行人检测技术综述
行人检测技术综述
苏松志1,2
,李绍滋1,2
,陈淑媛3
,蔡国榕
1,2,4
,吴云东
4
(1.厦门大学信息科学与技术学院,福建厦门361005;2.厦门大学福建省仿脑智能系统重点实验室,福建厦门361005;
3.元智大学资讯工程系,台湾;
4.集美大学理学院,福建厦门361021)
摘 要: 行人检测是计算机视觉中的研究热点和难点,本文对2005-2011这段时间内的行人检测技术中最核心的两个问题)特征提取、分类器与定位)的研究现状进行综述.文章中首先将这些问题的处理方法分为不同的类别,将行人特征分为底层特征、基于学习的特征和混合特征,分类与定位方法分为滑动窗口法和超越滑动窗口法,并从纵横两个方向对这些方法的优缺点进行分析和比较,然后总结了构建行人检测器在实现细节上的一些经验,最后对行人检测技术的未来进行展望.
关键词: 行人检测;目标检测;智能监控;车辆辅助驾驶
中图分类号: TP391 文献标识码: A 文章编号: 0372-2112(2012)04-0814-07电子学报URL:https://www.wendangku.net/doc/4a18062443.html, DOI:10.3969/j.issn.0372-2112.2012.04.031
A Survey on Pedestrian Detection
SU Song -zhi 1,2,LI Shao -zi 1,2,C HE N Shu -yuan 3,CAI Guo -rong 1,2,4,WU Yun -dong 4
(1.School o f Information Science and Technology ,Xiamen Universit y ,Xiame n ,Fujian 361005China ;2.Fuj ian Key L aboratory o f the Brain -like Intellige nt Systems (Xiame n Unive rsit y ),Xiame n ,Fujian 361005,China;
3.Departme nt o f Computer Engine ering and Sc ienc e ,Yuan -Ze U ni versity,Taiwan,China ;
4.Sc hool o f Scie nce,Jimei Universit y ,Xiame n ,Fujian 361021,China)
Abstract: Pedestrian detection is an active area of research with challenge in computer vision.This study conducts a detailed survey on state -of -the -art pedestrian detection methods from 2005to 2011,focusing on the two most important problems:feature ex -traction,the classification and localization.We divided these methods into different categories;pedes trian featu res are divided into three subcategories:low -level feature,learning -based feature and hybrid feature.On the other hand,classification and localization is also divided i nto two sub -categories:sliding window and beyond sliding window.A ccording to the taxonomy ,the pro s and cons of different approaches are discussed.Fi nally,some experiences of how to construct a robust pedestrian detector are presented and fu -ture research trends are proposed.
Key words: pedestrian detection;object detection;intelligent surveillance;driver assis tance sy s tems
1 引言
行人检测可定义为:判断输入图片(或视频帧)是否包含行人,如果有,给出位置信息.它是车辆辅助驾驶[1~4]、智能视频监控和人体行为分析[5,6]等应用中的第一步,近年来也应用在航拍图像[7]、受害者营救[8]等新兴领域中.行人兼具刚性和柔性物体的特性,外观易受穿着、尺度、遮挡、姿态和视角等影响,使得行人检测成为计算机视觉的研究难点与热点.
自2005年以来,行人检测技术的训练库趋于大规
模化、检测精度趋于实用化、检测速度趋于实时化(2167帧每秒[9]).在这样的形势下,有必要及时地对行人检测技术的现状进行梳理.许言午等[1]从技术和原型系统这两方面总结了2001年至2006年这段时间内行人检测系统的进展.Enzweiler 等[10]和Dolla r 等[4]在公共数据集上比较了行人检测技术经典算法之间的性能差异;文献[2,3]总结了车辆辅助驾驶系统中行人感兴趣区域分割和识别技术这两方面的研究现状.这些综述文献从不同的侧面对行人检测的技术进行梳理,但缺少对不同领域下行人检测技术的共性问题进行深入剖析.
收稿日期:2010-04-07;修回日期:2011-06-30
基金项目:国家自然科学基金(No.60873179);高等学校博士学科点专项科研基金(No.20090121110032);深圳市科技计划-基础研究(No.JC200903180630A);深圳市科技研发基金-深港创新圈计划(No.ZYB200907110169A);福建省教育厅基金(No.JA10196)
第4期2012年4月电 子 学 报ACTA ELECTRONICA SINICA Vol.40 No.4
Apr. 2012
本文对行人检测技术中最核心的两个问题)特征提取、分类与定位)进行综述.文章中首先将这两个问题的处理方法分为不同的类别(见图1),然后从纵横两个方向对这些方法进行分析和比较,文章最后给出了我们在构建行人检测系统时积累的一些经验,并对行人检测技术的未来进行展望.篇幅所限,本综述主要总结2005-2011这段时间内的行人检测技术进展.
2特征提取
行人特征描述子可分为三类:底层特征、基于学习的特征和混合特征.底层特征指的是颜色、纹理和梯度等基本的图像特征;基于学习的特征指的是通过机器学习的方法,从大量的行人样本中学习到的行人特征表示;混合特征指的是多种底层特征的融合,或者是底层特征的高阶统计特征.这三类特征的优缺点如表1所示.本节最后依时间顺序列出了2005-2011较具代表性的行人特征,见表2.
表1各类行人特征描述子的优缺点
行人特征
类型
优点缺点
底层特征单一特征,计算速度
快,可利用积分图技术
快速计算
只从某一方面,如梯度或者纹
理来描述行人特征,判别力较
差
基于学习的特征能从大量的样本中选
择出判别能力较强的
特征
特征的选择与训练样本密切相
关,若样本集不具有代表性,很
难选择出好的特征
混合特征能从不同的侧面来刻
画图像特征,提高检测
的准确率
特征维度增加,特征的计算和
分类器的预测时间也增加,影
响实时性.
2.1底层特征
Dalal等提出HOG(Histogram of Oriented Gradient, HOG)[11]是目前广泛使用的行人特征描述子.HOG刻画图像的局部梯度幅值和方向特征,基于梯度特征、对块的特征向量进行归一化处理、允许块之间相互重叠,因此对光照变化和小量的偏移并不敏感,能有效地刻画出人体的边缘特征.
HOG也有其缺点:维度高、计算慢.针对这些缺点, Zhu等[12]允许HOG中块大小可变,利用积分直方图技术来快速计算HOG特征,通过Adaboost算法选择判别能力较强的块,然后构建级联的分类器,该方法的检测速度比Dalal等[11]的快将近70倍.Wojek等[13]则采用并行技术,在GPU上实现HOG,构建了一个实时的行人检测系统.
局部二值模式(Local Binary Pattern,LBP)最早是由Ojala等[14]提出的一种用于纹理分类的特征提取方法,广泛应用在人脸识别中.Mu等[15]根据行人的特点,提出LBP的两个变种:Semantic-LBP(S-LBP)和Fourier LBP (F-LBP).Wang等[16]则简单地将局部图像块的LBP直方图特征串联起来作为行人的特征描述子,其检测性能并不比S-LBP差,但Walk等[17]在其他行人数据上的实验表明HOG与LBP特征的结合并没有提高检测性能.究其原因是LBP在图像比较模糊或者光照变化强烈等成像条件较差时,不能有效地刻画出纹理特征.与LBP特征类似的有,Wu等提出的CENTRI ST特征[18],即CENsus TRansform hISTogra m.该特征能刻画场景的全局信息,最早用在场景分类中.2011年Wu等将CEN TRIST 应用在行人检测中[19],利用积分图技术快速计算该特征,并与级联分类器相结合构建了一个实时的行人检测系统.
表22005-2011行人特征概览表
行人特征年限类别*概述
HOG[11]20050
刻画图像的梯度特征,最为广泛使用和
成功的行人特征,可采用积分图技术快
速计算.
Edgelet[23]20051描述行人的局部轮廓方向特征.
边缘模板[24]20071
从样本中学习行人的形状分布模型,模
板需手工标注.
LBP[15,16]20080
计算速度快,对单调变化的灰度特征具
有不变性,低分辨率下判别能力较差.
COV[26]20082
局部区域图像块中各象素的坐标、灰度
的一阶导数、二阶导数和梯度方向的协
方差特征.
