息在行人检测中的作用，提供图像对以便计算光流信息。训练集的正样本为1092对图像（图片大小为720x576，包含1776个行人）；负样本为192对非行人图像（手持摄像机85对，车载摄像机107对）；另外还提供26对车载摄像机拍摄的图像（包含183个行人）作为附加训练集。测试集有508对图像（图像对的时间间隔为1秒，分辨率为640x480），共有1326个行人。Andriluka 等也构建了一个数据库用于验证他们提出的检测与跟踪相结合的行人检测技术。该数
建筑节能检测方法综述
建筑节能现场检测方法 田斌守 摘要本文综述了几种建筑物围护结构传热系数现场检测方法的原理、操作方法、适用条件，指出各种方法的优缺点及注意事项。 关键词建筑节能检测热流计法热箱法控温箱－热流计法非稳态法当今飞速发展的国民经济活动必然导致前所未有的资源能源消耗速度。而许多资源能源是不可再生的，为了人类的可持续发展，节约能源刻不容缓。据介绍，我国目前单位建筑面积采暖能耗相当于气候条件相近的发达国家的2～3倍，而建筑能耗也占全国能耗总量的27.5％。随着人民生活水平的不断提高、城市化进程的加快以及住房体制改革的深化，建筑能耗在我国增长趋势很大，很可能是我国今后能耗的一个主要增长点。为建设节约型社会，促进经济社会可持续发展，国家发展委员会发布了“节能中长期专项规划”，建筑节能作为三大重点领域中的一项，受到高度重视。建设部也相继发布了一系列建筑节能标准，其中包括若干强制性条款，目前正在建设领域逐步实施。 建筑节能工作从流程上可分为设计审查、现场检测、竣工验收三个大的阶段。对节能建筑的评价，从建设前期对施工图纸审查计算阶段、向现场检测和竣工验收转移是大势所趋。建筑节能现场检测也是落实建筑节能政策的重要保证手段。目前，全国范围内建筑节能检测都执行JGJ132－2001《采暖居住建筑节能检验标准》，它是最具权威性的检测方法，它的发布实施，为建筑节能政策的执行提供了一个科学的依据，使得建筑节能由传统的间接计算、目测定性评判到现在的直接测量，从此这项工作进入了由定性到定量、由间接到直接、由感性判断到科学检测的新阶段。 根据我们对建筑节能影响因素和现场检测的可实施性的分析，我们认为能够在实验室检测的宜在实验室检测（如门窗等作为产品在工程使用前后它的性状不会发生改变），除此之外，只有围护结构是在建造过程中形成的，对它的检测只能在现场进行。因此建筑节能现场检测最主要的项目是围护结构的传热系数，这也是最重要的项目。如何准确测量墙体传热系数是建筑节能现场检测验收的关键。目前对建筑节能现场检测的、围护结构（一般测外墙和屋顶、架空地板）的
红外热像检测技术综述
作业一红外热像检测技术综述 院（系）名称机械工程及自动化学院科目现代无损检测技术 学生姓名X X 学号XXXXXXXX 2016 年1X 月1X 日
红外热像检测技术综述 XXXX XXXX 目录 1 红外热像检测技术的原理介绍 (1) 2 红外热像检测技术的应用 (2) 2.1材料的内部制造缺陷的红外热像检测 (2) 2.3结构内部损伤及材料强度的检测 (3) 2.4在建筑节能检测中的应用 (3) 2.5建筑外外墙面饰面层粘贴质的检测 (4) 2.6在建筑物渗漏检测中的应用[13] (4) 3 红外热像检测技术国内外发展现状 (5) 3.1红外热像检测技术国外发展现状 (5) 3.2红外热像检测技术国内发展现状 (7) 4 参考文献 (10) I
1 红外热像检测技术的原理介绍 红外热成像检测技术采用主动式控制加热激发被检物内部缺陷，通过快速热图像采集和基于热波理论图像处理技术实现缺陷检测。它通过光学机械扫描系统，将物体发出的红外线辐射汇聚在红外探测器上，形成红外热图像，由此来分辨被测物体的表面温度。该技术具有检测速度快、非接触、范围广、精度高、易于实现自动化和实时观测等诸多优点，适合于裂缝、分层、积水、冲击损伤等问题的诊断。 红外线和可见光及无线电波一样是一种电磁波，红外线的波长比可见光长，比无线波短，为0.78~1000m μ，可分为近红外、中红外和远红外。任何物体只要不是绝对零度，都会因为分子的东{转和振动而发出“辐射能量”，红外辐射是其中一种。如果把物体看成是黑体，吸收所有的人射能量，则根据斯蒂芬—玻尔兹曼定律，在全波长范围内积分可得到黑体的总辐射度为: ()40 ,M M T d T λλσ∞==? (1.1) 式中:()()152121,exp 1c M T c W m m T λλμλ---??????=-???? ?????? ??? 为黑体的光谱辐射度;1c ，2c 为辐射常数，8241 3.741810c W m m μ-=???，42=1.438810c m K μ??，σ为斯蒂芬—玻尔兹曼常数，8245.6710W m K σ---=???，实际的大部分人工或天然材料都是灰体而不是黑体材料，与黑体不同，灰体材料的发射率1ε≠，灰体表面能反射一部分入射的长波()>3m λμ辐射，因此灰体表面的辐射由自身发射的和环境反射的两部分组成，用红外探测器可直接测量灰体发射和反射的总和ap M ，但无法确定各自的份额。通常假设物体表面为黑体，将ap M 称为表观辐 射度，为便于理解，一般将其转换为人们较熟悉的温度单位，称为表观温度ap T ，即: ()()()()04,,ap t l ap ap M M T M T d T λελλρλλλσ=+=? (1.2) 上述的表观温度ap T ，即为红外探测器测量所得温度。在无损检测中测量距离一般较近，可以忽瞬大气的影响，故被测物体的表面发射率。的取值是否准确是影响测量精度的关键因素。
