前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇計(jì)算機(jī)視覺技術(shù)原理范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

計(jì)算機(jī)視覺技術(shù)原理范文第1篇

1、引言

隨著經(jīng)濟(jì)的迅猛發(fā)展，汽車的迅速普及，根據(jù)社會(huì)對(duì)汽車產(chǎn)業(yè)的要求，車輛的各方面指標(biāo)都受到人們?cè)絹碓蕉嗟仃P(guān)注，汽車涂裝過程中的瑕疵直接影響汽車的外觀質(zhì)量，因此如何在生產(chǎn)過程中利用計(jì)算機(jī)視覺檢測技術(shù)檢測出并及時(shí)修補(bǔ)汽車涂裝過程中產(chǎn)生的瑕疵就成了首要的任務(wù)[1]。本文的研究內(nèi)容是首先了解計(jì)算機(jī)視覺檢測系統(tǒng)的工作原理，汽車涂裝瑕疵的種類，然后結(jié)合兩者的特點(diǎn)，應(yīng)用計(jì)算機(jī)視覺檢測系統(tǒng)檢測汽車涂裝瑕疵。該研究的價(jià)值在于兩方面：①對(duì)于汽車生產(chǎn)的自動(dòng)化和過程自動(dòng)化，計(jì)算機(jī)視覺是現(xiàn)實(shí)真正意義的自動(dòng)的基礎(chǔ)和一種重要的質(zhì)量控制的手段；②對(duì)于汽車涂裝瑕疵的修補(bǔ)可以提高其修補(bǔ)的精度。

2、汽車涂裝瑕疵的計(jì)算機(jī)視覺檢測系統(tǒng)

汽車涂裝瑕疵檢測系統(tǒng)主要包括照明系統(tǒng)、圖像采集卡、CCD攝像機(jī)、計(jì)算機(jī)以及軟件處理等幾個(gè)主要部分[2]。綜合計(jì)算機(jī)視覺檢測系統(tǒng)的構(gòu)成和線結(jié)構(gòu)光測量的原理，基于計(jì)算機(jī)視覺的汽車涂裝瑕疵的檢測系統(tǒng)大致是這樣構(gòu)成的：將線結(jié)構(gòu)光投射到被測物上，所形成的光斑作為傳感信號(hào)，用CCD攝像機(jī)采集光斑圖像，采集到的圖像信號(hào)被傳輸?shù)接?jì)算機(jī)，根據(jù)圖像處理和計(jì)算機(jī)視覺檢測系統(tǒng)的處理產(chǎn)生處理結(jié)果，返回到涂裝生產(chǎn)線，對(duì)車身的涂裝進(jìn)行修正，從而提高產(chǎn)品質(zhì)量。汽車涂裝瑕疵的視覺檢測系統(tǒng)如圖1所示[3]。

3、計(jì)算機(jī)視覺檢測

計(jì)算機(jī)視覺是計(jì)算機(jī)對(duì)圖像進(jìn)行自動(dòng)處理并報(bào)告“圖像中有什么”的過程，也就是說它識(shí)別圖像中的內(nèi)容。圖像中的內(nèi)容往往是某些機(jī)器零件，而處理的目標(biāo)不僅要能對(duì)機(jī)器零件定位，還要能對(duì)其進(jìn)行檢驗(yàn)。計(jì)算機(jī)視覺系統(tǒng)基本原理：機(jī)器視覺系統(tǒng)通常采用CCD相機(jī)攝取圖像，將其轉(zhuǎn)化為數(shù)字信號(hào)，再采用先進(jìn)的計(jì)算機(jī)硬件與軟件技術(shù)對(duì)圖像數(shù)字信號(hào)進(jìn)行處理，從而得到所需要的各種目標(biāo)圖像特征值，并在此基礎(chǔ)上實(shí)現(xiàn)模式識(shí)別、坐標(biāo)計(jì)算、灰度分布圖等多種功能。計(jì)算機(jī)視覺系統(tǒng)能夠根據(jù)其檢測結(jié)果快速地顯示圖像、輸出數(shù)據(jù)、指令，執(zhí)行機(jī)構(gòu)可以配合其完成指令的實(shí)施。計(jì)算機(jī)視覺系統(tǒng)主要由圖像獲取、圖像分析和處理、輸出顯示或控制三個(gè)功能模塊組成[4]。視覺檢測按其所處理的數(shù)據(jù)類型可分為二值圖像、灰度圖像、彩色圖像和深度圖像的視覺檢測。另外，還有X射線檢測、超聲波檢測和紅外線檢測。一個(gè)完整視覺檢測系統(tǒng)包括：圖像采集、圖像分割、零件識(shí)別、模型匹配和決策判斷。Newman[5]等描述了利用深度圖像進(jìn)行零件檢測的AVI系統(tǒng)，具有一定的代表性。一個(gè)典型的AVI系統(tǒng)如圖2所示。

4、汽車涂裝瑕疵的檢測算法

由于汽車涂膜中一些缺陷的邊界比較模糊，例如：氣泡、爆裂氣泡孔、氣泡針孔、抽縮等等。邊緣處灰度變化很小，直接用傳統(tǒng)的微分邊緣檢測算法無法有效的檢測出來。所以對(duì)缺陷模糊邊緣的檢測成為了算法的關(guān)鍵[6]。本文介紹了基于線結(jié)構(gòu)光的邊緣檢測方法。汽車涂裝表面被光源投射器發(fā)出的線結(jié)構(gòu)光照射，反射出的圖像被CCD攝像機(jī)所接收傳輸?shù)接?jì)算機(jī)視覺檢測系統(tǒng)中。若涂裝表面沒有瑕疵，則產(chǎn)生圖3的圖像。若涂裝表面有瑕疵，則產(chǎn)生圖4的圖像[7]。

計(jì)算機(jī)視覺技術(shù)原理范文第2篇

關(guān)鍵詞：OpenCV；計(jì)算機(jī)視覺技術(shù)；三維模擬技術(shù)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）30-0137-02

