实验四：基于BSP技术的室内场景渲染和碰撞检测
实验四：基于BSP???碰撞检测
姓名：班级：学号：
一、实验目
掌握BSP?原理；
熟悉Ogr?e中基于S P??法。
二、实验仪器
pc、visua?l studi?o 2010
、实验原理 ?过程
//网上检索B?S P相关
//利 Ogr?e实现基于B SP? 程?实现 ???A PI进行详细说明1、BSP相关?
（1）BSP?
BSP Trees??B i nar?y Space? Parti?o ning?trees? 二 ? 二 ?。 ： ?； 中?光照运算；BSP?预 。
（2）BSP原理?
顺 判定
BSP：二 ?。 ?????? 。 ??定过 ??? 一 ?B S P。
?上 于 ?件Z Buf?f er?后向前画。
?于?Z B uff?e r?前向后 ? 于后画 ??遮挡而 Z?B uffe?r CUT 而 ?高。
筛选优化
?进行顺 判?定? 中 ?上?? 过?筛选。
PVS
?减外BSP?过?进行进一 ?筛选优化?。 理?解Po?r tal： ??。Porta?l?于 一? 进行 ? 算 算 ?；
二 法??集合PV?S?候 同 ??? 关
候 ??PVS? 关 ? 。 前 ?D 候?BC?过PVS?测试 A一 ??C U T。
（3）BSP?
BSP?流程：
1） ???PVS?信息；
2） ?；
3）??判 ????理；
? 中 判 上级 ?。
4） ????? 理（ ） 后 ?理 ； ? 理 ? 后 理? ；
5） ? 判 PVS??中? 进?行。
2、程 实现 ??相API? 详细?说明
多边 A 一 顶 位于多边 组 一 说多边 A位于多边 “前 ”参考左图。 想象一 一 盒 6 组 朝向盒说盒 一“凸多边 ”朝向盒 盒 “凸多边”。
图1.2
让 一 何确定一 图元集合 否一 “凸多边 ” 伪算法 ：
（1） -
参 :
o n –确定一 D 中 相 位置 参考多边 。
–待确定 D 中 。
返 值:
位于多边 哪一边。
功 :
确定一 位于 多边定义 哪一边。
n ce)
else if (n ce)
D
N T
（2） -N T
参 :
o n1 – 来确定 它多边 否“前 ” 多边 。
o n2 –检测 否 一 多边“前 ” 多边 。
返 值:
二 多边 否 一 多边 “前 ”。
功 :
检测 二 多边 一 顶 否 一 多边 “前 ”。
O N-I o n2)
o n2
-N T)
n true
（3） -X-SET
参 :
– 来检测 否“凸多边 ” 图元集合。
返 值:
集合 否 “凸多边 ”。
功 :
相 于集合中 它多边 检 一 多边 否位于它多边 “前 ” 任意 多边 满 规 集合“凸多边 ”。
--)
for h ()
for h ()
-[j]))
n true
-N T中 进行 意味着 多边 位于多边 B“前 ”你 想 认 多边 B一定位于多边B“前 ”。 示 一 。
图1.3
图1.3中 多边1位于多边2“前 ” 顶p3、p4位于多边2“前 ”而多边 却 位于多边 1“前 ” 顶 2位于多边1“后 ”。
e e
{
o de //
}
e
{
e e Tree // 接 属 层次
e r // 位于 多边
// 右
h ild // 左
[] // 中 多边 集合
}
y gon
{
1 // 多边 顶 1
3 // 多边 顶 2
3 // 多边 顶 3
}
现 你 一 多边 顶 来定义件加速 来多边 进行 。 多边 集合小 集合 多 法 你 任意选择 中 一 后 它来 中 多边 进行 把位于 多边 保存 右 中而位于 多边 保存左 中。
法 缺 非常明 想选择一 中 多边 相等 集合 非常困难 中 无 选择 。 何 集合中选择一 最佳 呢？
问题给一 适 解决案。
现 已 一 -N T 它 功 确定一 多边 否位于 它多边
。现 做 修改 它也 确定一 多边 否横跨过 它多边 定义 。算法 ：
（4） L ATE-SIDE
参 :
o n1 –确定 它多边 相 位置 多边 。
o n2 –确定相 位置 多边 。
返 值:
多边 2位于多边 哪一边
功 :
过 一 多边 二 多边 上 一 顶 进行检测。 顶 位于 二 多边
多边 2 认 位于多边 “前 ”。 二 多边 顶 位于 一 多边
多边 2 认 位于多边 “后 ”。 二 多边 顶 位于一 多边 上 多边
2 认 位于多边 。最后一 顶 即位于 位于 多边 2 认 横跨过多边 1。
L-o n1, Pol o n2)
e = 0
o n2
-N T)
then e + 1
I FY-D)
if (Num e = 0)
N T
e > 0)
D
e = 0)
I NG
上 算法也给 解答 一 问题 一 多边横跨过 何进行 理 上 算法中 多边多边 解决画家算法中 问题：循环覆盖 多边 相交。 图 示 多边 何进行 。
图1.4
图1.4 示 多边 1 而多边 横跨过多边1 图右边 示 多边 2、3
多边 2位于“前 ”而多边 位于 “后 ”。
建立一 B SP首 确定 问题 何保证二 衡 意味着 于 一
深度而言 太 差异 同 一 左、右 限制 次 。 一次 会产 多边 建立B SP产 太多 多边 图 加速 会加 器 担 而降低 速。同 一 衡 二 进行遍历 会耗费许多无谓 。 确定一 合理 次 便于 一 衡 二 同 减少 多边 产 。 码示 何过循环多边 集合来 最佳 多边 。
（5） --O N
参 :
– 于 找最佳多边 集合。
返 值:
最佳 多边 。
功 :
指定 多边 集合进行搜索 返 最佳 集合 多边。 指定 集合 一 “凸多边 ” 返 。
E-I NG-P)
--))
Y GON
Y GON
I TY
o n = 0
循环 找集合 最佳 。
Y GON)
for each 多边
