论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：
论文原文：
YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：
如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图：
每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：
其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。
每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）
举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：
在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:
等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。
1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。
2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。
3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。
4、损失函数公式见下图：
在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：
解决方法：
只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。
作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为0.88（ImageNet2012 validation set），与GoogleNet模型准确率相当。
然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224->448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。
作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}=0.5 。
作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为0.9，学习速率延迟为0.0005。Learning schedule为：第一轮，学习速率从0.001缓慢增加到0.01（因为如果初始为高学习速率，会导致模型发散）；保持0.01速率到75轮；然后在后30轮中，下降到0.001；最后30轮，学习速率为0.0001。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5；data augmentation包括：random scaling，translation，adjust exposure和saturation。
YOLO模型相对于之前的物体检测方法有多个优点：
1、 YOLO检测物体非常快
因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。
2、 YOLO可以很好的避免背景错误，产生false positives
不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。
3、 YOLO可以学到物体的泛化特征
当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。
尽管YOLO有这些优点，它也有一些缺点：
1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。
2、YOLO容易产生物体的定位错误。
3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。
运动目标检测与跟踪算法研究 视觉是人类感知自身周围复杂环境最直接有效的手段之一， 而在现实生活中 大量有意义的视觉信息都包含在运动中，人眼对运动的物体和目标也更敏感，能 够快速的发现运动目标， 并对目标的运动轨迹进行预测和描绘。 随着计算机技术、 通信技术、图像处理技术的不断发展，计算机视觉己成为目前的热点研究问题之 一。 而运动目标检测与跟踪是计算机视觉研究的核心课题之一， 融合了图像处理、 模式识别、人工智能、自动控制、计算机等众多领域的先进技术，在军事制导、 视觉导航、视频监控、智能交通、医疗诊断、工业产品检测等方面有着重要的实 用价值和广阔的发展前景。 1、国内外研究现状 1.1 运动目标检测 运动目标检测是指从序列图像中将运动的前景目标从背景图像中提取出来。 根据运动目标与摄像机之间的关系， 运动目标检测分为静态背景下的运动目标检 测和动态背景下的运动目标检测。 静态背景下的运动目标检测是指摄像机在整个 监视过程中不发生移动； 动态背景下的运动目标检测是指摄像机在监视过程中发 生了移动，如平动、旋转或多自由度运动等。 静态背景 静态背景下的运动目标检测方法主要有以下几种： （1）背景差分法 背景差分法是目前最常用的一种目标检测方法， 其基本思想就是首先获得一个 背景模型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断 此像素属于运动目标，否则属于背景图像。