导语：如何才能写好一篇计算机视觉的作用，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
关键词：计算机；视觉技术；图书馆；应用探讨
引言
一、计算机视觉技术的特点
（一）检测范围广泛
人眼的检测范围毕竟有限，有些细微的方面人眼是检测不到的，比如红外线、超声波等，但是计算机视觉技术却是可以检测到人眼所检测不到的范围。计算机视觉技术可以将红外线和超声波处理成图像呈现出来，它的检测范围十分广泛而且是不加选择的进行检测，可以说它的使用大大拓展了人眼的视野。
（二）检测安全可靠
我们都知道电子产品如果接触使用必然是会受到一定辐射的，但是计算机视觉与以往的检测机器不同，它是不需要与被测者进行接触的，观测者和被测者都是十分安全不会受到丝毫损伤的，而且它在使用的过程中并不会像人眼一样感到疲惫，它可以一直进行高效率的工作，因此对其检测结果也是十分的可靠的。
二、视觉技术在图书馆工作中的应用分析
（一）图书剔旧和修补
图书馆是人们知识的殿堂，是思想文化知识不断扩展的地方，因此图书馆的剔旧是一项十分重要的工作。图书馆的空间毕竟有限，一些相对陈旧而利用率较低的参考文献是需要不定期的进行筛选的，这些资料通常都是表面发黄、布满灰尘和封面破旧等，而图书馆的剔旧工作大多是由工作人员亲自到书库中进行挑选，这样不仅工作量大、耗时长还有可能会存在遗漏的现象，而且资料上的灰尘也会给工作人员的身体健康带来影响。
（二）管理职工人员
（三）监控检测系统
如今图书馆的书籍是完全向人们开放的，人们可以自由进行借阅，以往的人工检测会造成猜疑和尴尬，也会加大图书馆管理人员与读者之间的磨擦。计算机视觉技术的使用可以全自动化进行监控和检测，避免了以往人工监测所出现的问题。图书馆的书籍借阅管理工作异常重要，计算机视觉技术可以全程自动化进行高效工作，可以进行无人看管检测读者进出携带书籍文献和借阅空间的监控等，大大提高了工作效率，让图书馆的借阅工作顺利有序的进行。
三、视觉技术在图书馆工作中的应用问题的研究
（一）循序渐进的结合
（二）提高专业人员的业务水平
新的技术需要新的业务水平来支持，如果没有相应的业务水平是没有办法发挥出新技术应有的作用。计算机视觉技术通过计算机成像系统来代替人类的视觉感官，能够自主适应环境、自主工作的能力。计算机视觉技术在不断的更新中，它的使用功能也是越来越多，操作方法越来越复杂，这时就需要图书馆的工作人员对计算机视觉技术有细的了解，能够熟练操作和运用计算机视觉技术。图书馆管理阶层应该组织工作人员进行培训工作，让他们接收新的知识掌握新的技术，不断的提高图书馆工作人员的业务水平，才能够保证图书馆工作高效进行。
（三）读者素质和应用手段的提高
现代化图书馆要想实现工作和服务的全面自动化，就需要有现代化技术的支持，计算机视觉技术的引用虽然是一个现代化技术的支持，但是如今仅停留在生物特征的识别领域。比如图书馆如今普遍有门禁系统，这也仅停留在计数功能和监控可冲消磁条的识别和认定上，如果有些读者素质不高故意去掉这些生物识别，图书馆的门禁系统就没有办法阻止这些读者的进入进出。因此，提高读者的素质和计算机视觉技术的应用手段，才能够保证计算机视觉技术在图书馆被广泛的进行使用。
结束语
关键词：计算机视觉；课程创新；教学改革
计算机视觉课程是人工智能学科的分支学科，对互联网技术的发展有着重要的推进作用。随着时代的飞速变迁，越来越多的学生对这一领域产生了浓厚的兴趣，计算机视觉课程在信息专业中也开始占据重要的地位。如何让学生对这门课程保持长久的兴趣，如何培养学生的专业能力和实践能力，是当前高校应该考虑的问题。经过近几年的教学实践后，很多高校已经逐步确定了通过实际应用培养学生兴趣的教学方法，在满足学生对计算机视觉应用需求的同时，加深了学生对理论知识的理解，这已经成为了当前高校计算机视觉课程教学的重要模式。
一、计算机视觉课程的特点
二、计算机视觉与计算机图形学、数字图像处理之间的联系和区别
1.计算机视觉与计算机图形学的联系与区别。计算机视觉一般输入的都是图像或图像序列，其输入资料主要来自usb摄像头或是相机。经过处理后，计算机视觉输出的是对图像序列和图像对应的对真实世界的一种理解，在这一方面，计算机视觉有识别车牌、人脸的作用。而计算机图形学则是一种对虚拟场景的描述。它一般是由多个多边性数组组成，每个多边性有三个顶点，输出的是二维像素数组。在增强现实的应用中，人们不仅需要用计算机视觉来提高对物体识别和姿态获取的效率，还需要用到计算机图形学对虚拟三维物体的叠加方法。
2.计算机视觉与数字图像处理的联系和区别。首先，计算机视觉与数字图像处理之间的联系在于数字图像处理是计算机视觉处理的基础，而计算机视觉的研究成果也可以作为数字处理的素材。其次，计算机视觉与数字图像处理之间的区别在于图形是一种纯数字化、矢量的单位，而图像则不仅包括图形，有时还包括来自现实世界的信号，并且图形的处理不是一种简单的堆积，计算机视觉的处理要从图像中找到一些统计数据和信息，并做进一步的数据分析。
三、高校计算机视觉课程教学的创新策略
四、结语
在新形势下，高校应不断创新计算机视觉课程的教学模式，并以此展开教学活动，培养学生的实践能力和创新精神。将工程应用和科技最新成果结合的教学模式，有利于解决理论和实践相脱节的问题，在增强学生学习兴趣、提高学生独立分析能力的同时，还使学生接触了国际最新的研究成果，拓宽了学生的思路，这对学生未来的发展有着重要的意义。
参考文献：
[1]郭小勤，曹广忠.计算机视觉课程的CDIO教学改革实践[J].理工高教研究，2010，（05）.
[2]伦向敏，侯一民.高校《计算机视觉》课程辅助教学系统的研究[J].教育教学论坛，2012，（18）.
[3]陈芳林，刘亚东，沈辉.在《计算机视觉》课程中引入研讨式教学模式[J].当地教育理论和实践，2013，（07）.
[4]杨晨.视觉传达设计专业插画设计课程创新与实践人才培养机制探究[J].艺术科技，2015，（05）.
[5]蒋辰.基于数字媒体环境的视觉传达设计专业综合实验课程改革探证[J].文艺生活：中旬刊，2015，（07）.
[6]张胜利.视觉传达设计专业中色彩风景写生课程多元立体化教学模式的构建[J].美术教育研究，2015，（08）.
