基于单目视觉的路面车辆检测及跟踪方法综述
第24卷 第12期2007年12月
公 路 交 通 科 技
Journal of Highway and Transportation Research and Development
Vol 24 No 12 Dec 2007
文章编号:1002 0268(2007)12 0127 05
收稿日期:2006 08 01
基金项目:江苏省科技计划高技术研究项目(BG2005008)
作者简介:胡铟(1973-),男,江西南昌人,博士研究生,研究方向为计算机视觉、目标检测及跟踪 (huyinyx@163 com)
基于单目视觉的路面车辆
检测及跟踪方法综述
胡 铟,杨静宇
(南京理工大学,江苏 南京 210094)
摘要:首先介绍了车辆检测算法的3种基本组成部分:检测、验证、跟踪,然后根据算法的组成重点介绍了车辆检测以及跟踪的几种主要算法。车辆检测算法包括基于特征的方法、基于光流场的方法和基于模型的方法,车辆跟踪算法包括基于区域相关的方法、基于活动轮廓的方法、基于特征的方法和MeanShift 快速跟踪算法。根据试验结果对各种车辆检测和跟踪方法的优点、缺点以及实际应用中不同情况下适用范围的局限性进行了综合分析。最后在结论部分总结展望了文中介绍的几种车辆检测和跟踪方法的应用前景,并提出了在实际应用时的一些建议和将来的主要研究和发展方向。
关键词:智能运输系统;车辆检测;单目视觉;跟踪中图分类号:TP391 4 文献标识码:A
Veh icle D etection and Tracking Based on Monocu lar Vision
HU Yin,YANG Jing yu
(Nanjing Universi ty of Science &Technology,Jiangsu Nanjing 210094,China)
Abstract :First,the three component of the vehicle detection algori thm including detection,
verification and tracking are
discussed Then,the algorithm of detection and tracking are discussed with emphasis on composition The vehicle detection algorithm includes feature based,op tical flow based and model based method The vehicle tracking al gorithm includes region correlation based,active contours based,feature based and mean shift based method The meri t and di sadvantage of these algori th ms is discussed accordin g to the result of experimentation Finally,some suggestions for fu ture research and application are presented Key words :Intelligent Transport Systems;vehicle detection;monocular visi on;trackin g
0 引言
近年来随着计算机视觉技术的发展,计算机视觉
在智能交通系统中得到了广泛的应用,如交通事件及流量的监测
[1]
、路面病害检测以及智能车辆的自动导
航等。作为智能交通系统的一个方面,智能车辆利用检测和智能算法去理解车辆的即时环境,并且提示驾驶员部分或完全控制车辆的行驶。
智能车辆的应用领域可以分为:
(1)为驾驶员提供建议或警告(碰撞报警)。(2)部分的控制车辆,可以是持续的驾驶辅助,
如行道线的维持,或者是紧急事件的干预,碰撞的紧急避免措施。
(3)完全的控制车辆(自动驾驶系统)。
在过去的几年中,为了研究改良安全性和防止事故的新技术,许多国家和国际间的项目开始启动。车辆事故的统计数据揭示出其他车辆是驾驶员面临的主要威胁。因此研究对驾驶员发出关于行驶环境和可能与其他车辆碰撞的警告辅助系统受到更多的关注。
利用光学传感器的车辆检测是一个极富挑战性的任务,具体说有如下需要解决的难点问题:
(1)车型多样:各种形状,大小,颜色;
(2)复杂且变化的背景:背景复杂并且随摄像机的运动不断变化;
(3)光照变化:天气、环境影响;
(4)遮挡:多辆车辆互相遮挡;
(5)多目标跟踪:同时跟踪多辆车辆并达到实时性的要求。
本文对基于安装在车辆上的视觉系统的车辆检测和跟踪方法进行了综述,这里不包括用于交通监测的固定摄像机系统。
1 车辆检测算法的组成
一般说来车辆检测可以分为两部分:检测和跟踪。检测负责判断图像序列中是否有车辆出现,并得到车辆的大小,位置等基本信息。由于车辆和摄像机自身的运动,车辆在图像平面成像的位置、大小、灰度等数据都在不停的变化中。跟踪根据检测得到的初始信息,在图像序列中跟踪车辆位置、大小和灰度的变化。检测一般说来需要对图像进行遍历性的搜索,由于车辆大小的变化还需要搜索不同的尺度空间。所以说检测算法的时间复杂性一般都比较高。跟踪算法根据一些时间空间的约束条件,可以把搜索空间限制在很小的范围之内。另外由于有检测得到的先验知识可以利用,跟踪算法往往可以达到实时性的要求。
根据算法的组成,我们可以把车辆检测方法分为两类:
(1)只包含检测的算法
如果检测算法可以达到实时性的要求,可以对每帧图像都进行检测而不采用后续的跟踪。一般来说,进行车辆检测时首先要确定感兴趣区域(Region of Interesting)ROI,只在ROI区域内进行搜索,以达到提高搜索效率的目的。ROI的确定一般依靠一些先验知识,如车辆出现的位置一般都在摄像机前方的车道内,车辆具有一些明显的特征,如类似矩形的形状,底部的阴影等都可以作为确定ROI的信息。还可以利用设置检测区域或检测线的方法进一步缩小搜索范围。检测区可以利用车道检测的结果也可以是人为划定的摄像机前方的一块区域。采用这种方法的缺点是只有当车辆的位置与检测区或检测线重叠时才能检测到车辆,但这并不影响实际的应用,因为我们对其他区域的车辆并不关心。
在文献[2]中,将ROI的确定称为提出假设HG (Hypothesis Generation)。在确定的多个ROI中往往有些并不是包含有车辆的区域,这就需要进一步的验证HV(Hypothesis Verification)。验证通常采用模式识别的分类器将ROI分为包含车辆的和非包含车辆的两类。
(2)先检测后跟踪的方法
如果检测算法无法达到实时要求时,可以采用先检测到目标然后再利用跟踪算法进行跟踪的方法。采用这种方法可以进一步缩小检测时所需要的搜索空间。跟踪方法利用在前一帧图像中检测或跟踪到的车辆位置等信息,将搜索空间限制在很小的范围之内。采用跟踪方法的好处是实时性强,但是对于目标的大幅度变化往往不能适应,如车辆快速大幅度的位移,光照条件的剧烈变化等。
2 检测方法
2 1 基于特征的方法
基于特征的方法又称为基于知识的方法(Knowl edge Based Methods)。公路上行驶的前方车辆在灰度图像中具有一些明显的特征:(1)形状特征。大体为矩形,而且满足特殊的形状比例。(2)边界特征。底部水平线、左右两侧的垂直边、后车窗、保险杠、车牌在图像中呈明显规则的水平边界和垂直边界特征。
(3)灰度特征。一般情况下车辆在图像中与背景灰度有显著差异,车辆底部存在灰度数值较小的阴影区域等。(4)对称性特征。车辆的对称特征包括灰度对称、水平边缘和垂直边缘对称。(5)位置特征。一般位于车道线内。
对称性[3,4]、阴影[5,6]、边缘[7,8]等是进行车辆检测常用的特征。在白天较好的光照条件下,车辆底部留下的阴影区域的亮度值明显区别于图像的其他部分。阴影作为特征只能确定车辆的可能出现的大致位置和宽度。利用车辆具有良好的对称性的特点,可以从对称性映射图中得到车辆的位置。利用车辆边缘具有的特点可以很好的将图像中的车辆分割出来,边缘特征强于阴影和对称性特征。阴影和对称性一般用作辅助性的特征,单独使用阴影和对称性往往不能得到确切的结果。通常的做法是将阴影、对称性和边缘特征结合起来使用,这样可以得到较好的检测结果[9~12]。
2 2 基于光流场的方法
光流是空间运动物体被观测面上的像素点运动产生的瞬时速度场,包含了物体3D表面结构和运动的重要信息。一般情况下,光流由摄像机运动、场景中目标运动,或两者的运动产生。当场景中有独立的运动目标时,通过光流分析可以确定运动目标的数目、运动速度、目标距离和目标的表面结构。光流场的计
128
公 路 交 通 科 技 第24卷
算一直以来都是计算机视觉领域中的一个研究重点。
