机器视觉技术及应用 韩九强 (9)
基于机器视觉技术的热缩膜包装质量检测方法
基于机器视觉技术的热缩膜包装质量检测方法摘要：本文主要介绍了在利用机器视觉技术【1】获取产品外表面热缩膜图像后，对热缩膜的热缩及封切口的质量进行检测的方法，快速地识别热缩膜在封切热缩后是否存在破损、散包、切口不齐及变形等缺陷，从而保证带有热缩膜的批量产品质量。
关键词：机器视觉；热缩膜；曲线投影；封切；一、引言热缩膜包装是当前国内外较为流行的包装方式之一，是在加热条件下，使膜发生塑性变形并紧紧包裹住产品，不仅能突显出的包装物的外在形状，提高产品的展销性，也能起到包裹、防污、防潮、防变质的作用。
热缩膜主要工序有成型、填充、裹包、封切和加热收缩。
其中封切是热收缩膜包装机中决定包装效果最为关键环节，它将直接影响到包装的整体质量，是整台包装机性能的重要体现。
在封切过程中，封刀的温度、下刀压力、下刀速度及封切口的加热时间都有可能导热收缩膜出现边沿不整齐、毛刺过多、封切口过热变形、封切口不牢或开裂等质量缺陷。
目前，生产企业为了解决缺陷产品流出的问题，通过调整封刀温度、下刀速度、加热时间等参数，使设备工作在最佳状态的同时，还在后端增加人工对封切口质量进行检测。
由于人工对封切口检测需要较长时间，并且靠主观目测判断，容易让部分缺陷产品流入市场，造成严重的产品质量隐患。
二、检测原理在对热缩膜封口进行缺陷检测时，首先选择方向性强的插装光源，并采用合适地打光方式【3】，获得对比度较高的热缩膜图像；接着对图像采集组件采集到的封切口图像进行滤波，滤除图像中的噪声，然后对获取的图像数据进行目标区域的选择，之后通过灰度化、投影、相似度计算等方法，进而进行尺寸对比、灰度对比、相似性对比等多重判断，最终确定当前产品的封口是否存在缺陷。
其中，关键算法是采用分块水平投影识别算法，正常封切口应该是一条规则的水平线，各个小区域投影曲线最多只有一个尖锐波峰；任意小区域存在多个尖锐波峰时，则判定为缺陷。
如果仅有1个尖锐波峰，继续搜索检测区域各投影点的最大值，也即封切口边缘点，将这些点集进行最小二乘法直线拟合，得出拟合曲线，判断点集上的点偏离拟合曲线的程度。
机器视觉技术与应用实战-机器视觉应用场景
《机器视觉技术与应用实战》
机器视觉在工业的四大典型应用
检测类 占比61.8%（在线检测、离散检测、防呆监视等） 测量类占比12.8%（1D、2D、3D测量） 定位类 占比11.7%（定位引导、对位贴合等） 字符识别和读码 占比8.8%（一维码、二维码） 其他应用方向 占比4.7%
可以在线测量，就是在生产线上对产品进行检测，这样 可以及时地得到产品的测量信息，并实时反馈给生产设 备，来改进工艺、提高制造精度、降低废品率。
《机器视觉技术与应用实战》
四大典型应用 · 视觉测量（二）
传统人工测量
机器视觉3D高度差测量
常用高度规测量，需要实时记录测量点的数据、测 激光线扫：利用结构光在相机上的成像可通过三角关系
我国已成为全球最大的电子信息产品制造基地，智能终端、通信设备等多个领域的电子信息产 品产量位居世界前列。电子行业是机器视觉行业最大的下游应用领域，贡献了机器视觉近50%左右 的需求。
小到电容、连接器等元器件，大到手机 键盘、PC主板、硬盘等各个环节。
有手机产业链、平板产 业链、笔电产业链等。
《机器视觉技术与应用实战》
《机器视觉技术与应用实战》
机器人行业
机器人是自动执行工作的机器装置，既可以接受人类的指挥，也可以运行预先编排的程序，还 可以根据以人工智能技术制定的原则纲领行动，能够协助或取代人类的工作。
机器人打磨、机器人抛光、机器人装配、机器 人焊接、机器人贴膜、机器人上下料、机器人 码垛、机器人无序分拣、机器人有序引导、柔 性检测机器人等。
汽车制造行业
汽车制造业是生产各种汽车主机及部分零配件并进行装配的工业部门，主要包括汽车整车制造 行业、汽车零部件及配件行业等子行业。汽车行业贡献了机器视觉15%左右的需求，多个环节实现 无人化生产。
透视投影下的镜面反射表面形状恢复新算法
透视投影下的镜面反射表面形状恢复新算法
刘瑞玲;韩九强
【期刊名称】《西安交通大学学报》
【年(卷),期】2009(043)002
【摘要】针对含有镜面反射的表面形状恢复算法存在较大误差的问题,提出一种透视投影下基于Ward模型的从明暗恢复形状的新算法.首先假设光源处在相机的光心处,并引入光强衰减距离因子,用Ward模型建立含有强镜面反射的表面反射图方程,进而由反射图方程构造透视投影下关于形状深度信息的偏微分方程,并用Lax-Friedrichs Sweeping方法和改进的非线性黏性因子求解该偏微分方程,得到表面三维形状.新算法具有准确可靠的特点,比同类算法更加稳定.对合成花瓶图像的实验表明,与基于正交投影的算法相比,新算法恢复高度的平均误差下降了13.5%.