1.1自动化程度高
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
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
2.4计算机视觉技术在其他食品产业中的应用研究
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。
3.3检测性能受环境制约
关键词：计算机；交通运输；视觉；信号控制
近20年来，随着我国经济社会的快速发展，大家直接的感觉是交通和运输行业呈现出井喷式的发展：在1990年的时候，我国机动车保有量是1476.26万辆，我国公路的总里程102.83万公里；到了2010年，我国汽车的保有量已经达到了2706.13万辆，我国公路总里程已经达到了482万公里。交通运输对经济的发展起着至关重要的作用，高效的运输保障能力是促进经济发展的重要措施；自上世纪计算机技术在交通运输领域应用以来，其高运算性、集成性为交通运输系统的发展提供了充分的技术支持，提高了运输效率，缓解了交通运输压力。随着计算机技术的飞速发展，在交通运输系统中将会有更为广泛的运用。
1.计算机视觉技术在交通运输中的应用
基于图像处理的计算机视觉技术是通过摄像机获取场景图像，并借助于计算机软件构建一个自动化或半自动化的图像/视频理解和分析系统，并提供及时准确的图像/视频处理结果，以模仿人的视觉功能。采用人工值守的方式来处理交通问题是一种劳动力成本高昂且效率极为低下的一种工作模式，为了极大地提高工作效率并降低劳动力成本，计算机视觉技术应用于交通领域则成为了近年来的热点之一，其主要应用于以下几个方面：
①基于计算机视觉技术的车辆牌照自动识别。
②基于计算机视觉技术的车辆检测与流量统计。
③基于计算机视觉技术的公交车辆乘客人数统计。
④基于计算机视觉技术的公交专用道非法占道抓拍。
⑤基于计算机视觉技术的驾驶员工作状态判断。
⑥基于计算机视觉技术的行人检测。
随着图像处理、模式识别与人工智能技术的发展，更多的基于计算机视觉新技术将在智能交通系统中涌现，并以此进一步便利人们的出行方式与交通职能部门管理水平与工作效率。
2.车辆收费系统中计算机技术的应用
在近期我国兴起的不停车收费系统（ETC系统）是一种先进的电子收费系统，它包括自动车辆识别系统、计算机网络、监控系统和车道系统4个部分。与之前人工的收费系统相比，节约资源、减少污染、杜绝票款流失、减少车辆延误、提高通行能力与服务水平；该系统普遍采用非接触式的射频卡，以天线的方式对车辆上卡中信息进行读写，采用高速率的半双工协议来进行车辆识别与数据交换，实现车辆不停车收费，不停车收费系统将是未来收费系统的发展趋势，具有极其广阔的应用前景。
3.在交通信号控制领域计算机技术的应用
随着大、中城市不断增加的车辆和有限的道路空间矛盾日益加剧，交通系统面临着越来越多的问题。合理的运用计算机控制管理技术是缓解城市交通问题的重要措施之一，交通信号自动控制是交通控制的重要组成部分。智能交通中的信号灯控制显示出了越来越多的重要性，采用计算机技术、自动化控制技术和现代网络通讯技术，使车辆行驶和道路导航实现智能化，从而缓解道路交通拥堵，减少交通事故，改善道路交通环境，节约交通能源，减轻驾驶疲劳等功能，最终实现安全、舒适、快速、经济的交通环境。
4.总结
21世纪将是计算机技术高速发展并更加广泛应用的世纪，也是公路交通智能化的世纪，人们将要利用计算机技术，构建更加智能的交通运输体系。计算机技术在将来的交通运输管理中将发挥更加重要的作用。计算机技术将使未来的车辆靠自己的智能系统和道路交通管理体系在道路上自由行驶；公路交通依靠自身的计算机视频传感技术将交通流量调整至最佳状态。计算机技术使得交通运输的效率更高，更好的为经济飞速发展做好支持。
农业机械化不仅是人类的解放，解放劳动力。这些年轻的劳动力投入到其他领域，促进中国的经济发展可以提高农业生产的效率，优化操作质量和增加作物产量，有利于农业发展和农民收入，因此，今后应重视先进技术的推广，提高农业机械化水平。目前农业机械的使用，一些机械在使用过程中不能清楚地确定作物的位置，机器在关闭过程中很容易错过，所以利用新技术在农业机械有利于弥补农业机械的脆弱性，提高机器的运作效率。
目前，高新技术的应用范围扩大，农业机械行业也开始使用高新技术，引入计算机视觉技术、自动控制技术、信息网络技术、人工智能技术、机器人技术和液压技术在农业机械的应用现状。
2农业机械的应用技术
2.1农业机械的应用计算机视觉技术
农业机械的应用计算机视觉技术，主要是利用计算机视觉技术在农产品质量、品位等农业产品检查，是基于图像处理，计算机视觉的学科，主要是视觉信息处理理论。表达和计算方法研究，近年来，图像处理，计算机硬件和软件，等可视化仿真技术的逐渐发展计算机视觉技术的使用功能也扩大，计算机视觉技术是用来检查农产品的质量不仅是现阶段和分级产品还用于收割、种植等。
2.2农业机械的CAD技术
CAD技术在我国已广泛应用于机械工程设计制造从上个世纪60年代，我国40多年后独立研究开发和推广应用。但由于我国机械工程设计CAD系统的开发过程的社会主义改革开放的影响，以便后期的完美程度我国机械工程设计CAD系统程度的效率和其他性能大大受到限制，相对于我国的国外机械工程设计CAD系统仍处于较低水平。
2.3农业机械的信息网络技术
信息网络技术在农业机械中的应用非常成功，信息网络技术和地理信息系统，结合自动化技术等技术，可以监测作物和土壤的农业生产，也可以生产作物的发展，植物病虫害，和实时监控等等，然后依靠定位系统和地理信息系统来完成现场操作。
农业机械、机器人技术应用、信息网络、计算机视觉、自动控制技术的融合。目前，已经开发了采摘机器人，嫁接机器人，机器人除草，施肥机器人喷涂机器人，等。对肥料和喷涂机器人的使用，可以避免肥料、杀虫剂和其他化学品危害人体，达到改善环境的目的。目前虽然我国机器人技术落后于发达国家，取得了一些就，但由于现代机械机器人的购买成本非常高，所以这项技术并没有得到普及。
在农业机械的设计、制造和测试，虚拟现实技术具有非常广阔的发展前景，利用虚拟现实技术建立三维模型的农业机械设计师不仅可以了解每一个部分的质量，也可以完全满足的每一部分的运行性能三维农业机械模型具有很高的精度，和农业机械制造商大规模生产的计算机数据的基础上。
在虚拟制造系统中，虚拟现实技术的基础，虚拟制造系统是由多种学科知识，利用计算机技术综合建模、仿真、生产、制造汽车。与此同时，虚拟制造系统还可以制定合理的产品检验和测试程序。目前，虚拟制造技术应用范围广泛，涉及开始工装及模具生产设备，和其他领域，可以在生产部门系统，在这一过程中完成建模、修改、分析和优化的四个工作。此外，虚拟现实技术用于柔性制造系统和计算机集成制造系统的设计。
2.4人工智能技术
3先进技术的应用在农业机械化操作的保障措施
