智能坐标测量系统中零件位姿自动识别
第39卷 第10期2006年10月天 津 大 学 学 报Journa l of T i a n ji n Un i versity Vol .39 No .10
Oct .2006
智能坐标测量系统中零件位姿自动识别3
刘书桂,赵金才,李建苹,白 艳
(天津大学精密测试技术及仪器国家重点实验室,天津300072)
摘 要:零件位姿自动识别是实现三坐标测量机智能化的关键技术.设计了基于图像不变矩和神经网络的图像匹配与识别算法,将被测零件的虚拟图像与实际图像进行匹配,实现了零件放置姿态的识别功能.由图像几何矩计算出零件在实际图像中的位置和方向,经过像平面坐标系至机器坐标系的转换,得到零件在机器坐标系中的位置和方向.实验结果表明,此零件位姿自动识别方法是智能且高效的,识别算法的重复精度小于0.1mm,识别系统的最大空间定位误差不大于0.6mm.
关键词:位姿;自动识别;三坐标测量机;不变矩;神经网络;匹配与识别
中图分类号:TP391.4 文献标志码:A 文章编号:049322137(2006)1021241206
Automa ti c Recogn iti on for Positi on and O r i en ta ti on of Parts i n
I n telli gen t Coord i n a te M ea sur i n g System
L I U Shu 2gui,ZHAO J in 2cai,L I J ian 2p ing,BA I Yan
(State Key Laborat ory of Precisi on Measuring Technol ogy and I nstru ments,Tianjin University,Tianjin 300072,China )
Abstract :The automatic recognition for the position and pose of measured parts is a key technology in the in 2telligent coordinate measuring machine .An algorithm for i mage matching and recogniti on was p roposed based on moment invariants and neural net work .The positi on and attitude of parts was recognized by matching the virtual i m ages with the actual i m age,and deter m ined by the moments of cap tured i mage .Thr ough coordinate transfor 2m ing,the positi on and the orientation of measured parts in machine reference frame was obtained .The experi 2mental result shows that the p r oposed method of aut omatic recogniti on for the position and pose is intelligent and efficient;the repetitive p recisi on of recogniti on algorithm is less than 0.1mm,and the maxi m um volumetric po 2siti on err or is not more than 0.6mm.
Keywords :position and orientation;automatic recogniti on;coordinate measuring machine;moment invari 2ants;neural net work;matching and recognition
被测零件位姿的自动识别是智能三坐标测量机自
动建立零件坐标系以及进行路径规划等工作的前提和基础.如果不能实现零件位姿的自动识别就无法实现自动测量,更谈不上智能化.文献[1]的作者采用被测
零件虚拟图像与实际采集图像匹配[2]
的方法,实现了基于机器视觉的零件位置自动识别功能.由于采用基于模板的图像匹配方法,其图像匹配速度慢,不利于测量系统的实时性.Hu [3]
最早提出了图像不变矩的概念并用于形状识别,同时证明了有关矩的平移、旋转以及比例不变性.图像边缘矩舍弃了同等灰度级的信息而
只计算具有一定灰度级差的边缘像素点,使计算量大为减少,更适于实时图像处理系统,并且根据图像边缘轮廓计算出来的不变矩更能代表图像的形状[4]
.人工神经网络作为一种非线性的映射方式,能够将输入的特征值映射到网络的输出分类结果上,且其并行分布运算机制、高效的学习算法以及对人类认知系统的模
仿能力使其非常适于解决图像的模式识别问题[5]
.结合上述方法及零件位姿识别系统所要实现的功能,笔者利用被测零件虚拟图像和实际采集图像的边缘矩不变量,以反向传播(back p r opagati on,BP )神经网络作
3收稿日期:2006201209;修回日期:2006204217. 作者简介:刘书桂(1954— ),男,教授,博士,sgliu@tju .edu .cn .
为分类器,实现了零件姿态的自动识别;将电荷耦合[6]装置(charge coup led device,CCD)固定在测量机的z轴上,利用测头坐标系建立起摄像机坐标系与机器坐标系的关系,根据实际图像的几何矩计算零件在像平面内的位置和方向,经坐标变换实现了零件位置和方向的识别功能.
1 零件位姿识别系统的功能及原理
零件可以不准确地定位而且靠建立零件坐标系和进行相对的坐标计算来保证测量精度,这是坐标测量机在工作方式上区别于其他检测设备与仪器的一个重要特性,因此,零件坐标系的正确建立是坐标测量机进行工作的前提和基础.在智能三坐标测量机系统中,要自动建立零件坐标系首先需要解决2个问题.
1)零件放置方式的确定
通常,零件的一个面放置在测量机的工作台面上或支承在夹具上,但其放置方式不是固定的,可能存在多种放置方式.如立方体可有6种放置方式.然而测量所需建立的零件坐标系只有一个,因此,要识别出零件的放置方式,即确定零件在工作台上的放置姿态.
2)零件位置和方向的确定
放置方式确定以后,还需要知道零件在工作台上的放置位置和方向才能建立零件坐标系,因此,零件位姿自动识别系统还应确定零件在工作台上的放置位置和方向.
为了实现零件位姿识别系统的上述功能,在虚拟坐标测量系统中根据零件的计算机辅助设计(co mpu2 ter aided design,CAD)数据得到零件的三维模型[7],对该模型进行透视投影形成多幅可能的虚拟图像;同时,依靠测量机的运动带动安装在测量机z轴上的CCD 摄像机(如图1所示)采集零件的实际图像.根据图像的矩不变量将虚拟图像与实际图像进行匹配,由匹配成功的虚拟图像得知零件的放置方式.由零件
图1 CCD摄像机的安装方式
F i g.1 I n st a ll a ti on of CCD cam era 在像面坐标系中的位置和方向经坐标转换得到零件在机器坐标系中的位置和方向,从而实现被测零件位姿的自动识别.
2 图像的矩不变量
矩不变量是指图像经过平移、旋转以及比例变换后仍然保持不变的矩特征量[8].Hu[3]于1962年首次提出了连续函数矩的定义,并证明了有关矩的平移、旋转以及比例不变性,同时给出了利用规一化后的二阶和三阶中心矩构造出7个矩不变量的表达式
M
1
=η20+η02(1)
M
2
=(η20-η02)2+4η211(2)
M
3
=(η30-3η12)2+(3η21-η03)2(3)
M
4
=(η30+η12)2+(η21+η03)2(4)
M
5
=(η30-3η12)(η30+η12)[(η30+η12)2-
3(η21+η03)2]+(3η21-η03)(η21+η03)
[3(η30+η12)2-(η21+η03)2](5)
M
6
=(η20-η02)[(η30+η12)2-(η21+η03)2]+
4η11(η30+η12)(η21+η03)(6)
M
7
=(3η21-η03)(η30+η12)[(η30+η12)2-
3(η21+η03)2]+(η30-3η12)(η21+η03)
[3(η30+η12)2-(η21+η03)2](7)式(1)～式(7)是在连续函数情况下推导出来的,离散情况下具有平移、旋转和比例不变性的矩不变量的形式[9—10]
M′
1
=M1(8)
M′
2
=M2/M21(9)
M′
3
=M3/M31(10)
M′
4
=M4/M31(11)
M′
5
=M5/M61(12)
M′
6
=M6/M41(13)
M′
7
=M7/M61(14) 由于这7个矩不变量的变化范围很大,为了便于比较,利用取对数的方法进行数据压缩.因此,实际采用的不变矩形式为
M
i
=|lg|M′i‖ (i=1,2,…,7)(15) 3 基于BP神经网络的图像匹配
BP神经网络[11]是在模式识别领域中应用最广泛且最为成功的神经网络之一,具有一个隐藏层的3层BP神经网络能够逼近任意复杂的决策边界[12].将BP 神经网络用于模式识别包括2个截然不同的阶段,即
?
2
4
2
1
?天 津 大 学 学 报 第39卷 第10期
训练阶段和工作(识别)阶段.训练阶段的主要任务是调整网络内部各神经元之间的连接权,以表现问题域;识别阶段则保持各权值固定,根据代表待识别模式的
输入矢量输出该模式的类别[13]
. 为使训练的网络具有较强的泛化能力,本文训练过程中,分别以图2中的6幅零件虚图像、6幅图像分别按顺时针旋转45°得到的图像、6幅图像分别缩小一半得到的图像共18幅图像的边缘矩不变量及其相应模式(即1号和2号等)作为训练样本集,
对神经网络进行训练,训练结束,将网络的各权值固定以用作分类器.