【总页数】5页(P6-9,71)
【作者】刘瑞玲;韩九强
【作者单位】西安交通大学电子与信息工程学院,710049,西安;西安交通大学电子与信息工程学院,710049,西安
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种含有镜面反射由明暗恢复形状的新算法 [J], 杨磊;韩九强
2.一种新的基于从明暗恢复形状的月球表面三维形状恢复算法 [J], 王国珲;韩九强;
张新曼;杨磊
3.一种适于镜面反射表面的从明暗恢复形状算法 [J], 王国珲;苏炜;宋玉贵
4.冷轧带钢缺陷表面形状恢复新算法 [J], 杨永敏;李戈;赵杰
5.基于多幅图像的三维形状恢复新算法研究 [J], 苏秋萍;司存瑞
因版权原因，仅展示原文概要，查看原文内容请购买。
计算机视觉实验室图像处理必读和选读书目
工程型代码通常用MFC编写GUI，所以掌握VC++是必要的
书目
深入浅出MFC
VC++深入详解
VC++编程技术与难点剖析
QT
理由
VC++有两个缺陷：1封装丑陋；2无法平台移植。候选的GUI库首选QT，资源丰富，开发方便，可以在多个平台移植，非常方便。
书目
C++ GUI QT4编程
AdvancedQt Programming
OpenCV
理由
计算机视觉系统的开源代码，是计算机视觉和图像处理必备的库，其源码在设计、可读性、效率等方面均非常有代表性
书目
学习opencv（learning opencv）
Opencv教程：基础篇
3.图像处理
1)数字图像处理，冈萨雷斯
2)VC++数字图像处理典型算法及实现，求是科技张宏林编著，人民邮电出版社
Matlab
理由
科研型语言
备注
1.学习语法
2.学习如何查帮助
R
理由
R是另一种较为流行的科研语言，目前R在大数据量处理上具有较大的优势
书目
Java
理由
Java是一种备选语言，适合特定项目，Java的劣势是速度，特别是在图像处理上
书目
Java编程思想
Java类库大全
Head First Java
2.专业库
8)Matlab与图像处理相关书籍
4.计算机视觉
1)机器视觉，张广军编著，科学出版社
2)机器视觉技术及应用，韩九强主编，高等教育出版社
测控技术与仪器新技术讲座课程大纲
《测控技术与仪器新技术讲座》教学大纲课程编号：302022010 课程性质： 选修课程名称：测控技术与仪器新技术讲座 学时/学分：16/1英文名称：New Development of Measurment考核方式： 课程报告 and Control Technology大纲执笔人：张涛选用教材：自编《测控技术与仪器新技术讲座》指导书先修课程：传感器、信号与系统、互换性与技大纲审核人：专业教学指导组术测量、精密机械设计、测控电路、智能仪器原理及应用、光电检测技术等适用专业：测控技术与仪器一、课程目标课程具体目标为：1.能说明当前测控领域的若干发展热点方向、现有国内外研究基本现状及大致发展趋势。
2.能基本阐述管道腐蚀检测技术、微纳检测技术、机器视觉测量技术及激光干涉检测技术的基本技术要点、系统组成及关键性能参数。
3.能对应用实施以上几种检测技术可能带来的对社会公众健康及法律等方面的影响做出分析描述，并能以此评估应用实施这些技术需要承担的责任。
4.能了解测控产品在设计、制造、运行、废弃处理各环节中对自然环境及可持续发展的影响因素，能判断这些环节对人类和环境可能造成的损害和隐患。
二、教学内容第一章 管道腐蚀检测技术（支撑课程目标1、2、3、4）1.石化行业油气输送管线构架,腐蚀的原因,国内外常用的腐蚀检测技术。