运动目标检测方法总结报告
摘要 由于计算机技术的迅猛发展，使得基于内容的视频信息的存取、操作和检索不仅成为一种可能，更成为一种需要。同时，基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。因此提取和视频中具有语义的运动目标是一个急需解决的问题。运动目标提取和检测作为视频和图像处理领域的重要研究领域，有很强的研究和应用价值。运动检测就是将运动目标从含有背景的图像中分离出来，如果仅仅依靠一种检测算法，难以从复杂的自然图像序列中完整地检测出运动的目标。较高的检测精度和效率十分重要，因此融合多种检测方法的研究越来越受到重视。本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法，并对各种方法进行了评价和总结。首先介绍了基本的运动目标检测的基本知识和理论，然后介绍了基本的几种目标检测方法及其各种改进方法。对今后的运动目标检测提取的相关研究提供一定的参考。 关键词：运动目标检测光流法帧差法背景建模方法
ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video. At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future. Keywords: Visual tracking Optical flow method Frame Difference Background modeling method
碰撞检测
二维碰撞检测算法 碰撞检测（Collision Detection,CD）也称为干涉检测或者接触检测，用来检测不同对象之间是否发生了碰撞，它是计算机动画、系统仿真、计算机图形学、计算几何、机器人学、CAD\ CAM等研究领域的经典问题。 碰撞物体可以分为两类：面模型和体模型。面模型是采用边界来表示物体，而体模型则是使用体元表示物体。面模型又可根据碰撞后物体是否发生形变分为刚体和软体，刚体本身又可根据生成方式的不同分为曲面模型和非曲面模型。目前对于碰撞的研究多集中于面模型的研究，因为体模型是一种三维描述方式，对它进行碰撞检测代价较高。而在面模型的研究中，对刚体的研究技术更为成熟。 下面列举几种常用的碰撞检测技术： 1：包围盒（bounding box）是由Clark提出的，基本思想是使用简单的几何形体包围虚拟场景中复杂的几何物体，当对两个物体进行碰撞检测时，首先检查两个物体最外层的包围盒是否相交，若不相交，则说明两个物体没有发生碰撞，否则再对两个物体进行检测。基于这个原理，包围盒适合对远距离物体的碰撞检测，若距离很近，其物体之间的包围盒很容易相交，会产生大量的二次检测，这样就增大了计算量。 包围盒的类型主要有AABB(Aligned Axis Bounding Box)沿坐标轴的包围盒、包围球、OBB(Oriented Bounding Box)方向包围盒和k-DOP(k Discrete Orientation Polytopes)离散方向多面体等。 AABB是包含几何对象且各边平行于坐标轴的最小六面体，两个AABB包围盒相交当且仅当它们三个坐标轴上的投影均重叠，只要存在一个方向上的投影不重叠，那么它们就不相交。AABB间的相交测试和包围体的更新速度比其他算法
残余应力检测方法概述
第1 页 共 2页 残余应力检测方法概述 目前国际上普遍使用的残余应力检测方法种类十分繁多，为便于分类，人们往往根据测试过程中被测样品的破坏与否将测试方法分为：应力松弛法（样品将被破坏）和无损检测法（样品不被破坏）两类。以下我们简单归纳了现阶段较为常用的一些残余应力检测方法。 一、常见的残余应力检测方法： 1. 应力松弛法 (1) 盲孔法 该方法最早由Mather 于1934年提出，其基本原理就是通过孔附近的应变变化，用弹性力学来分析小孔位置的应力，孔的位置和尺寸会影响最终的应力数值。由于这类设备操作起来非常简单，近年来被广泛使用。 (2) 切条法 Ralakoutsky 在1888年提出了采用该方法测量材料的残余应力。在使用这种方法时需要沿特定方向将试件切出一条，然后通过测量试件切割位置的应变来计算残余应力。 (3) 剥层法 该方法是通过物理或化学的方法去除试件的 一层并测量其去除后的曲率，根据测定的试件表面曲率变化就能计算出残余应力。该方法常用于形状简单的试件，且测试过程快捷。 2. 无损检测方法 (1) X 射线衍射法 X 射线方法是根据测量试件的晶体面间距变化来确定试件的应变，进而通过弹性力学方程推导计算得到残余应力，目前最被广泛使用的是Machearauch 于1961提出的sin2ψ方法。日本最早研制成功了基于该方法的X 射线残余应力分析仪，为该方法的推广做出了巨大的贡献。 (2) 中子衍射法。 中子衍射方法的原理和X 射线方法本质上是一样的，都是根据材料的晶体面间距变化来求得应变，并根据弹性力学方程计算残余应力。但中子散射能量更高，可以穿透的深度更大，当然中子衍射的成本也是最昂贵的。 (3) 超声波法。 该方法的物理和实验依据是S.Oka 于1940年发现的声双折射现象，通过测定声折射所导致的声速和频谱变化反推出作用在试件上的应力。试件的晶体颗粒及取向会影响数据的准确度，尽管超声波方法也属无损检测方法，但其仍需进一步完善。 二、最新的残余应力检测方法 cos α方法早在1978年就由S.Taira 等人提出， 但真正应用于残余应力测试设备中还是近几年的事情。日本Pulstec 公司于2012年研制出了世界上首款基于cos α方法的X 射线残余应力分析仪，图1是设备图片（型号：μ-x360n ）。