算 前多边 定义 、 横跨过多边 。
g = 0
for each 多边 t P1
L ATE-SIDE(P1, P2)
N T)
e e + 1
D)
e + 1
I NG)
g + 1
算 前多边 集合 多边 值。
if e)
i on e
else
e
前多边 结 。 前多边少 多边同 后 集合值 接受 保存 前 多边 候选 。
前多边 最佳 一 相同 多边而 后 集合 值 前多边 作 候选 。
n &&
s ||
s &&
o n))
n = P1
g
i on
过 一预 定义常 来减少 接受 最小 值。
E
n
四、实验结
五、实验心
过 次实?验 目 ?于掌握B?S P 原理熟悉Og?r e中基于B SP??法。BSP原理? ：建立BSP?Trees? 最 想法? 一 ?图元 集合? 集合 ? 一 ? 后 ?图元集合? 小 ?集合 意 ?集合 ?凸多边 。 意味着 ?集合中任一?多边 ?位于相同集?合中 它多?边 前 。
BSP?现解决 遮?挡判定 ? 筛选 ?问题 件ZBu?f fer?现后 筛选? 中 ?；而 于 ?筛选 ? 外? 过P?o rtal?P VS?来实现 ?解 ? 优缺 ?P orta?l复杂 PVS?； 次实验 ?B S P流程也 ?一定 认?识Ogre? 识 学 ?强化。
六、 码
//BSP.h
f_H__
e_H__
d e m ple.h"
d e.h"
#if O RM ==
d e i ls.h"
p ace Ogre;
p ace i tes;
: c m ple
{
c:
()
{
["] = "BSP";
[n"] = e r. "
3.";
[n ail"] = _bsp.png";
[o ry"] = t ry";
}
i ns()
{
;
b ack(e r");
n;
}
c ted:
void()
{
i on and map name f g file
cf;
-t h(m ap.cfg"));
(v e");
("Map");
#if
i ve to the app,
d e
i on
if:i ve, "/", )) i ve dirs
a th() + "/"i ve);
:i ve, "Zip",
(), true);
}
void g er()
{
-g er("); //
e
}
void c es()
{
.
e for use with the br at 0.7. */
-g Bar(1, 1, 0);
o n();
e Mgr);
());
(), fals);
-g Bar();
}
void()
{
e s
o n();
r oup(rgm.g());
());
}
void V iew()
{
V iew();
work
-a nce(4);
-n ce(4000);
-t(true);
s
-(true Z);
-e(90));
-i on);
-n);
-d(350); r
}
g mMap;
};
//BSP.cpp
d e i n.h"
d e"BSP.h"
p ace Ogre;
p ace i tes;
f
i n* sp;
e* s;
n"C"r t void u gin()
{
s = new;
-f o()["] + e");
-m ple(s);
g in(sp);
}
n"C"r t void g in()
{
(sp);
E sp;
e s;
}
图像识别技术的研究现状论文
图像识别技术研究现状综述 简介： 图像识别是指图形刺激作用于感觉器官，人们辨认出它是经验过的某一图形的过程,也叫图像再认。在图像识别中,既要有当时进入感官的信息,也要有记忆中存储的信息。只有通过存储的信息与当前的信息进行比较的加工过程，才能实现对图像的再认。图像识别技术是以图像的主要特征为基础的，在图像识别过程中，知觉机制必须排除输入的多余信息,抽出关键的信息。在人类图像识别系统中，对复杂图像的识别往往要通过不同层次的信息加工才能实现。对于熟悉的图形,由于掌握了它的主要特征，就会把它当作一个单元来识别，而不再注意它的细节了。这种由孤立的单元材料组成的整体单位叫做组块，每一个组块是同时被感知的。图像在人类的感知中扮演着非常重要的角色，人类随时随处都要接触图像。随着数字图像技术的发展和实际应用的需要，出现了另一类问题，就是不要求其结果输出是一幅完整的图像，而是将经过图像处理后的图像，再经过分割和描述提取有效的特征，进而加以判决分类，这就是近20年来发展起来的一门新兴技术科学一图像识别。它以研究某些对象或过程的分类与描述为主要内容，以研制能够自动处理某些信息的机器视觉系统，代替传统的人工完成分类和辨识的任务为目的。 图像识别的发展大致经历了三个阶段：文字识别、图像处理和识别及物体识别：文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，并从印刷文字识别到手写文字识别，应用非常广泛，并且已经研制了许多专用设备。图像处理和识别的研究，是从1965年开始的。过去人们主要是对照相技术、光学技术的研究，而现在则是利用计算技术、通过计算机来完成。计算机图像处理不但可以消除图像的失真、噪声，同时还可以进行图像的增强与复原，然后进行图像的判读、解析与识别，如航空照片的解析、遥感图像的处理与识别等，其用途之广，不胜枚举。物体识别也就是对三维世界的认识，它是和机器人研究有着密切关系的一个领域，在图像处理上没有特殊的难点，但必须知道距离信息，并且必须将环境模型化。在自动化技术已从体力劳动向部分智力劳动自动化发展的今天，尽管机器人的研究非常盛行，还只限于视觉能够观察到的场景。进入80年代，随着计算机和信息科学的发展，计算机视觉、人工智能的研究已成为新的动向 图像识别与图像处理的关系： 在研究图像时，首先要对获得的图像信息进行预处理（前处理）以滤去干扰、噪声，作几何、彩色校正等，以提供一个满足要求的图像。