GPS接收机伪码跟踪算法研究
文章编号:1003-1251(2008)06-0044-04
GPS 接收机伪码跟踪算法研究
刘元涛1
,冯永新1
,潘成胜
2,3
(1.沈阳理工大学通信与网络工程中心,辽宁沈阳110168;
2.南京理工大学自动化系,江苏南京210094;
3.大连大学,辽宁大连116622)
摘 要:在对锁相环基本原理分析的基础上,对GPS 卫星信号的伪码跟踪方法进行了深入研究.针对DLL 跟踪BOC 调制信号时的不足之处,对一种新的伪码跟踪环路--NE LP,进行了分析,并在Matlab 环境下对两种跟踪方法进行了仿真.仿真结果表明,在
对BOC 调制信号进行跟踪时,NE LP 跟踪环比DLL 跟踪环具有更精确的跟踪效果.关键词:跟踪;DLL;NELP;BOC 中图分类号:T N971.1 文献标识码:A
The Research of GPS Rece i ver Pseudo 2code 2track A lgor ith m
L IU Yuan 2Tao 1
,FENG Yong 2Xin 1
,P AN Cheng 2Sheng
2,3
(1.Shenyang L igong University,Shenyang 110168,China;2.Aut omati on Depart m ent of Nanjing University of Science Te 2
chol ogy,Nanjing 210094,China;3.Dalian University,Dalian 116622,China )
Abstract:On the analysis of basic p rinci p le of DLL,the p seudo 2code 2track method of the GPS satellite signals is studied thor oughly .For the deficiencies of DLL ’s tracking the BOC modulati on signals,a ne w p seudo 2code 2track l oop,NE LP is analysed and t w o methods of tracking are si m ulated in the Matlab envir on ment .The si m ulati on results show that in the BOC modulati on signals at the track,NELP tracking l oop has a more accurate tracking re 2sults than that of the DLL tracking l oop.Key words:track;DLL;NELP;BOC
收稿日期:2008-10-08
基金项目:辽宁省创新团队计划支持
作者简介:刘元涛(1982—),男,硕士研究生;通讯作者:冯永新
(1974—),女,教授,博士.研究方向:分布式仿真、扩频
通信技术及应用、GPS 应用技术.潘成胜(1962—),男,教授,博士,博士生导师.研究方向:GPS 应用技术、计算机仿真,网络管理.
GPS 卫星发射的信号包含有三种成分,即数据码、测距码和载波.这三种信号分量都是在同一基本频率f 0=10.23MHz 的控制下产生的.GPS 卫星发射信号和噪声的混合信号进入天线后,转换为中频数字信号进行后续处理.通过相关运算对
GPS 卫星信号完成二维搜索,即通过码相关完成
对卫星信号的解扩和通过载波相关完成对卫星信
号载波Dopp ler 频移的搜索,从而实现对信号的二
维捕获[1]
.
捕获到卫星信号后,即可利用跟踪环对信号进行跟踪处理.当伪码采用C /A 码和P 码时,DLL 跟踪环能够满足跟踪要求,但是当采用BOC 调制信号,即M 码信号时,DLL 跟踪环已经不能够精确
跟踪[2]
.针对一种新的伪码跟踪环-NELP,进行深入分析,实现M 码信号的跟踪处理.
2008年12月
沈阳理工大学学报 Vol.
27No .6第27卷第6期
TRANS ACTI O NS OF
SHENY ANG L I G ONG UN I V ERSI TY
Dec .
2
8
1 DLL 环路
传统的GPS 环路,伪码跟踪一般采用DLL 跟
踪环,即非相干延迟锁定环,其原理如图1所示,
伪码跟踪环的主要作用是从扩频码中提取伪距观测量,同时对卫星信号进行解扩,以获得仅由导航电文调制的载波信号
.
图1 锁相环原理图
鉴相器是一个误差检测元件,它比较输出相
位和输入相位后输出误差信号.鉴相器是锁相环最灵活的部分,鉴相特性可以多种多样,如正弦形特性、三角形特性、锯齿形特性等.不同锁相环的区别主要在于鉴相器的不同.环路滤波器具有低通特性,它滤除误差信号的高频分量,输出一个控制信号控制压控振荡器的频率,环路滤波器的阶数决定锁相环的阶数,对于n 阶锁相环,其环路滤波器为(n -1)阶.环路滤波器还将决定锁相环路的跟踪性能.压控振荡器是一个有线性控制特性的调频振荡器,其振荡频率在工作区间内随控制信号做线性变化,由环路滤波输出的控制信号将修改压控振荡器的输出频率,使之和输入频率一致.锁相环的工作过程可以描述为:通过鉴相器比较输入相位和输出相位,得到误差信号.该误差信号一般混和了高频分量和宽带噪声,经环路滤波之后得到控制信号,并加到压控振荡器上使之产生频率偏移,从而使得输出相位能够跟踪输入相位的变化.由此可知,锁相环实际上是通过频率的调整来达到相位跟踪的目的.
当环路锁定之后,输出频率和输入频率相同,而输出相位和输入相位之间可以维持一定的稳态误差,通过锁相环可以得到十分精确的频率控制[3,4].
2 NEL P 环路
GPS 中M 码信号采用二进制偏移载波调制方式,用BOC (10.23,5.115)表示,缩写为BOC (10,5),即满足BOC (f s ,f c ),中亚载波f s =10.23MHz,扩频码速率f c =5.115MHz [5]
.
如果输入信号是C /A 码信号和P 码信号,DLL 跟踪环能够实现很好的跟踪,精确解调出数据.但是如果输入信号是M 码信号,由于M 码自身的多相关峰特性,DLL 跟踪环已无法实现精确跟踪.因此,需要采用一种新的跟踪处理方式,即NELP -非相干远超前远滞后伪码跟踪环.NE LP
的等效环路模型如图2所示
[6]
.
图2 NELP 环路模型
环路输入伪随机码为S (t -τs ),环路输入X (t )应为信号与噪声n (t )之和,则有
X (t )=V i S (t -τs )+n (t ) (已去掉载波)
(1)式中V i 为输入信号振幅.本地码发生器输出时延
超前与滞后一个码元数字周期T 的两路伪随机码信号加到相关器上,与环路输入分别在两个相乘器进行相关运算,然后将两相乘器的输出电压相
?