Co-HOG[27]20092
通过/梯度对0更好地描述了梯度的空
间分布特征,但是向量的维度太高.
积分通道
特征[29]
20092
一种自然的多种异质特征融合方法;参
数少且对具体参数值不敏感;检测器空
间定位更加准确.
自适应轮廓
特征[25]
20091
具有较强的判别能力,能自适应地从训
练样本中学习出行人的轮廓特征.
GG[28]20092
刻画了图像区域的结构信息和统计特
征,可看作介于HOG(统计)和Edgelet
(结构)之间的特征.
CSS[20]20100
利用局部部位间的颜色相似性来刻画
人体的结构特征,与HOG相结合,大大
提高了检测性能.
CENTRIST[19]20110
刻画图像的全局轮廓特征,计算简单快
速,与级联分类器相结合,可达到实时.注:0:底层特征,1:基于学习的特征,2:混合特征
颜色是最基本的图像特征,易受光照的影响,不适合作为行人的特征描述子,但是由于人体的结构具有相对的稳定性,不同部位的颜色之间差异较小,因此
815
第4期苏松志:行人检测技术综述
Walk等[20]提出了颜色自相似特征来刻画局部块特征之间的相互关系,与HOG特征相结合,大大提高了检测性能.
2.2基于学习的特征
基于学习的特征,利用Boosting进行特征选择,选择出来的特征可看作是行人的中间层表示.如Viola 等[21]提出了基于/AdaBoost+Haar0的人脸检测方法中,利用AdaBoost从大量的Haar特征中选择判别能力较强的特征(弱分类器),后来该方法成功地应用在行人检测中[22].Wu等[23]提出Edgelet来描述行人的局部轮廓方向特征.所谓的Edgele t是一段长为k的直线或弧线,记其上各象素点的梯度幅值和方向分别为n E i k i=1和u i k
i=1
,则Edgelet在图像I中点p处的特征值Edgelet (p)定义为:
Edgelet(p)=1
k
E k
i=1
M I(u i+p)|
其中,M I(#)和n I(#)表示由Sobel算子计算出的边缘强度和方向.
Ga vrila等[24]提出Chamfer System也是基于边缘特征的行人检测方法,该方法从样本中学习待检测目标的形状分布模型,采用层次聚类的方法对模板进行索引以提高检测速度,缺点是需要手工标注模板;边缘模板依赖于二值化边缘的提取,在边缘不显著的情况下,可能出现漏检;层次索引中,不同层次的边缘模板仍然有很大的相似性,存在大量重复计算.与Gavrila的边缘模板特征相比,Edgelet特征具有如下优点:由机器学习算法自动筛选,不需要手动标注;描述行人局部特征,能有效处理遮挡;综合考虑边缘的强度和方向特征,误检率较低;
Ga o等[25]提出了自适应的轮廓特征,利用Adaboost 算法在方向粒度空间中进行特征选择,定义了/生长0、/合并0和/切割0三种操作,能有效刻画形状的共现特征.
2.3混合特征
Tuzel等[26]利用各种不同特征(象素的坐标、灰度的一阶导数、二阶导数和梯度方向等)的协方差矩阵来描述行人的局部区域特征,将协方差矩阵视为联通的黎曼流形,在黎曼几何空间中对行人进行分类.Watan-abe等[27]则采用类似灰度共生矩阵的特征,提出了共生梯度方向直方图特征(Co-occurre nce Histograms of Orient-ed Gradie nts,简称Co HOG).CoHOG通过/梯度对0更好地描述了梯度的空间分布特征,缺点是向量维度太高.Liu 等[28]提出GGP(Granularity-tunable Gradients Partition)特征,粒度用来定义霍夫空间中线段的空间位置和角度的不确定性,该特征刻画了图像区域的结构信息和统计特征,并将二者统一在可调粒度的梯度空间中.
Dollar等[29]提出了积分通道特征,利用积分图技术对图像的各特征通道(线性或非线性变换后的图像),如局部和、直方图特征和哈尔特征等进行快速计算.该方法不仅将多特征有机结合起来,且解决了多特征融合计算速度慢的缺点.有部分研究者通过行人的颜色、形状、纹理和场景等多种信息相互融合,构建鲁棒的行人检测系统.如Schwartz等[30]将HOG特征与颜色、纹理和边缘等特征相结合,构建一高维的描述子,并通过偏最小二乘降维.其他的特征混合方式有:形状与纹理信息相结合[24],表观信息与运动信息相结合[22,31],表观信息与深度信息相结合[20].
3分类与定位
行人检测中的分类指的是判断当前检测窗口是否包含行人,定位指的是行人在图片中的具体位置.行人的分类与定位方法可分为两大类:滑动窗口法(Sliding Windo w)和超越滑动窗口法(Beyond Sliding Window).滑动窗口法是目标检测中的主流方法,主要思路如下:选一固定大小的窗口在图像的尺度空间内(即缩放后得到的图片)依次滑动窗口,利用预先训练好的分类器判断窗口内是否包含行人,通过窗口的滑动对图片进行遍历,从而给出行人在图片中出现的位置.超越滑动窗口法是近年来随着基于/词袋0(bag-o-f words,BOW)的场景分类技术[32]的发展而出现的,其中较具代表性的方法有隐式形状模型[33]、高效子窗口法[34]和跳跃窗口法[35].文献[36]的51315节通过实验比较了二者在不同性能评价准则下的检测率,有关滑动窗口法和超越滑动窗口法的优缺点分析见表3.
表3两种分类与定位方法的优缺点分析
优点缺点
滑动
窗口法
方便与级联和积分图等技
术相结合,提高检测速度.
扫描窗口以固定的长度步
进,搜索结果不是全局最优
的,可能造成漏检.
超越滑动
窗口法
全局最优搜索;通过局部
特征块进行投票,能在一
定程度上处理部分遮挡和
多姿态问题
需要在投票空间中寻找最
大值,其检测速度无法实
时;局部特征的判别能力较
弱,误检率较高.
3.1滑动窗口法
滑动窗口法依据所利用的人体结构信息可进一步分为整体法和部位法.整体法是对扫描窗口内的图像进行特征提取,获取行人的全局信息;部位法对行人的部位(如头肩部、躯干、手和脚等)进行特征提取,构建部位间的几何关系.
3.1.1整体法
目前大部分的行人检测方法[11,13,16,21,37]采用整体法,这些方法的不同在于分类器和特征,第2节已对行
816电子学报2012年
人的特征进行了综述,这里主要总结目前行人检测中常用的分类器:SVM、Boosting和多示例学习等.
Oren等[38]最早提出基于SVM的行人检测方法,随着核函数在计算机视觉的广泛应用,Maji等[39]提出基于直方图交叉核支持向量机(Histogra m I nte rsection Ker-nel SV M,HI KSVM)的行人检测方法,并设计相应的快速近似算法,性能优于线性核SVM.
最早将AdaBoost应用到目标检测的是Viola等[21], Viola等利用哈尔特征、AdaBoost算法和级联分类器成功地实现第一个实时人脸检测系统,并将该方法应用到智能监控的行人检测中[22].Chen等[40]改进级联结构,在每级输出中引入Meta Stage,利用每级的输出构建分类器,大大提高了行人检测的速度和准确性.Tuzel 等[26]针对协方差矩阵,在黎曼流形空间中利用Logit-Boost对行人进行分类.Kim等[41]提出多分类器增强算法MCBoost(Multiple Classifier Boosting)对图像和视觉特征进行协同聚类(Co-Clustering),MCBoost能有效解决目标检测中的多类别和多视角问题,在I NRI A上的实验表明MCBoost的性能优于AdaBoost.
多示例学习已成为与监督学习、非监督学习和强化学习并列的一种机器学习框架.Lin等[42]和Babenko 等[43]针对行人检测中因姿态问题所导致的局部特征不匹配的现象,提出基于多示例学习框架下的基于部位行人检测方法.该方法能自动对齐行人的局部特征,对部位的形变进行建模,与级联结构相比,所需特征数量更少,提高了检测的准确率.
各个分类器都有其优缺点:线性核SVM的训练和预测时间比较快,Boosting技术和多示例学习的训练时间则很长,在行人检测中目前尚无统一的实验平台来验证到底哪个分类器性能最优.