入侵检测技术综述
入侵检测技术综述 胡征兵1Shirochin V.P.2 乌克兰国立科技大学 摘要 Internet蓬勃发展到今天，计算机系统已经从独立的主机发展到复杂、互连的开放式系统，这给人们在信息利用和资源共享上带来了很大的便利。由Internet来传递和处理各种生活信息，早已成为人们重要的沟通方式之一，随之而来的各种攻击事件与入侵手法更是层出不穷，引发了一系列安全问题。本文介绍现今热门的网络安全技术-入侵检测技术，本文先讲述入侵检测的概念、模型及分类，并分析了其检测方法和不足之处，最后说描述了它的发展趋势及主要的IDS公司和产品。 关键词入侵检测入侵检测系统网络安全防火墙 1 引言 随着个人、企业和政府机构日益依赖于Internet进行通讯，协作及销售。对安全解决方案的需求急剧增长。这些安全解决方案应该能够阻止入侵者同时又能保证客户及合作伙伴的安全访问。虽然防火墙及强大的身份验证能够保护系统不受未经授权访问的侵扰，但是它们对专业黑客或恶意的经授权用户却无能为力。企业经常在防火墙系统上投入大量的资金，在Internet入口处部署防火墙系统来保证安全，依赖防火墙建立网络的组织往往是“外紧内松”，无法阻止内部人员所做的攻击,对信息流的控制缺乏灵活性，从外面看似非常安全，但内部缺乏必要的安全措施。据统计，全球80%以上的入侵来自于内部。由于性能的限制，防火墙通常不能提供实时的入侵检测能力，对于企业内部人员所做的攻击，防火墙形同虚设。 入侵检测是对防火墙及其有益的补充，入侵检测系统能使在入侵攻击对系统发生危害前，检测到入侵攻击，并利用报警与防护系统驱逐入侵攻击。在入侵攻击过程中，能减少入侵攻击所造成的损失。在被入侵攻击后，收集入侵攻击的相关信息，作为防范系统的知识，添加入知识库内，增强系统的防范能力，避免系统再次受到入侵。入侵检测被认为是防火墙之后的第二道安全闸门，在不影响网络性能的情况下能对网络进行监听，从而提供对内部攻击、外部攻击和误操作的实时保护,大大提高了网络的安全性[1]。 2 入侵检测的概念、模型 入侵检测（Intrusion Detection，ID）, 顾名思义，是对入侵行为的检测。它通过收集和分析计算机网络或计算机系统中若干关键点的信息，检查网络或系统中是否存在违反安全策略的行为和被攻击的迹象。进行入侵检测的软件与硬件的组合便是入侵检测系统（Intrusion Detection System,IDS）。 入侵检测的研究最早可以追溯到詹姆斯·安德森[1]在1980年为美国空军做的题为《计算机安全威胁监控与监视》的技术报告，第一次详细阐述了入侵检测的概念。他提出了一种对计算机系统风险和威胁的分类方法，并将威胁分为外部渗透、内部渗透和不法行为三种，还提出了利用审计跟踪数据监视入侵活动的思想。他的理论成为入侵检测系统设计及开发的基础 , 他的工作成为基于主机的入侵检测系统和其它入侵检测系统的出发点。 Denning[2]在1987年所发表的论文中，首先对入侵检测系统模式做出定义：一般而言，入侵检测通过网络封包或信息的收集，检测可能的入侵行为，并且能在入侵行为造成危害前及时发出报警通知系统管理员并进行相关的处理措施。为了达成这个目的，入侵检测系统应包含3个必要功能的组件：信息来源、分析引擎和响应组件。 ●信息来源（Information Source）：为检测可能的恶意攻击，IDS所检测的网络或系统必须能提供足够的信息给IDS，资料来源收集模组的任务就是要收集这些信息作为IDS分析引擎的资料输入。 ●分析引擎（Analysis Engine）：利用统计或规则的方式找出可能的入侵行为并将事件提供给响应组件。 ●响应模组（Response Component）：能够根据分析引擎的输出来采取应有的行动。通常具有自动化机制，如主动通知系统管理员、中断入侵者的连接和收集入侵信息等。 3 入侵检测系统的分类 入侵检测系统依照信息来源收集方式的不同，可以分为基于主机（Host-Based IDS）的和基于网络（Network-Based IDS）；另外按其分析方法可分为异常检测（Anomaly Detection,AD）和误用检测（Misuse Detection,MD），其分类架构如图1所示： 图 1. 入侵检测系统分类架构图
水中油类测定分析方法的综述
