发布时间：2024-01-12 15:34:33
绪论：一篇引人入胜的计算机视觉概述，需要建立在充分的资料搜集和文献研究之上。搜杂志网为您汇编了三篇范文，供您参考和学习。
【关键词】计算机 视觉技术 智能交通 系统 应用
智能交通系统简称ITS，这是一种新型的交通管理系统。该系统主要结合了信息化技术、计算机技术以及数据传输技术等多种技术，用来对整个交通运输体系进行管理，可以实现人、车、路的全面监控和管理。计算机视觉艺术作为智能交通系统中的一个重要环节，受到相关工作人员的高度重视。随着计算机视觉技术的发展，不仅为交通行业的发展提供了更多的便捷，同时还能够筛选道路交通的各种信息，进一步增强了智能交通系统的灵活性和准确性。
1 计算机视觉技术的概述
计算机视觉也被称为图像分析和图解理解，其包括的理论主要有摄影几何学、概率论、图像处理理论以及人工智能理论等部分。计算机视觉技术主要是用二维投影图像实现三维物体重构。这种技术的应用范围比较广泛，不仅应用于二维图像识别方面，同时还用于三维物体的识别和重建上面。通过计算机视觉技术能够获取专业化的三维信息，对三维信息的获取一般有两种方法，其中一种是直接获取法，还有一种是间接获取法。直接获取法主要是通过计算机视觉技术的效果来确定三维运动中产生的各种参数，这一过程对摄像机运动问题的关注程度较高；间接获取的方式就是将单幅图像和摄像机焦距相结合，来判断被测量位置视觉上的信息。计算机视觉技术的关键就是实现特别匹配，在特殊情况下可以利用不同的摄像C同时收集运动信息，从而提高相关控制的精确度。
2 计算机视觉技术在智能交通系统中的应用
计算机视觉技术在智能交通系统中的应用可以实现道路交通的监控，同时还能够实现自动收费、智能导航等功能，主要应用有以下几个方面的内容。
2.1 交通监控中对计算机视觉技术的应用
基于计算机视觉技术的交通监控系统主要分为三个步骤，首先是对车辆和行人进行跟踪和分割，其次是对车流量进行分析和计算，并且计算车辆的平均速度和道路上车辆的队列长度，最后根据道路的交通状况来规划形式线路，从而有效缓解道路交通拥堵的现状，方便人们减少出行时间。车辆和行人作为道路中运动的主要目标，在监控场合下，需要对运动时间进行有效分割，常用到的分割方式包括光流法和帧差法两种，其中前一种分割方式主要是依据图像中不同的运动用映射参数正确的表达，这样可以将具有同样映射参数的光流量进行分配，从而完成参数分割。计算机视觉在交通监控中的应用主要是对车辆速度、车辆数目、车辆分类进行检测。随着计算机通信技术的发展，计算机视觉技术也是日新月异，基于计算机视觉的交通监控系统具有较强的实时工作性，能够快速的适应高度公路以及城市道路交通的监控。
2.2 车辆导航中对计算机视觉技术的应用
实现车辆的智能导航是计算机视觉技术在智能交通中应用的典型案例。这种技术主要为驾驶人员提供道路信息和车辆运行状况两大信息。通过车辆智能导航系统的运行能够对道路两边的界限进行有效的识别，将车辆引向规定的行驶车道，在车辆行驶过程中，该系统能够自动检测车辆与前方其他车辆之间的距离，从而提醒驾驶人员保持车辆的安全距离，最终实现安全导航驾驶。通过该系统的摄像机运动能够识别其他车辆的行驶状况，并且通过计算检测点的方式计算车辆的模拟匹配点。车俩智能导航系统中就使用了计算机视觉技术，可以从中提取相关信息，计算车辆行驶的安全距离和速度。
2.3 计算机视觉技术用于车辆辅助驾驶
计算机视觉技术在车辆辅助驾驶中的应用主要是帮助驾驶人员对外界的变化做出反应。具体表现为车辆在市内行驶时，计算机视觉技术的应用能够识别周边道路的标记，并且对交通标志、其他车辆和行人进行识别，然后筛选相关信息进行计算，让驾驶人清楚外界的具体状况，从而避开其他的车辆和行人，能够从根本上减少交通事故的发生，增强车辆的安全运行。辅助驾驶的形式转变为人机交互的方式，一定程度上能够满足驾驶人员对信息的需求。
2.4 计算机视觉技术用于车辆智能收费