3.1.2部位法
部位法将人体看成是部位的组合,重点要解决以下两个问题:构造有效的部位检测器、对部位间的几何关系进行建模.近年来这方面最具代表性的工作是Felzenszwalb等[44]提出的形变部位模型(Deformable Part Model,DP M).DP M包括低分率的整体模型、高分辨率下的部位模型及部位相对于整体的形变模型.为了得到形变部位模型的参数,Felzenszwalb把各个部位相对于整体的位置偏移作为隐变量,提出了基于隐式支持向量机的参数求解方法.DP M虽然能在一定程度上解决人体姿态的变化,但是检测的速度较慢.由于DP M包含低分辨率模型和高分辨率模型,低分辨模型可以快速去除大部分非行人区域,因此Felze nsz walb等[45]借鉴V-i ola在人脸检测中采用的级联思想,提出级联形变部位模型,大大提高了检测速度.
Pedersoli等[46]通过实验观察到:基于部位法的目标检测中,部位与图像进行匹配占用了大部分的检测时间.为此他们提出了由粗到细的快速形变部位模型法:低分辨率下将部位和图像进行匹配,将局部窗口内检测器的响应值最大的区域保留下来,高分辨率检测器只在低分辨率检测器保留下的区域内进行进一步的检测.该方法大大缩短了检测和训练时间.
部位法的难点在于如何对部位进行划分和构建有效的部位检测,Parikh等[47]的研究表明:部位法中部位检测器对检测性能的影响大于部位之间的几何关系对检测性能的影响.
整体法的优点是训练数据库的标注只需用矩形框标出行人的区域,而部位法为了建立部位模型则需要标注出行人各部位的区域.整体法的缺点是无法克服部分遮挡的影响,部位法采用/分而治之0的策略,能在一定程度上克服部分遮挡的影响.
3.2超越滑动窗口
/词袋0模型是场景分类中的代表性方法,通常包含如下三个步骤[48]:视觉词典的构建、基于词典的图片表示和分类器学习.超越滑动窗口是基于BOW的方法,目前常见的有隐式形状模型[33]、高效子窗口法[34]和跳跃窗口法[35].其中,高效子窗口的视觉词典并没有考虑局部特征块的空间信息,利用直方图特征来表示图片,分类器采用线性核SVM;隐式形状模型和跳跃窗口均考虑了局部特征块相对于目标中心的偏移,其几何模型为星型模型.以下分别介绍这三种方法.
高效子窗口搜索法(Efficient Subwindo w Search,ESS)是La mpert等[33]提出的一种快速目标定位技术,该方法利用线性支持向量机的可加性,将分类器的输出转化为各个维度的权重累加和,采用分支限定技术寻找参数空间的极大值.ESS虽然能在参数空间中寻找一个最优值,但是检测速度较慢.不少研究者对ESS进行改进和扩展.An等[49,50]改进ESS的搜索策略,构建更为紧凑的上界函数,提高了ESS的检测速度.Vijayanarasimhan 等[51]提出了基于区域搜索的目标检测方法,该方法能定位不规则形状的目标.Yuan等[52]将ESS推广到三维空间中,提出了基于时空分支界限的人体行为检测方法.
隐式形状模型将行人检测视为广义的霍夫变换问题:首先通过局部特征检测算子寻找关键点;然后在关键点的周围选取一固定大小的图像块,通过聚类、随机森林[53]或者最大间隔[54]等方法建立局部块的空间分布模式;最后通过霍夫投票方式确定行人位置.隐式形状模型能有效解决遮挡,但是并不是所有的物体都能利用局部特征检测器检测到关键点,该方法只有在侧面行人检测时有较好的效果.
跳跃窗口法与隐式形状模型类似,不同在于每个
817
第4期苏松志:行人检测技术综述
局部特征不是对行人的中心点进行投票,而是对应一个行人可能出现的矩形框位置,最后对所有的矩形框位置进行融合.
4 实现细节
构建一个鲁棒的行人检测系统,除了与行人特征、分类与定位技术有关外,系统的性能还与训练样本的选择、预处理和后处理等密切相关.本节主要总结相关文献中提及的,以及我们在构建行人检测系统中积累的一些经验.
训练样本的收集 /巧妇难为无米之炊0,基于统计学习的方法来构建行人检测器,首先需要建立一个行人数据库.(1)对于通用场景的行人检测器来说,为了提高检测器的泛化能力,需要包含各种不同条件下的行人样本.(2)对于某一固定场景的行人检测器,若条件允许,最好收集针对某一固定场景下的行人正样本和负样本,避免样本的非独立同分布对检测器性能的影响.另外,(3)行人训练样本的标注中往往给出的是包含行人的最小矩形窗口,但训练时最好对该窗口进行扩充,尤其是向下延伸,如图2所示.因为行人一般站在地面上,而地面的表观特征通常相对固定
.
预处理 在实时性要求较高的应用场景中,可利用场景的先验信息预先确定行人可能出现的区域,缩
小检测器的搜索范围.在视频监控系统,由于摄像头静止,背景信息相对固定,可采用减背景法获取运动目标区域,将其作为候选区域.在车辆辅助驾驶中,基于双目视觉或者其它非视觉的传感器可获取路面信息,行人检测器只需对路面区域进行扫描.
后处理 对检测结果进行筛选,滤掉误检的行人窗口可进一步提高检测性能.如Gavrila 等[24]
通过比较立体图像对中左图像和右图像的轮廓相关性对检测结果进行验证.Leibe 等[33]采用倒角匹配(Chamfe r Match -ing)对检测结果的形状进行验证和细化.Shashua 等[55]在对检测结果进行跟踪后,提取多帧的信息,如步态模式、运动特征和单帧的检测结果置信度(即分类器对单个检测窗口的输出值)等,然后根据这些特征进行验
证.
总之,通过上述对各种方法的分析和比较,围绕着行人检测器的速度和准确率,可得出如下的两条经验:(1)提高检测速度的方法:根据应用场合,充分利用场景的先验信息,确定行人的候选区域;关于特征提取,可以利用GPU 或者积分直方图技术进行快速计算;在分类器的构造上,可以结合级联、多分辨等由粗到细的方法,尽量在分类的早期去掉大量非行人的区域.(2)提高检测准确率的方法:确定行人的候选区域,降低误检率;通过多特征融合,从多个不同的方面刻画行人特征,提高准确率;采用部位法,解决因遮挡而引起的漏检.
5 总结及其展望
本文对2005-2011行人检测技术中最核心的两个问题)特征提取、分类与定位)进行综述.从纵横两个方向对这些方法进行分析和比较,并给出构建行人检测系统时的一些实现细节和经验.虽然行人检测技术的准确率和速度在不断的提高,但是距离实用性还依然遥远.未来的行人检测技术的研究需要从以下几个方面着手:
(1)多视角和遮挡问题
目前大部分行人检测的研究为单目视觉,在单目视觉下多视角和遮挡问题很难解决.为了解决该问题,可采用多摄像机或利用深度信息来检测行人.同时在多摄像机下,人体的姿态较易获取,可探讨多目视觉中基于姿态的行人检测技术.
(2)特殊场景下的行人检测问题
一个鲁棒的行人检测必需在恶劣的天气环境下(如雨雪天气等)工作,系统必需能对部分遮挡、分辨率
低、远距离的、携带大面积物件的行人进行准确检测,并保持低误报率.同时,建立专门针对遮挡、低分辨率和远距离的行人测试数据库.
(3)设计自适应的检测器
目前大部分研究者的目标是构建通用的行人检测器,而在特殊场景下尤其是摄像头静止不动的监控场合中,如何利用增量式学习、在线学习等算法,将通用的行人检测器迁移到特殊场景中,使得行人检测器在检测的过程中通过自学习提高性能将是未来的研究重点.
总之,行人检测是当今计算机视觉领域的核心难点问题,其解决具有重要的理论意义和良好的应用前景,也吸引了大量的研究人员投入该领域的研究.虽然取得了一定的成效,但有效的解决真实复杂场景下的行人检测问题,还有待进一步的研究.
818 电 子 学 报2012年
参考文献
[1]许言午,曹先彬,乔红.行人检测系统研究新进展及关键
技术展望[J],电子学报,2008,36(5):368-376.