21世紀(jì)是國際計(jì)算機(jī)技術(shù)高度發(fā)展的時(shí)代，人們生活中的每個(gè)角落都可以看到計(jì)算機(jī)技術(shù)的身影，尤其是現(xiàn)代計(jì)算機(jī)視覺技術(shù)和圖像處理功能發(fā)展更加迅猛，各技術(shù)分支也逐漸趨于成熟。計(jì)算機(jī)視覺技術(shù)主要指的就是利用智能計(jì)算機(jī)系統(tǒng)來代替人類的眼睛對(duì)現(xiàn)實(shí)三維世界進(jìn)行辨識(shí)和理解，整個(gè)過程均是計(jì)算機(jī)自我學(xué)習(xí)的過程，而隨著這項(xiàng)技術(shù)研究的不斷深入，其不再僅僅包含計(jì)算機(jī)技術(shù)科學(xué)，同時(shí)還涉獵了包括生理學(xué)、神經(jīng)學(xué)、物理學(xué)、應(yīng)用數(shù)學(xué)等多門學(xué)科，為人類科技的進(jìn)步提供了有效的動(dòng)力。

1 計(jì)算機(jī)對(duì)視頻中運(yùn)動(dòng)物體檢測的原理概述

在現(xiàn)代計(jì)算機(jī)技術(shù)基礎(chǔ)下，對(duì)視頻當(dāng)中的運(yùn)動(dòng)物體檢測原理主要包括兩種，分別是從微觀和宏觀的角度出發(fā)。其中宏觀檢測技術(shù)指的是當(dāng)計(jì)算機(jī)截取了視頻中的某一個(gè)圖像，其以整幅圖像為對(duì)象進(jìn)行檢測；微觀檢測技術(shù)是指在截取圖像后，根據(jù)實(shí)際需求對(duì)某一區(qū)域內(nèi)的圖像內(nèi)容進(jìn)行檢測。在計(jì)算機(jī)視覺技術(shù)實(shí)際應(yīng)用時(shí)，其第一步就是對(duì)圖像的采集，第二步是對(duì)已經(jīng)采集的圖像進(jìn)行預(yù)分析處理，如果采用宏觀檢測技術(shù)則對(duì)圖像整體進(jìn)行分析；如果采用微觀檢測技術(shù)則首先將圖像進(jìn)行分割，然后對(duì)分割后各圖像內(nèi)容中出現(xiàn)的運(yùn)動(dòng)物體影像進(jìn)行分析。在圖像數(shù)據(jù)獲取過程中應(yīng)用的是背景差分法，這一技術(shù)主要是將背景和運(yùn)動(dòng)物體進(jìn)行分離提取，以獲取沒有背景圖像的運(yùn)動(dòng)物體影像數(shù)據(jù)。還可以利用幀間差分法，這種方法主要是對(duì)一個(gè)視頻圖像的逐幀畫面進(jìn)行差別比較，從而獲得各幀圖像上的差值，而將這些差值幀圖結(jié)合起來就是一個(gè)物體在計(jì)算機(jī)視覺下的運(yùn)動(dòng)軌跡?，F(xiàn)代研究者更傾向于將背景和幀間差分法進(jìn)行結(jié)合運(yùn)用，這樣可以獲得無背景下的運(yùn)動(dòng)物體軌跡，進(jìn)而提升計(jì)算機(jī)視覺系統(tǒng)捕捉數(shù)據(jù)的準(zhǔn)確性。

2 OpenCV的應(yīng)用概述

OpenCV是現(xiàn)代計(jì)算機(jī)視覺技術(shù)當(dāng)中具有開源性的視覺庫，其最早是由俄羅斯Intel分公司所研發(fā)，不僅高效，而且具有兼容的優(yōu)勢。同時(shí)與傳統(tǒng)IPL圖像處理系統(tǒng)相比，OpenCV所處理的圖像數(shù)據(jù)等級(jí)更高，例如在對(duì)運(yùn)動(dòng)物體進(jìn)行特征跟蹤、目標(biāo)分割、運(yùn)動(dòng)軌跡分析以及三維模型重建等方面都有著巨大的優(yōu)勢。

OpenCV本身編輯的源代碼是開放式的，編寫過程簡潔且方便，并且程序中大多數(shù)函數(shù)已經(jīng)通過了匯編的最優(yōu)化，使其能夠更加高效地被應(yīng)用。在使用OpenCV的攝像機(jī)標(biāo)定模塊已經(jīng)為用戶設(shè)計(jì)了實(shí)用性較強(qiáng)的接口，并且能夠支持Windows界面的操作平臺(tái)，使得這一技術(shù)的操作更加簡便。這一技術(shù)本身操作簡便，對(duì)于編程人員和檢驗(yàn)人員個(gè)人技能素質(zhì)要求并不高，視覺技術(shù)系統(tǒng)研發(fā)人員可以利用簡便的操作來檢驗(yàn)其設(shè)想是否能夠?qū)崿F(xiàn)，這就使得現(xiàn)代計(jì)算機(jī)視覺技術(shù)開發(fā)團(tuán)隊(duì)能夠形成更好的協(xié)作研發(fā)關(guān)系，進(jìn)一步提升技術(shù)研究效率。目前已知OpenCV編程系統(tǒng)在航空航天定位、衛(wèi)星地圖繪制、工廠大規(guī)模生產(chǎn)視覺檢測等方面得到了廣泛的應(yīng)用，同時(shí)對(duì)于無人飛行器的視覺捕捉技術(shù)也有極大的幫助。最為重要的是OpenCV編程語言的兼容性較強(qiáng)，編程人員可以根據(jù)自己的意愿對(duì)源代碼進(jìn)行披露，并且國內(nèi)也已經(jīng)形成了規(guī)模較大的交流社區(qū)，給更多同行業(yè)者提供答疑解惑的場所，進(jìn)一步擴(kuò)大了OpenCV的應(yīng)用范圍。

3 基于OpenCV的計(jì)算機(jī)視覺技術(shù)

3.1 基于OpenCV下的運(yùn)動(dòng)物體檢測技術(shù)