车辆收费是车辆在公共交通位置行驶中的一个关键环节。随着科学技术的发展，车辆收费系统逐渐向着计算机技术的应用方向发展，计算机视觉技术在各地区交通发展中的应用是现代化交通发展的一个重要突破口。很多地区的智能化收费都是通过识别车牌的方式来实现收费，我国在车牌识别这方面仅仅限制于单目车牌和双目车牌的识别，其中单目车牌识别的核心就是将车牌照位置作为核心部分，我国大部分地区都是将单目系统作为核心部分来使用。采用双目系统对车牌进行识别，也可以对车辆的型号进行识别，通过大量的实践发现，双目系统进行车牌识别的实用性较强。但是这种识别方式在实际应用过程中仍然存在着信息获取难度大、车牌照定位难度大等多种问题，尤其是车辆在高速路上行驶时，对于车牌信息的获取更为困难，因此，在这方面还需要加大研究和实践。
3 结束语
随着计算机视觉技术的智能化发展，其在智能交通系统中的应用能够解决多方面的问题。该技术的应用不仅能够实现车辆的实时监控，同时还能够实现车辆导航以及车辆收费，帮助驾驶人员识别车辆行驶中存在的障碍物，这样一来，可以增强车辆行驶的安全性，同时还能够提高我国道路交通系统的整体管理水平。但是该技术应用中也存在不足之处，未来发展中需要降低视觉系统的价格，减少系统的尺寸，从而增强系统对车辆信息的处理速度，最终实现对道路交通的全面监测。
参考文献
[1]王春波，张卫东，许晓鸣.计算机视觉技术在智能交通系统中的应用[J].测控技术，2000（05）：22-24.
[2]郁梅，蒋刚毅，郁伯康.智能交通系统中的计算机视觉技术应用[J].计算机工程与应用，2001（10）：101-103+121.
[3]顾晶. 基于计算机视觉的智能交通监控系统的研究[D].东南大学，2006.
1.1计算机视觉学概述
从某种意义上说，计算机视觉学是一门在20世纪60年代兴起的新学科。它是一门边缘学科，融入了很多学科的特点，具有很强的工程性特征。比如，图像处理、应用数学、光电技术。换个角度来说，计算机视觉同属于工程领域、科学领域。
1.2计算机视觉的应用
计算机视觉的应用能够使计算机具有和人一样的视觉功能。在生活和生产过程中，照片资料、视频资料的处理是计算机视觉应用的主要方面。比如，在航空事业方面，对卫星照片的翻译；在医学领域中，主要用于辅方面的诊断；在工业生产方面，由于各种复杂因素的影响，计算机视觉在这方面的应用显得特别简单，有利于相关系统的实际构成。
2目标图像检索存在的问题
从某种角度来说，目标图像检索需要分为特征匹配、特征提取两个方面。它们表达了不同的含义。对于特征提取来说，它是图像进行检索的第一步，其提取结果会对进一步的研究造成直接的影响。而对于特征匹配来说，其匹配的准确度会直接影响图像检索系统的返回结果。但在目标图像检索完善的过程中，遇到一些问题阻碍了这两个方面的完善。因此，本文作者对其中的一些予以了相关的探讨。
2.1环境因素不断变化
对于目标图像来说，环境因素是影响其准确率的重要因素。同时，在复杂混乱的环境中，由于受到众多干扰物的影响，加上部分目标图像区域被遮盖，致使目标图像信息不够全面，使目标物体特征的提取难度进一步加大。
2.2图像噪声的影响
子为了更好地模仿生活中的图像检索，数据库中的图像也会随之发生一系列的变化。比如，尺度、角度、光照。而其中图像噪音的影响会使目标物体的外观发生对应的变化。在此基础上，严重降低了目标图像信息获取的准确度。
2.3目标图像检索训练数据的自动标注
由于处于网络中的图像资源信息过于繁多，需要采用手工的方式对它们进行标注。但这种方法非常浪费时间，准确率也比较低。很显然，这就需要目标检索图像能够具有自动标注的能力。实际上，图像检索方法过分依赖人工标注信息。而这些信息很多收到来自各方面因素的影响。比如，认识差异因素、个人经验。以至于对图像产生误解。
3基于计算机视觉下的目标图像检索技术
3.1以多尺度视觉为纽带的目标图像检索方法
