计算机视觉的基本任务精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的计算机视觉的基本任务主题范文，仅供参考，欢迎阅读并收藏。

第1篇：计算机视觉的基本任务范文

关键词：智能监控系统；图像分割技术；图像识别

中图分类号：TP391.41 文献标识码：A文章编号：1007-9599 (2011) 15-0000-01

The Image Recognition and Analysis of Intelligent Monitoring System

Yi Junxiao

(Beijing University of Technology,Beijing100022,China)

Abstract:At present,along with the computer communication technology and network technology fast development,the image processing technology in the field of science and technology is getting more and more important position.Image recognition belong to intelligent monitoring equipment the most important technology,this paper in this part of the intelligent monitoring system based on intelligent monitoring system image recognition.The key:technology of intelligent image monitoring system image recognition and classification for analysis.

Keywords:Intelligent monitoring system;Image segmentation;Image recognition

一、智能监控系统概述

智能监控系统采用先进的数字图像压缩编解码技术、数字图像传输技术等图像处理技术，以及模式识别、计算机视觉技术，通过将智能视频分析模块增加至监控系统中，借助计算机强大的数据处理能力自动识别不同物体，在分析抽取视频源中关键有用信息的同时，过滤视频画面无用的或干扰信息。整个系统组网灵活，可以突破地域的限制，并以最快和最佳的方式发出警报或触发其它动作，进行遥远范围大规模的实时图像监控和报警处理。

二、智能监控系统图像识别的关键技术

（一）图像分割技术。图像分割是由图像处理迈向图像分析的关键步骤，其实质是正确地划分属性区域，在分离日标和背景的基础上，为计算机视觉的后续处理提供依据。分割技术依据区域的一致性和几何邻近度，可以分为三种类型，即基于像素和其邻域局部特性进行分割的局部技术；以全局信息作为图像分割依据的全局技术；以及分裂、合并和区域增长技术。图像分割方法主要包括阈值法、边缘检测法以及区域跟踪法。阈值分割法较为常用，常用的算法有最小误差阈值法、最大类别方差法及最佳直方图熵法等。由于传统的图像分割算法有着对噪声敏感、计算量大等方面的缺陷。基于尤其是基于模糊技术的人工智能原理图像分割算法开始引起人们的关注。在图像分割过程中所涉及到的模糊技术主要包括模糊阐值技术、模糊聚类技术以及模糊边缘检测技术等。

（二）图像颜色分割原理。图像颜色分割是将分割具相同或相近颜色特征色块的图像处理方法，主要包括：（1）像素分类：像素通过颜色的阈值进行分类，像素采用RGB、YUV、HIS等描述方式。（2）像素连接：将图像进行游程编码处理，即将图像编码成以run格式为单元的编码处理。游程编码处理是run格式指的是一行像素之内相邻且具有相同逻辑值的像素集合。作为色块合并的基础，像素连接通过分类后的像素信息实现。（3）色块合并：按一定规律合并所得到的游程，即将游程按照parent归类至一个树结构下的过程。每一个游程在带有效信息的基础上配有指向游程parent的指针。（4）区域融合：为了避免处理过程被判断为两个分离开来的区域，需要引入区域融合方法，使相邻近的部分合并成为一个整体。由于面积和边框同为区域统计量，因此可以进行同一种密度测量方法的使用。倘若某几个部分的区域像素密度大于某个阐值，即可将这些区域合并成成为一个区域整体。在色块合并中，即使区域存在被一根线分割的情况，但这部分的密度倘若仍旧大于阐值，应当将它们看作一个整体区域进行区域融合。

三、智能图像监控系统的图像识别与分类

（一）图象识别技术。图像识别以研究图像的分类与描述为主要内容，对图像用预先存储的对象物的参照图案进行匹配，并输出文字识别和脸部图像识别等符号信息，或者输出物置或姿态等数值信息。图像识别涉及的领域较为广泛，包括机械加工中零部件的识别、分类；农作物、森林、湖泊和军事设施的遥感辨别；气象数据、气象卫星照片的准确观测；身份证识别等方面。

图像识别方法可归纳为统计方法和结构识别方法两大类。一个图像识别系统可分为四个主要部分：（1）图像信息的获取：将图片等信息经系统输入设备进行数字化处理，再输入计算机以备后续处理。（2）图像加工和预处理：将原始图像转化为适合计算机进行特征提取的形式，包括图像变换、增强、恢复等，目的是去除干扰、噪声及差异。（3）图像特征提取：将调查而得的数据材料进行加工、整理、分析、归纳等处理，以提取出可以反映事物本质的特征。（4）判断或分类：根据所提取的特征参数，通过采用某种分类判别函数和判别规则分类和辨识图像信息，最终得到图像识别结果。（二）图像识别的几何特征描述。图像识别特征具有多种形式的描述，效果取决于图像识别的具体状况。在多数情况下，只需图像的局部特征即可识别图像，这些特征诸如图像的灰度级空间分布特征，图像颜色和波段，图像随时间变化的形态，图像形状、轮廓、面积和空间点位置等。而图像识别的几何特征描述包括周长、面积定义和算法（面积和周长较为容易计算），占空比、圆形度，形状的投影描述以及特殊的形状描述子（多数情况下，可以用来简洁地描述物体图像形状）等方面的内容。（三）图像识别分类器设计。在图像识别中，分类器的基本任务是通过图像分类特征、分类运算法则的应用，对图像进行分类。图像识别分类器必须提取和选择特征，以便对被识别的图像数据进行大规模的压缩，有利于最终的图像识别。分类器设计的主要步骤为分类识别特征的确立。此为关键步骤，特征若提取得不恰当，就无法精确分类，甚至无法进行分类，良好的特征应具有可区别性、可靠性、独立性以及数量少四个方面的特征。

特征提取和选择应当坚持尽可能减少整个识别系统的处理时间和错误识别概率的原则。当这两个原则无法兼得时，则应做出相应平衡的选择，或者提高整个系统速度，以适应实时需要；或者缩小错误识别的概率，以提高识别精度。图像识别系统的复杂度将随着特征个数的增加而迅速增长，特别是用来训练分类器和测试结果的样本数量，将随着特征数量的增加呈现指数关系增长。特征选取的方式将因不同的模式而异，并与识别的目的和方法等有着直接的联系。

参考文献：

[1]苏彦华.visualC++数字图像识别技术典型案例[M].北京:人民邮电出版社,2004