图像处理包括图像编码，图像增强、图像压缩、图像复原、图像分割等。对于图像处理来说，输入是图像，输出（即经过处理后的结果）也是图像。图像处理主要用来解决两个问题：一是判断图像中有无需要的信息；二是确定这些信息是什么。图像识别是指对上述处理后的图像进行分类，确定类别名称，它可以在分割的基础上选择需要提取的特征，并对某些参数进行测量，再提取这些特征，然后根据测量结果做出分类。为了更好地识别图像，还要对整个图像做结构上的分析，对图像进行描述，以便对图像的主要信息做一个好的解释，并通过许多对象相互间的结构关系对图像加深理解，以便更好帮助和识别。故图像识别是在上述分割后的每个部分中，找出它的形状及纹理特征，以便对图像进行分类，并对整个图像做结构上的分析。因而对图像识别环节来说，输入是图像（经过上述处理后的图像），输出是类别和图像的结构分析，而结构分析的结果则
实验4 室内空气中甲醛的测定详解
浙江海洋学院 实验报告 科目：环境监测实验 时间： 2015-2016学年第1学期第十五周 班级：A13环工 学号： 130110235 姓名：邵明娇 浙江海洋学院环境科学实验室编制 二O一五年
实验四室内空气中甲醛的测定（酚试剂分光光度法） 一、目的要求 （一）掌握酚试剂分光光度法测定甲醛的原理。 （二）熟悉甲醛测定的目的意义。 （三）了解本次实验的操作步骤及注意事项。 二、原理 空气中的甲醛与酚试剂反应生成嗪（qin），嗪在酸性溶液中被高铁离子氧化形成蓝绿色化合物。根据颜色深浅，比色定量。 三、仪器 1、大气采样器：流量范围0～1 L/min，流量稳定可调，具有定时装置； 2、分光光度计：在630 nm测定吸光度； 3、10 ml大型气泡吸收管； 4、25 ml具塞比色管； 5、吸管若干支 四、试剂 本法中所用水均为重蒸馏水或去离子交换水；所用的试剂纯度为分析纯。 1. 吸收液原液：称量0.10 g酚试剂[C6H4SN（CH3）C:NNH2?HCl，简称MBTH]，加水溶解，倾于100 ml具塞量筒中，加水到刻度。放冰箱中保存，可稳定3 d。 2. 吸收液：量取吸收原液5 ml，加95 ml水。临用前现配。 3. 1%硫酸铁铵溶液：称量1.0 g硫酸铁铵[NH4Fe （SO4）2?12 H2O]用0.1 mol/L盐酸溶解，并稀释至100 ml。 4. 0.1000 mol/L碘溶液：称量30 g碘化钾，溶于25 ml水中，加入12.7 g碘。待碘完全溶解后，用水定容至1000 ml。移入棕色瓶中，暗处贮存。 5. 1 mol/L氢氧化钠溶液：称量40 g氢氧化钠，溶于水中，并稀释至1000 ml。 6. 0.5 mol/L硫酸溶液：取28 ml浓硫酸缓慢加入水中，冷却后，稀释至1000 ml。 7. 0.1000 mol/L碘酸钾标准溶液：准确称量3.5667 g经105℃烘干2 h的碘酸钾（优级纯），溶解于水，移入1 L容量瓶中，再用水定溶至1000 ml。 8. 0.1 mol/L盐酸溶液：量取82 ml浓盐酸加水稀释至1000 ml。
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
室内甲醛检测方法
室内甲醛检测方法 甲醛现在被各界普遍认为是室内第一污染，它的释放期较长，轻微超标时居住者不易察觉。超标四五倍时，居住者才能嗅出气味。找正规的检测机构做甲醛检测已成为现在入住新居的一项必不可少的程序。下面金标准小编介绍以下目前在测定甲醛常采用以下6种检测方法： 1、测定工业废气和环境空气中甲醛的乙酰丙酮分光光度法，本法使用与树脂制造、涂料、人造纤维、塑料、橡胶、染料、制药、油漆、制革等行业的排放废气以及做医药消毒、防腐、熏蒸时产生的甲醛蒸汽测定。测量范围在0.5~800mg/m3。 2、测定居住区和公共场所空气大气中甲醛浓度的AHMT(4-氨基-3-联氮-5-硫基-1，2，4-三氮杂茂)分光光度法。测量范围为0.01~0.16mg/m3。 3、适用于公共场所空气中甲醛浓度的酚试剂（MBTH）分光光度法，测量范围为0.01~0.15mg/m3。 4、气相色谱法 5、用于测定纺织品中游离甲醛含量的水萃取法。适用为游离甲醛含量为20mg/kg到3500mg/kg之间的纺织品。 6、用于测定纺织品中释放的甲醛含量的蒸气吸收法。适用为游离甲醛含量为20mg/kg 到3500mg/kg之间的纺织品。 目前，甲醛气体的检测方法按精确度划分，大致可分为两种，其一种为精密度测定法（仪器分析法），包括世界卫生组织推荐的高效液体色谱法（HPLC），气相色谱法（DNPH-GC 法）及分光光度法等；其二为简易测定法，该法主要用于快速检测，其精确度要求不高。主要有电法学方法，可以显示测定数据，以及检测管方式和测定纸方式，即通过检测气体与指示剂发生法学反应而表现出的颜色变化来测定检测气体浓度。 室内甲醛检测方法——酚试剂分光光度法 一、原理 空气中的甲醛与酚试剂反应生成嗪，嗪在酸性溶液中被高铁离子氧化成蓝绿色化合物，根据颜色深浅，比色定量。 二、仪器设备 1．气泡采样管或多孔玻板采样管； 2．QC-2A大气采样仪或TMP1500电子控时采样器；
图像识别技术发展状况及前景