54?第6期 刘元涛等:GPS 接收机伪码跟踪算法研究
减输出.
时延超前T的伪随机码信号为
V0S PN(t+T-τ^d)=V0S V E(2)时延超前T/2的伪随机码信号为
V0S PN(t+T/2-τ^d)=V0S E(3)时延滞后T的伪随机码信号为
V0S PN(t-T-τ^d=V0S VL(4)时延滞后T/2的伪随机码信号为
V0S PN(t-T/2-τ^d=V0S L(5)其中,V
为信号振幅,于是相关器的输出如下所示.
V d(t)=K m V0[V i S(t-τs)+n(t)]?[(S E+ S VL)-(S L+S V E)]=K m V0V i S(t-τs)?[(S E+ S VL)-(S L+S V E)]+K m V0n(t)?[(S E+S VL)-
(S
L +S
V E
)](6)式(6)中,第一项表示信号输出项.对于信号
项,在环路中起作用的是两相乘器的直流成分的相减输出,即
K m V0V i{〈S(t-τs)?(S E+S VL)〉-〈S(t-τs)
?(S
L +S
V E
)〉}(7)
其中符号〈?〉表示取统计平均值,在此也就表示了两个序列的相关函数.所以式(7)可写成式(8)的形式.
K m V0V i?{[R S(τe+T/2)+R S(τe-T)]-[R S(τe-T/2)+R S(τe+T)]}
=K
m
V0V i?{R N ELP(τe)}(8)
其中:R
N ELP
(τe)=[R S(τe+T/2)+R S(τe-T)]-[R S(τe-T/2)+R S(τe+T)](9)
显然,R
N ELP
(τe)表示了相关器的特性.将伪
码的自相关函数R(τ
e
)沿横轴向右移位T就得到R S(τe-T),向右移位T/2得到R S(τe-T/2),向
左移位T得到R
S
(τe+T),向左移位T/2得到R S (τe+T/2),然后将四个图形按照式(9)做加减运
算,可得到R
NELP
(τe)的特性,如图3所示.图中L 表示一个伪码周期内伪码的码片数.
综上所述,相关器总输出电压可近似地用式(10)表示.
V d(t)=K d?[R NELP(τe)](10)
式中,K
d =K
m
V0V i;这样,加到压控振荡器的控制
电压为
V c(t)=K d?[R N ELP(τe)]?F(P)(11
)
图3 鉴相器自相关特性曲线
F(P)表示环路滤波器的线性微分方程式的算子
形式.V
c
(t)加到压控振荡器VCO上,产生输出相位如式(12).
θ
(t)=V
c
(t)?
K0
P
(12)
K0为VCO增益,单位为rad/V.
由于θ
(t)=ω?τ^d可得到式(13).
τ^
d
=
T
2π
?θ
(t)=T
2π
?V
c
(t)?
K0
P
(13)
若将K
的单位改为Hz/V,那么上式可改写式下式的形式.
τ^
d
=
T
2π
?θ
(t)=T?V c(t)?
K0
P
=T?K d?R NELP(τe)?F(P)?
K0
P
(14)
若用相对时延τ
e
=τs-τ^d表示,那么式(14)可整理成式(15).
dτe
d t
=
dτs
d t
-KT?F(P)?R N ELP(τe)(15)
其中,K=K
d
?K
.式(15)就是非相干远超前
远滞后锁相环的数学模型.
图4为采用锁相接收技术实现的非相干远超前远滞后码跟踪环,由图可见,其结构如同典型的Costas环,采用同相正交两个支路实现下变频,然后积分清除,鉴相,环路滤波,NCO.所不同的只是Costas环直接由NCO输出载波信号,而P N码跟踪环的NCO控制P N码发生器产生超前、滞后、远超前、远滞后四路P N码信号[7].
?
6
4
?沈阳理工大学学报 2008年
图4 NE LP 环路功能框图
注:I :同相;Q:正交;E:超前;VE:远超前;L:滞后;VL:远滞后
3 算法仿真及结果分析
在实验室中模拟了采样频率为40.92MHz 的卫星中频采样信号,多普勒频移值为470Hz .亚载波频率为10.23MHz,扩频码速率为5.115Mbp s,码偏移量为150个码片,信号的信噪比分别为-8dB 和-12d B.图5至图8是分别采用NELP 和DLL
两种码跟踪算法在不同的信噪比下的解调效果图.由于BOC (10,5)的相关峰很窄,在找到相关主峰的同时,使超前-滞后两个伪随机码的位置与BOC 自相关函数的两个第一副峰相重合,而远超
前和远滞后本地码则用以保证正中本地码正好与自相关函数的主峰而不是副峰对准.从图中可以看出,在相同的信噪比下,NE LP 跟踪环比DLL 跟踪环解调效果更加精确
.
图5 -8dB NELP 环路解调效果图 图6 -8dB DLL
环路解调效果图
图7 -12dB NE LP 环路解调效果图 图8 -12dB DLL 环路解调效果图
(下转第63页)
?
74?第6期 刘元涛等:GPS 接收机伪码跟踪算法研究
状况,复配表面活性剂DJ
1
的量可以微调.
因素E(复配成膜助剂DJ
2
)在磷化液中具有重要作用,由于本文所研制的磷化液为常温型,不使用常用的非环保型的成膜助剂,因此复配成膜
助剂DJ
2
是决定低温、快速成膜的关键因素.实验
发现,复配成膜助剂DJ
2
的含量对磷化膜的耐蚀
性影响显著.实验确定复配成膜助剂DJ
2
的用量为5.0g﹒L-1.
2.3 磷化液的性能指标
按照G B/T12612-2005的方法,测试按最优
配方A
3
B3C2D2E2配制的磷化液的性能指标,结果见表3.