图2 零件的6幅虚拟图像
F i g .2 V i rtua l i m ages of the parts fro m
si x perspecti ves
以采集零件图像的边缘矩不变量作为分类器的输入矢量,在各输出分量中,根据竞争机制选择最大的输出项所代表的模式作为识别结果,即与采集图像匹配的虚拟图像.因为匹配虚拟图像代表零件在工作台上的一种放置方式,所以该虚拟图像确定了零件的放置姿态.例如:若识别结果为1号虚拟图像,则由此可知CCD 所采集到的图像是零件1号面的像.由透视成像
过程已知2号面与1号面相对,可确知2号面在零件的下方且与测量机的工作台面相接触,从而确定了零
件的放置姿态.
4 基于图像矩的位置、方向识别
为了得到零件在机器坐标系中的位置和方向,首先需要知道零件在像平面坐标系中的位置和方向,然后通过像平面坐标系与机器坐标系间的转换关系得到零件在机器坐标系中的位置和方向.
4.1 零件在像平面内位置和方向的计算[8]
由图像的零阶几何矩m 00和一阶几何矩m 10、m 01能够计算出图像区域的几何中心
[14]
x =m 10m 00y =
m 01
m 00
(16)
根据图像的二阶中心矩可以计算出图像的主轴方向角
θ=12arctan -12μ11
μ20-μ02(17) 图像区域的几何中心是指像平面内图像几何中心
的像素坐标,主轴方向角是指图像的主轴与像平面x 轴的夹角.根据式(17)所计算出的角度位于[-π/4,π/4]内,考虑到图像三阶中心矩μ30和μ03表示图像偏离对称均值的程度,且三阶中心矩的符号与图像偏离对称均值的方向存在表1的关系,据此可将主轴方向
角转换到[0,2
π]范围内.表1 图像分布与三阶中心矩的关系
Tab .1 Rel a ti on sh i p of i m age d istr i buti on and
th i rd cen ter m o m en t
μ30
图像偏离均值的情况
μ03
图像偏离均值的情况
+y 轴左侧
+x 轴下方
0对称于y 轴
0对称于x 轴
-
y 轴右侧
-
x 轴上方
4.2 坐标系间的转换关系
在此位置识别系统中存在多个坐标系,他们之间
存在的关系有4种情况[15]
.
1)摄像机坐标系与像面坐标系
摄像机模型采用带有一阶径向畸变的小孔模型,理想模型下的投影成像关系为
x u =fx /z
y u =fy /z
(18)径向畸变的模型
?
3421? 2006年10月 刘书桂等:智能坐标测量系统中零件位姿自动识别
x d=x u(1+kR2)-1
y d=y u(1+kR2)-1
(19)
式中:x、y、z为点在摄像机坐标系中的坐标;x
u 、y
u
为理
想成像点的像面坐标;f为摄像机焦距;x
d 、y
d
为考虑径
向畸变时的实际坐标;k为畸变系数;R2=x2
u
+y2u.
2)像平面坐标系与计算机帧存坐标系
由像面坐标到帧存坐标的转换关系为
x d=s x d x(x f-C x)
y d=d y(x f-C y)
(20)
式中:(C
x
,C y)为镜头光学中心在计算机屏幕坐标系
下的图像中心坐标;d
x 和d
y
分别为CCD感光阵列的
水平和垂直像素间距;s
x
是水平方向上采集卡采样后的间距比例因子;它们的具体标定方法参见文献[16].
3)测头坐标系与视觉坐标系
由于不易保证摄像机在测量机z轴上的安装位置以及视觉坐标系与测头坐标系的完全重合,因此,测头坐标系与视觉坐标系之间存在着x、y、z方向的固定平移和绕3个轴的旋转关系.故它们之间的关系为
x p
y p
z p
=
cosγ
sinγ0
-sinγcosγ0
001
10
0cosβsinβ
0-sin
βcosβ
?
cosαsinα0
-sinαcosα0
001
x v
y v
z v
+
x1
y1
z1
(21)
式中:(x
p
,y p,z p)和(x v,y v,z v)分别为测头坐标系和视
觉坐标系内的坐标;x
1、y
1
、z
1
分别为视觉坐标系原点
相对于测头坐标系原点在测头坐标系3个坐标轴方向上的平移量;α、β、γ为测头坐标系相对于视觉坐标系的旋转欧拉角.它们的标定方法参见文献[17].
4)机器坐标系与测头坐标系
因机器坐标系与测头坐标系之间仅有平移关系,故可表示为
x c
y c
z c
=
x p
y p
z p
+
x pc
y pc
z pc
(22)
式中:(x
c
,y c,z c)为机器坐标系中的坐标;x pc、y pc、z pc为测头在机器系中的坐标.
5 实 验
为了验证此方法的正确性,将如图3所示零件任意放置在工作台上.启动三坐标测量机自动测量系统之后,首先由程序根据被测零件的CAD数据模型自动完成虚拟图像及其旋转、缩放图像的生成,经图像处理得到图像边缘矩不变量并用于神经网络的训练.同时,测量机自动按照如图4所示路线对工作台进行扫描,扫描过程中间断性地采集图像.当被测零件进入CCD 视野后,坐标测量机减速慢行
,带动CCD移动直至零件处于CCD的视场中部停止运动,此时,程序自动采集图像并进行位姿的自动识别,识别的结果如图5所示.从图5可以看出,
此方法能够正确地识别出被测零件的姿态、位置和方向.
图3 被测零件实物
F i g.3 Actua l i m age of the m ea sured parts
图4
测量机的自动扫描路径
F i g.4 Auto ma ti c scann i n g route of
m ea sur i n g mach i n e
图5 零件位姿自动识别结果
F i g.5 Auto ma ti c recogn iti on result for the positi on and
pose of the m ea sured parts
为进一步对此方法的精度进行评价,分别进行了算法的稳定性实验和系统测量精度实验.实验系统的实物如图6所示.
?
4
4
2
1
?天 津 大 学 学 报 第39卷 第10期
图6 精度评价实验系统实物
F i g.6 Photo of exper i m en t a l syste m for
prec isi on a ssess m en t
为验证算法稳定性,将标准球置于工作台上,并保持固定.采用手动方式测量实际球心坐标为(294.31, 367.45,247.39).
移动测量机使标准球成像于像平面的中部,保持测量机不动,每隔1m in对球心位置自动识别一次,共自动识别了10次,得到的球心位置如表2所示.10次自动识别的标准方差为0.08mm.
表2 稳定性实验数据
Tab.2 St ab ility test results
mm 次 数x y z 1294.28367.52247.40
2294.28367.53247.40
3294.28367.53247.40
4294.29367.52247.40
5294.29367.53247.40
6294.28367.52247.40
7294.28367.53247.40
8294.28367.53247.40
9294.28367.53247.40
10294.28367.53247.40
为了评价系统的测量精度,将标准球分别置于不同位置,用坐标测量机测出每次球心的实际位置,然后利用此方法得到球心的识别位置,进行的10次实验数据如表3所示,在10组数据中,最大空间定位误差为0.54mm.
从实验结果看出,此方法不仅能够正确识别出零件的放置姿态,而且在位置识别方面具有良好的精度,能充分满足智能坐标测量系统对位姿识别的要求.
表3 位置识别实验数据
Tab.3 Recogn iti on test results
mm
次数
实际测量球心坐标计算得到的球心坐标
x y z x y z 1231.62166.40247.37231.44166.77247.30 2167.24310.38247.38166.98310.61247.31 3292.67334.41247.38292.81334.14247.32 4447.62352.00247.39447.55352.24247.33 5418.77280.33247.37418.82279.98247.29 6297.95120.57247.37298.19120.27247.31 7318.11308.90247.37317.77309.30247.29 8427.11174.89247.38427.04174.99247.33 9394.30127.04247.37394.59126.94247.31 10340.29135.17247.39340.63134.99247.33
6 结 语
将机器视觉引入到三坐标测量机系统中,通过图像矩不变量并以BP神经网络作为分类器将零件的实际采集图像与虚拟图像进行匹配,实现了零件姿态的自动识别.实验结果表明:此方法能够满足智能坐标测量系统的需要,在零件位姿识别方面是智能且高效的.识别算法的重复精度小于0.1mm,识别系统的最大空间定位误差不大于0.6mm.它解决了智能三坐标测量机系统中自动建立零件坐标系所必须的零件位姿识别问题,同时也为其他智能规划工作提供了依据.