得到更好的应用程序为了促进先进技术，提高农业机械化水平，未来应该完善的技术推广体系，提高农业机械化水平，促进农业生产和发展。完善的技术推广体系，高度重视农业技术推广，建立试验示范基地，发挥作用的指导，让农民参观和学习。让他们意识到农业机械设备的重要作用，加强农业机械化的意识，接受和使用机械设备，技术推广和培训活动。让广大农民掌握农业机械和设备的使用，提高思想认识和应用技能、农业机械和农业技术应用于农业生产。
构建技术环境，当地政府应该高度重视农业机械和农业技术推广的作用。提高思想认识，加强规划和指导，增加资本投资，培训专业人才，创新工作方法，对许多人来说，完善的技术推广体系，认真履行职责，并扩大先进技术的影响。完善法律法规，充分利用其在技术和人才优势，重视技术的宣传和推广活动，增强服务意识，扩展广泛的服务渠道，更好的满足实际工作的需要，对农业技术的发展，为推广农业机械和设备创造便利。
4农业机械新技术的发展
农业机械新技术的应用和发展是为了提高农业的生产力服务，所以农业机械新技术的发展主要是以下几点：
首先，加快新技术的使用和推广。科学技术是第一生产力，加快计算机视觉技术、自动控制技术和智能技术等新技术在农业机械的使用，同时引进国外先进的机械、新技术，促进我国农业的发展，提高农业的生产效率具有重要意义。
第二，政府补贴。购买新机器的个人组织生产、资本压力，使得他们很难机械技术推广，所以对于农业机械推广使用新技术，政府将给予补贴材料，扩大新机器的使用。
第三，提高农业资源的利用效率。机械使用以提高农业生产的效率，提高农业资源的利用率。例如，在传统的农业生产过程中，和处理农作物秸秆，绝大多数情况下燃烧，不仅浪费资源，还污染空气。但农业机械的使用新技术的农作物秸秆粉碎加工、作物秸秆可以转化成脂肪不仅材料，提高农业资源的使用效率，也减少了空气污染。
关键词：计算机视觉；手势交互；肤色模型；静态识别
1研究背景
随着信息化的高速发展，人们的生活也进入了网络时代。大数据，云计算也进入了人们的生活，其标志性的现象就是各类智能终端设备的不断涌现，它使人机交互的方式正发生着深层次改变。人机交互的方式正在从传统的鼠标搭配键盘的方式往触控、语音交互、动作识别等技术为主导的更自然的方式转变。其中语音与计算机视觉尤为突出，它使计算机变得更加的灵性化。而这两者中计算机视觉又更能够传情表意，它能够“看”明白用户的肢体语言或者表情。国内外的自然交互研究涉及了人脸识别、眼神识别、表情识别、手势识别、肢体语言识别等。手势识别作为一种人类普遍使用的交流方式，应用在计算机交互上能给人一种直观和自然的感觉。这种自然的输入方式把人们从传统的与输入设备接触交互方式中解放出来，使人们与计算机交互更加的轻松愉悦。
计算机视觉是让计算机可以替代人眼的技术。更进一步说，就是利用视频采集设备和电脑代替人眼对指定的目标进行识别，并进一步做出计算。其中，手势识别技术是计算机视觉的一个的重要的研究方向，它是一种常用并且合理的人机交互方式。随着计算机视觉，包括图像处理技术以及人工智能等技术，特别是虚拟现实技术的迅速发展，手势识别的实现更加成为可能。由于客观环境的多变及人手和手势的多样性，如何在限制较少的条件准确识别手势并能保证其精度、效率以及稳定性是研究的关键。
手势识别按照手势输入设备分类，可以分为基于数据手套的手势识别和基于视X的手势识别。基于视觉的手势识别中，最常见的手势分类是将手势分为静态手势和动态手势。静态手势是一种较简单的手势，当用户做出一个固定和静止的动作时计算机将其处理后识别出来。动态手势相对要复杂一些，它可以看做是由一系列的静态手势组成的序列。如果将静态手势和动态手势组合，将可以形成语义很丰富的手势系统。
1目前人机交互的不足
人与计算机之间的交互方式是人机交互研究的核心。从现在的姿势交互和语音交互往前追溯，有触摸交互、手写交互、鼠标和键盘交互。姿势交互又细分为手势交互、表情交互、身体姿势交互。
传统的输入设备有很多的不足之处。鼠标和键盘，由于它们的使用需要接触，在某些环境下使用不方便。用户在车站、餐厅、购物商场等场景下要与计算机交互时，使用传统交互方式十分的不便。而且在公共场合下，接触性的使用会有很大的卫生问题。不仅需要占用很大的空间，同时也会有设备损耗的问题。
手写交互和触摸交互改善了传统的机械性输入，它们是更符合人类的使用习惯的。但是它们任然要求用户要与设备接触，这不免会在接触设备的过程中损坏到设备。所以同样有着易损耗等问题。
基于视觉的手势交互很好克服了上述交互方式的不足之处。手势交互是不需要接触的，没有损耗问题，也不会有接触带来的卫生问题。手势交互有符合人类动作习惯和直观自然的优点，使其成为了下一代自然交互方式研究的焦点。
2目前国内外手势识别状况
基于视觉的手势识别不需要昂贵的设备，仅仅需要摄像头和PC机器就够了。其廉价的输入设备会使其将来应用范围十分广泛。手势识别在计算机视觉的研究中是热点。国内外都有很多的学者在不断研究。这些研究在手势的分割、跟踪、识别和应用中有很多的进展。
国外对基于视觉的手势识别的研究工作起步很早。L.H.Howe等人使用肤色阈值和帧相减的技术实现了手的检测和分割。J.Zaletel等人提出了静态手势特征的方法，这种方法是用于提取手指的位置的。它先计算出掌心的位置，然后将掌心的位置作为极坐标的原点，将手掌的轮廓映射到这个极坐标，然后利用极坐标上的局部最大值来提取手指的位置。Huang使用3D神经网络创建的手势识别系统实现了15个不同手势的识别[1]。
在技术的应用上面，从上世纪九十年代开始，国外的科学家就开始不断研究手势识别技术，并且研制出一些实体来进行试验，例如：可以模仿人进行手势操作的机器人；电视控制的传感系统，无需遥控，利用手势识别左右上下进行对电视的遥控；体感游戏，更是完美的利用手势识别，在信息交互中完全释放出手势识别的优势。
我国相对于国外的研究起步要晚，但是目前也取得了很大的研究成果。朱建伟[1]使用两个摄像头正交放置，实现了三维手势的识别，并实现了使用手势实现对照片的浏览。孙玉[3]使用Hu矩特征手势识别和CamShift算法对手势跟踪，实现了手势对Word的输入和操作。
3意义
本文主要研究基于视觉的手势识别技术和对这种技术的应用。目标跟踪识别是计算机视觉领域中的关键技术，多应用于人机交互。手势识别必将使人与机器之间的沟通变得智能化、信息化，与传统的输入设备相比，手势操作则显得直观和自然，更符合人类习惯。
手势识别作为新型的人机交互技术，手势识别技术越来越广泛应用到各个行业。体感游戏首先成熟使用的，改变了传统的手持物体操作。更加互动，真实。使得人与游戏美妙结合，身临其境。
手势识别还可以用于手语识别。手语是聋哑人使用的语言，是聋哑人与正常人交流的平台。在医疗领域中，具有语言交流障碍的患者，可以通过手势识别，在预设好系统中，自助挂号，表达病情。更加体现人性化。综上所述，手势识别技术越来越被研发人员重视，在日常生活中涉及的领域也越来越多，研究价值也越来越突出。这项技术也将被广泛的普及推广到人们生活中的方方面面。
4结束语
[1]GuanRanandXuXiangmin，AComputerVision-BasedGestureDetectioAndRecognitionTechnique[J].ComputerApplicationsandSoftware.2013，30（1）：155-164.