在常規(guī)運(yùn)動(dòng)物體檢測技術(shù)下，均是直接通過圖像背景和運(yùn)動(dòng)物體的區(qū)分來實(shí)現(xiàn)運(yùn)動(dòng)物體的捕捉。而基于OpenCV下的運(yùn)動(dòng)物體檢測技術(shù)則不僅能夠針對(duì)于圖像背景的分離實(shí)現(xiàn)運(yùn)動(dòng)物體的觀察，還可通過物體本身特定的信息來進(jìn)行檢測，主要包括形狀、輪廓以及顏色等。這樣就能夠?qū)崿F(xiàn)在復(fù)雜的背景當(dāng)中將特定的運(yùn)動(dòng)物體完整抽離出來。其基本流程包括：首先，對(duì)影像數(shù)據(jù)當(dāng)中某一時(shí)間點(diǎn)的圖像進(jìn)行捕捉，然后對(duì)這一視頻圖像的格式進(jìn)行轉(zhuǎn)化；其次，對(duì)轉(zhuǎn)化格式后的視頻圖像進(jìn)行早期處理，并將運(yùn)動(dòng)物體和復(fù)雜的背景區(qū)分開，降低周圍各環(huán)境因素對(duì)運(yùn)動(dòng)物體主體圖像的影響；第三，根據(jù)完成提取后的運(yùn)動(dòng)物體圖像進(jìn)行辨識(shí)，然后再從視頻當(dāng)中捕捉擁有相同特征的物體，并對(duì)該物體進(jìn)行跟蹤識(shí)別。而這一過程的實(shí)質(zhì)則在于先利用圖像捕捉技術(shù)對(duì)畫面進(jìn)行截取，然后同時(shí)利用背景差分法和幀間差分法對(duì)圖像進(jìn)行分割，逐幀地將運(yùn)動(dòng)物體完成提取出來，以供計(jì)算機(jī)進(jìn)行視覺跟蹤處理。

3.2 基于OpenCV的圖像預(yù)處理技術(shù)

一般情況下，計(jì)算機(jī)視覺處理技術(shù)應(yīng)用的環(huán)境情況較為復(fù)雜，大多數(shù)應(yīng)用環(huán)境當(dāng)中均有光照的變化，并且部分計(jì)算機(jī)視覺處理設(shè)備還需要在露天環(huán)境下進(jìn)行工作，此時(shí)周圍環(huán)境中的風(fēng)、溫度、光照、氣候以及運(yùn)動(dòng)物體數(shù)量等對(duì)視頻圖像的采集均有著極大的影響。環(huán)境因素會(huì)使圖像采集的質(zhì)量大幅度降低，同時(shí)圖像當(dāng)中的噪點(diǎn)問題也難以避免，而噪點(diǎn)是視覺捕捉和圖像處理當(dāng)中最大的影響因素。因此，在基于OpenCV下的計(jì)算機(jī)視覺技術(shù)在捕捉視頻圖像之后先對(duì)其進(jìn)行預(yù)處理，然后再由系統(tǒng)對(duì)運(yùn)動(dòng)物體進(jìn)行分離、檢測和跟蹤。一般的預(yù)處理過程主要包括平滑度濾波、圖像填充、背景實(shí)時(shí)更新等。

1）圖像的平滑度濾波預(yù)處理技術(shù)

由于在實(shí)際計(jì)算機(jī)視覺捕捉過程中圖像噪點(diǎn)是難以避免的問題，以此在對(duì)圖像中運(yùn)動(dòng)物體進(jìn)行檢測前，應(yīng)該相對(duì)這些噪點(diǎn)進(jìn)行預(yù)處理，降低環(huán)境噪聲對(duì)圖像的影響。圖像的平滑度濾波處理共分為兩種方式，分別為線性和非線性。其中線性處理方式就是通過計(jì)算機(jī)處理設(shè)備的簡單運(yùn)算，對(duì)圖像當(dāng)中的噪點(diǎn)進(jìn)行直接清除，但這一技術(shù)使用后會(huì)造成截獲圖像模糊不清的情況，因此僅對(duì)噪點(diǎn)較少的圖像采用該處理方式；非線性濾波處理則是利用復(fù)雜的圖像處理運(yùn)算，將截獲圖像當(dāng)中的噪點(diǎn)無限縮小，使其不對(duì)圖像整體造成影響，并且可以有效保證圖像的局部調(diào)整，但這種處理方式在運(yùn)算時(shí)速度沒有線性濾波處理快，因此需應(yīng)用在噪點(diǎn)較多，圖像信息較復(fù)雜的處理當(dāng)中。

2）圖像的填充預(yù)處理技術(shù)

這一處理技術(shù)在使用過程中運(yùn)算速度較慢，主要是由于其需要對(duì)逐幀的圖像均進(jìn)行處理，也包括兩種處理方式，分別為邊緣填充和腐蝕膨脹處理。其中邊緣填充處理主要指的是在確定運(yùn)動(dòng)物體之后，利用計(jì)算機(jī)系統(tǒng)自身的邊緣檢測處理技術(shù)，對(duì)物體的輪廓進(jìn)行辨識(shí)，并利用形態(tài)學(xué)上的漫水填充方式對(duì)運(yùn)動(dòng)物體周圍的噪點(diǎn)進(jìn)行顏色填充，減小其對(duì)畫面整體元素的影響。而腐蝕膨脹處理與邊緣填充處理原理相類似，但這種處理技術(shù)主要是針對(duì)于噪點(diǎn)進(jìn)行腐蝕和膨脹，使其在畫面當(dāng)中所占比例擴(kuò)大，但對(duì)運(yùn)動(dòng)物體本身不造成影響，這使運(yùn)動(dòng)物體和噪點(diǎn)之間的差異就會(huì)更加明顯，就可以將噪點(diǎn)的影響降到最低，但這種處理方法的效果和攝像機(jī)本身的性能、質(zhì)量等有著密切的關(guān)聯(lián)。

3）背景的實(shí)時(shí)更新預(yù)處理技術(shù)

在進(jìn)行運(yùn)動(dòng)物體和背景分離過程中，計(jì)算機(jī)系統(tǒng)需要對(duì)圖像上的背景元素進(jìn)行辨識(shí)，并對(duì)其開展初始化處理，這樣就能夠?yàn)楹笃趯?shí)時(shí)背景圖像的差異進(jìn)行凸顯，以增加前景圖像的效果，降低噪點(diǎn)對(duì)圖像的影響。在運(yùn)用這一技術(shù)時(shí)，首先要先對(duì)第一幀的圖像進(jìn)行確定，并將第一幀圖像當(dāng)中的背景圖像元素進(jìn)行辨識(shí)，然后在后期圖像更新和運(yùn)動(dòng)物體檢測過程中對(duì)背景進(jìn)行實(shí)時(shí)更新處理。在更新的過程中其流程主要包括：首先，系統(tǒng)要對(duì)所讀取的畫面進(jìn)行有效的判斷，了解該圖像是否為第一幀；其次，將Opencv處理的圖像轉(zhuǎn)變?yōu)閱瓮ǖ阑叶戎担坏谌?，?duì)轉(zhuǎn)變后的圖像進(jìn)行高斯平滑度濾波處理，將圖像當(dāng)中的噪點(diǎn)進(jìn)行去除；第四，采用形態(tài)學(xué)噪點(diǎn)填充技術(shù)對(duì)圖像當(dāng)中的噪點(diǎn)進(jìn)行二次處理，以獲得所需要更新的背景圖像。