该种目标检索技术的应用主要是为了提高目标图像检索的准确率，能够实现目标图像训练数据的自动化标注。该类技术主要是用于那些没有遮挡，不需要进行监督的目标图像检索方面。具体来说，它需要经过一系列的训练。在训练的过程中，以统计学习为纽带，对相应多尺度的目标检测模型进行适当的训练。在此基础上，以该模型为基点，对图像中那些显著性的区域进行合理地提取。比如，该区域的亮度、颜色。最后，需要对用于该实验研究中的概率潜在语义分析模型进行合理地利用。总之，利用这种检索方法可以对图像中那些显著目标所处的区域自动进行检测。同时，对其中目标图像的显著性进行合理地排序，能够提高检索引擎所返回图像结果的准确度。
3.2以彩色LBP局部纹理特点为媒介的目标图像检索方法
这种目标图像检索方法能够有效地解决图像信息采集过程图像噪声以及其它相关因素对所提取纹理特征的影响，提高了图像目标的准确率。对于这种图像目标检索方法来说，它把图像彩色空间特征和简化的LBP特征有机地相融合。在此基础上，该类方法增加了光照的不变特性，却保留了LBP局部的旋转特点。在提高图像检索速度方面，主要是利用原来的LBP特征来丢失其中的彩色信息。以此，使其中的特征维度能够在一定程度上降低。同时，这种目标图像检索方法的应用可以使对应计算方法的难度得以降低，还能对角度等变化状态下的目标图像进行准确地识别以及检索。
3.3以视觉一致性为桥梁的目标图像检索方法
从某个角度来说，它的应用主要是为了提高图像搜索引擎的返回效果，使局部噪声图形具有更高的显著性特征。一是：站在客观的角度，对搜索引擎返回结果的目标显著图予以准确的计算。此外，还要对其中的目标显著系数进行适当地过滤。二是：以所有图像为基点，以显著目标为导向，采取视觉一致性的模式。三是：以视觉一致性为基础，对其中的不同目标图像信息进行客观地分类。这种以视觉一致性为核心的方法能够有效地提高图像检索结果的准确率。更重要的是，在提高图像搜索引擎检索性能的同时，能够及时为用户选出最优的图像信息。而这些信息资源和用户寻找的主题信息密切相关。
计算机视觉可以实现对农产品的多个外形和内在品质指标进行同时检测分析，可以进行整体识别、增强对目标识别的准确性。
1.2实现无损检测
由于计算机视觉技术对农产品的识别是通过扫描、摄像，而不需要直接接触，可以减少对所检测食品的伤害。
1.3稳定的检测精度
设计的运行程序确定后，计算机视觉技术的识别功能就会具有统一的识别标准，具有稳定的检测精度，避免了人工识别和检测时主观因素所造成的差异。
2计算机视觉技术在食品检测中的应用
20世纪70年代初，学者开始研究计算机视觉技术在食品工业中的应用，近几十年电子技术得到快速发展，计算机视觉技术也越来越成熟。国内外学者在研究计算机视觉技术在食品工业中的应用方面主要集中在该技术对果蔬的外部形态（如形状、重量、外观损伤、色泽等）的识别、内部无损检测等方面。国内有关计算机视觉技术在食品业中的应用研究起始于90年代，比国外发达国家晚20多年，但是发展很快。
2.1计算机视觉技术在果蔬分级中的应用研究
计算机视觉技术在食品检测中的应用研究相当广泛，从外部直径、成熟度的检测到内部腐烂程度的检测都有研究。韩伟等［4］采用分割水果的拍摄图像和新的计算机算法计算水果的半径，进而得出果蔬的最大直径。研究表明，该算法不仅降低了计算量而且提高了计算精度，此方法用于水果分级的误差不超过2mm，高于国际水果分级标准所规定的5mm分类标准差，可在工业生产中很好应用。李庆中［5］也利用图像的缺陷分割算法研究了计算机视觉技术在苹果检测与分级中的应用，结果表明此算法能快速、有效地分割出苹果的表面缺陷。孙洪胜等［6］以苹果色泽特征比率的变化规律为理论基础，结合模糊聚类知识利用计算机视觉技术来检测苹果缺陷域，检测不仅快速而且结果精确。刘禾等［7］通过研究认为苹果的表面缺陷可以利用计算机视觉技术进行检测，计算机视觉技术还可以将苹果按照检测结果进行分级，把检测过的苹果分成裂果、刺伤果、碰伤果和虫伤果等类别。