光流分析可以分为连续光流法和特征光流法。连续光流法一般采用基于帧间图像强度守衡的梯度算法,其中最为经典的算法是L K(Lucas&Kanade)法和H S(Horn&Schunck)法。特征光流法是通过特征匹配求得特征点处的光流,可以采用图像边缘和角点作为特征点。特征光流法的主要优点在于:对目标在帧间的运动的限制较小,可以处理大的帧间位移;对噪声的敏感性降低;只处理图像中很少数的特征点,计算量较小,主要缺点是:得到的是稀疏光流场,导致难于提取运动目标的精确形状;特征匹配问题尚未得到较好地解决。另一种计算稀疏光流场的方法是块匹配法。块匹配法假设图像序列的运动最小单位是若干相邻像素的集合(即块,Block)。根据先验的运动模型在相邻帧间进行匹配,计算最优匹配下的块运动参数,从而得到光流场的估计。
光流法能够较好的处理背景运动的情况,无需障碍物的先验知识,但对噪声、光线变化较敏感。而且光流方法计算量较大,实时性较差。在车辆检测中,距离摄像机较远的区域的两帧之间的位移可以小于一个像素,靠近摄像机的区域位移可以超过60个像素[13],连续光流法基本上不适用,而采用特征和块匹配的方法进行光流分析通常需要在不同尺度下进行。另外由于前方车辆和摄像机的相对运动速度较小,其光流几乎淹没在由摄像机自身运动造成的背景光流中,所以使用光流分析检测前方车辆往往得不到可靠的结果。但是由于从旁边超越的车辆和安装摄像机的车辆之间有较大的相对运动速度,所以基于光流的方法较适用于检测从旁边超过的(overtaking)车辆[14~16]。
2 3 基于模型的方法
这种方法的核心是建立的已知车辆对象的精细三维或二维模型与待检测图像之间的匹配操作。较常用的是基于Hausdorff距离的匹配方法。基于模型的方法经常和基于特征的方法相结合,首先基于特征找到车辆的大致区域位置,然后再用模型进行匹配。
在ARGO试验车中,文献[17]采用了基于对称性检测ROI,然后利用建立的矩形二维模型进行匹配的方法。模型的匹配是通过搜索矩形的四个角的方法进行的,并利用透视和尺寸作为约束条件。文献[8]建立了较为精细的车辆二维几何模型,利用构造能量函数的方法进行匹配操作,能量函数中包括了对称性、形状和阴影的信息,并利用遗传算法进行搜索匹配。在文献[19]中,采用了两种车辆模型,近距离车辆的矩形模型和远距离车辆的U形模型。在德国慕尼黑大学的VaMoRs试验车中[20],采用了三维模型匹配的车辆检测方法。在文献[21]中,提出了建立交互式三维模型进行跟踪的方法。
基于模型的方法缺点是对车辆模型的过分依赖,由于车型的多样性,一种模型往往不能适用于所有的车辆,车辆姿态的变化也是固定模型难以适应的。为每种车辆和姿态都建立精细的模型势必造成计算量的成倍增加。特别是采用三维模型时,不利于实时处理。
3 验证方法
验证是为了提高检测识别率的一种补充步骤。前面提到的检测方法往往有一定的误检率,采用验证方法实际上是把检测的任务转化成了模式识别,利用检测方法得到的可能含有车辆的图像区域作为模式分类器的输入,利用已经训练好的分类器进行分类,将误检的不包含车辆的区域识别出来,进一步提高检测的正确率。如果检测方法正确检测率很高的话,则可以省略验证(HV)步骤。
在文献[22]中,首先在多尺度空间利用边缘图像在垂直和水平方向的投影得到含有垂直和水平边缘的图像区域作为ROI,利用Haar小波分解系数作为特征,使用大量的车辆和非车辆图像对SVM进行训练,然后用训练好的支持向量机SVM对ROI进行验证分类,得到含有车辆的区域。在文献[10]中利用阴影和对称性检测ROI,用SVM进行分类。而在文献[23]中采用的是近几年流行的AdaBoost算法作为分类器。
4 跟踪方法
4 1 基于区域相关的方法
基于区域的跟踪方法就是在时域上跟踪车辆检测模块检测出的一个个像素连通块,这些块区域表示检测出的车辆。模板匹配是最常用的基于像素区域相关性的跟踪方法。由于车辆行驶过程中光照条件的变化、相对距离引起车辆成像大小变化、车辆之间的遮挡等原因,选择合适的模板更新策略是跟踪成功的关键。
现有的模板更新策略,大体上可归结为3大类[24]:第1类,单纯地将当前目标图像的最佳匹配位置处的图像作为目标模板进行下一帧图像的匹配;第2类,按照一个固定的权值对当前目标图像最佳匹配位置的图像和旧模板加权来生成新模板;第3类,
129
第12期 胡 铟,等:基于单目视觉的路面车辆检测及跟踪方法综述
根据当前帧跟踪的跟踪质量产生一个权值,对当前目标图像最佳匹配位置的图像和旧模板加权来产生新模板。前两类的更新策略没有考虑到跟踪效果的好坏,显然是不合理的。因为若前一帧图像质量较差,或者前一帧跟踪质量不佳,势必影响后续帧的跟踪,造成跟踪误差累积,从而导致跟踪失败,或者跟踪错误。第3类的更新策略在碰到上述情况时,同样也会或多或少给当前更新的目标模板带来误差。在文献[24]中,采用了保存跟踪过程中的多个历史模板,利用匹配的相关值作为权值,对旧模板和目标图像最佳匹配位置的图像进行加权,获得新模板更新历史模板,然后从历史模板中选取相关系数值最大的模板作为下一帧跟踪的目标模板的方法,取得了较好的跟踪效果。
4 2 基于活动轮廓的方法
活动轮廓模型中最有代表性的是由文献[25]提出的,称为snake的主动轮廓模型(active contour mod el)。在这个方法中,构造了能量函数由以下3种力的组合来控制和约束:(1)控制平滑度的轮廓内部能量;(2)吸引轮廓到特定特征的图像力量;(3)外部约束力。一条snake可以弹性变形,但是任何变化将增加内部能量而产生将它拉回原来位置的力。同时snake处于一个能量场(由图像产生)中,它产生的外力作用在snake上。先给定一个合适的初始化轮廓,在这两种力作用下,snake通过梯度下降法收敛到最近的局部极小值。但这个方法非常依赖于局部信息,最初实现的snake模型对它的初始位置和图像噪声是非常敏感的,轮廓经常会收敛到能量函数的某个局部极小值。
活动轮廓模型跟踪方法的主要思想是先初始勾勒出跟踪目标的轮廓并且不断地在后续帧更新轮廓而达到跟踪的目的[26~29]。由于在复杂的背景下,Snake易受到背景中的一些强边缘和噪声的影响,使之脱离跟踪目标,使用活动轮廓的跟踪方法一般都是在较简单的背景下实现的。另外基于活动轮廓的方法计算量一般都比较大,实时性是一个问题。基于活动轮廓的跟踪方法还没有达到实用阶段,而在医学图像分割等方面得到了较成功的应用。
4 3 基于特征的方法
基于特征的方法则是将车辆的特征作为最小跟踪单元。常用的特征有角点、边缘、线段、小面或局部能量等。首先要进行特征提取,然后对相邻两帧图像的特征进行匹配,达到跟踪的目的。特征匹配即在提取特征后,对特征属性矢量作相关度计算,相关系数的峰值即为匹配位置。
采用基于特征的方法计算量明显小于基于相关和活动轮廓的方法,较适用于实时系统中。但在跟踪过程中,存在遮挡和噪声等原因造成的特征消失或出现虚假特征以及消失的特征再现等问题。另外需要进行特征聚类,从众多的特征中分析出哪些是属于同一辆车的。
4 4 MeanShift快速跟踪算法
MeanShift是近几年较为流行的跟踪算法。具体的算法可以参考文献[30、31、32]。在这里有一点要注意。在灰度图像中,MeanShift跟踪算法中的目标模式退化成灰度直方图,由于直方图特征里不含有目标的结构信息(不同图像可以有相同的直方图),虽然采用MeanShift算法的收敛速度较快,但鲁棒性不强。MeanShift算法实际上只是一种梯度向上的搜索加速的方法。如果要提高跟踪的鲁棒性,应该从选取更好的目标模式出发。
5 结论
本文分析了基于单目视觉的车辆检测常用的一些检测和跟踪方法。车辆检测算法是智能车辆的核心算法之一,目前还处于研究阶段。
车辆检测的关键是将车辆从背景中分割出来,这就需要利用车辆不同与背景的一些空间的或时间的显著特征。从目前的检测方法来看,基于特征和模型的方法对于检测前方的车辆较为成功,光流法较适用于检测从旁边超越的车辆。基于特征的方法的关键是寻找稳定可靠的车辆特征,多种特征的融合算法是提高检测精度的一种途径。建立正确的车辆模型是基于模型的方法的基础。固定的模型往往不能适应车辆姿态的变化,建立自适应的模型算法和采用三维模型是将来的研究方向。
跟踪方法中较常用的是基于区域相关和特征匹配的方法。使用模板匹配跟踪需要采用合适的模板更新策略,特征提取和匹配是基于特征匹配的跟踪方法的关键。实际上检测和跟踪的界限并不明显,跟踪实际上就是根据目标当前信息在下一帧图像中检测目标的位置。很多检测方法都可以用于跟踪,如基于光流、特征、模型的方法等。
采用立体视觉以及多传感器融合的方法也是车辆检测的常用方法,但是由于采用单目视觉具有算法成熟、实时性高等优点,因此目前多数车辆检测方法都是基于单目视觉的。但是立体视觉以及多传感器融合的方法有着不可替代的优点,因此是将来车辆检测算法的发展方向。
130
公 路 交 通 科 技 第24卷
参考文献:
[1] 汤淑明,王坤峰,李元涛 基于视频的交通事件自动检测技术
综述[J] 公路交通科技,2006,23(8):116-121
[2] ZEHANG SUN,BEBIS G,M ILLER R On Road Vehicle De tection:A