3.3 前景運(yùn)動(dòng)物體的提取技術(shù)

在計(jì)算機(jī)視覺技術(shù)進(jìn)行運(yùn)動(dòng)物體的檢測時(shí)，只有有效保障檢測流程的準(zhǔn)確度，才能夠有效保障對(duì)前景運(yùn)動(dòng)物體的跟蹤效果。其主要分為兩大步驟，其一是對(duì)二值化后的圖像數(shù)據(jù)進(jìn)行分割處理；其二是在圖像分析前對(duì)其進(jìn)行充分的填充處理，保證前景圖數(shù)據(jù)的完整性。同時(shí)，在前景圖像提取的過程中也分為多個(gè)步驟，其包括：首先，對(duì)所提出的前景圖像和背景圖像進(jìn)行差分處理；其次，將差分處理后的圖像二值化處理；第三，對(duì)背景當(dāng)中前景物體的輪廓或邊緣進(jìn)行辨識(shí)，根據(jù)前景圖像的輪廓對(duì)其進(jìn)行填充。由于在實(shí)際操作過程中，攝像頭所處環(huán)境的變化較大，并且會(huì)在不同場所內(nèi)的不同角度捕捉畫面，因此就需要在前景圖像提取時(shí)有效提高背景圖像實(shí)時(shí)更新的效果。

利用閥值二值化的分割方式能夠有效將前景圖像和背景圖像分離開，從而使目標(biāo)運(yùn)動(dòng)物體能夠呈現(xiàn)獨(dú)立化，并且閥值分割方式開展前要相對(duì)每個(gè)像素點(diǎn)進(jìn)行確定，判斷其是否位于灰度值的范圍內(nèi)。而將該圖像的像素灰度和閥值進(jìn)行對(duì)比后會(huì)出現(xiàn)兩種結(jié)果，分別是灰度值低于或高于閥值。在實(shí)際應(yīng)用過程中，有效確定圖像的分割閥值T，就能夠降低環(huán)境當(dāng)中光照因素對(duì)圖像質(zhì)量的影響。

4 計(jì)算機(jī)視覺技術(shù)當(dāng)中的三維重建技術(shù)

1）三維重建的視覺系統(tǒng)

計(jì)算機(jī)視覺技術(shù)在對(duì)圖像進(jìn)行捕捉時(shí)可以視為是對(duì)大量的圖像信息進(jìn)行處理，從攝像機(jī)的視覺角度出發(fā)，其所輸入的圖像一般為二維屬性，但輸出的信息確是三維數(shù)據(jù)，而這種三維空間數(shù)據(jù)能夠提升對(duì)運(yùn)動(dòng)物體所處空間位置、距離等描述的準(zhǔn)確性。在三維重建視覺系統(tǒng)工作過程中，其相對(duì)基本的圖像數(shù)據(jù)框架進(jìn)行確定，然后利用一個(gè)坐標(biāo)點(diǎn)建立2.5D圖像數(shù)據(jù)，即以此點(diǎn)為視角能夠觀察到的圖像數(shù)據(jù)，再將2.5D圖像數(shù)據(jù)進(jìn)行整合從而建立三維圖像。

2）雙目視覺系統(tǒng)

當(dāng)人體利用雙眼在不同角度、同一時(shí)間內(nèi)觀察同一個(gè)物體時(shí)，就可以利用算法來測量該物體和人體之間的距離，而這種方法也被稱為雙目立體感，其應(yīng)用的原理主要是人體視覺差所帶來的影響。同時(shí)利用兩臺(tái)攝像機(jī)對(duì)同一圖像從不同角度進(jìn)行觀察，就能夠獲得人體雙目觀察后的效果，因此這一三維重建技術(shù)也被稱為“雙目視覺系統(tǒng)”。兩臺(tái)不同的攝像機(jī)即可代表人體雙眼，其對(duì)圖像進(jìn)行逐幀捕獲，但由于角度不同和環(huán)境影響因素的差異，因此造成了圖像差異，必須對(duì)其捕捉的圖像進(jìn)行預(yù)處理。

3）三維重構(gòu)算法

在計(jì)算機(jī)視覺技術(shù)中對(duì)于視頻流的采集主要依靠的是彩色攝像機(jī)、紅外攝像機(jī)、紅外接收攝像頭等設(shè)備。還可以利用微軟所提供的Kinect設(shè)備，在進(jìn)行運(yùn)動(dòng)物體檢測前能夠?qū)UI進(jìn)行初始化處理，將系統(tǒng)內(nèi)函數(shù)的參數(shù)設(shè)定為用戶信息深度圖、彩圖、骨骼追蹤圖等數(shù)據(jù)。在使用Kinect設(shè)備對(duì)視頻流進(jìn)行打開時(shí)，其可以遵循三個(gè)步驟，其一是彩色和深度數(shù)據(jù)的處理；其二是根據(jù)數(shù)據(jù)的索引添加顏色信息，并將其引入到深度圖數(shù)據(jù)當(dāng)中；其三是骨骼追蹤數(shù)據(jù)。

5 結(jié)束語

計(jì)算機(jī)視覺捕捉技術(shù)是現(xiàn)代計(jì)算機(jī)應(yīng)用當(dāng)中較為先進(jìn)的內(nèi)容，其應(yīng)用范圍較廣，對(duì)于運(yùn)動(dòng)物體的捕捉準(zhǔn)確度較高，能夠有效推進(jìn)現(xiàn)代計(jì)算機(jī)模擬技術(shù)的發(fā)展。

參考文獻(xiàn)：

[1] 張?？?基于Opencv的人手識(shí)別與跟蹤定位技術(shù)研究與實(shí)現(xiàn)[D].昆明： 云南大學(xué)，2013.