参考文献:
[1] 马新辉,张国雄,王建利,等.智能三坐标测量机中零件
位置自动识别系统[J].仪器仪表学报,2003,24(2):
165—170.
M a Xinhui,Zhang Guoxi ong,W ang J ianli,et al.Aut omatic
recogniti on for the positi on and orientati on of parts in intelli2
gent C MM s[J].Chinese Journal of Scientific Instrum ent,
2003,24(2):165—170(in Chinese).
[2] Ti m othy L Ruchtl,Ronald H B r own,Jeffrey J Garshlde.Es2
ti m ati on of artificial neural net w ork par menters for nonlinear
syste m identificati on[C]∥Proceedings of the31st Conference
on D ecision and Control.1992:2728—2733.
[3] Hu M K.V isual pattern recogniti on by moment invariants
[J].I RE T ransactions on Infor m ation Theory,1962(8):
179—187.
[4] Pi otr Gut,Leszek Ch m iele wski,Pa wel Kukol owicz,et al.
Edge2based r obust i m age registrati on f or incomp lete and part2
ly err oneous data[C]∥CA IP.W arsa w,2001:309—316.
?
5
4
2
1
?
2006年10月 刘书桂等:智能坐标测量系统中零件位姿自动识别
[5] Pandya A S,Macy R B.神经网络模式识别及其实现
[M].徐 勇,荆 涛,译.北京:电子工业出版社,1999.
Pandya A S,M acy R B.Pattern Recognition w ith N eural N et w orks in C++[M].Xu Yong,J ing Tao,Trans.Beijing:
Electr onics I ndustry Publishing House,1999(in Chinese).
[6] 孙长库,叶声华.激光测量技术[M].天津:天津大学出版
社,2001.
Sun Changku,Ye Shenghua.L aser M easuring Technique
[M].Tianjin:Tianjin University Press,2001(in Chinese). [7] 那永林,刘书桂,张国雄.智能坐标测量技术中工件可视
化的研究[J].天津大学学报,2003,36(4):482—485.
Na Yonglin,L iu Shugui,Zhang Guoxi ong.V isualizati on of workp ieces of intelligent C MM[J].Journals of T ianjin U niversity,2003,36(4):482—485(in Chinese).
[8] Pr okop R J,Reeves A P.A Survey of Moment2based Tech2
niques f or Unoccluded Object Rep resentati on and Recogni2 ti on[J].CVGIP,1992,54(5):438—460.
[9] 潘 泉,程咏梅,杜亚娟,等.离散不变矩算法及其在目标
识别中的应用[J].电子与信息学报,2003,24(1):30—
36.
Pan Quan,Cheng Yong mei,Du Yajuan,et al.D iscrete mo2 ment invariant algorith m and its app licati on on target
recogniti on[J].Journal of Electronics and Infor m ation Tech2 nology,2003,24(1):30—36(in Chinese).
[10]Wong Y R.Scene matching with invariant moments[J].Co m2
puter Graphics and I m age Processing,1978,8:16—24. [11]Christ opherM.N eural N et w orks for Pattern Recognition[M].
Oxford:Charendon Press,1997.
[12]Hornik K M,Stinchcombe M,W hite H.Multi2layer feed2for2
ward net w ork are universal app r oxi m at ors[J].N eural N et2 w orks,1989,2(5):593—611.
[13]李俊山,沈绪榜.图像匹配技术研究[J].微电子学与计算
机,2000,2:10—14.
L i Junshan,Shen Xubang.A study on matching i m age tech2 nol ogy[J].M icroelectronics and Co m puter,2000,2:10—14(in Chinese).
[14]王耀明.图像的矩函数———理论、算法及应用[M].上海:
华东理工大学出版社,2002.
W ang Yaom ing.I m age M o m ent Function—the Theory,A rith2 m etic and A pplication[M].Shanghai:East China University of Science and Technol ogy Press,2002(in Chinese).
[16]Lenz R K,Tsai R Y,Techniques f or calibrati on of the scale
fact or and i m age center for high accuracy3D machine visi on metr ol ogy[J].IEEE T ran on PAM I,1988,10(5):713—720.
[17]Tsai R Y.A versatile ca mera calibrati on technique for high
accuracy3D machine visi on metr ol ogy using of the shelf T V ca mera and lenses[J].IEEE Journal of A uto m ation,1987,3
(4):323—344.
?
6
4
2
1
?天 津 大 学 学 报 第39卷 第10期
智能感知人体识别