利用当前图像与背景图像的差分来检 测运动区域，一般能够提供比较完整的特征数据，但对于动态场景的变化，如光 照和外来无关事件的干扰等特别敏感。 很多研究人员目前都致力于开发不同的背 景模型，以减少动态场景变化对运动目标检测的影响。背景模型的建立与更新、 阴影的去除等对跟踪结果的好坏至关重要。 背景差分法的实现简单，在固定背景下能够完整地精确、快速地分割出运动 对象。不足之处是易受环境光线变化的影响，需要加入背景图像更新机制，且只 对背景已知的运动对象检测比较有效， 不适用于摄像头运动或者背景灰度变化很 大的情况。 （2）帧间差分法 帧间差分法是在连续的图像序列中两个或三个相邻帧间， 采用基于像素的时 间差分并阈值化来提取图像中的运动区域。 帧间差分法对动态环境具有较强的自 适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产 生空洞现象。因此在相邻帧间差分法的基础上提出了对称差分法，它是对图像序 列中每连续三帧图像进行对称差分，检测出目标的运动范围，同时利用上一帧分 割出来的模板对检测出来的目标运动范围进行修正， 从而能较好地检测出中间帧 运动目标的形状轮廓。 帧间差分法非常适合于动态变化的环境，因为它只对运动物体敏感。实际上 它只检测相对运动的物体，而且因两幅图像的时间间隔较短，差分图像受光线 变化影响小，检测有效而稳定。该算法简单、速度快，已得到广泛应用。虽然该 方法不能够完整地分割运动对象，只能检测出物体运动变化的区域，但所检测出 的物体运动信息仍可用于进一步的目标分割。 （3）光流法 光流法就充分的利用了图像自身所携带的信息。在空间中,运动可以用运动 场描述,而在一个图像平面上,物体的运动往往是通过图像序列中图像灰度分布 的不同来体现,从而使空间中的运动场转移到图像上就表示为光流场。所谓光流 是指空间中物体被观测面上的像素点运动产生的瞬时速度场， 包含了物体表面结 构和动态行为等重要信息。 基于光流法的运动目标检测采用了运动目标随时间变 化的光流特性，由于光流不仅包含了被观测物体的运动信息，还携带了物体运动 和景物三位结构的丰富信息。 在比较理想的情况下,它能够检测独立运动的对象, 不需要预先知道场景的任何信息,可以很精确地计算出运动物体的速度,并且可 用于动态场景的情况。 但是大多数光流方法的计算相当复杂,对硬件要求比较高, 不适于实时处理,而且对噪声比较敏感,抗噪性差。并且由于遮挡、多光源、透明 性及噪声等原因，使得光流场基本方程——灰度守恒的假设条件无法满足，不能 正确求出光流场，计算方也相当复杂，计算量巨大，不能满足实时的要求。 动态背景 动态背景下的运动目标检测由于存在着目标与摄像机之间复杂的相对运动， 检测方法要比静态背景下的运动目标检测方法复杂。常用的检测方法有匹配法、 光流法以及全局运动估计法等。 2、运动目标跟踪 运动目标跟踪是确定同一物体在图像序列的不同帧中的位置的过程。 近年来 出现了大批运动目标跟踪方法，许多文献对这些方法进行了分类介绍，可将目标 跟踪方法分为四类：基于区域的跟踪、基于特征的跟踪、基于活动轮廓的跟踪、 基于模型的跟踪，这种分类方法概括了目前大多数跟踪方法，下面用这种分类方 法对目前的跟踪方法进行概括介绍。 (1)基于区域的跟踪 基于区域的跟踪方法基本思想是： 首先通过图像分割或预先人为确定提取包 含目标区域的模板，并设定一个相似性度量，然后在序列图像中搜索目标，把度 量取极值时对应的区域作为对应帧中的目标区域。 由于提取的目标模板包含了较 完整的目标信息，该方法在目标未被遮挡时，跟踪精度非常高，跟踪非常稳定， 但通常比较耗时，特别是当目标区域较大时，因此一般应用于跟踪较小的目标或 对比度较差的目标。该方法还可以和多种预测算法结合使用，如卡尔曼预测、粒 子预测等，以估计每帧图像中目标的位置。近年来，对基于区域的跟踪方法关注 较多的是如何处理运动目标姿态变化引起的模板变化时的情况以及目标被严重 遮挡时的情况。 (2)基于特征的跟踪 基于特征的跟踪方法基本思想是：首先提取目标的某个或某些局部特征，然 后利用某种匹配算法在图像序列中进行特征匹配，从而实现对目标的跟踪。该方 法的优点是即使目标部分被遮挡，只要还有一部分特征可以被看到，就可以完成 跟踪任务，另外，该方法还可与卡尔曼滤波器结合使用，实时性较好，因此常用 于复杂场景下对运动目标的实时、 鲁棒跟踪。 用于跟踪的特征很多， 如角点边缘、 形状、纹理、颜色等，如何从众多的特征中选取最具区分性、最稳定的特征是基 于特征的跟踪方法的关键和难点所在。 (3)基于活动轮廓的跟踪 基于活动轮廓的跟踪方法基本思想是：利用封闭的曲线轮廓表达运动目标， 结合图像特征、曲线轮廓构造能量函数，通过求解极小化能量实现曲线轮廓的自 动连续更新，从而实现对目标的跟踪。自Kass在1987年提出Snake模型以来，基 于活动轮廓的方法就开始广泛应用于目标跟踪领域。相对于基于区域的跟踪方 法，轮廓表达有减少复杂度的优点，而且在目标被部分遮挡的情况下也能连续的 进行跟踪，但是该方法的跟踪结果受初始化影响较大，对噪声也较为敏感。 (4)基于模型的跟踪 基于模型的跟踪方法基本思想是： 首先通过一定的先验知识对所跟踪目标建 立模型，然后通过匹配跟踪目标，并进行模型的实时更新。通常利用测量、CAD 工具和计算机视觉技术建立模型。主要有三种形式的模型，即线图模型、二维轮 廓模型和三维立体模型口61，应用较多的是运动目标的三维立体模型，尤其是对 刚体目标如汽车的跟踪。