Xu Yan-wu,Cao X ian-bin,and Q iao Hong.Su rvey on the latest development of pedestrian detection system and its key tech-nolog ies expectation[J].Acta Electronica Si nica,2008,36(5): 368-376.(in Chinese)
[2]贾慧星,章毓晋.车辆辅助驾驶系统中基于计算机视觉的
行人检测研究综述[J].自动化学报,2007,33(1):84-90.
Jia Hu-i xing,Zhang Yu-jin.A survey of computer vision based pedestrian detection for driver assistance systems[J].Acta Au-tomatica Sinica,2007,33(1):84-90.(in Chinese)
[3]G eronimo D,L opez A,Sappa A,et al.Survey of pedestrian de-
tection for advanced driver assis tance systems[J].IEEE Trans.
on Pattern Analy sis and Machine Intelligence,2010,32(7): 1239-1258.
[4]Do ll r P,Wojek C,Schiele B,et al.Pedestrian detection:an e-
valuation of the state of the art.IEEE Trans.on Pattern Analysis and M achine Intelligence,2011,99:1-20.
[5]Aggarwal J,Ryoo M.Human activity analy sis:a review[J].
ACM Computing Su rveys,2011,43(3),16:1-47.
[6]杜友田,陈峰,徐文立,李永彬.基于视觉的人的运动识别
综述.电子学报,2007.35(1):84-90.
Du Y ou-tian,Chen Feng,Xu Wen-li,et al.A survey on the v-i sion-based human motion recogni tion[J].Acta Electronica Sin-i ca,2007.35(1):84-90.(in Chinese)
[7]Reilly V,Solmaz B,and Shah M.Geometric cons traints for hu-
man detection in aerial imagery[A].In Proc.ECCV[C],2010.
[8]Andriluka M,Schnitzspan P,Meyer J,et al.Vision based victim
detection from u nmanned aerial vehicles[A].In Pro c.IEEE/ RSJ International Conference on Intelligent Robots and Sy s tems (IRO S)[C].Taipei,Taiwan,2010.
[9]Dollar P,Belong ie S,Perona P.The fastest pedestrian detector
in the wes t[A].In Proc.BMV C[C],2010.
[10]Enzweiler M,Gavrila D.M onocular pedestrian detection:sur-
vey and experiments[J].IEEE Trans.on Pattern Analysis and M achine Intelligence,2009,31(12):2179-2195.
[11]Dalal N,Trigg s B.Histograms of oriented gradients for human
detection[A].In Proc.IEEE CVPR[C],2005,886-893. [12]Zhu Q,Yeh C,Cheng T.Fast human detection using a cascade
of histograms of oriented gradients[A].In Pro c.IEEE CVPR
[C],2006,2:1491-1498.
[13]Wo jek C,B.Schiele.A performance evaluation of single and
mult-i featu re people detection[A].In Proc.DAGM[C], 2008.
[14]Ojala T,Pietikainen M,Harwood D.A comparative study of
texture measures with classification based on feature distribu-tions[J].Pattern Reco gnition,1996,19(3):51-59.[15]M u Y,Yan S,L iu Y,et al.Discriminative local binary patterns
for pedes trian detection in personal album[A].In Proc.IEEE CV PR[C],2008.
[16]Wang X,Han X,Yan S.A HOG-LBP human detector with
partial o cclusion handling[A].In Pro c.IEEE ICCV[C], 2009.
[17]Walk S,M ajer N,Schindler K,et al.New features and insights
for pedes trian detection[A].In Proc.IEEE CVPR[C],2010.
[18]Wu J X,Rehg J M.CENTRIST:A visual descriptor for scene
categorization[J].IEEE Trans.on Pattern Analysis and Ma-chine Intelligent,2011,33(8):1489-1501.
[19]Wu J X,Geyer C,Rehg J M.Rea-l time human detection using
conto u r cues[A].In Proc.IEEE ICRA,2011.860-867. [20]Walk S,M ajer N,Schindler K,et al.New features and insights
for pedes trian detection[A].In Proc.of CVPR[C],2010. [21]Vio la P,Jones M.Robus t rea-l time face detection[J].Interna-
tional Journal of Computer V ision,2004,57(2):137-154. [22]Viola P,Jones M,Snow D.Detecting pedes tr ians using pat-
terns of motion and appearance[J],International Journal of Computer Vision,2005,63(2):153-161.
[23]Wu B,Nevatia R.Detection of multiple,partially occluded hu-
mans in a single image by bayesian combination of edgelet part detectors[A].In Proc.IEEE ICCV[C],2005.
[24]Gavrila D.A bayesian,exemplar-based approach to hierarch-i
cal s hape matching[J].IEEE Trans actions on Pattern Analy sis and Machine Intelligence,2007,29(8):1-14.
[25]G ao W,A i H,Lao S.Adaptive contour featu res in oriented
granular space for human detection and segmentation[A].In Proc.IEEE CV PR[C],2009.
[26]Tuzel O,Porikli F,Meer P.Pedes trian detection via classifica-
tion on Riemannian manifolds[J].IEEE Transactions on Pat-tern Analysis and M achine Intelligence,2008,30(10):1713-
1727.
[27]Wantanbe T,Ito S,Yokoi K.Co-occurrence histo grams of or-i
ented gradients for pedes trian detection[A].In Pro c.of The 3rd Pacific-Rim Sympo sium on Image and V ideo T echnolo gy
[C],Tokyo,Japan,2009.37-47.
[28]Liu Y,Shan S,Zhang W,et al.Granularity-tunable gradients
partition(GGP)descriptors for Human Detection[A].In Pro c.IEEE CVPR[C],2009.
[29]Dollar P,Tu Z W,Perona P,et al.Integral channel features
[A].In Proc.BMVC[C],2009,1-11.
[30]Schwartz W,Kembhavi A,Harwood D,et al.Hu man detection
usi ng partial leas t squares analysis[A].In Proc.IEEE ICCV
[C],2009.
[31]Wo jek C,Walk S,Schiele B,M ult-i cue onboard pedes trian
detection[A].In Pro c.IEEE CVPR[C],2009.
[32]Li Fe-i fei,Perona P.A bayesian hierarchal model for learning
natural scene categories[A].In Proc.IEEE CVPR[C],2005.
819
第4期苏松志:行人检测技术综述
[33]L eibe B,L eonardis A,Schiele B.Robust object detection w i th
interleaved categorization and segmentation[J].International Journal of Computer V ision,2008,77(3):259-289.
[34]L ampert C,Blaschko M,Hofmann T.Efficient su bwindow
search:a branch and bo u nd framework for object localization [J].IEEE Transactions on Pattern Analysis and M achine In-
telligence,2009,31(12):2129-2142.
[35]Chum O,Z isserman A.An exemplar model for learning object
classes[A].In Proc.IEEE CVPR[C],2007.
[36]苏松志.行人检测若干关键技术研究[D].福建厦门,厦
门大学博士学位论文,2011.
Su Song-zhi.Research on key technologies of pedestrian de-tection[D].Fujian,X iamen,Xiamen University,Ph.D Thesis, 2011.(in Chinese)
[37]田广,戚飞虎.移动摄像机环境下基于特征变换和S VM
的分级行人检测算法[J].电子学报,2008,36(5):1024-
1028.
T ian G uang,Qi Fe-i hu.Featu re trans formation and SVM based hierarchical pedestrian detection with a monocular mo ving camera[J].A cta Electronica Sinica,2008,36(5):1024-
1028.(in Chinese)
[38]Oren M,Papageorion C,Sinha P,et al.Pedestrian detection
using wavelet templates[A].In Proc.IEEE CV PR[C].1997.
193-199.
[39]M aji S,Berg A,Mali k J.Classification using i nter section ker-
nel S V Ms is efficient[A].In Proc.IEEE CVPR[C],2008. [40]Chen Y T,Chen C S.Fast hu man detection using a novel
bo os ted cascading structure with meta stages[J].IEEE Trans.
on Image Processing,2008,17(8):1452-1464.
[41]Kim T K,Cipo lla R.MCBoost:Multiple classifiers boosting
for perceptual co-clustering of images and visual features[A].
In Pro c.IEEE NIPS[C],2008.
[42]Lin Z,Hua G,Davis S.M ultiple instance featu re for robust
par-t based object detection[A].In Proc.IEEE CVPR[C],
2009.