（东北石油大学，黑龙江大庆163318）
摘要：以排球运动轨迹为研究对象，将计算机视觉、视频分析处理技术相结合，研究了基于视频的排球轨迹获取关键技术，通过视频帧处理、运动目标检测、识别跟踪、轨迹提取等一系列步骤从视频中精准提取排球运动轨迹信息，采用IntelOpenCV及Matlab设计并实现一套排球智能分析系统，为排球比赛分析及球队战术训练等提供决策支持.
关键词：视频；目标检测；识别跟踪；轨迹提取
随着计算机视觉技术和图像处理技术的飞速发展，基于视频的运动目标检测及跟踪技术在排球等体育项目中应用越来越广泛.针对排球比赛技术分析和指导的应用需求，本文以排球的检测跟踪及运动轨迹为研究对象，将计算机视觉技术、图像处理技术相结合，提出基于视频的排球检测、跟踪、轨迹获取整体解决方案，采用IntelOpenCV及matlab开发一套排球智能分析系统.系统采用双摄像机同步读取两个摄像头实时捕获的视频，获取不同方位的排球运动图像信息.通过标定两台摄像机的内外参数获得排球的三维坐标.从系统实时性和鲁棒性要求出发，使用背景差分法实现对排球的快速检测.同时结合排球的形状、颜色、亮度等特性实现对排球的识别与空间定位.利用排球的运动特性，建立并修正其运动轨迹方程.通过两个摄像头同步获得的轨迹曲线实现排球三维运动轨迹的曲线合成.该曲线不仅可以记录每一时刻球体的位置信息，而且包含球体的运动方向、运动速度、轮廓参数等信息.最后，分析球体轨迹曲线特征，并将轨迹模型包含的信息作为智能分析系统的输入，用于战略战术分析、队员动作分析等，为排球运动研究提供准确依据和决策支持，进而提高了比赛研究人员的工作效率.
1关键技术分析实现
基于视频的排球智能分析系统的设计与实现主要涉及视频帧处理、运动目标检测识别、运动轨迹提取等几方面技术.整个系统的工作流程如下：
(1)进行摄像机标定和场地标定，获得摄像机内外参数以及场地边界数据，同时将图像的像素坐标映射成实际场地坐标.
(2)接收由摄像机和图像采集卡等视频设备获取的数字信号，并将采集到的每帧数据保存为静态图像.
(3)比赛开始后启动系统，利用运动目标检测算法检测是否有运动目标.
(4)通过特定的运动目标跟踪识别算法从图像中分割并提取出运动目标.
(5)根据双目摄像机所获取的目标质心坐标得到排球的三维坐标值，记录其运动轨迹数据和轨迹特征，建立运动轨迹方程.
(6)将轨迹曲线特征作为智能分析系统的输入，用于比赛训练等的裁判决策和智能分析.
1.1视频信息的获取
本系统要根据采集到的视频信息获得排球的运动轨迹曲线图，因此要通过摄像机标定实现从视频设备中获得的二维图像到运动目标三维坐标信息的对应转换[1].系统首先采用线性标定或张正友标定等传统标定法对摄像机进行标定，获取摄像机的内外参数以及双目摄像机的位姿关系[2].完成摄像机和场地的标定后，接收由视频设备获取的数字信号，按一定的采样间隔进行采样，得到时变序列图像集，并将采集到的每帧数据保存为静态图像.系统通过双目摄相机可同时从不同角度获取两幅图像，然后基于视差原理恢复运动目标的三维几何信息[3].视频在生成以及传输过程中，会因外界环境的影响产生一些噪声，预处理阶段可采用图像滤波方法等对图像帧进行去噪处理，提高视频帧的质量，便于后期的分析处理.
1.2运动目标检测
由于摄像机和运动场地背景处于相对静止状态，而当前在静止背景下常用的运动目标检测方法有背景差分法、帧间差分法、光流法和运动能量法等[4].背景差分法是基于图像序列和参考背景模型相减实现运动目标检测的，是当前最常用的运动目标检测方法之一.它首先抓取图像作为背景图像，之后利用当前图像与背景图像差分从而检测出运动物体.该方法能够较完整地提取出运动目标，位置精确，实时性好，因此本系统设计中采用了背景差分法来提取排球运动模型，使用Intel公司提供的计算机视觉函数库OpenCV进行图像处理和计算机视觉方面的算法.首先采集图像，然后统计特征点，检测当前系统状态下是否有运动目标.若有，则采集视频数据，并保存成序列图像.若无运动目标则保存背景继续检测判断.得到背景图像和含有目标的一帧图像后，利用图像减运算可得到背景差分图像.之后进行噪音去除、连通区域标记、基于排球亮度形状颜色等的特征匹配，对连续图像中的排球目标进行检测，通过分析排球对象在比赛视频中的面积、形态等属性范围目标区域边缘提取等筛选出候选排球对象，最终将目标识别出来.
1.3运动目标跟踪识别
1.4轨迹曲线提取
近年来，在众多学者的努力下，多种轨迹提取方法得以诞生.清华大学刘晓东等人成功研制了一种基于计算机系统的运动目标检测、目标跟踪及目标分类的智能监控系统.湖南大学万琴等人提出一种针对固定监控场景的运动检测与目标跟踪方法，利用运动预测技术实现目标匹配，但该方法在复杂环境下对多个目标进行跟踪时算法精确度大幅度降低[5].北航郝久月等人研究了监控场景中运动目标轨迹聚类算法.浙江大学的肖俊等人利用单个摄像机对人体未被遮挡部位的动作进行跟踪.熊荣炎等人通过分析视频序列图像的灰度特征，结合背景差分减法，提出一种静止摄像机条件下，基于特征值快速检测与跟踪目标的方法.
