【摘要】：在掘進(jìn)機(jī)定位的過程中,為實(shí)現(xiàn)掘進(jìn)機(jī)位姿自動(dòng)化無接觸檢測(cè)的功能,針對(duì)在運(yùn)動(dòng)目標(biāo)檢測(cè)過程中采用傳統(tǒng)背景差分法或幀間差分法存在的準(zhǔn)確率不高、特征缺失的問題,提出一種基于改進(jìn)的視覺特征檢測(cè)算法。該算法利用機(jī)器視覺、圖像處理等,通過改進(jìn)的三幀差分法結(jié)合邊緣檢測(cè)、均值法背景建模對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè),最后通過形態(tài)學(xué)處理得到運(yùn)動(dòng)目標(biāo)。仿真結(jié)果表明,采用該算法可彌補(bǔ)傳統(tǒng)背景幀差法和幀間差分法的缺點(diǎn),有效提高運(yùn)動(dòng)目標(biāo)檢測(cè)的實(shí)時(shí)性、準(zhǔn)確性和檢測(cè)效率。
【圖文】：

http∶//www．laserjournal．cnA1第26幀A2第28幀A3第39幀A1A2A3圖2傳統(tǒng)三幀差分法檢測(cè)結(jié)果A1A2A3圖3改進(jìn)的算法檢測(cè)結(jié)果從實(shí)驗(yàn)結(jié)果可以看出，A1采用改進(jìn)后算法得到的目標(biāo)特征更加豐富，檢測(cè)更準(zhǔn)確;A2騎電動(dòng)車行人傳統(tǒng)三幀差分方法得到的特征不完整缺失比較多，偏離真實(shí)目標(biāo)而改進(jìn)后的三幀差分法所提取的目標(biāo)特征更加完整更接近真是目標(biāo);A3汽車采用傳統(tǒng)三幀差分方法得到的特征同樣存在明顯的特征缺失，劣于采用改進(jìn)后的三幀差分方法所得特征。為了更加直觀的說明本文算法相對(duì)于傳統(tǒng)算法的優(yōu)勢(shì)，采用定量的方式對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。即通過運(yùn)動(dòng)目標(biāo)像素的檢出數(shù)量和已知運(yùn)動(dòng)目標(biāo)所包含的像素總量之間的比值進(jìn)行分析。設(shè)t為運(yùn)動(dòng)目標(biāo)像素的檢出數(shù)量和已知運(yùn)動(dòng)目標(biāo)所包含的像素總量之間的比值，x為運(yùn)動(dòng)目標(biāo)像素的檢出數(shù)量，D為運(yùn)動(dòng)目標(biāo)所包含的像素總量，那么檢出率t=xD則經(jīng)過實(shí)驗(yàn)數(shù)據(jù)測(cè)的傳統(tǒng)三幀差分法和改進(jìn)的算法針對(duì)三個(gè)檢測(cè)視頻的檢出率t分別如表1所示:表1傳統(tǒng)算法與改進(jìn)算法檢出率對(duì)比方法A1A2A3傳統(tǒng)三幀差分法29.83%49.74%31.42%改進(jìn)的算法94.26%96.78%92.13%表1為視頻圖像序列分別通過傳統(tǒng)三幀差分法和本文改進(jìn)的算法進(jìn)行處理得到的檢出率的平均值�？梢姡鄬�(duì)傳統(tǒng)的三幀差分方法，本文算法的檢出率提升47.04～64.43%。4結(jié)束語(1)本文提出一種基于改進(jìn)的視覺特征檢測(cè)算法，在現(xiàn)有掘進(jìn)機(jī)位姿檢測(cè)技術(shù)的基礎(chǔ)上，對(duì)視覺檢測(cè)技術(shù)方面的特征提取算法進(jìn)行改進(jìn)，分析可知，該改進(jìn)算法可行。(2)通過MATLAB軟件進(jìn)行算法驗(yàn)證實(shí)驗(yàn)。通過三個(gè)常用的實(shí)驗(yàn)視頻分析，該算法能夠比較完整的提取運(yùn)動(dòng)目標(biāo)特征，相對(duì)于傳統(tǒng)特征檢測(cè)算法其檢測(cè)率提高47.04～64.43%。比較豐富的