水中油类测定分析方法的综述 李海州 （浙江海洋学院海洋与技术学院，浙江舟山316004） [摘要]：本文对国内外学者有关水中油类的测定方法做了比较系统的综述。对几种水中油类的常用方法，重量法、紫外分光光度法、荧光分光光度法、红外分光光度法和非分散红外光度法做了简要介绍，并对其优劣进行了评价。另外，介绍了测定水中油类含量存在的难点、发展趋势和技术改进等。 关键词：水；油类；测定分析 油类是指任何类型的（矿物油、植物油等）及其炼制品（汽油、柴油、机油、煤油等）、油泥和油渣[1]。油类主要有漂浮油、分散油、乳化油、溶解油和油类附着在固体悬浮物表面而形成油膜---固体物5种形式。全世界每年至少有500—1000吨油类通过各种途径进入水体，由于漂浮于水体表面的油将会影响空气和水体表面氧的交换，而分散于水体中以及吸附于悬浮颗粒上或以乳化状态存在于水体的油易被微生物氧化分解，并将消耗水中的溶解氧，从而使水质恶化；油膜还能附着于鱼鳃上，使鱼类窒息而死；当鱼类产卵期，在含有油类污染物质废水中孵化的鱼苗，多数为畸形，生命力低下，易于死亡；含有油类污染物的废水进入水体后，造成的危害很为严重，不仅影响水生生
物的生长，降低水体的自我净化能力，而且影响水体附近的环境，因此，油类是水体环境中的主要污染物之一，在水质监测中，也是一项重要的监测项目。要消除油类对环境的污染和危害，首先就必须能够准确的测定水中油类的含量。 然而,水中油类含量测定又是比较复杂的，因为水中的油类成分是相当复杂的，此外不同地区、不同行业水体中油类污染的成分也不同，无法有用单一的油标准进行对照，无法准确测定，所以水体中油类物质含量的测定问题是环境分析化学一个古老、重要而又困难的问题。目前水体中油类测定常用的方法有重量法、紫外分光光度法、荧光分光光度法、非分散红外光度和国家最新颁布的国家标准方法红外分光光度法等[2]，本文简要介绍以上几种方法的原理和优劣，及人们对水体中油类监测分析方法的创新和改进。 1.重量法 重量法是用有机萃取剂（石油醚或正己烷）提取酸化了的样品中的油类，将溶剂蒸发掉后，称重后计算油类含量。重量法应用范围不受油品的限制，可测定含油量较高的污水，不需要特殊的仪器和试剂，测定结果的准确度较高、重复性较好。缺点是损失了沸点低于提取剂的油类成分，方法操作复杂，灵敏度低，分析时间长，并要耗费大量的提取剂，而且方法的精密度随操作条件和熟练程度不同差异很大。因此，水体中动植物油含量较高的，采用该方法较适合，可以得到比较准确的结果；工业废水、石油开采及炼制行业中含油量较高，此方
自动检测技术综述
课程综述 08自动化（2）班 0805070124 随着大三分专业被分到自动化这个专业后，首先接触的课程就是自动化检测技术。作为一门动手能力要求比较高的课程，这门课也配套了相应的实验课程。回味这学期的自动检测技术这门课的学习，按照自己的学习计划学习起来还是比较从容的。自动检测技术是自动化科学技术的一个重要分支科学，是在仪器仪表的使用、研制、生产、的基础上发展起来的一门综合性技术。自动检测就是在测量和检验过程中完全不需要或仅需要很少的人工干预而自动进行并完成的。实现自动检测可以提高自动化水平和程度，减少人为干扰因素和人为差错，可以提高生产过程或设备的可靠性及运行效率。 对于自动检测技术这门课，我觉得很重要的就是学习计划，不管做什么事都应该有一个计划，大到自己的学习生涯规划，小到自己的一天什么时刻该做什么，这样你才能做到有的放矢。作为一门自动化专业重要的课程，学好这门课是必须的。关于学习计划，我觉得每天课后的复习工作是很重要，这有助于我们对新知识的理解和吸收。大学里要充分利用各种资源，比如说图书馆、学术论坛、网络资源等。网络这种全新的学习形式具有开放性、互动性、网络性、虚拟性的特点,为我们的自主学习，教师的教学提供了许多便利条件。目前，互联网上学习资源中，管理方面的资源极为丰富；收费、互助、免费应有尽有。当然如何有效利用这些资源，是我们必须重视的问题，不适当的选择，会浪费精力，浪费时间，我们要选择适合自己的资源进行学习，这样才能做到事半功倍。还有就是一个老师每次布置的小设计论文，每次的设计论文感觉都是对自己所学到的知识的一些升华，在原有知识的基础上进行设计，利用课本知识缩学到的东西应用到实际的设计当中去。这是一项很好的作业，让我们在学到基础知识的前提下，能够活用。 自动检测的任务：自动检测的任务主要有两种，一是将被测参数直接测量并显示出来，以告诉人们或其他系统有关被测对象的变化情况，即通常而言的自动检测或自动测试；二是用作自动控制系统的前端系统，以便根据参数的变化情况做出相应的控制决策，实施自动控制。自动检测技术主要的研究内容：自动检测技术的主要研究内容包括测量原理、测量方法、测量系统、及数据处理。测量系统：确定了被测量的测量原理和测量方法后，就要设计或选用装置组成测量系统。目前的测量系统从信息的传输形式看，主要有模拟式和数字式两种。模拟式测量系统：模拟量测试系统是由传感器，信号调理器，显示、记录装置和（或）输出装置组成。数字式测量系统：数字式测量系统目前主要是带微机的测量系统，是由传感器、信号调理器、输入接口、中央处理器组件、输出接口和显示记录等外围设备组成。检测技术的特点：实时性强、精确度高、可靠性高、通道多、功能强。 关于自动化专业而言，自动化检测技术对学生动手能力要求比较高，所以有关和自动检测技术的实验课也是尤为重要的一项。实验课的课前准备工作必须充