Review[J] IEEE Transacti ons on Pattern Analysis and Machi ne Intel
li gence,2006,28(5):694-711
[3] LIU T,Z HENG N,ZHAO L,et al Learning based Symmetric Fea
tures Selecti on for Vehicle Detecti on[C] IEEE Proceedi ngs of Intelli
gent Vehicles Symposi um IEEE,2005:124-129
[4] SCHWARZINGER M,ZIELKE T,NOLL D,e t al Vi sion Based Car
Following:Detection,Tracking,and Identification[C] Proceedings
of the Intelligent Vehicles 92Symposium 1992:24-29
[5] CHARKARI N M,MORI H A Ne w Approach for Real TimeM oving Ve
hicle Detection[C] Proceedi ngs of the IEEE RSJ International Con
ference on Intelligent Robots and Systems 1993,1:273-278
[6] ALI A,AFGHANI S Shadow Bas ed On Road Vehicle Detection and
Veri fication Using HA AR Wavelet Packe t Transform[C] First Inter
nati onal Conference on Information and Communication Technolo
gies 2005:346-346
[7] KU TSUMA Y,YAG UCHI H,HAM AMO TO T Real ti me Lane Li ne
and Forward Vehicle Detecti on by Smart Image Sens or[C] IEEE In
ternational Symposium on Communications and Informati on Technology IEEE,2004,2:957-962
[8] SRINIVASA N Vis ion bas ed Vehicle Detecti on and Tracking Method for
Forward Collision Warni ng in Automobiles[C] Intelligent Vehicle
Symposi um 2002,2:626-631
[9] HOFF MAN C,DANG T,STILLER C Vehicle de tection fusi ng2D vi
s ual features[C] IEEE Proceedi ngs of Intelligent Vehicles Sympos
ium IEEE,2004:280-285
[10]CLAD Y X,CO LLANGE F,J URIE F,et al Cars detection and track
ing with a vision sens or[C] IEEE Proceedings of Intelligent Vehicles
Symposi um IEEE,2003:593-598
[11]HUANG S S,CHEN C J,HSIAO P Y,et al On Board Vision System
for Lane Recogniti on and Front Vehicle Detec tion to Enhance Driver s
A wareness[C] IEEE Proceedings of International Conference on Ro
botics and Automati on IEEE,2004,3:2456-2461
[12]李斌,王荣本,郭克友 基于机器视觉的智能车辆障碍物检测
方法研究[J] 公路交通科技,2002,19(4):126-129 [13]FLETCHER L,PETER SSO N L,ZELINSKY A Driver Assis tance Sys
te ms based on Vision In and Out of Vehicles[C] IEEE Proceedings of
Intelligent Vehicles Symposium IEEE,2003:322-327
[14]J UNXIAN WANG,BEBIS G,MILLER R Overtaking Vehicle Detecti on
Usi ng Dynamic and Quasi Static Background Modeling[C] IEEE
Computer Society Conference on Computer Vision and Pattern
Recognition IEEE,2005,3:64-64
[15]GILLNER W J M otion based vehicle detecti on on motorways[C] Pro
ceedings of the Intelligent Vehicles 95Symposi um 1995:483-487 [16]BA TAVIA P H,POMERLEAU D E,THORPE C E Overtaking Vehicle
Detecti on Using Implicit Optical Flow[C] IEEE Conference on Intel
li gent Trans portation System IEEE,1997:729-734 [17]BENSRHAIR A,BER TOZZI M,BROG GI A,et al Cooperative Ap
proach to Vision bas ed Vehicle Detecti on[C] IEEE Proceedings of
Intelligent Transportati on Sys tems IEEE,2001:207-212
[18]COLLAD O J M,HILARIO C,D E LA ESCA LERA A,et al Model
Bas ed Vehicle Detec tion for Intelli gent Vehicles[C] IEEE Proceed
ings of Intelli gent Vehicles Symposi um IEEE,2004:572-577 [19]曾智洪 高速公路中的行车道检测和车辆跟踪[J] 自动化学
报,2003,29(3):450-456
[20]SCHMID M An Approach to Model Bas ed3 D Recogni ti on of Vehicles in
Real time by Machi ne Vision[C] Proceedi ngs of the IEEE RSJ GI In
ternational Conference on Intelli gent Robots and Sys tems 94 Advanced
Robotic Systems and the Real World ,IROS 94 1994,3:2064-
2071
[21]GARD NER W F,LA WTO N D T Interactive Model Based Vehicle Track
ing[J] IEEE T rans ac tions on Pattern Analysis and M achine Intelli
gence,1996,18(11):1115-1121
[22]ZEHANG SUN,MILLER R,BEBIS G,et al A Real ti me Precrash
Vehicle Detecti on System[C] Proceedings of Sixth IEEE Workshop
on Applications of Computer Visi on IEEE,2002:171-176
[23]KHAM MARI A,NASHASHIBI F,ABRA MSON Y,et al Vehicle de
tection combining gradient analys is and AdaBoost classification[C] IEEE Proceedings of Intelli gent Transportati on Systems IEEE,2005:66
-71
[24]朱永松,国澄明 基于相关系数的相关跟踪算法研究[J] 中
国图像图形学报,2004,9(8):963-967