梨的果梗是否存在是梨类分级的重要特征之一，应义斌等［8］通过计算机视觉技术、图象处理技术、傅立叶描述子的方法来描述和识别果形以及有无果柄，其识别率达到90%。杨秀坤等［9］综合运用计算机视觉技术、遗传算法、多层前馈神经网络系统，实现了具有精确度高、灵活性强和速度快等优点的苹果成熟度自动判别。陈育彦等［10］采用半导体激光技术、计算机视觉技术和图像分析技术相结合的方法检测苹果表面的机械损伤和果实内部的腐烂情况，初步验证了计算机视觉技术检测苹果表面的损伤和内部腐烂是可行的。冯斌等［11］通过计算机视觉技术对水果图像的边缘进行检测，然后确定水果的大小用以水果分级。试验表明，该方法比传统的检测方法速度快、准确率高，适用于计算机视觉的实时检测。朱伟［12］在模糊颜色的基础上，分析西红柿损伤部分和完好部分模糊颜色的差别，用分割方法对西红柿的缺陷进行分割，结果显示准确率高达96%。曹乐平等［13］人研究了温州蜜柑的果皮颜色与果实可滴定酸含量以及糖分含量之间的相关性，然而根据相关性，样品检测的正确识别率分别只有约74%和67%。刘刚等［14］从垂直和水平两个方向获取苹果的图像，并通过计算机自动分析图像数据，对苹果的外径、体积、以及圆形度等参数进行处理，与人工检测相比，计算机视觉技术具有检测效率高，检测标准统一性好等优点。Blasco.J［15］通过计算机视觉技术分析柑橘果皮的缺陷，进而对其在线分级，正确率约为95%。赵广华等［16］人综合计算机视觉识别系统、输送转换系统、输送翻转系统、差速匀果系统和分选系统，研制出一款适于实时监测、品质动态的智能分级系统，能够很好地实现苹果分级。王江枫等［17］建立了芒果重量与摄影图像的相互关系，应用计算机视觉技术检测桂香芒果和紫花芒果的重量和果面损伤，按重量分级其准确率均为92%，按果面损伤分级的准确率分别为76%和80%。
2.2计算机视觉技术在禽蛋检测中的应用研究
禽蛋企业在生产过程中，产品的分级、品质检测主要采用人工方法，不仅需要大量的物力人力，而且存在劳动强度大、人为误差大、工作效率低等缺点，计算机视觉技术可以很好的解决这类产品工业生产中存在的困扰。欧阳静怡等［18］利用计算机视觉技术来检测鸡蛋蛋壳裂纹，利用摄像机获取鸡蛋图像后，采用fisher、同态滤波和BET算法等优化后的图像处理技术，获得裂纹形状并判断，试验结果表明，计算机视觉技术对鸡蛋蛋壳裂纹的检测准确率高达98%。汪俊德等［19］以计算机视觉技术为基础，设计出一套双黄鸡蛋检测系统。该系统获取蛋黄指数、蛋黄特征和蛋形尺寸等特征，和设计的数学模型对比来实现双黄鸡蛋的检测和识别，检测准确率高达95%。郑丽敏等［20］人通过高分辨率的数字摄像头获取鸡蛋图像，根据图像特征建立数学模型来预测鸡蛋的新鲜度和贮藏期，结果表明，计算机视觉技术对鸡蛋的新鲜度、贮藏期进行预测的结果准确率为94%。潘磊庆等［21］通过计算机视觉技术和声学响应信息技术相结合的方法检测裂纹鸡蛋，其检测准确率达到98%。MertensK等［22］人基于计算机视觉技术研发了鸡蛋的分级检测系统，该系统识别带污渍鸡蛋的正确率高达99%。
2.3计算机视觉技术在检测食品中微生物含量的应用研究
计算机技术和图像处理技术在综合学科中的应用得到快速发展，在微生物快速检测中的应用也越来越多，主要是针对微生物微菌落的处理。食品工业中计算机视觉技术在微生物检测方面的研究和应用以研究单个细胞为主，并在个体细胞的研究上取得了一定的进展。殷涌光等［23］以颜色特征分辨技术为基础，设计了一套应用计算机视觉技术快速定量检测食品中大肠杆菌的系统，该系统检测结果与传统方法的检测结果具有很好的相关性，但与传统方法相比，可以节省5d时间，检测时间在18h以内，并且能够有效提高产品品质。Lawless等［24］人等时间段测定培养基上的细胞密度，然后通过计算机技术建立时间和细胞密度之间的动态关联，利用该关联可以预测和自动检测微生物的生长情况，如通过计算机控制自动定量采集检测对象，然后分析菌落的边缘形态，根据菌落的边缘形态计算机可以显示被检测菌落的具置，并且根据动态关联计算机视觉系统可以同时处理多个不同的样品。