注重环境和社会、健康、安全的关系。
2.一种新颖的基于场指纹法的管道内腐蚀监测技术。
注重复杂工程问题的解决方法。
第二章微纳检测技术（支撑课程目标1、2、3、4）1.精密、超精密几何量测量的基本概念。
2.典型精密、超精密测量设备的测量原理和特点。
3.微齿轮几何量精密测量的一个案列（包含测量需求分析、测量仪器设计、数据处理及误差分析）。
第三章 机器视觉测量技术（支撑课程目标1、2、3、4）1.机器视觉测量技术的特点及适用对象。
2.机器视觉测量系统的组成。
3.常用的图像处理步骤及方法。
4.影响测量精度的因素及提高测量精度的方法。
机器视觉的基本原理和应用
机器视觉的基本原理和应用1. 什么是机器视觉？机器视觉（Machine Vision）是一种使用摄像机和计算机技术来模拟和实现人类视觉的技术。
它通过捕捉、处理和分析图像来获取和理解信息。
机器视觉系统可以在不同的环境下进行图像识别、目标检测和测量等任务。
2. 机器视觉的基本原理机器视觉的基本原理包括图像获取、图像处理和图像分析。
2.1 图像获取图像获取是机器视觉的第一步，它使用摄像机或其他图像采集设备来获取物体的图像。
图像采集的质量和分辨率对后续的图像处理和分析非常重要。
2.2 图像处理图像处理是对获取到的图像进行预处理和增强，以提取特征并改善图像质量。
它包括图像去噪、图像平滑、图像增强和图像压缩等操作。
2.3 图像分析图像分析是机器视觉的核心部分，它使用图像处理技术和模式识别算法来理解和解释图像信息。
图像分析可以包括目标检测、目标识别、图像分类和测量等任务。
3. 机器视觉的应用机器视觉在各个领域都有广泛的应用。
以下是机器视觉的一些主要应用领域：3.1 工业自动化机器视觉在工业自动化中起着重要的作用。
它可以用于产品质量控制、生产线监测和机器人导航等任务。
通过机器视觉技术，可以实现对产品的外观、尺寸和位置的快速检测和测量，提高生产效率和质量。
3.2 医学影像诊断机器视觉在医学影像诊断中有广泛的应用，如X射线图像分析、病理图像处理和医学图像分类等任务。
通过机器视觉技术，可以帮助医生快速准确地诊断疾病，提高医疗效率和准确性。
3.3 交通安全机器视觉在交通安全领域有重要的应用，如车牌识别、交通流量监测和智能交通系统等任务。
通过机器视觉技术，可以实现对车辆和行人的识别和跟踪，提高交通安全和管理效率。
3.4 农业领域机器视觉在农业领域中有广泛应用，如农作物的识别和分类、果实的检测和采摘等任务。
通过机器视觉技术，可以实现农作物的自动化种植和采摘，提高农业生产效率和质量。
3.5 安防监控机器视觉在安防监控中有重要的应用，如视频监控和人脸识别等任务。
机器视觉技术及应用 韩九强 (1)
1.1.2 机器视觉技术的应用
➢ 在医学诊断中的应用 一是对图像进行增强、标记等，帮助医生诊断疾病，协助医 生对感兴趣的区域进行测量和比较；二是利用专家知识系统 对图像进行分析和解释，给出建议诊断结果。
➢ 在智能交通中的应用 机器视觉技术在智能交通中可以完成自动导航、交通状况监 测、目标车辆跟踪等任务。
1.1.1 机器视觉技术发展现状
人类感知外部世界主要是通过视觉、触觉、听觉 和嗅觉等感觉器官，其中约80％的信息是通过视 觉器官获取的。机器视觉系统就是通过摄像机和 计算机来对外部环境进行测量、识别和判断。但 是，机器视觉和人类视觉有着本质上的不同，机 器视觉系统主要应用于不适合人工作业或者人类 视觉无法达到要求、以及高速大批量工业产品制 造自动生产流水线的一些场合。
