導(dǎo)語(yǔ)：如何才能寫好一篇計(jì)算機(jī)視覺技術(shù)原理，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞： 旅游流調(diào)控； 時(shí)空分流導(dǎo)航； 決策支持系統(tǒng)； 計(jì)算機(jī)推理技術(shù)； 時(shí)空一體化

0 引言

隨著我國(guó)經(jīng)濟(jì)持續(xù)發(fā)展和居民收入穩(wěn)步增加，旅游休閑日益成為我國(guó)居民生活的重要內(nèi)容。近年來(lái)，中國(guó)旅游業(yè)增長(zhǎng)的勢(shì)頭尤其迅猛，不少著名景區(qū)不得不面對(duì)大量游客入園而導(dǎo)致景區(qū)滿載的局面。景區(qū)一旦過度擁擠，就會(huì)對(duì)旅游業(yè)的可持續(xù)發(fā)展造成威脅。以主題公園為例，一方面，游客過多有可能對(duì)游樂設(shè)施造成破壞，甚至?xí)鸢踩鹿?；另一方面，游客在游玩過程中的長(zhǎng)時(shí)間等待也嚴(yán)重影響游客的游憩質(zhì)量。因此，關(guān)注景區(qū)內(nèi)客流時(shí)空分布，并使景區(qū)內(nèi)各景點(diǎn)負(fù)載均衡便成為了保證旅游景區(qū)經(jīng)濟(jì)效益、社會(huì)效益和生態(tài)效益協(xié)調(diào)發(fā)展的核心。

時(shí)空分流，正是利用隨時(shí)間推移形成的相對(duì)“閑置”的空間對(duì)游客進(jìn)行分散疏導(dǎo)，使景區(qū)內(nèi)各景點(diǎn)負(fù)載均衡的一種解決方案。對(duì)此，目前國(guó)內(nèi)研究者主要從排隊(duì)論和導(dǎo)航管理技術(shù)兩個(gè)分支開展探討。排隊(duì)論是以運(yùn)籌學(xué)作為基礎(chǔ)研究服務(wù)機(jī)構(gòu)中排隊(duì)問題的規(guī)律（Erlang，1909），在旅游學(xué)科領(lǐng)域的研究成果并不算多，主要包括：張凌云（1988）對(duì)旅游用餐行業(yè)的排隊(duì)隊(duì)長(zhǎng)、逗留時(shí)間和等待時(shí)間的期望值進(jìn)行了估計(jì)，并在服務(wù)員數(shù)量和顧客等待時(shí)間兩方面做了比較和權(quán)衡，用于指導(dǎo)餐廳（酒吧）在座位數(shù)量、服務(wù)人員安排和經(jīng)濟(jì)成本效益上綜合考慮；陳治佳等（2005）提出了一種基于概率的快速排隊(duì)優(yōu)化模型，以使大型游樂場(chǎng)的游樂設(shè)施達(dá)到最大使用程度，減少游客等待時(shí)間；王仁志和苗維亞（2012）對(duì)大型景區(qū)的平均隊(duì)長(zhǎng)和平均等待時(shí)間進(jìn)行了估計(jì)，并提出把順序單服務(wù)臺(tái)旅游模式改變?yōu)闊o(wú)序全服務(wù)臺(tái)旅游模式的思想。這些研究都是為了解決游客太多而導(dǎo)致某個(gè)服務(wù)機(jī)構(gòu)（餐廳、游樂設(shè)施或景點(diǎn)）需要長(zhǎng)時(shí)間排隊(duì)而提出的，主要涉及排隊(duì)系統(tǒng)的性狀研究和最優(yōu)化配置兩大類，多采用M/M/n排隊(duì)理論建立數(shù)學(xué)模型并結(jié)合多目標(biāo)線性規(guī)劃來(lái)求解。

國(guó)內(nèi)的另外一個(gè)分支則是時(shí)空分流導(dǎo)航管理技術(shù)，是任佩瑜團(tuán)隊(duì)于2009年提出的一項(xiàng)新技術(shù)（馮剛，等，2009），旨在根據(jù)空間的相對(duì)靜態(tài)性和時(shí)間的動(dòng)態(tài)性，借助最新的信息監(jiān)控技術(shù)，設(shè)計(jì)出若干優(yōu)化的游覽路線，使游客在景區(qū)內(nèi)均衡分布、有序交換。自2009年以來(lái)，該團(tuán)隊(duì)針對(duì)風(fēng)景名勝區(qū)（或自然保護(hù)區(qū)）做出了不少貢獻(xiàn)，包括：邱厭慶等（2010a）提出了基于九寨溝景點(diǎn)負(fù)荷均衡的時(shí)空分流導(dǎo)航數(shù)學(xué)規(guī)劃模型，并從動(dòng)態(tài)預(yù)測(cè)中得到車輛調(diào)度方案；馮剛等（2010）引入管理熵與RFID技術(shù)，對(duì)邱厭慶提到的上述模型進(jìn)行效果模擬；邱厭慶等（2010b）從復(fù)雜系統(tǒng)控制的角度構(gòu)建游客分流導(dǎo)航管理的耗散結(jié)構(gòu)體系，并分別對(duì)初態(tài)分流（邱厭慶，等，2010b）和穩(wěn)態(tài)分流（邱厭慶，等，2011）兩個(gè)階段的動(dòng)態(tài)離散系統(tǒng)進(jìn)行探索性分析；姜向陽(yáng)和任佩瑜（2012）把Hamilton 回路和多旅行商的思想引入時(shí)空分流導(dǎo)航管理中，并給出了一般數(shù)學(xué)模型和精確求解方法；戈鵬等（2013）通過比較、分析和仿真，提出了在初始分流中采用平均分流的靜態(tài)調(diào)度策略，在穩(wěn)態(tài)分流中采用基于區(qū)域時(shí)空負(fù)荷率的動(dòng)態(tài)調(diào)度策略的改進(jìn)方案；肖雄輝等（2013）構(gòu)建了景區(qū)景點(diǎn)需求與調(diào)度資源的引力分流調(diào)度模型和算法，既能滿足需求景點(diǎn)的負(fù)荷均衡，同時(shí)也考慮了游客的滿意度；任競(jìng)斐和鄭偉民（2013）通過建立綜合游客偏好、擁擠度、等待時(shí)間和行走時(shí)間等指標(biāo)的旅游效用函數(shù)，并借助Logit模型，將游客分配到不同路線上，以減少旅游高峰期景區(qū)游客擁擠和等待的情況?？梢钥闯觯诵ば圯x（2013）和任競(jìng)斐（2013）的研究外，任佩瑜團(tuán)隊(duì)主要從景區(qū)管理的角度來(lái)開展時(shí)空分流導(dǎo)航分析，其重點(diǎn)在于考查景區(qū)內(nèi)客流的分布情況和超負(fù)荷景點(diǎn)，以景區(qū)內(nèi)各景點(diǎn)的負(fù)荷均衡為目標(biāo)建立數(shù)學(xué)模型并進(jìn)行求解。此外，還有從游客服務(wù)或體驗(yàn)的角度來(lái)展開研究的，例如鄭天翔（2012）以游客等待時(shí)間最短為目標(biāo)對(duì)主題公園游客導(dǎo)航分流問題構(gòu)建了動(dòng)態(tài)調(diào)度算法的雛形。

在國(guó)外研究中，沒有專門用以表達(dá)時(shí)空分流的術(shù)語(yǔ)，與此相關(guān)的研究包括虛擬排隊(duì)服務(wù)和游線設(shè)計(jì)問題。虛擬排隊(duì)服務(wù)，包括虛擬排隊(duì)系統(tǒng)（Lovejoy，et al.，2004；Lutz，2008）、排隊(duì)管理方法（Button，2006）和排隊(duì)區(qū)設(shè)計(jì)（Heger，et al.，2009）等，并在管理實(shí)踐中被廣泛應(yīng)用于主題公園的開發(fā)和運(yùn)營(yíng)中，其中，以Multi Motion主題公園管理系統(tǒng)（Universal City Studios INC，2002）和迪士尼的FASTPASSTM（Cope Iii，et al.，2008）排隊(duì)管理系統(tǒng)最具代表性，這類系統(tǒng)設(shè)計(jì)的方案是增加一條虛擬排隊(duì)隊(duì)列，能使游客花費(fèi)相同的時(shí)間但多體驗(yàn)一個(gè)項(xiàng)目。另一個(gè)研究領(lǐng)域是游線設(shè)計(jì)問題（Tourist Trip Design Problems）（Garcia，et al.，2010；Garcia，et al.，2013；Souffriau，et al.，2008；Sylejmani，et al.，2012；Vansteenwegen，et al.，2009b；Vansteenwegen，et al.，2009a；Vansteenwegen，Van Oudheusden，2007），這類研究延伸出一系列的分支，包括游客移動(dòng)引導(dǎo)（Mobile Tourist Guides）（Souffriau，et al.，2008；Vansteenwegen，Van Oudheusden，2007）、電子游客引導(dǎo)（Electronic Tourist Guides）（Garcia，et al.，2009；Garcia，et al.，2013；Vansteenwegen，et al.，2009b；Vansteenwegen，et al.，2009a）、個(gè)人導(dǎo)航系統(tǒng)（Personal Navigation Systems for Tourism）（Akasaka，Onisawa，2008；Maruyama，et al.，2004；Shiraishi，et al.，2005）、個(gè)性化路線規(guī)劃（Personalized Route Planning）（Nadi，Delavar，2011；Yiakoumettis，et al.，2013；Yu，Chang，2009；Zhang，et al.，2011）、個(gè)性化路線引導(dǎo)（Personalized Route Guidance）（Panou，2012）和個(gè)性化路線推薦（Personalized Route Recommendation）（Tsai，Chung，2012），等。這些分支當(dāng)中，涉及旅途中路線選擇、導(dǎo)航或引導(dǎo)的文獻(xiàn)主要包括：Maruyama等（2004）提出一個(gè)有效導(dǎo)航多重目的地的個(gè)人導(dǎo)航系統(tǒng)，系統(tǒng)根據(jù)游客到達(dá)時(shí)刻、停留時(shí)間以及目的地偏好度計(jì)算出使游客滿意的旅游路線并實(shí)現(xiàn)導(dǎo)航；Shiraishi等（2005）根據(jù)游客的費(fèi)用預(yù)算和滿意程度定制出不同的旅游時(shí)間表讓游客自主選擇，并為其按時(shí)到達(dá)下一站提供導(dǎo)航；Vansteenwegen等（2009a）把旅游線路設(shè)計(jì)歸結(jié)為TOPTW（Team Orienteering Problem with Time Windows）問題，并提出迭代局部求解算法，以實(shí)時(shí)求出個(gè)性化旅游路線；Garcia等（2009）在Vansteenwegen研究的基礎(chǔ)上，把旅游線路設(shè)計(jì)進(jìn)一步歸結(jié)為MCTOPTW（Multi Constrained Team Orienteering Problem with Time Windows）問題，并提出一個(gè)包含旅行往返時(shí)間、旅行節(jié)奏和旅游興趣點(diǎn)的智能個(gè)性化電子導(dǎo)游系統(tǒng)；Yu和Chang（2009）根據(jù)游客的個(gè)人喜好，結(jié)合游客的當(dāng)前位置對(duì)其附近的游覽景點(diǎn)、餐飲和住宿等做出簡(jiǎn)單的行程安排；Zhang等（2011）試圖利用衛(wèi)星地圖和移動(dòng)設(shè)備來(lái)解決交通換乘問題，能結(jié)合實(shí)時(shí)交通情況、停車信息搜索列車到達(dá)時(shí)刻表，并提供自駕、鐵路、公交或步行等多種路線信息；Nadi和Delavar（2011）提出了多種不同方案的路徑選擇系統(tǒng)，以滿足用戶的靈活需求；Tsai和Chung（2012）根據(jù)以往相似游客的歷史路徑，結(jié)合當(dāng)前排隊(duì)信息作判斷，以便讓游客游覽更多的景點(diǎn)。

縱觀國(guó)內(nèi)外文獻(xiàn)，國(guó)外在旅游路線選擇的問題上似乎更多是從游客出發(fā)前的計(jì)劃安排上開展研究，而針對(duì)游客在游覽過程中的干預(yù)、引導(dǎo)和管理則較少涉及，而國(guó)內(nèi)針對(duì)景區(qū)內(nèi)部小尺度的時(shí)空分流研究還剛剛起步，多采用數(shù)學(xué)和運(yùn)籌學(xué)的方法建模求解，能同時(shí)考慮游客的個(gè)性化需求和現(xiàn)場(chǎng)環(huán)境信息、形成時(shí)空一體的旅游個(gè)性化推介服務(wù)（李仁杰，路紫，2011）的時(shí)空分流模式還鮮見（鄭天翔，等，2015）。因此，現(xiàn)實(shí)中對(duì)于景區(qū)在個(gè)別景點(diǎn)人流過于集中、游客因等待時(shí)間過長(zhǎng)而游憩質(zhì)量下降的難題，目前還缺乏行之有效的方案，而這卻是智慧景區(qū)的建設(shè)核心之一（梁倩，張宏梅，2013）。由于時(shí)空分流問題涉及游客游憩行為，有研究指出，這種旅游系統(tǒng)難以采用傳統(tǒng)數(shù)學(xué)分析方法建模，而計(jì)算機(jī)仿真正是研究這種復(fù)雜社會(huì)系統(tǒng)的較好方法（黎j，2013；黎j，杜栓柱，2011）。因此，本文針對(duì)景區(qū)游客時(shí)空分流的決策支持系統(tǒng)（陳建斌，等，2014），借助計(jì)算機(jī)推理技術(shù)提出一種具有時(shí)空一體化特征的游憩方向決策算法，并通過計(jì)算機(jī)仿真系統(tǒng)與傳統(tǒng)的最短距離算法進(jìn)行實(shí)驗(yàn)?zāi)M和比較分析，以驗(yàn)證本文算法的優(yōu)越性。

1 研究設(shè)計(jì)

1.1 研究對(duì)象

由于旅游管理決策實(shí)際上是一種復(fù)雜事件的推理過程，對(duì)問題觀察而導(dǎo)致的建模也只能是一種近似描述（杜軍平，周亦鵬，2009），因此，本文選擇較為簡(jiǎn)單的主題公園作為研究對(duì)象。與其他風(fēng)景區(qū)相比，主題公園的“簡(jiǎn)單性”主要有以下表現(xiàn)。

（1） 景點(diǎn)的承載力可以預(yù)先確定――風(fēng)景區(qū)的景點(diǎn)以名勝古跡、山水生物為主，具有共享性，同一時(shí)刻可供游覽的人數(shù)不定；主題公園的景點(diǎn)主要以游樂設(shè)施為主，游樂設(shè)施具有獨(dú)占性，同一時(shí)刻可供游玩的人數(shù)相對(duì)固定。

（2） 景點(diǎn)的游覽時(shí)間可以預(yù)先確定――游客在風(fēng)景區(qū)的景點(diǎn)停留時(shí)長(zhǎng)不定，拍照留念、欣賞、休憩、飲食、消費(fèi)等因人而異；而游客在主題公園的游樂設(shè)施上的停留時(shí)長(zhǎng)相對(duì)固定。

（3） 單步求解而非全路線求解（詳見1.3節(jié)）――風(fēng)景為主的景區(qū)，堅(jiān)決避免走回頭路，應(yīng)當(dāng)使所有的景點(diǎn)串聯(lián)成環(huán)形游線，通常采用全路線求解方案，在游客游覽前確定所有路線；而游樂設(shè)施為主的主題公園，相鄰景點(diǎn)之間距離不會(huì)太遠(yuǎn)，很多時(shí)候?yàn)榱藴p少等候時(shí)間，同一路徑游客會(huì)重復(fù)往返，因此適合單步求解，能在游客游覽過程中逐次獲得下一步路線。

1.2 基本假設(shè)

在主題公園（下簡(jiǎn)稱景區(qū)）的特定案例下，我們假設(shè)：

?不同游客在同一游樂設(shè)施（下簡(jiǎn)稱景點(diǎn)）的游覽時(shí)間相同，且在景點(diǎn)設(shè)計(jì)時(shí)已經(jīng)確定，稱為景點(diǎn)游覽時(shí)間。

?每個(gè)景點(diǎn)的承載力（景點(diǎn)容量）在景點(diǎn)設(shè)計(jì)時(shí)已經(jīng)確定。

?相鄰兩個(gè)景點(diǎn)之間的路徑長(zhǎng)度在景點(diǎn)設(shè)計(jì)時(shí)已經(jīng)確定。

?在不考慮乘車的前提下，每個(gè)游客的游憩速度（下簡(jiǎn)稱步速）一樣。

?每個(gè)游客在一次完整的旅游經(jīng)歷過程中（從進(jìn)入景區(qū)門口開始直到離開景區(qū)），不會(huì)重復(fù)游覽已經(jīng)游玩過的景點(diǎn)，但允許多次來(lái)回經(jīng)過相鄰兩景點(diǎn)之間的路徑。

1.3 模型分析

無(wú)論是“給定景點(diǎn)求路徑不重復(fù)的全路線最短成本”的旅行商問題（Traveling Salesman Problem，TSP）（吳凱，2004），還是“盡可能多的游覽景點(diǎn)，路徑不重復(fù)且全路線成本最小”的定向越野問題（Orienteering Problem，OP）（Tsiligirides，1984），都屬于圖論中的NP完全問題，不存在多項(xiàng)式時(shí)間的算法（王曉東，2004）。因此，本文針對(duì)游客在同一個(gè)景區(qū)中的單日游行程安排問題，試圖在“給定景點(diǎn)求單步最少成本”上尋找解決方案，借此讓不同游客從時(shí)間和空間（景點(diǎn)）上分離開來(lái)，達(dá)到時(shí)空分流的效果。

借鑒前人研究成果（黎j，2013）并進(jìn)行簡(jiǎn)化后，本文假定景區(qū)涉及的對(duì)象僅包含兩個(gè)：景點(diǎn)和游客。對(duì)于景點(diǎn)來(lái)說(shuō)，具有景點(diǎn)位置、景點(diǎn)容量、景點(diǎn)游覽時(shí)間、景點(diǎn)開放時(shí)刻和景點(diǎn)關(guān)閉時(shí)刻等靜態(tài)屬性，也具有景點(diǎn)下次提供服務(wù)時(shí)刻、景點(diǎn)外排隊(duì)等候人數(shù)等動(dòng)態(tài)屬性。對(duì)于游客來(lái)說(shuō)，具有游客編號(hào)、到達(dá)時(shí)刻、預(yù)計(jì)離開時(shí)刻和游覽偏好（感興趣景點(diǎn)）等靜態(tài)屬性，也具有步速、游憩方向（黎j，2013）和等待時(shí)間等動(dòng)態(tài)屬性。其中，游客動(dòng)態(tài)屬性隨游憩行為而取不同值（黎j，2013），圖1和圖2展示了其自身在景區(qū)中的一次完整游憩行為，可以歸納為8個(gè)要素和3個(gè)狀態(tài)。

圖2 游客的狀態(tài)切換圖

首先，我們來(lái)看看這3個(gè)狀態(tài)：（1） 棧道行走等待游玩：狀態(tài)的切換由當(dāng)前游客“到達(dá)景點(diǎn)”觸發(fā)，這時(shí)候可以確定游客需要等候的時(shí)間（詳見1.4節(jié)）；（2） 等待游玩正在游玩：狀態(tài)的切換由前一個(gè)（批）游客“離開景點(diǎn)”觸發(fā)，當(dāng)前游客進(jìn)入游覽，這時(shí)候可以確定景點(diǎn)下次提供服務(wù)時(shí)刻=當(dāng)前時(shí)刻+景點(diǎn)游覽時(shí)間；（3） 正在游玩棧道行走：狀態(tài)的切換由當(dāng)前游客“離開景點(diǎn)”觸發(fā)，此時(shí)需要對(duì)下一個(gè)游玩景點(diǎn)（游憩方向）進(jìn)行決策，這就要求設(shè)計(jì)一種擇優(yōu)選擇的機(jī)制來(lái)逐次確定（詳見1.4節(jié)）。

其次，我們來(lái)看看這8個(gè)要素。對(duì)它們進(jìn)行歸類，可以得知：（1） 屬于動(dòng)作：到達(dá)景區(qū)、到達(dá)景點(diǎn)、離開景點(diǎn)、離開景區(qū)；（2） 屬于活動(dòng)：前往景點(diǎn)、游玩景點(diǎn)；（3） 屬于判定：尋找下一個(gè)景點(diǎn)、能否游玩。其中，“動(dòng)作”使用計(jì)算機(jī)科學(xué)技術(shù)領(lǐng)域中的“離散事件驅(qū)動(dòng)”（劉衛(wèi)東，等，1998）來(lái)模擬，“活動(dòng)”使用虛擬時(shí)鐘來(lái)實(shí)現(xiàn)，“判定”使用計(jì)算機(jī)推理算法來(lái)判斷（詳見1.4節(jié)）。

對(duì)這8個(gè)要素的進(jìn)一步分析，可以得知這些要素的模擬關(guān)鍵：（1） 到達(dá)景區(qū)：記錄游客的到達(dá)時(shí)刻、預(yù)計(jì)離開時(shí)刻、步速和感興趣的景點(diǎn)等信息；（2） 前往景點(diǎn)：使用虛擬時(shí)鐘來(lái)模擬，每隔一定時(shí)間游客移動(dòng)一步，這時(shí)候游客處于棧道行走狀態(tài)；（3） 到達(dá)景點(diǎn)：由于 “前往景點(diǎn)”存在不確定因素（游憩方向有可能是景點(diǎn)或景點(diǎn)外排隊(duì)隊(duì)列，或者步行過程中其他游客可能更早一步到達(dá)同一景點(diǎn)），使得該事件沒有固定的發(fā)生時(shí)刻，因此無(wú)法通過“事件驅(qū)動(dòng)”來(lái)模擬，只能作為“前往景點(diǎn)”這個(gè)活動(dòng)的結(jié)束標(biāo)志。而此時(shí)，游客的等待時(shí)間可以確定下來(lái)，同時(shí)由于離開景點(diǎn)的時(shí)刻能確定（景點(diǎn)游覽時(shí)間+等待時(shí)間），因此可以產(chǎn)生“離開景點(diǎn)”事件；（4） 能否游玩：如果等待時(shí)間+景點(diǎn)下次提供服務(wù)時(shí)刻 > 景點(diǎn)關(guān)閉時(shí)刻，則游客無(wú)法游玩，只能離開景點(diǎn)；（5） 游玩景點(diǎn)：這部分主要由等待游玩和正在游玩兩個(gè)狀態(tài)構(gòu)成；（6） 離開景點(diǎn)：根據(jù)景點(diǎn)容量把排隊(duì)靠前的游客設(shè)為正在游玩狀態(tài)，其他游客在隊(duì)列的位置相應(yīng)前移；（7） 離開景區(qū)：為了簡(jiǎn)化模型，僅輸出與整個(gè)游覽過程相關(guān)的信息，而不作為事件來(lái)模擬；（8） 尋找下一個(gè)景點(diǎn)：需要構(gòu)造游憩方向的決策算法，根據(jù)算法的返回結(jié)果判斷是否找到。

1.4 算法和仿真設(shè)計(jì)

1.4.1 算法設(shè)計(jì)

根據(jù)上一節(jié)的分析，我們需要確定游客的等待時(shí)間和游憩方向的決策算法。表1展示了游客等待時(shí)間的計(jì)算方法。

注：所有景點(diǎn)的下次提供服務(wù)時(shí)刻，其初始值均為景點(diǎn)開始時(shí)刻，下同。當(dāng)景點(diǎn)處于關(guān)閉期間，游客的等待時(shí)間設(shè)為0，意味著游客必須離開當(dāng)前景點(diǎn)，重新選擇其他景點(diǎn)。

上述算法中，“景點(diǎn)下次提供服務(wù)時(shí)刻”是“等待游玩正在游玩”狀態(tài)切換的時(shí)候確定的；“排隊(duì)等候人數(shù)”在仿真中可以采用“隊(duì)列”結(jié)構(gòu)（劉衛(wèi)東，等，1998）來(lái)模擬，所以根據(jù)隊(duì)列元素個(gè)數(shù)便可獲知等候人數(shù)。