[25]M KASS,A WI TKIN,DTERZOP OULOS Snakes:Acti ve contour mode
ls[J] Internati onal Journal of Co mputer Vision,1988,1(4):321-
331
[26]LEY MARIE F,LEVINE M D Tracking Deformable Objects in the Plane
Usi ng an Active Contour Model[J] IEEE Transactions on Pattern
Anal ysis and Machine Intelligence,1993,15(6):617-634 [27]PEREZ P,GIDAS B M otion Detecti on and Tracki ng Using Deformable
Templates[C] IEEE Proceedings of International Conference on Image
Processi ng IEEE,1994,2:272-276
[28]PARAGIOS N,DERICHE R Geodesic Acti ve Contours and Level Sets
for the Detection and Tracking of Movi ng Objects[J] IEEE Transac
tions on Pattern Analysis and Machine Intelligence,2000,22(3):
266-280
[29]ZHONG Y U,J AIN A K,D UBUISSON J OLLY M P Objec t Tracki ng
Usi ng Deformable Templates[J] IEEE Transacti ons on Pattern Analys
is and Machine Intelligence,2000,22(5):544-549
[30]CO MANICIU D,RA MESH V,MEER P Kernel Based Object Tracking
[J] IEEE Trans actions on Pattern Analysis and Machi ne Intelligence,
2003,25(5):564-577
[31]CO MANICIU D,MEER P Mean Shift:A Robus t Approach To ward Fea
ture Space Analysis[J] IEEE Trans actions on Pattern Analysis and M achi ne Intelli gence,2002,24(5):603-619
[32]YIZ ONG CHENG Mean Shift,Mode Seeking,and Clus tering[J] IEEE
Transactions on Pattern Analysis and M achine Intelli gence,1995,17
(8):790-799
131
第12期 胡 铟,等:基于单目视觉的路面车辆检测及跟踪方法综述
基于单目视觉的路面车辆检测及跟踪方法综述_胡铟
第24卷 第12期2007年12月 公 路 交 通 科 技 Journal of Highway and Transportation Research and Development Vol .24 No .12 Dec .2007 文章编号:1002-0268(2007)12-0127-05 收稿日期:2006-08-01 基金项目:江苏省科技计划高技术研究项目(BG2005008) 作者简介:胡铟(1973-),男,江西南昌人,博士研究生,研究方向为计算机视觉、目标检测及跟踪.(huyinyx @https://www.wendangku.net/doc/172391781.html, ) 基于单目视觉的路面车辆 检测及跟踪方法综述 胡 铟,杨静宇 (南京理工大学,江苏 南京 210094) 摘要:首先介绍了车辆检测算法的3种基本组成部分:检测、验证、跟踪,然后根据算法的组成重点介绍了车辆检测以及跟踪的几种主要算法。车辆检测算法包括基于特征的方法、基于光流场的方法和基于模型的方法,车辆跟踪算法包括基于区域相关的方法、基于活动轮廓的方法、基于特征的方法和MeanShift 快速跟踪算法。根据试验结果对各种车辆检测和跟踪方法的优点、缺点以及实际应用中不同情况下适用范围的局限性进行了综合分析。最后在结论部分总结展望了文中介绍的几种车辆检测和跟踪方法的应用前景,并提出了在实际应用时的一些建议和将来的主要研究和发展方向。 关键词:智能运输系统;车辆检测;单目视觉;跟踪中图分类号:TP391.4 文献标识码:A Vehicle D etection and Tracking Based on Monocular Vision HU Yin ,YANG Jing -yu (Nanjing Univers ity of Science &Technology ,Jian gsu Nanjing 210094,China ) Abstract :First ,the three component of the vehicle detection algorithm including detection , verification and tracking are discussed .Then ,the algorithm of detection and tracking are discussed with emphasis on composition .The vehicle detection algorithm includes feature based ,optical flow based and model based method .The vehicle tracking al gorithm includes region correlation based ,active contours based ,feature based and mean shift based method .The merit and disadvantage of these algorith ms is discussed accordin g to the result of experimentation .Finally ,some suggestions for future research and application are presented .Key words :Intelligent Transport Sy stems ;vehicle detection ;monocular vision ;trackin g 0 引言 近年来随着计算机视觉技术的发展,计算机视觉 在智能交通系统中得到了广泛的应用,如交通事件及流量的监测 [1] 、路面病害检测以及智能车辆的自动导 航等。作为智能交通系统的一个方面,智能车辆利用 检测和智能算法去理解车辆的即时环境,并且提示驾驶员部分或完全控制车辆的行驶。 智能车辆的应用领域可以分为: (1)为驾驶员提供建议或警告(碰撞报警)。(2)部分的控制车辆,可以是持续的驾驶辅助, 如行道线的维持,或者是紧急事件的干预,碰撞的紧急避免措施。 (3)完全的控制车辆(自动驾驶系统)。 在过去的几年中,为了研究改良安全性和防止事故的新技术,许多国家和国际间的项目开始启动。车辆事故的统计数据揭示出其他车辆是驾驶员面临的主要威胁。因此研究对驾驶员发出关于行驶环境和可能与其他车辆碰撞的警告辅助系统受到更多的关注。 利用光学传感器的车辆检测是一个极富挑战性的任务,具体说有如下需要解决的难点问题: (1)车型多样:各种形状,大小,颜色;
微生物检测技术在食品检测中的应用研究进展 文献综述