行人检测专利技术综述
行人检测专利技术综述 摘要近年来，伴随着计算机视觉、模式识别和人工智能等相关技术的发展，以及智能汽车、智能监控和安全领域的迫切需求，行人检测技术受到了越来越多的关注，已成为当前研究人员关注的一个重要的研究方向。本文从行人检测的全球专利申请量、全球主要申请人分布、在中国提交申请量、中国主要申请人分布等角度进行了分析和研究，梳理了行人检测技术的研究现状及发展趋势。 关键词行人检测；行人检测应用 1 全球专利申请分析 1.1 全球专利申请量分析 自2000年起，行人检测技术在全球的申请趋势按照申请量可分为三个阶段：技术启蒙期、稳健增长期、快速增長与技术产品化期，下面将具体给出三个阶段的数据分析。 技术启蒙期（2000-2004年）：2000年至2004年行人检测技术刚刚启蒙，申请量较少，这期间年均增长大约维持在20件左右。由于此期间计算机视觉技术发展也刚刚起步，行人检测技术还处于理论研究阶段，其涉猎的应用领域还很少。这期间主要的申请人还局限于汽车领域的领头企业，例如尼桑、瑞典奥拓立夫、本田等公司。此阶段行人检测技术，还较为落后其检测还主要是基于对物体的检测结合物体行进速度对行人进行检测，检测准确率低。 稳健增长期（2005-2012年）：2005年至2012年，信息技术迅猛发展，计算机视觉也得到了飞速发展。此阶段由于与行人检测相关的技术智能汽车、智能监控和安全领域也得到了相关企业重视。行人检测技术申请量增长率有抬头趋势，在此期间年申请量50-80件左右，其主要涉猎的领域也较一阶段也涉及更多的应用领域，例如，一些新兴的企业单位也申请了相关专利申请。且此阶段，行人检测技术采用的技术也有所改进，行人检测的准确率有了一定的提升[1]。 快速增长与技术产品化（2013-2016年）：在此期间，计算机视觉、图形图像等相关技术显著提升。2013-2016年，全球专利年申请量迅猛增至年申请量200件，尤其是在近三年其增占率更是实现了翻倍增长。其主要原因为：视频监控、自动驾驶技术、互动娱乐与人机交互、家庭监控等新兴领域的发展，促进了行人检测技术的发展，技术产品化成为可能。行人检测技术也逐渐走向成熟，其主要相关技术行人识别、背景去噪、算法效率等方面均得到了显著提高。 1.2 全球专利申请国家分布分析 本文通过对DWPI数据库的国别字段进行申请量统计，并通过Microsoft Excel进行了申请百分比统计。截止2016全球行人检测技术排名前三位的申请国
虚拟手术中实时碰撞检测技术
虚拟手术中实时碰撞检测技术研究 彭 磊 张裕飞 王秀娟 （泰山医学院 信息工程学院 山东 泰安 271016） 摘 要： 碰撞检测是虚拟手术的关键技术，为提高检测速度，满足系统实时性的要求，提出空间剖分和层次包围盒相结合的方法。使用八叉树表示法对虚拟场景进行空间剖分，在叶节点构建层次包围盒。进行碰撞检测时属于不同八叉树节点的几何元素不会相交，否则使用层次包围盒算法继续进行检测，对于有可能相交的几何元素再进行精确相交检测。 关键词： 虚拟手术；碰撞检测；空间剖分；层次包围盒 中图分类号：TP391.9 文献标识码：A 文章编号：1671－7597（2012）1120029－02 进行碰撞检测时从八叉树的根节点开始，计算两几何元素0 引言 是否属于同一节点，如果不属于同一节点则不相交，如果属于虚拟手术是集医学、生物力学、材料学、计算机图形学、同一节点，递归的到下一级节点进行检查，直到发现两几何元虚拟现实等诸多学科为一体的交叉研究领域。虚拟手术在医学素属于同一叶节点，则需要进一步使用层次包围盒进行检查。 中的应用主要包括：手术计划与过程模拟、术中导航与监护、 2 层次包围盒 手术教学与训练等。碰撞检测是虚拟手术系统中的关键技术，贯穿于虚拟手术的整个过程。 对于八叉树的每个叶节点包含的几何元素，建立层次包围虚拟手术系统中的对象根据材质可分为刚体组织和软件组盒（Bounding Volume Hierarchy ，BVH ）。相对于单纯的层次织。骨骼、手术器械等属于刚体组织，而人体的许多器官如肌包围盒技术，使用空间剖分与层次包围盒相结合的方法进行碰肉、血管、肝脏等属于软体组织。以往大部分碰撞检测的研究撞检测，构建的层次树规模更小，计算量更少。层次包围工作都是针对刚体对象的。与刚体相比较，软体组织由于其特殊的物理性质，在外力或某些操作的作用下会发生几何形状、位置甚至数量上的变化，因此基于软体组织的碰撞检测需要更详细的信息和更多的处理。 最简单的碰撞检测方法是对场景中的几何元素进行两两相2交测试，其时间复杂度为O(n )，虽然这种方法可以得到正确的结果，但是当场景中的几何模型稍微增多些，其实时性便无法满足实际的需求。为了尽可能地减少参与相交测试的几何元素的数量，提高系统的实时性，目前碰撞检测技术使用的主要算法有：层次包围盒法，空间分割法，基于网格剖分的方法[1]。但是这些经典的算法也都存在着构造难度大、紧密性差、相交测试复杂、效率低等缺点。 本文采用空间剖分和层次包围盒相结合的方法，简化了几何信息的表示，进行碰撞检测时可排除明显不相交的几何元素，无法排除的再进行精确相交检测，从而减少计算量，加速碰撞检测速度，提高系统实时性。 