该方法的优点是可以精确分析目标的运动轨迹，即使在 目标姿态变化和部分遮挡的情况下也能够可靠的跟踪， 但跟踪精度取决于模型的 精度，而在现实生活中要获得所有运动目标的精确模型是非常困难的。 目标检测算法，至今已提出了数千种各种类型的算法，而且每年都有上百篇相 关的研究论文或报告发表。尽管人们在目标检测或图像分割等方面做了许多研 究，现己提出的分割算法大都是针对具体问题的，并没有一种适合于所有情况的 通用算法。 目前， 比较经典的运动目标检测算法有： 双帧差分法、 三帧差分法(对 称差分法)、背景差法、光流法等方法，这些方法之间并不是完全独立，而是可 以相互交融的。 目标跟踪的主要目的就是要建立目标运动的时域模型， 其算法的优劣直接影响 着运动目标跟踪的稳定性和精确度， 虽然对运动目标跟踪理论的研究已经进行了 很多年，但至今它仍然是计算机视觉等领域的研究热点问题之一。研究一种鲁棒 性好、精确、高性能的运动目标跟踪方法依然是该研究领域所面临的一个巨大挑 战。基于此目的，系统必须对每个独立的目标进行持续的跟踪。为了实现对复杂 环境中运动目标快速、稳定的跟踪，人们提出了众多算法，但先前的许多算法都 是针对刚体目标，或是将形变较小的非刚体近似为刚体目标进行跟踪，因而这些 算法难以实现对形状变化较大的非刚体目标的正确跟踪。 根据跟踪算法所用的预 测技术来划分，目前主要的跟踪算法有：基于均值漂移的方法、基于遗传算法的 方法、基于Kalman滤波器的方法、基于Monto Carlo的方法以及多假设跟踪的方 法等。 运动检测与目标跟踪算法模块 运动检测与目标跟踪算法模块 与目标跟踪 一、运动检测算法 1.算法效果 算法效果总体来说，对比度高的视频检测效果要优于对比度低的视频。 算法可以比较好地去除目标周围的浅影子，浅影的去除率在 80%以上。去影后目标的 完整性可以得到较好的保持，在 80%以上。在对比度比较高的环境中可以准确地识别较大 的滞留物或盗移物。 从对目标的检测率上来说，对小目标较难进行检测。一般目标小于 40 个像素就会被漏 掉。对于对比度不高的目标会检测不完整。总体上来说，算法在对比度较高的环境中漏检率 都较低，在 0.1%以下，在对比度不高或有小目标的场景下漏检率在 6%以下。 精细运动检测的目的是在较理想的环境下尽量精确地提取目标的轮廓和区域， 以供高层 进行应用。同时在分离距离较近目标和进行其它信息的进一步判断也具有一定的优势。 反映算法优缺点的详细效果如下所示： 去影子和完整性 效果好 公司内视频 左边的为去影前，右边的 为去影后的结果，可以看出在 完整 性和去影率上 都有所 突 出。 这两个视频的共周特点 城市交通 是，影子都是浅影子，视频噪 声不太明显。目标与背景的对 比度比较高。 效果差 这两个视频的特点是影子 都是深影子。虽然影子没有去 掉，但是物体的完整性是比较 高的。主要原因就是场景的对 路口，上午 十点 比度比较高。 滞留物检测和稳定性 效果好 会议室盗移 效果好的原因，一是盗移或 滞留目标与背景对比度较大，二 是目标本身尺寸较大。 另外盗移物或滞留物在保持 各自的状态期间不能受到光照变 化或其它明显运动目标的干扰， 要不然有可能会造成判断的不稳 定。 效果差 会议室 遗留 物 大部分时间内，滞留的判断 都是较稳定的，但是在后期出现 了不稳定。主要原因是目标太小 的原故。 因此在进行滞留物判断时， 大目标，对比度较高的环境有利 于判断的稳定性和准确性。 漏检率 效果好 城市交通 在对比度高的环境下， 目标相对都较大的情况下 （大于 40 个像素） 可以很 ， 稳定的检测出目标。 在这种 条件下的漏检率通常都是 非常低的，在 0.1%以下。 效果差 行人－傍晚 和“行人”目录下 的 其 它 昏 暗 条件 下的视频 在对 比度较低的 情况 下，会造成检测结果不稳 定。漏检率较高。主要原因 是由于去影子造成的。 这种 对比度下的漏检率一般在 6%以下。 除了 对比度低是 造成 漏检的原因外， 过小的目标 也会造成漏检，一般是 40 个像素以下的目标都会被 忽略掉。 1.2 算法效率内存消耗（单位：b） .MD_ISRAM_data .MD_ISRAM_bss .MD_SDRAM_data 0x470 0x24 0x348 .MD_SDRAM_bss .MD_text 0x1a8480 0x6d40 速度 ms 运动区域占 2/3 左右时 CPU 占用率 一帧耗时 Max:57% Min:2.8% Avg:37.5% Max:23 Min:1.14 Avg:15 运动区域占 1/3 左右时 Max:45% Min:2.8% Avg:20% Max:18 Min:1.14 Avg:8 1.3 检测参数说明 检测参数说明 检测到的滞留物或盗走物的消失时间目前分别设定在 200 帧和 100 帧， 可以通过参数来 自行调整。 目前目标与背景的差异是根据局部光照强度所决定的， 范围在 4 个像素值以上。 目前参 数设置要求目标大小要在 20 个像素以上才能被检测到，可以通过参数来自行调整。 目标阴影的去除能力是可以调整的， 目前的参数设置可以去除大部分的浅影子和较小的 光照变化。 1.4 适用环境推荐光照条件较好（具有一定的对比度）的室内环境或室外环境。不易用它去检测过小的目 标，比如小于 40 个像素的目标。室外环境不易太复杂。输出目标为精细轮廓目标，可以为 后面高层应用提供良好的信息。 二、目标跟踪 2.1 稳定运行环境要求此版本跟踪算法与运动检测算法紧密结合， 对相机的架设和视频的背景环境和运动目标 数量运动方式有一定要求： 背景要求： 由于运动跟踪是基于运动检测的结果进行的， 所以对背景的要求和运动检测一样， 背景要求： 运动目标相对于背景要有一定反差。 