微生物检测技术在食品检测中的应用研究进展 摘要：食品问题关系国计民生，食品的安全越来越受到人们关注。在食品工业迅速发展的今天，建立食品微生物快速检测方法，对食品质量进行检测、监控尤为重要。近几年各国的许多机构和学者都很重视食品微生物检测技术和方法的研究，本文对此进行了详细的介绍。 关键词：检测技术微生物食品安全 Progress of the research on the application of Microbial Detection Technology in food testing Abstract:Food is the people's livelihood. Food safety has received more and more attention. At present, the food industry is developing rapidly. Therefore, developing an rapid testing method of Microorganism in the food is especially important in detection and monitoring of food quality. In recente years, many institutes and researchers from different country attach great importance to the research of food microbiological testing techniques and methods. This article will give a detailed introduction to this below. Key words:the testing techniques Microorganism food safety 1前言 随着时代的不断发展，人们生活水平不断提高，食品安全问题也越来越受到人们的关注，近几年来，三聚氰氨、苏丹红、漂白剂等等一系列的食品安全问题使人们对食品产生了强烈的不信任感，因此，食品微生物检测技术的应用也越来越广泛，同时，食源性微生物的检测技术也趋向迅捷、准确、大通量的方向发展。以往的食品微生物检测技术已经无法应对现代的食品安全问题，检测速度缓慢、检测精度不精确，因此，应当采取新的食品微生物检测技术，现代的检测技术包括色谱法与荧光分析法、阻抗法、放射测量法、ELISA法和生物传感器法，结合我国实际情况，在建立标准的食源性微生物检测方法，推广标准化、检测技术的应用等方面还要很多工作要做[1]。 2 食品微生物检验的内容和特点 2.1 食品的污染程度指示菌的检验 （1）细菌总数：又称菌落数，是判断食物和应用水污染的主要指标。这是一种可以为卫生学检验评价提供依据的方法。 （2）大肠杆菌：这种细菌主要是来自人们本身的粪便，所以对大肠杆菌的数量来检验食物或饮
针对中药川乌的多成分同时检测并评价其药动学的分析进展
针对中药川乌的多成分同时检测并评价其药动学的分析进展 发表时间：2018-11-07T12:02:17.627Z 来源：《中国误诊学杂志》2018年第26期作者：陆一一[导读] 文章主要从相关学者的研究报道中总结了中药川乌含量检测与药动学情况，现作以下的综述。 北京中医药大学附属护国寺中医医院药剂科 100035 摘要：中药川乌属于一种常见药物，其主要成分即为二萜生物碱。文章主要从相关学者的研究报道中总结了中药川乌含量检测与药动学情况，现作以下的综述。 关键词：中药川乌；成分检测；药动学；进展 1.前言 川乌属于毛茛科植物乌头（AconitumcarmichaeliiDebx.）干燥的母根，大毒，主要功效是温经止痛与祛风除湿，在心腹冷痛、风寒湿痹与关节疼痛等病症中比较常用。川乌的化学成分比较复杂，包含生物碱类的成分，而有效的成分为二萜生物碱，在中枢神经、抗炎、心血管、镇痛以及镇静方面有较好的作用。近几年，越来越多学者开始研究二萜生物碱，并且发表了不少报道，为川乌的医学应用提供了参考。 2.川乌含量的测定 液相色谱-质谱联用法（LC-MS）与高效液相色谱法（HPLC）在中药的质量控制之中应用越发广泛，而中药饮片与复方制剂之中的化学成分使得人们开始重视多指标与多成分的检测。相关研究[1]中采取HPLC方法，经对新乌头碱、双酯型生物碱乌头碱以及次乌头碱总量限度进行控制，确保川乌药材质量，川乌制药主要经对苯甲酰次乌头原碱以及双酯型生物碱乌头碱等进行控制，确保川乌有效性以及安全性。有学者[2]经HPLC方法构建乌头汤、川乌与制川乌三类双酯型新乌头碱、生物碱的乌头碱以及次乌头碱定量分析的方法，然而，使用容易损毁色谱柱固定相强碱性流动相的三乙胺与二乙胺，并且只可以定量分析双酯型的生物碱。有学者[3]把A相[乙腈-四氢呋喃（25∶15）]-B相[0.1mol/L醋酸铵]当作流动相，实施梯度的洗脱，构建新乌头碱、乌头碱以及次乌头碱等定量分析的方法，这种方法可以防止三乙胺与二乙胺等强碱性的流动相损坏了流动相对色谱柱，同时可以同时测定单酯型与双酯型的生物碱。 3.评估二萜生物碱的药动学 3.1生物样品前处理 3.1.1液液的萃取方法 乌头二萜生物碱属于脂溶性的生物碱，置于合适溶剂之中，其溶解度比水相之中溶解度要大，在尿样与血样等生物的样品之中，含有诸多内源性的杂质，并且是强极性水溶性的杂质，而采取适当有机溶剂能够将大部分的杂质去除。这种发光法广泛应用于乌头类二萜生物碱生物样品的测定中，经常会应用乙酸乙酯、乙醚以及氯仿有机类试剂萃取样品，主要优势是费用低廉与操作简单，但是容易出现乳化的现象，造成药物损失，降低了回收率。 3.1.2固相的萃取方法 近几年，在生物样品的纯化中开始广泛应用固相萃取方法，可以把有离子交换、吸附与分配等性质担体当作萃取剂，填入到小柱之中，通过溶剂淋洗以后，通过生物样品，在担体上保留杂质或是药物，采取适当的溶剂将杂质洗去，经适当的溶剂洗脱药物。经固相萃取方法处理含乌头类的二萜生物碱尿样以及血样，研究结果得出，这种方法的速度比较快，没有乳化的现象，可以同时提取中药的多种成分，有较高的提取率。 3.1.3沉淀蛋白方法 早生物样品之中非必要的成分去除时常用方法即为沉淀蛋白方法，这种方法是降低杂质对于待测成分干扰。尿沉淀的蛋白法主要包含等电点的沉淀法、盐析法以及有机溶剂的沉淀法等，若溶剂中含有丙酮、乙腈以及甲醇等，可以采取沉淀蛋白方法，这种方法主要优势是操作比较简单，并且检测的用量比较少，无需使用较多溶剂，可以降成本降低，缩小溶剂危害，并且有较高的可靠性与灵敏度。 3.2分析体中二萜生物碱药动学的行为特征 现阶段，研究川乌二萜生物碱药动学方面，主要集中新乌头碱、在双酯型的生物碱乌头碱以及次乌头碱。经研究[4]虚寒大鼠、正常大鼠以及虚热大鼠体中药动学的研究可知，在虚热的大鼠体中次乌头碱达峰值的速度要比虚寒大鼠、正常大鼠快，说明各种状态大鼠的体中次乌头碱药动学存在差异，并且在虚寒状态中次乌头碱可以对症进行治疗，对虚热状态属于反证，正常状态的作用强烈时表现出毒性，给对症下药与辨证论治奠定了基础。有学者[5]按照大鼠体重尾静脉注射1.8g/kg四逆汤的制剂，研究表明在大鼠的体中，四逆汤的制剂中乌头生物碱呈现出一级动力学的消除，与静脉注射以后开放房室的模型相符，其半衰期是0.93201小时。有学者[6]采取液质的联用技术研究新乌头碱、乌头碱以及次乌头碱在大鼠体中药动学，得出这三种生物碱的吸收比较迅速，且半衰期与达峰值时间差异不够显著，说明大鼠体中这三种生物碱消除速率、吸收速率没有显著差异。 4.结语 总之，研究中药质量的控制以及中药的药动学，主要目的就是确保用药有效性以及安全性。现阶段，不同批次或是不同产地川乌药材之中含有的化学成分存在显著差异，并且质量不一。在体中，川乌化学的成分药动学研究相对复杂，经过研究新乌头碱、双酯型的生物碱乌头碱以及次乌头碱得出，在体中乌头碱类的生物碱可以迅速吸收，并且含有川乌复方之中，经配伍组的药材能够影响到新乌头碱的生物碱吸收情况。所以在研究复方中的川乌成分药动学时，需要对配伍比例以及配伍药材进行充分考虑，防止影响了川乌的化学成分，继而给临床的治疗奠定基础。 参考文献： [1]杨华生，闻丽珍，黎晓丽等.基于经皮给药研究制川乌与白芍配伍对大鼠皮肤及肝微粒体中CYP450活性的影响[J].中国医院药学杂志，2018，38（01）：5-9，13.
机器视觉文献综述
一、机器视觉与图像采集的研究的意义 “作为一项关键性的自动化技术，机器视觉在发展中国家中对经济的现代化非常重要。为了在世界市场中进行竞争，发展中经济不能无限期的依赖于廉价劳动力。“AIA市场分析员Kellett说。同样地，现代化必须实现高效率、高生产率以及高质量。这也是机器视觉的作用所在，”对机器视觉长期需求这样的趋势是发展中国家实现经济现代化的基础。因此，机器视觉对于世界经济的发展将越来越重要。” 二、机器视觉与图像采集的研究的现状 国外机器视觉发展的起点难以准确考证，其大致的发展历程是：在机器视觉发展的历程中，有3个明显的标志点，一是机器视觉最先的应用来自“机器人”的研制，也就是说，机器视觉首先是在机器人的研究中发展起来的；二是20世纪70年代CCD图像传感器的出现，CCD摄像机替代硅靶摄像是机器视觉发展历程中的一个重要转折点；三是20世纪80年代CPU、DSP等图像处理硬件技术的飞速进步，为机器视觉飞速发展提供了基础条件。 国内机器视觉发展的大致历程：中国正在成为世界机器视觉发展最活跃的地区之一，其中最主要的原因是中国已经成为全球的加工中心，许许多多先进生产线己经或正在迁移至中国，伴随这些先进生产线的迁移，许多具有国际先进水平的机器视觉系统也进入中国。对这些机器视觉系统的维护和提升而产生的市场需求也将国际机器视觉企业吸引而至，国内的机器视觉企业在与国际机器视觉企业的学习与竞争中不断成长。 三、机器视觉与图像采集技术在各个领域的应用 视觉技术的最大优点是与被观测对象无接触,因此,对观测与被观测者都不会产生任何损伤,十分安全可靠,这是其它感觉方式无法比拟的. 理论上,人眼观察不到的范围机器视觉也可以观察,例如红外线、微波、超声波等,而机器视觉则可以利用这方面的传感器件形成红外线、微波、超声波等图像. 