接下來(lái)我們需要確定游憩方向（下一個(gè)景點(diǎn)）的算法，該算法必須是一個(gè)自適應(yīng)的推理決策過程，能根據(jù)現(xiàn)場(chǎng)環(huán)境信息和游客需求，共同確定游客當(dāng)前時(shí)刻的目標(biāo)選擇，最后推送給游客。構(gòu)造的關(guān)鍵在于既要考慮游客自身的個(gè)性化信息，也要考慮現(xiàn)場(chǎng)環(huán)境信息，例如景點(diǎn)本身的運(yùn)營(yíng)情況（包括景點(diǎn)游覽時(shí)間、景點(diǎn)下次提供服務(wù)時(shí)刻和景點(diǎn)開放時(shí)間）、其他游客的位置（主要指他們?cè)诟骶包c(diǎn)的排隊(duì)等候情況）和游客本身的位置，最后從若干個(gè)候選景點(diǎn)中選擇單步成本最少的一個(gè)。表2展示了構(gòu)建的算法。

1.4.2 仿真設(shè)計(jì)

為了檢驗(yàn)上述算法的有效性，我們必須模擬多名游客在景區(qū)的整個(gè)游玩過程，并借助仿真實(shí)驗(yàn)進(jìn)行比較分析。如1.3節(jié)所述，我們使用“離散事件驅(qū)動(dòng)”來(lái)模擬“到達(dá)景區(qū)”和“離開景點(diǎn)”這兩個(gè)事件，并使用虛擬時(shí)鐘來(lái)模擬“前往景點(diǎn)”和“游玩景點(diǎn)”這兩個(gè)活動(dòng)。虛擬時(shí)鐘本質(zhì)上是游客在景區(qū)停留和游玩過程中的時(shí)間粒度（Tick）（黎j，2013）。由于兩個(gè)事件的發(fā)生時(shí)刻均可由系統(tǒng)自動(dòng)確定，故可放在虛擬時(shí)鐘一并處理。借助“最小堆”結(jié)構(gòu)（劉衛(wèi)東，等，1998），不但可以以時(shí)間遞增即時(shí)光流逝的順序逐一模擬所有事件的發(fā)生，而且每次僅需檢查堆頂元素的事件發(fā)生時(shí)刻即可。

利用虛擬時(shí)鐘周期性觸發(fā)的特性（時(shí)鐘每增加一個(gè)步長(zhǎng)，系統(tǒng)自動(dòng)執(zhí)行事件一次，重新決策下一個(gè)Tick的行為），我們構(gòu)造的仿真方案如表3所示。

2 實(shí)驗(yàn)?zāi)M與結(jié)果分析

2.1 系統(tǒng)運(yùn)行參數(shù)

仿真系統(tǒng)采用 Borland C++ Builder 6.0 開發(fā)，運(yùn)行于 Windows 7平臺(tái)。系統(tǒng)將根據(jù)仿真輸入數(shù)據(jù)自動(dòng)生成游客在景區(qū)中的游憩行為，并對(duì)游憩過程進(jìn)行跟蹤、記錄。當(dāng)一個(gè)仿真結(jié)束后，系統(tǒng)將對(duì)所記錄的數(shù)據(jù)進(jìn)行分析并輸出分析結(jié)果。在本文的例子中，系統(tǒng)的輸入包括：景區(qū)的空間布局圖（含各景點(diǎn)之間的路徑長(zhǎng)度）；各景點(diǎn)的基本情況（開始時(shí)刻、關(guān)閉時(shí)刻、景點(diǎn)游覽時(shí)間和景點(diǎn)容量）；游客的信息（到達(dá)時(shí)刻、預(yù)計(jì)離開時(shí)刻和感興趣的景點(diǎn)）。系統(tǒng)的輸出包括游客的游玩次序、等待時(shí)間和實(shí)際離開時(shí)刻。

仿真方案

1. 事件的判斷――檢查堆頂事件的發(fā)生時(shí)刻，如果等于當(dāng)前時(shí)刻，則彈出堆頂事件，直到最小堆為空：

如果是“到達(dá)景區(qū)”事件

游客出現(xiàn)在景區(qū)門口

記錄游客的到達(dá)時(shí)刻、預(yù)計(jì)離開時(shí)刻、感興趣的景點(diǎn)和步速等信息

利用 “游憩方向決策算法”尋找下一個(gè)景點(diǎn)，如果沒有找到（返回值為空值），則游客離開景區(qū)

如果是“離開景點(diǎn)”事件

游客離開景點(diǎn)，利用 “游憩方向決策算法”尋找下一個(gè)景點(diǎn)，如果沒有找到（返回值為空），則游客離開景區(qū)

排隊(duì)靠前的游客設(shè)為正在游玩狀態(tài)，設(shè)置景點(diǎn)下次提供服務(wù)時(shí)刻=當(dāng)前時(shí)刻+景點(diǎn)游覽時(shí)間

隊(duì)列的其他游客依次前移

2. 游客的移動(dòng)――對(duì)每個(gè)游客進(jìn)行判斷：

如果該游客處于等待游玩或正在游玩狀態(tài)，則保持不動(dòng)

否則，該游客向目標(biāo)（“游憩方向決策算法”的返回值）移動(dòng)一步，此時(shí)游客處于棧道行走狀態(tài)

如果游客已到達(dá)景點(diǎn)或景點(diǎn)外排隊(duì)等候隊(duì)列末尾，則：

按照表1的方法計(jì)算游客的等待時(shí)間

如果景點(diǎn)下次提供服務(wù)時(shí)刻+等待時(shí)間>景點(diǎn)關(guān)閉時(shí)刻，則此景點(diǎn)無(wú)法游玩，游客繼續(xù)尋找下一個(gè)景點(diǎn)。否則，游客根據(jù)排隊(duì)情況等待游玩或進(jìn)入游玩

如果景點(diǎn)空閑，則該游客進(jìn)入景點(diǎn)游玩，此時(shí)游客處于正在游玩狀態(tài)。設(shè)置景點(diǎn)下次提供服務(wù)時(shí)刻=當(dāng)前時(shí)刻+景點(diǎn)游覽時(shí)間

否則，游客必須排隊(duì)等候，此時(shí)游客處于等待游玩狀態(tài)

生成“離開景點(diǎn)”事件，事件發(fā)生時(shí)刻=景點(diǎn)游覽時(shí)間+游客等待時(shí)間

2.2 算法比較

為了方便比較，本文引入前人研究（任競(jìng)斐，鄭偉民，2013；肖雄輝，等，2013；鄭天翔，2012）中使用的基于距離的決策方案做分析。在本文的特定因素下，基于最短距離的決策算法（下簡(jiǎn)稱距離算法）如表4所示。

B=g（A）

輸入：A是當(dāng)前游覽完畢的景點(diǎn)或到達(dá)的景區(qū)門口

輸出：B是經(jīng)決策后的下一個(gè)待游覽景點(diǎn)（下一步的游憩方向）

1. 在感興趣的所有未游玩景點(diǎn)中，對(duì)每個(gè)景點(diǎn)C進(jìn)行下面的判斷：

計(jì)算所需成本=A與C之間的路徑長(zhǎng)度/步速，并把景點(diǎn)C加入候選景點(diǎn)集合

如果 所需成本+當(dāng)前時(shí)刻

如果景點(diǎn)C處于關(guān)閉期間

如果景點(diǎn)C的開始時(shí)刻已經(jīng)過了（當(dāng)前時(shí)刻 > 景點(diǎn)C關(guān)閉時(shí)刻），則從候選景點(diǎn)集合中剔除景點(diǎn)C

否則，如果 所需成本+當(dāng)前時(shí)刻

如果景點(diǎn)C處于開放期間

如果 所需成本+當(dāng)前時(shí)刻 > 景點(diǎn)C關(guān)閉時(shí)刻，則從候選景點(diǎn)集合中剔除景點(diǎn)C

否則，從候選景點(diǎn)集合中剔除景點(diǎn)C

2. 如果候選景點(diǎn)集合為空，則返回“空值”；否則，從候選景點(diǎn)集合中選擇成本最少的一個(gè)，作為B返回

2.3 實(shí)驗(yàn)數(shù)據(jù)

假定景區(qū)的空間布局圖如圖3所示。

其中，復(fù)選鈕代表景點(diǎn)和門口，其中以V開頭標(biāo)記的是景點(diǎn)（如V1，…，V5），以G開頭標(biāo)記的是門口（如G1，G2，G3）。景點(diǎn)與景點(diǎn)、景點(diǎn)與門口之間的數(shù)字代表路徑長(zhǎng)度。仿真系統(tǒng)的輸入包括：

?系統(tǒng)參數(shù)：為方便起見，假設(shè)虛擬時(shí)鐘的時(shí)間粒度（Tick）為1秒。

?景點(diǎn)的基本情況：所有景點(diǎn)的游覽時(shí)間統(tǒng)一設(shè)置為20秒，所有景點(diǎn)容量統(tǒng)一設(shè)置為1。至于景點(diǎn)的開始時(shí)刻和關(guān)閉時(shí)刻，景點(diǎn)V1、V2和V3跟隨景區(qū)開放而開放，景點(diǎn)V4的開始時(shí)刻隨機(jī)設(shè)為景區(qū)開放后1分54秒，持續(xù)時(shí)間為2分17秒，景點(diǎn)V5的開始時(shí)刻為景區(qū)開放后1分44秒，持續(xù)時(shí)間為2分30秒。

?游客信息：為了使游客數(shù)據(jù)在兩種算法的仿真實(shí)驗(yàn)中保持一致，我們首先隨機(jī)生成所有游客的信息，然后把這些信息錄入系統(tǒng)，并對(duì)每個(gè)游客生成“到達(dá)事件”，最后全部加入到最小堆中。其中，各游客的預(yù)計(jì)離開時(shí)刻參見2.4.1節(jié)，感興趣的景點(diǎn)參見2.4.2節(jié)，至于各游客的到達(dá)時(shí)刻，由于前后兩次仿真時(shí)刻不可能相同，因此只需保證相對(duì)時(shí)間（相鄰兩個(gè)游客的到達(dá)時(shí)間間隔）一致即可。限于篇幅，僅保留其編號(hào)信息，編號(hào)規(guī)則是按照其到達(dá)景區(qū)的時(shí)間先后進(jìn)行依次編號(hào)的。此外，為簡(jiǎn)單起見，假設(shè)所有游客都從G2到達(dá)。

?仿真系統(tǒng)的輸出：與整個(gè)游覽過程相關(guān)的信息，包括游客的游玩次序、等待時(shí)間和實(shí)際離開時(shí)刻。

2.4 結(jié)果分析

2.4.1 游客等待時(shí)間

兩組算法在游客等待時(shí)間上的結(jié)果如表5和圖4所示。

從表5和圖4可以清楚看到，本文算法的等待時(shí)間在各游客上差別不大（趨勢(shì)線的斜率為0.89），表明游客的等待基本不受其到達(dá)景區(qū)的時(shí)刻先后所影響，而對(duì)于距離算法，到達(dá)時(shí)刻較早的游客等待時(shí)間較短，到達(dá)時(shí)刻較晚的游客等待時(shí)間較長(zhǎng)，因此趨勢(shì)線的斜率較大（4.89）。此外，有研究者指出，游客滿意度是與等待時(shí)間占逗留時(shí)間的比例（張影莎，等，2012）（下簡(jiǎn)稱等逗比）密切相關(guān)的，從表5和圖 5的結(jié)果來(lái)看，本文算法的等逗比在各個(gè)游客上趨于平均，而距離算法則波動(dòng)較大，到達(dá)時(shí)刻較早的游客其等逗比普通較低，到達(dá)較晚的游客等逗比普遍較高，對(duì)編號(hào)為12、13和14的游客來(lái)說(shuō)，花費(fèi)在景點(diǎn)上的等待時(shí)間甚至占據(jù)了在景區(qū)逗留時(shí)間的60%或更多。

2.4.2 游客游玩的景點(diǎn)數(shù)量

收集游客實(shí)際游覽（成功游玩）的景點(diǎn)數(shù)據(jù)，整理后結(jié)果如表6所示。

注：“提前”是指在“尋找下一個(gè)景點(diǎn)”的決策中，選擇任一候選景點(diǎn)都將超過游客預(yù)計(jì)離開時(shí)刻，算法返回值為空，游客提前離開景區(qū)?！板e(cuò)過”是指在“尋找下一個(gè)景點(diǎn)”的決策中，選擇任一候選景點(diǎn)都將超過了景點(diǎn)關(guān)閉時(shí)刻，算法返回值為空，游客未能前往游玩?！斑z憾”是指當(dāng)游客到達(dá)景點(diǎn)后，發(fā)現(xiàn)景點(diǎn)來(lái)不及游玩（已關(guān)閉，或者等候人數(shù)太多超過景點(diǎn)關(guān)閉時(shí)刻，或者超過游客預(yù)計(jì)離開時(shí)刻），無(wú)奈地重新選擇下一個(gè)景點(diǎn)。

從表6可以看到，本文算法與距離算法相比，能夠讓游客成功游玩更多的景點(diǎn)（見表6陰影部分）。此外，從游客所付出的代價(jià)來(lái)看，“提前”和“錯(cuò)過”要比“遺憾”要小。本文算法能提前告知游客候選景點(diǎn)能否游玩，因此沒有出現(xiàn)當(dāng)游客到達(dá)景點(diǎn)后才發(fā)現(xiàn)景點(diǎn)不能游玩的情況；而距離算法則由于無(wú)法提前預(yù)知，因此在模擬過程中出現(xiàn)3次游客到達(dá)景點(diǎn)后才發(fā)現(xiàn)該景點(diǎn)不能游玩的情況：游客11和14（見表5）分別到達(dá)景點(diǎn)V5后、游客16（見表5）到達(dá)景點(diǎn)V4后，詳見下文表8。

2.4.3 景點(diǎn)容量利用率

為了計(jì)算景點(diǎn)容量利用率（張影莎，等，2012），把各景點(diǎn)人數(shù)變動(dòng)的時(shí)刻一一記錄下來(lái)，也就是說(shuō)，記錄游客到達(dá)該景點(diǎn)的時(shí)刻（游玩或等候）或在該景點(diǎn)上游玩結(jié)束離開景點(diǎn)的時(shí)刻，然后記下接待人次和統(tǒng)計(jì)等候人數(shù)。結(jié)果分別如表7和表8所示。

首先，由表7和表8可知，對(duì)于景點(diǎn)V1V5，本文算法分別接待了9、9、11、7、7人次，而距離算法分別接待了6、11、11、6、7人次，由此可見各景點(diǎn)的接待能力大致相同。然而，表7和表8反映了兩個(gè)截然不同的事實(shí)：在本文算法下，各景點(diǎn)的負(fù)荷比較接近，排隊(duì)等候人數(shù)峰值大概為3～4人，而在距離算法下，每個(gè)景點(diǎn)的負(fù)荷非常不均衡，景點(diǎn)V1、V3、V4的排隊(duì)等候人數(shù)峰值在1～2人之間，而景點(diǎn)V5的峰值在4人左右，景點(diǎn)V2的峰值甚至達(dá)到了7人。

注：根據(jù)2.3節(jié)假設(shè)，景點(diǎn)V4的開放時(shí)刻為23：25：58，關(guān)閉時(shí)刻為23：28：15；景點(diǎn)V5的開放時(shí)刻為23：25：48，關(guān)閉時(shí)刻為23：28：18。在23：28：03上，游客16到達(dá)V4后發(fā)現(xiàn)景點(diǎn)快要接近關(guān)閉，不能游玩導(dǎo)致景點(diǎn)V4的接待人次/等候人數(shù)并沒有增加。在23：26：48上，游客11到達(dá)V5后發(fā)現(xiàn)景點(diǎn)外排隊(duì)等候有3人，屆時(shí)輪到自己的時(shí)候景點(diǎn)已經(jīng)關(guān)閉，不能游玩導(dǎo)致景點(diǎn)V5的接待次數(shù)/等候人數(shù)并沒有增加。在23：27：49上，游客14到達(dá)V5后發(fā)現(xiàn)若選擇游玩則將會(huì)超過預(yù)計(jì)離開景區(qū)時(shí)刻，而其他未游覽景點(diǎn)（V1和V4）根據(jù)決策算法也將超時(shí)，因此只能離開景區(qū)。

其次，各景點(diǎn)容量利用率可以借助容量剩余來(lái)間接反映：當(dāng)游客到達(dá)景點(diǎn)后，如果能進(jìn)入游玩而無(wú)需等候，則說(shuō)明該景點(diǎn)處于閑置中，有大量的容量剩余；反之，說(shuō)明該景點(diǎn)處于忙碌中，沒有容量剩余。在表7和表8中，這對(duì)應(yīng)于接待人次（有具體數(shù)值）所在行的等候人數(shù)：如果等候人數(shù)為0，則說(shuō)明景點(diǎn)處于閑置中，反之則處于忙碌中?？梢?，本文算法下各景點(diǎn)的剩余容量大致相同，景點(diǎn)容量利用率基本一致。而距離算法下，景點(diǎn)V1、V3、V4有大量的容量剩余，說(shuō)明這些景點(diǎn)很多時(shí)候處于閑置狀態(tài)，景點(diǎn)容量利用率較低，而景點(diǎn)V2和V5則沒有足夠的容量剩余，說(shuō)明這兩個(gè)景點(diǎn)長(zhǎng)期處于繁忙狀態(tài)，景點(diǎn)容量利用率很高。

2.4.4 景點(diǎn)平均等待時(shí)間

從表5可以計(jì)算出在本文算法和距離算法下游客的平均等待時(shí)間（總等待時(shí)間和總?cè)藬?shù)的比值）（Lovejoy，et al.，2004）分別為66.63秒和72.44秒，顯然，本文算法更占優(yōu)。本節(jié)中，我們將進(jìn)一步比較每個(gè)景點(diǎn)的游客平均等待時(shí)間。

首先定義每個(gè)景點(diǎn)的游客平均等待時(shí)間，其計(jì)算方法為在該景點(diǎn)上的等待時(shí)間之和與在該景點(diǎn)需要等待的游客人數(shù)之比值。該指標(biāo)可以計(jì)算出游客在某個(gè)景點(diǎn)上的等待成本，能客觀反映景區(qū)中各景點(diǎn)的實(shí)際運(yùn)營(yíng)情況。

從表9的結(jié)果來(lái)看，在本文算法下，各景點(diǎn)的平均等待時(shí)間基本一致，表明沒有出現(xiàn)游客在個(gè)別景點(diǎn)高度集中的情況，人群分布較均勻，擁擠程度較低。而在距離算法下，各景點(diǎn)的平均等待時(shí)間存在明顯差異，游客在景點(diǎn)V2和V5所需等待時(shí)間較長(zhǎng)，而在其他景點(diǎn)所需等待時(shí)間則較短，表明游客在景點(diǎn)V2和V5高度集中，擁擠程度嚴(yán)重，而其他景點(diǎn)則隨到隨玩。

表9 兩種算法在“景點(diǎn)平均等待時(shí)間”上的結(jié)果

等待時(shí)間之和（秒）

本文算法距離算法

等待人數(shù)

本文算法距離算法

景點(diǎn)平均等待時(shí)間（秒）

本文算法距離算法

V1289628436.115.5

V218166271025.966.2

V3206818525.816.2

V4196337428.08.3

V51943216832.340.1

3 結(jié)論與討論

本文針對(duì)主題公園游客時(shí)空分流的決策支持系統(tǒng)問題，借助計(jì)算機(jī)推理技術(shù)提出一種基于現(xiàn)場(chǎng)環(huán)境的游憩方向決策算法，并設(shè)計(jì)了一個(gè)計(jì)算機(jī)仿真系統(tǒng)進(jìn)行實(shí)驗(yàn)?zāi)M。與傳統(tǒng)的最短距離算法相比，本文算法在游客等待時(shí)間、游客游玩景點(diǎn)數(shù)量、景點(diǎn)容量利用率和景點(diǎn)平均等待時(shí)間4個(gè)指標(biāo)上均顯示出良好的性能，具有時(shí)空一體化的特性。從實(shí)驗(yàn)結(jié)果來(lái)看，本文所創(chuàng)建的時(shí)空分流模型，讓游客自動(dòng)分流并導(dǎo)航到較少擁擠的景點(diǎn)上，既能均衡各景點(diǎn)的接待能力，同時(shí)能降低游客的等待成本，有助于主題公園的客流時(shí)空分布調(diào)控。與以往時(shí)空分流模型或算法的不同之處在于，它既充分考慮了各景點(diǎn)的開放和運(yùn)營(yíng)情況，也考慮了游客本身的多種需求，同時(shí)還考慮其他游客的位置，從而獲得單步最少成本的路徑。

本文提出的游憩方向決策支持算法，其研究雖然目前停留在模擬階段，但從實(shí)驗(yàn)效果來(lái)看，有助于景區(qū)客流運(yùn)轉(zhuǎn)的可控性和有序化，對(duì)景區(qū)管理者、景點(diǎn)設(shè)施和游客來(lái)說(shuō)都是大有裨益的。首先，對(duì)景區(qū)管理者來(lái)說(shuō)，景區(qū)旅游擁擠加劇和生態(tài)環(huán)境破壞等問題需要對(duì)旅游客流和景區(qū)內(nèi)資源的使用情況進(jìn)行監(jiān)控，以便必要時(shí)進(jìn)行現(xiàn)場(chǎng)疏導(dǎo)，其最大的障礙莫過于無(wú)法掌握游客在景區(qū)內(nèi)的游憩行為。本文算法可以讓景區(qū)管理者了解游客的行蹤（實(shí)踐中需借助物聯(lián)網(wǎng)技術(shù)），算法產(chǎn)生的推薦路線能讓游客自動(dòng)分流并導(dǎo)航到較少擁擠的景點(diǎn)上，不用擔(dān)心熱門景點(diǎn)由于游客過多而出現(xiàn)局部擁堵或混亂的局面，有望節(jié)省用于現(xiàn)場(chǎng)疏導(dǎo)的人力資源。其次，對(duì)景點(diǎn)設(shè)施來(lái)說(shuō)，本文算法能夠均衡各景點(diǎn)的接待能力和承受能力，既不會(huì)造成資源閑置浪費(fèi)，也不會(huì)造成景區(qū)局部擁擠。再者，對(duì)游客來(lái)說(shuō)，在景區(qū)的游憩過程中，擁擠的人群和錯(cuò)綜復(fù)雜的地圖讓他們很難通過目測(cè)或者經(jīng)驗(yàn)獲得最佳旅游線路，本文算法可輔助游客個(gè)性化定制感興趣的景點(diǎn)，并在確定游憩方向（景點(diǎn)的游歷次序）上把繁瑣的自行搜索篩選變?yōu)榱酥鲃?dòng)推送，減少游客在景區(qū)的等待時(shí)間，并有可能增加游客體驗(yàn)項(xiàng)目數(shù)（張影莎，等，2012），從而提高游客的游玩效率。

致謝 感謝暨南大學(xué)深圳旅游學(xué)院吳圳杰對(duì)本文仿真系統(tǒng)的測(cè)試所做的諸多工作。

參考文獻(xiàn)：

[1] 陳建斌，鄭麗，張凌云.智慧景區(qū)IT能力模型及其核心構(gòu)成研究[J].旅游科學(xué)，2014（1）：1421.

[2] 陳治佳，王曦，何苗.大型游樂場(chǎng)快速通道優(yōu)化模型與仿真模擬[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2005（9）：12611263.

[3] 杜軍平，周亦鵬.基于數(shù)據(jù)的旅游管理決策支持系統(tǒng)研究[J].自動(dòng)化學(xué)報(bào)，2009（6）：834840.

[4] 馮剛，任佩瑜，戈鵬，朱忠福，冉建華.基于管理熵與RFID的九寨溝游客高峰期“時(shí)空分流”導(dǎo)航管理模式研究[J].旅游科學(xué)，2010（2）：717.

[5] 馮剛，任佩瑜，肖維陽(yáng)，鄧貴平，蹇代君.基于RFID模式對(duì)景區(qū)生態(tài)保護(hù)的研究――以九寨溝諾日朗餐廳就餐分流為例[J].西南民族大學(xué)學(xué)報(bào) （人文社科版），2009（11）：151154.