[43]Babenko B,D ollar P,Tu Z,et al.Simul taneous learning and
alignment:mult-i instance and mult-i po se learning[A].In Proc.IEEE ECCV[C],2008.
[44]Felzenszwalb P,Girshick R,M cAlles ter D,et al.Object detec-
tion with discriminatively trained part based models[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2009,32
(9):1627-1645.
[45]Felzenszwalb P,Gir s hick R,M cA llester D.Cascade object de-
tection with deformable part models[A].In Pro c.IEEE CVPR
[C],2010.
[46]Pedersoli M,Vedaldi A,Gonzalez J.A coarse-to-fine ap-
proach for fast deformable object detection[A].In Proc.
IEEE CV PR[C],2011.
[47]Parikh D,Z itnick C.Findi ng the weakest link in person detec-
tors[A].In Proc.IEEE CV PR[C],2011.
[48]A garwal A,Awan A,Roth D.L earning to detect objects in
images via a s parse,par-t based representation[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2004,26
(11):1475-1490.
[49]An Senjian,Peursum P,Liu Wanquan,et al.Efficient algo-
rithms for subwindow search in object detection and localiza-tion[A].In Proc.IEEE CVPR[C],2009.
[50]An Senjian,Peursu m P,L iu Wanquan,et al.Exploiting monge
structures in optimum subwindow search[A].In Pro c.IEEE CVPR[C],2010.
[51]Vijayanarasimhan S,Grauman K.Efficient reg ion search for
object detection[A].In Proc.IEEE CVPR[C],2011. [52]Yuan J S,Liu Z C,Wu Y.Discriminative video pattern search
for efficient action detection[J].IEEE Trans.on Pattern Ana-l
ysis and Machi ne Intelligence,2011,99:1-17.
[53]Gall J,Lempitsky V.Class-specific ho ugh forests for object
detection[A].In Proc.IEEE CV PR[C],2009.
[54]M aji S,M ali k J.O bject detection using a max-margin hough
transform[A].In Proc.IEEE CVPR[C],2009.
[55]Shashua A,Gdalyahu Y,Hayun G.Pedestrian detection for
driving assis tance systems:single-frame classification and sys-tem level performance[A].In Proc.IEEE Intelligent Vehicles Symposium[C],2004.1-6.
作者简介
苏松志男,厦门大学信息科学与技术学
院助理教授,1982年11月出生于福建泉州.2005
年毕业于山东大学,2008年、2011年于厦门大学
获得工学硕士和理学博士学位.主要从事行人检
测和人体行为分析的研究.
E-mail:s sz1021@https://www.wendangku.net/doc/4a18062443.html,
李绍滋男,厦门大学信息科学与技术学院
教授,博导,1963年3月出生于湖南常德.1983
年毕业于湖南大学,1988年毕业于西安交通大
学,获工学硕士学位,2009年毕业于国防科技大
学,获工学博士学位.主要研究方向为:人工智能
及其应用、计算机视觉、机器学习等.先后主持或
参加过多项国家863项目、国家自然科学基金项
目、教育部博士点基金项目、深圳科技计划项目
等研究.E-mail:Hszlig@https://www.wendangku.net/doc/4a18062443.html,H
陈淑媛女,台湾元智大学教授,博导.1958
年11月出生于台湾花莲,1980年,1982年,1990
年于台湾国立交通大学分别获得工学学士、硕
士和博士学位,主要从事计算机视觉、模式识别
和图像检索等研究.
E-mail:csc hen@https://www.wendangku.net/doc/4a18062443.html,.tw
820电子学报2012年
红外热像检测技术综述
作业一红外热像检测技术综述 院（系）名称机械工程及自动化学院科目现代无损检测技术 学生姓名X X 学号XXXXXXXX 2016 年1X 月1X 日
红外热像检测技术综述 XXXX XXXX 目录 1 红外热像检测技术的原理介绍 (1) 2 红外热像检测技术的应用 (2) 2.1材料的内部制造缺陷的红外热像检测 (2) 2.3结构内部损伤及材料强度的检测 (3) 2.4在建筑节能检测中的应用 (3) 2.5建筑外外墙面饰面层粘贴质的检测 (4) 2.6在建筑物渗漏检测中的应用[13] (4) 3 红外热像检测技术国内外发展现状 (5) 3.1红外热像检测技术国外发展现状 (5) 3.2红外热像检测技术国内发展现状 (7) 4 参考文献 (10) I
1 红外热像检测技术的原理介绍 红外热成像检测技术采用主动式控制加热激发被检物内部缺陷，通过快速热图像采集和基于热波理论图像处理技术实现缺陷检测。它通过光学机械扫描系统，将物体发出的红外线辐射汇聚在红外探测器上，形成红外热图像，由此来分辨被测物体的表面温度。该技术具有检测速度快、非接触、范围广、精度高、易于实现自动化和实时观测等诸多优点，适合于裂缝、分层、积水、冲击损伤等问题的诊断。 红外线和可见光及无线电波一样是一种电磁波，红外线的波长比可见光长，比无线波短，为0.78~1000m μ，可分为近红外、中红外和远红外。任何物体只要不是绝对零度，都会因为分子的东{转和振动而发出“辐射能量”，红外辐射是其中一种。如果把物体看成是黑体，吸收所有的人射能量，则根据斯蒂芬—玻尔兹曼定律，在全波长范围内积分可得到黑体的总辐射度为: ()40 ,M M T d T λλσ∞==? (1.1) 式中:()()152121,exp 1c M T c W m m T λλμλ---??????=-???? ?????? ??? 为黑体的光谱辐射度;1c ，2c 为辐射常数，8241 3.741810c W m m μ-=???，42=1.438810c m K μ??，σ为斯蒂芬—玻尔兹曼常数，8245.6710W m K σ---=???，实际的大部分人工或天然材料都是灰体而不是黑体材料，与黑体不同，灰体材料的发射率1ε≠，灰体表面能反射一部分入射的长波()>3m λμ辐射，因此灰体表面的辐射由自身发射的和环境反射的两部分组成，用红外探测器可直接测量灰体发射和反射的总和ap M ，但无法确定各自的份额。通常假设物体表面为黑体，将ap M 称为表观辐 射度，为便于理解，一般将其转换为人们较熟悉的温度单位，称为表观温度ap T ，即: ()()()()04,,ap t l ap ap M M T M T d T λελλρλλλσ=+=? (1.2) 上述的表观温度ap T ，即为红外探测器测量所得温度。在无损检测中测量距离一般较近，可以忽瞬大气的影响，故被测物体的表面发射率。的取值是否准确是影响测量精度的关键因素。
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
碰撞检测