另外,人无法长时间地观察对象,机器视觉则无时间限制,而且具有很高的分辨精度和速度. 所以,机器视觉应用领域十分广泛,可分为工业、科学研究、军事和民用4 大领域. 3. 1 工业领域 工业领域是机器视觉应用中比重最大的领域,按照功能又可以分成4 类:产品质量检测、产品分类、产品包装、机器人定位. 其应用行业包括印刷包装、汽车工业、半导体材料/ 元器件/ 连接器生产、药品/ 食品生产、烟草行业、纺织行业等.下面以纺织行业为例具体阐述机器视觉在工业领域的应用[9 ] .在纺织企业中,视觉检测是工业应用中质量控制的主要组成部分,用机器视觉代替人的视觉可以克服人工检测所造成的各种误差,大大提高检测精度和效率. 正是由于视觉系统的高效率和非接触性,机器视觉在纺织检测中的应用越来越广泛[10 - 12 ] ,在许多方面已取得了成效.机器视觉可用于检测与纺织材料表面有关的性能指标见表4. 目前主要的研究内容可分为3 大类: 纤维、纱线、织物. 由于织物疵点检测(在线检测) 需要很高的计算速度,因此,设备费用比较昂贵. 目前国内在线检测的应用比较少,主要应用是离线检主要的检测有纺织布料识别与质量评定、织物表面绒毛鉴定、织物的反射特性、合成纱线横截面分析、纱线结构分析等. 此外还可用于织物组织设计、花型纹板、棉粒检测、分析纱线表面摩擦。 3. 2 民用领域 机器视觉技术可用在智能交通、安全防范、文字识别、身份验证、医疗设备等方面. 在医学领域,机器视觉用于辅助医生进行医学影像的分析,主要利用数字图像处理技术、信息融合技术对x 射线透视图、核磁共振图像、CT 图像进行适当叠加,然后进行综合分析,以及对其它医学影像数据进行统计和分析。 3. 3 科学研究领域 在科学研究领域可以利用机器视觉进行材料分析、生物分析、化学分析和生命科学,如
天然产物化学综述.(乌头碱)
天然产物化学综述 xxxxxxxx的研究进展 院－系：理学院化学系 专业：化学 年级：2013化学一班 学生姓名：丁顶云 学号：201301020331 2014年11月
乌头碱研究进展 摘要：乌头碱(Aconitine)，别名：附子精，是存在于川乌、草乌、附子等植物中的主要有毒成份。它主要使迷走神经兴奋，对周围神经损害。中毒症状以神经系统和循环系统的为主，其次是消化系统症状。关键词：乌头，提前，检测，简述 一、乌头碱（生物碱）的简述 生物碱是存在于自然界（主要为植物，但有的也存在于动物）中的一类含氮的碱性有机化合物，有似碱的性质，所以过去又称为赝碱。大多数有复杂的环状结构，氮素多包含在环内，有显著的生物活性，是中草药中重要的有效成分之一。具有光学活性。有些不含碱性而来源于植物的含氮有机化合物，有明显的生物活性，故仍包括在生物碱的范围内。而有些来源于天然的含氮有机化合物，如某些维生素、氨基酸、肽类，习惯上又不属于“生物碱"。 乌头碱(Aconitine)，别名：附子精，是存在于川乌、草乌、附子等植物中的主要有毒成份。它主要使迷走神经兴奋，对周围神经损害。中毒症状以神经系统和循环系统的为主，其次是消化系统症状。临床主要表现为口舌及四肢麻木，全身紧束感等，通过兴奋迷走神经而降低窦房结的自律性，引起易位起搏点的自律性增高而引起各心律失常，损害心肌。口服纯乌头碱0.2mg 即可中毒，3—5mg可致死。民间常用草乌、川乌等植物来泡制药酒。但在此警醒大家它们都具有足以致命的毒性。 乌头属植物的主要活性成分, 但具有较强的毒性,一方面,能刺激人体神经系统, 表现出先兴奋, 后麻痹的症状,对迷走神经有强烈的兴奋作用,可引起窦房结抑制,房室传导阻滞,进而导致心律缓慢或心律失常,另一方面, 也可直接作用于心肌, 增高心肌应激性, 引起早博、心动过速以及呼吸麻痹致死，乌头碱虽然具有毒性,但其有一定的药理性，现代药理研究证实,乌头类及其复方制剂具有抗炎、免疫抑制、麻醉止痛、抗肿瘤等作用,对心血管系统则表现为强心、降血压、扩张血管等作用 二、乌头碱的性质和作用 物化性质：六方形片状结晶。熔点204℃。旋光度[α]D+17.3°)。水溶液对石蕊呈碱性反应，pK5.88。溶于无水乙醇、乙醚和水，微溶于石油醚。乌头碱属二元酯类，容易被水解 主要作用：强心剂，免疫抑制，局部麻醉，镇痛。 三、乌头碱的检测方法 中和法：此方法简单易行,不需要昂贵的仪器设备,容易普及,但测定的只是药材或制剂中的总碱的含量,选择性较差 分光光度法：取样量小、准确、重现性好、易普及推广 高效液相色谱法(HPLC)：经适当改进而发展起来的,既具有普通液相层析功能又具有气相色谱的特点, 并具有高温、高速、高灵敏度、高分辨度等优点。 薄层扫描法( TLCS)：设备简单、操作方便、灵敏度高、分辨率强
目标跟踪相关研究综述
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2015, 4(3), 17-22 Published Online August 2015 in Hans. https://www.wendangku.net/doc/172391781.html,/journal/airr https://www.wendangku.net/doc/172391781.html,/10.12677/airr.2015.43003 A Survey on Object Tracking Jialong Xu Aviation Military Affairs Deputy Office of PLA Navy in Nanjing Zone, Nanjing Jiangsu Email: pugongying_0532@https://www.wendangku.net/doc/172391781.html, Received: Aug. 1st, 2015; accepted: Aug. 17th, 2015; published: Aug. 20th, 2015 Copyright ? 2015 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.wendangku.net/doc/172391781.html,/licenses/by/4.0/ Abstract Object tracking is a process to locate an interested object in a series of image, so as to reconstruct the moving object’s track. This paper presents a summary of related works and analyzes the cha-racteristics of the algorithm. At last, some future directions are suggested. Keywords Object Tracking, Track Alignment, Object Detection 目标跟踪相关研究综述 徐佳龙 海军驻南京地区航空军事代表室，江苏南京 Email: pugongying_0532@https://www.wendangku.net/doc/172391781.html, 收稿日期：2015年8月1日；录用日期：2015年8月17日；发布日期：2015年8月20日 摘要 目标跟踪就是在视频序列的每幅图像中找到所感兴趣的运动目标的位置，建立起运动目标在各幅图像中的联系。本文分类总结了目标跟踪的相关工作，并进行了分析和展望。
车流量检测技术综述
车流量检测技术综述 前言 城市智能交通已逐步得到社会各界的广泛关注，如何通过智能交通系统建设来缓解日益严重的交通问题已成为交通领域的研究热点。车流量检测系统是智能交通(ITS)的基础部分，在城市道路建设、国道高速公路建设、隧道桥梁建设以及交通流的基础理论研究中占有很重要的地位。近年来，逐渐发展起来了以空气管道检测技术、磁感应检测技术、波频检测技术和视频检测技术等为代表的多种交通检测技术。车流量检测主要是通过各种传感设备对路面行驶车辆进行探测，获取相关交通参数，以达到对公路各路段交通状况及异常事件的自动检测、监控、报警等目的。 较其它方法而言，基于视频图像的检测技术涉及到视频采集、通信传输、图像处理、人工智能以及计算机视觉等多个学科，具有安装维修灵活、成本低、应用范围广、可拓展性强和交通管理信息全面等优点，并已经在国内外高速公路和公路的交通监控系统中得到应用。常用的基于视频图像的车辆检测算法有：灰度法、背景差法、相邻帧差法、边缘检测法等。随着图像处理技术、计算机视觉、人工智能的发展和硬件处理速度的提高，基于视频图像的车流量检测技术得到了广泛的应用。本文对各种车流量检测方法进行了综述，并对基于视频图像的车流量检测研究工作进行了展望。 1 传统车流量检测方法 按照车辆信息获取方式的不同，实际应用当中已经产生了空气管道检测技术、磁感应检测技术和波频检测技术。 1.1 空气管道检测技术 空气管道检测是接触式的检测方法，在高速公路主线的检测点拉一条空心的塑料管道并作固定，一端封闭，另一端连接计数器，当车辆经过塑料管道时，车轮压到空气管道，管内空气被挤压而触动计数器进行计算车流量的方法。 显然，该方法只能获取单一的车辆信息，且方法繁琐，寿命短，已经被磁感应检测等技术所取代。 1.2 磁感应检测技术 磁感应检测器可分为线圈和磁阻传感器两种。环形线圈检测器是目前世界上