智能感知人体识别 摘要：先对在线视频信息处理降维，判断视频中是否有目标出现，进行视频信 息的存储或背景更新；然后对视频图像当前帧和背景帧差分检测和当前帧Canny 边缘检测，得到视频目标初始差分边缘模板目标检测、随目标在变化更新模板通过形状和色彩差异确认新目标的出现，进而识别分类。减少处理冗余信息的时间，提高视频目标检测识别效率。 关键词：信息处理降维；差分检测；Canny边缘检测；识别效率 0引言 目前生物识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。例如，一位储户走进了银行，他既没带银行卡，也没有回忆密码就径直提款，当他在提款机上提款时，一台摄像机对该用户的眼睛扫描，然后迅速而准确地完成了用户身份鉴定，办理完业务。这是美国德克萨斯州联合银行的一个营业部中发生的一个真实的镜头。而该营业部所使用的正是现代生物识别技术中的“虹膜识别系统”。此外，美国“9.11”事件后，反恐怖活动已成为各国政府的共识，加强机场的安全防务十分重要。美国维萨格公司的脸像识别技术在美国的两家机场大显神通，它能在拥挤的人群中挑出某一张面孔，判断他是不是通缉犯。 随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。 1、企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸识别防盗门等。 2、电子护照及身份证。这或许是未来规模最大的应用，国际民航组织(ICAO)已确定，从2010年起，其118个成员国家和地区，必须使用机读护照，人脸识别技术是首推识别模式，该规定已经成为国际标准。中国的电子护照计划公安部一所正在加紧规划和实施。 3、公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃犯。 4、自助服务。如银行的自动提款机，如果用户卡片和密码被盗，就会被他人冒取现金。如果同时应用人脸识别就会避免这种情况的发生。 5、信息安全。如计算机登录、电子政务和电子商务。在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者审批的授权都是靠密码来实现，如果密码被盗，就无法保证安全。但是使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一，从而大大增加电子商务和电子政务系统的可靠性。 计算机技术的广泛应用和数字图像技术的发展，数字视频检测和监控系统已经被应用于交通监控、银行系统和流水线产品检测等很多方面。传统的检测和监控是由人在主控室来操纵各路摄像机，或者是摄像机连续不断地工作，将拍摄到的图像视频信号存储起来供以后分析使用。这样就出现以下问题
智能安防监控系统方案
智能安防监控系统方案 一、系统要求 本系统全部安装在室外并要求达到以下功能： 1、对本地域的要点地区通过摄像机进行远距离观察，有异常时录 像。 2、对监控地域的围墙进行监控，防止非本地区人员从非正常渠道进 入本地区。 3、在房间内等地方设置双监探测器来探测已经进入的非法入侵人 员。 4、在发现非正常进入的人员后马上将告警上传至警卫值班室，并发 出声光报警信号提醒保安。 二、系统构成 根据以上系统要求，系统方案构成如图：
图1、系统方案 图中各器件名称及作用如下： 1、对射式红外报警器、双监探测器 对射式红外报警器属于主动式红外报警器，成对使用。其中一个发出红外光束，另一个接收红外线光束。当有物体将红外线光束遮蔽时报警器就产生告警。对射式红外报警器依据要监测的距离长短可以选用不同探测距离的型号，一般常用的有30m、60m、100m、150m几种。 双监探测器一方面通过被动接收人体红外线来产生告警，另一方面依靠自身主动发送的微波依靠多普勒效应探测移动的物体来产生告警，所以称为双监探测器。 2、数字硬盘录像机 数字硬盘录像机拥有视频录像，响应报警，遥控输出等功能。各红外对射报警器、双监探测器等的告警信号通过数字硬盘录像机的响应通知管理员已经发生告警，另外通过事先确定好的遥控关联功能来启动光电警报器，打开灯光并录像等功能。 3、警报器 警报器由报警主机控制发出声光告警信号，通知值班人员。 4、摄像机 摄像机用于采集现场视频图像，通过数字硬盘录像机后转换成数字信号再存储好硬盘上，同时数字化的视频图像、录像还可以通过计算机来观看和调用。摄像机根据不同的使用环境，不同的使用要求可以选配不同的种类，例如要求观察远距离的图像就需要大变焦倍数的望远型摄像机，如果要求夜晚也可以观察到图像可以选用有红外夜视功能的摄像机，在走廊等小范围地点可以使用成本较低固定的广角摄像机，在室外要使用带有防水密封的护罩来保护摄
(最新版)人体行为检测和识别毕业设计
本科生毕业设计（论文） 题目：人体行为检测与识别 姓名： 学号： 系别： 专业： 年级： 指导教师： 2015 年 4 月20日 独创性声明 本毕业设计（论文）是我个人在导师指导下完成的。文中引用他人研究成果的部分已在标注中说明；其他同志对本设计（论文）的启发和贡献均已在谢辞中体现；其它内容及成果为本人独立完成。特此声明。 论文作者签名：日期： 关于论文使用授权的说明 本人完全了解华侨大学厦门工学院有关保留、使用学位论文的规定，即：学院有权保留送交论文的印刷本、复印件和电子版本，允许论文被查阅和借阅；学院可以公布论文的全部或部分内容，可以采用影印、缩印、数字化或其他复制手段保存论文。保密的论文在解密后应遵守此规定。 论文作者签名：指导教师签名：日期：
人体行为检测与识别 摘要 人体行为检测与识别是当前研究的重点，具有很高的研究价值和广阔的应用前景。主要应用在型人机交互、运动分析、智能监控和虚拟现实也称灵境技术（VR)领域，对于研究人体检测和识别有着重要的意义。因为人的运动的复杂性和对外部环境的多变性，使得人们行为识别和检测具有一些挑战。对人类行为和检测的研究目前处于初级阶段，有待进一步研究和开发。 本文基于matlab人体行为识别和检测的研究，本文主要研究的是从图像中判断出目标处于何种行为，例如常见的走、坐、躺、跑、跳等行为的识别。从现有的很多主流研究成果来看，最常见的行为识别系统结构包括几个模块：目标检测、目标跟踪、行为识别。本文首先对图像进行判断是否有人体目标，识别出人体后对图像进行灰度化，在对灰度图像用背景差法与背景图像比对，最后，比对提取出的人体来判断人体处于何种行为。 关键词：matlab，肤色识别，行为检测
金融行业人脸识别智能监控系统方案
金融行业人脸识别智能监控系统方案 2010-08-03 目录 一、前言 (2) 1.1 安防体系概述 (2) 1.2 银行系统现状 (3) 1.3 科技介绍 (4) 1.4 系统框架 (4) 1.5 设计原则 (6) 二、智能识别监控系统 (6) 2.1 应用场合 (6) 2.2 系统功能 (7) 2.3 系统特点 (9) 2.4 系统结构与指标 (9) 三、A TM监控系统 (11) 3.1 背景 (11) 3.2 系统概述 (12) 3.3 系统架构 (12) 3.4 软件构成 (14) 3.5 实时监控 (15) 3.6 网络通讯 (17) 3.7 管理系统 (18) 3.8 面像分析处理 (18) 四、智能识别出入控制系统 (22) 4.1 概述 (22) 4.2 系统总体结构 (22) 4.3系统总体功能 (24) 五、大客户出纳身份鉴别系统 (26) 六、运钞车GPS定位系统（略） (27) 七、项目实施 (28) 八、结论 (29)
一、前言 我们可以对监控系统的发展作个归纳，目前的监控系统经历拉第一代模拟监控，第二代数字数字监控，正逐步过渡到第三代数字智能监控的过程。科技充分利用自己在面像识别领域的领先优势，结合人脸最显著的生物特征识别__人脸识别技术，率先推出的就是第三代的数字智能监控系统__智能监控系统，将是下一代监控系统发展的标志。 以银行为主的金融系统的安全防范具有典型的代表性，因此金融行业智能监控系统方案将着重从银行系统的具体应用出发。目前银行营业网点、库点是金融系统经济管理和安全技术防范的前沿阵地，其安全保障对社会与经济的影响都十分重大。特别是近年针对银行的犯罪屡屡见诸报端，手段也越来越多，更加隐蔽，技术性更高，对安防体系与破案手段的要求也越来越高。因此，为了加强银行系统营业网点的安全管理，各地银行都在逐步建设或完善安防体系，提高整体安全水平。 针对各地银行的自身现状，各地银行系统将对其所属总部及省、市网点安防系统进行改造，以使全行安防体系达到国内先进水平。据此，上海信宁科技有限公司结合自身技术与产品优势，向银行系统提供安防整体解决方案。 1.1 安防体系概述 广义的银行安防体系涉及许多方面，主要包括以下内容： ●营业网点安全： ?金库安全：防止内部人员作案，防止物理破坏作案；
基于骨骼数据的人体行为识别分析