表3
测试项目结果
外观无沉淀无色透明液体
pH值 1.4±0.1
总酸度(点)20～32
游离酸度(点)0.1～0.12
除锈性轻重锈均可除
除油性良好
磷化膜外观灰黑色
磷化膜厚 5.4um
CuS O4点滴时间248s
3%氯化钠浸泡13h无锈蚀
3 结论
(1)研制的环保型常温磷化液的组成和工艺条件:ZnO35.0g﹒L-1;金属M10.0g﹒L-1;
(NH
4
)
2
MoO40.4g﹒L-1;H3P O4250g﹒L-1;复
配表面活性剂DJ
1
5.0g﹒L-1;复配成膜助剂DJ2 5.0g﹒L-1;总酸度20～32;游离酸度0.1～0. 12;温度15～25℃;磷化时间15m in.
(2)该磷化液具有除油、除锈、磷化、钝化多功能.不含铬、镍、硝酸盐、氟络合剂等.
(3)该磷化液在15～25℃条件下15m in能形成均匀致密的磷化膜,磷化膜性能符合国家标准G B/T12612-2005.磷化膜的外观良好,膜厚5. 4u m,CuS O4点滴时间大于200s,3%氯化钠浸泡13h无锈蚀,磷化膜综合评定结果d值为31128.参考文献:
[1]张圣麟,陈华辉,孔小波.原位磷化技术的发展现状[J].材料
保护,2008,41(1):51253.
[2]张卫丽.HAS低温磷化磷化液的研究与应用[D].大连:大连
理工大学,2006.
[3]余取民,王丽平,杨建.钡盐改性常温锌钙系磷化液[J].腐蚀
与防护,2008,29(1):45247.
[4]林修洲,龚敏,张远声,等.钢铁的常温磷化液配方优选[J].
腐蚀与防护,2006,27(1):36237.
[5]杜冬梅.钢铁常温锌铁系磷化及表面覆盖技术的研究[D].
大连:大连海事大学环境科学,2004.
[6]谭旭翔.钢铁常温磷化研究[D].大连:辽宁师范大学,2007.
[7]梁成浩,孙悦锋.室温多功能磷化液的研制[J].表面技术,
2002,31(2):11213.
[8]熊金平,马辉.HC型金属表面综合处理液的研制[J].涂料工
业,1998,(12):21223.
(上接第47页)
4 结束语
本文对码跟踪环采用的两种方式实现伪码跟踪的原理进行了详细的阐述,并在Matlab环境下进行了仿真.仿真结果表明,在对BOC调制信号进行跟踪时,NE LP跟踪环比DLL跟踪环具有更精确的跟踪效果,在实际的软件接收机设计中具有一定的指导意义.
参考文献:
[1]孙礼,王银峰,何川,等.GPS信号捕获与跟踪策略确定及实
现[J].北京航空航天大学学报,1999,25(2):1342137. [2]陈培俊.关于BOC(n,n)调制信号的一种新的码跟踪算法
[J].电光系统,2007,(1):19221.
[3]董渊文,官洪运.GPS接收机伪码跟踪技术研究及仿真[J].
系统仿真学报,2006,18(11):320923211.
[4]魏安全.扩频码的同步捕获与跟踪技术[J].军事通信技术,
1999,(65):37242.
[5]邱致和.GPSM码信号的BOC调制[J].导航,2005,(1):729.
[6]李少颖,周诠.扩展频谱通信的伪码跟踪技术[J].空间电子
技术,1999,(1):13218.
[7]仇梦跃,吴涛.伪码测距中码跟踪环的设计与实现[J].装备
指挥技术学院学报,2006,17(4):83286.
?
3
6
?
第6期 肖承博等:常温环保型多功能磷化液的研制
8-邻域边界跟踪算法
利用点的八邻域信息，选择下一个点作为边界点，这个算法需要选择一个开始点，可以选择图像上是目标点，在最上，最左的点。然后查看它的八邻域的点，从右下方45°的位置开始寻找，如果是目标点，将沿顺时针90°作为下一次寻找的方向，如果不是，则逆时针45°继续寻找，一旦找到重复上面的过程。 void VessDibTrack(HDIB hdib,vector 图像定位及跟踪技术大解析 在科学技术日新月异的今天，人们对机器设备的智能性、自主性要求也越来越高，希望其完全替代人的角色，把人们从繁重、危险的工作任务中解脱出来，而能否像人一样具有感知周围环境的能力已成为设备实现智能化自主化的关键。 广义的“图像跟踪”技术，是指通过某种方式(如图像识别、红外、超声波等)将摄像头中拍摄到的物体进行定位，并指挥摄像头对该物体进行跟踪，让该物体一直被保持在摄像头视野范围内。狭义的“图像跟踪”技术就是我们日常所常谈到的，通过“图像识别”的方式来进行跟踪和拍摄。 因为红外、超声波等方式，都受环境的影响，而且要专门的识别辅助设备，在实际应用中已经逐步被“图像识别”技术所替代。“图像识别”是直接利用了摄像头拍摄到的图像，进行NCAST图像差分及聚类运算，识别到目标物体的位置，并指挥摄像头对该物体进行跟踪。 图像跟踪系统采用特有的NCAST目标外形特征检测方法，被跟踪者无需任何辅助设备，只要进入跟踪区域，系统便可对目标进行锁定跟踪，使摄像机画面以锁定的目标为中心，并控制摄像机进行相应策略的缩放。系统支持多种自定义策略，支持多级特写模式，适应性强，不受强光、声音、电磁等环境影响。 目标物体的边缘检测 物体的形状特征在大多数情况下变化不多，基于目标形状轮廓的跟踪方法与基于区域的匹配方法相比，可以更精确的分割目标。 边缘是运动目标的最基本特征，表现在图像中就是指目标周围图像灰度有阶跃变化或屋顶变化的那些像素集合，它是图像中局部亮度变化最显著的部分。 边缘检测就是采用某种算法来定位灰度不连续变化的位置，从而图像中目标与背景的交界线。图像的灰度变化可以用灰度梯度来表示。 任务书 主要分析几种应用于数字图像处理中的边缘检测算子,根据它们在实践中的应用结果进行研究,主要包括:Robert 边缘算子、Prewitt 边缘算子、Sobel 边缘算子、Kirsch 边缘算子以及Laplacian 算子等对图像及噪声图像的边缘检测,根据实验处理结果讨论了几种检测方法的优劣. 关键词：数字图像处理;边缘检测;算子 图像的边缘是图像的重要特征之一, 数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础, 其目的是精确定位边缘, 同时较好地抑制噪声, 因此边缘检测是机器视觉系统中必不可少的重要环节。然而, 由于实际图像中的边缘是多种边缘类型的组合, 再加上外界环境噪声的干扰, 边缘检测又是数字图像处理中的一个难题。 目录 第一章边缘的概念 (3) 第二章边缘检测 (4) 第三章边缘检测算子的应用 (8) 第四章边缘检测方法性能比较 (12) 参考文献料 (15) 第1章：边缘检测 1．1 边缘的介绍 图像边缘是图像最基本的特征，边缘在图像分析中起着重要的作用。所谓边缘是指图像局部特性的不连续性。灰度或结构等信息的突变处称为边缘，例如：灰度级的突变，颜色的突变，纹理结构的突变等。边缘是一个区域的结束，也是另一个区域的开始，利用该特征可以分割图像。 边缘(edge)是指图像局部强度变化最显著的部分．边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础．图像分析和理解的第一步常常是边缘检测(edge detection)．由于边缘检测十分重要，因此成为机器视觉研究领域最活跃的课题之一．本章主要讨论边缘检测和定位的基本概念，并使用几种常用的边缘检测器来说明边缘检测的基本问题． 在讨论边缘算子之前，首先给出一些术语的定义： 边缘点：图像中具有坐标],[j i 且处在强度显著变化的位置上的点． 