二维碰撞检测算法 碰撞检测（Collision Detection,CD）也称为干涉检测或者接触检测，用来检测不同对象之间是否发生了碰撞，它是计算机动画、系统仿真、计算机图形学、计算几何、机器人学、CAD\ CAM等研究领域的经典问题。 碰撞物体可以分为两类：面模型和体模型。面模型是采用边界来表示物体，而体模型则是使用体元表示物体。面模型又可根据碰撞后物体是否发生形变分为刚体和软体，刚体本身又可根据生成方式的不同分为曲面模型和非曲面模型。目前对于碰撞的研究多集中于面模型的研究，因为体模型是一种三维描述方式，对它进行碰撞检测代价较高。而在面模型的研究中，对刚体的研究技术更为成熟。 下面列举几种常用的碰撞检测技术： 1：包围盒（bounding box）是由Clark提出的，基本思想是使用简单的几何形体包围虚拟场景中复杂的几何物体，当对两个物体进行碰撞检测时，首先检查两个物体最外层的包围盒是否相交，若不相交，则说明两个物体没有发生碰撞，否则再对两个物体进行检测。基于这个原理，包围盒适合对远距离物体的碰撞检测，若距离很近，其物体之间的包围盒很容易相交，会产生大量的二次检测，这样就增大了计算量。 包围盒的类型主要有AABB(Aligned Axis Bounding Box)沿坐标轴的包围盒、包围球、OBB(Oriented Bounding Box)方向包围盒和k-DOP(k Discrete Orientation Polytopes)离散方向多面体等。 AABB是包含几何对象且各边平行于坐标轴的最小六面体，两个AABB包围盒相交当且仅当它们三个坐标轴上的投影均重叠，只要存在一个方向上的投影不重叠，那么它们就不相交。AABB间的相交测试和包围体的更新速度比其他算法
图像分割方法综述
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
入侵检测技术综述
入侵检测技术综述 胡征兵1Shirochin V.P.2 乌克兰国立科技大学 摘要 Internet蓬勃发展到今天，计算机系统已经从独立的主机发展到复杂、互连的开放式系统，这给人们在信息利用和资源共享上带来了很大的便利。由Internet来传递和处理各种生活信息，早已成为人们重要的沟通方式之一，随之而来的各种攻击事件与入侵手法更是层出不穷，引发了一系列安全问题。本文介绍现今热门的网络安全技术-入侵检测技术，本文先讲述入侵检测的概念、模型及分类，并分析了其检测方法和不足之处，最后说描述了它的发展趋势及主要的IDS公司和产品。 关键词入侵检测入侵检测系统网络安全防火墙 1 引言 随着个人、企业和政府机构日益依赖于Internet进行通讯，协作及销售。对安全解决方案的需求急剧增长。这些安全解决方案应该能够阻止入侵者同时又能保证客户及合作伙伴的安全访问。虽然防火墙及强大的身份验证能够保护系统不受未经授权访问的侵扰，但是它们对专业黑客或恶意的经授权用户却无能为力。企业经常在防火墙系统上投入大量的资金，在Internet入口处部署防火墙系统来保证安全，依赖防火墙建立网络的组织往往是“外紧内松”，无法阻止内部人员所做的攻击,对信息流的控制缺乏灵活性，从外面看似非常安全，但内部缺乏必要的安全措施。据统计，全球80%以上的入侵来自于内部。由于性能的限制，防火墙通常不能提供实时的入侵检测能力，对于企业内部人员所做的攻击，防火墙形同虚设。 入侵检测是对防火墙及其有益的补充，入侵检测系统能使在入侵攻击对系统发生危害前，检测到入侵攻击，并利用报警与防护系统驱逐入侵攻击。在入侵攻击过程中，能减少入侵攻击所造成的损失。在被入侵攻击后，收集入侵攻击的相关信息，作为防范系统的知识，添加入知识库内，增强系统的防范能力，避免系统再次受到入侵。入侵检测被认为是防火墙之后的第二道安全闸门，在不影响网络性能的情况下能对网络进行监听，从而提供对内部攻击、外部攻击和误操作的实时保护,大大提高了网络的安全性[1]。 2 入侵检测的概念、模型 入侵检测（Intrusion Detection，ID）, 顾名思义，是对入侵行为的检测。它通过收集和分析计算机网络或计算机系统中若干关键点的信息，检查网络或系统中是否存在违反安全策略的行为和被攻击的迹象。进行入侵检测的软件与硬件的组合便是入侵检测系统（Intrusion Detection System,IDS）。 入侵检测的研究最早可以追溯到詹姆斯·安德森[1]在1980年为美国空军做的题为《计算机安全威胁监控与监视》的技术报告，第一次详细阐述了入侵检测的概念。他提出了一种对计算机系统风险和威胁的分类方法，并将威胁分为外部渗透、内部渗透和不法行为三种，还提出了利用审计跟踪数据监视入侵活动的思想。他的理论成为入侵检测系统设计及开发的基础 , 他的工作成为基于主机的入侵检测系统和其它入侵检测系统的出发点。 Denning[2]在1987年所发表的论文中，首先对入侵检测系统模式做出定义：一般而言，入侵检测通过网络封包或信息的收集，检测可能的入侵行为，并且能在入侵行为造成危害前及时发出报警通知系统管理员并进行相关的处理措施。为了达成这个目的，入侵检测系统应包含3个必要功能的组件：信息来源、分析引擎和响应组件。 ●信息来源（Information Source）：为检测可能的恶意攻击，IDS所检测的网络或系统必须能提供足够的信息给IDS，资料来源收集模组的任务就是要收集这些信息作为IDS分析引擎的资料输入。 ●分析引擎（Analysis Engine）：利用统计或规则的方式找出可能的入侵行为并将事件提供给响应组件。 ●响应模组（Response Component）：能够根据分析引擎的输出来采取应有的行动。通常具有自动化机制，如主动通知系统管理员、中断入侵者的连接和收集入侵信息等。 3 入侵检测系统的分类 入侵检测系统依照信息来源收集方式的不同，可以分为基于主机（Host-Based IDS）的和基于网络（Network-Based IDS）；另外按其分析方法可分为异常检测（Anomaly Detection,AD）和误用检测（Misuse Detection,MD），其分类架构如图1所示： 图 1. 入侵检测系统分类架构图
自动检测技术综述
课程综述 08自动化（2）班 0805070124 随着大三分专业被分到自动化这个专业后，首先接触的课程就是自动化检测技术。作为一门动手能力要求比较高的课程，这门课也配套了相应的实验课程。回味这学期的自动检测技术这门课的学习，按照自己的学习计划学习起来还是比较从容的。自动检测技术是自动化科学技术的一个重要分支科学，是在仪器仪表的使用、研制、生产、的基础上发展起来的一门综合性技术。自动检测就是在测量和检验过程中完全不需要或仅需要很少的人工干预而自动进行并完成的。实现自动检测可以提高自动化水平和程度，减少人为干扰因素和人为差错，可以提高生产过程或设备的可靠性及运行效率。 对于自动检测技术这门课，我觉得很重要的就是学习计划，不管做什么事都应该有一个计划，大到自己的学习生涯规划，小到自己的一天什么时刻该做什么，这样你才能做到有的放矢。作为一门自动化专业重要的课程，学好这门课是必须的。关于学习计划，我觉得每天课后的复习工作是很重要，这有助于我们对新知识的理解和吸收。大学里要充分利用各种资源，比如说图书馆、学术论坛、网络资源等。网络这种全新的学习形式具有开放性、互动性、网络性、虚拟性的特点,为我们的自主学习，教师的教学提供了许多便利条件。目前，互联网上学习资源中，管理方面的资源极为丰富；收费、互助、免费应有尽有。当然如何有效利用这些资源，是我们必须重视的问题，不适当的选择，会浪费精力，浪费时间，我们要选择适合自己的资源进行学习，这样才能做到事半功倍。还有就是一个老师每次布置的小设计论文，每次的设计论文感觉都是对自己所学到的知识的一些升华，在原有知识的基础上进行设计，利用课本知识缩学到的东西应用到实际的设计当中去。这是一项很好的作业，让我们在学到基础知识的前提下，能够活用。 自动检测的任务：自动检测的任务主要有两种，一是将被测参数直接测量并显示出来，以告诉人们或其他系统有关被测对象的变化情况，即通常而言的自动检测或自动测试；二是用作自动控制系统的前端系统，以便根据参数的变化情况做出相应的控制决策，实施自动控制。自动检测技术主要的研究内容：自动检测技术的主要研究内容包括测量原理、测量方法、测量系统、及数据处理。测量系统：确定了被测量的测量原理和测量方法后，就要设计或选用装置组成测量系统。目前的测量系统从信息的传输形式看，主要有模拟式和数字式两种。模拟式测量系统：模拟量测试系统是由传感器，信号调理器，显示、记录装置和（或）输出装置组成。数字式测量系统：数字式测量系统目前主要是带微机的测量系统，是由传感器、信号调理器、输入接口、中央处理器组件、输出接口和显示记录等外围设备组成。检测技术的特点：实时性强、精确度高、可靠性高、通道多、功能强。 关于自动化专业而言，自动化检测技术对学生动手能力要求比较高，所以有关和自动检测技术的实验课也是尤为重要的一项。实验课的课前准备工作必须充
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：
行人检测专利技术综述