[6] 戈鵬，鄭偉民，肖雄輝，邱厭慶，任佩瑜.基于九寨溝區(qū)域時(shí)空負(fù)荷均衡的仿真研究[J].管理工程學(xué)報(bào)，2013（2）：99106.

[7] 姜向陽(yáng)，任佩瑜.自然保護(hù)區(qū)旅游高峰期時(shí)空分流導(dǎo)航管理的模型構(gòu)建與分析[J].旅游科學(xué)，2012（4）：1725.

[8] 黎j.景區(qū)游客游憩行為計(jì)算機(jī)仿真模型[J].旅游科學(xué)，2013（5）：4251.

[9] 黎j，杜栓柱.景區(qū)游憩行為計(jì)算機(jī)仿真系統(tǒng)研究綜述[J].旅游學(xué)刊，2011（7）：8594.

[10] 李仁杰，路紫.旅游個(gè)性化推介服務(wù)的未來(lái)發(fā)展：時(shí)空一體化[J].旅游學(xué)刊，2011（10）：8288.

[11] 梁倩，張宏梅.智慧景區(qū)發(fā)展?fàn)顩r研究綜述[J].西安石油大學(xué)學(xué)報(bào)（ 社會(huì)科學(xué)版），2013（5）：5256.

[12] 劉衛(wèi)東，沈官林，嚴(yán)蔚敏.數(shù)據(jù)結(jié)構(gòu)C++語(yǔ)言描述[M].北京：清華大學(xué)出版社，1998.

[13] 邱厭慶，戈鵬，賴力，吳艷，任佩瑜.九寨溝景區(qū)初態(tài)聚類分流實(shí)證研究[J].資源科學(xué)，2010（10）：19871992.

[14] 邱厭慶，戈鵬，劉柱勝，任佩瑜.基于復(fù)雜系統(tǒng)控制的景區(qū)游客時(shí)空分流導(dǎo)航管理研究[J].軟科學(xué)，2011（9）：5457.

[15] 邱厭慶，戈鵬，任佩瑜.基于九寨溝景點(diǎn)負(fù)荷均衡的時(shí)空分流導(dǎo)航研究[J].資源科學(xué)，2010（1）：118123.

[16] 任競(jìng)斐，鄭偉民.景區(qū)旅游高峰期游客旅游路線動(dòng)態(tài)實(shí)時(shí)調(diào)度仿真研究[J].統(tǒng)計(jì)與決策，2013（8）：4245.

[17] 王仁志，苗維亞.基于M/M/n排隊(duì)論的大型旅游景區(qū)內(nèi)部排隊(duì)現(xiàn)象研究[J].經(jīng)濟(jì)體制改革，2012（3）：177180.

[18] 王曉東.計(jì)算機(jī)算法設(shè)計(jì)與分析[M].第二版.北京：電子工業(yè)出版社，2004.

[19] 吳凱.旅游線路設(shè)計(jì)與優(yōu)化中的運(yùn)籌學(xué)問題[J].旅游科學(xué)，2004（1）：4144.

[20] 肖雄輝，戈鵬，朱虹明，任佩瑜，鄭偉民，章小平.旅游高峰期景區(qū)游客引力分流調(diào)度模型研究――以九寨溝風(fēng)景區(qū)為例[J].旅游科學(xué)，2013（6）：3951.

[21] 張凌云.試論排隊(duì)論在旅游業(yè)中的應(yīng)用――兼析餐廳服務(wù)員的最優(yōu)配置[J].社會(huì)科學(xué)家，1988（1）：4754.

[22] 張影莎，蘇勤，胡興報(bào)，盧松.基于排隊(duì)論的方特歡樂世界主題公園容量研究[J].旅游學(xué)刊，2012（1）：6672.

[23] 鄭天翔.基于動(dòng)態(tài)實(shí)時(shí)調(diào)度的主題公園游客時(shí)空分流導(dǎo)航管理研究[J].旅游科學(xué)，2012（4）：816.

[24] 鄭天翔，吳蓉，羅海媛.國(guó)內(nèi)景區(qū)旅游流調(diào)控研究綜述[J].地理與地理信息科學(xué)，2015（5）：9096.

[25] Akasaka Y，Onisawa T（2008）.Personalized pedestrian navigation system with subjective preference based route selection[M]//Intelligent Decision and Policy Making Support Systems.Berlin Heidelberg：SpringerVerlag，7391.

[26] Button K（2006）.The Disney Queue Line Survival Guidebook[M].Scottsdale：Infinity Publishing.

[27] Cope Iii R F，Cope R F，Davis H E（2008）.Disney’s Virtual Queues：A Strategic Opportunity To CoBrand Services？[J].Journal of Business & Economics Research，6（10），1320.

[28] Erlang A K（1909）.The theory of probabilities and telephone conversations[J].Nyt Tidsskrift for Matematik B，20（16），3339.

[29] Garcia A，Arbelaitz O，Linaza M T，Vansteenwegen P，Souffriau W（2010）.Personalized tourist route generation[M]//Current Trends in Web Engineering.Springer，486497.

[30] Garcia A，Linaza M T，Arbelaitz O，Vansteenwegen P（2009）.Intelligent Routing System for a Personalised Electronic Tourist Guide：Proceedings of the International Conference on Information and Communication Technologies in Tourism，Amsterdam，The Netherlands[C].

[31] Garcia A，Vansteenwegen P，Arbelaitz O，Souffriau W，Linaza M T（2013）.Integrating public transportation in personalised electronic tourist guides[J].Computers & Operations Research，40（3），758774.

[32] Heger C，Offermans S，F(xiàn)rens J（2009）.Waiting as part of the fun：Interactive gaming in theme park queues：Proceedings of the fifth Student Interaction Design Research Conference，Eindhoven University of Technology，the Netherlands[C].

[33] Lovejoy T C，Aravkin A Y，SchneiderMizell C（2004）.Kalman Queue：An Adaptive Approach to Virtual Queueing[J].The UMAP Journal，25（3），337352.

[34] Lutz H（2008）.The impact of virtual queues for amusement parks：Proceedings of the 39th Annual Meeting of the Decision Sciences Institute，Atlanta，Georgia State University[C].

[35] Maruyama A，Shibata N，Murata Y，Yasumoto K，Ito M（2004）.A personal tourism navigation system to support traveling multiple destinations with time restrictions：Proceedings of the 18th International Conference on Advanced Information Networking and Applications，F(xiàn)ukuoka，Japan[C].IEEE.

[36] Nadi S，Delavar M R（2011）.Multicriteria，personalized route planning using quantifierguided ordered weighted averaging operators[J].International Journal of Applied Earth Observation and Geoinformation，13（3），322335.

[37] Panou M（2012）.Personalized application for multimodal route guidance for travellers[J].European Transport Research Review，4（1），1926.

[38] Shiraishi T，Shibata M N N，Nagata M，Shibata N，Murata Y，Yasumoto K，Ito M（2005）.A personal navigation system with a schedule planning facility based on multiobjective criteria：Proc.of 2nd International Conference on Mobile Computing and Ubiquitous Networking[C].Citeseer.

[39] Souffriau W，Vansteenwegen P，Vertommen J，Berghe G V，Oudheusden D V（2008）.A personalized tourist trip design algorithm for mobile tourist guides[J].Applied Artificial Intelligence，22（10），964985.

[40] Sylejmani K，Dorn J，Musliu N（2012）.A Tabu Search approach for Multi Constrained Team Orienteering Problem and its application in touristic trip planning：12th International Conference on Hybrid Intelligent Systems[C].IEEE.

[41] Tsai C Y，Chung S H（2012）.A personalized route recommendation service for theme parks using RFID information and tourist behavior[J].Decision Support Systems，52（2），514527.

[42] Tsiligirides T（1984）.Heuristic methods applied to orienteering[J].Journal of the Operational Research Society，35，797809.

[43] Universal City Studios INC（2002）.Reservation system and methods for theme parks：USA，US2002116235 A1[P].20020822.

[44] Vansteenwegen P，Souffriau W，Berghe G V，Van Oudheusden D（2009b）.Metaheuristics for tourist trip planning[M]//Metaheuristics in the service industry.Berlin Heidelberg：SpringerVerlag，1531.

[45] Vansteenwegen P，Souffriau W，Vanden Berghe G，Van Oudheusden D（2009a）.Iterated local search for the team orienteering problem with time windows[J].Computers & Operations Research，36（12），32813290.

[46] Vansteenwegen P，Van Oudheusden D（2007）.The mobile tourist guide：an OR opportunity[J].OR Insight，20（3），2127.

[47] Yiakoumettis C，Doulamis N，Miaoulis G，Ghazanfarpour D（2013）.Active learning of user’s preferences estimation towards a personalized 3D navigation of georeferenced scenes[J].GeoInformatica，136.

[48] Yu C，Chang H（2009）.Personalized locationbased recommendation services for tour planning in mobile tourism applications[M]//ECommerce and Web Technologies.Berlin Heidelberg：SpringerVerlag，3849.

[49] Zhang L，Li J，Zhou K，Gupta S D，Li M，Zhang W，Miller M A，Misener J A（2011）.Traveler information tool with integrated realtime transit information and multimodal trip planning[J].Transportation Research Record，（2215），110.

Decision Support System to Personalized Route

Guidance Service for Tourists in Theme Parks Based on

Computer Reasoning Technology：Design，Simulation and Comparison

ZHENG Tianxiang1， WU Rong2

（1.Shenzhen Tourism College， Jinan University， Shenzhen 518053， China；

2.Geography and Planning School， Sun YatSen University， Guangzhou 510275， China）

Abstract：

The paper is a study of the decision support system concerning personalized route guidance service for tourists in theme parks. It first outlined a single complete recreational behavior of a tourist while visiting at the park， thus summarizing the components and states related to this behavior. To simulate these components and accomplish the switching states， it presented， using computer reasoning technology， a stateofart model （recreation direction） finding algorithm via contextual environment， which integrated the tourist’s preferences， the availability of the targeted recreation facility （amusement ride） and the queuing situation of other facilities， so as to get the singlestep optimal direction. A computerized simulation system based on discrete event modeling was then implemented and experiment was conducted on an analog dataset as compared with the traditional shortestpath algorithm. The findings show that the proposed model outperforms its competitor in four evaluating indicators including tourist waiting time， amount of nonvisited rides， utilization of each ride and average waiting cost on each ride. The validity of this study depends on its temporalspatial integration by generating an appropriate visiting route for each tourist to follow， which in turn， theoretically， guides him/her to those vacant rides or less congested areas. All these indicate that this work caters to modulating the spatial and temporal distribution of tourist flow in theme parks， where queuing problem generally occurs， by balancing the capacity of each park ride as well as reducing the waiting cost of the tourists.

篇2

關(guān)鍵詞：計(jì)算機(jī)視覺圖像 精密測(cè)量 構(gòu)造幾何模型 信號(hào)源的接收

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）05-1211-02

新型計(jì)算機(jī)視覺圖像精密測(cè)量是一種基于計(jì)算機(jī)程序設(shè)計(jì)以及圖像顯示的高精度的關(guān)鍵技術(shù)，它廣泛用于測(cè)量的領(lǐng)域，對(duì)于測(cè)量的準(zhǔn)確性有很好的保證。這種關(guān)鍵技術(shù)是幾何了光學(xué)的特性，發(fā)揮了圖像學(xué)的顯影性，把普通的測(cè)量技術(shù)瞬間提升到了一個(gè)新的高度。在這項(xiàng)關(guān)鍵技術(shù)中包含了物理學(xué)中光的效應(yīng)，圖像中的傳感器以及計(jì)算機(jī)中的編程軟件，這還不完全，還有一些其他科學(xué)領(lǐng)域知識(shí)的輔助，可以說(shuō)這項(xiàng)關(guān)鍵技術(shù)是一個(gè)非常有技術(shù)含量的技術(shù)，很值得學(xué)者進(jìn)行研究。

1 計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)的具體形式

在以往的測(cè)量中，選擇的測(cè)量方式還是完全采用機(jī)械的形式，但是在使用了計(jì)算機(jī)視覺圖像精密測(cè)量后，完成了許多以往技術(shù)所不能達(dá)到的任務(wù)。在我們的研究中，計(jì)算機(jī)視覺圖像測(cè)量的原理是通過攝像機(jī)將被處理的對(duì)象采集進(jìn)行影像采集，在多個(gè)控制點(diǎn)的數(shù)據(jù)采集完成后，系統(tǒng)會(huì)自動(dòng)將這些圖像進(jìn)行整合，得出相關(guān)的幾何多變參數(shù)，再在計(jì)算機(jī)上以具體的數(shù)據(jù)顯示出來(lái)，以供技術(shù)人員使用參照。

在上面所說(shuō)的攝像機(jī)并不是我們通常意義上生活中使用的攝像機(jī)。它是一種可視化較強(qiáng)，表針比較敏感的測(cè)試儀。可以將視覺中的二維形態(tài)通過顯影，記錄在機(jī)械的光譜儀上，再將這種的二維圖像做數(shù)學(xué)處理，有二階矩陣轉(zhuǎn)換為三階矩陣，通過播放儀呈現(xiàn)出三維的影像。這時(shí)的圖像變?yōu)榱Ⅲw化，更有層次感，效果上也有了明顯的變化，這是一種顯示方法。此外還有一種造價(jià)較高的儀器，我們不常使用，就是圖像提取器。同樣是采集控制點(diǎn)的數(shù)據(jù)，將數(shù)據(jù)整合在系統(tǒng)之內(nèi)，然后對(duì)于原始的圖像進(jìn)行預(yù)處理，不再經(jīng)過有曝光這個(gè)程序，將圖像中關(guān)鍵點(diǎn)的坐標(biāo)在整個(gè)內(nèi)部軸面上體現(xiàn)出來(lái)，提取數(shù)據(jù)幀數(shù)，再運(yùn)用機(jī)器的智能識(shí)別系統(tǒng)，對(duì)控制點(diǎn)的坐標(biāo)進(jìn)行數(shù)據(jù)分析，自動(dòng)生成圖形，這也可以用于精密測(cè)量。它的優(yōu)點(diǎn)就是使用上極其的方面，基本只要架立儀器和打開開關(guān)，其他的工作機(jī)械系統(tǒng)都會(huì)自動(dòng)的完成。使用的困難就是造價(jià)極其的高，不適合一般企業(yè)使用。在基于計(jì)算機(jī)視覺圖像測(cè)量中使用上的原理如下：

1） 計(jì)算出觀察控制點(diǎn)到計(jì)算機(jī)視覺圖像測(cè)量?jī)x器的有效距離；

2） 得出觀察點(diǎn)到目標(biāo)控制點(diǎn)之間的三維的運(yùn)動(dòng)幾何參數(shù)；

3） 推斷出目標(biāo)控制點(diǎn)在整個(gè)平面上的表面特征（ 大多時(shí)候要求形成立體視覺）；

4） 還通過觀察可以判斷出目標(biāo)物體的幾何坐標(biāo)方位。

在整個(gè)計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)中最關(guān)鍵的元件就是壓力應(yīng)變電阻儀，這也是傳感器的一部分。壓力應(yīng)變電阻儀的使用方式是將應(yīng)力片粘貼在控制點(diǎn)位上，事先在物體表面打磨平整，清理干凈后，涂抹丙酮試劑，在液體完全風(fēng)干后就可以黏貼應(yīng)力片，通過導(dǎo)線的聯(lián)接，形成了一小段閉合的電路，時(shí)刻讓計(jì)算機(jī)視覺圖像系統(tǒng)可以感應(yīng)到并作跟蹤觀察。因受到來(lái)自不同方面諧波的影響后，應(yīng)力片會(huì)產(chǎn)生一定數(shù)值的電阻，在電路中，這些電阻會(huì)轉(zhuǎn)化為電流，視覺圖像系統(tǒng)接收到了電流后就會(huì)顯示在儀表盤上相應(yīng)的數(shù)據(jù)，我們就可以根據(jù)儀表盤中的數(shù)據(jù)記錄測(cè)量中的數(shù)據(jù)，很好的解決了原始機(jī)械在使用過程中大量的做無(wú)用功所消耗資源的現(xiàn)象。傳感器對(duì)每個(gè)應(yīng)點(diǎn)都進(jìn)行動(dòng)態(tài)的測(cè)量，將數(shù)據(jù)模轉(zhuǎn)換成現(xiàn)實(shí)中的圖像，精確的成像可以測(cè)算出控制點(diǎn)的位置，用計(jì)算機(jī)視覺圖像精密測(cè)量結(jié)合數(shù)據(jù)方面的相關(guān)的分析，得出施工中的可行性報(bào)告分析，減低了施工中的成本，將施工的預(yù)算控制在一個(gè)合理的范圍之內(nèi)。

當(dāng)無(wú)法觀察到控制點(diǎn)是，計(jì)算機(jī)視覺圖像精密測(cè)量可以通過接收信號(hào)或是相關(guān)的頻率波段來(lái)收集數(shù)據(jù)，不會(huì)因?yàn)橐酝鶞y(cè)量的環(huán)境不好，距離太遠(yuǎn)，誤差太大的影響。

2 計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)分析

在計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)中解決了很多以往很難完成的任務(wù)，但是在使用過程中還是發(fā)生了很多的問題。尤其在視覺圖像的選擇中，無(wú)法使用高幀數(shù)的圖片顯示，無(wú)法將計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)的優(yōu)點(diǎn)發(fā)揮出來(lái)。我們就計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)中常見的問題進(jìn)行討論。

2.1 降低失誤的概率

在很多的數(shù)據(jù)誤差中，有一部分是出現(xiàn)在人為的因素上面。對(duì)于機(jī)器的不熟悉和操作中的疏忽都會(huì)在一定程度上對(duì)圖像的視覺感模擬帶來(lái)麻煩。對(duì)于網(wǎng)絡(luò)設(shè)備的配置上，要經(jīng)常性的學(xué)習(xí)，將配置在可能的情況下設(shè)置的更加合理和使用，保證網(wǎng)絡(luò)連接系統(tǒng)的安全性。為防止更多因操作帶來(lái)的誤差，選用系統(tǒng)登入的制度，用戶在通過識(shí)別后進(jìn)入系統(tǒng)，在采集數(shù)據(jù)后，確定最終數(shù)據(jù)上又相關(guān)的再次確定的標(biāo)識(shí)，系統(tǒng)對(duì)本身有的登錄服務(wù)器和路由器有相關(guān)的資料解釋，記錄好實(shí)用操作的時(shí)間，及時(shí)備份。

2.2 對(duì)于權(quán)限的控制

權(quán)限控制是針對(duì)測(cè)量關(guān)鍵所提出的一種安全保護(hù)措施，它是在使用計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)中對(duì)用戶和用戶組賦予一定的權(quán)限，可以限制用戶和用戶組對(duì)目錄、子目錄、文件、打印機(jī)和其他共享資源的瀏覽和更改。圖像中的運(yùn)行服務(wù)器在停止的情況下可以做出不應(yīng)答的操作指令，立刻關(guān)閉當(dāng)前不適用的界面，加快系統(tǒng)的運(yùn)行速度，對(duì)于每天的日志文件實(shí)時(shí)監(jiān)控，一旦發(fā)現(xiàn)問題及時(shí)解決。對(duì)于數(shù)據(jù)終端的數(shù)據(jù)可采用可三維加密的方法，定時(shí)進(jìn)行安全檢測(cè)等手段來(lái)進(jìn)一步加強(qiáng)系統(tǒng)的安全性。如果通過了加密通道，系統(tǒng)可以將數(shù)據(jù)自動(dòng)的保存和轉(zhuǎn)換為視圖模式，對(duì)于數(shù)據(jù)的審計(jì)和運(yùn)行可以同時(shí)進(jìn)行，這樣就可以很好的保證大地測(cè)量中的圖像數(shù)據(jù)安全，利用防護(hù)墻將采集中廢棄的數(shù)據(jù)革除在外，避免數(shù)值之間發(fā)生紊亂的現(xiàn)象，進(jìn)一步改善計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)。

2.3 開啟自動(dòng)建立備份系統(tǒng)

計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)的完善中會(huì)常遇到系統(tǒng)突然崩潰或是圖像受到嚴(yán)重干擾導(dǎo)致無(wú)法轉(zhuǎn)換的一系列情況，發(fā)生這種情況最大的可能性就是系統(tǒng)在處理多組數(shù)據(jù)后無(wú)法重新還原成進(jìn)入界面。這時(shí)為保證圖片轉(zhuǎn)換成數(shù)字的系統(tǒng)數(shù)據(jù)不丟失，我們對(duì)系統(tǒng)進(jìn)行備份。選定固定的磁盤保存數(shù)據(jù)，定期將產(chǎn)生的數(shù)據(jù)（轉(zhuǎn)換前的圖像和轉(zhuǎn)換后的數(shù)值）導(dǎo)出，保證程序的正常運(yùn)行。當(dāng)系統(tǒng)一旦發(fā)生錯(cuò)誤，可以盡快的恢復(fù)數(shù)據(jù)的初始狀態(tài)，為測(cè)量任務(wù)的完成爭(zhēng)取更多的時(shí)間。我們還要減少信號(hào)源周圍的干擾，定期的更新系統(tǒng)數(shù)據(jù)庫(kù)，保持?jǐn)?shù)據(jù)采集的穩(wěn)定性，把攝像機(jī)記錄出的數(shù)據(jù)節(jié)點(diǎn)保存在相應(yīng)的技術(shù)圖紙上，用這樣的方式來(lái)知道測(cè)量工作。系統(tǒng)備份的數(shù)據(jù)還可以用于數(shù)據(jù)的對(duì)比，重復(fù)測(cè)量后得出的數(shù)據(jù)，系統(tǒng)會(huì)自動(dòng)也備份的數(shù)據(jù)進(jìn)行比對(duì)，發(fā)現(xiàn)誤差值在規(guī)定以外，就會(huì)做出相應(yīng)的預(yù)警，這樣也能在工作中降低出現(xiàn)誤差的概率。

3 計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)遇到的困難和使用前景

計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)作為一種新興技術(shù)在使用時(shí)間上不過十幾年，其使用的程度已經(jīng)無(wú)法估算。正是因?yàn)樗暮?jiǎn)單、使用、精度高以及自動(dòng)化能力卓越的特點(diǎn)受到了測(cè)量單位的廣泛青睞。在測(cè)量方面的這些可靠性和穩(wěn)定性也是有目共睹的。在土木和機(jī)械測(cè)量的行業(yè)計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)都會(huì)有廣泛和良好的使用，前景也是十分的廣闊。但是不容忽視該技術(shù)也有一些弊端。這項(xiàng)關(guān)鍵技術(shù)中涵蓋的學(xué)科非常的多，涉及到的知識(shí)也很全面，一旦出現(xiàn)了機(jī)器的故障，在維修上還是一個(gè)很大的問題，如何很好的解決計(jì)算機(jī)視覺圖像技術(shù)的相關(guān)核心問題就是當(dāng)下亟待解決的。

我們都知道，人的眼睛是可以受到吱聲的控制，想要完成觀測(cè)是十分簡(jiǎn)單的，但是在計(jì)算機(jī)視覺圖像技術(shù)中，畢竟是采取攝像機(jī)取景的模式，在取得的點(diǎn)位有的時(shí)候不是特別的有代表性，很難將這些問題具體化、形象化。達(dá)不到我們?cè)O(shè)計(jì)時(shí)的初衷。所以在這些模型的構(gòu)建中和數(shù)據(jù)的轉(zhuǎn)換上必須有嚴(yán)格的規(guī)定和要求，切不可盲目的實(shí)施測(cè)量，每項(xiàng)技術(shù)操作都要按規(guī)程來(lái)實(shí)施。

上文中也談到了，計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)中最主要的構(gòu)建是傳感器，一個(gè)合理的傳感器是體統(tǒng)的“心臟”，我們?cè)趦x器的操作中，不能時(shí)時(shí)刻刻對(duì)傳感器進(jìn)行檢查，甚至這種高精度的元件在檢查上也并不是一件簡(jiǎn)單的事情，通過不斷的研究，將傳感器的等級(jí)和使用方法上進(jìn)行一定的創(chuàng)新也是一項(xiàng)科研任務(wù)。

4 結(jié)束語(yǔ)

在測(cè)量工程發(fā)展的今天，很多的測(cè)量技術(shù)已經(jīng)離不了計(jì)算機(jī)視覺圖像技術(shù)的輔助，該文中詳細(xì)的談到了基于計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)方面的研究，對(duì)于之中可能出現(xiàn)的一些問題也提出了相應(yīng)的解決方案。測(cè)量工程中計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)可以很好的解決和完善測(cè)量中遇到的一些問題，但是也暴露出了很多的問題。

將基于計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)引入到測(cè)量工程中來(lái)，也是加強(qiáng)了工程建設(shè)的信息化水平?？梢灶A(yù)見的是，在未來(lái)使用計(jì)算機(jī)視覺圖像技術(shù)建立的測(cè)量模型會(huì)得到更多、更好的應(yīng)用。但作為一個(gè)長(zhǎng)期復(fù)雜的技術(shù)工程，在這個(gè)建設(shè)過程中定會(huì)有一些困難的出現(xiàn)。希望通過不斷的發(fā)現(xiàn)問題、總結(jié)經(jīng)驗(yàn)，讓計(jì)算機(jī)視覺圖像精密測(cè)量的關(guān)鍵技術(shù)在測(cè)量中作用發(fā)揮的更好。

參考文獻(xiàn)：

[1] 湯劍，周芳芹，楊繼隆.計(jì)算機(jī)視覺圖像系統(tǒng)的技術(shù)改造[J].機(jī)電產(chǎn)品開發(fā)與創(chuàng)新周刊，2005，14（18）：33-36.