边缘段：对应于边缘点坐标],[j i 及其方位 ，边缘的方位可能是梯度角． 边缘检测器：从图像中抽取边缘(边缘点和边缘段)集合的算法． 轮廓：边缘列表，或是一条表示边缘列表的拟合曲线． 边缘连接：从无序边缘表形成有序边缘表的过程．习惯上边缘的表示采用顺时针方向序． 边缘跟踪：一个用来确定轮廊的图像（指滤波后的图像）搜索过程． 边缘点的坐标可以是边缘位置像素点的行、列整数标号，也可以在子像素分辨率水平上表示．边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示，因为滤波过程可能导致图像坐标平移或缩放．边缘段可以用像素点尺寸大小的小线段定义，或用具有方位属性的一个点定义．请注意，在实际中，边缘点和边缘段都被称为边缘． 边缘连接和边缘跟踪之间的区别在于：边缘连接是把边缘检测器产生的无序边缘集作为输入，输出一个有序边缘集；边缘跟踪则是将一幅图像作为输入，输出一个有序边缘集．另外，边缘检测使用局部信息来决定边缘，而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘． 1．2 边缘检测算子 边缘检测是图像特征提取的重要技术之一, 边缘常常意味着一个区域的终结和另一个区域的开始. 图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构. 因此,边缘检测可以看做是处理许多复杂问题的关键. 边缘检测的实质是采用某种算法来提取出图像中对对象与背景间的交界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以用局部图像微分技术来获取边缘检测算子。经典的 边缘检测方法是对原始图像中的像素的某个邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析，并对各自的性能特点做出比较和评价。 仪表显示的图像识别算法研究 摘要：随着社会的逐渐发展，人类的生活越来越趋于智能化。本文根据当今社会对于图像识别研究的发展现状，针对目前人们生活中人工读表的弊端，提出了通过采集仪表显示的图像并进行图像识别算法处理来达到智能自动读表的方法。 为了能快速获得采集数据，减少人们生活中繁复的人工作业。本文通过多样的图像处理来代替人眼识别图像。只需要得到采集到的图像，就可以利用计算机来进行计算和识别，得出最后的数字。本文采用了一系列的图像处理方法，包括图像的去噪，二值化分割，边缘检测和基于数学形态学的膨胀腐蚀操作等。同时通过多种尝试和比较各种方法的优缺点得到了一套简易而又完善，快速的图像识别算法。 在进行多次测试试验后，本文采用数码相机来进行图像的采集，同时经过图像预处理、图像分割、图像识别等一系列流程得出了较为完善的图像采集和识别系统，为未来信息传递智能化提供了基础，对于促进工业发展或是改善生活水平都有重要的意义。 关键词：图像预处理、二值化、边缘检测、形态学、去噪、图像分割、图像匹配 The research of image recognition displayed by the instrument Abstract: With the continuous development of society, people's lives become more and more intelligent. Based on the current development in today's society for the study of image recognition, according to the present disadvantages of manual meter reading in peop le’s lives, this page proposed the way by collecting the instruments display image and then deals it with image recognizing algorithms to achieve intelligent automatic meter. In order to quickly gather data, reducing manual work in people’s lives complicated. The page uses a series of image processing to replace human eye image recognition. Just need the collected images, we can use a computer to calculate and identify, then we will arrive at a final figure. We used a variety of image processing methods, including image denoising, thresholding segmentation, expansion of edge-detection based on mathematical morphology and corrosion and so on. And Q260046902 专业做论文 西南科技大学 毕业设计（论文）题目名称：车辆牌照图像识别算法研究与实现 车辆牌照图像识别算法研究与实现 摘要：近年来随着国民经济的蓬勃发展，国内高速公路、城市道路、停车场建设越来越多，对交通控制、安全管理的要求也日益提高。因此，汽车牌照识别技术在公共安全及交通管理中具有特别重要的实际应用意义。本文对车牌识别系统中的车牌定位、字符分割和字符识别进行了初步研究。对车牌定位，本文采用投影法对车牌进行定位；在字符分割方面，本文使用阈值规则进行字符分割；针对车牌图像中数字字符识别的问题，本文采用了基于BP神经网络的识别方法。在学习并掌握了数字图像处理和模式识别的一些基本原理后，使用VC++6.0软件利用以上原理针对车牌识别任务进行编程。实现了对车牌的定位和车牌中数字字符的识别。 关键词：车牌定位；字符分割；BP神经网络；车牌识别；VC++ Research and Realization of License Plate Recognition Algorithm Abstract:In recent years, with the vigorous development of the national economy，there are more and more construct in the domestic expressway, urban road, and parking area. The requisition on the traffic control, safety management improves day by day. Therefore, license plate recognition technology has the particularly important practical application value in the public security and the traffic control. In the