运动目标：由于运动检测中，对较小的目标可能过滤掉。所以运动目标的大小要符合运动检 运动目标： 测的要求。运动目标的速度不能太大，要保证前后帧运动目标的重合面积大于 10 个像素。此阈值可修改(建议不要随意修改，过小，可能把碎片当成原目标分 裂出来的小目标，过大，可能失去跟踪。当然可试着调节以适应不同场景)。该 算法对由于运动检测在地面上产生的碎片抗干扰性比较差， 运动目标和碎片相遇 时，容易发生融合又分离的现象，造成轨迹混乱。消失目标和新生目标很容易当 成同一目标处理，所以可能出现一个新目标继承新生目标的轨迹。 运动方式： 运动目标的最大数量由外部设定。 但运动跟踪对运动目标比较稀疏的场景效果比 运动方式： 较好。 算法对由于运动检测在运动目标上产生的碎片有一定的抗干扰。 算法没对 物体的遮挡进行处理。对于两运动目标之间的遮挡按融合来处理。 拍摄角度： 拍摄角度：拍摄视野比较大，且最好是俯视拍摄。
一种用于三维空间杂波环境机动目标跟踪的数据互联方法，《电子与信息学报》2009年 第4期被动传感器阵列中基于粒子滤波的目标跟踪，《电子与信息学报》2009年 第4期一种新的嵌入式Linux高性能定时器实现方法，《信号处理》2009年 第3期一种新的红外弱小目标检测与跟踪算法，《信号处理》2008年 第6期被动传感器网基于修正Riccati方程的系统优化设计，《信号处理》2008年 第5期基于SIS框架和蚁群算法的非线性多目标跟踪，《电子与信息学报》2008年 第9期基于人类视觉系统的自适应数字水印算法，《上海交通大学学报》2008年 第7期一种基于电子签章的二值图像数字水印算法，《信号处理》2008年 第3期基于身份的网络化制造安全协同商务平台，《计算机工程》2008年 第13期基于Clifford代数传感器网络覆盖理论的路径分析，《电子学报》2007年 第B12期传感器网络高阶模糊覆盖分析，《电子学报》2007年 第B12期传感器网络最佳情况模糊覆盖问题研究，《电子学报》2007年 第B12期一种基于蚁群算法的多目标跟踪数据关联方法，《电子学报》2008年 第3期基于数据仓库的投资决策支持系统设计研究，《微电子学与计算机》2008年 第2期量子球壳聚类，《西安电子科技大学学报》2008年 第1期基于身份的安全邮件认证体系设计与分析，《计算机科学》2008年 第2期异类传感器系统目标快速定位方法，《系统工程与电子技术》2007年 第12期一种基于并行计算熵迁移策略的多分辨DOM数据生成算法，《中国科学技术大学学报》2007年 第12期基于模糊Hough变换的被动传感器系统航迹起始方法，《系统工程与电子技术》2007年 第11期THz信号处理与分析的研究现状和发展展望，《电子学报》2007年 第10期模糊数据互联滤波器及其在机动目标跟踪中的应用，《系统仿真学报》2007年 第20期分布式异类传感器网异步采样下的航迹起始算法，《系统工程与电子技术》2007年 第9期机动目标跟踪中数据互联新方法，《电子与信息学报》2007年 第10期一种新的视界覆盖遗传算法，《西安电子科技大学学报》2007年 第5期基于运动特征的远距离红外目标检测方法，《电子与信息学报》2007年 第8期被动传感器网基于模糊综合贴近度的航迹起始，《电子学报》2007年 第8期基于IBE的跨网络电子公文安全交换平台，《微计算机信息》2007年 第18期一种基于身份的无可信第三方签名方案，《深圳大学学报：理工版》2007年 第3期基于图像梯度场序列的双向GDIM光流计算方法，《电子学报》2007年 第7期一种基于身份的短数字签名方案，《微计算机信息》2007年 第21期分布式异类传感器网Hough变换航迹起始算法，《深圳大学学报：理工版》2007年 第2期基于DWT和DCT域的二值图像数字水印算法，《计算机与数字工程》2007年 第3期基于并行计算熵的同构集群负载均衡算法，《深圳大学学报：理工版》2007年 第1期基于unscented粒子滤波的红外弱小目标跟踪，《系统工程与电子技术》2007年 第1期一种空域DCT与时域DWT相结合的鲁棒视频数字水印算法，《中国体视学与图像分析》2006年 第4期图像插值方法对互信息局部极值的影响分析，《电子与信息学报》2006年 第10期网状被动传感器系统优化设计， 《系统工程与电子技术》2006年 第12期基于小波变换和目标运动特性的红外弱小目标检测， 《红外》2006年 第9期基于小波变换的红外弱小目标检测新方法，《红外技术》2006年 第7期在线CA的安全增强方案研究，《计算机工程》2006年 第11期基于ADSP—BF561车载多媒体系统，《现代电子技术》2006年 第3期空间分析中视界覆盖问题的研究，《系统工程与电子技术》2005年 第11期模糊观测数据的关联和目标跟踪，《信号处理》2005年 第4期从航空影像中自动提取高层建筑物，《计算机学报》2005年 第7期城市航空影像中基于模糊Retinex的阴影消除，《电子学报》2005年 第3期一种新的自适应图像模糊增强算法，《西安电子科技大学学报》2005年 第2期基于OAR模型的航空影像高层建筑自动提取，《深圳大学学报：理工版》2005年 第1期红外热图像序列中基于人体模型的目标头部定位方法，《激光与红外》2005年 第2期直线Snakes及其在建筑物提取中的应用，《西安电子科技大学学报》2005年 第1期网状被动传感器系统视线交叉目标定位方法，《电子与信息学报》2005年 第1期一种新的道路描述子：对称边缘方向直方图，《电子学报》2005年 