[2] 段發(fā)階，等. 拔絲?？仔斡?jì)算機(jī)視覺檢測(cè)技術(shù)[J]. 光電工程時(shí)報(bào)， 1996，23（13）：189-190.

篇3

關(guān)鍵詞：計(jì)算機(jī)視覺技術(shù) 鐵路檢測(cè) 應(yīng)用

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-3973（2012）002-075-03

1 前言

自1825年世界第一條鐵路在英國(guó)出現(xiàn)以來(lái)，鐵路已經(jīng)成為人們不可或缺的交通工具，越來(lái)越多的人在使用鐵路出行，由于近年來(lái)鐵路事故頻頻發(fā)生，促使了計(jì)算機(jī)視覺技術(shù)在鐵路檢測(cè)上的廣泛使用并大力發(fā)展。

傳統(tǒng)的鐵路檢測(cè)一直是靠人工和靜態(tài)檢測(cè)，這種檢測(cè)缺乏實(shí)時(shí)性和準(zhǔn)確性，并且效率低下，根本無(wú)法滿足鐵路的發(fā)展。這就要求研究一種新的檢測(cè)方法來(lái)適應(yīng)環(huán)境的發(fā)展，人們就試圖將計(jì)算機(jī)視覺技術(shù)應(yīng)用于鐵路檢測(cè)上，并取得了很好的效果。將計(jì)算機(jī)視覺技術(shù)應(yīng)用在鐵路檢測(cè)上顯著提高了鐵路檢測(cè)的實(shí)時(shí)性、準(zhǔn)確性，有效的減輕了人工檢測(cè)中工作條件惡劣，工作量大等缺點(diǎn)。它能在列車行駛的過程中就能對(duì)鐵路和列車狀況進(jìn)行檢測(cè)，并及時(shí)的做出預(yù)警，防止安全事故的發(fā)生。目前有關(guān)鐵路檢測(cè)主要集中在鐵路信號(hào)檢測(cè)、軌道檢測(cè)、接觸網(wǎng)檢測(cè)、電力機(jī)車檢測(cè)及站臺(tái)環(huán)境監(jiān)測(cè)等五個(gè)方面。

2 計(jì)算機(jī)視覺技術(shù)

計(jì)算機(jī)視覺，也稱機(jī)器視覺。它是利用一個(gè)代替人眼的圖像傳感器獲取物體的圖像，將圖像轉(zhuǎn)換成數(shù)字圖像，并利用計(jì)算機(jī)模擬人的判別準(zhǔn)則去理解和識(shí)別圖像，達(dá)到分析圖像和作出結(jié)論的目的。

計(jì)算機(jī)視覺是多學(xué)科的交叉和結(jié)合，涉及到數(shù)學(xué)、光學(xué)、人工智能、神經(jīng)生物學(xué)、心理物理學(xué)、計(jì)算機(jī)科學(xué)、圖像處理、圖像理解、模式識(shí)別等多個(gè)領(lǐng)域。計(jì)算機(jī)視覺已有多年的發(fā)展歷程。隨著計(jì)算機(jī)、控制理論、模式識(shí)別、人工智能和生物技術(shù)的發(fā)展，計(jì)算機(jī)視覺在機(jī)器人、工業(yè)檢測(cè)、物體識(shí)別的應(yīng)用越來(lái)越廣，研究方向也從二維到三維，從串行到并行，從直接依賴于輸入信號(hào)的低層處理到依賴于特征、結(jié)構(gòu)、關(guān)系和知識(shí)的高層處理。

一般的計(jì)算機(jī)視覺系統(tǒng)是有CCD(電荷耦合器件)攝像機(jī)、裝備有圖像采集板的計(jì)算機(jī)、光照系統(tǒng)以及專用圖像處理軟件等組成。CCD攝像機(jī)將所要研究的對(duì)象和背景以圖像的形式記錄下來(lái)，這其實(shí)是一個(gè)光電傳感器，將光學(xué)信號(hào)轉(zhuǎn)成電信號(hào)，圖像采集板把采集的電信號(hào)轉(zhuǎn)為數(shù)字信號(hào)，即數(shù)字化，一般情況下在攝取圖像時(shí)都需要一個(gè)照明系統(tǒng)提供光照，然后再用專用的圖像處理軟件對(duì)圖像進(jìn)行處理，輸出分析結(jié)果。

3 計(jì)算機(jī)視覺技術(shù)在鐵路信號(hào)中的應(yīng)用

鐵路信號(hào)燈和現(xiàn)在的交通公路上的紅綠燈是一個(gè)功能，但鐵路和公路不同，鐵路有限定的道路，列車必須在限定的股道上行駛，所以一旦與其他車輛相遇的話根本沒有辦法避讓，如果發(fā)生車禍將會(huì)對(duì)國(guó)家和人民的生命和財(cái)產(chǎn)造成嚴(yán)重的損失，因此列車必須嚴(yán)格按照信號(hào)燈的指示行駛。

鐵路信號(hào)燈識(shí)別主要是利用了信號(hào)燈在不同情況下會(huì)發(fā)出特定色彩光的特點(diǎn)。文獻(xiàn)[1]在HSV空間中對(duì)S分量圖像邊緣檢測(cè)和膨脹等，結(jié)合各種信號(hào)燈色調(diào)H分量的取值范圍得到信號(hào)燈區(qū)域，然后多次腐蝕直到消除孤立點(diǎn)得到信號(hào)燈的邊緣，最后填充信號(hào)燈區(qū)域，從而實(shí)現(xiàn)了信號(hào)燈的識(shí)別。在文獻(xiàn)[2]也與此類似。文獻(xiàn)[3]將彩色圖像由RGB模式轉(zhuǎn)化為HSI模式，用彩色特征聚類分析法來(lái)對(duì)圖像進(jìn)行分割，文中提出了基于顏色和形狀相結(jié)合的復(fù)雜環(huán)境中目標(biāo)檢測(cè)與識(shí)別方法，用Hough變化來(lái)提取目標(biāo)邊界，從而提取出特定目標(biāo)，而后得到指示燈區(qū)域所有像素的H，S統(tǒng)計(jì)值確定信號(hào)燈的顏色。在文獻(xiàn)[4]提出一種基于改進(jìn)的Hough變化的吊車信號(hào)燈識(shí)別算法。Roberto將攝取的圖片轉(zhuǎn)換到HIS顏色空間，用基于形狀特征和模板匹配的方法探測(cè)到相關(guān)的鐵路標(biāo)志而放棄無(wú)關(guān)的基礎(chǔ)設(shè)施。

為了部分消除因?yàn)楣庹諚l件、背景和拍攝角度對(duì)目標(biāo)識(shí)別的影響，文獻(xiàn)[5]提出使用一種利用sift特征的方法，它首先建立已知樣本模型的特征集，然后將視頻流每幀灰度圖像的sift特征與之比較，從而實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)或跟蹤。實(shí)驗(yàn)表明該方法不僅能避免目標(biāo)的錯(cuò)誤識(shí)別，而且也明顯優(yōu)于基于邊緣檢測(cè)的算法，在識(shí)別準(zhǔn)確率上達(dá)到了90%。

4 計(jì)算機(jī)視覺技術(shù)在軌道檢測(cè)中的應(yīng)用

隨著世界鐵路運(yùn)營(yíng)速度的不斷提高，列車在行駛時(shí)對(duì)軌道的撞擊、摩擦加劇，這就會(huì)造成軌道的變形、零件松動(dòng)、磨損乃至缺失等，這些都會(huì)對(duì)列車的安全性造成嚴(yán)重影響，極有可能會(huì)造成鐵路安全事故的發(fā)生。因此軌道設(shè)備具備良好的狀態(tài)是鐵路運(yùn)輸安全的重要保證。

隨著電子技術(shù)和檢測(cè)技術(shù)的發(fā)展，軌道檢測(cè)技術(shù)也經(jīng)歷了翻天覆地的變化，其中也有不少研究機(jī)構(gòu)將計(jì)算機(jī)視覺技術(shù)應(yīng)用于軌道檢測(cè)上，且取得了若干有效的檢測(cè)方法。

軌道表面缺陷對(duì)列車行駛的質(zhì)量和鐵路系統(tǒng)的安全性會(huì)造成嚴(yán)重的影響，文獻(xiàn)[7]提出了一種軌道表面缺陷檢測(cè)的實(shí)時(shí)視覺檢測(cè)系統(tǒng)。利用跟蹤提取算法分割出軌道的灰度圖像，然后用局部歸一化法增強(qiáng)軌道圖像的對(duì)比度，最后用基于投影輪廓的缺陷定位法檢測(cè)缺陷。該算法對(duì)噪聲有較強(qiáng)的魯棒性和計(jì)算速度快，在一定程度上克服了光照不均和軌道表面反射性質(zhì)不同對(duì)圖像的影響，但對(duì)局部歸一化過程中參數(shù)的選擇有待進(jìn)一步研究，以使該系統(tǒng)有更強(qiáng)的魯棒性。該系統(tǒng)在216km/h速度下能進(jìn)行實(shí)時(shí)檢測(cè)，但隨著檢測(cè)速度的提高檢測(cè)的準(zhǔn)確度會(huì)明顯下降且缺乏實(shí)時(shí)性。

文獻(xiàn)[8]利用一排結(jié)構(gòu)光視覺傳感器，將鋼軌輪廓的大圓周和小圓周的中心作為檢查點(diǎn)。首先結(jié)構(gòu)光視覺傳感器拍攝鐵軌側(cè)面并且將其標(biāo)記 在參考坐標(biāo)幀中，最后通過比較測(cè)量的鋼軌輪廓與參考輪廓的比較計(jì)算出鐵軌磨損程度。該方法簡(jiǎn)單快速精確且不需要特殊的圖像處理設(shè)備，在列車較高速度時(shí)仍然能達(dá)到良好效果。

5 計(jì)算機(jī)視覺技術(shù)在接觸網(wǎng)檢測(cè)中的應(yīng)用

接觸網(wǎng)是沿鐵路線上空架設(shè)的向電力機(jī)車供電的特殊形式的輸電線路。其由接觸懸掛、支持裝置、定位裝置、支柱與基礎(chǔ)幾部分組成。它是軌道交通的主要組成部分，主要為機(jī)車提供動(dòng)力，接觸網(wǎng)的連接件由于受外界因素的影響容易產(chǎn)生過熱現(xiàn)象，嚴(yán)重時(shí)會(huì)導(dǎo)致供電中斷，引發(fā)列車停運(yùn)事故。

我國(guó)的計(jì)算機(jī)視覺技術(shù)的接觸網(wǎng)檢測(cè)系統(tǒng)是基于德國(guó)相關(guān)技術(shù)而建立起來(lái)的，目前基于計(jì)算機(jī)視覺技術(shù)的接觸網(wǎng)磨耗檢測(cè)主要有兩種方案：(1)基于鏡面反射，激光照射接觸線，線性CCD照相機(jī)捕獲反射圖像；(2)基于漫反射原理和CMOS(互補(bǔ)金屬氧化物半導(dǎo)體)照相機(jī)。由于長(zhǎng)期的頻繁摩擦，接觸網(wǎng)與受電弓接觸部分很少被空氣氧化，所以用光進(jìn)行照射時(shí)該部分光反射率明顯高于其他部分，因此這也為計(jì)算機(jī)視覺技術(shù)用于接觸網(wǎng)檢測(cè)提供了可能。

基于機(jī)器視覺的接觸網(wǎng)檢測(cè)系統(tǒng)主要是建立在圖像識(shí)別和圖像處理等視覺技術(shù)基礎(chǔ)之上的，檢測(cè)的內(nèi)容涵蓋接觸網(wǎng)的所有基本幾何參數(shù)。隨著鐵路的發(fā)展，原有的檢測(cè)系統(tǒng)已經(jīng)暴露出了一些問題，已無(wú)法滿足需求，所以研究人員在系統(tǒng)硬件設(shè)備不變的情況下提出了許多改進(jìn)的算法，如文獻(xiàn)[9]針對(duì)現(xiàn)行的接觸網(wǎng)定位器傾斜度檢測(cè)方法效率低下、精確度不高的缺點(diǎn)，提出了一種基于計(jì)算機(jī)視覺的接觸網(wǎng)定位器傾斜度自動(dòng)測(cè)量裝置，應(yīng)用圖像分割、剔除干擾線、圖像細(xì)化等算法，對(duì)采集的圖像進(jìn)行處理，然后利用改進(jìn)的霍夫(Hough)變換檢測(cè)細(xì)化后的圖像，對(duì)相鄰的特征像素點(diǎn)進(jìn)行聚類并感知編組，最后用隨機(jī)Hough變換使感知編組后的每條線段更接近直線，進(jìn)而計(jì)算裝置中定位器的傾斜度，實(shí)驗(yàn)證明該算法精度高、速度快。

6 計(jì)算機(jī)視覺技術(shù)在電力機(jī)車檢測(cè)中的應(yīng)用

在列車的行進(jìn)過程中，機(jī)車車輪與鋼軌接觸面不斷發(fā)生摩擦，也就是輪緣與踏面的摩擦。從而會(huì)造成踏面的擦傷或剝離，而剝離會(huì)嚴(yán)重影響列車運(yùn)行的安全性和平穩(wěn)性以及軌道設(shè)施的使用壽命，因此需要對(duì)輪緣進(jìn)行定期的檢測(cè)和維修。

傳統(tǒng)的檢測(cè)方法需要人工逐項(xiàng)檢測(cè)，存在費(fèi)時(shí)費(fèi)力、工作量大、工作環(huán)境差、效率低等缺點(diǎn)，所以人們就提出了一種基于計(jì)算機(jī)視覺技術(shù)的檢測(cè)技術(shù)，該技術(shù)是一種非接觸式檢測(cè)方法，它能檢測(cè)出所有關(guān)于火車輪緣輪廓的幾何參數(shù)，從而計(jì)算出火車輪緣的磨損情況。這種檢測(cè)方法檢測(cè)速度快、準(zhǔn)確率高且大大減輕了勞動(dòng)強(qiáng)度，在實(shí)驗(yàn)中取得了滿意的效果，并且在實(shí)際檢測(cè)中也得到了廣泛的應(yīng)用。

文獻(xiàn)[10]中研發(fā)設(shè)計(jì)了一種利用CCD成像測(cè)量技術(shù)、圖像處理理論和計(jì)算機(jī)控制等相關(guān)技術(shù)，提出了一種非接觸式的在線測(cè)量系統(tǒng)。采用二元多項(xiàng)式方法對(duì)由于硬件裝置引起的誤差的圖像進(jìn)行幾何校正，用統(tǒng)計(jì)均值法對(duì)圖像進(jìn)行分割，從而求出車輪踏面的各項(xiàng)參數(shù)，通過在實(shí)驗(yàn)室對(duì)標(biāo)準(zhǔn)物進(jìn)行測(cè)試實(shí)驗(yàn)而得到的測(cè)量數(shù)據(jù)結(jié)果進(jìn)行分析而得出。此系統(tǒng)能夠完成對(duì)火車輪對(duì)幾何參數(shù)的測(cè)量，并且可得到相對(duì)準(zhǔn)確的測(cè)量結(jié)果。

為了解決檢測(cè)輪緣高度和寬度存在精度難以保證及穩(wěn)定性不高的問題，文獻(xiàn)[11]提出了一種基于三角法測(cè)量的在線監(jiān)測(cè)系統(tǒng)，該系統(tǒng)由CCD高速攝像機(jī)和結(jié)構(gòu)光發(fā)射器完成數(shù)據(jù)的采集，然后利用三角測(cè)量原理導(dǎo)出測(cè)量模型和計(jì)算模型，根據(jù)輪緣高度和寬度的定義完成對(duì)高度和寬度的測(cè)量，最終對(duì)輪緣磨損程度進(jìn)行量化，實(shí)驗(yàn)表明該算法測(cè)量精度高，結(jié)果穩(wěn)定可靠。

7 計(jì)算機(jī)視覺技術(shù)在站臺(tái)環(huán)境監(jiān)測(cè)中的應(yīng)用

近年來(lái)鐵路交通事業(yè)發(fā)展迅速，鐵路客流量也不斷增大，如中國(guó)每年的春運(yùn)期間都有上億人次通過火車返鄉(xiāng)，各種危害乘客安全的事故也時(shí)有發(fā)生，因此世界各國(guó)特別是中國(guó)站臺(tái)監(jiān)控就顯得越來(lái)越重要，目前的站臺(tái)監(jiān)控主要是依靠安裝在各個(gè)角落的閉路電視或?qū)I(yè)技術(shù)人員，這不僅需要專業(yè)技術(shù)知識(shí)還需要大量的人力物力。隨著計(jì)算機(jī)、圖像處理等技術(shù)的快速發(fā)展，對(duì)站臺(tái)的自動(dòng)監(jiān)控也逐漸成為發(fā)展趨勢(shì)。

近年來(lái)人們做了許多關(guān)于站臺(tái)人群檢測(cè)的研究，這些研究大都使用鐵路站臺(tái)中的閉路電視（CCTV）系統(tǒng)，在現(xiàn)代的CCTV系統(tǒng)中基本上使用的是數(shù)字化圖像，在人群監(jiān)測(cè)過程中大量使用了數(shù)字圖像處理技術(shù)，如邊緣檢測(cè)、細(xì)化、像素計(jì)算等，通過圖像的處理可以輕易的得到想要的結(jié)果。

文獻(xiàn)[12]仍采用原有的CCTV監(jiān)控系統(tǒng)拍攝的灰度圖像作為處理對(duì)象，利用基于視覺的經(jīng)過最小二乘法和全局搜索的混合算法訓(xùn)練的工業(yè)的額神經(jīng)網(wǎng)絡(luò)來(lái)估算站臺(tái)的擁擠程度，該系統(tǒng)在實(shí)際的運(yùn)行中獲得了較高的精確度，雖然不能計(jì)算人數(shù)但卻能實(shí)時(shí)的預(yù)測(cè)人群的密度。

文獻(xiàn)[13]所設(shè)計(jì)的系統(tǒng)就較為復(fù)雜，它利用多臺(tái)攝像頭對(duì)站臺(tái)進(jìn)行檢測(cè)。首先判斷站臺(tái)上列車的四種狀態(tài)，如：沒有列車、有列車、列車正在出站、列車正在入站等，然后對(duì)物體或行人檢測(cè)及跟蹤，最后對(duì)所檢測(cè)的結(jié)果綜合分析，做出合理的預(yù)警或警告。

8 計(jì)算機(jī)視覺技術(shù)在鐵路檢測(cè)上的發(fā)展趨勢(shì)

隨著計(jì)算機(jī)視覺技術(shù)的鐵路檢測(cè)中的應(yīng)用越來(lái)越廣泛和深入，并且隨著計(jì)算機(jī)視覺技術(shù)等關(guān)鍵技術(shù)的不斷發(fā)展，計(jì)算機(jī)視覺技術(shù)在鐵路檢測(cè)上應(yīng)用發(fā)揮更大的作用，它就目前而言在鐵路檢測(cè)的應(yīng)用上仍然存在技術(shù)難題需要研究：

篇4

關(guān)鍵詞：動(dòng)態(tài)場(chǎng)景；自適應(yīng)預(yù)測(cè)；多特征融合；計(jì)算機(jī)視覺；運(yùn)動(dòng)目標(biāo)

接受信息的關(guān)鍵手段之一就是視覺系統(tǒng)，隨著科學(xué)技術(shù)水平的不斷發(fā)展，以及計(jì)算機(jī)和信號(hào)處理理論的誕生，讓機(jī)器擁有人類視覺功能已經(jīng)不再是夢(mèng)。對(duì)所采集視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤、檢測(cè)，并對(duì)其目標(biāo)行為進(jìn)行分析，就是運(yùn)動(dòng)目標(biāo)分析的內(nèi)容，運(yùn)動(dòng)目標(biāo)分析是計(jì)算機(jī)視覺領(lǐng)域關(guān)鍵內(nèi)容之一，其屬于圖像理解與圖像分析的范疇。而在運(yùn)動(dòng)目標(biāo)分析系統(tǒng)中，跟蹤與檢測(cè)運(yùn)動(dòng)目標(biāo)則為中級(jí)和低級(jí)處理部分，是分析與理解行為的高等層分析模塊的基礎(chǔ)。檢測(cè)與跟蹤運(yùn)動(dòng)目標(biāo)技術(shù)主要包括了：機(jī)器人視覺導(dǎo)航、軍事領(lǐng)域、運(yùn)動(dòng)圖像編碼、交通管制、視覺監(jiān)視等。

1目標(biāo)檢測(cè)算法

連續(xù)圖像序列由視頻中提取出，由前景區(qū)域與背景區(qū)域共同組成了整個(gè)畫面。前景區(qū)域包含了如運(yùn)動(dòng)的人體、車輛等動(dòng)態(tài)要素，它是指人們較為感興趣的區(qū)域。而背景區(qū)域主要包含例如樹木、建筑物等靜態(tài)要素，它的像素值僅發(fā)生微弱變化或者不產(chǎn)生變化。在連續(xù)圖像序列中，采用一系列算法分隔開背景區(qū)域和前景區(qū)域，將運(yùn)動(dòng)目標(biāo)信息有效提取，則為運(yùn)動(dòng)目標(biāo)檢測(cè)。以靜態(tài)場(chǎng)景為基礎(chǔ)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法包括了光流法、背景差分法、幀間查分法等，文章主要針對(duì)背景差分法進(jìn)行介紹。

背景差分法通常適用于靜態(tài)場(chǎng)景，其是將背景圖像與當(dāng)前幀圖像進(jìn)行差分，運(yùn)動(dòng)目標(biāo)依靠閥值化進(jìn)行檢測(cè)，因?yàn)樵撍惴▋H能夠在背景變化緩慢或者不發(fā)生變化的情況下應(yīng)用，因此就有著一定的局限性。假設(shè)當(dāng)前幀圖像為fk（x，y），背景圖像B（x，y）可通過一定的方法得出，而這時(shí)背景差分圖像則為：

（1）

而假設(shè)二值化閥值為Th，二值化圖像B（x，y）則為：

（2）

運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果可通過數(shù)學(xué)形態(tài)學(xué)處理獲得。

2 背景模型的實(shí)時(shí)更新

要更新背景圖像可采用一階KALMAN濾波來(lái)實(shí)現(xiàn)，為了克服氣候變化、光照變化等外部環(huán)境變化對(duì)運(yùn)動(dòng)檢測(cè)產(chǎn)生的影響，采用一階KALMAN濾波更新背景圖像公式如下：