机器视觉技术发展现状文献综述
机器视觉技术发展现状 人类认识外界信息的80%来自于视觉，而机器视觉就是用机器代替人眼来做 测量和判断，机器视觉的最终目标就是使计算机像人一样，通过视觉观察和理解 世界，具有自主适应环境的能力。作为一个新兴学科，同时也是一个交叉学科，取“信息”的人工智能系统，其特点是可提高生产的柔性和自动化程度。目前机器视觉技术已经在很多工业制造领域得到了应用，并逐渐进入我们的日常生活。 机器视觉是通过对相关的理论和技术进行研究，从而建立由图像或多维数据中获机器视觉简介 机器视觉就是用机器代替人眼来做测量和判断。机器视觉主要利用计算机来模拟人的视觉功能，再现于人类视觉有关的某些智能行为，从客观事物的图像中提取信息进行处理，并加以理解，最终用于实际检测和控制。机器视觉是一项综合技术，其包括数字处理、机械工程技术、控制、光源照明技术、光学成像、传感器技术、模拟与数字视频技术、计算机软硬件技术和人机接口技术等，这些技术相互协调才能构成一个完整的工业机器视觉系统[1]。 机器视觉强调实用性，要能适应工业现场恶劣的环境，并要有合理的性价比、通用的通讯接口、较高的容错能力和安全性、较强的通用性和可移植性。其更强调的是实时性，要求高速度和高精度，且具有非接触性、实时性、自动化和智能 高等优点，有着广泛的应用前景[1]。 一个典型的工业机器人视觉应用系统包括光源、光学成像系统、图像捕捉系统、图像采集与数字化模块、智能图像处理与决策模块以及控制执行模块。通过 CCD或CMOS摄像机将被测目标转换为图像信号，然后通过A/D转换成数字信号传送给专用的图像处理系统，并根据像素分布、亮度和颜色等信息，将其转换成数字化信息。图像系统对这些信号进行各种运算来抽取目标的特征，如面积、 数量、位置和长度等，进而根据判别的结果来控制现场的设备动作[1]。 机器视觉一般都包括下面四个过程：
乌头原碱使用说明及注意事项 图文
乌头碱使用说明及注意事项 〖产品名称〗：乌头原碱/乌头碱 〖产品简介〗：乌头碱(Aconitine)，别名：附子精，是存在于川乌、草乌、附子等植物中的主要有毒成份。它主要使迷走神经兴奋，对周围神经损害。中毒症状以神经系统和循环系统的为主，其次是消化系统症状。临床主要表现为口舌及四肢麻木，全身紧束感等，通过兴奋迷走神经而降低窦房结的自律性，引起易位起搏点的自律性增高而引起各心律失常，损害心肌。口服纯乌头碱0.2mg即可中毒，3—5mg可致死。民间常用草乌、川乌等植物来泡制药酒。但在此警醒大家它们都具有足以致命的毒性。 〖图片〗： 〖英文别名〗：Acetylbenzoylaconine; (3alpha,6alpha,14alpha,15alpha,16beta)-8-(acetyloxy)-20-ethyl-3,13,15-t rihydroxy-1,6,16-trimethoxy-4-(methoxymethyl)aconitan-14-yl benzoate; 〖化学名称〗： Aconitane-3,8,13,14,15-Pentol,20-ethyl-1,6,16-trimethoxy-4-(me-thoxy methyl)-,8-acetate14-benzoate,(1α,3α,6α,14α,15α,16β)- 〖分子量〗：645.74
〖提取来源〗：川乌、草乌、附子等植物 〖原料分布〗：主要栽培于四川省，湖北省、湖南省、陕西省、云南省等地亦有栽培。分布于长江中下游，北至秦岭和山东东部，南至广西北部。 〖产品外观〗：无定形粉末 〖含量检测〗：采用高效液相色谱法（HPLC） 〖分子式〗：C34H47NO11 〖CAS〗：302-27-2 〖EINECS号〗:206-121-7 〖RTECS号〗：AR5960000 〖BRN号〗：74608 〖可供规格〗：HPLC≥98% 〖药理作用〗： 对心脏的作用 乌头碱对离体与在体蛙的作用是：心最初使心率减慢(阿托品可阻断之)，随即由于高度刺激了心肌，突然心率加快，心收缩力加强，很快出现心律紊乱，心收缩力减弱，心脏收缩如桑葚状，最终心跳停止。以10mg/L的乌头碱灌流液作用豚鼠心肌15min后，其异常动作电位开始出现，25min达高峰，可维持1 00min。尤其是对心肌细胞动作电位周期T值影响显着，药后25min，T值减到加药前周期平均值的1/5。1.0mg/L灌流，50%复极化动作电位时限(APD50)及总动作电位时限(APD100)显着减小。当加入0.5g/L的肌苷液30min后，其T值、APD50及APD100均有明显恢复。对其治疗量，可使心率减慢、脉搏柔
(完整版)基于视觉的车道标志线检测和跟踪方法研究毕业论文
<> 全部作者： 王伟华 第1作者单位： 北京航空航天大学 论文摘要： 本文针对车载摄像机拍摄的视频图像，为了得到较理想的车道的标识边缘，提出了1种车道标志线检测和跟踪方法，即首先使用反对称双正交小波实现图像边缘检测，完成车道线边界的识别。在边缘图像中，利用Hough变换对噪声不敏感，能较好的响应直线的特点提取车道线参数，采用具有预测功能Kalman算法完成对序列图像车道线参数的持续跟踪。实验结果表明，该方法具有较强的抗干扰性和较好的鲁棒性。 关键词： 计算机视觉，图像处理，车道标志线，边缘检测，小波分析，Hough变换，Kalman跟踪(浏览
全文) 发表日期： 2008年02月15日 同行评议： 1)论文题目点名小波及Kalman可能更贴切些，目前题目偏大；2）英文摘要不准确的说法较多，建议重写；3）国际上关于车道检测及跟踪有许多有价值的参考文献，请适当增加！4）对小波、Kalman滤波等预备知识的介绍应更简洁些，重点介绍自己的工作及成果；5）作者给出的结果的理论值是如何得到的，需要说明！作者采用的算法和现有其他算法相比优点在什么地方，如有可能，请结合结果作对比！ 综合评价： 修改稿： 注：同行评议是由特聘的同行专家给出的评审意见，综合评价是综合专家对论文各要素的评议得出的数值，以1至5颗星显示。
<> 1.绪论 1.1研究背景 网络被认为是互联网发展的第三阶段。网络的设计和实施能够带来切身实际的利益，城域网、企业网、局域网、家庭网和个人网络都是网络发展的体现。网络发明的初衷并不仅仅是表现在它的规模上，而是互联互通，资源共享，消除资源访问的壁垒，让生活更加方便、快捷、高效。随着网络技术的发展，网络在应用方面也体现出了很大的潜力，能够共享和调度成千上万的计算设备协同并发工作，能汇聚数百万计的信息资源加以归类、分析和发布，还可以让世界每一个角落的人们实时沟通交流。在现代高速发展的社会里，企业与企业之间的联系日益密切，大量的、复杂的信息交流显得由为重要。随着电子科技的高速发展，那些如何复杂大量的信息，通过网络技术帮助下，就可以轻而易举的从某一地方传送到另一地方，而且简单、快速、准确，给人们带来了
视频目标跟踪算法综述_蔡荣太
1引言 目标跟踪可分为主动跟踪和被动跟踪。视频目标跟踪属于被动跟踪。与无线电跟踪测量相比，视频目标跟踪测量具有精度高、隐蔽性好和直观性强的优点。这些优点使得视频目标跟踪测量在靶场光电测量、天文观测设备、武器控制系统、激光通信系统、交通监控、场景分析、人群分析、行人计数、步态识别、动作识别等领域得到了广泛的应用[1-2]。 根据被跟踪目标信息使用情况的不同，可将视觉跟踪算法分为基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪。基于对比度分析的跟踪算法主要利用目标和背景的对比度差异，实现目标的检测和跟踪。基于匹配的跟踪主要通过前后帧之间的特征匹配实现目标的定位。基于运动检测的跟踪主要根据目标运动和背景运动之间的差异实现目标的检测和跟踪。前两类方法都是对单帧图像进行处理，基于匹配的跟踪方法需要在帧与帧之间传递目标信息，对比度跟踪不需要在帧与帧之间传递目标信息。基于运动检测的跟踪需要对多帧图像进行处理。除此之外，还有一些算法不易归类到以上3类，如工程中的弹转机跟踪算法、多目标跟踪算法或其他一些综合算法。2基于对比度分析的目标跟踪算法基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。这类算法按照跟踪参考点的不同可以分为边缘跟踪、形心跟踪和质心跟踪等。这类算法不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。边缘跟踪的优点是脱靶量计算简单、响应快，在某些场合（如要求跟踪目标的左上角或右下角等）有其独到之处。缺点是跟踪点易受干扰，跟踪随机误差大。重心跟踪算法计算简便，精度较高，但容易受到目标的剧烈运动或目标被遮挡的影响。重心的计算不需要清楚的轮廓，在均匀背景下可以对整个跟踪窗口进行计算，不影响测量精度。