郭培源等［25］人对计算机视觉技术用于猪肉的分级进行了研究，结果显示计算机视觉技术在识别猪肉表面微生物数量上与国标方法检测的结果显著相关，该技术可以有效地计算微生物的数量。Bayraktar.B等［26］人采用计算机视觉技术、光散射技术（BARDOT）和模式识别技术相结合的方法来快速检测李斯特菌，在获取该菌菌落中的形态特征有，对图像进行分析处理达到对该菌的分类识别。殷涌光等［27］人综合利用计算机视觉、活体染色、人工神经网络、图像处理等技术，用分辨率为520万像素的数字摄像机拍摄细菌内部的染色效果，并结合新的图像处理算法，对细菌形态学的8个特征参数进行检测，检测结果与传统检测结果显著相关（相关系数R=0.9987），和传统检测方法相比该方法具有操作简单、快速、结果准确、适合现场快速检测等特点。鲁静［28］和刘侃［29］利用显微镜和图像采集仪器，获取乳制品的扫描图像，然后微生物的图像特征和微生物数量进行识别，并以此作为衡量乳制品质量是否达标的依据，并对产品进行分级。
2.4计算机视觉技术在其他食品产业中的应用研究
里红杰等［30］通过提取贝类和虾类等海产品的形状、尺寸、纹理、颜色等外形特征，对照数学模型，采用数字图像处理技术、计算机识别技术实现了对贝类和虾类等海产品的无损检测和自动化分类、分级和质量评估，并通过实例详细阐述了该技术的实现方法，证实了此项技术的有效性。计算机视觉技术还可以检验玉米粒形和玉米种子质量、识别玉米品种和玉米田间杂草［31］。晁德起等［32］通过x射线照射获取毛叶枣的透视图像后，运用计算机视觉技术对图像进行分析评估，毛叶枣可食率的评估结果与运用物理方法测得的结果平均误差仅为1.47％，因此得出结论：计算机视觉技术可以应用于毛叶枣的自动分级。GokmenV等［33-34］通过对薯片制作过程中图像像素的变化来研究薯片的褐变率，通过分析特色参数来研究薯片中丙烯酰胺的含量和褐变率的关系，结果显示两项参数相关性为0.989，从而可以应用计算机视觉技术来预测加热食品中丙烯酰胺的含量，该方法可以在加热食品行业中得到广泛应用。韩仲志等［35］人拍摄和扫描11类花生籽粒，每类100颗不同等级的花生籽粒的正反面图像，利用计算机视觉技术对花生内部和外部采集图像，并通过图像对其外在品质和内在品质进行分析，并建立相应的数学模型，该技术在对待检样品进行分级检测时的正确率高达92%。另外，郭培源等［36］人以国家标准为依据，通过数字摄像技术获取猪肉的细菌菌斑面积、脂肪细胞数、颜色特征值以及氨气等品质指标来实现猪肉新鲜程度的分级辨认。
3展望
新技术的研究与应用必然伴随着坎坷，从70年代初计算机视觉技术在食品工业中进行应用开始，就遇到了很多问题。计算机视觉技术在食品工业中的研究及应用主要存在以下几方面的问题。
3.1检测指标有限
计算机视觉技术在检测食品单一指标或者以一个指标作为分级标准进行分级时具有理想效果，但以同一食品的多个指标共同作为分级标准进行检测分级，则分级结果误差较大［37］。例如，Davenel等［38］通过计算机视觉对苹果的大小、重量、外观损伤进行分析，但研究结果显示，系统会把花萼和果梗标记为缺陷，还由于苹果表面碰压伤等缺陷情况复杂，造成分级误差很大，分级正确率只有69%。Nozer［39-40］等以计算机视觉为主要技术手段，获取水果的图像，进而通过分析图像来确定水果的形状、大小、颜色和重量，并进行分级，其正确率仅为85.1%。
3.2兼容性差
计算机视觉技术针对单一种类的果蔬分级检测效果显著，但是，同一套系统和设备很难用于其它种类的果蔬，甚至同一种类不同品种的农产品也很难公用一套计算机视觉设备。Reyerzwiggelaar等［41］利用计算机视觉检查杏和桃的损伤程度，发现其检测桃子的准确率显著高于杏的。Majumdar.S等［42］利用计算机视觉技术区分不同种类的麦粒，小麦、燕麦、大麦的识别正确率有明显差异。