Bk+1（p）=Bk（p）+g（Ik（p）-Bk（p）） （3）

而增益因子則為：g=？琢1（1-Mk（p））+？琢2Mk（p） （4）

公式中？琢1和？琢2是權(quán)值系數(shù)；M是第k時(shí)刻二值化后目標(biāo)圖像中p像素的值；B為背景圖像；I為當(dāng)前幀圖像。要想將運(yùn)動(dòng)目標(biāo)從背景序列圖像中有效分割出來(lái)，就必須要達(dá)到？琢2足夠小的條件，且？琢1應(yīng)等于或者大于10？琢2，若？琢1值過大，就會(huì)將算法自身的去噪特性喪失，在序列背景圖像中也會(huì)存儲(chǔ)越來(lái)越多的運(yùn)動(dòng)變化。

3 更新車輛目標(biāo)模型

核與活動(dòng)輪廓算法具有效率高、技術(shù)復(fù)雜度低等特點(diǎn)，它以非參數(shù)核概率密度估計(jì)理論為基礎(chǔ)，在視頻運(yùn)動(dòng)目標(biāo)跟蹤中廣泛應(yīng)用。彩色圖像序列通過攝像機(jī)獲取，人臉目標(biāo)模型可以采用RGB顏色空間來(lái)進(jìn)行描述。在跟蹤車輛的過程中，噪聲、遮擋、光照等干擾或多或少存在，因干擾因素的存在，車輛像素特征也會(huì)發(fā)生相應(yīng)的微弱變化。若不對(duì)目標(biāo)模型進(jìn)行更新，會(huì)對(duì)跟蹤精度產(chǎn)生影響，所以，采用的矩形模板會(huì)包括一定背景。而在實(shí)施跟蹤的過程中，要對(duì)車輛目標(biāo)模型進(jìn)行更換。如果其過程物遮擋，當(dāng)BHATTACHARYYA系數(shù)滿足？籽>Tudm條件時(shí)，更新車輛目標(biāo)模型，更新模型為：

（5）

公式中Tudm是模板更新閥值；qk-1是更新之前的車輛目標(biāo)模型。通過視頻跟蹤，在近場(chǎng)景和遠(yuǎn)場(chǎng)景拍攝到的視頻中，多尺度圖像空間由各個(gè)幀圖像構(gòu)成。例如：將將書本作為跟蹤對(duì)象，由遠(yuǎn)及近從書本的正上方拍攝六十幀圖像，為了能使矩形框正好能夠包含書本，對(duì)每幀圖像張書本手工劃定矩形框，并對(duì)框內(nèi)圖像的信息量進(jìn)行統(tǒng)計(jì)。最后，隨書本尺度的變化，給出圖像信息量變化曲線。

4 計(jì)算機(jī)視覺原理

計(jì)算機(jī)視覺是一門研究怎樣使機(jī)器進(jìn)行觀察的科學(xué)，更切確地說(shuō)，就是指利用電腦和攝影機(jī)代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量等機(jī)器視覺，并進(jìn)一步做圖形處理，用電腦處理成為傳送給儀器檢測(cè)或更適合人眼觀察的圖像。計(jì)算機(jī)視覺研究相關(guān)的理論和技術(shù)作為一個(gè)科學(xué)學(xué)科，嘗試創(chuàng)建能夠從圖像或者多維數(shù)據(jù)中獲取信息的人工智能系統(tǒng)。這里所指的信息指Shannon定義的，可以用來(lái)幫助做一個(gè)決定的信息。因?yàn)楦兄梢钥醋魇菑母泄傩盘?hào)中提取信息，所以計(jì)算機(jī)視覺也可以看作是研究如何使人工系統(tǒng)從圖像或多維數(shù)據(jù)中感知的科學(xué)。

計(jì)算機(jī)視覺就是由計(jì)算機(jī)來(lái)代替大腦完成處理和解釋，用各種成象系統(tǒng)代替視覺器官作為輸入敏感手段。使計(jì)算機(jī)能象人那樣通過視覺觀察和理解世界，具有自主適應(yīng)環(huán)境的能力就是計(jì)算機(jī)視覺的最終研究目標(biāo)，而需要經(jīng)過長(zhǎng)期的努力才能達(dá)到這個(gè)目標(biāo)。所以，在實(shí)現(xiàn)最終目標(biāo)以前，通過努力的中期目標(biāo)是建立一種視覺系統(tǒng)，這個(gè)系統(tǒng)能依靠反饋的某種程度的智能和視覺敏感完成一定的任務(wù)。例如：計(jì)算機(jī)視覺的一個(gè)重要應(yīng)用領(lǐng)域就是自主車輛的視覺導(dǎo)航，但要實(shí)現(xiàn)自主導(dǎo)航的系統(tǒng)，卻還沒有條件實(shí)現(xiàn)象人那樣能識(shí)別和理解任何環(huán)境。所以，人們通過不懈的努力，研究在高速公路上具有道路跟蹤能力，有效避免與前方車輛碰撞的視覺輔助駕駛系統(tǒng)。人類視覺系統(tǒng)是有史以來(lái)，人們所知道的功能最強(qiáng)大和完善的視覺系統(tǒng)。這里要指出的一點(diǎn)是在計(jì)算機(jī)視覺系統(tǒng)中計(jì)算機(jī)起代替人腦的作用。計(jì)算機(jī)視覺可以而且應(yīng)該根據(jù)計(jì)算機(jī)系統(tǒng)的特點(diǎn)來(lái)進(jìn)行視覺信息的處理，但并不等于計(jì)算機(jī)必須按人類視覺的方法完成視覺信息的處理?？梢哉f(shuō)，對(duì)人類視覺處理機(jī)制的研究將給計(jì)算機(jī)視覺的研究提供指導(dǎo)和啟發(fā)，所以，用計(jì)算機(jī)信息處理的方法研究人類視覺的機(jī)理，建立人類視覺的計(jì)算理論，與此同時(shí)也是一個(gè)十分重要和讓人感興趣的研究領(lǐng)域。這方面的研究被稱為計(jì)算視覺。計(jì)算視覺可被認(rèn)為是計(jì)算機(jī)視覺中的一個(gè)研究領(lǐng)域。計(jì)算機(jī)視覺領(lǐng)域的不完善性與多樣性為其突出特點(diǎn)。

5 結(jié)束語(yǔ)

對(duì)視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤、識(shí)別、檢測(cè)，并對(duì)目標(biāo)行為進(jìn)行研究、分析，這就是基于視覺運(yùn)動(dòng)目標(biāo)分析。以計(jì)算機(jī)視覺為基礎(chǔ)，分析運(yùn)動(dòng)目標(biāo)，包括了目標(biāo)行為的理解與分析、目標(biāo)跟蹤、運(yùn)動(dòng)目標(biāo)檢測(cè)、預(yù)處理圖像等，它是計(jì)算機(jī)視覺領(lǐng)域重要內(nèi)容之一。理解與分析運(yùn)動(dòng)目標(biāo)的行為，既是計(jì)算機(jī)視覺的根本目的之一，也是檢測(cè)與跟蹤運(yùn)動(dòng)目標(biāo)的最終目標(biāo)。從理論層考慮，理解與分析運(yùn)動(dòng)目標(biāo)的行為可以分為人工智能理論研究與模式識(shí)別。簡(jiǎn)要闡述基于計(jì)算機(jī)視覺的運(yùn)動(dòng)目標(biāo)分析，而所面臨的是對(duì)運(yùn)動(dòng)目標(biāo)行為的理解。

參考文獻(xiàn)

[1]楊可，劉明軍，毛欣，夏維建，劉偉，周旋，吳煒，周凱.基于計(jì)算機(jī)視覺的電纜終端表面溫升分析系統(tǒng)[J].電視技術(shù)，2013（7）.

[2]葉闖，沈益青，李豪，曹思汗，王柏祥.基于人類視覺特性（HVS）的離散小波變換（DWT）數(shù)字水印算法[J].浙江大學(xué)學(xué)報(bào)：理學(xué)版，2013（2）.

[3]何青海，馬本學(xué)，瞿端陽(yáng)，李宏偉，王寶.基于機(jī)器視覺棉葉螨自動(dòng)監(jiān)測(cè)與分級(jí)方法研究[J].農(nóng)機(jī)化研究，2013（4）.

[4]賈挺猛，茍一，鮑官軍，董茂，楊慶華.基于機(jī)器視覺的葡萄樹枝骨架提取算法研究[J].機(jī)電工程，2013（4）.

篇5

關(guān)鍵詞 陶瓷設(shè)計(jì)，計(jì)算機(jī)視覺、觸覺設(shè)計(jì)

1前 言

歷經(jīng)數(shù)十年發(fā)展，CAD/CAM技術(shù)已取得了巨大成功，并迎來(lái)了數(shù)字化設(shè)計(jì)、數(shù)字化制造的時(shí)代。NURBS曲線曲面（非均勻有理B樣條）以其強(qiáng)大的形狀表示能力和配套的計(jì)算、編輯算法，已成為事實(shí)上的產(chǎn)品表示標(biāo)準(zhǔn)。細(xì)分曲面、隱式曲面是近年曲面造型研究的熱點(diǎn)，它們突破了NURBS在拓?fù)浣Y(jié)構(gòu)上的局限性，更容易表達(dá)某些復(fù)雜的形狀。

在陶瓷設(shè)計(jì)領(lǐng)域，經(jīng)常需要設(shè)計(jì)人體、動(dòng)物等自然雕塑形體，現(xiàn)有的CAD系統(tǒng)可采用NURBS曲面、細(xì)分曲面、隱式曲面等來(lái)描述這些復(fù)雜對(duì)象[1]，但如何能快速、精確地設(shè)計(jì)出來(lái)，目前尚無(wú)有效的數(shù)字化工具。人們認(rèn)識(shí)、改變外在事物時(shí)，主要利用視覺與觸覺的感官功能，通過手眼協(xié)調(diào)來(lái)設(shè)計(jì)出新的事物，設(shè)計(jì)師在設(shè)計(jì)新的對(duì)象時(shí)，也可如此操作。

近些年出現(xiàn)了一些價(jià)格較為便宜的觸覺式設(shè)計(jì)系統(tǒng)，如FreeForm系統(tǒng)，它抽取了大型虛擬現(xiàn)實(shí)系統(tǒng)的單一觸覺功能，可提供真實(shí)感的數(shù)字雕塑工具。但一般設(shè)計(jì)人員使用后的效果并不理想，雖可以在局部修修補(bǔ)補(bǔ)，但缺乏對(duì)整體形態(tài)的把握[2]。

本文提出了一套視覺與觸覺相結(jié)合的數(shù)字設(shè)計(jì)系統(tǒng)，以數(shù)碼相機(jī)和力感觸覺系統(tǒng)為工具，快速實(shí)現(xiàn)復(fù)雜形體的數(shù)字建模。首先利用數(shù)碼相機(jī)拍照，攝取參考對(duì)象的圖像，通過一個(gè)專門設(shè)計(jì)的攝影測(cè)量與計(jì)算機(jī)視覺集成系統(tǒng)重構(gòu)出參考對(duì)象的三維數(shù)字模型；然后將此模型輸入到觸覺設(shè)計(jì)系統(tǒng)，經(jīng)局部的修正，得到新的設(shè)計(jì)模型。以下詳述系統(tǒng)組成及原理，并給出設(shè)計(jì)實(shí)例予以驗(yàn)證。

2造型設(shè)計(jì)系統(tǒng)的組成

本文所提出的系統(tǒng)主要分為兩個(gè)模塊：視覺子系統(tǒng)與觸覺子系統(tǒng)。其中觸覺子系統(tǒng)是購(gòu)置的，視覺子系統(tǒng)是獨(dú)立開發(fā)的[3]。相機(jī)采用奧林巴斯CL5050，拍攝的照片經(jīng)視覺反求系統(tǒng)處理后，得到VRML格式的三維模型，然后輸入FreeForm觸覺設(shè)計(jì)系統(tǒng)，進(jìn)行再設(shè)計(jì)，最終輸出改型設(shè)計(jì)后的數(shù)字模型。圖1所示是視覺系統(tǒng)實(shí)物，圖2是觸覺系統(tǒng)的實(shí)物照片。

2.1 視覺系統(tǒng)[4]

本文提出的系統(tǒng)中，視覺系統(tǒng)為自主開發(fā)的，先講述相關(guān)的主要原理。

本文采用的視覺系統(tǒng)結(jié)合了攝影測(cè)量法的高精度與計(jì)算機(jī)視覺法的靈活性。近年來(lái)由圖片生成3D模型是一個(gè)熱門的計(jì)算機(jī)視覺研究領(lǐng)域，并相應(yīng)提出了諸多的研究方法，其核心問題包括：相機(jī)標(biāo)定、對(duì)應(yīng)點(diǎn)匹配及3D重構(gòu)等；針對(duì)每個(gè)問題均有大量的研究算法，特別是相機(jī)標(biāo)定技術(shù)幾乎成為一個(gè)關(guān)鍵環(huán)節(jié)。

類似于測(cè)量系統(tǒng)控制網(wǎng)的概念，我們?cè)O(shè)計(jì)了一套控制特征點(diǎn)，相機(jī)直接根據(jù)控制特征點(diǎn)進(jìn)行標(biāo)定，可得到精度較高的相機(jī)內(nèi)外參數(shù)。圖3所示是控制點(diǎn)分布的實(shí)物圖。

我們對(duì)控制點(diǎn)分布采取了特殊設(shè)計(jì)，使任意角度下拍照，均有10個(gè)（通常要求至少6個(gè)）以上特征點(diǎn)被攝取。對(duì)特征點(diǎn)，采用了高精度的專業(yè)攝影測(cè)量系統(tǒng)Aicon加以標(biāo)定，其空間坐標(biāo)保存于一個(gè)數(shù)據(jù)文件中，以備相機(jī)標(biāo)定時(shí)采用。

有了高精度的相機(jī)參數(shù)，就可以利用成熟的計(jì)算機(jī)視覺方法重構(gòu)3D模型。我們采用了遮擋輪廓法[1]及空間剝離法[2]這兩種對(duì)環(huán)境要求較低、算法較為穩(wěn)定的方法，處理標(biāo)定過的圖像，得到三維模型主要形態(tài)，可作為觸覺設(shè)計(jì)的基礎(chǔ)。

2.2 觸覺系統(tǒng)

觸覺子系統(tǒng)采用FreeForm觸覺式虛擬設(shè)計(jì)系統(tǒng)，通常也亦稱為3D Touch系統(tǒng)，采用了力回饋技術(shù)，手握觸覺筆在空間旋轉(zhuǎn)移動(dòng)，屏幕里相應(yīng)的雕刻刀便隨之移動(dòng)；當(dāng)?shù)窨痰督佑|到模型時(shí)，會(huì)有力回饋到握筆的手上，讓使用者感受到接觸時(shí)的力量。在雕刻時(shí)可設(shè)定模型的軟硬度，進(jìn)而調(diào)整雕刻所需的力。常規(guī)的實(shí)物雕刻操作，在系統(tǒng)內(nèi)均有對(duì)應(yīng)的虛擬工具，無(wú)論是雕刻效果，還是虛擬雕刻過程中的感受，與實(shí)際雕刻幾乎一樣，提供了十分逼真的雕刻環(huán)境。

3陶瓷狗的造型設(shè)計(jì)

在陶瓷設(shè)計(jì)中，經(jīng)常需要參考某種實(shí)物樣品。本實(shí)驗(yàn)以圖1中的玩具狗作為參考對(duì)象，借助視覺、觸覺集成系統(tǒng)進(jìn)行了兩次造型、建模試驗(yàn)。視覺系統(tǒng)從不同角度攝取了10幅圖片，由這10幅圖片生成一個(gè)三維模型（見圖4）。整個(gè)建模過程僅需十幾分鐘，方便快捷。輸出的模型包含了參考對(duì)象的主要形態(tài)，稍加修整，即可得到新的改型設(shè)計(jì)。

以視覺系統(tǒng)的輸出為骨架，在FreeForm系統(tǒng)中進(jìn)行細(xì)部的修整與再設(shè)計(jì)，并可添加修飾色彩，得到新的設(shè)計(jì)結(jié)果，見圖5。

在試驗(yàn)中，如果僅依靠觸覺設(shè)計(jì)系統(tǒng)，即使熟練的操作人員，要設(shè)計(jì)出比例協(xié)調(diào)、結(jié)構(gòu)合理的模型，也需要花費(fèi)一天或數(shù)天時(shí)間。視覺系統(tǒng)的輸入極大地簡(jiǎn)化了主體形態(tài)的構(gòu)造，使不太熟練的設(shè)計(jì)人員也能利用觸覺系統(tǒng)，很快設(shè)計(jì)出新的作品。

4總 結(jié)

本文提出了視覺、觸覺相結(jié)合的方法，利用計(jì)算機(jī)視覺系統(tǒng)幫助設(shè)計(jì)人員觀察、感知設(shè)計(jì)對(duì)象，并把結(jié)果以數(shù)字形式保存起來(lái)；觸覺系統(tǒng)直接利用已有的觀察結(jié)果，通過手眼協(xié)調(diào)完成最終設(shè)計(jì)。這種混合系統(tǒng)彌補(bǔ)了非專業(yè)人員所缺乏的空間形體洞察力及操縱力，使他們不用經(jīng)過長(zhǎng)期的專業(yè)訓(xùn)練，也可快速地設(shè)計(jì)出新的作品。本文給出的實(shí)例已驗(yàn)證了這一觀點(diǎn)。

本文揭示了虛擬雕刻過程所忽略的視覺思維環(huán)節(jié)，并設(shè)計(jì)出計(jì)算機(jī)視覺系統(tǒng)來(lái)加以彌補(bǔ)，取得了良好的結(jié)果，這套視、觸覺結(jié)合的設(shè)計(jì)系統(tǒng)可用于陶瓷產(chǎn)品的設(shè)計(jì)制造，可大幅度提高設(shè)計(jì)效率和設(shè)計(jì)質(zhì)量。

參考文獻(xiàn)

1 Potemesil M.Generating octree model of 3D objects from their silhouetttes in a sequence of

images[J]．Computer Vision&Graphics Image Processing,1987，40(1):1～29

2 K.Kutulakos and S.Seitz. A theory of shape by space carving[J]. International Journal of Computer

Vision,2000, 38(3):199～218

篇6

關(guān)鍵詞關(guān)鍵詞：OpenCV；人臉檢測(cè)；微笑檢測(cè)；JNI

DOIDOI：10.11907/rjdk.162330

中圖分類號(hào)：TP319文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2017）001011502

隨著人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺等領(lǐng)域也逐漸成為計(jì)算機(jī)科學(xué)中的熱點(diǎn)問題，人臉檢測(cè)便是計(jì)算機(jī)視覺中的一個(gè)分支。OpenCV作為一個(gè)開源的視覺庫(kù)，提供了不少關(guān)于人臉檢測(cè)的模型與處理接口，而大部分接口與算法均采用C/C++語(yǔ)言編寫。Java雖有其跨平臺(tái)的巨大優(yōu)勢(shì)，但是這種特性也給Java帶來(lái)了局限性，在調(diào)用動(dòng)態(tài)數(shù)據(jù)庫(kù)文件時(shí)存在不便。因此，通過JNI工具，可以利用C/C++語(yǔ)言的特性彌補(bǔ)Java的不足[13]。

1相關(guān)技術(shù)原理

1.1JNI技術(shù)分析

JNI（Java Native Interface）提供了若干API 實(shí)現(xiàn)Java與其它語(yǔ)言的通信（主要是C/C++）。從Java 1.1開始，JNI標(biāo)準(zhǔn)成為Java平臺(tái)的一部分，它允許Java和其它語(yǔ)言編寫的代碼進(jìn)行交互。然而使用Java與本地已編譯的代碼交互，通常會(huì)喪失平臺(tái)可移植性[45]。

通常遇到以下幾種情況需要使用JNI：①所開發(fā)的程序需要用到其它平臺(tái)屬性，但在Java的標(biāo)準(zhǔn)庫(kù)中不支持此屬性；②程序?qū)τ谶\(yùn)行效率要求較高，因此希望能用較低級(jí)的語(yǔ)言（如C/C++）來(lái)實(shí)現(xiàn)；③Java已經(jīng)擁有實(shí)現(xiàn)需要的程序和庫(kù)，希望C/C++對(duì)其直接進(jìn)行調(diào)用[67]。

1.2JNI技術(shù)架構(gòu)

JNI允許運(yùn)行在Java虛擬機(jī)上的應(yīng)用程序調(diào)用其它語(yǔ)言（如C/C++語(yǔ)言）來(lái)編寫需要的方法或類庫(kù)，也能將Java虛擬機(jī)嵌入到本地應(yīng)用程序中。

圖1是JNI在本地應(yīng)用程序與Java應(yīng)用之間各自扮演的角色圖。從圖中可以看出，JNI作為Java與C/C++函悼庵間的橋梁，可以實(shí)現(xiàn)Java代碼與C/C++庫(kù)函數(shù)當(dāng)中本地代碼之間的交互。然而JNI沒有改變Java語(yǔ)言的屬性，只是讓Java語(yǔ)言擁有一種能夠?qū)ν庹{(diào)用的形式[89]。

1.3OpenCV介紹

OpenCV（Open Source Computer Vision Library）是一個(gè)基于BSD許可發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺庫(kù)。它輕量而且高效，由C函數(shù)與C++類構(gòu)成，同時(shí)提供了Python、Java等語(yǔ)言的接口，可實(shí)現(xiàn)圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。OpenCV中對(duì)于人臉的檢測(cè)方法是基于處理成的灰度圖像的弱特征檢測(cè)方法。該方法建立在Haar特征[10]檢測(cè)方法基礎(chǔ)上，可以獲得檢測(cè)人臉的實(shí)時(shí)處理速度。

OpenCV中也提供了訓(xùn)練分類器[1112]的程序及方法來(lái)檢測(cè)特征。使用者可以將此方法應(yīng)用于一些項(xiàng)目中的二次開發(fā)，比如雙目視覺的三維重構(gòu)、物體識(shí)別，協(xié)助機(jī)器人完成復(fù)雜任務(wù)，以及在智能監(jiān)控中的人臉檢測(cè)、智能交通中的行人檢測(cè)等。

2開發(fā)工具選擇

選用的工具是eclipse，Java版本為JDK1.7，C++使用的是VS2010。另外PC端需要具備內(nèi)置或外置攝像頭，PC機(jī)配置為Inter Core i5-3230M CPU 2.6GHz。

3實(shí)現(xiàn)過程

從圖2中編寫JNI代碼的大致步驟可以看出Java需要將字節(jié)碼文件通過javah生成頭文件，再與C代碼共同生成動(dòng)態(tài)鏈接庫(kù)，進(jìn)而與Java中的代碼進(jìn)行交互。

3.4人臉檢測(cè)實(shí)驗(yàn)結(jié)果

篇7

關(guān)鍵詞：印制電路板；圖像處理；機(jī)器視覺；PCB裸板；自動(dòng)光學(xué)檢測(cè)；缺陷檢測(cè) 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：TP391 文章編號(hào)：1009-2374（2016）09-0010-05 DOI：10.13535/ki.11-4406/n.2016.09.005

我國(guó)是全球第一大PCB生產(chǎn)基地，作為電子產(chǎn)品承載體的電路板，其集成度和產(chǎn)量不斷在提高。為了保證電子產(chǎn)品的性能，電路板缺陷檢測(cè)技術(shù)已經(jīng)成為電子行業(yè)中非常關(guān)鍵的技術(shù)。建立在圖像處理算法基礎(chǔ)上的機(jī)器視覺檢測(cè)技術(shù)與傳統(tǒng)的人工檢測(cè)技術(shù)相比，提高了缺陷檢測(cè)的效率和準(zhǔn)確度。因此，設(shè)計(jì)一種高效精準(zhǔn)的機(jī)器視覺檢測(cè)電路板缺陷的系統(tǒng)，具有非常重要的現(xiàn)實(shí)意義。評(píng)估印刷電路板質(zhì)量的一個(gè)重要因素就是表觀檢測(cè)，PCB的表觀質(zhì)量對(duì)產(chǎn)品性能及成品使用安全有著極大的重要性。而伴隨著近年來(lái)在工業(yè)生產(chǎn)領(lǐng)域崛起的計(jì)算機(jī)視覺，當(dāng)前表觀缺陷檢測(cè)和分類識(shí)別的研究方向已經(jīng)轉(zhuǎn)向了利用計(jì)算機(jī)視覺技術(shù)來(lái)實(shí)現(xiàn)。計(jì)算機(jī)圖像處理識(shí)別技術(shù)這種基于計(jì)算機(jī)視覺的檢測(cè)技術(shù)成功取代了傳統(tǒng)的PCB缺陷檢測(cè)方法，在自動(dòng)光學(xué)檢測(cè)系統(tǒng)眾多應(yīng)用中占據(jù)了相對(duì)重要的地位，一躍成為PCB生產(chǎn)業(yè)表觀缺陷的主要檢測(cè)方法。