医学图像配准技术 罗述谦综述 首都医科大学生物医学工程系(100054) 吕维雪审 浙江大学生物医学工程研究所(310027) 摘要医学图像配准是医学图像分析的基本课题,具有重要理论研究和临床应用价 值。本文较全面地介绍了医学图像配准的概念、分类、配准原理、主要的配准技术及评 估方法。 关键词医学图像配准多模 1 医学图像配准的概念 在做医学图像分析时,经常要将同一患者的几幅图像放在一起分析,从而得到该患者的多方面的综合信息,提高医学诊断和治疗的水平。对几幅不同的图像作定量分析,首先要解决这几幅图像的严格对齐问题,这就是我们所说的图像的配准。 医学图像配准是指对于一幅医学图像寻求一种(或一系列)空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相的空间位置。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。 医学图像配准技术是90年代才发展起来的医学图像处理的一个重要分支。涉及“配准”的技术名词除registration外,mapping、matching、co-registration、integration、align-ment和fusion 等说法也经常使用。从多数文章的内容看,mapping偏重于空间映射;fu-sion指图像融合,即不仅包括配准,而且包括数据集成后的图像显示。虽然在成像过程之前也可以采取一些措施减小由身体移动等因素引起的空间位置误差,提高配准精度(称作数据获取前的配准preacquisition),但医学图像配准技术主要讨论的是数据获取后的(post-acquisition)配准,也称作回顾式配准(retrospective registration)。当前,国际上关于医学图像配准的研究集中在断层扫描图像( tomographic images,例如CT、MRI、SPECT、PET等)及时序图像(time seriesimages,例如fMRI及4D心动图像)的配准问题。 2 医学图像基本变换 对于在不同时间或/和不同条件下获取的两幅图像I1(x1,y1,z1)和I2(x2,y2,z2)配准,就是寻找一个映射关系P:(x1,y1,z1) (x2,y2,z2),使I1的每一个点在I2上都有唯一的点与之相对应。并且这两点应对应同一解剖位置。映射关系P表现为一组连续的空间变换。常用的空间几何变换有刚体变换(Rigid body transformation)、仿射变换(Affine transformation)、投影变换(Projec-tive transformation)和非线性变换(Nonlin-ear transformation)。 (1)刚体变换: 所谓刚体,是指物体内部任意两点间的距离保持不变。例如,可将人脑看作是一个刚体。 处理人脑图像,对不同方向成像的图像配准常使用刚体变换。刚体变换可以分解为旋转和平移:P(x)=Ax+b(1) x=(x,y,z)是像素的空间位置;A是3×3的旋转矩阵,b是3×1的平移向量。
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
室内空气中甲醛的取样与测定AHMT分光光度法
. 实验三室内空气中甲醛的取样与测定——AHMT分光光度法 一、实验提要 甲醛（HCHO）无色气体，易溶于水和乙醇。甲醛对皮肤和粘膜有强烈的刺激作用，可使细胞中的蛋白质凝固变性，抑制一切细胞机能，由于甲醛在体内生成甲醇而对视丘及视网膜有较强的损害作用。甲醛对人体健康的影响主要表现在嗅觉异常、刺激、过敏、肺功能异常及免疫功能异常等方面。 室内空气中甲醛主要来源于室内装饰的人造板材、人造板制造的家具、含有甲醛成分并有可能向外界散发的其他各类装饰材料及燃烧后会散发甲醛的材料。 3。0.10mg/m 室内空气质量标准规定甲醛的最高允许含量为空气中甲醛的测定方法主要有AHMT分光光度法、乙酰丙酮分光光度法、酚试剂分光光度法、气相色谱法、电化学传感器法等。 1.实验目的 （1）了解和掌握室内空气中甲醛的采样方法； （2）了解室内空气中甲醛的测定方法，掌握AHMT分光光度法测定甲醛的方法。 2.实验原理 空气中甲醛与4-氨基-3-联氨-5-巯基-1，2，4-三氮杂茂在碱性条件下缩合，然后经高碘酸钾氧化成6-巯基-5-三氮杂茂[4，3-b]-S-四氮杂苯紫红色化合物，其色泽深浅与甲醛含量成正比。 AHMT分光光度法测定范围为2mL样品溶液中含 0.2～3.2 μg甲醛。若采样 流量为1L/min，3。0.01~0.16 mg/m 采样体积为20L，则测定浓度范围为 测定甲醛时，乙醛、丙醛、正丁醛、丙烯醛、丁烯醛、乙二醛、苯（甲）醛、甲醇、乙醇、正丙醇、正丁醇、仲丁醇、异丁醇、异戊醇、乙酸乙酯无影响；二氧化硫共存时，使测定结果偏低。因此对二氧化硫干扰不可忽视，可将气样先通过硫酸锰滤纸过滤器，予以排除。 二、仪器、试剂及材料 1.仪器材料 （1）空气采样器：流量范围0～1 L/min； （2）多孔玻板吸收管：10 mL容量、棕色； （3）10mL具塞比色管； （4）可见光分光光度计。 2.试剂 (1) 吸收液：称取1g三乙醇胺、0.25g偏重亚硫酸钠和0.25g乙二胺四乙酸二钠溶于水中并稀释至1000mL。 1 / 7 . （2）0.5% 4-氨基-3-联氨-5-巯基-1，2，4-三氮杂茂（简称AHMT）溶液：称取0.25gAHMT溶于0.5mol/L盐酸中，并稀释至50mL，此试剂置于棕色瓶中，可 保存半年。 （3）5mol/L氢氧化钾溶液：称取28.0g氢氧化钾溶于100mL水中。 （4）1.5%高碘酸钾溶液：称取1.5g高碘酸钾溶于0.2mol/L氢氧化钾溶液中，并稀释至100mL，于水浴上加热溶解，备用。
室内空气中甲醛检测的实验室内部质量控制概要