paper, a preliminary research was made on the license location, characters segment and characters recognition of the license plate recognition. On the license location，the projection was used to locate the license plate; On the characters segmentation, the liminal rule was used to divide the characters; In order to solve the problem of the digital characters recognition in the plate, BP nerve network was used to recognize the digital characters. After studying and mastering some basic principles of the digital image processing and pattern recognition, the task of license plate recognition was programmed with VC++ 6.0 using above principles. The license location and the digital characters recognition in the license plate were implemented. Keywords: license location, characters segmentation, BP nerve network, license plate recognition, VC++ 第4章运动目标图像跟踪系统的硬件知识4.1 运动目标图像跟踪系统原理 这一章的内容主要以原理框图的形式展现 图4-1 图像跟踪器原理框图 图4-2 图像识别与跟踪子系统原理框图 图4-3 图像信息综合教学实验系统原理框图 4.2 FPGA图像预处理子系统 用户现场可编程门阵列器件FPGA(FildePrgo~bale一Gate~Array)，顾名思义，是一种可由用户根据所设计的数字系统的要求，在现场由自己配置，定义的高密度专用数字集成电路。 FPGA有效的将LSIV/Lsl的门阵列技术的高逻辑密度和通用性与用户现场可编程的设计灵活，上市快捷的特性有效的结合了起来。它具有以下三个主要优点: (1)FPGA的用户现场可编程的特性大大缩短了设计实现的周期; (2)FPGA可以提供比PLD和EPLD器件足够大的有效逻辑容量密度，大大提高了系统设计的工艺可实现性和产品的可靠性。 (3)FPGA可以反复编程，反复使用，可以在开发系统中直接进行系统仿真，降低了成本。 本系统采用的是XLINIX公司Virtxe-E系列FPGA，型号为XCV400E。XCV400E为57万门规模，具有153kb的内存可配置分布存储器和16kb的同步数据块存储器，可存储大量的中间数据、图像行数据和图像卷积数据。 4.3 双口RAM实现数据的传输 双口RAM读写操作灵活方便，具有两个端口进行独立的异步操作的能力， 并且其接口电路的设计也比较简单。双端口RAM内一般有一个总线强占优先 级比较器，当两边的CPU访问同一存储单元时，较先送出的址的CPU具有优 先访问权，而另一个CPU的的址和读写信号将被屏蔽掉。位于FPGA与DSP 之间的双口RAM的数据传输过程如图4-4所示。 图4-4 双口RAM数据传输 该系统使用的CY7C057V是低功耗CMOS32Kx36的双口静态RAMs。器 件中包含了多种仲裁机制来处理多处理器存取相同数据块的情况。两个端口提 供了独立的通行证，在存储器的任意位置读写的异步存取。该器件既可以单独 用来作为36-bit双口静态RAMs，也可以多个器件相结合生成72-bit或者更宽 的主/副双口静态RAM。 CY7C057V的组成单元包括:32Kx36bit的双口RAM单元、I/0和的址线、CE/CE1、/OE、R/ W)。这些引脚允许对存储器内部的任意位以及控制信号(0 置进行读写存取。每个端口提供了一个BUSY对同一位置空间进行写/读。两个 中断(INT)引脚用来控制双口RAM与EMFI接口图到端的通信，它允许端口 间或系统间通过信箱的方式进行通信。两个旗语控制引脚用来指定享有的资 源。旗语逻辑由8个共享的锁存器组成。任何时候只有一边能够控制锁存器。 旗语的控制意味着共享资源在被使用。M/S引脚确定器件是主模式(BUSY引脚 CE/CE1，控制的自为输出)还是从模式(BUSY引脚为输入)。器件还提供了由0 动电源关闭特征。每个端口还提供了它自己的输出使能控制(OE)，它使得数据 能够被从器件中读出。 将双口RAM置于FAPG和DSP之间作为数据缓存器，如图4-4所示的一 哈尔滨工业大学工学硕士学位论文 摘要 森林是陆地生态的主体，具有很高的生态效益和经济效益。鉴于目前我国森林防火的严峻形势，必须开发有效技术解决森林火灾的监测问题。传统火灾探测器多采用单一时刻的火灾参量作为判断标准，在外界干扰下易引起频繁误报或漏报。近年来提出的基于机器视觉的火灾报警系统，利用数字图像处理技术来实现火灾自动报警。 基于火焰和烟雾的图像特征，本文研究了一种识别自然环境下火灾的机器视觉方法。火灾发生过程中，主要的图像信息是燃烧时产生的烟雾和火焰，通过对烟雾和火焰的图像信息研究发现，烟雾和火焰本身具有一定的规律性，以此为依据设计有针对性的算法，从图像中识别出烟雾和火焰，判断火灾是否发生。 首先，论文阐述了森林防火技术及图像型火灾检测技术的发展和现状，并对图像分割和滤波方法中的关键技术进行了详细介绍，在此基础上，本文分别讨论了火焰和烟雾的分割与识别。 然后，对于火焰分割，针对不同情况下的火焰研究了三种不同的分割技术，实现了火焰区域的准确分割。对于火焰的特征检测，主要进行颜色和动态特征的分析，通过建立火焰颜色模型进行颜色识别，再进一步进行火焰的四个动态特征的识别。对于烟雾分割，由于烟雾颜色的复杂性，采取颜色提取法进行分割，并运用视觉一致性的聚类算法对其进行了改进。对于烟雾的特征检测，主要进行小波特征及动态特征的分析，通过对比烟雾图像与背景图像小波系数进行小波特征识别，再对识别结果进一步进行动态特征识别，包括烟雾的不规则性和扩散性，最终确定视频中是否存在烟雾。 最后，综合以上分析，给出了森林防火系统中火灾的识别的整体流程以及火焰和烟雾分别的识别流程。 实验证明，综合火焰和烟雾的静态特征及动态特征的火灾识别方法，识别率高。在火灾检测技术中，具有较好的发展前景。 关键词火焰识别；烟雾识别；图像分割；动态特征 - I - matlab练习程序（二值图像内外边界跟踪） 目标内边界的像素全都在目标里面，目标外边界的像素全都不在目标上，是包围着目标的。 二值图像内外边界的计算都是有两种方法的，所以一共是4种算法，不过实际用到跟踪的只有一个而已。 首先是内边界跟踪： 第一种方法不是跟踪方法。步骤是先对原图像腐蚀，然后用原图像减去腐蚀后的图像就得到边界了。 第二种方法是跟踪方法。步骤如下： 1.遍历图像。 2.标记第一个遇见像素块的前景像素（i,j）。 