計(jì)算機(jī)視覺技術(shù)原理范文第3篇

關(guān)鍵詞 疲勞駕駛 人眼、人臉 嘴巴 專利

中圖分號(hào)：C18 文獻(xiàn)標(biāo)識(shí)碼：A

0引言

造成交通事故的原因25%-30%產(chǎn)生于疲勞駕駛，因此疲勞駕駛已成為誘發(fā)交通事故的重要因素。國內(nèi)外專家和學(xué)者針對(duì)疲勞駕駛的檢測開展了大量的研究工作，目前研究的重心主要集中在基于計(jì)算機(jī)視覺的疲勞駕駛檢測，因此對(duì)基于計(jì)算機(jī)視覺的疲勞駕駛檢測的相關(guān)專利進(jìn)行分析尤為必要。

1基于計(jì)算機(jī)視覺的疲勞駕駛檢測專利申請(qǐng)數(shù)據(jù)分析

1.1全球?qū)＠暾?qǐng)量趨勢

從圖1可以看出，基于計(jì)算機(jī)視覺的疲勞駕駛檢測專利申請(qǐng)量從1990-2001年間處于技術(shù)研發(fā)初期，專利申請(qǐng)量相對(duì)較少。從2002年開始該領(lǐng)域的專利申請(qǐng)量逐漸呈現(xiàn)持續(xù)增長趨勢，并在2014年達(dá)到最大值153件。由此可知，隨著疲勞駕駛的增多，人們對(duì)疲勞駕駛的檢測也越來越重視，相應(yīng)的研究也正不斷增加?；诖?，在今后的一段時(shí)間內(nèi)，相關(guān)的專利申請(qǐng)量有望繼續(xù)保持。

1.2專利申請(qǐng)產(chǎn)出地區(qū)分布

目前各領(lǐng)域的專利申請(qǐng)量主要集中在中國、美國、韓國、日本和歐洲，通過對(duì)該領(lǐng)域在中國、美國、韓國、日本和歐洲的專利申請(qǐng)量進(jìn)行統(tǒng)計(jì)分析發(fā)現(xiàn)，中國的申請(qǐng)量以48%的占比雄居第一，其他幾個(gè)地區(qū)的申請(qǐng)量相差不大，具體如圖2所示。

1.3在華專利申請(qǐng)量變化趨勢

圖3為1990年至2014年基于計(jì)算機(jī)視覺的疲勞駕駛檢測在華的申請(qǐng)量變化趨勢圖，由該圖可以看出，1990-2002年是技術(shù)的萌芽期，在2003年以后申請(qǐng)量才呈現(xiàn)逐年增長的趨勢，并且在2012年-2014年將均維持在較高的申請(qǐng)量。因此，該領(lǐng)域國內(nèi)雖然起步較晚，但是最近幾年申請(qǐng)量相對(duì)其他地區(qū)卻具有壓制性的優(yōu)勢。

1.4在華主要申請(qǐng)人分析

圖4展示了在華主要申請(qǐng)人的申請(qǐng)量份額，主要以科研院所和大型汽車企業(yè)為主，其中吉利汽車公司以領(lǐng)先優(yōu)勢排名第一。

2主要技術(shù)分支的專利申請(qǐng)分析

基于計(jì)算機(jī)視覺的疲勞駕駛檢測的主要技術(shù)分支有：基于人眼的駕駛疲勞檢測、基于人臉的駕駛疲勞檢測、基于嘴巴的疲勞檢測。下面從三個(gè)技術(shù)分支的發(fā)展概況、三個(gè)技術(shù)分支的主要工作原理及重點(diǎn)專利等方面進(jìn)行分析。

2.1全球?qū)＠暾?qǐng)主要技術(shù)分支的申請(qǐng)量趨勢圖

由圖6可知，近年來基于人眼和人臉的駕駛疲勞檢測的申請(qǐng)量呈現(xiàn)較快增長，申請(qǐng)量也較基于嘴巴的疲勞檢測的申請(qǐng)量大，體現(xiàn)了該領(lǐng)域近年來的發(fā)展趨勢，并體現(xiàn)出基于人眼和人臉的駕駛疲勞檢測的技術(shù)分支發(fā)展已較為成熟。三個(gè)技術(shù)分支在2006年之前，申請(qǐng)量的差別不大且數(shù)量均較小，顯示出在2006年以前三個(gè)分支的區(qū)別并不明顯，發(fā)展也較為緩慢，這說明基于計(jì)算機(jī)視覺的疲勞駕駛檢測也是近10年才興起的一項(xiàng)技術(shù)，它依賴于圖像處理技術(shù)的發(fā)展水平。

2.2在華專利申請(qǐng)主要技術(shù)分支的申請(qǐng)量趨勢圖

由圖7可知，三個(gè)技術(shù)分支在2006年以前均只有零星的申請(qǐng)量，這與該領(lǐng)域在全球的發(fā)展情況相符合，基于人眼的疲勞駕駛檢測在華申請(qǐng)量自2006年以來呈現(xiàn)穩(wěn)步增長，且近年來申請(qǐng)量最大。基于人臉的疲勞駕駛檢測申請(qǐng)量雖小于基于人眼的疲勞駕駛檢測，但近年來的申請(qǐng)量也呈現(xiàn)出穩(wěn)步增長的勢頭。然而，基于嘴巴的疲勞駕駛檢測雖有增長趨勢，但申請(qǐng)量一直都較小。由此可知，在國內(nèi)疲勞駕駛的檢測主要是采用人眼檢測和人臉檢測，這兩個(gè)分支是國內(nèi)的研究的熱門，也是今后國內(nèi)在該領(lǐng)域的發(fā)展趨勢。

3結(jié)語

通過對(duì)基于計(jì)算機(jī)視覺的疲勞駕駛檢測專利的申請(qǐng)量的總體分析，以及基于人眼、基于人臉、基于嘴巴三個(gè)技術(shù)分支的申請(qǐng)量趨勢分析可知，基于計(jì)算機(jī)視覺的疲勞駕駛檢測在近10年取得了較快發(fā)展，這與計(jì)算機(jī)圖像處理技術(shù)的發(fā)展密不可分；同時(shí)，科研院所作為該領(lǐng)域研究的主體，應(yīng)加強(qiáng)與中小企業(yè)的合作。國內(nèi)疲勞駕駛的檢測研究主要集中在人眼檢測和人臉檢測，這兩個(gè)分支是國內(nèi)的研究的熱門，同時(shí)，基于人眼的疲勞檢測其發(fā)展方向明確，后續(xù)發(fā)展將集中在眼睛定位算法的研究上，并且定位精度將越來越高，越來越滿足實(shí)際的要求。

參考文獻(xiàn)

[1] 朱淑亮.基于視頻圖像分析與信息融合的駕駛員疲勞檢測技術(shù)研究[J].濟(jì)南：山東大學(xué)，2011.