基于骨骼数据的人体行为识别 摘要 人体动作姿态识别是计算机视觉研究领域中最具挑战的研究方向，是当前的研究热点。对人体动作姿态进行自动识别将带来一种全新的交互方式，通过身体语言即人体的姿态和动作来传达用户的意思，如在机场、工厂等喧闹的环境下，采用手势、动作姿态识别等人机交互技术能够提供比语音识别更加准确的信息输入。总之，在智能监控、虚拟现实、感知用户接口以及基于内容的视频检索等领域，人体动作姿态的识别均具有广泛的应用前景。该文首先简单介绍了人体动作姿态序列的分割，然后对人体动作姿态识别的方法进行了分类介绍，并对一些典型的算法的研究进展情况及其优缺点进行了重点介绍。 关键词：人体动作姿态识别; 人工智能; 隐马尔可夫模型; 动态贝叶斯网络; 模板匹配前言 人体姿态识别是计算机视觉的一个重要研究方向，它最终目的是输出人的整体或者局部肢体的结构参数，如人体轮廓、头部的位置与朝向、人体关节点的位置或者部位类别。姿态识别的研究方法应该说，几乎涵盖了计算机视觉领域所有理论与技术，像模式识别、机器学习、人工智能、图像图形、统计学等。到目前为止，已经有众多识别方法被提出，并且也取得了许多重要的阶段性的研究成果，但是以往的方法都是基于普通光学图像，比如常见的RGB 图像，这类图像容易受光照、阴影等外界变化的影响，尤其在环境黑暗的情况下无法来识别人体姿态，并且由于人体关节自由度大，及人的体型、着装较大差异性，常导致姿态识别系统识别率低。尽管有研究者利用多个摄像机获取采集的图像来获取人体深度信息以克服以上问题[1]，但是该类方法恢复的深度信息不是唯一的，而且计算量非常大，尤其是这种方法要求事先用人工对传感设备进行标定，而在选取场景中的标定物时，往往又会遇到实际环境操作困难的问题。 随着光电技术的快速发展，深度传感设备的成本逐渐降低，人们获取深图像的途径及方法也越来越多。该方向的研究也逐渐成为计算机视觉领域的研究趋势。具体原因包括：一方面，深度传感设备不仅操作简单，并且极大简化了普通摄像机的标定过程；另一方面，得到的深度图像由于直接包含了人体的深度信息，能够有效的克服普通光学图像遇到的上述问题。到目前为止，较有影响力的基于该类图像的人体姿态识别算法，应该是 Shotton 等人利用一种深度传感器 Kinect 来实时捕捉人体运动的算法，该算法虽然能够满足人们对识别系统实时性的要求，但其对硬件要求特别高，并且不适合低分辨率图像中的人体关节点提取，容易导致人体骨架扭曲。下文将具体陈述人体运动分析的主要用途和前人在不同时期对这些难题的处理办法。 主题 基于计算机视觉的人体运动分析不仅在智能监控、人机交互、虚拟现实和基于内容的视频检索等方面有着广泛的应用前景，更是成为了未来研究的前瞻性方向之一。Gavrila 总结了它的一些主要应用领域[2,3,4]，下面据此对其典型应用做出进一步的介绍。 智能监控(Smart Surveillance) 所谓“智能监控”是指监控系统能够监视一定场景中人的活动，并对其行为行分析和识别，跟踪其中的可疑行为(例如在一些重要地点经常徘徊或者人流密集的场合下突发的人群拥挤等状况)从而采取相应的报警措施。智能监控系统应用最多的场合来自于那些对安全
第7章模具零件常用的测量工具
第7章模具零件常用的测量工具 7.1模具零件加工的技术要求和测量技术 对于冲压模、塑料模、锻模、以及金属压铸模，他们在结构上存在较大的差异，而且各类模具的使用功能和装配状态也不一样，精度要求自然也不同。所以各类模具的技术标准都有针对性地制定了相应的模具零件的技术要求、模具的装配要求。有关技术要求的标准参见相应的模具标准。 对模具的检验可划分为对成形零件的检验和模架的检验，也可以按工作型面尺寸检测、非型面尺寸检测来划分。在有的企业中，把模具零件的精度分类进行质量管理，如一类、二类、三类尺寸来划分。它的划分依据是对这些零件尺寸对模具成形产品的质量影响大小而定。 模具制造中的测量技术除采用一般几何量测量工具和测量仪测量各种长度、高度、深度、形状位置误差、表面粗糙度、角度、螺纹等误差外，还包括使用计算机扫描等先进测量技术检测复杂曲面形状。在测量方法上除对模具零件直接测量外，还广泛采用间接测量方法。 测量和检测在计量上是有严格区别的，在模具检验的过程中，由于无法直接测出实物的数据往往会借助测量手段实现。一般可以简单的认为：检测是在已知理论数据的情况下与实物的测量数据比较，可以判断数据超差与否、工件是否合格；而测量是事先对测量物体的尺寸、形位公差等并不知道的情况下，进行实测，得到数据，而这个过程本身并不判断工件的合格与否。 7.1.1模具检验常用的样板 1.样板的分类 1）按照用途有下料样板、加工样板、装配划线样板和装配角度样板等。在模具制造中，用的最多的是加工样板。 2）按照空间形状有平面样板、立体样板(样箱)。中小型冲压模、塑料模、压铸模一般都使用平面样板，但在汽车覆盖件冲压模具领域会用到立体样板，也称作样箱。 3）按制作样板的材料有木材、扁铁、薄铁皮、油毡和纸板等。一般模具制造中使用的样板都是薄铁板。对这种钢板要求：淬火变形小，耐磨。而在汽车覆盖件模具会用到树脂、木材等作为样板，木质样板是按照展开的构件实际形状用木板条(或夹板)钉制而成。 常用的加工样板大都是根据模具零件的一些特殊的截面，由钳工或线切割等工艺方法将薄钢板做成相应截面形状，再经淬火和研磨而成。 轮廓样板，按零件内部轮廓尺寸制造，允许负的偏差。断面轮廓特殊部位形状样板，一般按最大极限尺寸制造，作为特殊形状的验规。 2.样板的应用 1）用塞尺或透光目测法检查样板与型腔表面的间隙，如检验精度要求不高（公差值＞±0.05mm）的锻模模膛形状。 2）对于大、中型弯曲模的凸、凹模工作表面的曲线和拆线，几何形状和尺寸精度要求较高时，需要用样板及样件控制。 3）加工一些回转体的模具零件（如车削），其形状和尺寸可由样板检验，用样板的基面靠零件基面来检查成形表面正确与否。相当于样板作为一条母线，判断回转体是否合格。
智能体温人体检测系统解决方案
基于工控机智能体温人体检测系统解决方案 应用背景 随着全国各地防疫措施的迅速落实到位，企业复工、学校开学、园区景区开放，伴随着人员流动增大的状况，单一的测温系统很难满足城市、车站、社区、企业在控制人员出入等方面的需求。人员流动性大、聚集性高、疫情防控不得有任何放松，疫情防控测温是重重之重，对于人员密集的进出口采用手持设备检测效率低，容易交叉传播的问题亟待解决。 方案设计 人脸识别、体温检测、门禁一体机解决方案——具备实时精准测体温、佩戴口罩识别、预警和追踪高危人群等功能，可在园区、办公室、商场、地铁站、机场等人群密集的公共场所快速部署，以无接触的方式，随时掌控高危人群动态，用科技化的手段助力疫情防控。 总体架构 由人体测温设备、监测专网和疫情防控平台组成。 人体测温设备：采集人体温度、视频和抓拍图像 监测专网：采用专线构建疫情监测专网，确保疫情数据高速、可靠、安全传输。 疫情防控平台：提供视频监控、体温监测、口罩识别、人脸识别、疫情预警和趋势分析等功能，提供现场实时告警以及向管理人员推送预警信息以便疫情及时处理，同时提供接口，可向疫情监管平台上报疫情数据。
主要功能 视频监控：接入前端红外摄像头可见光视频，实现实时视频查看、历史视频回看及抓拍图片浏览等功能（图） 精准测温、多点筛查：精准的单点&多点高温智能追踪报警，快速找出比个追踪发热人群，自动报警，集红外与可见光于一体，监控效果极佳。 口罩监测：基于神经网络构建口罩穿戴检测算法，利用红外热成像摄机采集现场人员视频图像，通过深度学习算法检测口罩穿戴情况，系统将实时发出警告信息，同步推送告警消息给监督/安保人员进行处理。 人脸识别：针对未穿戴口罩人员面部画像，利用疫情防控平台进行人脸识别，锁定人员信息，进行精准管控。 疫情预警：利用疫情防控平台的疫情预警功能，将监测现场体温异常、未穿戴口罩的情况实时推送到现场、远端的监控中心和监管人员手机客户端，以便疫情的及时发现和处置。 趋势分析：构建面向疫情一张图应用，对疫情情况进行数据统计分析，多维度、多层次呈现办公场所和社区防疫画像，辅助防疫决策。
人体行为识别技术
人体行为识别技术 在计算机视觉领域中，人体运动行为识别是一个被广泛关注的热点问题，在智能监控、机器人、人机交互、虚拟现实，智能家居，智能安防，运动员辅助训练等方面有巨大应用价值。行为识别问题一般遵从如下基本过程：数据图像预处理，运动人体检测、运动特征提取、特征训练与分类、行为识别。着重从这几方面逐一回顾了近年来人体行为识别的发展现状和常有方法。并对当前该研究方向上待解决的问题和未来趋势做了分析。行为理解可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的参考序列进行匹配。通过对大量行为理解研究文献的整理发现：人行为理解研究一般遵从特征提取与运动表征、行为识别、高层行为与场景理解等几个基本过程。 特征提取与运动表征是在对目标检测、分类和跟踪等底层和中层处理的基础上，从目标的运动信息中提取目标图像特征并用来表征目标运动状态；行为识别则是将输入序列中提取的运动特征与参考序列进行匹配，判断当前的动作处于哪种行为模型；高层行为与场景理解是结合行为发生的场景信息和相关领域知识，识别复杂行为，实现对事件和场景的理解。【2】 1、行为识别的应用 从应用领域的分类来讲，可以将人体运动分析的应用分成如下几个领域： ①智能监控 这里所指的“智能”包含两个方面的含义。一种“智能”是指系统能够在一定的场景中检测是否有人的出现(如通过检测人脸的方法)防止只是简单的通过 运动目标检测所造成的错误报警(例如因为动物活动或者刮风摇动树枝等等而造