第1期基于对称边缘方向直方图自动提取主要道路，《中国体视学与图像分析》2005年 第2期分布式被动传感器网异步采样下的机动目标跟踪，《系统仿真学报》2005年 第6期一种基于频带一致性的多模态图像校准算法，《通信学报》2005年 第4期基于模糊熵的自适应图像多层次模糊增强算法，《电子学报》2005年 第4期一种安全增强的基于椭圆曲线可验证门限签名方案，《计算机研究与发展》2005年 第4期密码学与数字水印在电子印章中的应用，《微机发展》2004年 第11期一种安全实用的电子公文系统设计与实现， 《现代电子技术》2004年 第21期基于DSP的PCI图像采集卡设计，《现代电子技术》2004年 第4期基于DSP组建短波电台无线数据传输网络的系统设计，《电子设计应用》2004年 第2期基于直方图的自适应高斯噪声滤波器，《系统工程与电子技术》2004年 第1期短波电台无线数据传输网络的组建，《现代电子技术》2004年 第3期半抑制式模糊C-均值聚类算法，《中国体视学与图像分析》2004年 第2期基于模糊推理的自动多级图像分割，《中国体视学与图像分析》2004年 第1期航空影像中立交桥的自动检测，《中国体视学与图像分析》2004年 第1期网状被动传感器系统航迹初始状态估计，《信号处理》2004年 第6期被动传感器系统分层快速关联算法，《电子学报》2004年 第12期一种基于模糊运算的多目标多传感器跟踪算法，《系统工程与电子技术》2004年 第11期异步被动传感器系统模糊Hough变换航迹起始算法，《系统工程与电子技术》2004年 第11期窗户纹理的时频描述及其在建筑物提取中的应用，《中国图象图形学报：A辑》2004年 第10期基于模糊熵的支撑矢量预选取方法，《复旦学报：自然科学版》2004年 第5期基于物方几何约束提取建筑物垂直边缘，《中国图象图形学报：A辑》2004年 第9期分布式网状被动传感器系统定位误差分析，《西安电子科技大学学报》2004年 第5期分布式网状被动传感器系统量测数据关联，《系统工程与电子技术》2004年 第12期基于核方法的分类型属性数据集模糊聚类算法，《华南理工大学学报：自然科学版》2004年 第9期基于模糊决策的密集多回波环境下航迹起始算法，《雷达与对抗》2004年 第3期红外传感器阵列基于信息冗余性的目标定位，《系统工程与电子技术》2004年 第8期基于核方法的模糊聚类算法，《西安电子科技大学学报》2004年 第4期一种用于模式识别的多色Voronoi图，《系统工程与电子技术》2004年 第7期基于DSP的短波电台无线数据传输网络实现，《深圳大学学报：理工版》2004年 第3期基于直方图的自适应图像去噪滤波器，《电子学报》2004年 第7期自适应模糊Hough变换，《电子学报》2004年 第6期基于主动秘密共享的安全容忍入侵方案，《兰州交通大学学报》2004年 第1期基于模糊熵的多值图像恢复方法，《西安电子科技大学学报》2004年 第2期
随着科技的进步，智能机器人的性能不断地完善，因此也被越来越多的应用于军事、排险、农业、救援、海洋开发等方面。这是我为大家整理的关于机器人的科技论文，供大家参考!机器人的科技论文篇一：《浅谈智能移动机器人》 摘要：随着科技的进步，智能机器人性能不断地完善，移动机器人的应用范围也越来越广，广泛应用于军事、排险、农业、救援、海洋开发等。介绍了常见智能移动机器人的基本系统组成及其相关的一些技术，提出一种能够应用于智能移动机器人的越障机构，并简单阐述了其工作原理。在对智能机器人有一定了解的基础上，论述了智能移动机器人的研究现状及其发展动向。 关键词：智能移动机器人越障避障伸展收缩 1 引言 上世纪60年代智能机器人的出现开辟了智能生产自动化的新时代。在工业机器人问世50多年后的今天，机器人已被人们看作是不可缺少的一种生产工具。由于传感器、控制、驱动及材料等领域的技术进步开辟了机器人应用的新领域。智能移动机器人是机器人学中的一个重要分支。 2 智能移动机器人的基本系统组成及其相关技术 由于智能移动机器人在危险与恶劣环境以及民用等各方面具有广阔的应用前景，使得世界各国非常关注它的发展。其共同的五大系统组成要素为：(1)机械机构单元是智能移动机器人的骨架，机器人所有的模块都依靠其支撑，机械机构单元的结构，性能，强度直接影响着整个机器人的稳定性。随着科技发展和新型材料的研制开发，使得智能机器人产品的结构性能有了很大提高，机械机构的各项工艺性及尺寸设计都向着更加合理高效，更加轻便美观，更加环保节能，更加安全可靠等方向发展。(2)动力与驱动单元为智能移动机器人提供动力来源。(3)环境感知单元相当于智能移动机器人的五官，机器人通过感知单元对周围的环境进行感知识别及各种参数的收集，然后通过转换成控制模块可以识别的光电信号，输入到控制单元进行数据处理。(4)执行机构单元为智能移动机器人执行部分，能根据控制中心的命令执行命令，完成任务。不同的机器人有着不同的执行机构，执行机构的设计影响着对要执行动作的效率，精度，稳定性，可靠性等。(5)信息处理与控制单元作为整个机械系统的核心部分，它如人的大脑一样，调控着整个系统，一切的活动都由它指挥。将来自传感器部分采集到的信息进行集中汇总，存储，对所有信息分析，规划决策，输出命令。使机器人有目的的运行。 智能移动机器人是一个集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合机电系统。它是传感器技术，控制技术，移动技术，信息处理、人工智能、电子工程、计算机工程等多学科的重要研究成果，从某种意义上讲是机器发展进化过程中的产物，是目前科学技术发展最活跃的领域之一。 3 一种越障机器人 我们设计的移动机器人(图1)有很好的机动性能，前导轮、前轮和后轮可以实现独立升降运动。