3.对这个像素周围八邻域逆时针搜索，如果搜索到周围有前景像素，那么更新坐标（i,j）为（i',j'），并标记。 4.不断执行第3步直到再次遇见此像素块第一次标记的像素。 5.继续执行第1步。 然后是外边界跟踪： 第一种方法和求内边界第一种方法类似。先对原图像进行膨胀，然后用膨胀后的图像减去原图像即可。 第二种也不算跟踪方法，只是标记算法而已。就是将图像中前景像素周围的非前景像素标记一下就行了。 效果如下： 原图： 内边界： 外边界： matlab程序如下： 内边界： 复制代码 clear all; close all; clc; img=imread('rice.png'); img=img>128; imshow(img); [m n]=size(img); imgn=zeros(m,n); %边界标记图像 ed=[-1 -1;0 -1;1 -1;1 0;1 1;0 1;-1 1;-1 0]; %从左上角像素，逆时针搜索 for i=2:m-1 for j=2:n-1 if img(i,j)==1 && imgn(i,j)==0 %当前是没标记的白色像素 if sum(sum(img(i-1:i+1,j-1:j+1)))~=9 %块内部的白像素不标记 ii=i; %像素块内部搜寻使用的坐标 jj=j; imgn(i,j)=2; %本像素块第一个标记的边界，第一个边界像素为2 while imgn(ii,jj)~=2 %是否沿着像素块搜寻一圈了。 for k=1:8 %逆时针八邻域搜索 tmpi=ii+ed(k,1); %八邻域临时坐标 tmpj=jj+ed(k,2); if img(tmpi,tmpj)==1 && imgn(tmpi,tmpj)~=2 %搜索到新边界，并且没有搜索一圈 ii=tmpi; %更新内部搜寻坐标，继续搜索 jj=tmpj; imgn(ii,jj)=1; %边界标记图像该像素标记，普通边界为1 break; end 龙源期刊网 https://www.wendangku.net/doc/c510267167.html, 基于特征点的运动目标跟踪算法研究 作者：武婷侯红娜 来源：《科技风》2017年第04期 摘要：由于目标的姿态和大小不断发生变化，本文通过对SIFT特征点的跟踪实现对目标可靠、稳定跟踪，即采用SIFT算法与光流算法相结合的跟踪算法。由于SIFT特征点存在分布太密集的现象，增加了后续跟踪算法的耗时性。针对以上这类问题，本文加入距离约束机制对SIFT算法进行改进。光流只适合小运动，本文采用基于图像金字塔模型的光流跟踪以适应大 尺度运动。利用基于多尺度分层的金字塔结构，实现小窗口捕获大运动。通过实验证明，本文所采用的算法相对于传统光流具有更好的鲁棒性和稳定性，能得到更加准确的目标位置。 关键词：SIFT特征点；光流算法；图像金字塔；目标跟踪 目标跟踪问题是机器视觉领域中的一个热点和难点，由于技术的飞速发展，已经被广泛用于道路交通监控、人机交互、制导与导航等诸多领域[ 1 ]。运动目标有有很多的特征能进行跟踪，常见的主要有特征点、轮廓、边缘、形状、颜色等。最容易且能够稳定跟踪的是特征点[ 2 ]。国内外研究者针对特征点的跟踪提出了许多不同的算法，主要的有两种算法：一是基于滤波器预测的方法；二是基于光流的方法。KLT 跟踪算法是由Kanade-Lucas两人提出[ 3 ]，后来由Tomasi和 Kanade改进[ 4 ]。KLT算法首先运用 KLT 算子获取特征点，然后采用最优估 计的 KLT 匹配算法实现特征点之间的匹配[ 5 ]，近些年来得到了广泛应用。Ajmal S. Mian 等 人采用KLT算法实现了对结构单一、运动迅速的军用飞机的跟踪[ 6 ]；Abdat等人利用KLT算法实现对人脸特征点的跟踪[ 7 ]；邓义等[ 8 ]人在光流算法中加入滤波，该算法提高了特征点跟踪的精度。但是光流法的前提条件之一是图像的连贯性，所以L-K只适用在小尺度运动的目标跟踪，相对于运动尺度、姿态发生比较大变化的跟踪，容易出现特征点丢失的现象导致跟踪失败。本文采用一种图像金字塔的L-K 光流特征点跟踪方法。 由于SIFT是一种局部特征，同时具备尺度和旋转不变性等的优点。然而光流场代表的是一种全局特征，表示的是像素点强度的变化。SIFT算法提取的特征点可以满足光流方程的约 束条件[ 9 ]，因此，本文把SIFT特征点和L-K算法结合起来实现对目标的准确跟踪。由于SIFT特征点存在分布过于密集的不足，本文将对SIFT特征点检测加入距离限制进行改进。 1 SIFT特征点提取与改进 1.1 SIFT特征点检测步骤 1.2 改进的SIFT算法 SIFT算法检测到的特征点具有很好地稳定性和抗噪能力，但检测到的特征点过于密集， 在后续的跟踪过程中，加大了计算复杂度，影响算法的实时性。针对上述问题，在SIFT算法 Matlab程序．光栅扫描跟踪程序 I=imread(' circles.png '); [m,n]=size(I); %计算图像的大小 imshow(I); R=I(1,1); %图像第一个像素点的值 I0=zeros(m+2,n+2)+R; %图像周围增加一个与原图像第一个像素值相同的像素I0(2:(m+1),2:(n+1))=I; x0=0;y0=0; fsp=0; %是否找到起始点 for i=1:m for j=1:n if (I0(i,j)~=R) x0=i; %记录起始点的纵坐标i y0=j; %记录起始点的横坐标j fsp=1; break; end end if fsp==1 break; end end row=x0; col=y0; A=[]; %存储边界点坐标的矩阵 B=zeros(m,n); %边界跟踪的图像矩阵 ended=0;direction=4; %由起始点的左边开始查找 while(ended==0) found_next=0; b=[row,col]; A=[A;b]; B(row,col)=255; while(found_next==0) switch mod(direction,8) case 0 if (I0(row, col+1)~=R) row=row; %记录当前坐标 col=col+1; direction=5; %下一点由方向5开始查找 found_next=1; %找到边界点 end; case 1 if (I0(row-1, col+1)~=R) row=row-1; %记录当前坐标 col=col+1; direction=6; %下一点由方向6开始查找found_next=1; %找到边界点 end; case 2 if (I0(row-1, col)~=R) row=row-1; %记录当前坐标 col=col; direction=7; %下一点由方向7开始查找found_next=1; %找到边界点 end; case 3 if (I0(row-1, col-1)~=R) row=row-1; %记录当前坐标 col=col-1; direction=0; %下一点由方向0开始查找found_next=1; %找到边界点 end; case 4 if (I0(row, col-1)~=R) row=row; %记录当前坐标 col=col-1; direction=1; %下一点由方向1开始查找found_next=1; %找到边界点 end; case 5 if (I0(row+1, col-1)~=R) row=row+1; %记录当前坐标 col=col-1; direction=2; %下一点由方向2开始查找found_next=1; %找到边界点 end; case 6 if (I0(row+1, col)~=R) row=row+1; %记录当前坐标 col=col; direction=3; %下一点由方向3开始查找found_next=1; %找到边界点 end; case 7 if (I0(row+1, col+1)~=R) row=row+1; %记录当前坐标 col=col+1; direction=4; %下一点由方向4开始查找 不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。 