本文着重研究排球比赛视频中球体检测与轨迹提取的精确性、鲁棒性以及实时性等方面的问题.系统针对实际需要建立了基于球体运动方向、运动速度、轮廓参数等信息的多元组轨迹模型.分析并总结了经典的轨迹提取算法的优缺点，有针对性地研究如何利用候选球体的X、Y坐标值分布建立排球轨迹方程，并利用轨迹方程辅助、矫正排球的检测和跟踪，将识别出的球体的运动轨迹提取出来，提升算法运行速度，实现运动轨迹鲁棒提取，并将跟踪结果及运动轨迹以视频帧的形式展示出来.
1.5智能分析模块
智能分析模块可依据对排球运动轨迹变化情况的分析，研究排球比赛中运动员击球行为的检测、击球动作的分类、识别与分析技术等.
2基于视频的排球智能分析系统
2.1系统软硬件架构
基于视频的排球智能分析系统的硬件组成主要是由两个摄像机和计算机组成的双目视觉系统.两台智能摄像机与上位机组成一个局域网，其中PC机作为服务器，两台智能相机作为客户端，系统主要的运算任务如视频图像的采集处理等都在两台摄像机中并行完成，极大地分担了上位机的运算负荷，起到了平衡负载的作用，解决了常规两目视觉中的运算瓶颈问题.本系统中上位机不进行图像处理，只进行简单的运算如三维坐标计算、曲线拟合等.
软件部分使用Intel公司支持的开源计算机视觉库OpenCV提供的函数进行计算机视觉算法方面的开发，采用VC++编程实现运动目标的检测跟踪算法，完成了摄像机及场地的标定、图像序列的获取、排球目标的检测、排球运动轨迹的提取、轨迹特征信息的分析等.
2.2系统实现
系统深入研究双摄像头下排球的识别检测跟踪与轨迹提取方法，为裁判辅助智能分析系统提供有效的数据输入和决策支持，同时满足系统的精确性、鲁棒性、实时性等方面的问题.
3小结
由于排球比赛视频背景复杂，镜头切换频繁，排球运动过程中其颜色、大小等特征信息会经常变化，且运动目标提取容易受到背景、光线变化、阴影、运动速度等因素影响，因此很难以单个球为对象建立一个有效的模型来检测运动球体.且许多运动对象或者某些区域在外形上与排球很相似，当球与球员和球场线接触或被球员遮挡时，会给球的检测造成很大的困难.因此，为了提高排球跟踪算法的精确性和鲁棒性，降低算法复杂性，必须提出新的目标识别检测跟踪算法，并保证系统的实时、准确、稳定等.此外，由于排球运动中存在自旋以及外界不确定因素的干扰，难以建立准确的运动学方程.因此，如何对一些经典的滤波算法进行改进，提出鲁棒性更高的轨迹获取方法，根据视频帧信息获得排球每时每刻的位置坐标和瞬时速度值等生成排球运动轨迹，也是系统的一个技术关键难题.结合排球轨迹信息，对视频进行更高层的语义分析是下一步需要研究的内容.
〔1〕张虎.机器视觉中二维图像的三维重建[D].北京:北方工业大学，2006.
关键词：涂胶机双目立体视觉图像标定
随着现代机器视觉处理技术发展，目视系统制造工艺得到巨大进步，高分辨率、低非线性失真目视系统价格已大大降低。飞速发展的计算机视觉系统在汽车生产领域使用日愈广泛，双目视系统通过图像定位获取物体的精确坐标，并将物置信息提供给机器操作分支进行精确操作。在计算机视觉系统和工业检测中需要对景物进行三维立体坐标测量、精确定位和定量分析。双目视系统是计算机视觉的重要部分，能够对视觉范围内的物体进行自动识别定位，对数据进行分析后实现系统现场标定。目视系统需要将三维场景中的物体和二维图像进行连接，具有高效率、高精确度和低成本等特点，在现代工业中得到广泛应用。一般常用的目视系统模型分为线性针孔模型、拟透视投影模型和正交投影模型三类。
1透视变换模型标定
双目视系统的需要从二维图像中计算出空间物体的三维信息，运用透视变换模型需要获取物体图像信息，再根据所获取的图像信息分析物体的三维立体坐标，从而进行识别并得到物体准确的位置信息。所谓的目视系统标定是指通过几何模型参数将空间物体和图像进行点对点连接后，进行数据分析标定的过程。几何模型参数决定了空间物体表面的几何位置和图像对应点间的相互关系，对双目视系统定位具有关键性的作用[1]。
在视觉导航、监控跟踪等立体视觉系统应用中，对图像定位处理的效率要求较高，建立高效快捷的双目视系统模型是社会发展的现实要求。在实际应用中，常使用线性目视系统模式进行图像标定处理，反而忽视了目视系统非线性因素的影响。
2目视系统标定重要性
目视系统标定具有如下几个重要作用：
1：从计算机图像中导出三维信息
目视系统标定经过多次试验和计算能够得到一个目视系统模型参数，该参数决定了计算机图像和空间物体表面进行点对点连接的相互关系，能够提供给定坐标点的图像坐标，并确定实际物体目标点的空间位置信息。目视系统标定在机电元件自动装配、机器人标定、轨迹分析及在线检测等方面运用广泛。
2：确定自动行驶车辆上的空间位置
利用目视系统标定可以确定自动行驶车辆和移动机器人的空间位置信息，如果知道目标点的空间坐标和图像坐标，可以通过目视系统参数标定技术进行分析，从而得到目视系统的方向信息。
3：已知物体的三维信息可导出物体的二维计算机图像坐标
在进行模型驱动的机器视觉检测和装配中，有关于物体的方向假设和立体空间坐标问题时，可以利用目视系统参数转化为该图像的假设，然后将假设的图像和物体三维图像进行比较，如果假设图像满足物体三维信息，则可确认或拒绝对该物体和物体空间位置假设成立。
3目视系统的标定原则
目视系统的标定包括图像获取、参数计算、图像预处理等关键步骤，在进行图像标定时一般需要在目视系统前放置特制的标定参照物，获取该物体图像后计算内、外部系统参数[2]。采用点特征提取方式标定参照物，并根据每个特征点相对于世界坐标系OwXwYwZw的位置进行精确的测量。得到物体坐标点的数据进而可以解出目视系统内、外部参数。
下面用矩阵形式写出这些方程：
（1）
从以上方程中可以知道，M矩阵乘以任意一个不为零的常数都不会影响与的关系，我们可以任意使m34=1，可以得到M矩阵中其他元素的2n个线性方程。这些未知元素的个数为11个，将其记为11维向量，可以将（1）式简写成：Km=U
其中，K为（1）式左边2n×11矩阵；m指代未知的11维向量；U为（4）式右边的2n维向量，K，U为已知向量。当2n>11时，用最小二乘法可以求出上述线性方程解为：m=（KTK）-1KTU。
m向量与=1构成了所求解的M矩阵。从以上式子可知，若有空间6个以上的已知点和它们的二维图像坐标匹配的话，就可以求出M矩阵。一般在进行标定时都会使标定模板上有数十个已知坐标点，使方程的个数远远多于未知数的个数，用最小二乘法求方程解，从而降低误差。
求出M矩阵后，如果需要解目视系统的内部、外部参数，可由（4）式表示的关系算出目视系统的全部的内部、外部参数。不过，所求得的M矩阵与（4）式所表示的矩阵M相差一个常数因子。指定=1虽然并不影响投影关系，但在分解M矩阵时必须进行考虑。将（1）式M矩阵与目视系统内部、外部参数的关系写成
（2）