[2] 劉學(xué).基于人臉圖像分析的疲勞駕駛檢測方法研究[J].南京：南京航空航天大學(xué)，2012.

[3] 張靈聰，王正國，朱佩芳，等.汽車駕駛疲勞研究綜述[J].人類工效學(xué)，2003.

計(jì)算機(jī)視覺技術(shù)原理范文第4篇

【關(guān)鍵詞】株高 HALCON 雙目視覺 誤差修正

1 引言

計(jì)算機(jī)視覺技術(shù)是近幾年來發(fā)展較快的信息處理技術(shù)，隨著圖像處理技術(shù)的專業(yè)化、計(jì)算機(jī)硬件成本的降低和速度的提高，計(jì)算機(jī)視覺的應(yīng)用已變得越來越廣泛，其中不乏在農(nóng)業(yè)中的應(yīng)用。

株高是植物生長指標(biāo)的重要參數(shù)，是一個(gè)物種爭奪陽光的能力的主要決定因素[1]。對(duì)于作物來講，株高參數(shù)是作物產(chǎn)量預(yù)估不可或缺的參數(shù)。

然而對(duì)于具體的利用機(jī)器視覺方法直接測量株高的研究還是比較少的，本文就是利用HALCON軟件，采用雙目計(jì)算機(jī)視覺方法來實(shí)現(xiàn)株高的測量。

2 雙目視覺原理

雙目視覺的基本原理是從兩個(gè)視點(diǎn)觀察同一景物，獲取不同視角下的兩幅圖像，然后根據(jù)三角測量原理計(jì)算不同圖像對(duì)應(yīng)像素間的視差（disparity ），獲取景物的三維信息，從而實(shí)現(xiàn)場景三維重構(gòu)。

根據(jù)兩個(gè)攝像機(jī)位姿的不同，雙目視覺有多種模式，常用的有雙目橫向模式，雙目橫向會(huì)聚模式以及雙目縱向模式（也稱雙目軸向模式）。

為了增加測量精度，基線一般不能太小，但基線長度也不可太長，否則，由于物體各部分相互遮擋，兩個(gè)攝像機(jī)可能不能同時(shí)觀察到目標(biāo)點(diǎn)。

圖1是會(huì)聚雙目成像中的視差原理圖。圖中給出兩鏡頭連線所在平面（XZ平面），兩鏡頭中心間的距離（即基線）是B，兩光軸在XZ平面相交于（0，0，Z）點(diǎn)，交角為（未知）?，F(xiàn)在來看如果已知像平面坐標(biāo)點(diǎn)（x1， y1）和（x2， y2 ），如何求取世界點(diǎn)W的坐標(biāo)（X，Y，Z）。

根據(jù)相似三角形的關(guān)系可以很明顯得出： （2.1）

（2.2）

（2.3）

其中r為從（任一）鏡頭中心到兩系統(tǒng)會(huì)聚點(diǎn)的距離（未知）。將式（2.2）和（2.3）聯(lián)立， 可得：

（2.4）

上式把物體和像平面的距離Z與視差d直接聯(lián)系起來，若想求解式（2.4），除視差d外，還需要知道x1和x2本身。另外，由圖1可以得到：

（2.5）

代入式（2.2）或（2.3）可得：

代入式（2.2）或（2.3）可得：

（2.6）

現(xiàn)實(shí)測量中，兩相機(jī)的光軸與世界坐標(biāo)Z軸的夾角不可能相等，不過即便如此，也只會(huì)引入幾個(gè)待確定的三角函數(shù)，而這些三角函數(shù)在相機(jī)標(biāo)定時(shí)即可確定。

3 測量過程

實(shí)現(xiàn)該測量過程包括如下幾個(gè)功能模塊：圖像獲取、攝像機(jī)標(biāo)定、特征提取、立體匹配與三維信息恢復(fù)、后處理。本實(shí)驗(yàn)采用是分比率為960×720的雙攝像頭。被測區(qū)域大小約為56cm×42cm，所以采用的標(biāo)定板應(yīng)為被測區(qū)域1/3大小的HALCON專用的200mm標(biāo)定板。標(biāo)定數(shù)為24×2張圖片。利用HALCON自帶的標(biāo)定助手，可以輕松實(shí)現(xiàn)單目標(biāo)定。

雙目標(biāo)定時(shí)，需要有15張以上左右相機(jī)相同時(shí)刻拍攝的標(biāo)定板的圖片。再利用for循環(huán)，find_caltab函數(shù)，find_marks_and_pose函數(shù)以及binocular_calibration函數(shù)，可以實(shí)現(xiàn)雙目標(biāo)定。將標(biāo)定過程中，獲得的攝像機(jī)的內(nèi)參以及兩個(gè)攝像機(jī)相對(duì)位置關(guān)系作參數(shù)傳遞給函數(shù)gen_binocular_rectification_map，可以很好地實(shí)現(xiàn)雙目視覺校正的目的，得到兩幅校正后的圖像，還能得到校正后虛擬立體視覺系統(tǒng)中兩個(gè)攝像機(jī)的內(nèi)參和外參。

不同種類的植物其株高定義不同，測量方式也不盡相同。本文研究的株高只針對(duì)直立型的，是指從植株根部露出土壤部分到植株最高處的株高。

先利用gen_binocular_rectification_map函數(shù)為map_image函數(shù)提供控制參數(shù)，再通過map_image函數(shù)對(duì)采集到的圖像做校正處理，利用threshold函數(shù)，fill_up_shape函數(shù)以及select等函數(shù)找出校正后圖像中植株的最低和最高點(diǎn)，利用intersect_lines_of_sight函數(shù)，可獲得植株最低點(diǎn)和最高點(diǎn)的真實(shí)三維坐標(biāo)，最后通過幾何運(yùn)算得到雙目測量結(jié)果。

我們?cè)趫D像采集時(shí)就應(yīng)該考慮到，攝像頭應(yīng)該稍微帶一點(diǎn)俯拍的角度，保證左右兩幅圖像上最高處均為現(xiàn)實(shí)坐標(biāo)中的最高處。切忌俯拍角度不可太大，否則由于拍攝角度而引起的像差會(huì)很大，對(duì)結(jié)果將會(huì)有很大的影響。