成误报)。另外一种“智能”是指系统能够监视一定场所中人的活动，并对其行为进行分析和识别，跟踪可疑行为(如经常在重要地点徘徊等等行为)从而采取相应的报警措施。通常把报警系统设置于银行、机场、车站、码头、超市、办公大楼、住宅小区等地，以实现对这些场所的智能监控。 ②虚拟现实 跟踪现实世界人的姿态，从而创建一个虚拟的仿真场景，实现人与这个虚拟世界的交互。该领域的具体应用涉及视频游戏、虚拟摄影棚、计算机动画等方面。 ③高级用户接口 指可以通过对用户手势的识别来代替传统的鼠标和键盘输入，从而实现人与计算机之间的智能交互。此外，通过对手势语言的理解，还可以进行聋人与计算机之间的手语交流。 ④运动分析 人体运动分析可以运用于基于容的视频检索领域。例如可以检索在运动会上单杠比赛中运动员的杠上动作。这样可以节省用户大量的查询视频资料的时间和精力。另外一种应用是用于各种体育项目中，提取运动员的各项技术参数(如关节位置、角度和角速度，等等)，通过分析这些信息，可以为运动员的训练提供指导和建议，有助于提高运动员的训练水平。此外，还可以用于体育舞蹈动作的分析，以及临床矫形术的研究等领域。 ⑤基于模型的视频编码 通过提取一定的静态场景中人物的形态特征参数和3D姿态参数，以较低的数据量对视频数据流加以描述，实现视频数据的压缩和低比特率传送。可以用于在因特网上展开远程视频会议以及VOD（Video-On-Demand）视频点播。
基于视频序列的人体动作识别
密级：学校代码：10075 分类号：学号：20081194 工学硕士学位论文 基于视频序列的人体动作识别 学位申请人：刘涛 指导教师：张欣教授 学位类别：工学硕士 学科专业：电路与系统 授予单位：河北大学 答辩日期：二○一三年六月
Classified Index: CODE: 10075 U.D.C.: NO: 20081194 A Dissertation for the Degree of Master Human Action Recognition Based on Video Sequences Candidate：Liu Tao Supervisor：Prof. Zhang Xin Academic Degree Applied for：Master of Engineering Specialty：Circuits and Systems University：Hebei University Date of Oral Examination：June, 2013
河北大学 学位论文独创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得河北大学或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了致谢。 作者签名：日期：年月日 学位论文使用授权声明 本人完全了解河北大学有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。 本学位论文属于 1、保密□，在年月日解密后适用本授权声明。 2、不保密□。 （请在以上相应方格内打“√”）
人体行为识别技术讲解学习
人体行为识别技术
人体行为识别技术 在计算机视觉领域中，人体运动行为识别是一个被广泛关注的热点问题，在智能监控、机器人、人机交互、虚拟现实，智能家居，智能安防，运动员辅助训练等方面有巨大应用价值。行为识别问题一般遵从如下基本过程：数据图像预处理，运动人体检测、运动特征提取、特征训练与分类、行为识别。着重从这几方面逐一回顾了近年来人体行为识别的发展现状和常有方法。并对当前该研究方向上待解决的问题和未来趋势做了分析。行为理解可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的参考序列进行匹配。通过对大量行为理解研究文献的整理发现：人行为理解研究一般遵从特征提取与运动表征、行为识别、高层行为与场景理解等几个基本过程。 特征提取与运动表征是在对目标检测、分类和跟踪等底层和中层处理的基础上，从目标的运动信息中提取目标图像特征并用来表征目标运动状态；行为识别则是将输入序列中提取的运动特征与参考序列进行匹配，判断当前的动作处于哪种行为模型；高层行为与场景理解是结合行为发生的场景信息和相关领域知识，识别复杂行为，实现对事件和场景的理解。【2】 1、行为识别的应用 从应用领域的分类来讲，可以将人体运动分析的应用分成如下几个领域： ①智能监控 这里所指的“智能”包含两个方面的含义。一种“智能”是指系统能够在一定的场景中检测是否有人的出现(如通过检测人脸的方法)防止只是简单的通过运动目标检测所造成的错误报警(例如因为动物活动或者刮风摇动树枝等等而造成误报)。另外一种“智能”是指系统能够监视一定场所中人的活动，并对其行为进行分析和识别，跟踪可疑行为(如经常在重要地点徘徊等等行为)从而采取相应的报警措施。通常把报警系统设置于银行、机场、车站、码头、超市、办公大楼、住宅小区等地，以实现对这些场所的智能监控。 ②虚拟现实 跟踪现实世界人的姿态，从而创建一个虚拟的仿真场景，实现人与这个虚拟世界的交互。该领域的具体应用涉及视频游戏、虚拟摄影棚、计算机动画等方面。 ③高级用户接口 指可以通过对用户手势的识别来代替传统的鼠标和键盘输入，从而实现人与计算机之间的智能交互。此外，通过对手势语言的理解，还可以进行聋人与计算机之间的手语交流。 ④运动分析 人体运动分析可以运用于基于内容的视频检索领域。例如可以检索在运动会上单杠比赛中运动员的杠上动作。这样可以节省用户大量的查询视频资料的
人体识别智能监控系统
人体识别智能监控系统 上传时间： 2003-12-12 20:53:06 作者：吴瑜 浅析人脸识别技术 摘要：在我们的项目人体识别智能监控系统中，虽然预期目标只需实现人体的检测的定位。但是，最终目的是要根据所定位的人体进行人脸识别。这样不但增强了系统的抗干扰性，提高了正确预警率，还增强了系统的实用性。本文总结了近年来的人脸识别技术的发展情况，分析其实现途径和技术难点。 关键词：人脸识别，定位，检测 人脸识别就是对于输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息，并依据这些信息，进一步提取每个人脸中所蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每个人脸的身份。人脸识别的过程可以分为以下三个部分： 1、人脸检测：判断输入图像中是否存在人脸，如果有，给出每个人脸的位置，大小； 2、面部特征定位：对找到的每个人脸，检测其主要器官的位置和形状等信息； 3、人脸比对：根据面部特征定位的结果，与库中人脸对比，判断该人脸的身份信息； 从应用的角度，人脸识别包括两大类： 1、人脸身份识别：即根据人脸图像识别出人物的身份，解决是谁的问题； 2、人脸身份确认/验证：判断图像中的人脸是否是指定的人，即解决是不是某人的问题； 人脸识别技术具有广泛的应用前景，在国家安全、军事安全和公共安全领域，智能门禁、智能视频监控、公安布控、海关身份验证、司机驾照验证等是典型的应用；在民事和经济领域，各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证，社会保险人的身份验证等具有重要的应用价值；在家庭娱乐等领域，人脸识别也具有一些有趣有益的应用，比如能够识别主人身份的智能玩具、家政机器人，具有真实面像的虚拟游戏玩家等等。 下面我就对以上技术作详细的介绍。 1、人脸检测与跟踪技术 显然，要识别图像中出现的人脸，首要的一点就是要找到人脸。人脸检测与跟踪研究的就是如何从静态图片或者视频序列中找出人脸，如果存在人脸，则输出人脸的数目、每个人脸的位置及其大小。人脸跟踪就是要在检测到人脸的基础上，在后续的人脸图像中继续捕获人脸的位置及其大小等性质。人脸检测是人脸身份识别的前期工作。同时，人脸检测作为完整的单独功能模块，在智能视频监控、视频检索和视频内容组织等方面有直接的应用。 一种可实现的在复杂背景下的人脸检测与跟踪系统，可采用模板匹配、特征子脸、彩色信息等人脸检测技术，能够检测平面内旋转的人脸，并可以跟踪任意姿态的运动的人脸。该技术简述如下:它是一个两级结构的算法，对于扫描窗口，首先和人脸模板进行匹配，如果匹配，那么将其投影到人脸子空间，由特征子脸技术判断是否为人脸。模板匹配的方法是：按照人脸特征，将人脸图像划分成14个不同区域，用每个区域的灰度统计值表示该区域，用整个样本的灰度平均值归一化，从而得到用特征向量表示的人脸模板。通过非监督学习的方法对训练样本聚类，得到参考模板族。将测试图像的模板与参考模板在某种距离测度下匹配，通过阈值判断匹配程度。特征子脸技术的基本思想是：从统计的观点，寻找人