室内空气中甲醛检测的实验室内部质量控制 环境监测质量保证和质量控制是一种保证监测数据准确可靠的方法，环境监测质量保证是整个监测过程的全面质量管理。环境监测质量控制是环境监测质量保证的一个部分，它包括实验室内部质量控制和实验室外部质量控制。实验室内部质量控制，是实验室自我控制的常规程序，它能反映分析质量稳定性状况，以便及时发现分析中的异常情况，随时采取相应的校正措施。 室内环境监测中，空气中甲醛的检测是一项重要检测指标。甲醛检测的实验室内部质量控制从系统论的角度可以分为采样系统、检测系统和结果评价系统。从把检测报告作为“产品”的角度，其质量控制可看成三个控制过程，即源头控制、过程控制和终端控制。做好上述工作是检测部门保证检测结果的准确、可信所必不可少的技术管理手段和方法。 室内空气中甲醛检测的质量控制的前提，是采用国家标准例如(BG/T18883-2002)中规定的检测方法进行检测，其中包括AHMT法(GB/T16129-1995)、酚试剂法(GB/T18204.26-2000)和乙酰丙酮法(GB/T15516-1995)。本文以AHMT分光光度法为例，探讨其“三个系统”或称“三个过程”的总体框架及其主要内容。 一、采样系统的质量控制 在检测地点用采样器进行“现场”采样，除按标准中要求的采样布点、采样方法、采样仪器、采样时间、采样流量等内容严格执行之外，其现场采样的质量控制子系统包括：采样器流量保证系统、液体吸收管保证系统和其他保证系统。 1、采样器流量保证系统 （1）采样器其生产厂家必须具有CMC资质，具有厂家的出厂合格证； （2）采样器应具有资质合格的计量检定单位出具的有效检定证书； （3）每次采样前、采样后都要按规定用已检定的皂膜计自行进行采样器流量校准，并使其流量准确度合乎要求； （4）采样器流量校准应对流量计、吸收管（含吸收液）及管路连接系统进行“负载”检定，而每台采样器与对应的一组采样管做到配套校准、配套使用； （5）吸收管、采样器及管路连接要先经系统密闭性试验，确保不漏气的前提下，再进行上述采样系统的流量的校准： （6）在采样体积计算时，要按采样器流量的校正值对采样器流量读数进行校正，并在记录中有体现； （7）为避免低温季节在流量计内出现水凝结，在采样系统的采样管与流量计之间宜连接一支干燥管； （8）采样过程应保证采样器流量计的“浮子”保持稳定，不跳动。 2、液体吸收管保证系统 （1）液体气泡吸收管加入吸收液之前要充分洗净，无空白值。
酚试剂分光光度法测室内甲醛
酚试剂分光光度法测定室内甲醛实验报告 班级：130223 学号：13022103 姓名：董子薇
一、 实验目的 1） 测定空气中甲醛浓度，掌握酚试剂分光光度法测甲醛原理； 2） 学会配置硫酸铁铵、酚试剂、标定甲醛等技能； 3） 学会使用分光光度计。 二、 实验原理 酚试剂，化学名称为盐酸-3-甲基-2-苯并噻唑酮腙，分子式为C 6H 4SN （CH 3）CNNH 2?HCI , 简称MBTH 。酚试剂可与甲醛发生缩合反应（酚试剂作为甲醛吸收剂，显色剂） 。（该方法当 采样体积为10L 时，测定浓度下限范围为 0.01mg/m 3?0.015 , mg/m 3） 甲醛在纯水中很不稳定，当在 0.005%酚试剂吸收液中则可稳定 20h ，故甲醛标准稀溶 液选用含0.005%酚试剂的吸收液配制。 空气中的甲醛与酚试剂反应生成嗪（ A ）,嗪与酚试剂的氧化物（ B ）在酸性溶液中被高 铁离子氧化形成蓝绿色化合物，颜色深浅与甲醛含 量成正比，通过比色定量。反应方程式如上： 注意：酚试剂是过量的，其某一部分吸收甲醛形成 A ,剩下的酚试剂在高铁离子的氧化 作用下，形成中间体B , A 与B 发生1:1定量加成反应，形成了蓝绿色的二缩合甲醛 -3-甲基 -2-苯并噻唑酮腙。作为氧化剂的硫酸铁铵在该反应中也是过量的，而且氧化反应和加成反 应都需要一定的时间，这就是为什么酚试剂吸收甲醛，在加入硫酸铁铵后要等待 15min 后 再测定的原因。 三、试验用试剂 说明：本法中所用水均为重蒸馏水或去离子交换水，所用试剂纯度一般为分析纯度。 ⑴吸收液原液：称量 0.05g 酚试剂，加水溶解，倾于 50mL 容量瓶中，加去离子水至刻 度。置于冰箱中保存，可稳定三天； （酚溶液浓度0.001g/ml ） ⑵吸收液：量取吸收原液 5mL ，加95mL 去离子水。采样时临用现配； （酚溶液浓度5 x 10?-5g/mI , i.e.0.005%） (B) (A)嗪 + Fe 3 (A)+(B) ------------- [O] 蓝绿色 L 厂N H 蓝绿色化合物 H ——N 酚试剂 H 3C N S N ■ _ NH 2 [O] CH 3 CH 3 / N NH +CH 3 +H2° N ? —N NH 2 N CH 3
室内空气中甲醛的取样与测定——AHMT分光光度法
实验三室内空气中甲醛的取样与测定——AHMT分光光度法 一、实验提要 甲醛（HCHO）无色气体，易溶于水和乙醇。甲醛对皮肤和粘膜有强烈的刺激作用，可使细胞中的蛋白质凝固变性，抑制一切细胞机能，由于甲醛在体内生成甲醇而对视丘及视网膜有较强的损害作用。甲醛对人体健康的影响主要表现在嗅觉异常、刺激、过敏、肺功能异常及免疫功能异常等方面。 室内空气中甲醛主要来源于室内装饰的人造板材、人造板制造的家具、含有甲醛成分并有可能向外界散发的其他各类装饰材料及燃烧后会散发甲醛的材料。 室内空气质量标准规定甲醛的最高允许含量为0.10mg/m3。 空气中甲醛的测定方法主要有AHMT分光光度法、乙酰丙酮分光光度法、酚试剂分光光度法、气相色谱法、电化学传感器法等。 1.实验目的 （1）了解和掌握室内空气中甲醛的采样方法； （2）了解室内空气中甲醛的测定方法，掌握AHMT分光光度法测定甲醛的方法。 2.实验原理 空气中甲醛与4-氨基-3-联氨-5-巯基-1，2，4-三氮杂茂在碱性条件下缩合，然后经高碘酸钾氧化成6-巯基-5-三氮杂茂[4，3-b]-S-四氮杂苯紫红色化合物，其色泽深浅与甲醛含量成正比。 AHMT分光光度法测定范围为2mL样品溶液中含 0.2～3.2 μg甲醛。若采样流量为1L/min，采样体积为20L，则测定浓度范围为 0.01~0.16 mg/m3。 测定甲醛时，乙醛、丙醛、正丁醛、丙烯醛、丁烯醛、乙二醛、苯（甲）醛、甲醇、乙醇、正丙醇、正丁醇、仲丁醇、异丁醇、异戊醇、乙酸乙酯无影响；二氧化硫共存时，使测定结果偏低。因此对二氧化硫干扰不可忽视，可将气样先通过硫酸锰滤纸过滤器，予以排除。 二、仪器、试剂及材料 1.仪器材料 （1）空气采样器：流量范围0～1 L/min； （2）多孔玻板吸收管：10 mL容量、棕色； （3）10mL具塞比色管； （4）可见光分光光度计。 2.试剂 (1) 吸收液：称取1g三乙醇胺、0.25g偏重亚硫酸钠和0.25g乙二胺四乙酸二钠溶于水中并