經(jīng)過以上幾步驟得到的三維坐標(biāo)，常因各種原因而存在一定的誤差，需要進(jìn)行誤差校正。我們對(duì)已知高度的對(duì)象進(jìn)行了測量，得出結(jié)果如表1：

通過上述數(shù)據(jù)得出的修正關(guān)系如下：

y=-0.0002x2+1.0699x （3.1）

其相關(guān)系數(shù)R2=0.9993

4 實(shí)驗(yàn)結(jié)果

我們對(duì)三種植物進(jìn)行了測量得出的結(jié)果如下：

從測量結(jié)果中可以看出，修正后相對(duì)誤差控制在2%之內(nèi)，可以接受。誤差引入的原因可能如下：

1、標(biāo)定板的選擇決定了標(biāo)定精度。一定要選用高精度的標(biāo)定板，且標(biāo)定板的大小應(yīng)約為測量范圍1/3大小。

2、相機(jī)是圖像獲取的根本，高質(zhì)量的圖像離不開高分辨率相機(jī)，但是高分比率，高解析度的相機(jī)又會(huì)帶來成本上的提升。本文中，對(duì)于390.0mm左右的對(duì)象，1個(gè)像素的誤差可以帶入約0.4mm的實(shí)際誤差。

3、本文所采用的算法只能針對(duì)比較理想，比較直的植株，算法的不斷優(yōu)化，才能不斷減少誤差，提高精度。

5 結(jié)語

本文介紹了一種基于HALCON的，利用雙目視覺測量株高的方法。對(duì)于直立型植物，通過對(duì)立體匹配與三維信息恢復(fù)結(jié)果的誤差修正，其株高測量相對(duì)誤差不超過2%，方法具有一定的可借鑒性。

參考文獻(xiàn)

[1]章毓晉.計(jì)算機(jī)視覺教程 [M].北京： 人民郵電出版社，2011.

作者簡介

郝慧鵬（1988-），男，內(nèi)蒙古烏蘭察布人，碩士研究生，主要研究方向?yàn)橛?jì)算機(jī)視覺技術(shù)在農(nóng)作物檢測上的應(yīng)用。

指導(dǎo)老師

田躍（1956-），男，北京人，北京科技大學(xué)數(shù)理學(xué)院物理系教授，北京市弱磁檢測及應(yīng)用工程技術(shù)研究中心副主任。

作者單位

計(jì)算機(jī)視覺技術(shù)原理范文第5篇

【關(guān)鍵詞】平面測量技術(shù);鉛球項(xiàng)目;成績測量

0 引言

隨著計(jì)算機(jī)處理能力的提高和傳感器技術(shù)的發(fā)展，近年來基于視頻圖像處理的計(jì)算機(jī)視覺技術(shù)已成為圖像處理領(lǐng)域的研究熱點(diǎn)，該技術(shù)在眾多的領(lǐng)域中都有十分廣泛的應(yīng)用[1]。

視覺是人類認(rèn)識(shí)世界、觀察世界的重要手段。人類從外界獲取的信息量約有 75%來自視覺系統(tǒng)，這表明視覺信息量十分巨大以及人類對(duì)視覺信息有較高的利用率。人類利用視覺的過程可看作是一個(gè)從感覺到知覺的復(fù)雜過程，即從感受到的對(duì)三維世界的投影圖像到依據(jù)投影圖像去認(rèn)知三維世界的內(nèi)容和含義[2]。

計(jì)算機(jī)視覺技術(shù)是指利用計(jì)算機(jī)實(shí)現(xiàn)人的視覺功能，既對(duì)客觀世界的三維場景的識(shí)別、感知和理解。該技術(shù)包括是仿生學(xué)方法及工程方法，仿生學(xué)方法是模仿人類視覺功能的結(jié)構(gòu)及原理，建立相應(yīng)的處理系統(tǒng)，完成類似的工作和功能;工程方法是從分析人類視覺系統(tǒng)著手，并采用任何現(xiàn)有的可行手段實(shí)現(xiàn)人類視覺系統(tǒng)的功能[3]，該方法的特點(diǎn)是只關(guān)心系統(tǒng)的輸入和輸出。計(jì)算機(jī)視覺的主要研究目標(biāo)是建成計(jì)算機(jī)視覺系統(tǒng)，完成各種視覺功能。也就是說，即要能借助各種視覺傳感器（如 CMOS 攝像器件、CCD等）獲取現(xiàn)實(shí)世界的圖像，而感知和恢復(fù) 3D 環(huán)境中物體的幾何性質(zhì)、運(yùn)動(dòng)情況、姿態(tài)結(jié)構(gòu)、相互位置等，并且要對(duì)客觀場景進(jìn)行識(shí)別、解釋、描述、進(jìn)而做出決斷。目前，計(jì)算機(jī)視覺技術(shù)在體育運(yùn)動(dòng)中也得到了廣泛的應(yīng)用，利用該技術(shù)不僅可以從不同的視角觀察運(yùn)動(dòng)員的動(dòng)作，而且能將運(yùn)動(dòng)員速度、加速度、所在位置等數(shù)據(jù)進(jìn)行量化處理，使體育訓(xùn)練及比賽擺脫依靠傳統(tǒng)經(jīng)驗(yàn)分析及判別的狀態(tài)，從而進(jìn)入科學(xué)化、數(shù)字化的狀態(tài)，而且還可以完成競技體育項(xiàng)目的成績測試[4-5]。

在測試項(xiàng)目中鉛球成績的測量仍采用皮尺丈量法。這種方法存在著三個(gè)方面的缺陷，一是皮尺本身具有彈性以及易折疊特性，二是受場地的凹凸不平，三是人為因素影響較大。由于這三方面的作用， 故在鉛球成績的測量精確度受到極大的限制。針對(duì)這一問題本課題提出了一種基于同視場（鉛球場地）測量地平面坐標(biāo)的單攝像機(jī)模型[6-7]。該模型利用透視投影幾何關(guān)系，對(duì)攝像機(jī)內(nèi)部參數(shù)進(jìn)行標(biāo)定，然后，建立相應(yīng)的網(wǎng)格匹配數(shù)學(xué)模型，通過單目CCD攝像機(jī)像面坐標(biāo)，測量鉛球落點(diǎn)的地平面坐標(biāo)[8]。成功的解決了鉛球著點(diǎn)測量在雙目視覺交匯組合測量存在的死角影響系統(tǒng)的測量范圍的問題，另外，單目視覺測量系統(tǒng)也避免了雙目視覺系統(tǒng)存在對(duì)應(yīng)特征點(diǎn)匹配問題。