自然的人体动作识别
自然的人体动作识别 黄飞跃徐光祐 清华大学计算机科学与技术系，普适计算教育部重点实验室，北京，100084 摘 要：人体动作识别是计算机视觉的一个重要研究课题。目前大多数动作识别的研究都 假设是在特定受限的场景下，即特定的视角、位置、对象、背景和光照条件下工作。其中， 尤以要求特定的视角和位置对实际应用的限制最为严重。本文致力于研究能处理视角和位 置变化并可用于非特定对象的人体动作识别方法。我们把它称为自然的人体动作识别方法。 为此我们提出了"包容形状"的人体表示，这种表示不受视角、位置的变化影响，充分利用了 两个正交摄像机拍摄的轮廓信息以去除由人的身体旋转引起的影响。利用包容形状，我们 取得了非特定人、任意视角下的自然人体动作识别较好的实验结果。同时我们也介绍了该 识别方法在实际智能家居——老人看护系统中的应用。 关键词：自然动作识别；包容形状 1．引言 人体动作识别是计算机视觉里一个活跃的研究方向，有不少综述，力图把以前的相关研究方法进行总结和分类，比如[1], [2], [3], [4]。至今为止，关于动作识别的大多数研究工作都是在特定受限的场景下展开，比如特定的视角、动作人、背景和光照。在这之中，尤以视角和位置的限制最为突出。我们认为要实现自然场景下的动作识别，就必须消除应用条件中的这些限制。为此，我们在这篇论文中，重点研究了动作识别中与视角和位置无关的体态表示，以实现非特定人、任意视角下的自然人体动作识别。 现阶段已经开展了不少视角无关的动作识别研究工作，比如Cen Rao [5]，Vasu Parameswaran[6]。但是还有很多问题亟待解决，大多数的方法依赖鲁棒的语义特征点检测或者是点对应，而这些是比较难实现的。 在本文中，我们提出使用了一种“包容形状”的体态表示。在仿射摄像机投影模型的假设下，这种表示对于视角和位置的变化具有不敏感性，同时不需要依靠任何较难提取并且对误差很敏感的语义点检测和点对应。利用这种表示，我们开发了自己的动作识别系统并且把它部署到实际应用：智能家居—老人看护系统中。实验结果表明我们的系统对于非特定人、任意视角和位置下的自然动作有着很理想的识别能力。 资助项目：国家自然科学基金资助项目（60673189，60433030） 联系作者：黄飞跃， Email：hfy01@https://www.wendangku.net/doc/033221683.html,
常用长度尺寸测量工具介绍
测量长度尺寸的常用量具
以下是测量长度尺寸的常用量具： 一、游标量具的种类 1、游标卡尺结构
2、游标卡尺的刻线原理 如图所示，主尺每小格1mm，当两爪合并时，游标上的50格刚好等于主尺上的49mm， 则游标每格间距=49mm÷50=0.98mm 主尺每格间距与游标每格间距相差=1-0.98=0.02(mm) 0.02mm即为此种游标卡尺的最小读数值 3、卡尺的使用方法 1)使用前先把量爪和被测零件表面擦净。 2)检查各部件的相互作用,拉动尺框沿尺身移动,检查其移动是否灵活,有 无阻滞或卡死现象,紧固螺钉是能否起作用。 3)校对零位,使卡尺两量爪紧密贴合,检查主尺零线与游标尺零线应对齐, 数显卡尺是否归零，带表卡尺指针是否处于“0”位置。 4)用三用卡尺测量深度时,卡尺的深度尺应垂直放好,不要前后左右倾斜, 卡尺端面应与被测零件的顶面贴合,测深尺应与被测底面接触。 5)读数时,视线应与刻线相垂直。 6)不能用卡尺测量运动着的工件。 7)卡尺不要放在强磁场附近。 8)卡尺使用完后,应擦净放在量具盒内。 4、游标卡尺的读数 1)以游标零刻线位置为准，在主尺上读取整毫米数． 2)看游标上哪条刻线与主尺上的某一刻线（不用管是第几条刻线）对齐，由游
标上读出毫米以下的小数． 3)总的读数为毫米整数加上毫米小数. 用游标卡尺测量两孔的中心距有两种方法： 一种是先用游标卡尺分别量出两孔的内径D1和D2，再量出两孔内表面之间的最 大距离A，如图2-13所示，则两孔的中心距： 另一种测量方法，也是先分别量出两孔的内径D1和D2，然后用刀口形量爪量出两孔内表面之间的最小距离B，则两孔的中心距： 二、测微螺旋量具 1、定义：应用螺旋测微原理制成的量具，称为螺旋测微量具。 它们的测量精度比游标卡尺高，并且测量比较灵活，因此，当加工精度要求较高时多被应用。 常用的螺旋读数量具有百分尺和千分尺。百分尺的读数值为0.01mm 千分尺的读数值为0.001mm,工厂习惯上把百分尺和千分尺统称为百分尺 或分厘卡，目前车间里大量用的是读数值为0.01mm的百分尺。百分尺的种类很
常用的机械测量工具
一、测量器具的分类 测量器具是一种具有固定形态、用以复现或提供一个或多个已知量值的器具。按用途的不同量具可分为以下几类： 1、单值量具 只能体现一个单一量值的量具。可用来校对和调整其它测量器具或作为标准量与被测量直接进行比较，如量块、角度量块等。 2、多值量具 可体现一组同类量值的量具。同样能校对和调整其它测量器具或作为标准量与被测量直接进行比较，如线纹尺。 3、专用量具 专门用来检验某种特定参数的量具。常见的有：检验光滑圆柱孔或轴的光滑极限量规，判断内螺纹或外螺纹合格性的螺纹量规，判断复杂形状的表面轮廓合格性的检验样板，用模拟装配通过性来检验装配精度的功能量规等等。 4、通用量具 我国习惯上将结构比较简单的测量仪器称为通用量具。如游标卡尺、外径千分尺、百分表等。 二、测量器具的技术性能指标 1. 量具的标称值
标注在量具上用以标明其特性或指导其使用的量值。如标在量块上的尺寸，标在刻线 尺上的尺寸，标在角度量块上的角度等。 2. 分度值 测量器具的标尺上，相邻两刻线（最小单位量值）所代表的量值之差。如一外径千分 尺的微分筒上相邻两刻线所代表的量值之差为0.01mm，则该测量器具的分度值为0.01mm。分度值是一种测量器具所能直接读出的最小单位量值，它反映了读数精度 的高低，也说明了该测量器具的测量精度高低。 3. 测量范围 在允许不确定度内，测量器具所能测量的被测量值的下限值至上限值的范围。例如， 外径千分尺的测量范围有0～25mm、25～50mm等，机械式比较仪的测量范围为0～180mm。 4. 测量力 在接触式测量过程中，测量器具测头与被测量面间的接触压力。测量力太大会引起弹 性变形，测量力太小会影响接触的稳定性。 5. 示值误差 测量仪器的示值与被测量的真值之差。示值误差是测量仪器本身各种误差的综合反映。因此，仪器示值范围内的不同工作点，示值误差是不相同的。一般可用适当精度的量 块或其它计量标准器，来检定测量器具的示值误差。三、测量工具的选定 每次测量前，需要根据被测零件的特殊特性选择测量工具，比如，长、宽、高、深、外径、段差等可选用卡尺、高度尺、千分尺、深度尺；轴类直径可选用千分尺、卡尺；孔、槽类可选用塞规、块规、塞尺；测量零件的直角度选用直角尺；测量R值选用R规；测量配合公差小，精度要求高或要求计算形位公差时可选用三次元、二次元；测量钢材硬度选用硬度计。 1. 卡尺的应用 卡尺可测量物体的内径、外径、长度、宽度、厚度、段差、高度、深度；卡尺是最常用、使用最方便的量具，在加工现场使用频率最高的量具。 数显卡尺：分辩力0.01mm，用于配合公差小（精度高）的尺寸测量。
智能视频分析技术