圖1 系統(tǒng)框圖

因此本文通過設(shè)計(jì)AOI自動(dòng)光學(xué)檢測(cè)系統(tǒng)，搭建較為簡(jiǎn)單的PCB缺陷自動(dòng)檢測(cè)系統(tǒng)的實(shí)驗(yàn)平臺(tái)，對(duì)PCB中四類較為關(guān)鍵、常見的缺陷進(jìn)行檢測(cè)、分析、識(shí)別、判定，為研究推廣PCB缺陷自動(dòng)檢測(cè)系統(tǒng)開拓應(yīng)用前景，如能實(shí)現(xiàn)工業(yè)上的產(chǎn)業(yè)化檢測(cè)，將有高額的經(jīng)濟(jì)收益。本文側(cè)重對(duì)PCB中的四類較為關(guān)鍵、常見的缺陷進(jìn)行檢測(cè)、分析、識(shí)別、判定，并且僅搭建了較為簡(jiǎn)單的PCB缺陷自動(dòng)檢測(cè)系統(tǒng)的實(shí)驗(yàn)平臺(tái)，即通過復(fù)雜算法對(duì)采集到的圖像進(jìn)行處理、配準(zhǔn)、對(duì)比，從而得出PCB缺陷類型及對(duì)其進(jìn)行標(biāo)識(shí)。如圖1所示。

1 硬件設(shè)計(jì)方案

PCB缺陷檢測(cè)的總體系統(tǒng)設(shè)計(jì)方案主要是基于自動(dòng)光學(xué)檢測(cè)技術(shù)來(lái)搭建PCB缺陷檢測(cè)系統(tǒng)，硬件設(shè)計(jì)是使用CNC-T程控光源高精度影像測(cè)試系統(tǒng)操作臺(tái)，對(duì)待測(cè)電路板進(jìn)行圖像采集，再通過VS2010軟件所編寫程序處理，得出待測(cè)電路板的缺陷種類。整個(gè)系統(tǒng)主要分為運(yùn)動(dòng)控制、光源、圖像采集、圖像處理四個(gè)模塊，分模塊簡(jiǎn)要闡述了實(shí)驗(yàn)過程、所需設(shè)備以及軟件算法，搭建了一個(gè)相對(duì)完整的系統(tǒng)工作平臺(tái)。

圖2 CNC-T程控光源影像操作臺(tái)

該設(shè)備具有測(cè)量元素種類齊全、手動(dòng)測(cè)量、自動(dòng)對(duì)焦等多種功能，使用該設(shè)備采集圖像進(jìn)行二維檢測(cè)，測(cè)量軟體為YR-CNC，將圖像儲(chǔ)存至電腦后便由VS軟件進(jìn)行圖像處理。實(shí)驗(yàn)組成如圖3所示：

圖3 實(shí)驗(yàn)系統(tǒng)框圖

1.1 運(yùn)動(dòng)控制模塊

本系統(tǒng)運(yùn)動(dòng)流程為：被檢測(cè)的PCB在檢測(cè)臺(tái)上，通過步進(jìn)電機(jī)XY軸運(yùn)動(dòng)到攝像機(jī)拍攝區(qū)域，CCD攝像機(jī)固定在工作臺(tái)上方（Z軸），通過Z軸的運(yùn)動(dòng)實(shí)現(xiàn)聚焦。如圖4所示：

圖4 平臺(tái)運(yùn)動(dòng)示意圖

設(shè)備工作臺(tái)臺(tái)面尺寸為746mm×506mm，承載玻璃面尺寸為452mm×354mm，有效測(cè)量行程為400×300×200。本裝置既可通過軟件驅(qū)動(dòng)自動(dòng)采集圖像，也可以通過手動(dòng)控制，移動(dòng)并聚焦采集待測(cè)PCB的圖像。

1.2 光源模塊

輔助光照――采用的是正向和背向光源這兩種輔助光照。其中正光源和攝像頭同側(cè)，均位于Z軸上，正光源主要用于檢測(cè)待測(cè)物體的表面特征。背光源位于檢測(cè)臺(tái)面下方，與正光源處于同軸反向關(guān)系，背光源能突出待測(cè)物體的輪廓特征，常用于檢測(cè)物體輪廓尺寸。

圖像采集：分別利用正光源突出PCB表面如走線、過孔和焊盤等主要特征，而下光源主要使PCB的輪廓尺寸和過孔產(chǎn)生強(qiáng)烈的輪廓對(duì)比。

光源：使用的是高度集中照明光源中心的LDR系列，由于該光源的傘狀結(jié)構(gòu)緊密排列著LED且采用了CCS獨(dú)創(chuàng)的柔性板，使之成為L(zhǎng)ED照明系統(tǒng)的標(biāo)準(zhǔn)模式。照明系統(tǒng)如圖5所示：

圖5 照明系統(tǒng)

1.3 圖像采集模塊

圖像采集模塊是由圖像采集卡、相機(jī)和鏡頭組成的，該模塊是圖像配準(zhǔn)階段的硬件基礎(chǔ)。計(jì)算機(jī)采集圖像的媒介就是相機(jī)，而相機(jī)按照不同原理又分為多種，常見的有CCD（Charge Coupled Device）和CMOS（Complementary Metal Oxide Semiconductor）兩類。本系統(tǒng)采用的是CCD 1/2英寸43萬(wàn)像素彩色攝像頭和高清晰度0.7～4.5X變焦倍率鏡頭，顯示分辨率為0.001mm。

1.4 圖像處理模塊

通常獲得的圖像將受到工業(yè)現(xiàn)場(chǎng)環(huán)境、光照等條件的干擾，計(jì)算機(jī)所獲得的圖像質(zhì)量多數(shù)參差不齊，圖像的清晰度不一致，大大增加了PCB缺陷檢測(cè)的難度，所以在利用復(fù)雜算法檢測(cè)、識(shí)別PCB缺陷前要先對(duì)圖像進(jìn)行預(yù)處理。

本圖像處理模塊主要通過VS軟件在OpenCV計(jì)算機(jī)視覺庫(kù)的基礎(chǔ)上，通過一系列算法對(duì)圖像進(jìn)行處理對(duì)比。

2 系統(tǒng)軟件設(shè)計(jì)

2.1 OpenCV

OpenCV（Open Source Computer Vision Library）是一個(gè)跨平臺(tái)的可以運(yùn)行在Linux、Windows和Mac OS操作系統(tǒng)上的基于（開源）發(fā)行的計(jì)算機(jī)視覺庫(kù)。它重量輕而高效，開放了多種接口如MATLAB、Ruby和Python等，并且在計(jì)算機(jī)視覺和圖像處理中大多數(shù)通用的算法都是被允許的。OpenCV可用于開發(fā)實(shí)時(shí)圖像處理、計(jì)算機(jī)視覺和模式識(shí)別方案，它提供了多種函數(shù)，實(shí)現(xiàn)了大量的計(jì)算機(jī)視覺算法，算法涵蓋了從最基礎(chǔ)的濾波至以高級(jí)的物體檢測(cè)。OpenCV實(shí)際上是一堆C和C++語(yǔ)言源代碼文件，許多常見的計(jì)算機(jī)視覺算法由這些源代碼文件實(shí)現(xiàn)。如C接口函數(shù)cvCanny（）實(shí)現(xiàn)Canny邊緣檢測(cè)算法。它可直接加入到我們自己的軟件項(xiàng)目編程中，而無(wú)需去編寫自己的Canny算子代碼，就是沒有必要重復(fù)“造輪子”。

根據(jù)OpenCV中源代碼文件巨多的特點(diǎn)，以算法的功能為基準(zhǔn)，將這些源文件分到多個(gè)模塊中，如core、imgproc、highgui等。將每個(gè)模塊中的源文件編譯成一個(gè)庫(kù)文件（如opencv_core.lib、opencv_imgproc.lib、opencv_highgui.lib等），用戶在使用時(shí)，僅需在自己的項(xiàng)目中添加要用的庫(kù)文件，與自己的源文件一起連接成可執(zhí)行程序即可。

OpenCV計(jì)算機(jī)視覺庫(kù)的出現(xiàn)，是為了使人們利用方便快捷的計(jì)算機(jī)視覺框架，在計(jì)算機(jī)視覺領(lǐng)域可以更加輕松地設(shè)計(jì)出更為復(fù)雜的應(yīng)用程序。OpenCV涵蓋了多種計(jì)算機(jī)視覺應(yīng)用區(qū)域，如用戶界面、信息安全、醫(yī)學(xué)影像學(xué)、工廠產(chǎn)品檢驗(yàn)、立體視覺、機(jī)器人和攝像機(jī)標(biāo)定等，約有500多個(gè)函數(shù)。因?yàn)橛?jì)算機(jī)視覺與機(jī)器學(xué)習(xí)是相輔相成的，所以O(shè)penCV也開放了MLL（Machine Learning Library）機(jī)器學(xué)習(xí)庫(kù)。MLL除了在視覺任務(wù)相關(guān)中使用，也可以很容易地應(yīng)用到其他機(jī)器學(xué)習(xí)中。

2.2 Microsoft Visual Studio2010

Visual Studio是微軟公司推出的開發(fā)環(huán)境，是同行業(yè)中目前最流行的Windows平臺(tái)應(yīng)用程序開發(fā)環(huán)境。Visual Studio 2010于2010年4月12日，其集成開發(fā)環(huán)境（IDE）已被重新設(shè)計(jì)和組織，變得更簡(jiǎn)單了。

Visual Studio 2010同時(shí)帶來(lái)了NET Framework 4.0、Microsoft Visual Studio 2010 CTP（Community Technology Preview――CTP），并且支持開發(fā)面向Windows 7的應(yīng)用程序。除了Microsoft SQL Server外，它還支持IBM DB2和Oracle數(shù)據(jù)庫(kù)。目前有專業(yè)版、高級(jí)版、旗艦版、學(xué)習(xí)版和測(cè)試版五個(gè)版本。Visual Studio的用處十分廣泛，不僅可被用來(lái)基于Windows平臺(tái)創(chuàng)建Windows應(yīng)用程序和Web應(yīng)用程序，還可被用來(lái)創(chuàng)建智能設(shè)備、Office插件和Web服務(wù)等應(yīng)用程序。微軟的Visual Studio 2010將成為一個(gè)版本的經(jīng)典，這是相當(dāng)于6.0版本。該版本可以自定義開始頁(yè)，新功能還包括：（1）C# 4.0中的動(dòng)態(tài)類型和動(dòng)態(tài)編程；（2）多顯示器支持；（3）使用Visual Studio 2010的特性支持TDD；（4）支持Office；（5）Quick Search特性；（6）C++ 0x新特性；（7）IDE增強(qiáng)；（8）使用Visual C++ 2010創(chuàng)建Ribbon界面；（9）新增基于.NET平臺(tái)的語(yǔ)言F#。本課題將基于OpenCV計(jì)算機(jī)視覺庫(kù)使用Microsoft Visual Studio2010開發(fā)環(huán)境，通過編輯算法實(shí)現(xiàn)PCB缺陷檢測(cè)。

3 圖像預(yù)處理

要使用計(jì)算機(jī)對(duì)圖像進(jìn)行處理，所得到的連續(xù)圖像就必須被轉(zhuǎn)換為離散的數(shù)據(jù)集，這是因?yàn)橛?jì)算機(jī)只能處理離散度數(shù)據(jù)，這一過程我們稱之為圖像采集。圖像采集由圖像采集系統(tǒng)實(shí)現(xiàn)，如圖6所示。圖像采集系統(tǒng)的三個(gè)主要模塊是成像系統(tǒng)、采樣系統(tǒng)和量化器。

圖6

將整理出的字符圖像交予識(shí)別模塊來(lái)識(shí)別，被稱為圖像的預(yù)處理。PCB的圖像預(yù)處理包括灰度化、增強(qiáng)、濾波、二值化、配準(zhǔn)等，處理后的PCB輸出的圖像質(zhì)量將得到改善，在很大程度上使得該圖像特征更直觀，方便計(jì)算機(jī)分析和處理。PCB的圖像預(yù)處理為整個(gè)PCB缺陷檢測(cè)系統(tǒng)的核心部件，很大程度上決定了檢測(cè)的準(zhǔn)確性。圖像預(yù)處理流程如圖7所示：

圖7 圖像預(yù)處理流程圖

4 PCB缺陷檢測(cè)

本文針對(duì)四種常見缺陷：斷路、短路、毛刺（凸起）、缺損（凹陷）進(jìn)行檢測(cè)研究。在這四種缺陷中，最為嚴(yán)重的缺陷類型是斷路和短路，它們將會(huì)使整塊板子失去本來(lái)的功能；而凸起、凹陷也可能影響到PCB在使用過程中的穩(wěn)定性能。如圖8所示為幾種常見的缺陷：

圖8 常見電路板缺陷

4.1 PCB缺陷的檢測(cè)方法

常用的PCB缺陷檢測(cè)方法有參考法和非參考法兩種。要是從概念理解和電路難易程度看，參考法明顯更加具有概念直觀、電路簡(jiǎn)單的優(yōu)勢(shì)；要是從檢測(cè)所需要的條件來(lái)看，非參考法則在不需要待測(cè)PCB與標(biāo)準(zhǔn)PCB進(jìn)行準(zhǔn)確對(duì)準(zhǔn)這一點(diǎn)上優(yōu)于參考法。

本課題采用參考法進(jìn)行PCB缺陷檢測(cè)。

使用參考法對(duì)PCB缺陷進(jìn)行檢測(cè)的流程為：（1）確定標(biāo)準(zhǔn)的PCB圖像并放入?yún)⒖紟?kù)；（2）通過成像設(shè)備采集待測(cè)PCB圖像，進(jìn)行圖像預(yù)處理之后，再二值化PCB待測(cè)圖像，并對(duì)其進(jìn)行連通域提??；（3）然后將處理結(jié)果與標(biāo)準(zhǔn)圖像進(jìn)行對(duì)比，利用圖像相減來(lái)判斷PCB可能存在的缺陷；（4）進(jìn)行分類，確定缺陷類型。

4.2 圖像連通域

像素是圖像中最小的單位，每個(gè)像素周圍有8個(gè)鄰接像素，常見的鄰接關(guān)系有兩種：4鄰接與8鄰接。4鄰接一共4個(gè)點(diǎn)，即上下左右。包括對(duì)角線位置的點(diǎn)，8鄰接的點(diǎn)一共有8個(gè)，如圖9所示：

圖9 領(lǐng)域示圖

如果像素點(diǎn)A與B鄰接，我們稱A與B連通，即有如下的結(jié)論：

如果A與B連通、B與C連通，則A與C連通。在視覺上看來(lái)，點(diǎn)與點(diǎn)相互連通，形成一個(gè)區(qū)域，而不是連通的點(diǎn)形成不同的區(qū)域。這種相互立體的所有的點(diǎn)，我們稱為連通區(qū)域。連通區(qū)域標(biāo)記常用的方法有Two-Pass（兩遍掃描法）和Seed Filling（種子填充法）兩種方法，本課題主要介紹第二種。

Seed Filling來(lái)源于計(jì)算機(jī)圖形學(xué)，通常應(yīng)用在填充圖形上。思路：以一個(gè)前景像素當(dāng)作種子，而后在處于同一像素值且位置相鄰的連通區(qū)域，把和種子相鄰的前景像素融合到同一組像素中，結(jié)果將是獲得一個(gè)像素集，即連通區(qū)域。接下來(lái)介紹使用種子填充法實(shí)現(xiàn)的連通區(qū)域分析法：

第一，重復(fù)掃描圖像，當(dāng)?shù)玫疆?dāng)前像素點(diǎn)B（x，y）=1時(shí)停止：（1）賦予B（x，y）一個(gè)label，并將像素位置作為種子，接著將所有位于該種子周圍的前景像素都?jí)喝霔Ｖ校唬?）將棧頂像素賦以相同的label值并彈出，接著將全部位于棧頂像素周邊的前景像素都?jí)喝霔Ｖ校唬?）重復(fù)（2）步驟，直到棧為空。此時(shí)，圖像B中的一個(gè)像素值被標(biāo)記為label的連通區(qū)域便被找到了。

第二，在掃描結(jié)束前，重復(fù)第一個(gè)步驟，由此可以獲得圖像B中所有的連通區(qū)域在掃描結(jié)束后。

掃描所得的連通域如圖10所示：

圖10 圖像連通域提取

4.3 缺陷識(shí)別

缺陷識(shí)別具體特征如表1所示：

表1 缺陷特征

缺陷種類 二值圖像面積 連通區(qū)域數(shù)

斷路 減少 增加

短路 增加 減少

凸起 增加 不變

凹陷 減少 不變

第一，短路和斷路。在出現(xiàn)短路缺陷時(shí)，待測(cè)圖像與標(biāo)準(zhǔn)圖像相比，其所包含的連通區(qū)域數(shù)將會(huì)減少。同理可得，在出現(xiàn)斷路缺陷時(shí)，待測(cè)圖像與標(biāo)準(zhǔn)圖像相比，其所包含的連通區(qū)域數(shù)將會(huì)增多。因此，斷路和短路缺陷便可利用比較連通區(qū)域數(shù)來(lái)判定和識(shí)別。

第二，凸起和凹陷。凸起缺陷將導(dǎo)致導(dǎo)線和導(dǎo)線、導(dǎo)線和其他導(dǎo)體間的間隙變小，而凹陷缺陷將導(dǎo)致導(dǎo)線和導(dǎo)線、導(dǎo)線和其他導(dǎo)體間的間隙變大，二者均會(huì)導(dǎo)致PCB使用過程中出現(xiàn)不穩(wěn)定狀態(tài)。而觀察可知，這兩種缺陷的連通區(qū)域相同，差別在于各自二值化面積的大小，所以可以通過計(jì)算該待測(cè)圖像的連通區(qū)域面積來(lái)識(shí)別凸起、凹陷缺陷。

識(shí)別過程：將經(jīng)過圖像預(yù)處理的待測(cè)PCB圖像與標(biāo)準(zhǔn)圖像進(jìn)行對(duì)比后，通過算法找出缺陷。比較二者的連通區(qū)域數(shù)，若前者大于后者，則標(biāo)定該缺陷點(diǎn)為斷路，反之則為短路；若二者連通區(qū)域數(shù)相同，則比較二值化圖像面積，若前者大于后者，則標(biāo)定該缺陷點(diǎn)為凸起，反之則為凹陷。檢測(cè)流程如圖11所示：

圖11 PCB缺陷檢測(cè)流程圖

5 系統(tǒng)實(shí)驗(yàn)

本文使用CNC-T程控光源高精度影像測(cè)試系統(tǒng)操作臺(tái)，結(jié)合VS2010軟件基于OpenCV計(jì)算機(jī)視覺庫(kù)的算法編程來(lái)實(shí)現(xiàn)PCB的缺陷檢測(cè)。整體實(shí)驗(yàn)過程為：手動(dòng)控制操作臺(tái)捕捉、聚焦、采集待測(cè)PCB的圖像，采集到的圖像與標(biāo)準(zhǔn)圖像進(jìn)行對(duì)比、識(shí)別，得出缺陷種類并顯示結(jié)果。

本課題一共就所研究缺陷類型，做了40組實(shí)驗(yàn)，通過實(shí)驗(yàn)結(jié)果計(jì)算正確率。如表2所示：

表2 實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)

缺陷類型 實(shí)驗(yàn)次數(shù) 正確率

斷路 10 100%

短路 10 100%

凸起 10 100%

凹陷 10 100%

針對(duì)不同電路板圖中出現(xiàn)的同種斷路類型進(jìn)行檢測(cè)，效果如圖12a、圖12b、圖12c所示，可準(zhǔn)確檢測(cè)出缺陷存在。

圖12

針對(duì)不同電路板圖中出現(xiàn)的同種短路類型進(jìn)行檢測(cè)，效果如圖13a、圖13b、圖13c所示，可準(zhǔn)確檢測(cè)出缺陷存在。

圖13

針對(duì)不同電路板圖中出現(xiàn)的同種凸起類型進(jìn)行檢測(cè)，效果如圖14a、圖14b、圖14c所示，可準(zhǔn)確檢測(cè)出缺陷存在。

圖14

針對(duì)不同電路板圖中出現(xiàn)的同種凹陷類型進(jìn)行檢測(cè)，效果如圖15a、圖15b、圖15c所示，可準(zhǔn)確檢測(cè)出缺陷存在。

圖15

6 結(jié)語(yǔ)

PCB板面向體積越來(lái)越小、密度越來(lái)越高的方向發(fā)展。在檢測(cè)產(chǎn)品價(jià)格方面，國(guó)外AOI檢測(cè)產(chǎn)品價(jià)格普遍偏高，而由于經(jīng)濟(jì)原因，在國(guó)內(nèi)PCB板生產(chǎn)制造商多數(shù)仍采用人工目測(cè)等傳統(tǒng)檢測(cè)方法檢測(cè)。隨著經(jīng)濟(jì)的發(fā)展，數(shù)字圖像處理研究的深入，自動(dòng)光學(xué)檢測(cè)系統(tǒng)也開始頻繁活躍在人們視線中，但在PCB缺陷檢測(cè)方面的應(yīng)用卻還有待完善。因此，本論文建立在深入掌握工控系統(tǒng)結(jié)構(gòu)并從PCB板的質(zhì)量標(biāo)準(zhǔn)、圖像特點(diǎn)、缺陷特征及檢測(cè)要求的分析基礎(chǔ)上，對(duì)以圖像處理為基礎(chǔ)的PCB缺陷檢測(cè)技術(shù)進(jìn)行了深入研究。由于PCB缺陷自動(dòng)檢測(cè)系統(tǒng)的研究涉及多個(gè)領(lǐng)域的知識(shí)，其研究過程十分耗時(shí)、繁瑣，由此，本論文僅僅對(duì)PCB缺陷檢測(cè)中較為常見的問題進(jìn)行了較深入研究，并且僅搭建了較為簡(jiǎn)單的PCB缺陷自動(dòng)檢測(cè)系統(tǒng)的實(shí)驗(yàn)平臺(tái)，對(duì)PCB中的四類較為關(guān)鍵、常見的缺陷進(jìn)行檢測(cè)、分析、識(shí)別、判定。雖然還未實(shí)現(xiàn)真正實(shí)現(xiàn)工業(yè)上產(chǎn)業(yè)化檢測(cè)，但是在未來(lái)幾十年中，研究推廣的PCB缺陷自動(dòng)檢測(cè)系統(tǒng)將有十分良好的應(yīng)用前景，也將有高額的經(jīng)濟(jì)收益。

參考文獻(xiàn)

[1] 陳勝勇，劉盛，等.基于OpenCV的計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)[M].北京：科學(xué)出版社，2008.

[2] Gary Bradski，Adrian Kaebler，于仕琪，等.學(xué)習(xí)OpenCV[M].北京：清華大學(xué)出版社，2009.

[3] 周長(zhǎng)發(fā).精通Visual C++圖像處理編程（第3版）

[M].北京：電子工業(yè)出版社，2006.

[4] 黨振.中國(guó)大陸PCB產(chǎn)業(yè)的現(xiàn)狀與未來(lái)[J].印制電路信息，2006，32（1）.

[5] 胡躍明，譚穎.自動(dòng)光學(xué)檢測(cè)在中國(guó)的應(yīng)用現(xiàn)狀和發(fā)展[J].微計(jì)算機(jī)信息，2006，（4）.

[6] 李漢，何星，等.印刷電路板的自動(dòng)光學(xué)檢測(cè)系統(tǒng)

[J].無(wú)損檢測(cè)，2004，26（6）.

[7] 張利，高永英，等.PCB板檢測(cè)中的定位研究[J].中國(guó)圖像圖形學(xué)，1999，4（8）.

[8] 姚立新，張武學(xué)，等.AOI系統(tǒng)在PCB中的應(yīng)用[J].電子工業(yè)專用備，2004，（5）.