其中，miT（i=1～3）从式子（1）中解出，作为M矩阵第i行的前三个元素组成的行向量。二mi4是M矩阵第i行第四列元素；riT（i=1～3）是作为旋转矩阵R的第i行；tx，ty，tz分别为平移向量T的三个分量。且r1T，r2T，r3T，之间有如下的约束关系：
，，，
，，（3）
由式（2）可以得到
（4）
比较以上式子可知：m3=，由是正交单位矩阵的第三行，，因此，可以从求出即，再由以下式子可以求得，，，，：
（5）
（5）式中的×表示向量运算符号，根据（5）所得参数可以得到（6）式中的参数。
（6）
从以上方程式中可以知道，根据空间6个以上一直点及其坐标信息和图像，可以按照方程（5）和（6）求出目视系统的内、外部参数。
4总结
本文根据汽车涂胶机目视系统图像坐标和针孔目视系统模型定位等方面展开讨论。在此基础上，说明通过目视系统标定和图像点坐标可以唯一地确定空间中的一条射线。利用两个标定过的目视系统观察同一个待测点，它的空间三维坐标可以用两条这样的射线的交点计算出来，说明了双目视觉的基本原理，并讨论了投影矩阵的求解方法。
参考文献
关键词：三维人脸；特征区域检测；特征提取；Itti视觉注意模型；计算机视觉
近年来，随着三维图像系统的发展，三维成像设备从实验室走向市场，逐渐普及，使三维数据获取变得便捷。研究人员已逐渐认识到，相比于二维人脸分析方法，三维人脸能更精确地描述人的脸部特征，提供了人脸曲面的解剖结构信息，在光照、姿态和表情变化等方面具有明显的优势，利用人脸的三维信息是克服二维人脸分析的技术瓶颈最有效的方法。同时，随着对人类视觉神经系统、认知心理和认知过程研究的不断深入，建立人类视觉系统感知信息过程的计算理论和计算模型，并将计算机视觉与人类视觉联系起来，建立可与人类视觉系统水平相当的通用视觉模型，正成为计算机视觉研究的新课题和新挑战。
由于传统的对人类视觉注意（HumanVisualAttention）的研究主要针对二维图像，该文将视觉注意模型引入到对三维人脸模型的分析，借鉴了Itti视觉注意模型[][][][]的思想，并结合计算机视觉中对三维人脸图像的处理算法，提出了一种改进的模型。该模型能够对三维人脸数据进行显著性分析，快速定位人脸特征分布的候选区域，进而进行特征点提取。
1.1三维人脸特征点提取
人脸特征点的选择应根据应用需求而定，在MPEG-4中定义了人脸特征点的国际标准[]：FDP（FacialDefinitionParameters）和FAP（FacialAnimationParameters）。其中FDP定义了人脸的形状、纹理等特征，提供人脸特征点、网格、纹理、人脸动画定义表等数据。MPEG-4定义了FDP的84个人脸的特征点，如图1所示。
图1MPEG-4中定义的FDP特征点
三维人脸特征提取是将三维人脸数据模型转化为特征表示，利用特征来体现原始数据模型的特点。特征点能否准确定位对进一步的研究工作（如三维人脸检测和识别、三维人脸重建等）的效率、可靠性和鲁棒性都有很大的影响。特征点定位主要分为三类：1、基于人脸“三庭五等”的几何对称性，从获取人脸的对称平面开始，进而定位其他的特征点；2、基于人脸的几何特征，利用特征点处的深度、曲率和法线等进行特征点定位；3、基于人脸特征点的统计分布，利用人脸的特征点分布区域的共性，定位特征点分布候选区域，再进行特征点提取。
王跃明等人[6]将特征束的思想引入到三维人脸特征点定位，通过手工标定训练集的特征点，计算特征点处的PointSignature，构成特征束，以此判定人脸特征点的平均区域。A.B.Moreno等人[]使用平均曲率和高斯曲率对三维人脸进行分割，得到人脸特征点分布的候选区域，然后通过五官分布特征，去掉非标准区域，得到真正的特征区域。GaileG.Gordon[]将三维人脸深度图转换到圆柱坐标系中，在圆柱坐标参数下计算每一点的高斯曲率和平均曲率。Dorai等人[]提出SI（ShapeIndex）特征，该特征用来表示每一点的凹凸程度，点p的ShapeIndex是由其最大和最小曲率计算得到。鼻尖的候选点集由SI值在0.85～1之间的点组成，鼻尖点定位于该区域的质心；内眼角的候选点集由SI值在0～0.27之间的点组成，内眼角定位于该区域的质心：
S.Gupta等人[]将人体测量学原理应用于三维人脸的特征提取。通过手工标定25个测量学上常用的特征点，计算这些特征点之间的测地线距离（ISO-GeodesicDistance），选择其中23组距离比例组合成特征向量，最后用线性判别分析（LinearDiscriminativeAnalysis，LDA）对特征进行分类。人体测量学上的基准点和度量富含更多的三维人脸特征。
2.2Itti视觉注意模型
视觉注意机制是灵长类动物处理视觉信息的本质特征，人类视网膜对图像是非均匀采样的，这是视觉注意机制的生物基础。同时，由于高层视觉处理只是对初始视觉传感器信息的一个子集进行处理，因此需要对初始得到的视觉信息进行选择。
在Itti等人最初的论文中[1]，针对无top-down外部命令的情况下，提出了一个特征图归一化算子，以增强显著峰较少的特征图、削弱存在大量显著峰的特征图。在Itti等人后来的工作中[2][3]，比较了多种特征组合策略，发现归一化每一特征图至固定动态范围后再相加将在检测复杂景象中的突出目标时表现出较差的检测性能。于是在归一化的基础上，Itti等人给出了一种新的特征组合策略，通过各特征图内的局部非线性竞争增强现显著峰较少的特征图，而削弱存在大量显著峰的特征图。这种特征内竞争模式与电生理学所观察到的非经典抑制相互作用类似。
3基于Itti视觉注意模型的三维人脸特征检测
3.1三维人脸数据表示
本文的研究中采用点云（PointCloud）来表示三维人脸数据。点云数据是指在一个三维坐标系统中的一组三维元组的集合，这些元组通常以（x，y，z）三维坐标的形式表示，一般主要用来代表一个物体的外表面形状。除（x，y，z）代表集合位置信息以外，点云数据还可以附加一个点的RGB颜色通道信息、灰度值、深度等。
假设p=（x，y，z）∈[]3表示三维人脸点云数据p中的一个三维的点。由于一个三维的点可以表示成一个三维的向量[p]，所以可以将三维人脸点云数据表示为：
3.2三维人脸数据预处理
一个典型的三维人脸点云数据往往包含十几万个顶点，并且获取的数据往往包含噪声和毛刺，所以需要对这些顶点进行预处理操作。该文采用的预处理操作主要有：
1）向下采样（Downsampleing）：首先定义一个三维的体素网格（3DVoxelGrid），将这个网格在点云数据中移动，并计算落在网格内的点的质心，以这个质心来表示落在网格中的所有点；
2）重采样（Resampling）：采用MLS（MoveLeastSquare）方法对三维人脸点云数据进行规整化。
3）姿态校正（PoseCorrection）：原始三维人脸的姿态并不一致，所以需要对获得的三维人脸数据进行姿态校正，使其正面与z轴垂直。