在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上，可以用更高阶的导数，但是，因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。 各种算子的存在就是对这种导数分割原理进行的实例化计算，是为了在计算过程中直接使用的一种计算单位 1.Sobel算子 其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值， Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。Sobel算子对于象素的位置的影响做了加权，与Prewitt算子、Roberts算子相比因此效果更好。 Sobel算子包含两组3x3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。实际使用中，常用如下两个模板来检测图像边缘。 摘要 摘要 视频图像处理技术广泛用于工业、安全、医疗、管理等领域。运动目标的检测和跟踪是图像处理技术在视频序列图像处理方面的一个重要应用，在航天、交通、机器人视觉、视频监控、公共场所客流数据监测等场合发挥着重要作用。 本文介绍了一种基于MATLAB的简易的从视频播放的帧图像中找出目标图像，并进行视频跟踪的实现方法。通过对图像进行阈值处理（图像分割），再对分割后的图像求取形心，以对目标图像进行定位，并最后找到各幅帧图像的目标位置的方法，从而实现对100帧视频图像的实时跟踪。 关键词：目标检测；阈值处理；视频序列目标跟踪；形心估计 ABSTRACT ABSTRACT Video image processing technology is widely used in industrial, security, health care, management and other fields. Motion target detection and tracking is image processing technology in video sequence is an important application in image processing, in the aerospace, transportation, robot vision, video surveillance, public traffic data monitoring plays an important role. This paper introduces a simple MATLAB to find the target image from the video image frame based, and realization method of video tracking.Through the threshold of image processing (image segmentation), then the after image segmentation to obtain the centroid, to locate the target image, and finally found the method of each frame image of the target position, so as to realize the real-time tracking of the 100 frame of video images. Key words: target detection; threshold; video object tracking; centroid estimation C++ 利用点的八邻域信息，选择下一个点作为边界点，这个算法需要选择一个开始点，可以选择图像上是目标点，在最上，最左的点。然后查看它的八邻域的点，从右下方45°的位置开始寻找，如果是目标点，将沿顺时针90°作为下一次寻找的方向，如果不是，则逆时针45°继续寻找，一旦找到重复上面的过程。 void VessDibTrack(HDIB hdib,vector startPt.x = i; startPt.y = j; //停止条件 i = cyDIB; j = cxDIB; } } } //设置方向数组 //intdirection[8][2]={{-1,-1},{0,-1},{1,-1},{1,0},{1,1},{0,1},{-1,1},{-1,0}};int direction[8][2] = {{-1,1},{0,1},{1,1},{1,0},{1,-1},{0,-1},{-1,-1},{-1,0}};int startDirect ; BOOL FindStartPoint = FALSE; BOOL FindPoint = FALSE; //开始跟踪 currPt.x = startPt.x; currPt.y = startPt.y; POINT NextPt ; int NextPtValue; startDirect = 0; int cnt= 0; while(!FindStartPoint&&cnt<100000) 基于opencv中光流法的运动 行人目标跟踪与检测 一、课题研究背景及方法 行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。从2005年以来行人检测进入了一个快速的发展阶段，但是也存在很多问题还有待解决，个人觉得主要还是在性能和速度方面还不能达到一个权衡。 早期以静态图像处理中的分割、边缘提取、运动检测等方法为主。例如 （1）以Gavrila为代表的全局模板方法：基于轮廓的分层匹配算法，构造了将近2500个轮廓模板对行人进行匹配, 从而识别出行人。为了解决模板数量众多而引起的速度下降问题，采用了由粗到细的分层搜索策略以加快搜索速度。另外，匹配的时候通过计算模板与待检测窗口的距离变换来度量两者之间的相似性。 （2）以Broggi为代表的局部模板方法：利用不同大小的二值图像模板来对人头和肩部进行建模，通过将输入图像的边缘图像与该二值模板进行比较从而识别行人，该方法被用到意大利Parma大学开发的ARGO智能车中。 （3）以Lipton为代表的光流检测方法：计算运动区域内的残余光流； （4）以Heisele为代表的运动检测方法：提取行人腿部运动特征； （5）以Wohler为代表的神经网络方法：构建一个自适应时间延迟神经网络来判断是否是人体的运动图片序列； 以上方法，存在速度慢、检测率低、误报率高的特点。 