实时视频图像的清晰度检测算法研究教案
实时视频图像的清晰度检测算法研究 2010-12-18 17:11:42 来源:微型机与应用 关键字：实时视频图像背景提取Sobel算子清晰度检测 实时视频图像的质量分析已成为众多应用领域性能好坏的关键因素之一，因此实时视频图像的清晰度检测变得尤为重要。目前针对实时视频图像清晰度检测的研究较少，图像清晰度检测算法的研究对象主要针对静止的图像。现有的图像清晰度检测算法大致分为空域和频域两类。在空域中多采用基于梯度的算法，如拉普拉斯(Laplace)算法、差分平方和(SPSMD)算法、Sobel算子等。此类算法计算简洁、快速、抗噪性能好、可靠性较高。在频域中多采用图像的FFT变换(或其他变换)，如功率谱(Power-spectra)算法等[1-2]。此类算法的检测效果好，但计算复杂度高、计算时间长，不适合应用在基于软件实现的实时检测系统中。 当前对实时视频图像的一种重要应用是对运动目标的检测，常用的目标检测方法有帧差法、背景减法、光流法及运动能量法[3]，其中最简单而又快捷的方法是背景差法。其基本思想是通过对输入图像与背景图像进行比较来分割运动目标，关键环节是背景图像的提取。目前常用的背景提取方法有多帧图像平均法、灰度统计法、中值滤波法、基于帧差的选择方法、单高斯建模等。参考文献[4]中对以上算法做了充分的研究。 本文是针对实时视频图像的清晰度检测，基于实时视频图像背景基本保持不变的环境。通过比较上述算法，针对实时视频图像的特点，提出一种基于背景提取与Sobel算子相结合的实时视频图像的清晰度检测算法。 1 实时视频图像的清晰度检测算法原理 当视频播放画面超过24帧/s时，根据视觉暂留原理，人眼无法辨别每幅单独的静态画面，看上去是平滑连续的视觉效果。视频中的事物通常分为静止和运动两类，连续多帧画面中保持静止的物体可视为静止的背景，连续多帧画面中位置变化的物体可视为运动的前景。因此，实时视频图像中的每帧图像都可以划分为静止的背景和运动的前景两类区域。由于视频序列图像中运动的前景区域随机变化，引起图像像素点梯度值的随机改变，使得实时视频图像的清晰度检测较难实现。因此，本文的算法是利用实时视频图像中静止的背景区域检测视频序列图像的清晰度，即由背景提取和清晰度检测两部分组成。 1.1 实时视频图像的背景提取
3d碰撞检测技术共30页文档
核心提示：10.3 碰撞检测技术到目前为止，构造的各种对象都是相互独立的，在场景中漫游各种物体，墙壁、树木对玩家（视点）好像是虚设，可以任意从其中穿越。为了使场景人物更加完善，还需要使用碰撞检测技术。 10.3.1 碰撞检测技术简介无论是PC 游戏，还是移动应用， 10.3 碰撞检测技术 到目前为止，构造的各种对象都是相互独立的，在场景中漫游各种物体，墙壁、树木对玩家（视点）好像是虚设，可以任意从其中穿越。为了使场景人物更加完善，还需要使用碰撞检测技术。 10.3.1 碰撞检测技术简介 无论是PC游戏，还是移动应用，碰撞检测始终是程序开发的难点，甚至可以用碰撞检测作为衡量游戏引擎是否完善的标准。 好的碰撞检测要求人物在场景中可以平滑移动，遇到一定高度的台阶可以自动上去，而过高的台阶则把人物挡住，遇到斜率较小的斜坡可以上去，斜率过大则会把人物挡住，在各种前进方向被挡住的情况下都要尽可能地让人物沿合理的方向滑动而不是被迫停下。 在满足这些要求的同时还要做到足够精确和稳定，防止人物在特殊情况下穿墙而掉出场景。
做碰撞检测时，该技术的重要性容易被人忽视，因为这符合日常生活中的常识。如果出现Bug，很容易被人发现，例如人物无缘无故被卡住不能前进或者人物穿越了障碍。所以，碰撞检测是让很多程序员头疼的算法，算法复杂，容易出错。 对于移动终端有限的运算能力，几乎不可能检测每个物体的多边形和顶点的穿透，那样的运算量对手机等设备来讲是不可完成的，所以移动游戏上使用的碰撞检测不可能使用太精确的检测，而且对于3D碰撞检测问题，还没有几乎完美的解决方案。目前只能根据需要来取舍运算速度和精确性。 目前成功商业3D游戏普遍采用的碰撞检测是BSP树及AABB （axially aligned bounding box）包装盒（球）方式。简单地讲，AABB检测法就是采用一个描述用的立方体或者球形体包裹住3D物体对象的整体（或者是主要部分），之后根据包装盒的距离、位置等信息来计算是否发生碰撞，如图10-24所示。 除了球体和正方体以外，其他形状也可以作包装盒，但是相比计算量和方便性来讲还是立方体和球体更方便些，所以其他形状的包装只用在一些特殊场合使用。BSP树是用来控制检测顺序和方向的数据描述。 在一个游戏场景中可能存在很多物体，它们之间大多属于较远位置或者相对无关的状态，一个物体的碰撞运算没必要遍历这些物体，同时还可以节省重要的时间。
GDYK-201S室内空气现场甲醛检测仪使用说明书