1 空间剖分技术 整个虚拟手术的场景空间递归的剖分成若干个网格单元，每一个几何元素都属于某个网格单元，处于同一网格单元内的几何元素才有相交的可能，不在同一网格单元的几何元素一定不会相交。采用八叉树的表示方法进行空间剖分。即包含整个场景的立方体作为八叉树的根节点，立方体的3条棱边分别与x ，y ，z 轴平行。递归的将立方体剖分为8个小块，如图1（a ）所示，生成8个子节点，直到达到指定的剖分层次为止，如图1（b ）所示，每个叶节点包含有限个几何元素。 图1 八叉树表示法 盒包括包围盒和层次树两种数据结构。 2.1 包围盒 包围盒技术是减少相交检测次数，降低碰撞检测复杂度的一种有效的方法。其基本思想是用几何形状相对简单的封闭表面将一复杂几何元素包裹起来，首先进行包围盒之间的相交测试，排除明显不相交的几何元素，无法排除的几何元素，再进一步进行精确的相交测试，从而达到减少相交测试计算量的目的。常见的包围盒类型有：包围球（Bounding Sphere ）、沿坐标轴的包围盒（Axis Aligned Bounding Box ，AABB ）、方向包围盒（Oriented Bounding Box ，OBB ）。离散方向包围盒（k-Discrete Orientation Polytopes ，k-DOPs ）等[2]，如图2所示。 图2 包围盒 由于虚拟手术对实时性要求较高，本文选择AABB 型包围盒，AABB 是平行于坐标轴的，包含几何元素的最小正立方体。其优点是：1）易于构建，只需要计算所包含几何元素的顶点的x ，y ，z 坐标的最大值和最小值，存储6个浮点数即可；2）相交测试计算量小，相交测试时只需对两个包围盒在三个坐标轴上的投影分别进行比较，最多6次比较运算即可。 2.2 包围盒层次树 包围盒层次树即包围盒的层次结构，层次树的根节点包含某个八叉树叶节点几何元素的全集，向下逐层分裂，直到每个叶节点表示一个基本几何元素。常用的构建策略有自顶向下和自底向上两种。 自顶向下的方法首先建立根结点，利用基于全集的信息递归地将每个节点分裂为两个或多个子集，直至生成只包含一个 基本图元的叶结点为止，从而建立一棵自顶向下的包围盒层次 （ ）八叉树结构 （ ）节点的剖分
目标检测方法简要综述
龙源期刊网 https://www.360docs.net/doc/c210374391.html, 目标检测方法简要综述 作者：栗佩康袁芳芳李航涛 来源：《科技风》2020年第18期 摘要：目标检测是计算机视觉领域中的重要问题，是人脸识别、车辆检测、路网提取等领域的理论基础。随着深度学习的快速发展，与基于滑窗以手工提取特征做分类的传统目标检测算法相比，基于深度学习的目标检测算法无论在检测精度上还是在时间复杂度上都大大超过了传统算法，本文将简单介绍目标检测算法的发展历程。 关键词：目标检测;机器学习;深度神经网络 目标检测的目的可分为检测图像中感兴趣目标的位置和对感兴趣目标进行分类。目标检测比低阶的分类任务复杂，同时也是高阶图像分割任的重要基础;目标检测也是人脸识别、车辆检测、路网检测等应用领域的理论基础。 传统的目标检测算法是基于滑窗遍历进行区域选择，然后使用HOG、SIFT等特征对滑窗内的图像块进行特征提取，最后使用SVM、AdaBoost等分类器对已提取特征进行分类。手工构建特征较为复杂，检测精度提升有限，基于滑窗的算法计算复杂度较高，此类方法的发展停滞，本文不再展开。近年来，基于深度学习的目标检测算法成为主流，分为两阶段和单阶段两类：两阶段算法先在图像中选取候选区域，然后对候选区域进行目标分类与位置精修;单阶段算法是基于全局做回归分类，直接产生目标物体的位置及类别。单阶段算法更具实时性，但检测精度有损失，下面介绍这两类目标检测算法。 1 基于候选区域的两阶段目标检测方法 率先将深度学习引入目标检测的是Girshick[1]于2014年提出的区域卷积神经网络目标检测模型（R-CNN）。首先使用区域选择性搜索算法在图像上提取约2000个候选区域，然后使用卷积神经网络对各候选区域进行特征提取，接着使用SVM对候选区域进行分类并利用NMS 回归目标位置。与传统算法相比，R-CNN的检测精度有很大提升，但缺点是：由于全连接层的限制，输入CNN的图像为固定尺寸，且每个图像块输入CNN单独处理，无特征提取共享，重复计算;选择性搜索算法仍有冗余，耗费时间等。 基于R-CNN只能接受固定尺寸图像输入和无卷积特征共享，He[2]于2014年参考金字塔匹配理论在CNN中加入SPP-Net结构。该结构复用第五卷积层的特征响应图，将任意尺寸的候选区域转为固定长度的特征向量，最后一个卷积层后接入的为SPP层。该方法只对原图做一
既有建筑检测技术综述
既有建筑检测技术综述 摘要：建筑检测对建筑结构的安全性有着重要影响，因此在对建筑结构进行检测时必须要认真。建筑构件的检测工作与建筑的现在有着密切关系，因此相关部门需要对建筑工程的质量进行检测工作进行紧密监督，同时需要对建筑结构中的构建进行检测，本文在对既有建筑检测管理进行简单叙述的基础上，对既有建筑检测技术进行了详细分析，希望对相关工作人员能够有所帮助。 关键词：建筑检测;技术分析;建筑结构 经济的快速发展，使得我国的建筑行业得到了飞速发展，在建筑行业飞速发展的过程中，检测技术显得尤为重要。从目前情况来看，我国的建筑检测技术处于平稳发展阶段，前景一片大好。 一、建筑检测的管理 （一）单位资质 建筑检测单位必须具有相应的检测资质，只有具备检测资质的建筑单位才可以对建筑机构进行检测。检测单位需要应当为专门单位，其工作范畴只能是工程质量检测，不能建筑其它工作，确保建筑检测部门具有检测资质。 （二）检测人员的专业水平
