計算機視覺的基本任務精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的計算機視覺的基本任務主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：計算機視覺的基本任務范文

關鍵詞：智能監控系統；圖像分割技術；圖像識別

中圖分類號：TP391.41 文獻標識碼：A文章編號：1007-9599 (2011) 15-0000-01

The Image Recognition and Analysis of Intelligent Monitoring System

Yi Junxiao

(Beijing University of Technology,Beijing100022,China)

Abstract:At present,along with the computer communication technology and network technology fast development,the image processing technology in the field of science and technology is getting more and more important position.Image recognition belong to intelligent monitoring equipment the most important technology,this paper in this part of the intelligent monitoring system based on intelligent monitoring system image recognition.The key:technology of intelligent image monitoring system image recognition and classification for analysis.

Keywords:Intelligent monitoring system;Image segmentation;Image recognition

一、智能監控系統概述

智能監控系統采用先進的數字圖像壓縮編解碼技術、數字圖像傳輸技術等圖像處理技術，以及模式識別、計算機視覺技術，通過將智能視頻分析模塊增加至監控系統中，借助計算機強大的數據處理能力自動識別不同物體，在分析抽取視頻源中關鍵有用信息的同時，過濾視頻畫面無用的或干擾信息。整個系統組網靈活，可以突破地域的限制，并以最快和最佳的方式發出警報或觸發其它動作，進行遙遠范圍大規模的實時圖像監控和報警處理。

二、智能監控系統圖像識別的關鍵技術

（一）圖像分割技術。圖像分割是由圖像處理邁向圖像分析的關鍵步驟，其實質是正確地劃分屬性區域，在分離日標和背景的基礎上，為計算機視覺的后續處理提供依據。分割技術依據區域的一致性和幾何鄰近度，可以分為三種類型，即基于像素和其鄰域局部特性進行分割的局部技術；以全局信息作為圖像分割依據的全局技術；以及分裂、合并和區域增長技術。圖像分割方法主要包括閾值法、邊緣檢測法以及區域跟蹤法。閾值分割法較為常用，常用的算法有最小誤差閾值法、最大類別方差法及最佳直方圖熵法等。由于傳統的圖像分割算法有著對噪聲敏感、計算量大等方面的缺陷。基于尤其是基于模糊技術的人工智能原理圖像分割算法開始引起人們的關注。在圖像分割過程中所涉及到的模糊技術主要包括模糊闡值技術、模糊聚類技術以及模糊邊緣檢測技術等。

（二）圖像顏色分割原理。圖像顏色分割是將分割具相同或相近顏色特征色塊的圖像處理方法，主要包括：（1）像素分類：像素通過顏色的閾值進行分類，像素采用RGB、YUV、HIS等描述方式。（2）像素連接：將圖像進行游程編碼處理，即將圖像編碼成以run格式為單元的編碼處理。游程編碼處理是run格式指的是一行像素之內相鄰且具有相同邏輯值的像素集合。作為色塊合并的基礎，像素連接通過分類后的像素信息實現。（3）色塊合并：按一定規律合并所得到的游程，即將游程按照parent歸類至一個樹結構下的過程。每一個游程在帶有效信息的基礎上配有指向游程parent的指針。（4）區域融合：為了避免處理過程被判斷為兩個分離開來的區域，需要引入區域融合方法，使相鄰近的部分合并成為一個整體。由于面積和邊框同為區域統計量，因此可以進行同一種密度測量方法的使用。倘若某幾個部分的區域像素密度大于某個闡值，即可將這些區域合并成成為一個區域整體。在色塊合并中，即使區域存在被一根線分割的情況，但這部分的密度倘若仍舊大于闡值，應當將它們看作一個整體區域進行區域融合。

三、智能圖像監控系統的圖像識別與分類

（一）圖象識別技術。圖像識別以研究圖像的分類與描述為主要內容，對圖像用預先存儲的對象物的參照圖案進行匹配，并輸出文字識別和臉部圖像識別等符號信息，或者輸出物置或姿態等數值信息。圖像識別涉及的領域較為廣泛，包括機械加工中零部件的識別、分類；農作物、森林、湖泊和軍事設施的遙感辨別；氣象數據、氣象衛星照片的準確觀測；身份證識別等方面。

圖像識別方法可歸納為統計方法和結構識別方法兩大類。一個圖像識別系統可分為四個主要部分：（1）圖像信息的獲取：將圖片等信息經系統輸入設備進行數字化處理，再輸入計算機以備后續處理。（2）圖像加工和預處理：將原始圖像轉化為適合計算機進行特征提取的形式，包括圖像變換、增強、恢復等，目的是去除干擾、噪聲及差異。（3）圖像特征提取：將調查而得的數據材料進行加工、整理、分析、歸納等處理，以提取出可以反映事物本質的特征。（4）判斷或分類：根據所提取的特征參數，通過采用某種分類判別函數和判別規則分類和辨識圖像信息，最終得到圖像識別結果。（二）圖像識別的幾何特征描述。圖像識別特征具有多種形式的描述，效果取決于圖像識別的具體狀況。在多數情況下，只需圖像的局部特征即可識別圖像，這些特征諸如圖像的灰度級空間分布特征，圖像顏色和波段，圖像隨時間變化的形態，圖像形狀、輪廓、面積和空間點位置等。而圖像識別的幾何特征描述包括周長、面積定義和算法（面積和周長較為容易計算），占空比、圓形度，形狀的投影描述以及特殊的形狀描述子（多數情況下，可以用來簡潔地描述物體圖像形狀）等方面的內容。（三）圖像識別分類器設計。在圖像識別中，分類器的基本任務是通過圖像分類特征、分類運算法則的應用，對圖像進行分類。圖像識別分類器必須提取和選擇特征，以便對被識別的圖像數據進行大規模的壓縮，有利于最終的圖像識別。分類器設計的主要步驟為分類識別特征的確立。此為關鍵步驟，特征若提取得不恰當，就無法精確分類，甚至無法進行分類，良好的特征應具有可區別性、可靠性、獨立性以及數量少四個方面的特征。

特征提取和選擇應當堅持盡可能減少整個識別系統的處理時間和錯誤識別概率的原則。當這兩個原則無法兼得時，則應做出相應平衡的選擇，或者提高整個系統速度，以適應實時需要；或者縮小錯誤識別的概率，以提高識別精度。圖像識別系統的復雜度將隨著特征個數的增加而迅速增長，特別是用來訓練分類器和測試結果的樣本數量，將隨著特征數量的增加呈現指數關系增長。特征選取的方式將因不同的模式而異，并與識別的目的和方法等有著直接的聯系。

參考文獻：

[1]蘇彥華.visualC++數字圖像識別技術典型案例[M].北京:人民郵電出版社,2004