GDYK-201S室内空气现场甲醛检测仪使用说明书 一，基本原理 GDYK-201S室内空气现场甲醛检测仪的原理是基于被测样品中甲醛与显色剂反映生成有色化合物对可见光有选择性吸收而建立的比色分析法。仪器由硅光光源，比色瓶，集成光电传感器和微处理器构成，可直接在液晶屏上显示被测样品中甲醛的含量。 二，技术指标 测定下限：甲醛 m3(气体样品体积为5升) 测定范围：甲醛气体样品体积为5升) 精度：≤正负5% 测量方法：酚试剂法 光源：波长630nm 三．所需试剂 去离子水或蒸馏水 : 甲醛试剂（一）（二） 四．操作方法(标准测定方法) 1采样 打开铝合金携带箱，取出大气采样器和气泡吸收管支撑架，将气泡吸收管支撑架挂在大气采样器进气口和出气口的不锈钢管上。 将大气采样器与三脚架适配器连接，然后固定到铝合金三脚架上，大气采样气距离地面（-1.5米之间）通过三脚架上的旋钮可自由上下调节。 将气泡吸收管插入支撑架中，用白色硅胶管将气泡吸收管与大气采样器连接好。 打开样品比色瓶的瓶盖，加水至5毫米刻线处 取甲醛试剂(一)1支，用剪刀剪开甲醛试剂（一）管的端口，将甲醛试剂管插入样品比色瓶的溶液中，反复捏压甲醛试剂（大肚端）底部，使甲醛试剂管中固体试剂全部转移到样品比色瓶中 盖上白样品比色瓶盖，摇动10秒使试剂溶解 取下吸收比色管中的溶液全部倒入吸收比色瓶中，再重新插上，然后用弹簧夹固定，防治漏气 打开50采样器左侧的电源开关，校正指示灯亮，液晶屏上显示5至120分钟分多档时间，本试验选择10分钟采样 [ 按0键开始采样，同时在液晶屏上显示倒计时时间。调节采样器旋钮校正指示灯窗内的黑色球行浮子位于上下两条刻线之间，采样结束时，仪器自动停止采样。 2显色 试剂空白：采样停机前，打开空白比色管的瓶盖，加水至10毫米刻线处，用剪刀剪开甲醛试剂（一）管的端口。将甲醛试剂管插入空白比色瓶溶液中，反复捏压甲醛试剂（大肚端）底部，使甲醛试剂管中固体试剂全部转移到空白比色瓶中，旋紧比色瓶盖，摇动10秒钟使试剂溶解 样品：采样停机后，断开连接的硅胶管，取下吸收比色瓶 将吸收比色瓶中的溶液转移到样品比色瓶中，再用塑料吸管取适量的蒸馏水反复冲洗气泡吸收管2-3次，并且将此溶液转移到样品比色瓶中，稀释至10毫米刻度线处，旋紧比色瓶盖，摇动10秒钟充分混匀
人脸检测和识别技术的文献综述
人脸识别技术综述 摘要：在阅读关于人脸检测识别技术方面文献后，本文主要讨论了人脸识别技术的基本介绍、研究历史,人脸检测和人脸识别的主要研究方法，人脸识别技术的应用前景，并且总结了人脸识别技术的优越性和当下研究存在的困难。 关键词：人脸识别;人脸检测；几何特征方法;模板匹配方法;神经网络方法;统计方法;模板匹配;基于外观方法; 随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向.虽然人脸识别的研究已有很长的历史,各种人脸识别的技术也很多,但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响,目前还没有一种人脸识别技术是公认快速有效的[1]基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[2]。 1. 人脸识别技术基本介绍 人脸识别技术是基于人的脸部特征，一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[3]，人脸识别就是将待识别的人脸与已知人脸进行比较，得
出相似程度的相关信息。 计算机人脸识别技术也就是利用计算机分析人脸图象, 进而从中出有效的识别信息, 用来“辨认”身份的一门技术.人脸自动识别系统包括三个主要技术环节[4]。首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。 2. 人脸识别技术的研究历史 国内关于人脸自动识别的研究始于二十世纪80年代，由于人脸识别系统和视频解码的大量运用，人脸检测的研究才得到了新的发展利用运动、颜色和综合信息等更具有鲁棒性的方法被提出来变形模板，弹性曲线等在特征提取方面的许多进展使得人脸特征的定位变得更为准确。 人脸识别的研究大致可分为四个阶段。第一个阶段以Bertillon，Allen和Parke为代表，主要研究人脸识别所需要的面部特征；第二个阶段是人机交互识别阶段；第三个阶段是真正的机器自动识别阶段；第四个阶段是鲁棒的人脸识别技术的研究阶段。目前，国外多所
图像识别技术综述,计算机智能前沿课程的论文
图像识别技术综述杨列 20821152 摘要 本文对图像识别的基本方法，并展望了图像识别技术所面临的问题及发展方向。 1. 前言 图像识别所研究的问题，是如何用计算机代替为人自动去处理大量的物理信息，解决人类生理器官所不能识别的问题，从而从部分上代替人的脑力劳动。图像的含义也比较广泛，最早是指图片，后来把如声波的波形图也归为图像。具体来说，图像可以是各种图画，字符，声波信号，透视胶片，空间物体。综合来说，又可以分为直观视觉图像（图案，文字）和间接转换图像（声音，心率等）两类。 由于图像识别涉及许多学科，图像本身含义也相当广泛性和丰富性，本文只从由光学采集器获得二维灰度图像的识别的几个重要方面做一些综述。t. 2. 图像识别方法 2.1图像识别的基本方法及特点 图像识别的方法很多，可概括为三种：统计（或决策理论）法，结构（或句法）方法和神经网络法。[1] 对于一幅实际图像来说，目标和背景常常不是线性可分的，统计法是一种分类误差最小的方法。它以数学上的决策理论为基础，根据这种理论建立统计学识别模型。其基本模型是对研究的图像进行大量的统计分析，找出规律性认识，提出反映图像本质特点的特征进行识别。如Bayes模型和马尔科夫（MRF）模型。但是统计方法基本严格的数学模型，而忽略了图像中被识别对象的空间相互关系，即结构关系，所以当被识别物体的结构特征为主要特征时，用统计方法便会很难识别。 句法识别是对统计识别方法的补充，统计方法用数值来描述图像的特征，句法方法则是用符号来描述图像特征的。它模仿了语言学中句法的层次结构，采用分层描述方法，把复杂图像分解为单层或多层的简单子图像，主要突出识别对象的结构信息。模式识别是从统计方法发展起来的，而句法方法更扩大了模式识别的能力，使其不仅限于对象物的分类，而且用于景物的分析与物体结构的识别。 