[9] 范小濤，夏雨人.一種基于圖像處理的PCB檢測(cè)算法研究[J].計(jì)算機(jī)工程與應(yīng)用，2004，（13）.

[10] 傅莉.印制電路板的發(fā)展及前景[J].電腦與電信，2010，（5）.

[11] 張明軒.基于視頻序列的人臉檢測(cè)與跟蹤算法研究[D].中北大學(xué)，2011.

[12] 張馳.基于機(jī)器視覺的智能控制與圖像識(shí)別問題研究[D].蘭州理工大學(xué)，2009.

[13] 謝飛.基于計(jì)算機(jī)視覺的自動(dòng)光學(xué)檢測(cè)關(guān)鍵技術(shù)與應(yīng)用研究[D].南京大學(xué)，2013.

[14] 張靜.PCB表觀缺陷的自動(dòng)光學(xué)檢測(cè)理論與技術(shù)

[D].電子科技大學(xué)，2013.

[15] 俞瑋.AOI技術(shù)在PCB缺陷檢測(cè)中的應(yīng)用研究[D].電子科技大學(xué)，2007.

篇8

摘要：研究基于計(jì)算機(jī)視覺的實(shí)時(shí)動(dòng)態(tài)手勢(shì)識(shí)別技術(shù)，并利用OpenCV計(jì)算機(jī)視覺庫(kù)在VS2010平臺(tái)上設(shè)計(jì)一個(gè)基于該技術(shù)在多媒體教學(xué)中PPT演示控制方面的應(yīng)用。首先，利用背景差分法進(jìn)行手勢(shì)檢測(cè)，在背景更新的基礎(chǔ)上，通過背景差分圖和顏色直方圖的反投影圖來(lái)檢測(cè)運(yùn)動(dòng)手勢(shì)區(qū)域，可以達(dá)到較為滿意的實(shí)時(shí)運(yùn)動(dòng)手勢(shì)檢測(cè)效果；其次，采用基于顏色直方圖的粒子跟蹤算法進(jìn)行手勢(shì)跟蹤，基本能滿足跟蹤的實(shí)時(shí)性；最后，在手勢(shì)識(shí)別階段，采用基于Hu不變矩的輪廓匹配算法，得到較好的手勢(shì)識(shí)別效果；使用六種手勢(shì)，來(lái)實(shí)現(xiàn)演示文稿中的控制應(yīng)用。

關(guān)鍵詞：計(jì)算機(jī)視覺；背景差分；粒子跟蹤；手勢(shì)識(shí)別；Hu矩

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：A

1引言

隨著計(jì)算機(jī)軟硬件技術(shù)的發(fā)展，人機(jī)交互已經(jīng)由過去的鼠標(biāo)、鍵盤方式逐漸向更加靈活生動(dòng)的語(yǔ)音、姿勢(shì)等新穎交互方式發(fā)展。由于基于視覺方式具有便捷和開銷低等優(yōu)點(diǎn)，因此，利用計(jì)算機(jī)視覺技術(shù)來(lái)使計(jì)算機(jī)理解用戶的命令，從而做出控制動(dòng)作，這一領(lǐng)域的研究得到越來(lái)越多的重視。其中，人的手勢(shì)作為日常生活中最為廣泛使用的一種交流方式；因此，國(guó)內(nèi)外許多研究機(jī)構(gòu)開始對(duì)手勢(shì)識(shí)別技術(shù)進(jìn)行研究，并已經(jīng)取得了一些階段性的成果。較早的有：Freeman和Roth等人提出的基于方向直方圖的手勢(shì)識(shí)別系統(tǒng)；國(guó)內(nèi)的高文教授等人于1994年提出了一種靜態(tài)復(fù)雜背景手勢(shì)目標(biāo)的捕獲與識(shí)別。經(jīng)過二三十年的發(fā)展，

人們對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤進(jìn)行了大量深入的研究：美國(guó)MIT實(shí)驗(yàn)室通過提取左右手質(zhì)心的運(yùn)動(dòng)軌跡以及手勢(shì)形狀特征參數(shù)，結(jié)合語(yǔ)法規(guī)則識(shí)別40個(gè)美國(guó)手語(yǔ)，準(zhǔn)確率達(dá)到97%；另外，Microsoft Korea的HyeonKyu Lee，采用HMM的閾值模型，識(shí)別9種動(dòng)態(tài)手勢(shì)命令，平均識(shí)別率高達(dá)98.19%；國(guó)內(nèi)的任海兵提出了基于DTW的手勢(shì)識(shí)別算法，該算法能準(zhǔn)確識(shí)別12種手勢(shì)。

現(xiàn)在，基于視覺的手勢(shì)識(shí)別技術(shù)更多的是應(yīng)用在娛樂、游戲方面，比如微軟前段時(shí)間推出的Xbox360游戲機(jī)體的體感外設(shè)Kinect及多款相配套的體感游戲，玩家可以通過手勢(shì)在游戲中進(jìn)行操作和互動(dòng)，使得人機(jī)互動(dòng)娛樂進(jìn)入了一個(gè)新紀(jì)元。與此同時(shí)，還沒有比較成熟的手勢(shì)識(shí)別技術(shù)應(yīng)用在現(xiàn)代教學(xué)系統(tǒng)中。因此，本文的研究重點(diǎn)是基于視覺的實(shí)時(shí)手勢(shì)識(shí)別技術(shù)在多媒體教學(xué)演示控制中的應(yīng)用。在基于視覺的手勢(shì)識(shí)別研究中，需要解決的問題主要有兩個(gè)：一是實(shí)時(shí)檢測(cè)運(yùn)動(dòng)手勢(shì)的信息，二是識(shí)別運(yùn)動(dòng)手勢(shì)的信息并做出響應(yīng)。對(duì)運(yùn)動(dòng)手勢(shì)檢測(cè)，本文采用背景差分結(jié)合改進(jìn)顏色直方圖特征的運(yùn)動(dòng)檢測(cè)方法[1]；對(duì)運(yùn)動(dòng)手勢(shì)跟蹤，本文采用粒子濾波算法[2]結(jié)合改進(jìn)顏色直方圖信息的方法；手勢(shì)識(shí)別階段，本文采用了基于Hu不變矩特征[3]的輪廓匹配算法[4]；本文研究基于計(jì)算機(jī)視覺的手勢(shì)識(shí)別系統(tǒng)，實(shí)現(xiàn)了在播放控制中運(yùn)用手勢(shì)進(jìn)行開始、翻頁(yè)、退出等功能，極大的提高了課堂教學(xué)的靈活性。

2手勢(shì)檢測(cè)

實(shí)時(shí)視頻圖像中的運(yùn)動(dòng)手勢(shì)檢測(cè)所需要完成的任務(wù)是：能夠快且準(zhǔn)的檢測(cè)出手勢(shì)在實(shí)時(shí)圖像中的主要位置，并且能將位置所在的特定區(qū)域作為后續(xù)跟蹤、識(shí)別的感興趣區(qū)域。手勢(shì)檢測(cè)算法的好壞，直接影響整個(gè)系統(tǒng)的跟蹤以及識(shí)別的效果。

目前，運(yùn)動(dòng)目標(biāo)檢測(cè)[5]的算法比較常用的有三種方法：光流法、幀間差分法和背景差分法。本文考慮實(shí)現(xiàn)環(huán)境為固定攝像頭采集實(shí)時(shí)視頻圖像，背景基本不動(dòng)，因此采用背景差分結(jié)合改進(jìn)顏色直方圖信息的運(yùn)動(dòng)檢測(cè)方法。

2.1背景差分法

本文研究中，選取攝像頭啟動(dòng)后的前10幀圖像的平均作為最初的背景圖像，把以后的實(shí)時(shí)序列圖像當(dāng)前幀和背景圖像相減，進(jìn)行背景消去?？梢缘玫?，運(yùn)動(dòng)手勢(shì)區(qū)域的像素點(diǎn)的差分值比較大，背景區(qū)域的像素點(diǎn)的差分值比較小。另外，由于真實(shí)場(chǎng)景中的背景會(huì)因光線等外部條件產(chǎn)生微小的變化，長(zhǎng)期的誤差積累會(huì)造成最后得不到理想的手勢(shì)區(qū)域，因此背景需要進(jìn)行實(shí)時(shí)更新，從而能及時(shí)反映當(dāng)前幀的背景圖像，背景更新[6]的公式如下：

背景更新操作以后，對(duì)當(dāng)前幀進(jìn)行背景差分，大于閾值th1的圖像點(diǎn)即為運(yùn)動(dòng)手勢(shì)區(qū)域的點(diǎn)，并將得到的運(yùn)動(dòng)手勢(shì)區(qū)域圖像進(jìn)行二值化操作，公式如下：

3手勢(shì)跟蹤

現(xiàn)在常用的一些跟蹤算法主要有：卡爾曼預(yù)測(cè)算法、粒子濾波算法、均值偏移算法以及Camshift跟蹤算法等。考慮到卡爾曼預(yù)測(cè)算法和均值偏移算法等都是線性跟蹤算法，不能很好的應(yīng)對(duì)目標(biāo)運(yùn)動(dòng)的隨機(jī)性，本文采用了粒子濾波算法。

3.1粒子濾波算法原理

粒子濾波法是指通過用一組帶有權(quán)值的隨機(jī)樣本，以及基于這些樣本的估算來(lái)表示動(dòng)態(tài)系統(tǒng)的后驗(yàn)概率密度。當(dāng)樣本很大的時(shí)候，這種估計(jì)就等同于后驗(yàn)概率密度。這些樣本就稱為“粒子”。假設(shè)在t=0時(shí)刻每個(gè)粒子都有一個(gè)解，每個(gè)解與真實(shí)解都有一定的相似度，這個(gè)相似度可以表示為權(quán)重，隨著時(shí)間的增加，相似度越大的粒子權(quán)重越大，而相似度越小的粒子權(quán)重就越小，最后趨于0，從而找到真實(shí)解（如圖2）。

3.2基于改進(jìn)顏色直方圖信息的粒子跟蹤

視頻圖像跟蹤方面，目標(biāo)的運(yùn)動(dòng)模型主要表現(xiàn)為目標(biāo)位置、速度隨時(shí)間改變的狀態(tài)轉(zhuǎn)移過程，目標(biāo)的觀測(cè)模型主要表現(xiàn)為每幀圖像中運(yùn)動(dòng)目標(biāo)的特征（如顏色、輪廓等）與真實(shí)目標(biāo)的相似度的似然過程。在粒子濾波算法中，運(yùn)動(dòng)模型可以稱為粒子傳播或者粒子采樣，它是一種隨機(jī)過程[11]。粒子在經(jīng)過傳播以后，狀態(tài)會(huì)發(fā)生改變，但權(quán)值沒有跟著改變，這就需要系統(tǒng)的觀測(cè)模型對(duì)當(dāng)前粒子的狀態(tài)進(jìn)行計(jì)算從而更新粒子的權(quán)值。本文的研究中，觀測(cè)值由目標(biāo)區(qū)域的顏色直方圖決定。

基于顏色直方圖信息的粒子濾波就是將圖像顏色特征的相似度作為粒子濾波算法要求解的后驗(yàn)概率，利用巴氏距離（Bhattacharyya）來(lái)計(jì)算相似度，得到粒子的權(quán)重。巴氏系數(shù)[12]如公式（9）：

4.2識(shí)別算法過程

本文研究中，首先建立手勢(shì)模板庫(kù)，然后通過實(shí)時(shí)提取手勢(shì)幀，經(jīng)過前面第2部分的結(jié)合改進(jìn)顏色直方圖信息的手勢(shì)檢測(cè)，然后再經(jīng)過形態(tài)學(xué)處理之后，得到效果良好手勢(shì)區(qū)域的二值圖，再用輪廓提取及跟蹤來(lái)得到手勢(shì)的輪廓圖，然后計(jì)算其7Hu矩特征，最后運(yùn)用歐氏距離將其與模板庫(kù)中定義的手勢(shì)進(jìn)行特征匹配，完成手勢(shì)識(shí)別。

輪廓提取就是要掏空內(nèi)部的點(diǎn)：如果其八個(gè)相鄰的點(diǎn)都是黑色，則可以判定為內(nèi)部點(diǎn)，然后刪除改點(diǎn)。

輪廓跟蹤方法：首先找出輪廓中最左下方的點(diǎn)作為搜索的起點(diǎn)，然后按照一定規(guī)則來(lái)搜索手勢(shì)輪廓上的其他像素點(diǎn)。由于輪廓是連續(xù)的，因此每個(gè)輪廓上的點(diǎn)的位置都可以用其前一個(gè)點(diǎn)的所張的角度來(lái)表示。研究中采用如下跟蹤準(zhǔn)則，第一個(gè)點(diǎn)開始定義搜索方向?yàn)樽笊?，如果左上方的點(diǎn)是黑點(diǎn)，則它也是輪廓上的點(diǎn)；如果不是，那么順時(shí)針旋轉(zhuǎn)，直到找到第一個(gè)黑點(diǎn)，即輪廓上的下一個(gè)點(diǎn)。繼續(xù)同樣的方法搜索，直到返回最初的起點(diǎn)，搜索結(jié)束。

下圖是輪廓跟蹤算法[15]的示意圖，搜索方向用箭頭表示。

5系統(tǒng)實(shí)現(xiàn)

本文的系統(tǒng)是在微軟的VS2010平臺(tái)上，使用C++語(yǔ)言進(jìn)行軟件開發(fā)，在圖像處理相關(guān)方面是基于計(jì)算機(jī)視覺庫(kù)（OpenCV）進(jìn)行研究的。程序界面如下圖：

左邊底層區(qū)的按鈕可以觀察實(shí)時(shí)手勢(shì)跟蹤和識(shí)別效果的功能（如圖4和圖7）。

手勢(shì)識(shí)別的結(jié)果可以定義成一個(gè)變量，不同

的識(shí)別結(jié)果對(duì)應(yīng)的變量值不同，然后根據(jù)變量值調(diào)用不同的API接口函數(shù)，這樣就可以實(shí)現(xiàn)實(shí)時(shí)手勢(shì)識(shí)別技術(shù)在演示控制中的應(yīng)用。本文研究在控制部分挑選了六種手勢(shì)，分別控制PPT播放中的開始、退出、上下翻頁(yè)、跳轉(zhuǎn)首末頁(yè)等功能。手勢(shì)命令定義如下：手勢(shì)4控制開始播放；手勢(shì)3控制退出播放；手勢(shì)1控制跳轉(zhuǎn)首頁(yè)；手勢(shì)2為跳轉(zhuǎn)尾頁(yè)；手勢(shì)10為向下翻頁(yè)頁(yè)；手勢(shì)5控制向前翻頁(yè)。對(duì)電腦中某一PPT進(jìn)行實(shí)際的播放控制（列舉其中4個(gè)手勢(shì)的控制狀態(tài)），效果如下：

1）識(shí)別手勢(shì)4，開始播放：

2）識(shí)別手勢(shì)10，向下翻頁(yè)：

3）識(shí)別手勢(shì)1，跳轉(zhuǎn)到首頁(yè)：

4）識(shí)別手勢(shì)3，退出：

系統(tǒng)通過筆記本自帶30W像素的攝像頭，采用DirectShow技術(shù)進(jìn)行實(shí)時(shí)視頻的獲取，圖像尺寸是320*240，fps可以達(dá)到30-60幀/秒，可以很好的滿足實(shí)時(shí)性的要求。

6結(jié)語(yǔ)

本文通過研究設(shè)計(jì)了一個(gè)基于視覺的手勢(shì)識(shí)別技術(shù)在演示控制中的應(yīng)用系統(tǒng)，可以看出背景差分結(jié)合顏色直方圖的運(yùn)動(dòng)檢測(cè)可以得到較好的手勢(shì)區(qū)域效果；采用的基于顏色直方圖的粒子跟蹤也能基本實(shí)現(xiàn)實(shí)時(shí)跟蹤的任務(wù)；在識(shí)別過程中，基于Hu不變矩的輪廓匹配算法具有很好的魯棒性，可以得到較好手勢(shì)識(shí)別效果；在應(yīng)用階段，使用手勢(shì)來(lái)完成控制命令，基本實(shí)現(xiàn)了在播放控制中的應(yīng)用。

同時(shí)，仍存在一些問題：對(duì)于光照和人臉微小晃動(dòng)等外部因素引起的噪聲，只能降低而無(wú)法消除，這對(duì)于手勢(shì)跟蹤與識(shí)別的效果還是有一定的影響，在應(yīng)用時(shí)會(huì)產(chǎn)生一定的誤操作。這些問題仍需繼續(xù)研究，才能使得基于視覺的手勢(shì)識(shí)別技術(shù)得到更成熟的應(yīng)用。

參考文獻(xiàn)

[1]吳曉陽(yáng).基于OpenCV的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[D].杭州：浙江大學(xué)，2008.

[2]CHO J U， JIN S H， PHAM X D. Object tracking circuit using particle filter with multiple features [C] / / SICE-ICASE： International Joint Conference. Las Vegas： IEEE， 2006： 1431-1436.

[3]甘志杰.基于Hu矩和支持向量機(jī)的靜態(tài)手勢(shì)識(shí)別及應(yīng)用[D].青島：青島科技大學(xué)，2008.

[4]華斌，夏利娜.基于中值濾波和Hu矩向量的手語(yǔ)識(shí)別[J].計(jì)算機(jī)工程與設(shè)計(jì)，2011，32（2）： 615- 618.

[5]伏思華，張小虎.基于序列圖像的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)方法[J].光學(xué)術(shù)，2004，30（2）： 215- 217.

[6]LINDEBERC T. Scale-space theory： a basic tool for analyzing structures at different scales [J]. Joumal of Applied Statistics. 1994， 21（2）：224-270.

[7]于華平.視頻序列中的手勢(shì)檢測(cè)與跟蹤[D].南寧：廣西大學(xué)，2010.

[8]QIN WEN， PENG QICONG. An improved particle filter algorithm based on neural network for visual tracking [C] / / International Conference on Communications， Circuits and Systems. Las Vegas： IEEE， 2007：765-768.

[9]龔翔. 基于粒子濾波的視覺跟蹤算法研究[D]. 南京：南京理工大學(xué)，2009.

[10]YU JIAXIA， LIU WENJING， YANG Y. Improved particle filter algorithms based on partial systematic resambling [C]/ /IEEE International Conference on Intelligent Computing and Intelligent Systems. Las Vegas： IEEE， 2010： 483-487.

[11]朱志宇.粒子濾波算法及其應(yīng)用[M].北京：北京科學(xué)出版社，2010.

[12]FAZLI S， POUR H M， BOUZARI H. Particle filter based object tracking with sift and color feature [C] / / Second International Conference on Machine Vision. Las Vegas： IEEE， 2009：89-93.

[13]侯一明，郭雷，倫向敏，等.運(yùn)動(dòng)背景下基于粒子濾波的目標(biāo)跟蹤[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（8）： 62- 64.

篇9

關(guān)鍵詞：果品；無(wú)損檢測(cè)；品質(zhì)

我國(guó)水果產(chǎn)量居世界第一，果品出口成為我國(guó)外貿(mào)的重要組成部分。但是我國(guó)大多數(shù)農(nóng)產(chǎn)品國(guó)際市場(chǎng)競(jìng)爭(zhēng)力弱，出口價(jià)格低廉。其中品質(zhì)因素是重要原因之一，這是由于檢測(cè)技術(shù)、評(píng)判標(biāo)準(zhǔn)等限制，所以對(duì)果品進(jìn)行合適的品質(zhì)檢測(cè)對(duì)提高經(jīng)濟(jì)效益和市場(chǎng)競(jìng)爭(zhēng)力具有重要意義。對(duì)農(nóng)產(chǎn)品品質(zhì)的無(wú)損檢測(cè)，已引起國(guó)內(nèi)外廣泛關(guān)注。

所謂無(wú)損檢測(cè)，又稱非破壞檢測(cè)，是不破壞被檢對(duì)象卻能評(píng)價(jià)其品質(zhì)的方法。它利用自身力學(xué)、光學(xué)、電學(xué)及聲學(xué)等物理性質(zhì)對(duì)評(píng)價(jià)對(duì)象品質(zhì)進(jìn)行非破壞檢測(cè)，并按照一定標(biāo)準(zhǔn)進(jìn)行分級(jí)分選的新興技術(shù)，廣泛應(yīng)用于工業(yè)和農(nóng)業(yè)。農(nóng)業(yè)中的無(wú)損檢測(cè)技術(shù)是利用農(nóng)產(chǎn)品的物理性質(zhì)如光學(xué)性質(zhì)、聲學(xué)性質(zhì)、電磁學(xué)性質(zhì)和熱學(xué)性質(zhì)等的變化而實(shí)現(xiàn)。目前，無(wú)損檢測(cè)技術(shù)主要包括：近紅外技術(shù)、聲學(xué)檢測(cè)技術(shù)、軟X射線技術(shù)、計(jì)算機(jī)視覺技術(shù)、核磁共振檢測(cè)技術(shù)、力學(xué)特性檢測(cè)技術(shù)等。

1.果品無(wú)損檢測(cè)技術(shù)

1.1新型可見、近紅外光譜無(wú)損檢測(cè)技術(shù)

可見、近紅外光譜法是農(nóng)產(chǎn)品內(nèi)部成分無(wú)損檢測(cè)的有效方法，是利用農(nóng)產(chǎn)品吸收、散射、反射和透射光的特性，進(jìn)而確定內(nèi)部成分的方法。近紅外分析技術(shù)作為一種高新分析技術(shù)，能改造我國(guó)傳統(tǒng)農(nóng)業(yè)，提高農(nóng)產(chǎn)品質(zhì)量，尤其是農(nóng)產(chǎn)品加工的質(zhì)量控制，將產(chǎn)生巨大作用。為改造我國(guó)的傳統(tǒng)行業(yè)，企業(yè)迫切需要對(duì)原料進(jìn)行質(zhì)量監(jiān)測(cè)、生產(chǎn)過程監(jiān)控的設(shè)備和技術(shù)。國(guó)際經(jīng)驗(yàn)來(lái)看，近紅外技術(shù)是首選。

韓東海等[1]利用柑橘正常及損傷部位在紫外光源下的差異發(fā)射性，可有效確定柑橘損傷果。Slaugther DC[2]鑒于近紅外和可見光的分光光度技術(shù)，建立完好的桃及油桃內(nèi)部品質(zhì)的無(wú)損關(guān)系式，能夠預(yù)測(cè)完好無(wú)損的桃與油桃的山梨糖醇含量、蔗糖和可溶性固形物等。Lammertyn J[3]通過研究近紅外光譜和可見光譜對(duì)紅玉蘋果質(zhì)量的無(wú)損測(cè)量，進(jìn)而得到雙叉光纖記錄的反射光譜與蘋果參數(shù)之間的關(guān)系。Ali Moghimi[4]等用近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)建立獼猴桃SSC和pH的校正模型，比較多元散射校正、變量標(biāo)準(zhǔn)化、中值濾波和一階導(dǎo)數(shù)光譜預(yù)處理對(duì)所建獼猴桃SSC和pH校正模型的影響，表明變量標(biāo)準(zhǔn)化結(jié)合中值濾波和一階倒數(shù)預(yù)處理光譜后，用PCR-PLS法建立的SSC和pH的校正模型精度較高。

目前，分光檢測(cè)技術(shù)在果蔬品質(zhì)檢測(cè)中的應(yīng)用廣泛，因?yàn)檫@種方法具有適應(yīng)性強(qiáng)、高檢測(cè)靈敏度、人體無(wú)害性、靈活使用性、成本低廉和自動(dòng)化易實(shí)現(xiàn)性等優(yōu)勢(shì)。利用這種技術(shù)能自動(dòng)分級(jí)果品，而合理的分級(jí)標(biāo)準(zhǔn)，便于果品深加工和遠(yuǎn)銷售。近紅外光譜的研究雖起步較晚，但是其應(yīng)用廣，特別是在農(nóng)產(chǎn)品的品質(zhì)檢測(cè)和分級(jí)領(lǐng)域取得較大的進(jìn)展，開發(fā)應(yīng)用前景廣闊。

1.2聲學(xué)無(wú)損檢測(cè)技術(shù)