重心跟踪特别适合背景均匀、对比度小的弱小目标跟踪等一些特殊场合。图像二值化之后，按重心公式计算出的是目标图像的形心。一般来说形心与重心略有差别[1-2]。 3基于匹配的目标跟踪算法 3.1特征匹配 特征是目标可区别与其他事物的属性，具有可区分性、可靠性、独立性和稀疏性。基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的 文章编号：1002－8692（2010）12-0135-04 视频目标跟踪算法综述* 蔡荣太1，吴元昊2，王明佳2，吴庆祥1 （1.福建师范大学物理与光电信息科技学院，福建福州350108； 2.中国科学院长春光学精密机械与物理研究所，吉林长春130033） 【摘要】介绍了视频目标跟踪算法及其研究进展，包括基于对比度分析的目标跟踪算法、基于匹配的目标跟踪算法和基于运动检测的目标跟踪算法。重点分析了目标跟踪中特征匹配、贝叶斯滤波、概率图模型和核方法的主要内容及最新进展。此外，还介绍了多特征跟踪、利用上下文信息的目标跟踪和多目标跟踪算法及其进展。 【关键词】目标跟踪；特征匹配；贝叶斯滤波；概率图模型；均值漂移；粒子滤波 【中图分类号】TP391.41；TN911.73【文献标识码】A Survey of Visual Object Tracking Algorithms CAI Rong-tai1,WU Yuan-hao2,WANG Ming-jia2,WU Qing-xiang1 （1.School of Physics,Optics,Electronic Science and Technology,Fujian Normal University,Fuzhou350108,China; 2.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Science,Changchun130033,China）【Abstract】The field of visual object tracking algorithms are introduced,including visual tracking based on contrast analysis,visual tracking based on feature matching and visual tracking based on moving detection.Feature matching,Bayesian filtering,probabilistic graphical models,kernel tracking and their recent developments are analyzed.The development of multiple cues based tracking,contexts based tracking and multi-target tracking are also discussed． 【Key words】visual tracking;feature matching;Bayesian filtering;probabilistic graphical models;mean shift;particle filter ·论文·*国家“863”计划项目（2006AA703405F）；福建省自然科学基金项目（2009J05141）；福建省教育厅科技计划项目（JA09040）
农药残留对食品安全的影响以及农药残留检测技术的文献综述
农药残留对食品安全的影响以及农药残留 检测技术的文献综述 摘要：介绍了农药残留的现状及其对食品安全的影响，同时对农药残留检测技术进行系统的综述，并对今后农药残留检测及控制进行了展望。 关键词：农药残留食品安全检测技术 农药残留是指在农业生产中施用农药后一定时期内残留于生物体、农副产品及环境中微量的农药原体、有毒代谢物、降解物和杂质的总称。残留的数量叫农药残留量，以每千克样本中有多少毫克（或微克、纳克等）表示。农药残留是使用农药后的必然现象，是不可避免的。农副产品上的残留量超过限量，人畜长期食用后会引起慢性中毒或病变，直接或间接影响人们的身体健康。因此，控制降低农药残留，发展农药残留检测技术已成为当前亟待解决的问题。 1农药残留现状及种类 1.1 农药残留的现状 “民以食为天，食以安为先”，农产品的质量安全直接关系到人们的健康和安全。在农业生产中，由于农药、化肥等农业化学投入品的使用，导致农作物严重污染，人们食用农药残留超标的农产品，引起食物中毒的事件经常发生。2010年1 月25 日至2 月5 日，武汉市农业局在抽检中发现来自海南省英洲镇和崖城镇的5个豇豆样品水胺硫磷农药残留超标，消息一出，立即引起社会各方关注，豇豆产地收购价与销售批发价均出现大幅下滑。 农药残留已经成为我国农产品出口的最大障碍，常常被进口国当作借口阻挡在门外，不仅给农户造成经济损失，而且还导致农产品出口竞争力减弱或下降，引起国家之间的经济贸易纠纷。国际市场对出口农产品安全要求很高，从2000 年起，欧盟等国家对农药残留颁布了更严格的标准，从2006 年5 月29 日开始，在日本市场流通的生鲜食品就适用肯定列表制度，一棵白菜要检测20个项目，最多的一种农产品要检测50个项目，合格后才能通关[1]。 农药喷洒在作物上经过一定时间后，由于日晒、雨淋、风吹、高温挥发和植物代谢等的作用，药剂逐渐分解、减少，但不能全部消失，收获的农副产品上仍
汽车检测站设计文献综述
学院 文献综述 题目汽车检测站设计 姓名徐金权 专业机械设计制造及自动化 学号 7 指导教师郭磊魁 日期2016年12月16日
汽车综合性能检测站设计 一、前言 汽车检测站是综合运用现代检测技术，对汽车实施不解体检测、诊断的。它具有现代的检测设备和检测方法，能在室检测出车辆的各种参数，并诊断出可能出现的故障，为全面、准确评价汽车的使用性能和技术状况提供依据。其重要意义在于，能提高维修效率，并对维修质量进行监管，从而保证行车安全。 汽车综合性能检测站的设计建造在汽车运输行业来说是一项投资比较大技术性较强的工作，如何建好、管好汽车综合性能汽车检测站，这是摆在广大汽车运输行业科技人员面前的一个重要问题。这就要求我们在检测站的设计规划阶段，应着眼于国成熟的设计方案，充分考虑到检测站将要面的新形势和出现的新变化，拿出合理且具有前瞻性的设计方案。
汽车检测站的发展历史 国外发展历程 早在50年代在一些工业发达国家就形成以故障诊断和性能调试为主的单项检测技术和生产单项检测设备。60年代初期进入我国的汽车检测试验设备有美国的发动机分析仪、英国的发动机点火系故障诊断仪和汽车道路试验速度分析仪等，这些都是国外早期发展的汽车检测设备。60年代后期，国外汽车检测诊断技术发展很快，并且大量应用电子、光学、理化与机械相结合的光机电、理化机电一体化检测技术。例如：非接触式车速仪、前照灯检测仪、车轮定位仪、排气分析仪等都是光机电、理化机电一体化的检测设备。 进入70年代以来，随着计算机技术的发展，出现了汽车检测诊断、数据采集处理自动化、检测结果直接打印等功能的汽车性能检测仪器和设备。在此基础上，为了加强汽车管理、各工业发达国家相继建立汽车检测站和检测线，使汽车检测制度化。 国发展历程 我国从20世纪50年代开始研究汽车检测技术，为满足汽车维修需要，当时交通部主持进行了发动机气缸漏气量检测仪，点火正时灯等检测仪器的研究与开发。 随着国民经济的发展，科学技术在各个领域都有了快速的发展，汽车检测与诊断技术也随之得到快速发展。在单台检测设备研制成功的基础上，交通部自1980年开始，有计划地在全国公路运输系统筹建汽车综合性能检测站，取得了很大成绩。公安部门在全国中等以上的城市中，也建成了许多安全性能检测站。到2004年底，全国公路运输部门建成并投入使用的汽车综合性能检测站约1400余个。同时公安部门建成了数百个汽车安全性能检测站，部队，石油，冶金，外贸等系统和部分大专院校也建成了一定数量的汽车检测站。因此，目前我国以基本形成全国性的汽车检测网络。不仅如此，全国各地的维修企业使用的检测诊断设备也日益增多。汽车检测站的蓬勃发展，对保证在用汽车技术状况良好，监督维修质量，保障行车安全起到了非常重要的作用。同时，也促进了汽车诊断检测技术的发展。
(完整版)视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设f k（x, y）和f（k i）（x, y）分别为图像序列中的第k帧和第k+1帧中象素点（x，y）的象素值,则这两帧图像的差值图像就如公式2-1所示： Diff ki f k（x, y） f（k 1）（x, y）（2-1）2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1式得到第k帧和第k+1帧的差值图像Diff k 1；2、对所得到的差值图像Diff k 1二值化（如 式子2-2示）得到Qk+1 ；3、为消除微小噪声的干扰，使得到的运动目标更准 确，对Q k 1进行必要的滤波和去噪处理，后处理结果为M k 1。 1