行人检测专利技术综述 摘要近年来，伴随着计算机视觉、模式识别和人工智能等相关技术的发展，以及智能汽车、智能监控和安全领域的迫切需求，行人检测技术受到了越来越多的关注，已成为当前研究人员关注的一个重要的研究方向。本文从行人检测的全球专利申请量、全球主要申请人分布、在中国提交申请量、中国主要申请人分布等角度进行了分析和研究，梳理了行人检测技术的研究现状及发展趋势。 关键词行人检测；行人检测应用 1 全球专利申请分析 1.1 全球专利申请量分析 自2000年起，行人检测技术在全球的申请趋势按照申请量可分为三个阶段：技术启蒙期、稳健增长期、快速增長与技术产品化期，下面将具体给出三个阶段的数据分析。 技术启蒙期（2000-2004年）：2000年至2004年行人检测技术刚刚启蒙，申请量较少，这期间年均增长大约维持在20件左右。由于此期间计算机视觉技术发展也刚刚起步，行人检测技术还处于理论研究阶段，其涉猎的应用领域还很少。这期间主要的申请人还局限于汽车领域的领头企业，例如尼桑、瑞典奥拓立夫、本田等公司。此阶段行人检测技术，还较为落后其检测还主要是基于对物体的检测结合物体行进速度对行人进行检测，检测准确率低。 稳健增长期（2005-2012年）：2005年至2012年，信息技术迅猛发展，计算机视觉也得到了飞速发展。此阶段由于与行人检测相关的技术智能汽车、智能监控和安全领域也得到了相关企业重视。行人检测技术申请量增长率有抬头趋势，在此期间年申请量50-80件左右，其主要涉猎的领域也较一阶段也涉及更多的应用领域，例如，一些新兴的企业单位也申请了相关专利申请。且此阶段，行人检测技术采用的技术也有所改进，行人检测的准确率有了一定的提升[1]。 快速增长与技术产品化（2013-2016年）：在此期间，计算机视觉、图形图像等相关技术显著提升。2013-2016年，全球专利年申请量迅猛增至年申请量200件，尤其是在近三年其增占率更是实现了翻倍增长。其主要原因为：视频监控、自动驾驶技术、互动娱乐与人机交互、家庭监控等新兴领域的发展，促进了行人检测技术的发展，技术产品化成为可能。行人检测技术也逐渐走向成熟，其主要相关技术行人识别、背景去噪、算法效率等方面均得到了显著提高。 1.2 全球专利申请国家分布分析 本文通过对DWPI数据库的国别字段进行申请量统计，并通过Microsoft Excel进行了申请百分比统计。截止2016全球行人检测技术排名前三位的申请国
虚拟手术中实时碰撞检测技术
虚拟手术中实时碰撞检测技术研究 彭 磊 张裕飞 王秀娟 （泰山医学院 信息工程学院 山东 泰安 271016） 摘 要： 碰撞检测是虚拟手术的关键技术，为提高检测速度，满足系统实时性的要求，提出空间剖分和层次包围盒相结合的方法。使用八叉树表示法对虚拟场景进行空间剖分，在叶节点构建层次包围盒。进行碰撞检测时属于不同八叉树节点的几何元素不会相交，否则使用层次包围盒算法继续进行检测，对于有可能相交的几何元素再进行精确相交检测。 关键词： 虚拟手术；碰撞检测；空间剖分；层次包围盒 中图分类号：TP391.9 文献标识码：A 文章编号：1671－7597（2012）1120029－02 进行碰撞检测时从八叉树的根节点开始，计算两几何元素0 引言 是否属于同一节点，如果不属于同一节点则不相交，如果属于虚拟手术是集医学、生物力学、材料学、计算机图形学、同一节点，递归的到下一级节点进行检查，直到发现两几何元虚拟现实等诸多学科为一体的交叉研究领域。虚拟手术在医学素属于同一叶节点，则需要进一步使用层次包围盒进行检查。 中的应用主要包括：手术计划与过程模拟、术中导航与监护、 2 层次包围盒 手术教学与训练等。碰撞检测是虚拟手术系统中的关键技术，贯穿于虚拟手术的整个过程。 对于八叉树的每个叶节点包含的几何元素，建立层次包围虚拟手术系统中的对象根据材质可分为刚体组织和软件组盒（Bounding Volume Hierarchy ，BVH ）。相对于单纯的层次织。骨骼、手术器械等属于刚体组织，而人体的许多器官如肌包围盒技术，使用空间剖分与层次包围盒相结合的方法进行碰肉、血管、肝脏等属于软体组织。以往大部分碰撞检测的研究撞检测，构建的层次树规模更小，计算量更少。层次包围工作都是针对刚体对象的。与刚体相比较，软体组织由于其特殊的物理性质，在外力或某些操作的作用下会发生几何形状、位置甚至数量上的变化，因此基于软体组织的碰撞检测需要更详细的信息和更多的处理。 最简单的碰撞检测方法是对场景中的几何元素进行两两相2交测试，其时间复杂度为O(n )，虽然这种方法可以得到正确的结果，但是当场景中的几何模型稍微增多些，其实时性便无法满足实际的需求。为了尽可能地减少参与相交测试的几何元素的数量，提高系统的实时性，目前碰撞检测技术使用的主要算法有：层次包围盒法，空间分割法，基于网格剖分的方法[1]。但是这些经典的算法也都存在着构造难度大、紧密性差、相交测试复杂、效率低等缺点。 本文采用空间剖分和层次包围盒相结合的方法，简化了几何信息的表示，进行碰撞检测时可排除明显不相交的几何元素，无法排除的再进行精确相交检测，从而减少计算量，加速碰撞检测速度，提高系统实时性。 1 空间剖分技术 整个虚拟手术的场景空间递归的剖分成若干个网格单元，每一个几何元素都属于某个网格单元，处于同一网格单元内的几何元素才有相交的可能，不在同一网格单元的几何元素一定不会相交。采用八叉树的表示方法进行空间剖分。即包含整个场景的立方体作为八叉树的根节点，立方体的3条棱边分别与x ，y ，z 轴平行。递归的将立方体剖分为8个小块，如图1（a ）所示，生成8个子节点，直到达到指定的剖分层次为止，如图1（b ）所示，每个叶节点包含有限个几何元素。 图1 八叉树表示法 盒包括包围盒和层次树两种数据结构。 2.1 包围盒 包围盒技术是减少相交检测次数，降低碰撞检测复杂度的一种有效的方法。其基本思想是用几何形状相对简单的封闭表面将一复杂几何元素包裹起来，首先进行包围盒之间的相交测试，排除明显不相交的几何元素，无法排除的几何元素，再进一步进行精确的相交测试，从而达到减少相交测试计算量的目的。常见的包围盒类型有：包围球（Bounding Sphere ）、沿坐标轴的包围盒（Axis Aligned Bounding Box ，AABB ）、方向包围盒（Oriented Bounding Box ，OBB ）。离散方向包围盒（k-Discrete Orientation Polytopes ，k-DOPs ）等[2]，如图2所示。 图2 包围盒 由于虚拟手术对实时性要求较高，本文选择AABB 型包围盒，AABB 是平行于坐标轴的，包含几何元素的最小正立方体。其优点是：1）易于构建，只需要计算所包含几何元素的顶点的x ，y ，z 坐标的最大值和最小值，存储6个浮点数即可；2）相交测试计算量小，相交测试时只需对两个包围盒在三个坐标轴上的投影分别进行比较，最多6次比较运算即可。 2.2 包围盒层次树 包围盒层次树即包围盒的层次结构，层次树的根节点包含某个八叉树叶节点几何元素的全集，向下逐层分裂，直到每个叶节点表示一个基本几何元素。常用的构建策略有自顶向下和自底向上两种。 自顶向下的方法首先建立根结点，利用基于全集的信息递归地将每个节点分裂为两个或多个子集，直至生成只包含一个 基本图元的叶结点为止，从而建立一棵自顶向下的包围盒层次 （ ）八叉树结构 （ ）节点的剖分
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点， 本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract: Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：
既有建筑检测技术综述
既有建筑检测技术综述 摘要：建筑检测对建筑结构的安全性有着重要影响，因此在对建筑结构进行检测时必须要认真。建筑构件的检测工作与建筑的现在有着密切关系，因此相关部门需要对建筑工程的质量进行检测工作进行紧密监督，同时需要对建筑结构中的构建进行检测，本文在对既有建筑检测管理进行简单叙述的基础上，对既有建筑检测技术进行了详细分析，希望对相关工作人员能够有所帮助。 关键词：建筑检测;技术分析;建筑结构 经济的快速发展，使得我国的建筑行业得到了飞速发展，在建筑行业飞速发展的过程中，检测技术显得尤为重要。从目前情况来看，我国的建筑检测技术处于平稳发展阶段，前景一片大好。 一、建筑检测的管理 （一）单位资质 建筑检测单位必须具有相应的检测资质，只有具备检测资质的建筑单位才可以对建筑机构进行检测。检测单位需要应当为专门单位，其工作范畴只能是工程质量检测，不能建筑其它工作，确保建筑检测部门具有检测资质。 （二）检测人员的专业水平
从目前情况来看，我国的许多技术检测人员都通过了专业的技术培训，具有检测资格，但是仍然存在技术检测人员只是通过了简单的技术培训，并没有深入的了解建筑检测工作的评定标准和规范，因此在检测工作中难免会出现一些错误，这也导致了既有建筑检测技术无法在建筑检测中发挥应有的作用，因此必须要加强管理，通过技能培训提高建筑检测人员的专业素养，使既有检测检测技术在建筑检测中能够起到应有的作用。 （三）检测人员的职业素养 建筑检测人员的职业道德必须过关，建筑检测人员在进行建筑检测工作是，必须要公平、公正，不能盲目。但在实际工作中，有少数的检测人员在工作中为了实现某种目的或个人利益，人为的对检测结果进行修改，最终使检测结果出现偏差，这使得检测技术成为了口壳子，在建筑检测过程中并没有得到合理应用，影响了建筑检测结果。 二、既有建筑检测技术 （一）砌体检测技术 目前针对砂浆、砌体的检测方法较多，其中主要的检测方法有回弹法、贯入法、推出发等。但实际建筑中因为砂浆和砌体强度离散性大，因此在检测上的优劣势差异较为明显，因此在检测上经常会因为选用不同的检测方法而得到不同 的检测结构。下面重点分析贯入法，贯入法在检测过程中对