http∶//www．laserjournal．cnA1第26幀A2第28幀A3第39幀A1A2A3圖2傳統(tǒng)三幀差分法檢測(cè)結(jié)果A1A2A3圖3改進(jìn)的算法檢測(cè)結(jié)果從實(shí)驗(yàn)結(jié)果可以看出，A1采用改進(jìn)后算法得到的目標(biāo)特征更加豐富，檢測(cè)更準(zhǔn)確;A2騎電動(dòng)車行人傳統(tǒng)三幀差分方法得到的特征不完整缺失比較多，偏離真實(shí)目標(biāo)而改進(jìn)后的三幀差分法所提取的目標(biāo)特征更加完整更接近真是目標(biāo);A3汽車采用傳統(tǒng)三幀差分方法得到的特征同樣存在明顯的特征缺失，劣于采用改進(jìn)后的三幀差分方法所得特征。為了更加直觀的說明本文算法相對(duì)于傳統(tǒng)算法的優(yōu)勢(shì)，采用定量的方式對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。即通過運(yùn)動(dòng)目標(biāo)像素的檢出數(shù)量和已知運(yùn)動(dòng)目標(biāo)所包含的像素總量之間的比值進(jìn)行分析。設(shè)t為運(yùn)動(dòng)目標(biāo)像素的檢出數(shù)量和已知運(yùn)動(dòng)目標(biāo)所包含的像素總量之間的比值，x為運(yùn)動(dòng)目標(biāo)像素的檢出數(shù)量，D為運(yùn)動(dòng)目標(biāo)所包含的像素總量，那么檢出率t=xD則經(jīng)過實(shí)驗(yàn)數(shù)據(jù)測(cè)的傳統(tǒng)三幀差分法和改進(jìn)的算法針對(duì)三個(gè)檢測(cè)視頻的檢出率t分別如表1所示:表1傳統(tǒng)算法與改進(jìn)算法檢出率對(duì)比方法A1A2A3傳統(tǒng)三幀差分法29.83%49.74%31.42%改進(jìn)的算法94.26%96.78%92.13%表1為視頻圖像序列分別通過傳統(tǒng)三幀差分法和本文改進(jìn)的算法進(jìn)行處理得到的檢出率的平均值�？梢姡鄬�(duì)傳統(tǒng)的三幀差分方法，本文算法的檢出率提升47.04～64.43%。4結(jié)束語(1)本文提出一種基于改進(jìn)的視覺特征檢測(cè)算法，在現(xiàn)有掘進(jìn)機(jī)位姿檢測(cè)技術(shù)的基礎(chǔ)上，對(duì)視覺檢測(cè)技術(shù)方面的特征提取算法進(jìn)行改進(jìn)，分析可知，，該改進(jìn)算法可行。(2)通過MATLAB軟件進(jìn)行算法驗(yàn)證實(shí)驗(yàn)。通過三個(gè)常用的實(shí)驗(yàn)視頻分析，該算法能夠比較完整的提取運(yùn)動(dòng)目標(biāo)特征，相對(duì)于傳統(tǒng)特征檢測(cè)算法其檢測(cè)率提高47.04～64.43%。比較豐富的
【作者單位】： 西安科技大學(xué);
【基金】：國家自然科學(xué)基金—青年科學(xué)基金項(xiàng)目(51705417)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 崔國棟;柴林燕;于明;;基于幀間差分的足球球員檢測(cè)算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2010年07期

2 樊曉亮;楊晉吉;;基于幀間差分的背景提取與更新算法[J];計(jì)算機(jī)工程;2011年22期

3 武懷金;王武江;;基于幀間差分方法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J];黑龍江科技信息;2012年10期

4 張丹丹;婁煥;;幀間差分法中閾值的選擇[J];科技信息;2013年34期

5 郭厚q;吳峰;黃萍;;基于壓縮感知和字典學(xué)習(xí)的背景差分法[J];華東交通大學(xué)學(xué)報(bào);2012年01期

6 張秋仙;;幀間差分法與平均背景法在運(yùn)動(dòng)檢測(cè)中應(yīng)用的研究[J];企業(yè)科技與發(fā)展;2010年18期

7 薛麗霞;羅艷麗;王佐成;;基于幀間差分的自適應(yīng)運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J];計(jì)算機(jī)應(yīng)用研究;2011年04期

8 廖馬騰;李全;;基于System Generator的幀間差分運(yùn)動(dòng)目標(biāo)檢測(cè)算法仿真[J];電子質(zhì)量;2013年04期

9 張鐵力;王然冉;李曉佳;;人體運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤[J];自動(dòng)化博覽;2007年05期

10 楊俊紅;魏威;;視頻安全監(jiān)控中的關(guān)鍵技術(shù)研究[J];開封大學(xué)學(xué)報(bào);2009年04期

相關(guān)會(huì)議論文 前10條

1 金黎明;周曉光;蘇志遠(yuǎn);;一種基于幀間差分背景重建的動(dòng)目標(biāo)檢測(cè)算法[A];2009年先進(jìn)光學(xué)技術(shù)及其應(yīng)用研討會(huì)論文集（上冊(cè)）[C];2009年

2 熊衛(wèi)華;向磊;李俊峰;趙新龍;;背景減除與幀間差分相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