前导轮(如图1)由通过曲柄圆盘的转动角度控制摇杆的摆动角度，带动相关的平面连杆机构运动，从而实现前导向轮的伸展和收缩实现攀越。机器人两侧的侧边驱动机构为平面连杆-滑块越障机构，前后轮(如图1)分别通过导杆在槽中的移动，带动平面连杆机构的运动，实现前后轮的伸展和收缩，实现越障功能。本机器人通过尺寸的设计可以实现较大的越障高度，通过合理的控制轮摆动的角度还能实现多种类型障碍物的攀越。 4 智能移动机器人的应用概况 随着科技的进步，机器人的功能不断完善，智能移动机器人的应用范围也大大拓宽，不仅在工业、农业、医疗、服务等行业中得到广泛的应用，而且在排险、海洋开发和宇宙探测领域等有害与危险场合(如辐射、灾区、有毒等)得到很好的应用。 4.1 陆地智能移动机器人 20世纪60年代后期，苏美为了完成对宇宙空间的占领，完成月球探测计划，各自研制开发并应用了移动机器人，通过移动机器人实现对外星土壤的样本采集和土壤分析等各种任务。陆地智能移动机器人的出现是为了帮助人类完成无法完成的任务。陆地移动机器人也广泛应用于军事，可以完成排除爆炸物，扫雷，侦查，清除障碍物等等，近年来智能移动机器人也开始渐渐融入人们的日常生活。 4.2 水下智能移动机器人 近年来，人们对资源的渴求加大，开始对原子能和海洋资源的开发，加之水下环境十分复杂(能见度差，定位困难，流体变化等)，水下智能移动机器人在海底资源探测上的优势使之受到关注。近年德国基尔大学的科学家研制出新型深水机器人“ROV Kiel 6000”，这架深水机器人能够下探到6000米深的海底，寻找神秘的深水生物和“白色黄金”可燃冰。 4.3 仿生智能移动机器人 近年来,全球许多机器人研究机构越来越多的关注仿生学与机构的研究工作.在某些情况下仿生机器人尤其独特优势，例如，蛇形机器人重心低，能够模仿蛇的动作，穿梭在能够穿梭在受灾现场和其他复杂的地形中能够帮助人类完成各种任务。除此之外还有仿生宠物狗、仿生鱼、仿生昆虫等。 5 智能移动机器人的发展方向及前景 影响移动机器人发展的因素主要有：导航与定位技术，多传感器信息的融合技术，多机器人协调与控制技术等因而移动机器人技术发展趋势主要包括： (1)高智能情感机器人。随着科学技术的发展，人们对人机交互的技术的要求越来越高，具有人类智能的情感移动机器人是移动机器人未来发展趋势。目前的移动机器人只能说是具有部分的智能，人们渴望能够出现安全可靠的能够沟通交流的高智能的机器人。虽然现在要实现高智能情感机器人还非常的困难，但是终有一天，随着科学技术的突破，它将成为现实。 (2)高适应性多功能化的机器人。机器人的出现是为人类服务的，自然界中还有好多未知的世界等着我们开拓，各种危险的复杂多变的环境，人类无法涉足，因此人们也迫切希望有能够代替人类的机器人出现，高适应性多功能化的机器人也必将是机器人的发展方向之一。 (3)通用服务型的机器人。随着科学技术的发展，机器人也是应该越来越容易融入人们日常生活中的，在日常生活中为人们服务。例如在家庭中，机器人可以帮助人们做各种家务，和人们生活关系密切。 (4)特种智能移动机器人。根据不同应用领域，不同的目的，设计各种各样特种智能移动机器人是未来发展方向，如纳米机器人，宇宙探索机器人，深海探索机器人，娱乐机器人等等。 6 结束语 总之，智能移动机器人涉及到传感器技术，控制技术，移动技术，信息处理、人工智能、控制工程等多学科技术。未来智能移动机器人走向生活，安全可靠，操作简单是其趋势。尽管智能移动机器人以惊人的速度在发展着，但是实现高适应性，智能化，情感化，多功能化的移动机器人还有很长的路要走。 参考文献： [1]谢进,万朝燕,杜立杰.机械原理(第2版)[M].北京:高等 教育 出版社,2010. [2]陈国华.机械机构及应用[M].北京:机械工业出版社,2008. [3]徐国保,尹怡欣,周美娟.智能移动机器人技术现状及展望[J].机器人技术与应用,2007(2). [4]肖世德,唐猛,孟祥印,等.机电一体化系统监测与控制[M].四川:西南交通大学出版社,2011. 机器人的科技论文篇二：《浅谈机器人设计 方法 》 摘要：机器人是人类完成智能化中非常重要的工具，随着时代的发展，机器人已经在世界有了一定的发展，甚至很多国家机器人已经运用到实际的生活中去。而机器人的设计方法无疑是很多人非常感兴趣的问题，因此本文针对机器人的设计方法进行了详细的探索。 关键词机器人;设计;方法 1.前言 纵观人类的发展史，工具的进步才能带动人类的文明，如今设计朝着智能化的方向在发展，机器人就是人类在发展智能化过程洪重要的产物，因此机器人常用的设计方法是设计师们必备的工具。 2.控制系统的硬件设计 在现代科学技术不断发展的背景之下，工业现场所涉及到的重体力劳动量不断提升。当中部分劳动任务的实现单单依靠人力是很难实现的。而为了良好的完成工业现场的相关生产作业任务。就需要通过对机器人装置的研究与应用来实现机器人控制系统的硬件部分主要由5个模块组成：控制模块、循迹模块、避障模块、电机驱动模块、电源模块。 (1)控制系统模块。ATmega128为基于AVR RISC结构的8位低功耗CMOS微处理器，运算速度快，具有多路PWM输出，可将测速、避障等电路产生的输入信号进行处理，并输出控制信号给驱动放大电路，从而控制电机转速，此方式产生的PWM信号比用定时器中断产生的PWM信号实时性更好，而且不会占用系统的定时器资源。 (2)循迹模块。循迹是指小车在比赛场地上循白色引导线线行走，循迹模块的原理图如图2所示。循迹模块采用灰度传感器，发射管为普通LED灯，接收管为光敏三极管3DU33。