从目前情况来看，我国的许多技术检测人员都通过了专业的技术培训，具有检测资格，但是仍然存在技术检测人员只是通过了简单的技术培训，并没有深入的了解建筑检测工作的评定标准和规范，因此在检测工作中难免会出现一些错误，这也导致了既有建筑检测技术无法在建筑检测中发挥应有的作用，因此必须要加强管理，通过技能培训提高建筑检测人员的专业素养，使既有检测检测技术在建筑检测中能够起到应有的作用。 （三）检测人员的职业素养 建筑检测人员的职业道德必须过关，建筑检测人员在进行建筑检测工作是，必须要公平、公正，不能盲目。但在实际工作中，有少数的检测人员在工作中为了实现某种目的或个人利益，人为的对检测结果进行修改，最终使检测结果出现偏差，这使得检测技术成为了口壳子，在建筑检测过程中并没有得到合理应用，影响了建筑检测结果。 二、既有建筑检测技术 （一）砌体检测技术 目前针对砂浆、砌体的检测方法较多，其中主要的检测方法有回弹法、贯入法、推出发等。但实际建筑中因为砂浆和砌体强度离散性大，因此在检测上的优劣势差异较为明显，因此在检测上经常会因为选用不同的检测方法而得到不同 的检测结构。下面重点分析贯入法，贯入法在检测过程中对
(完整版)视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设f k（x, y）和f（k i）（x, y）分别为图像序列中的第k帧和第k+1帧中象素点（x，y）的象素值,则这两帧图像的差值图像就如公式2-1所示： Diff ki f k（x, y） f（k 1）（x, y）（2-1）2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1式得到第k帧和第k+1帧的差值图像Diff k 1；2、对所得到的差值图像Diff k 1二值化（如 式子2-2示）得到Qk+1 ；3、为消除微小噪声的干扰，使得到的运动目标更准 确，对Q k 1进行必要的滤波和去噪处理，后处理结果为M k 1。 1
无损检测技术综述
无损检测技术原理与应用 安全工程1401班 2014074201 1无损检测技术的定义及发展概况 随着中国科学和工业技术的发展，高温、高压、高速度和高负荷已成为现代化工业的重要标志。但它的实现是建立在材料高质量的基础之上的。必须采用不破坏产品原来的形状，不改变使用性能的检测方法，以确保产品的安全可靠性，这种技术就是无损检测技术。无损检测技术不损害被检测对象的使用性能，应用多种物理原理和化学现象，对各种工程材料，零部件，结构进行有效地检验和测试，借以评价它们的连续性、完整性、安全可靠性及某些物理信息。目的是为了评价构件的允许负荷、寿命或剩余寿命，检测设备在制造和使用过程中产生的结构不完整性及缺陷情况，以便及时发现问题，保障设备安全[1]。 无损检测技术是机械工业的重要支柱，也是一项典型的具有低投入、高产出的工程应用技术。可能很难找到其他任何一个应用学科分支，其涵盖的技术知识之渊博、覆盖的基本研究领域之众多、所涉及的应用领域之广泛能与无损检测相比。美国前总统里根在发给美国无损检测学会成立20周年的贺电中曾说过，(无损检测)能给飞机和空间飞行器、发电厂、船舶、汽车和建筑物等带来更高的可靠性，没有无损检测(美国)就不可能享有目前在飞机、船舶和汽车等众多领域和其他领域的领先地位。作为一门应用性极强的技术，只有与国家大型工程项目结合，解决国家大型和重点工程项目中急需解决的安全保障问题，无损检测技术才能有用武之地和广阔的发展空间[2]。 我国无损检测技术的快速发展得益于经济的快速发展和国家综合实力的快速增强。近十年来，我国经济一直处于快速发展期，无损检测事业也处于蒸蒸日上的局面，其总体形势和水平已是十年前无法比拟。在我国各工业部门和国防单位，我国无损检测工作者取得了令世人瞩目的成绩[2]。 2无损检测技术的基本类型及其原理 目前常用的无损检测类型主要有超声检测技术、射线检测技术、磁粉检测技术、渗透检测和红外检测技术五种，本文选取其中3种检测技术对其基本原理和应用进行简单的讲述，选取超声波检测技术和红外检测技术这两种检测技术进行
计算机视觉各种方法