第1章 绪论
主要内容 机器视觉技术发展与应用 机器视觉系统组成 机器视觉方法分类 机器视觉发展趋势
第1章 绪论
机器视觉是用机器代替人眼进行目标对象的识别、判 断和测量，主要研究用计算机来模拟人的视觉功能。 机器视觉技术涉及目标对象的图像获取技术、对图像 信息的处理技术以及对目标对象的测量和识别技术。
1.1.2 机器视觉技术的Fra bibliotek用➢ 在工业检测中的应用：
工业检测是指在工业生产中运用一定的测试技术和手段对生产环境、工 况、产品等进行测试和检验。随着现代工业的发展和进步，特别是在 一些高精度加工产业，传统的检测手段已远远不能满足生产的需要。 机器视觉技术在微尺寸、大尺寸、复杂结构尺寸和异型曲面尺寸检测 中具有突出的优势和特点，还包括印刷电路板检查、钢板表面自动探 伤、大型工件平行度和垂直度测量、容器容积或杂质检测、机器零件 的自动识别和分类等。
1.2.2 组态软件
机器视觉技术与应用实战-机器人视觉引导理论基础
三维图像传感器点云数据图
《机器视觉技术与应用实战》
第二节 机器人3D引导视觉
（二）手眼标定原理
① 三维坐标系位置点描述
三维坐标系点 P 的位置由它的三个坐标 ( X P ,YP , ZP ) 来描述。例如，摄像机坐标系中的
点 P 的坐标（由字母 C 表示）和世界坐标系（以字母 W 表示）将被写成：
机器视觉与机器人的坐标系变换即“手眼标定”把机器人和视觉在空间上关联起来。标定是 机器人引导过程中坐标系变换最为关键的一个步骤，标定的好坏直接决定了定位的准确度和精 度。在做手眼标定之前，需要对图像进行标定，完成对图像的畸变矫正，这也称为相机的标定。 相机标定的作用是校正镜头的畸变、将图像的像素单位转换成毫米、计算图像坐标系与世界坐 标系的夹角。相机标定之后就是手眼标定（相机与机器人之间的标定），主要是坐标系变换。 坐标变换分为三个步骤，第一步是坐标系转换，第二步是旋转中心查找，第三步是综合坐标系。
使用相对位置标定是由于图像坐标系与机器人坐标系的原点不重合如图所示，且输出坐标需要是绝对位置坐标时， 就需要进行坐标转换。
相对位置坐标关系示意图
假设P1点为旋转中心：
P1在机器人坐标系下的值 PW1( XW1,YW1)
P1在图像坐标系下的值 P（1 X i1，Yi1） P2在图像坐标系下的值 P2 ( X i2 ,Yi2 )
旋转中心的计算：取圆周上的三点或两点和夹角，通过几何公式即可求得圆心坐标，其中圆心坐标即为旋转中心 的坐标。例如：下图所示，已知P2和P3为圆周上的两点、夹角，即可求出P1点（旋转中心）的坐标。
旋转中心查找标定关系图
《机器视觉技术与应用实战》
第一节 机器人2D引导视觉
3、综合坐标系变换
当机器视觉的图像坐标系与机器人的坐标系转换标定完成，同时也查找到了机器人的旋转中心坐标后，就可以进 行机器视觉与机器人定位引导数值的综合转换即相对位置标定与坐标的旋转偏移。
基于边缘识别的虹膜定位算法
基于边缘识别的虹膜定位算法
唐荣年;韩九强;张新曼
【期刊名称】《光电工程》
【年(卷),期】2008(35)10
【摘要】为了提高虹膜定位算法的抗干扰能力,本文提出了一种基于虹膜边缘识别的虹膜定位算法.该算法应用图像几何矩函数提取虹膜内外边缘的特征,通过由支持向量机(SVM)训练的分类器进行虹膜边缘点的识别.最后由Hough变换对识别的结果进行参数求解并实现虹膜的定位.本算法经过了CASIA虹膜图形库的实验验证,仿真实验数据表明所提算法不仅具有较快的定位速度和较高的定位成功率,而且性能稳定.