工作原理为：不同颜色的物体对LED发射光反射不同的亮度，光敏三极管3DU33接收这些不同亮度的光线，就会呈现不同的电压Vx。Vx输入到比较器LM339的同相端，并与电位器设定的电压V0相比较，当Vx>V0时，比较器输出高电平，当Vx循迹机器人前后两端均是由7个灰度传感器组成的循迹模块。其中，中间三个灰度传感器起巡线的作用，两端的灰度传感器起探测弯道作用，剩下两个灰度传感器交替进行巡线和探测弯道。实验证明，这样的灰度传感器的布置图，机器人循迹的效果好，且“性价比”非常高。 (3)避障模块。避障模块主要使用的是红外发射接收传感器，当红外感应避障模块靠近物体时，输出低电平信号;当没有感应到物体时，输出高电平信号。将该信号线接入到单片机的控制端口，控制程序就能起到探测障碍物的作用，当在机器人行进的路径上就可以发现有障碍物并及时避开绕行。 (4)驱动模块。循迹避障机器人要求行走灵活、反应快速，因此要求驱动电机具有“转速快、制动及时”等特点。我们设计制作的循迹避障机器人采用中鸣公司的JMP-BE-3508I驱动板模块，其输入电压为11V到24V，最大输出电流为20A，满足快速前进、制动、转弯的要求。并且电机速度达到500rpm，堵转力矩为8KG.CM，具有很强的刹车功能。利用单片机的四路PWM输出信号，分别控制四个轮子的转速。并采用“四轮驱动”、“差速转弯”的方式实现机器人的前进、后退与转弯。 (5)电源模块。循迹机器人的电源模块主要实现以下三大功能：①稳定输出5V工作电压。故我们设计制作的电源模块以7805芯片为核心，把输入电压截止到5V。②提供足够的电流。7805芯片最大输出电流为1.5A，而循迹机器人需要较大电流，所以我们使用了两片7805芯片分别对控制系统和外部设备进行供电。③滤波。在7805芯片的输入、输出端分别并联104贴片电容和10μF的电解电容，过滤高频、低频信号。 3.软硬件模块开发流程和界面程序 (1)图像处理模块：照相机实时捕捉图像，处理转化后和初始图像进行处理比较，找出图像中差异的位置通过TCP传输。 (2)TCP通信模块：视觉系统通过以太网连接贝加莱控制器，控制器可以作客户机或服务器实时传输数据，：定义结构体用于视觉系统传输位姿给机器人和机器人实时反馈位姿和信号状态数据给视觉系统。 (3)位置转换模块：把视觉系统的位姿转换为机器人的位姿传输给机器人，控制机器人运行。 (4)轨迹规划模块：进行运动轨迹规划和速度规划，根据机器人当前的位置和目标位置，选择最优的运动轨迹(直线、圆弧、不规则曲线等运动轨迹)，然后对轨迹、速度进行插补，插补值调用机器人运动学算法计算轨迹的可靠性，再把实时插补的位置、速度传送给运动控制模块。 (5)运动控制模块：根据实时插补的值结合加速度、加加速度等控制参数给驱动器。 (6)伺服模块：根据控制器所发送数据，结合各伺服控制参数，驱动电机以最快响应和速度运行到各个位置。 4.机器人精度标定和视觉软件处理 4.1精度标定 精度的标定包括机器人精度标定 和机器人相对于视觉照相机位置标定 。机器人运动前，需要用激光跟踪仪标定准确各轴杆长、零点、减速比、耦合比等机械参数，给运动学、控制器系统，机器人才能按理论轨迹运行准确。行到指定点。 通过三点法、六点法标定机器人相对于视觉照相机的X、Y、Z方向距离给位置转化模块，确定机器人坐标系相对于照相机坐标系的转化关系。 4.2视觉处理软件 包括固定视觉系统标定模块和移动视觉系统标定模块 。视觉系统安装在固定位置相当于给机器人建立照相机一个用户坐标系，此模块用于运算机器人和固定视觉系统之间位姿转换关系。视觉系统安装在机器人末端法兰位姿相当于给机器人建立照相机一个工具坐标系，随着机器人运动而实时改变位置，此模块用于运算机器人和动态视觉系统之间位姿转换关系。 实时处理传输机器人、视觉系统和以太网的运行通信状态以及出错状态处理。 4.3人机界面设计及实现 当机器人出现故障，不能自动移动位置时，比如碰到硬件限位或出现碰撞现象时，此时可以进入手动页面，选择机器人操作，移动机器人到指定位置。对于新建码垛工艺线，需要配置系统参数、位置信息、以及产品参数，等必要的信息。码垛数据编辑与创建的功能，产品覆盖了袋子、箱子，以及可变数量抓取的功能。可以添加产品数量，改变产品方向，单步数量修改，产品位置移动以及旋转等设置。本页面中，示例生成了每层五包的袋装产品，编号从1到5，可以通过调整编号的顺序，达到改变产品的实际码垛顺序。 5.结束语 总之，在进行机器人的设计过程中，要根据设计的用途进行针对性的设计，对于设计过程中出现的问题要及时的采用上述的思维方法进行解决，随着机器智能化的推广，无疑机器人的设计在未来会有更广阔的天空。 参考文献： [1]张海平，陈彦. Wincc在打包机人机界面中的设计与应用[J].HMI与工业软件，2012(3)：70-72. [2]朱华栋，孔亚广.嵌入式人机界面的设计[J].中国水运，2008(11)：125-126. [3]金长新，李伟.基于Windows CE的车载电脑系统人机界面的实现[J].微计算机信息，2005(21)：132-134. 机器人的科技论文篇三：《浅谈igm焊接机器人的故障处理》 [摘 要]机器人技术综合了计算机、控制理论、机构学、信息和传感技术、人工智能等多学科而形成的高新技术。本文通过介绍igm焊接机器人的工作原理，以及在实际工作中机器人的常见故障现象，对故障产生的原因进行分析，并提出了相应的维修方法。 [关键词]igm焊接机器人 工作原理 故障处理 0 前言 机器人技术是综合了计算机、控制理论、机构学、信息和传感技术、人工智能等多学科而形成的高新技术。这门新型技术的介入，对维修技术人员提出了更高要求。