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
图像处理文献综述
文献综述 理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显着的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不尽如人意。20世纪80年代，Marr和Canny相继提出了一些更为系统的理论和方法，逐渐使人们认识到边缘检测的重要研究意义。随着研究的深入，人们开始注意到边缘具有多分辨性，即在不同的分辨率下需要提取的信息也是不同的。通常情况下，小尺度检测能得到更多的边缘细节，但对噪声更为敏感，而大尺度检测
无损检测技术综述
无损检测技术原理与应用 安全工程1401班 2014074201 1无损检测技术的定义及发展概况 随着中国科学和工业技术的发展，高温、高压、高速度和高负荷已成为现代化工业的重要标志。但它的实现是建立在材料高质量的基础之上的。必须采用不破坏产品原来的形状，不改变使用性能的检测方法，以确保产品的安全可靠性，这种技术就是无损检测技术。无损检测技术不损害被检测对象的使用性能，应用多种物理原理和化学现象，对各种工程材料，零部件，结构进行有效地检验和测试，借以评价它们的连续性、完整性、安全可靠性及某些物理信息。目的是为了评价构件的允许负荷、寿命或剩余寿命，检测设备在制造和使用过程中产生的结构不完整性及缺陷情况，以便及时发现问题，保障设备安全[1]。 无损检测技术是机械工业的重要支柱，也是一项典型的具有低投入、高产出的工程应用技术。可能很难找到其他任何一个应用学科分支，其涵盖的技术知识之渊博、覆盖的基本研究领域之众多、所涉及的应用领域之广泛能与无损检测相比。美国前总统里根在发给美国无损检测学会成立20周年的贺电中曾说过，(无损检测)能给飞机和空间飞行器、发电厂、船舶、汽车和建筑物等带来更高的可靠性，没有无损检测(美国)就不可能享有目前在飞机、船舶和汽车等众多领域和其他领域的领先地位。作为一门应用性极强的技术，只有与国家大型工程项目结合，解决国家大型和重点工程项目中急需解决的安全保障问题，无损检测技术才能有用武之地和广阔的发展空间[2]。 我国无损检测技术的快速发展得益于经济的快速发展和国家综合实力的快速增强。近十年来，我国经济一直处于快速发展期，无损检测事业也处于蒸蒸日上的局面，其总体形势和水平已是十年前无法比拟。在我国各工业部门和国防单位，我国无损检测工作者取得了令世人瞩目的成绩[2]。 2无损检测技术的基本类型及其原理 目前常用的无损检测类型主要有超声检测技术、射线检测技术、磁粉检测技术、渗透检测和红外检测技术五种，本文选取其中3种检测技术对其基本原理和应用进行简单的讲述，选取超声波检测技术和红外检测技术这两种检测技术进行
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。
计算机视觉各种方法
第33卷第1期自动化学报Vol.33,No.1 2007年1月ACTA AUTOMATICA SINICA January,2007 车辆辅助驾驶系统中基于计算机视觉的 行人检测研究综述 贾慧星1章毓晋1 摘要基于计算机视觉的行人检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一.其核心是利用安装在运动车辆上的摄像机检测行人，从而估计出潜在的危险以便采取策略保护行人.本文在对这一问题存在的困难进行分析的基础上，对相关文献进行综述.基于视觉的行人检测系统一般包括两个模块：感兴趣区分割和目标识别，本文介绍了这两个模块所采用的一些典型方法，分析了每种方法的原理和优缺点.最后对性能评估和未来的研究方向等一系列关键问题给予了介绍. 关键词行人检测，车辆辅助驾驶系统，感兴趣区分割，目标识别 中图分类号TP391.41 A Survey of Computer Vision Based Pedestrian Detection for Driver Assistance Systems JIA Hui-Xing ZHANG Yu-Jin Abstract Computer vision based pedestrian detection has become one of the hottest topics in the domain of computer vision and intelligent vehicle because of its potential applications in driver assistance systems.It aims at detecting pedestrians appearing ahead of the vehicle using a vehicle-mounted camera,so as to assess the danger and take actions to protect pedestrians in case of danger.In this paper,we give detailed analysis of the di?culties lying in the problem and review most of the literature.A typical pedestrian detection system includes two modules:regions of interest(ROIs) segmentation and object recognition.This paper introduces the principle of typical methods of the two modules and analyzes their respective pros and cons.Finally,we give detailed analysis of performance evaluation and propose some research directions. Key words Pedestrian detection,driver assistance system,ROIs segmentation,object recognition 1引言 车辆辅助驾驶系统中基于计算机视觉的行人检测是指利用安装在运动车辆上的摄像机获取车辆前面的视频信息，然后从视频序列中检测出行人的位置.由于它在行人安全方面的巨大应用前景，成为智能车辆、计算机视觉和模式识别领域的前沿研究课题.欧盟从2000年到2005年连续资助了PROTECTOR[1]和SAVE-U[2]项目，开发了两个以计算机视觉为核心的行人检测系统；意大利Parma[3]大学开发的ARGO智能车也包括一个行人检测模块；以色列的MobilEye[4]公司开发了芯 收稿日期2006-3-14收修改稿日期2006-6-17 Received March14,2006;in revised form June17,2006 国家自然科学基金(60573148),教育部高等学校博士学科点专项科研基金(20060003102)资助 Supported by National Natural Science Foundation of P.R.China(60573148),Specialized Research Fund for the Doc-toral Program of Higher Education(20060003102) 1.清华大学电子工程系北京100084 1.Department of Electronic Engineering,Tsinghua University, Beijing100084 DOI:10.1360/aas-007-0084片级的行人检测系统；日本本田汽车公司[5]开发了基于红外摄像机的行人检测系统;国外的大学如CMU[6]、MIT[7,8]和国内的西安交通大学[9]、清华大学[10]也在该领域做了许多研究工作. 车辆辅助驾驶系统中基于计算机视觉的行人检测属于计算机视觉中人体运动分析的研究范畴，其主要任务是在运动摄像机下快速准确地检测行人.本文主要针对这一特定领域对相关的文献进行综述，重点分析常用方法的原理和优缺点，以期对相关的科技人员起到指导作用.对监控系统和体育运动分析领域中人体检测感兴趣的读者可以参考综述文献[11～14]. 行人检测除了具有一般人体检测具有的服饰变化、姿态变化等难点外，由于其特定的应用领域还具有以下难点：摄像机是运动的，这样广泛应用于智能监控领域中检测动态目标的方法便不能直接使用；行人检测面临的是一个开放的环境，要考虑不同的路况、天气和光线变化，对算法的鲁棒性提出了很高的要求；实时性是系统必须满足的要求，这 c 2007by Acta Automatica Sinica.All rights reserved.