【总页数】5页(P111-115)
【作者】唐荣年;韩九强;张新曼
【作者单位】西安交通大学电子与信息工程学院,西安,710049;西安交通大学电子与信息工程学院,西安,710049;西安交通大学电子与信息工程学院,西安,710049【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种基于边缘检测的虹膜定位算法 [J], 李文清;刘瑞安;孙景瑞;宋庆功
2.基于小范围边缘区域搜索的虹膜定位算法 [J], 初秀琴;胡乐;陈云飞;丁立涛
3.基于边缘追踪的虹膜定位算法 [J], 王琪;费耀平
4.基于阈值分割及边缘检测的虹膜定位算法 [J], 王延年;姬乐乐
5.基于颜色特征和边缘检测的车牌识别算法 [J], 杨人豪;任斌
因版权原因，仅展示原文概要，查看原文内容请购买。
机器视觉技术的原理与应用
机器视觉技术的原理与应用机器视觉技术是一种模拟人类视觉感知的技术，通过使用计算机和相机等设备，以及相关的算法和软件，实现对图像或视频的理解和分析。
机器视觉技术已经得到广泛应用，包括人脸识别、图像识别、自动驾驶等领域。
以下是机器视觉技术的原理与应用的详细内容：一、原理：1. 图像采集：机器视觉首先需要通过相机或摄像头等设备来采集图像或视频。
2. 图像预处理：采集到的图像需要经过预处理，如去噪、增强对比度等操作，以提高后续的分析和识别精度。
3. 特征提取：通过机器学习算法，从预处理后的图像中提取出有用的特征，如边缘、颜色、纹理等。
4. 物体识别：根据提取到的特征，通过匹配和比对的方式，将图像中的物体与预先定义好的模板或训练好的模型进行比对，从而实现物体的识别。
5. 目标检测与跟踪：通过检测算法，识别并跟踪图像或视频中的目标物体，可以实现实时的目标跟踪和位置定位。
6. 图像分割：将图像分割成不同的区域，以便进一步的特征提取和分析。
7. 运动估计：通过对连续帧图像的比对和分析，估计目标物体的运动轨迹和速度等信息。
二、应用：1. 工业制造：机器视觉技术可以应用于工业生产线上，实现对产品的质量检测和缺陷识别，提高生产效率和质量。
2. 无人驾驶：机器视觉技术是实现自动驾驶的重要基础，通过识别和分析道路标志、交通信号和周围环境等信息，实现智能驾驶和导航。
3. 安防监控：机器视觉可以用于建筑物、机场、车站等公共场所的监控和安全管理，实现人脸识别、行为检测和异常预警。
4. 医疗诊断：机器视觉可以辅助医生进行疾病诊断，如基于图像的肿瘤检测和红外图像的乳房癌筛查等。
5. 无人机与机器人：机器视觉技术可以应用于无人机的目标识别和导航，以及机器人的自动定位和操作等。
三、发展趋势：1. 深度学习：深度学习技术的发展使得机器视觉技术的性能得到了大幅提升，可以处理更大规模的图像数据和更复杂的任务。
2. 实时性能：当前，机器视觉技术的实时性能已经得到了显著提高，可以实现更快速的图像处理和分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
9.2.1 相邻帧间差分算法
✓连通标记(Connection) 函数功能：二值图像连通成分标记 调用格式：Connection(image_origin, num, image_result) 参数说明：image_orgin：源二值图像 num：连通成分数目 image_result：结果标记图像 ✓区域统计(Region_Statitics) 函数功能：统计连通成分的面积以及外接矩形的坐标 调用格式：Region_Statics(image_origin, closearea, lefttop_x,lefttop_y, rightbottom_x, rightbottom_y)； 参数说明： image_origin：输入的标记图像 closearea：各连通成分的面积 lefttop_x：外接矩形的左上角横坐标 lefttop_y：外接矩形的左上角纵坐标 rightbottom_x：外接矩形的右下角横坐标 rightbottom_y：外接矩形的右下角纵坐标
➢ 动态背景下运动目标检测（摄像头移动） 匹配块法、光流估计法、图像匹配法以及全局运动估计法
9.2.1 相邻帧间差分算法
相邻帧间差分算法：
➢ 基本原理：在静态背景下，目标的运动会导致视频图像相 邻的两帧或几帧存在差异，利用这种差异，可以进行运动 目标的检测和提取，简称相邻帧差法。
fk(x,y)
－ fd (x, y) 二值化 M (x, y) 去噪、连通分析
判别
fk 1(x, y)