神经网络方法是指用神经网络的算法对图像进行识别的方法，神经网络系统是由大量简单的处理单元（神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特性，是人脑神经网络系统的简化，抽象和模拟。句法方法侧重于模拟人的逻辑思维，而神经网络侧重于模拟和实现人的认知过程中的感知觉过程，形象思维，分布式记忆和自学自组织的过程，与符号处理是一种互补的关系。但神经网络具有大规模并行，分布式存储和处理，自组织，自适应和自学习的能力，特别适用于处理需要同时考虑许多因素和条件的不精确和模糊的信息处理问题。 2.2 其它图像识别方法 模糊集（Fuzzy Set）识别方法。在模式识别，自动控制等方面有广泛应用。在图像识别中，有些问题极其复杂，很难用一些确定的标准作出判断。人脑的识别精度不高，却能够用一些不够精确，也即模糊的概念准确地辨识复杂事物的特征，怎样用不太精确的方式来描述复杂的系统，怎样建立合理的数学模型来研究模糊现象，并能快速准确地进行识别，就是模糊识别法研究的目的。 标记松弛法(Relaxation Labeling) [2]是另一种采用符号来描述图像特征的识别方法，在这种方法中，处理对象一般称为目标，而描述目标的符号则称为标记，标记松弛法先对目标给定一组不确切的标记，通过迭代运算[3]逐次更新标记，最后求得这组目标的较为确切的标记集，算法的整个过程与人对某一事物的猜测推理过程相类似。由于以迭代方式进行，所以易于实现，但所缺点是计算量太大[4]，只有采用并行处理的方法，标记松弛法才能充分发挥它的作用。 此外，还有实用性很强的识别方法，就是模板匹配（Template Matching）法，模板匹配法是按
基于GJK的凸体快速连续碰撞检测研究
龙源期刊网 https://www.wendangku.net/doc/9915266188.html, 基于GJK的凸体快速连续碰撞检测研究 作者：刘丽等 来源：《河北科技大学学报》2014年第05期 摘要：针对一段时间内的多个运动物体之间的碰撞检测，提出一种基于距离算法（GilbertJohnsonKeerthialgorithm，GJK算法）的凸体快速连续碰撞检测算法，该算法主要通过判断一段时间内两物体之间的最小距离是否为零来检测碰撞发生情况。首先利用GJK算法在有限步骤内计算得到最小距离，检测两物体是否发生碰撞；若两物体发生碰撞，进而利用raycasting算法确定发生碰撞的精确位置，根据环境要求做出相应响应，调整运动物体位置。仿真结果表明，对多个运动物体间的连续碰撞检测，该算法有较高的实时性和准确性。 关键词：连续碰撞；GJK算法；运动物体；碰撞检测；凸体 中图分类号：TP391.9文献标志码：A Abstract：This paper presents a fast continuous collision detection algorithm to dealing with moving multiple convex objects within a period of time， which is based on the GilbertJohnsonKeerthi algorithm. The algorithm is determined by whether the minimum distance between the two objects within a period of time is zero to detect the occurrence of a collision. First，the algorithm utilizes GJK algorithm to calculate the minimum distance between the two objects and to detect the collision in finite steps. If two objects collide， then， determine the precise collision position of two objects based on the raycasting algorithm， and respond according to the environmental requirements， adjust two objects' location. The simulation results show that this algorithm has high realtime and accurate characteristics for continuous collision detection between multiple moving objects. Key words：continuous collision； GilbertJohnsonKeerthi（GJK） algorithm； moving objects； collision detection； convex objects 碰撞检测在计算机图形学、CAD/CAM、虚拟现实、虚拟制造、三维游戏等诸多领域都有广泛的应用，是提高虚拟场景物理真实感的关键问题之一[14]。按照场景模式不同，碰撞检测主要分为静态检测和动态检测。动态检测针对场景中至少存在一个运动物体的情况；根据碰撞检测方式的不同，动态检测分为离散检测和连续检测[5]。离散碰撞检测算法是对运动物体进 行取样检测，因此容易造成漏检测，进而产生穿透现象[6]。针对两物体间的穿透现象，连续 碰撞检测算法通过对一段连续时间内物体的运动过程进行建模，判断两物体之间的碰撞情况，可以很好地解决漏检测问题[6]，但计算量相对较大。目前，虚拟环境的场景复杂度越来越 高，对碰撞检测的实时性及准确性的要求也越来越高。因此，提高检测实时性及准确性是连续碰撞检测要解决的关键问题。