1 平面測量原理

圖1 鉛球的2D場景坐標(biāo)系

鉛球場地是一個(gè)扇形區(qū)域（如圖1）。假設(shè)建立一個(gè)如圖1的2D場景坐標(biāo)系，首先要做的事是要確定場地上指定點(diǎn)的真實(shí)坐標(biāo)與采集到的圖片的指定點(diǎn)象素坐標(biāo)之間的對(duì)應(yīng)關(guān)系，即要找到這兩種坐標(biāo)系之間的轉(zhuǎn)換關(guān)系。而這種轉(zhuǎn)換關(guān)系可以用平面測量的相關(guān)技術(shù)獲得。在計(jì)算機(jī)視覺中，所謂的平面測量，就是從圖像中獲得2D場景信息。在實(shí)際的測量中，我們可以通過在圖像上標(biāo)定一定數(shù)量的坐標(biāo)點(diǎn)來確定圖像中場地指定點(diǎn)的象素坐標(biāo)和真實(shí)世界中的指定點(diǎn)的現(xiàn)實(shí)坐標(biāo)之間的單應(yīng)矩陣。

我們獲取一幅2D場景S的圖像I，通過S與I之間的N（N>=4）對(duì)對(duì)應(yīng)點(diǎn)，就可以確定它們之間的單應(yīng)矩陣H。

令：

H=h■，h■，h■=h■，h■，h■h■，h■，h■h■，h■，h■（1）

在H的九個(gè)元素中，有八個(gè)獨(dú)立比率，即一個(gè)單應(yīng)有八個(gè)自由度變量，一個(gè)常數(shù)1。因此，在H中，往往設(shè)置h■=1。

令（x■，y■）∈I，x■■，y■■∈S為一對(duì)對(duì)應(yīng)點(diǎn)，i=1，2，…N。由每一對(duì)對(duì)應(yīng)點(diǎn)，根據(jù)圖像與場景之間的單應(yīng)關(guān)系，我們可以得到兩個(gè)線性方程：

其中，h是矩陣H的向量形式，

于是我們可以得到2N個(gè)方程，寫成矩陣形式為：

AH=0（3）

其中

因此，要求得8個(gè)參數(shù)的單應(yīng)矩陣，至少需要4個(gè)對(duì)應(yīng)點(diǎn)。在實(shí)際的測量中，為了提高精度，每個(gè)模板平面上提供的對(duì)應(yīng)點(diǎn)數(shù)目都會(huì)超過4個(gè)。

當(dāng)N>4時(shí)，我們可以用奇異值分解法（SVD）[14]求最小二乘解h。

求得單應(yīng)矩陣后，利用公式（2），就可以計(jì)算出圖像上指定點(diǎn)對(duì)應(yīng)的真實(shí)坐標(biāo)值，從而計(jì)算出鉛球投擲的距離。

2 實(shí)驗(yàn)結(jié)果與分析

表1

2.1 實(shí)驗(yàn)結(jié)論（下轉(zhuǎn)第38頁）

（上接第21頁）經(jīng)實(shí)際測量的6個(gè)標(biāo)定點(diǎn)（如圖1）的坐標(biāo)分別為A（700，0）、B（900，0）、C（1100，0）、D（570，407）、E（733，523）、F（895，639） 。為了測試本文提出的測量模型，在反復(fù)測量鉛球投擲實(shí)驗(yàn)中選取了典型的10個(gè)測試樣本，其中鉛球落點(diǎn)10個(gè)。

2.2 誤差分析

從表1中我們可以看到人工測量值和系統(tǒng)測量值有一定的誤差，分析誤差產(chǎn)生的原因有如下幾種：

1）數(shù)字 CCD 鏡頭的光學(xué)性能引起的誤差，如焦距、畸變和光學(xué)中心誤差等通過攝像機(jī)內(nèi)部參數(shù)校正來解決。

2）攝像機(jī)的支架及底座一定要有足夠的穩(wěn)定性和剛度，在視頻圖像獲取過程中應(yīng)保證攝像機(jī)的相對(duì)位置穩(wěn)定不動(dòng)，由意外情況所造成的誤差在計(jì)算中應(yīng)予以剔除。

3）環(huán)境的變化將對(duì)測量結(jié)果產(chǎn)生影響，因此測量中要及時(shí)修正背景圖像。

4）人工測量本身就會(huì)與真實(shí)值產(chǎn)生一定的誤差。

3 總結(jié)

本論文首先介紹了課題背景，對(duì)單目視覺測量的研究現(xiàn)狀和測量建模在國內(nèi)外的研究現(xiàn)狀進(jìn)行了分析和歸納，同時(shí)分析了視頻圖像處理技術(shù)在體育項(xiàng)目應(yīng)用現(xiàn)狀，將基于單目視頻圖像處理技術(shù)的鉛球成績測量作為切入點(diǎn)，對(duì)數(shù)字圖像處理技術(shù)在田徑運(yùn)動(dòng)中應(yīng)用的關(guān)鍵技術(shù)進(jìn)行了研究。結(jié)合鉛球場地的特點(diǎn)，提出一種基于視頻圖像的鉛球測量方法，并通過實(shí)際應(yīng)用證明了該方法的可行性。

【參考文獻(xiàn)】

[1]Criminisi A，Reid I，Zisserman A. A plane measuring device[J].Image and VisionComputing，1999，17（8）， 625-634.

[2]Lorenzo Bruzzone， Diego Fernàndez Prieto. Automatic Analysis of the Difference Image for Unsupervised Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing，2000，5，38（3）.

[3]L Sajó， Z Ruttkay， A Fazekas. Turk-2， a multi-modal chess player[J]. International Journal of Human-Computer Studies，2011，7，69（7-8）：483-495.

[4]Lichtenberg， D.B.， Wills， J.G.， Maximizing the range of the shot-put[J]. American Journal of Physics，1978，46：546-549.

[5]Maheras， A.V.. The relationship between the angle of release and the velocity of release in the shot-put， and the application of a theoretical model to estimate the optimum angle of release （throwing）[D].University of Kansas.， 1995.

[6]Antonio Plaza， Jon Atli Benediktsson， Joseph W. Boardman. Recent advances in techniques for hyperspectral image processing[J]. Remote Sensing of Environment，2009，9，113（1）：S110-S112.