二、行人检测的研究现状 （1）基于背景建模的方法：分割出前景，提取其中的运动目标，然后进一步提取特征，分类判别；在存在下雨、下雪、刮风、树叶晃动、灯光忽明忽暗等场合，该方法的鲁棒性不高，抗干扰能力较差。且背景建模方法的模型过于复杂，对参数较为敏感。 （2）基于统计学习的方法：根据大量训练样本构建行人检测分类器。提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经网络、SVM，adaboost等。该方法存在以下难点：（a）行人的姿态、服饰各不相同； （b）提取的特征在特征空间中的分布不够紧凑； （c）分类器的性能受训练样本的影响较大； （d）离线训练时的负样本无法涵盖所有真实应用场景的情况； 尽管基于统计学习的行人检测方法存在着诸多的缺点，但依然有很多人将注意力集中于此。 行人检测国外研究情况： 法国研究人员Dalal在2005的CVPR发表的HOG+SVM的行人检测算法(Histograms of Oriented Gradients for Human Detection, Navneet Dalel,Bill Triggs, CVPR2005)。 —231— 基于图像边界跟踪的顶点矩阵算法 李雨田，晋小莉 (西安工业大学机电工程学院，西安 710032) 摘 要：分析传统图像边界跟踪中存在的问题，根据Freeman 链码跟踪方法提出一种改进的基于像素顶点矩阵的边界跟踪方法，定义图像的像素顶点矩阵，并利用像素顶点矩阵跟踪边界，制定边界跟踪的搜索规则，同时抽取边界的顶点链码，生成围线树结构，用像素顶点的链码值表示边界。实验结果表明，该算法优于一般的链码跟踪方法，具有广泛应用性。 关键词：边界跟踪；像素顶点矩阵；链码 Vertex Matrix Algorithm Based on Image Boundary Tracking LI Yu-tian, JIN Xiao-li (School of Electrical and Mechanical Engineering, Xi’an Technology University, Xi’an 710032) 【Abstract 】The problems in traditional image border tracking are analyzed. According to Freeman chain code boundary tracking method,a pixel-based boundary tracking method of vertex is given. The image pixel vertex matrix is defined. The pixel matrix is used to track the boundary vertex. The boundaries track search rules is set up. The apex of the boundary chain code is abstracted, and the tree structure is generated. The pixel vertex chain code value is used to indicate the boundary. Experimental results show this algorithm is better than the Freeman chain code tracking methods, and has a wider versatility. 【Key words 】boundary tracking; pixel vertex matrix; chain code 计 算 机 工 程Computer Engineering 第36卷 第1期 Vol.36 No.1 2010年1月 January 2010 ·图形图像处理· 文章编号：1000—3428(2010)01—0231—02 文献标识码： A 中图分类号：TP391 图像处理是计算机学科的一个重要研究领域，也是计算机图形处理的一项核心技术。边界是图像最基本的特征，包含了可用于识别的有用信息。边界存在于目标与背景、目标与目标、区域与区域之间，给人们描述或识别目标以及解释图像提供了有价值的特征参数。 1 边界的表示方法 边界的表示方法有很多，链码表示最早于1961年由Freeman 提出，如图1所示，用0,1,2,3这4个代码表示四方向链码，用0,1,2,3,4,5,6,7这8个代码表示八方向链码。 1 42 23 (a)四方向链码 (b)八方向链码 图1 四方向链码和八方向链码 从图像边界上的任一像素点开始，按某一方向行走(逆时 钟或顺时针)，并用码记录相邻像素间的行走方向，直到回到起始点为止，就构成了图像的Freeman 链码。图像边界可由Freeman 链码唯一表示。 2 边界跟踪的研究现状与存在的问题 边界跟踪算法存在的问题主要有以下2个方面： (1)漏追踪和重复追踪，即丢失外轮廓或内轮廓。文献[1]为了避免丢失内轮廓，采用边界填充的办法，显然这很费时。 (2)破坏连通性，将一个轮廓跟踪成多个轮廓。为解决该问题，文献[2]采用2种标记色分别标记边界像素和与边界近邻的背景像素，以解决漏追踪和重复追踪问题。 顶点链码出现较晚，基于顶点链码的跟踪算法也较少，现有的边界跟踪算法大都是基于Freeman 链码给出的，文 献[3]给出的边界标定自动机获得的是边界的顶点链码，但该文也没有给出图像的围线树结构的生成算法。 本文给出一种能正确跟踪任意复杂图像边界的基于像素顶点矩阵边界跟踪算法，通过跟踪边界获得边界的顶点链码。 3 边界跟踪与围线树结构的生成 边界跟踪包括3个步骤[4]： (1)确定作为搜索起点的边缘点，根据算法不同，可以是一个点或多个点，起点的选择很重要，整个算法对此点的依赖很大。 (2)确定和采取一种合适的数据结构和搜索机理，在已发现的边界点基础上确定新的边界点，这里要注意研究先前的结果对选择下一个检测点和下一个结果的影响。 (3)确定搜索终结的准则或终止条件，并在满足条件时停止进程，结束搜索。 3.1 定义像素顶点矩阵 文献[5]提出用边界像素的顶点来标记区域边界的方法。 基金项目：西安工业大学校长基金资助项目“CNC 数控雕刻机技术开发与研制”(605-01000841) 作者简介：李雨田(1981－)，男，硕士研究生，主研方向：数控技术，图像处理；晋小莉，教授 收稿日期：2009-09-20 E-mail ：liyutian721@https://www.wendangku.net/doc/c510267167.html,图像定位及跟踪技术大解析
数字图像边缘检测的研究与实现
仪表显示的图像识别算法研究
车辆牌照图像识别算法研究与实现本科毕设论文
毕设-基于DSP的运动目标图像跟踪算法研究与实现-正文-下
森林防火系统中图像识别算法的研究
matlab练习程序(二值图像内外边界跟踪)
基于特征点的运动目标跟踪算法研究
图像边界跟踪算法程序
常见图像边缘检测算法检测
基于MATLAB的图像处理及跟踪算法
8-邻域边界跟踪算法
行人检测与目标跟踪算法研究
基于图像边界跟踪的顶点矩阵算法