3 王巖;勒中鑫;;邊緣檢測(cè)中幾種方法的比較[A];1998年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];1998年

4 孟偉;王秀澤;張巖;;離散Canny邊緣檢測(cè)算法的實(shí)現(xiàn)[A];走近CIE 26th——中國照明學(xué)會(huì)（2005）學(xué)術(shù)年會(huì)論文集[C];2005年

5 周勝靈;丁珠玉;;農(nóng)產(chǎn)品邊緣檢測(cè)系統(tǒng)研究[A];中國農(nóng)業(yè)工程學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集[C];2011年

6 任獲榮;楊夏穎;何培培;孫建維;高敏;;邊緣檢測(cè)技術(shù)發(fā)展現(xiàn)狀及其在零件識(shí)別中的應(yīng)用綜述[A];第三屆數(shù)控機(jī)床與自動(dòng)化技術(shù)專家論壇論文集[C];2012年

7 王巖;勒中鑫;;幾種邊緣檢測(cè)方法及其比較[A];中國圖象圖形科學(xué)技術(shù)新進(jìn)展——第九屆全國圖象圖形科技大會(huì)論文集[C];1998年

8 葉樂軍;王強(qiáng);;基于自適應(yīng)邊緣檢測(cè)的大空間火災(zāi)目標(biāo)監(jiān)測(cè)技術(shù)[A];中國職業(yè)安全健康協(xié)會(huì)2007年學(xué)術(shù)年會(huì)論文集[C];2007年

9 沈亮;潘德爐;王迪峰;;機(jī)載多通道掃描儀圖像的邊緣檢測(cè)初步研究[A];2008中國儀器儀表與測(cè)控技術(shù)進(jìn)展大會(huì)論文集（Ⅰ）[C];2008年

10 李文輝;郭寧寧;郝鑫;;優(yōu)化邊緣檢測(cè)的分析和解決方案[A];“加入WTO和科學(xué)技術(shù)與吉林經(jīng)濟(jì)發(fā)展——機(jī)遇·挑戰(zhàn)·責(zé)任”吉林省第二屆科學(xué)技術(shù)學(xué)術(shù)年會(huì)論文集（上）[C];2002年

相關(guān)重要報(bào)紙文章 前1條

1 鳴人;Photoshop CS5:三大功能再進(jìn)化[N];中國攝影報(bào);2010年

相關(guān)博士學(xué)位論文 前6條

1 磨少清;邊緣檢測(cè)及其評(píng)價(jià)方法的研究[D];天津大學(xué);2011年

2 董鴻燕;邊緣檢測(cè)的若干技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2008年

3 王媛妮;順序形態(tài)邊緣檢測(cè)及分水嶺圖像分割研究[D];武漢大學(xué);2010年

4 遲健男;圖像形態(tài)學(xué)和小波分析在圖像增強(qiáng)與邊緣檢測(cè)中的應(yīng)用[D];東北大學(xué);2005年

5 李杏梅;Contourlet變換在圖像去噪與邊緣檢測(cè)中的應(yīng)用研究[D];華中科技大學(xué);2011年

6 丁興號(hào);基于小波分析的視覺檢測(cè)技術(shù)研究[D];合肥工業(yè)大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 謝松;多攝像頭非剛體目標(biāo)檢測(cè)與空間定位系統(tǒng)[D];電子科技大學(xué);2015年

2 孟妍;視頻目標(biāo)檢測(cè)與跟蹤技術(shù)的研究[D];華北理工大學(xué);2015年

3 劉舟檻;基于背景差法的籃球投籃自動(dòng)識(shí)別系統(tǒng)設(shè)計(jì)[D];湖南師范大學(xué);2015年

4 顧西存;視頻中前景檢測(cè)和背景建模算法的研究[D];重慶郵電大學(xué);2016年

5 張晟;渡口監(jiān)控視頻中的船舶檢測(cè)研究[D];大連海事大學(xué);2016年

6 李強(qiáng);Kalman濾波在CME圖像處理中的應(yīng)用[D];昆明理工大學(xué);2017年

7 趙然;基于FGD技術(shù)的公交車客流檢測(cè)系統(tǒng)的開發(fā)[D];山東師范大學(xué);2017年

8 馮堯文;基于幀間差分的運(yùn)動(dòng)目標(biāo)穩(wěn)健檢測(cè)方法[D];哈爾濱工業(yè)大學(xué);2011年

9 胡敬舒;基于幀間差分的運(yùn)動(dòng)目標(biāo)檢測(cè)[D];哈爾濱工程大學(xué);2013年

10 林江;基于邊緣檢測(cè)和馬爾可夫隨機(jī)場(chǎng)的AD癥腦MRI分割方法研究[D];西南交通大學(xué);2015年

本文編號(hào)：2529500