1.项目需求 随着社会的不断进步和经济建设的迅速发展，人们的安全防范意识在不断加强，视频监控系统也就越来越多的应用于各个行业和方面。在视频监控领域中，数字化、网络化、智能化是一种发展趋势。 现有传统的视频监控系统采用的是被动的解决方案，系统只是负责现场视频采集、信息视频传输和视频显示，硬盘录像机（DVR）主要是对视频信息进行数字化存储和传输实时视频流给远程监控端，都需要通过值班人员实时查看众多视频信息来发现现场问题。人们希望视频监控系统能像眼睛一样时刻保持警戒，但由于视频太多而监控人员有限，且长时间盯着监视画面容易疲劳而导致疏忽，监控人员根本无力监看成百上千路摄像头的视频信息，从而可能漏掉潜在的威胁事件，造成重大事故。而智能视频监控设备就可以解决以上这些人为因素，可以长时间有效的监督视频画面，因此，智能化是视频监控的必然趋势。 智能视频监控是以数字化、网络化视频监控为基础，但又有别于一般的网络化视频监控，它是一种更高端的视频监控应用。智能视频监控系统能够自动识别不同的物体，发现监控画面中的异常情况，并能够以最快和最佳的方式发出警报和提供有用信息，从而能够更加有效的协助安全人员处理危机，并最大限度的降低误报和漏报现象。 看守所智能视频监控系统应满足如下需求： 1)重要场所无视频监控死角；实现智能分析的点位需要摄像机参数、部署角度和 高度符合一定标准。 2)围墙周界：在看守所围墙外侧或内侧一米到三米处，24小时不隔断实时监控， 只要有人进入防区、或者是遗留物品，马上报警； 3)监舍：监舍是监控的重点，24小时不间断实时监控，一旦有发生打架斗殴事件、 在夜间（或者规定时间）随意离开自己的床位（包括上厕所）或聚众，系统即时报警，监控中心管理人员可以给予关注以防止事态不可控制； 4)出入口：24小时不间断实时监控，在没有得到授权或者允许的情况下靠近出入 口或者在出入口附近遗留物品时，系统即时报警，监控中心管理人员可以呼叫相应人员前去处理；同时在进监舍的出入口或者其它相应的地方实现人数统计，以便管理人员及时得知是否有犯人没有返回； 5)军械财务器材室等重要场所：系统能够识别出物品被盗并告警；
常用零件测量工具
一、游标卡尺 (1) 二、高度尺 (3) 三、深度尺 (4) 四、千分尺 (4) 五、百分表 (6) 六、千分表 (8) 七、内径百分表 (10) 八、表面粗糙度样块 (13) 九、光切显微镜 (13) 十、干涉显微镜 (13) 十^一、圆度仪 (13) 十二、圆柱度测量仪 (16) 十三、齿轮综合检查仪 (18) 十四、渐开线测量仪 (18) 十五、螺纹测量工具 (19) 十六、三坐标测量仪 (20) 十八、正弦规 (22) 十九、 ................... 错误!未定义书签。 一、游标卡尺 游标卡尺是一种测量长度、内外径、深度的量具。游标卡尺由主尺和附在主尺上能滑动的游标两部分构成。 游标卡尺的主尺和游标上有两副活动量爪，分别是内测量爪和外测量爪，内测量爪通常用来测量内径，外测量爪通常用来测量长度和外径。 组成机构 游标卡尺是精密的长度测量仪器，常见的机械游标卡尺如图所示。 它的量程为0~110mm分度值为0.1mm, 由内测量爪、外测量爪、紧固螺钉、微调装置、主尺、游标尺、深度尺组成。 卡尺原理 是利用主尺上的刻线间距（简称线距）和游标尺上的线距之差来读出小数部分，例如：主尺上的线距为1 毫 米，游标尺上有10格，其线距为0.9毫米。当两者的零刻线相重合，若游标尺移动0.1毫米，则它的第1根刻 线与主尺的第1根刻线重合；若游标尺移动0.2毫米，则它的第2根刻线与主尺的第2根刻线重合。依此类推，可从游标尺与主尺
上刻线重合处读出量值的小数部分。主尺与游标尺线距的差值0.1毫米就是游标卡尺的最小读数值。同理，若它们的线距的差值为0.05毫米或0.02毫米（游标尺上分别有20格或50格），则其最小读数值
人体行为识别技术
在计算机视觉领域中，人体运动行为识别是一个被广泛关注的热点问题，在智能监控、机器人、人机交互、虚拟现实，智能家居，智能安防，运动员辅助训练等方面有巨大应用价值。行为识别问题一般遵从如下基本过程：数据图像预处理，运动人体检测、运动特征提取、特征训练与分类、行为识别。着重从这几方面逐一回顾了近年来人体行为识别的发展现状和常有方法。并对当前该研究方向上待解决的问题和未来趋势做了分析。行为理解可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的参考序列进行匹配。通过对大量行为理解研究文献的整理发现：人行为理解研究一般遵从特征提取与运动表征、行为识别、高层行为与场景理解等几个基本过程。 特征提取与运动表征是在对目标检测、分类和跟踪等底层和中层处理的基础上，从目标的运动信息中提取目标图像特征并用来表征目标运动状态；行为识别则是将输入序列中提取的运动特征与参考序列进行匹配，判断当前的动作处于哪种行为模型；高层行为与场景理解是结合行为发生的场景信息和相关领域知识，识别复杂行为，实现对事件和场景的理解。【2】 1、行为识别的应用 从应用领域的分类来讲，可以将人体运动分析的应用分成如下几个领域： ①智能监控 这里所指的“智能”包含两个方面的含义。一种“智能”是指系统能够在一定的场景中检测是否有人的出现(如通过检测人脸的方法)防止只是简单的通过运动目标检测所造成的错误报警(例如因为动物活动或者刮风摇动树枝等等而造成误报)。另外一种“智能”是指系统能够监视一定场所中人的活动，并对其行为进行分析和识别，跟踪可疑行为(如经常在重要地点徘徊等等行为)从而采取相应的报警措施。通常把报警系统设置于银行、机场、车站、码头、超市、办公大楼、住宅小区等地，以实现对这些场所的智能监控。 ②虚拟现实 跟踪现实世界人的姿态，从而创建一个虚拟的仿真场景，实现人与这个虚拟世界的交互。该领域的具体应用涉及视频游戏、虚拟摄影棚、计算机动画等方面。 ③高级用户接口 指可以通过对用户手势的识别来代替传统的鼠标和键盘输入，从而实现人与计算机之间的智能交互。此外，通过对手势语言的理解，还可以进行聋人与计算机之间的手语交流。 ④运动分析 人体运动分析可以运用于基于内容的视频检索领域。例如可以检索在运动会上单杠比赛中运动员的杠上动作。这样可以节省用户大量的查询视频资料的时间和精力。另外一种应用是用于各种体育项目中，提取运动员的各项技术参数(如关节位置、角度和角速度，等等)，通过分析这些信息，可以为运动员的训练提
常用的测量工具有哪些
https://www.wendangku.net/doc/033221683.html, 常用的测量工具有哪些 测量工具：是具有固定形态,可直接复现或提供给定量的一个或多个已知量值的计量器具。量具可分为：(1)单值量具(2)多值量具(3)成套量具。如:直尺、线纹尺、砝码、量块等。 常用测量工具介绍 1 钢直尺、内外卡钳及塞尺 钢直尺是基本的长度量具，它的长度有 150，300，500 和1000mm 内外卡钳是基本的比较量具，外卡钳是用来测量外径和平面的，内卡钳是 用来测量内径和凹槽的。测量零件直径或孔的尺寸，可以利用钢直尺和内外卡 钳配合起来进行。 塞尺测量时，根据结合面间隙的大小，用一片或数片重迭在一起塞进间隙内。例如用0.03mm的一片能插入间隙，而0.04mm的一片不能插入间隙，这说 明间隙在0.03～0.04mm之间，所以塞尺也是一种界限量规。 2 游标卡尺 （1）握尺方法：用手握住主尺，四个手指抓紧，大姆指按在游标尺的右下侧半圆轮上，并用大姆指轻轻移动游标使活动量爪能卡紧被测物体，略旋紧固定螺钉，再进行读数。 （2）游标卡尺--读数规则及读数公式 从游标尺的零刻度线对准的主尺位置，读出主尺毫米刻度值（取整毫米为 整数X） 找出游标尺的第几(n)刻线和主尺上某一刻线对齐，则游标读数为：n×精 度（精度由游标尺的分度决定） 精密量仪测量工具传感器游标卡尺
https://www.wendangku.net/doc/033221683.html, 总测量长度为：L＝X＋n×精度 3 螺旋测微量具 应用螺旋测微原理制成的量具，称为螺旋测微量具。它们的测量精度比游 标卡尺高，并且测量比较灵活，常用的螺旋读数量具有百分尺和千分尺。百分 尺的读数值为0.01mm，千分尺的读数值为0.001mm。习惯上把百分尺和千分尺 统称为百分尺或分厘卡。 4 百分表 百分表和千分表，都是用来校正零件或夹具的安装位置，检验零件的形状 精度或相互位置精度的。它们的结构原理没有什么大的不同，就是千分表的读 数精度比较高，即千分表的读数值为0.001mm，而百分表的读数值为0.01mm。 本节主要是介绍百分表。 5 水平仪 水平仪是测量角度变化的一种常用量具，主要用于测量机件相互位置的水 平位置和设备安装时的平面度、直线度和垂直度，也可测量零件的微小倾角。 常用的水平仪有条式水平仪、框式水平仪和数字式光学合象水平仪等。 6 牙规 牙规即内外螺纹大小的标准测量工具，分为螺纹塞规（栓规）及螺纹环规。 （1）螺纹塞规 1、检测前先戴手套 2、以大姆指及食指紧握住牙规握柄 3、另一手持待牙孔的产品? 4、待测的牙孔向上 精密量仪测量工具传感器游标卡尺