第33卷第1期自动化学报Vol.33,No.1 2007年1月ACTA AUTOMATICA SINICA January,2007 车辆辅助驾驶系统中基于计算机视觉的 行人检测研究综述 贾慧星1章毓晋1 摘要基于计算机视觉的行人检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一.其核心是利用安装在运动车辆上的摄像机检测行人，从而估计出潜在的危险以便采取策略保护行人.本文在对这一问题存在的困难进行分析的基础上，对相关文献进行综述.基于视觉的行人检测系统一般包括两个模块：感兴趣区分割和目标识别，本文介绍了这两个模块所采用的一些典型方法，分析了每种方法的原理和优缺点.最后对性能评估和未来的研究方向等一系列关键问题给予了介绍. 关键词行人检测，车辆辅助驾驶系统，感兴趣区分割，目标识别 中图分类号TP391.41 A Survey of Computer Vision Based Pedestrian Detection for Driver Assistance Systems JIA Hui-Xing ZHANG Yu-Jin Abstract Computer vision based pedestrian detection has become one of the hottest topics in the domain of computer vision and intelligent vehicle because of its potential applications in driver assistance systems.It aims at detecting pedestrians appearing ahead of the vehicle using a vehicle-mounted camera,so as to assess the danger and take actions to protect pedestrians in case of danger.In this paper,we give detailed analysis of the di?culties lying in the problem and review most of the literature.A typical pedestrian detection system includes two modules:regions of interest(ROIs) segmentation and object recognition.This paper introduces the principle of typical methods of the two modules and analyzes their respective pros and cons.Finally,we give detailed analysis of performance evaluation and propose some research directions. Key words Pedestrian detection,driver assistance system,ROIs segmentation,object recognition 1引言 车辆辅助驾驶系统中基于计算机视觉的行人检测是指利用安装在运动车辆上的摄像机获取车辆前面的视频信息，然后从视频序列中检测出行人的位置.由于它在行人安全方面的巨大应用前景，成为智能车辆、计算机视觉和模式识别领域的前沿研究课题.欧盟从2000年到2005年连续资助了PROTECTOR[1]和SAVE-U[2]项目，开发了两个以计算机视觉为核心的行人检测系统；意大利Parma[3]大学开发的ARGO智能车也包括一个行人检测模块；以色列的MobilEye[4]公司开发了芯 收稿日期2006-3-14收修改稿日期2006-6-17 Received March14,2006;in revised form June17,2006 国家自然科学基金(60573148),教育部高等学校博士学科点专项科研基金(20060003102)资助 Supported by National Natural Science Foundation of P.R.China(60573148),Specialized Research Fund for the Doc-toral Program of Higher Education(20060003102) 1.清华大学电子工程系北京100084 1.Department of Electronic Engineering,Tsinghua University, Beijing100084 DOI:10.1360/aas-007-0084片级的行人检测系统；日本本田汽车公司[5]开发了基于红外摄像机的行人检测系统;国外的大学如CMU[6]、MIT[7,8]和国内的西安交通大学[9]、清华大学[10]也在该领域做了许多研究工作. 车辆辅助驾驶系统中基于计算机视觉的行人检测属于计算机视觉中人体运动分析的研究范畴，其主要任务是在运动摄像机下快速准确地检测行人.本文主要针对这一特定领域对相关的文献进行综述，重点分析常用方法的原理和优缺点，以期对相关的科技人员起到指导作用.对监控系统和体育运动分析领域中人体检测感兴趣的读者可以参考综述文献[11～14]. 行人检测除了具有一般人体检测具有的服饰变化、姿态变化等难点外，由于其特定的应用领域还具有以下难点：摄像机是运动的，这样广泛应用于智能监控领域中检测动态目标的方法便不能直接使用；行人检测面临的是一个开放的环境，要考虑不同的路况、天气和光线变化，对算法的鲁棒性提出了很高的要求；实时性是系统必须满足的要求，这 c 2007by Acta Automatica Sinica.All rights reserved.