延迟
相邻帧差法原理流程
9.2.1 相邻帧间差分算法
目标检测实例 相邻帧差法算法流程：
第k 1帧 第k帧
图 像 差 分
差 分 结 果 二 值 化
数 学 形 态 学 滤 波
连 通 域 成 分 识 别 标 定
运 动 目 标 区 域 提 取
k帧目标结果
9.2.1 相邻帧间差分算法
背景模型
算法特点： 要求得到当前被监视场景的一幅静态背景 利用背景图像与图像序列当前帧的差进行目标检测和提取 与相邻帧差法相比，可以提取出较为精确的目标区域
9.2.2 背景差分算法
背景差分算法分类
➢ 非回归型 ：预先根据若干帧图像的数据恢复出背景 算法：中值滤波 、基于统计理论的背景恢复
➢ 回归型 ：根据每次输入的图像帧更新背景模型 算法：近似中值滤波、卡尔曼滤波和混合高斯滤波
9.2.1 相邻帧间差分算法
✓差分统计(AccuDifference) 函数功能：获取差分图像的差值 调用格式：AccuDifference(Image1,Image2,thre) 数说明：thre是image1和image2的差分结果图像的差值
✓图像差分 函数说明：对两幅灰度图像进行差分操作 调用格式：DetectMinus(image_origin1，image_origin2，image_edge，thre) 参数说明： image_origin：输入图像（灰度图） image_edge：输出图像（二值图） thre：阈值
9.1 检测与跟踪的关系
运动目标检测：在被监视的场景中实时检测运动目标，并提 取出来
运动目标的跟踪：利用目标的有效特征，使用适当的匹配算 法，在图像序列中寻找与目标模板最相似的图像的位置，即 实现目标定位
输入视频
背景模型
前景点集
前景目标 目标检测
目标跟踪
运动目标
9.2 运动目标检测
➢ 静态背景下运动目标检测（摄像头不移动） 相邻帧间差分算法和背景差分算法
第9章 目标跟踪技术
主要内容 检测与跟踪的关系 运动目标检测 运动目标跟踪 运动目标跟踪实例
第9章 目标跟踪技术
目标跟踪，是指对图像序列中的运动目标进行检测、 提取、识别和跟踪，获得运动目标的运动参数，如位 置、速度、加速度以及运动轨迹等，从而进行下一步 的处理与分析，实现对运动目标的行为理解。运动目 标跟踪技术在行人跟踪、车辆跟踪、智能交通和安全 监控等方面具有广泛应用。
for(index=184,224,1);//for循环 CStringFormat(“track\xing184-243\xing%d.bmp,index”,imagename1); //字符串初始化 Readimage(imagename1,image1); //读入图像 index1=(index+1); DoubleToInt(index1,index); // Double数据类型转int数据类型 CStringFormat(“track\xing184-243\xing%d.bmp,index”,imagename2) Readimage(imagename2,image2); AccuDifference(image1,image2,T1);//差分统计 T2=(30); T=(T2-T1); DoubleToInt(T,Tb）; DetectMinus(image1,image2,image3,Tb); BinaryImageMorph(image3,image4,EROSION,1); BinaryImageMorph(image4image5,DILATION,3); Connection(image5,num,labelimage); Region_Statistics(labelimage,area[],leftupper_x[],leftupper_y[],rightlower_x[],rightlow_y[]) Showimage(image1); //显示原图像 SetColor(2,green); //颜色设置 GenRectangles(leftupper_x,leftupper_y,rightlower_x,rightlower_y); //多框显示 endfor( );
9.2.1 相邻帧间差分算法
（a）图像序列第184帧 （b）图像序列第185帧 （c）差分图像二值化
（d）腐蚀运算结果
（e）膨胀运算结果
（f）运动目标检测结果
9.2.2 背景差分算法
背景差分算法流程图
fk (x, y) － fd (x, y) 二值化 M (x, y) 去噪、连通分析
判别
B(x, y)