4）面部区域裁剪（FaceSegmentation）：该文采用P.Bagchi等人[]的方法找到鼻尖位置。在得到鼻尖的位置之后，采用P.Nair等人[]提出的方法进行人脸面部区域的裁剪。
3.3改进的Itti视觉注意模型
为了让Itti视觉注意模型能够处理三维人脸数据，该文对Itti模型进行了改进。改进后的模型如图3所示。
1）从纹理图像数据[T]获取颜色显著图。三维人脸点云数据p中点i在纹理数据中对应的颜色值：
[rgb（i）=f（ui，vi），i=0，1，2，...，n]（10）
得到点i的颜色后，用该点的灰度值归一化各个颜色通道，然后建立4个宽调谐（Broadly-tuned）的颜色通道RGBY：
若R、G、B、Y为负值则置为0。然后建立这4个颜色通道的高斯金字塔R（[σ]）、G（[σ]）、B（[σ]）和Y（[σ]）。
2）从位置数据[P]获取深度图[D]。设三维人脸点云数据p的在XY轴的分辨率为M×N，分布区间分别为[xmin，xmax]和[ymin，ymax]，则可以计算得到深度图[D]在XY轴的坐标集：
由于二维深度图[D]中xy坐标值与点云p中xy坐标值并不是一一对应，函数g通过计算点云p中隐式xy坐标（implicitx-andy-coordinates）处的z坐标的插值，得到深度图中的深度值。
3）计算空间法向量[N]。三维人脸点云数据p中点i的法向量计算公式：
其中k是选择的点[pj]的邻域的点数，[p]为邻域内点的质心。
4）计算曲率[C]。本位采用Dorai等人[9]提出最大和最小曲率计算方法，并得到点云数据p中点i的SI（ShapeIndex）特征。加入曲率特征的显著图是为了增强人脸的器官如鼻子、眼睛、嘴巴等的显著性。
4实验结果
实验分两组进行。第一组将自然状态下的三维人脸作为输入，第二组将有表情变化的三维人脸作为输入。实验结果如图4所示。从实验结果可以看出，该文提出的改进的Itti视觉注意模型能够准确检测出有表情和无表情的三维人脸数据中如眼睛、鼻子和嘴巴的分布区域。
5结论
传统的视觉注意模型主要针对二维图像数据进行研究，该文将传统的视觉注意模型引入到对三维人脸数据的处理，提出了一种基于Itti视觉注意模型的三维人脸特征检测方法。该方法通过结合原始数据中的纹理信息和三维人脸点云数据中的空间位置信息、空间法向量、深度信息和空间曲率，生成三维人脸图像的显著图。最后利用生成的显著图快速定位三维人脸的特征区域分布，从而进行三维人脸特征的提取。实验结果证明了该方法具有特征区域检测效果好、适用性广的特点。下一步的工作将集中在对已经检测出的特征区域进行分析，并结合二维纹理数据，尽可能精确的提取出特征区域中的特征点。
[2]D.Cosker，E.Krumhuber，A.Hilton.AFACSValid3DDynamicActionUnitDatabasewithApplicationsto3DDynamicMorphableFacialModeling[C].ProceedingsofIEEEInternationalConferenceonComputerVision（ICCV），2011.
[3]P.Nair，A.Cavallaro.3-DFaceDetection，LandmarkLocalization，andRegistrationUsingaPointDistributionModel[J].IEEETransactionsonMultimedia，2009，11（4）：611-623.
[4]P.Bagchi，D.Bhattacharjee，M.Nasipuri，etal.ANovelApproachforNoseTipDetectionusingSmoothingbyWeightedMedianFilteringAppliedto3DFaceImagesinVariantPoses[C].ProceedingsoftheInternationalConferenceonPatternRecognition，InformaticsandMedicalEngineering，2012.
[5]C.Koch，S.Ullman.ShiftsinSelectiveVisualAttention：TowardstheUnderlyingNeuralCircuitry[J].HumanNeurobiology，1985，4：219-227.
[6]S.Gupta，J.K.Aggarwal，M.K.Markey，etal.3DFaceRecognitionFoundedontheStructuralDiversityofHumanFaces[C].ProceedingsofIEEEComputerSocietyConferenceonComputerVisionandPatternRecognition，Minneapolis，2007：1-7.
[7]C.Darai，A.K.Jain.COSMOS-Arepresentationschemefor3Dfree-formobjects[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，1997，19（10）：1115-1130.
[8]G.G.Gordon.Facerecognitionbasedondepthandcurvaturefeatures[J].ProceedingsofSPIEConferenceonGeometricMethodinComputerVison，1992：234-247.
[9]A.B.Moreno，A.Sanchez，J.F.Velez，etal.FaceRecognitionusing3DLocalGeometricalFeatures：PCAvs.SVM[C].InternationalSymposiumonImageandSignalProcessingandAnalysis，2005：185-190.
[10]WangYingjie，ChuaChin-Seng，HoYeong-Khing.FacialFeatureDetectionandFaceRecognitionfrom2Dand3DImages[J].PatternRecognitionLetters，2002，23（10）：1191-1202.
[11]ISO/IEC14496-1：1999，CodingofAudio-VisualObjects：SystemAmendment1[R].1999
[12]V.Navalpakkam，L.Itti.ModelingtheInfluenceofTaskonAttention[J].VisionResearch，2005，45（2）：205-231.