聲學(xué)無(wú)損檢測(cè)技術(shù)是利用果品聲學(xué)特性與內(nèi)部組織變化的關(guān)系，例如結(jié)構(gòu)、成分、物理狀態(tài)等物化特性信息來(lái)檢測(cè)果品品質(zhì)。聲學(xué)特性是指在聲波作用下農(nóng)產(chǎn)品的反射、散射和吸收特性、衰減系數(shù)和傳播速度及其本身的聲阻抗與固有頻率等，它們均反映聲波與農(nóng)產(chǎn)品相互作用的規(guī)律，這些特性隨農(nóng)產(chǎn)品內(nèi)部組織變化而變化。一般使用低能超聲波來(lái)檢測(cè)，因?yàn)榈湍艹暡ㄔ诒粰z測(cè)物中傳播不會(huì)引起物理或化學(xué)特性變化。超聲方法檢測(cè)果品品質(zhì)始于近年，國(guó)內(nèi)外研究集中針對(duì)水果成熟度、硬度和內(nèi)部質(zhì)量缺陷等無(wú)損檢測(cè)。

與光學(xué)、電學(xué)及其他無(wú)損檢測(cè)技術(shù)相比，聲學(xué)無(wú)損檢測(cè)技術(shù)具有適應(yīng)性強(qiáng)、投資較低、操作簡(jiǎn)便快捷等有死，特別適用于在線檢測(cè)，在農(nóng)產(chǎn)品檢測(cè)領(lǐng)域應(yīng)用前景良好[5]。

1.3軟X射線技術(shù)

適用性極強(qiáng)的X射線成像能夠與圖像識(shí)別、人工智能、現(xiàn)代通信技術(shù)等相聯(lián)系。若待檢測(cè)物體的密度和厚度不同，則不同的透射X射線量產(chǎn)生。鑒于分析穿透量，進(jìn)而判斷果品內(nèi)部品質(zhì)。軟X射線擁有巨大優(yōu)勢(shì)，特別是在農(nóng)產(chǎn)品的內(nèi)部品質(zhì)檢測(cè)上，因軟X射線具有穿透物料的特性，所以檢測(cè)那種易損壞的農(nóng)產(chǎn)品，能無(wú)損檢測(cè)內(nèi)部的品質(zhì)。所需X射線強(qiáng)度方面，農(nóng)產(chǎn)品檢測(cè)弱于工業(yè)，所以稱為低能X射線或軟X射線。這種X射線成像技術(shù)來(lái)檢測(cè)農(nóng)產(chǎn)品內(nèi)部品質(zhì)方法已經(jīng)受到研究者關(guān)注，例如基于X射線成像技術(shù)的檢測(cè)核桃果核與果肉厚度，基于X射線圖像的評(píng)價(jià)牛肉嫩度，以及評(píng)價(jià)紅毛丹內(nèi)部品質(zhì)等。韓東海[6]用X射線來(lái)檢測(cè)柑橘皺皮果，結(jié)果表明射線與激光分析法在果實(shí)品質(zhì)檢測(cè)中的可行性。然而目前國(guó)內(nèi)此方面的技術(shù)開發(fā)較落后，期待學(xué)者們進(jìn)一步的研究和探索。

1.4計(jì)算機(jī)視覺技術(shù)

伴隨專業(yè)化的圖像處理技術(shù)以及下降的計(jì)算機(jī)硬件成本和高速度特性，計(jì)算機(jī)視覺技術(shù)對(duì)農(nóng)產(chǎn)品品質(zhì)自動(dòng)識(shí)別和分級(jí)的應(yīng)用日益廣泛。計(jì)算機(jī)視覺技術(shù)即以各種成象系統(tǒng)代替視覺器官作為輸入敏感手段，借助于計(jì)算機(jī)替代大腦完成處理和解釋。計(jì)算機(jī)視覺的最終研究目標(biāo)是使計(jì)算機(jī)可以像人一樣，通過視覺觀察來(lái)理解世界，具有自主適應(yīng)環(huán)境的能力。

基于機(jī)器視覺的果品無(wú)損檢測(cè)的技術(shù)，一般是借助于CCD攝像頭獲取果品圖像，圖像信息輸入計(jì)算機(jī)，進(jìn)而應(yīng)用檢測(cè)方法和算法得到果品在大小、缺陷、外部損傷、內(nèi)部品質(zhì)等方面的特質(zhì)值，從而來(lái)分級(jí)果品[7]。這種方法通常是由CCD攝像頭、配備圖像采集卡的計(jì)算機(jī)、光照系統(tǒng)和專用圖像處理軟件組成。在一定光源照射情況下，利用CCD攝像頭得到水果形狀、顏色、缺陷等視覺方面的圖像信息，憑借圖像采集卡轉(zhuǎn)換為數(shù)字信號(hào)傳輸?shù)诫娔X，分隔圖像、提取特征值，從而得到特征值參數(shù)和水果顏色、質(zhì)量狀況、破損程度等品質(zhì)指標(biāo)間模型關(guān)系，進(jìn)而確定內(nèi)外品質(zhì)等級(jí)。這種方法快速、準(zhǔn)確、無(wú)損，使用一次能同時(shí)檢測(cè)多項(xiàng)品質(zhì)指標(biāo)，方便設(shè)計(jì)自動(dòng)分級(jí)流水線，自動(dòng)識(shí)別水果外在品質(zhì)（外形、缺陷、顏色、大小等）和內(nèi)在品質(zhì)（成熟度、堅(jiān)實(shí)度、含糖量、含水率等），因此具有廣闊的應(yīng)用前景[8]。

我國(guó)利用計(jì)算機(jī)視覺系統(tǒng)，檢測(cè)農(nóng)產(chǎn)品品質(zhì)和分類農(nóng)產(chǎn)品的研究方法開展較晚，始于20世紀(jì)90年代，但逐漸受到重視。與國(guó)際先進(jìn)水平相比，在農(nóng)業(yè)領(lǐng)域的應(yīng)用我國(guó)計(jì)算機(jī)視覺技術(shù)研究具有一定程度的差距，我國(guó)目前處于實(shí)驗(yàn)研究以及理論探索階段，實(shí)用化和商品化的程度還未達(dá)到。這項(xiàng)項(xiàng)目基于數(shù)碼攝像技術(shù)，通過電腦直接處理圖像信息，其研發(fā)促使使我國(guó)獲得最快速、最便利的視覺技術(shù)。

1.5核磁共振檢測(cè)技術(shù)

1946年，核磁共振現(xiàn)象由美國(guó)科學(xué)家F.Bloch和E.M.Purcell發(fā)現(xiàn)，這一技術(shù)廣泛應(yīng)用于研究物質(zhì)結(jié)構(gòu)。核磁共振可以便利地生成果實(shí)內(nèi)部組織結(jié)構(gòu)的高清圖像。方便檢測(cè)果品壓傷、蟲害以及成熟度，因此在檢測(cè)蘋果、香蕉糖度等方面潛在價(jià)值極高。而那些因采收成熟度而影響品質(zhì)的品種，鑒于核磁共振技術(shù)，能提高收獲和運(yùn)輸可靠性?，F(xiàn)階段，這種技術(shù)要想真正應(yīng)用于果品檢測(cè)和評(píng)價(jià)果品質(zhì)量，還存在諸多問題，然而其優(yōu)勢(shì)明顯，這種技術(shù)無(wú)疑是一種良好的果品無(wú)損檢測(cè)方法[9]。

1.6力學(xué)特性檢測(cè)技術(shù)

基于動(dòng)力學(xué)原理測(cè)度農(nóng)產(chǎn)品硬度的檢測(cè)方法是力學(xué)特性檢測(cè)技術(shù)。采用振動(dòng)頻率分析法以及沖擊力檢測(cè)法，檢測(cè)果品堅(jiān)實(shí)度來(lái)判斷果實(shí)成熟度。力學(xué)特性檢測(cè)技術(shù)方便判斷果品的采收期，依照成熟度分級(jí)、貯藏果品，確定果品的保鮮期和貯存期。盡管這種技術(shù)具有較為堅(jiān)實(shí)的實(shí)踐應(yīng)用基礎(chǔ)及歷史，但介于果品品質(zhì)和物理參數(shù)間的復(fù)雜關(guān)系，實(shí)際應(yīng)用是一個(gè)漫長(zhǎng)的研究過程[10]。

篇10

【關(guān)鍵詞】計(jì)算機(jī)視覺；屏蔽罩；共面度

【Abstract】Computer vision is a branch of science that studies how to make the machine to "see" .Based on this， we developed a set of visual inspection equipment， and applied to the assembly line， to enable it to detect the mobile phone shielding cover coplanar degree and make it quickly and accurately.

【Key words】Computer vision；Shield；Coplanar degrees

0 前言

工業(yè)生產(chǎn)中流水線技術(shù)已經(jīng)成熟，但是機(jī)器的工作效率并不能使產(chǎn)品的合格率完全得到保障。我們需要將檢測(cè)裝置添加到流水線系統(tǒng)中，實(shí)現(xiàn)產(chǎn)品合格與否的信息反饋。通過檢測(cè)產(chǎn)品合格與否，不合格的收回改進(jìn)，來(lái)進(jìn)一步提高生產(chǎn)過程中產(chǎn)品的合格率。而且一個(gè)簡(jiǎn)單的檢測(cè)裝置可以替代大量人工勞動(dòng)，整體上提高生產(chǎn)效率和利潤(rùn)。

屏蔽罩（框）是手機(jī)的重要部件，傳統(tǒng)的屏蔽罩在沖壓成型和超聲清洗過程中會(huì)導(dǎo)致個(gè)別產(chǎn)品的四邊平面度不達(dá)標(biāo)（需小于0.1mm），屏蔽罩平面度的不達(dá)標(biāo)會(huì)影響下一工序的包裝和焊接。因此公司需要一大批工人進(jìn)行平面度人工目測(cè)和人工半自動(dòng)包裝，生產(chǎn)效率較低，檢測(cè)+包裝約650片/人?小時(shí)）。

本項(xiàng)目擬研制一個(gè)自動(dòng)檢測(cè)設(shè)備，用機(jī)器視覺檢測(cè)代替人工檢測(cè)，每臺(tái)機(jī)器可以替換4-5人，生產(chǎn)效率提高5-7倍。

1 總體系統(tǒng)設(shè)計(jì)方案

1.1 檢測(cè)平臺(tái)的搭建

首先根據(jù)需要對(duì)相機(jī)，鏡頭進(jìn)行選型，合理搭配，要求圖像抓取效果要好。其次合理利用光學(xué)原理，給目標(biāo)合適角度合適光照強(qiáng)度，能給相機(jī)抓取最優(yōu)圖像。最后通過驅(qū)動(dòng)設(shè)置相機(jī)參數(shù)進(jìn)一步對(duì)抓取的圖像質(zhì)量進(jìn)行微調(diào)。

1.2 圖像處理

將相機(jī)抓取的圖像傳送到計(jì)算機(jī)利用計(jì)算機(jī)高效運(yùn)算速度進(jìn)行處理。

第一步：圖像預(yù)處理。顏色空間的轉(zhuǎn)換，顏色分量通道提取，圖像銳化，圖像平滑，圖像增強(qiáng)等，都在預(yù)處理范圍。這一步主要目的是增強(qiáng)目標(biāo)區(qū)域，降低噪聲，削弱背景。

第二步：圖像分割。顏色區(qū)域提取，閾值提取，邊緣提取等。這一步目的在于將我們的目標(biāo)信息進(jìn)行降維處理，減少運(yùn)算量。

第三步：特征統(tǒng)計(jì)，模板匹配。

2 待測(cè)物承載平臺(tái)的搭建

整個(gè)平臺(tái)由Basler acA2500 14gm相機(jī)和外部供電電源，亞克力板搭建的平臺(tái)，偉郎可調(diào)節(jié)紅色環(huán)形光源和光源控制器組成。

Basler工業(yè)相機(jī)性能上遠(yuǎn)超普通相機(jī)，可以達(dá)到工業(yè)測(cè)量的高精度要求；亞克力板表面能夠保證較高平滑，這對(duì)于共面的檢測(cè)而言至關(guān)重要；可調(diào)光源可以根據(jù)環(huán)境變化給平臺(tái)進(jìn)行任意需求量的補(bǔ)光，對(duì)于長(zhǎng)時(shí)間工作的工業(yè)測(cè)量必不可少。

平臺(tái)的搭建要方便相機(jī)采集我們所關(guān)心的目標(biāo)的最為清晰的圖像。利用光的折射性質(zhì)，我們就讓光源、目標(biāo)物和相機(jī)成一定角度，剛好光源的光照射到目標(biāo)物上，發(fā)生反射后的放射光剛好射入相機(jī)內(nèi)。這個(gè)時(shí)候感光片能采集到最為理想的圖像，對(duì)于后面的程序中的圖像預(yù)處理也是相當(dāng)方便的。光源的強(qiáng)度調(diào)節(jié)能夠在光源相機(jī)固定后，改變相機(jī)采集到的圖像的亮暗程度，從而對(duì)目標(biāo)景物進(jìn)行適當(dāng)?shù)耐怀雠c削弱。

3 數(shù)字圖像處理

3.1 數(shù)字圖像處理軟件

數(shù)字圖象處理軟件的總體設(shè)計(jì)決定整個(gè)可視化界面的視覺效果。軟件的功能必須能很方便快捷的完成測(cè)量與決策的任務(wù)。

軟件設(shè)計(jì)主要內(nèi)容：可視化界面布局設(shè)計(jì)、圖像處理和決策菜單、處理軟件框架編寫、編寫、各個(gè)按鈕功能實(shí)現(xiàn)和菜單功能編輯等。

功能菜單中包含：圖像預(yù)處理、包含圖像銳化、圖像灰度化、圖像反色、圖像二值化、中值濾波、Sobel邊緣檢測(cè)、Prewitt邊緣檢測(cè)、Robert邊緣檢測(cè)、Kirsch邊緣檢測(cè)、Laplace邊緣檢測(cè)；R轉(zhuǎn)G、R轉(zhuǎn)B、G轉(zhuǎn)R、G轉(zhuǎn)B、B轉(zhuǎn)R、B轉(zhuǎn)G、RG交換、RB交換、BG交換，包含的顏色空間有CMY、HSI、HSV、YU、YIQ，這里提供各種顏色空間的雙向轉(zhuǎn)換。

3.2 設(shè)計(jì)計(jì)算和校核

3.2.1 手機(jī)屏蔽罩邊緣與校準(zhǔn)面縫隙計(jì)算

K=C*N

式中：K：縫隙寬度（mm）；N：縫隙寬度對(duì)應(yīng)的像素個(gè)數(shù)；C：?jiǎn)挝幌袼貙?duì)應(yīng)的實(shí)際尺寸（mm）

N=Imax-Imin

式中：N：縫隙對(duì)應(yīng)的像素個(gè)數(shù)；Imax：縫隙最大處對(duì)應(yīng)的縱坐標(biāo)較大點(diǎn)的坐標(biāo)值；

Imin ：縫隙最大處對(duì)應(yīng)的縱坐標(biāo)較小點(diǎn)的坐標(biāo)值。

3.2.2 攝像系統(tǒng)的尺寸比例的計(jì)算

攝像系統(tǒng)的尺寸比例包括光源和目標(biāo)物的距離，鏡頭和目標(biāo)物的距離，相機(jī)內(nèi)感光片和鏡頭間的距離，標(biāo)準(zhǔn)目標(biāo)物的實(shí)際尺寸。

因?yàn)槲覀冞@里的鏡頭和相機(jī)完全擰合時(shí)，焦距為3m左右，而實(shí)際中需要的焦距為15cm。為了調(diào)整焦距，只能將鏡頭往外擰出3mm才能達(dá)到要求。但是這個(gè)時(shí)候，鏡頭出現(xiàn)向下偏折。這個(gè)時(shí)候利用理論方法計(jì)算存在較大誤差。我們用合格產(chǎn)品作為測(cè)量校準(zhǔn)如圖，合格品側(cè)面厚度為1.2mm。采集多次數(shù)據(jù)，得出單位像素實(shí)際對(duì)應(yīng)的尺寸值，然后作為標(biāo)準(zhǔn)值測(cè)量，如圖1。

圖1 用合格產(chǎn)品進(jìn)行尺寸校準(zhǔn)

1）攝像頭與目標(biāo)距離的計(jì)算

攝像頭和目標(biāo)物的距離在光源和相機(jī)固定后用直尺便可以測(cè)出。我們的平工后，測(cè)的的實(shí)際距離是200mm。

2）攝像圖片尺寸與實(shí)際尺寸比例的計(jì)算

攝像圖片尺寸和實(shí)際尺寸的比例有兩種方法可以求得：

方法一：將一個(gè)已經(jīng)經(jīng)過校準(zhǔn)后的知道具體尺寸的物體放在目標(biāo)物的位置上，采集圖像并計(jì)算對(duì)應(yīng)尺寸的像素個(gè)數(shù)，便可以知道單位像素個(gè)數(shù)代表著實(shí)際尺寸的大小。

計(jì)算公式如下： C=L/N 式中：C：?jiǎn)挝幌袼貍€(gè)數(shù)代表的實(shí)際尺寸大?。╩m）；L：物體的實(shí)際尺寸（mm）；N：在采集的圖像中，L對(duì)應(yīng)的像素個(gè)數(shù)。

方法二：根據(jù)鏡頭的焦距，相機(jī)內(nèi)感光片到鏡頭的距離和鏡頭到目標(biāo)物的距離，然后根據(jù)光學(xué)原理進(jìn)行演算，得出采集的圖像中一個(gè)像素對(duì)應(yīng)的實(shí)際尺寸大小。

3.2.3 數(shù)字圖像處理算法的設(shè)計(jì)

數(shù)字圖像處理算法包括圖像預(yù)處理、圖像濾波、邊緣提取和最終決策。

1）圖像預(yù)處理算法的設(shè)計(jì)

（1）圖像銳化，效果如圖2

這里用目標(biāo)像素點(diǎn)的灰度值與相鄰像素點(diǎn)進(jìn)行差值運(yùn)算，最后結(jié)果和0，255進(jìn)行比較，不同結(jié)果進(jìn)行不同操作。

（2）圖像反色，效果如圖3

圖2 圖像銳化

圖3 圖像反色

3.2.4 圖像濾波算法的設(shè)計(jì)

由于成像系統(tǒng)、傳輸介質(zhì)和記錄設(shè)備等的不完善，數(shù)字圖像在其形成、傳輸記錄過程中往往會(huì)受到多種噪聲的污染。另外，在圖像處理的一些環(huán)節(jié)輸入的對(duì)象不理想時(shí)也會(huì)在結(jié)果圖像中引入噪聲。

它們常常表現(xiàn)為一些較強(qiáng)視覺效果的孤立象素點(diǎn)或者是象素塊。破壞圖像的正確性。通過圖像濾波能很好地保護(hù)圖像目標(biāo)的形狀、大小及特定的幾何和拓?fù)浣Y(jié)構(gòu)特征。

本項(xiàng)目中使用的濾波手段有：中值濾波、圖像閾值二值化（效果如圖4）。

3.2.5 邊緣提取算法的設(shè)計(jì)

1、Sobel算子如下

W1=[-1，-2，-1；0，0，0；1，2，1]；W2=[-1，0，1；-2，0，2；-1，0，1]；

2、Robert算子如下

W1=[-1，0；0，1]；W2=[0，-1；1，0]；效果如圖5。

圖4 圖像閾值二值化

圖5 Sobel算子邊緣提取

代碼實(shí)現(xiàn)如下；

for （i = 1； i < Height-1； i ++）

{

for （j = 1； j < Width-1； j ++）

{

R=-ImageArray[2][i-1][j-1]-2*ImageArray[2][i-1][j]-ImageArray[2][i-1][j+1]+0*ImageArray[2][i][j-1]+0*ImageArray[2][i][j]+0*ImageArray[2][i][j+1]+ImageArray[2][i+1][j-1]+2*ImageArray[2][i+1][j]+ImageArray[2][i+1][j+1]；

G=-ImageArray[1][i-1][j-1]-2*ImageArray[1][i-1][j]-ImageArray[1][i-1][j+1]+0*ImageArray[1][i][j-1]+0*ImageArray[1][i][j]+0*ImageArray[1][i][j+1]+ImageArray[1][i+1][j-1]+2*ImageArray[1][i+1][j]+ImageArray[1][i+1][j+1]；

B=-ImageArray[0][i-1][j-1]-2*ImageArray[0][i-1][j]-ImageArray[0][i-1][j+1]+0*ImageArray[0][i][j-1]+0*ImageArray[0][i][j]+0*ImageArray[0][i][j+1]+ImageArray[0][i+1][j-1]+2*ImageArray[0][i+1][j]+ImageArray[0][i+1][j+1]；

r=-ImageArray[2][i-1][j-1]+0*ImageArray[2][i-1][j]+ImageArray[2][i-1][j+1]-2*ImageArray[2][i][j-1]+0*ImageArray[2][i][j]+2*ImageArray[2][i][j+1]-ImageArray[2][i+1][j-1]+0*ImageArray[2][i+1][j]+ImageArray[2][i+1][j+1]；

g=-ImageArray[1][i-1][j-1]+0*ImageArray[1][i-1][j]+ImageArray[1][i-1][j+1]-2*ImageArray[1][i][j-1]+0*ImageArray[1][i][j]+2*ImageArray[1][i][j+1]-ImageArray[1][i+1][j-1]+0*ImageArray[1][i+1][j]+ImageArray[1][i+1][j+1]；

b=-ImageArray[0][i-1][j-1]+0*ImageArray[0][i-1][j]+ImageArray[0][i-1][j+1]-2*ImageArray[0][i][j-1]+0*ImageArray[0][i][j]+2*ImageArray[0][i][j+1]-ImageArray[0][i+1][j-1]+0*ImageArray[0][i+1][j]+ImageArray[0][i+1][j+1]；

ImageArray1[2][i][j]=MIN（255，MAX（0，MAX（abs（R），abs（r））））；

ImageArray1[1][i][j]=MIN（255，MAX（0，MAX（abs（G），abs（g））））；

ImageArray1[0][i][j]=MIN（255，MAX（0，MAX（abs（B），abs（b））））；

3.2.5 最終決策

通過一系列的計(jì)算之后，決策將對(duì)計(jì)算結(jié)果進(jìn)行判斷，得出手機(jī)屏蔽罩是否合格的結(jié)論，并通過亮燈來(lái)顯示結(jié)果。

4 視覺檢測(cè)系統(tǒng)測(cè)試數(shù)據(jù)

通過選擇合格樣品進(jìn)行多次測(cè)量（如圖6），我們就可以建立一個(gè)標(biāo)準(zhǔn)。樣品與相機(jī)距離保持一致，鏡頭保持焦距不變，這個(gè)時(shí)候合格樣品在檢測(cè)中的數(shù)值為164px，而樣品在合格情況下，這個(gè)像素值對(duì)應(yīng)2.4mm。

因此，單位像素對(duì)應(yīng)實(shí)際尺寸大小為2.4/164=0.0146341mm。

那么，不合格樣品1號(hào)（如圖7）的誤差為（191-164）*0.0146341=0.395mm，即不合格樣品1號(hào)，邊角不共面而且偏差為0.52/2=0.1975mm。

5 結(jié)束語(yǔ)

機(jī)器視覺用機(jī)器代替人眼來(lái)做測(cè)量和判斷，不僅提高了準(zhǔn)確性還提高了效率，這在已經(jīng)成為全球制造業(yè)的加工中心的國(guó)內(nèi)市場(chǎng)，特別是高要求的零部件加工及其相應(yīng)的先進(jìn)生產(chǎn)線越來(lái)越有存在意義。本設(shè)備作為這方面的一個(gè)產(chǎn)品，能夠真真切切的為相關(guān)公司帶來(lái)顯著的經(jīng)濟(jì)效益。

【參考文獻(xiàn)】

[1]徐貴力，毛罕平，胡永光.基于計(jì)算機(jī)視覺技術(shù)參考物法測(cè)量葉片面積[J].農(nóng)業(yè)工程學(xué)報(bào)，2002，01：154-157+3.

[2]孔斌.人類視覺與計(jì)算機(jī)視覺的比較[J].自然雜志，2002，01：51-55.