[13]L.Itti，C.Koch.ComputationalModelingofVisualAttention[J].NatureNeuroscience，2001，2：194：203.
论文关键词：表面粗糙度，非接触，光学测量
随着科学技术的进步和社会的发展，人们对于机械产品表面质量的要求越来越高。表面粗糙度是评价工件表面质量的一个重要指标，国内外很多学者在表面粗糙度检测方面做了大量研究工作。目前测量表面粗糙度的主要方法有：接触式测量和非接触式测量。
1接触式测量
接触式测量就是测量装置的探测部分直接接触被测表面，能够直观地反映被测表面的信息，接触式测量方法主要是触针法，该方法经过几十年的充分发展，以其稳定、可靠的特点被广泛应用。但接触式测量存在很大的缺陷，具体表现在：（1）对高精度表面及软质金属表面有划伤破坏作用；（2）受触针尖端圆弧半径的限制，其测量精度有限；（3）因触针磨损及测量速度的限制，无法实现在线实时测量[1]。
2非接触式测量
为了克服接触式测量方法的不足非接触，人们对非接触式测量方法进行了广泛研究。研究表明，非接触式测量方法具有非接触、无损伤、快速、测量精度高、易于实现在线测量、响应速度快等优点。目前已有的非接触式测量方法包括各种光学测量方法、超声法、扫描隧道显微镜法、基于计算机视觉技术的表面粗糙度检测方法等。这里我们只对基于光学散射原理的测量方法、基于光学干涉原理的测量方法和基于计算机视觉技术的测量方法做简单介绍论文格式模板。
2.1基于光学散射原理的测量方法
当一束光以一定的角度照射到物体表面后，加工表面的粗糙不平将引起发生散射现象。研究表明：表面粗糙度和散射光强度分布有一定的关系。对于表面粗糙度数值较小的表面，散射光能较弱，反射光能较强；反之，表面粗糙度数值较大的表面，散射光能较强，反射光能较弱。
基于光学散射原理测量表面粗糙度的研究方法和理论较多。四川联合大学和哈尔滨理工大学相继提出了一种称之为散射特征值的参数，表征被测物体表面上反射光和散射光的分散度，散射特征值与被测物体表面的粗糙度有很好的对应关系[2]。哈尔滨理工大学利用已知表面粗糙度参数值的标准样块测得其散射特征值，建立—关系曲线，从而实现利用散射特征值测量火炮内膛表面粗糙度[3]。
基于光学散射原理的表面粗糙度检测方法，具有结构简单、体积小、易于集成产品、动态响应好、适于在线测量等优点。该方法的缺点是测量精度不高，用于超光滑表面粗糙度的测量还有待进一步改进。
2.2基于光学干涉原理的测量方法
基于光学干涉原理测量表面粗糙度分辨率高，适于测量超光滑表面粗糙度，但由于该方法的测量精度受光波波长的影响很大，所以其测量范围受到一定影响。
2.3基于计算机视觉技术的测量方法
北京理工大学的王仲春等人采用显微镜对检测表面进行放大，并通过对CCD采集加工表面微观图像进行处理实现了表面粗糙度的检测[7]论文格式模板。哈尔滨理工大学吴春亚、刘献礼等为解决机械加工表面粗糙度的快速、在线检测，设计了一种表面粗糙度图像检测方法，建立了图像灰度变化信息与表面粗糙度之间的关系模型[8]。英国学者HosseinRagheb和EdwinR.Hancock通过数码相机拍摄的表面反射图来估计表面粗糙度参数非接触，运用Vernold–Harvey修正的B–K散射理论模型获得了比Oren–Nayar模型更好的粗糙度估计结果[9]。澳大利亚学者GhassanA.Al-Kindi和BijanShirinzadeh对基于显微视觉的不同机械加工表面粗糙度参数获取的可行性进行了评估，讨论了照射光源与表面辐照度模型对检测的影响，结果显示尽管从视觉数据和触针数据所获得的粗糙度参数存在一定差异，但是基于视觉的方法仍是一种可靠的粗糙度参数估计方法[10-11]。
可以看出，基于计算机视觉技术的测量方法主要有统计分析、特征映射和神经网络等黑箱估计法。通过这些方法获得的表面粗糙度参数的估计值受诸多因素的影响，难以给出其准确的物理解释。真正要定量地计算出粗糙度参数，需要科学的计算。
但是随着机械加工自动化水平的提高，基于计算机视觉技术的检测方法处理内容丰富、处理精度高、处理速度快、易于集成等优点将受到越来越多的重视。
3结束语
接触式测量测量速度较慢，容易划伤工件表面，并且不适用于连续生产材料表面的检测。非接触式测量具有无损伤、快速、测量精度高、易于实现在线测量等优点，已成为表面粗糙度检测的重点研究方向。非接触测量以光学法为主，随着计算机技术和工业生产的迅猛发展，基于计算机视觉技术的表面粗糙度非接触式检测方法受到越来越多的重视。
[1]刘斌,冯其波,匡萃方.表面粗糙度测量方法综述[J].光学仪器,2004,26(5):54-55.
[2]苑惠娟等．非接触式表面粗糙度测量仪[J]．哈尔滨科学技术大学学报，1995，19(6)：30-34．
[3]强熙富，张咏，许文海．扩展激光散射法测量粗糙度的测量范围的研究[J]．计量学报，1990，11(2)：81-85．
[4]王文卓，李大勇，陈捷．表面粗糙度非接触式测量技术研究概况[J]．机械工程师，2004，11：6-9．
[5]王菊香．2D-SROP-1型表面粗糙度轮廓仪[J]．工业计量，1994，(4)：27-29．
[6]徐德衍等．光学表面粗糙度研究的进展与方向[J]．光学仪器，1996，18(1)：32-41．
[7]王仲春,高岳,黄粤熙等.显微成像检测表面粗糙度[J].光学技术,1998,5:46-48.
[8]吴春亚,刘献礼,王玉景等.机械加工表面粗糙度的图像检测方法[J].哈尔滨理工大学学报,2007,12(3):148-151.
[9]HosseinRagheb,EdwinR.Hancock.ThemodifiedBeckmann–Kirchhoffscatteringtheoryforroughsurfaceanalysis[J].PatternRecognition,2007,40:2004-2020.
[10]GhassanA.Al-Kindi,BijanShirinzadeh.Anevaluationofsurfaceroughnessparametersmeasurementusingvision-baseddata[J].InternationalJournalofMachineTools&Manufacture,2007,47:697-708.
[11]GhassanA.Al-Kindi,BijanShirinzadeh.Feasibilityassessmentofvision-basedsurfaceroughnessparametersacquisitionfordifferenttypesofmachinedspecimens[J].ImageandVisionComputing,2008,6:1-15.