如何保证焊接机器人的可靠性、稳定性，发挥机器人的最大优势，针对机器人的故障维修及设备维护保养工作就尤显重要。 1 igm焊接机器人组成及工作原理 1.1 igm焊接机器人的组成 igm焊接机器人是从事焊接(包括切割与喷涂)的工业机器人，它加工精细、动作灵巧、焊接精度高、焊缝成形好。在机械行业中得到了广泛的应用。 1.2 igm焊接机器人工作原理 igm焊接机器人内部轴控制原理：通过数字伺服板DSE-IBS处理当前位置的校准、位置驱动、速度驱动等信息，处理后的信息送馈到伺服驱动器，由伺服驱动器内部的脉宽调制器调制，然后放大输出推动伺服电机。伺服电机运动的同时，编码器同步运行，并把采集的位置角度信息反馈给RDW控制板，通过RDW板的增量计算、数据整定后的位置信息回馈给DSE-IBS板，做下一个周期的计算处理，此过程反复进行从而实现了实时位置的更迭过程。 2 igm焊接机器人故障诊断及分析 2.1 焊接机器人故障类型 焊接机器人故障类型可分为软件故障和硬件故障，由机器软件造成的故障，如系统停机 死机 的现象;由机器硬件造成的故障，如驱动单元、电气元件各模块的故障。就故障现象可分为人为故障和自然故障、突发故障三大类。对于维修来说，自然故障和突发故障的排除就显得困难，因为这种维修不仅仅针对故障单元本身，还要对系统进行改进，这就需要周密分析，对故障诊断进行优化和改进，避免排除过的故障重复出现，使系统进一步稳定可靠。 2.2 igm焊接机器人常见故障处理 2.2.1 机器人开机后示教器无报警信息，但机械手无法正常引弧。首先检查系统是否送丝送气，发现送丝系统无法手动送丝，保护气瓶有压力，但是焊枪喷嘴处无保护气。再检查机械手焊接电缆、引弧板及送丝板，都没有发现故障。这说明机械手的功能是正常的，可能是焊接回路不通畅。可以通过测量焊接回路阻抗来判断焊接回路是否正常。 回路阻抗的测试步骤： i把连接工件的地线接好，保证地线夹与工件接触部分干净良好; ii接通机器人电柜电源，将福尼斯焊机电源开关拨至“I”位置; iii在焊机二级菜单内选择“r”功能。 iv取下焊枪喷嘴，拧上导电嘴，将导电嘴贴紧工件表面。需要注意的是，测量过程中要确保导电嘴与工件接触处的洁净。测量进行时，送丝机和冷却系统不启动; v轻按焊枪开关或点动送丝键。焊接回路阻抗值测算完成。测量过程中，右显示屏显示“run”; vi焊接回路测算结束后显示屏显示测量值。测得的焊接回路阻抗是18 Ω(正常值以<20Ω为佳)，说明焊接机器人的焊接回路的通畅的。再断电、通电调试，焊接机器人能正常引弧，应该是回路测试过程中通过连接接地夹、拆卸喷嘴、导电嘴等将回路未正常接触处接通了。 2.2.2 igm机器人在焊接过程中，引弧困难、焊接电流极不稳定，且经常断弧，反复出现“Arc fault”电弧故障。 i检查接地电缆，测量回路电阻值为9.7Ω，正常 值以<20Ω为佳。 ii检查焊丝直径(Ф1.2)与送丝轮的公称直径相匹配。 iii焊丝材料(G2Si)与焊接方式及焊接母材相匹配。 iv后观察焊枪喷嘴处，存在大量粉尘的切粉，手动送出的焊丝不光滑平整，有小量弯曲及伤丝情况，说明送丝不畅。 v对送丝阻力进行检测。将送丝锁紧杆、压紧杆打开，手盘焊丝盘将焊丝收回，发现阻力很大。多为送丝软管堵塞或软管与机械手夹角过大造成。 vi检查送丝轮磨损情况，V型送丝槽不易过深过宽，以正好放置一根Ф1.2规格的焊丝为佳，间隙过大，将影响送丝的稳定性，焊接电流的稳定性。拆下送丝轮，发现送丝轮磨损严重，圆度误差较大，送丝槽过深。送丝机构一旦出现失控，就会高速送丝，焊接电源得不到正常的信号反馈(送丝速度的反馈采用光电测速)，不能提供稳定的电流、电压，造成不能正常焊接。更换送丝轮、送丝软管，并进行压力调整，故障解除，焊接正常。 2.2.3 igm机器人回零参数自动丢失。igm机器人在下一次开机时，回零参数自动丢失，重新校零、输入参数，保存参数反复丢失。检查示教电缆、接口、程序、轴卡、RDW板指示灯全部正常，检查后备电池(缓冲电瓶，用于关机或意外掉电情况下，为系统提供短时间供电，进行信息的存储)测量电压值，一个为8.9V，一个为12 V，总电压为21 V，正常值为24V，更换一组电池后一切正常，再未出现数据丢失现象。 2.3 突发故障的分析及处理 该故障无可预见性，事发突然。实际工作中出现最多。多为受环境影响的系统故障，如焊接机器人控制部分电路板故障、稳压 电源故障 、通讯故障等，反映在机器人在工作时突然报警且无法消除报警。重新启动又恢复正常，但不久又出现报警，这类故障造成整个系统不稳定。 为了进一步判断驱动器的好坏，缩小故障范围， 对编码器进行检查，RCI系列的机器人各轴所使用的编码器是绝对编码器，它是一种电磁部件，可以传递旋转角度的信息，由两个固定绕组(sin绕组和cos绕组)及一个参考绕组组成，原理基本上同旋转变压器相似。将X12插头拔下，分别测量11-12、13-5、14-4端子阻值，结果没有一项有阻值，说明编码器出现异常。 找到12轴伺服电机，检查发现编码器插头锁紧并帽已退出，插头连接松动。将插头重新安插，锁紧到位，再次测量11-12端子阻值为94Ω，13-5端子阻值为65Ω，14-4端子阻值为65Ω，9-10端子阻值为600Ω，说明各绕组正常。上电后，驱动可正常打开，故障解除。 3 结束语 维修工作是理论指导实践，实践促进理论的一个反复过程，理论实践的有机结合才会使维修人员更加深入，更加准确的判断处理各种故障。工作中维修人员必须具有独立思考分析判断的能力，操作中一定要注意观察，不可盲目更改焊接机器人设定、跳线等状态，要养成做工作记录的好习惯，归纳 总结 各类故障现象以及处理过程，积累故障诊断和维修方面的 经验 ，以提高维修水平。 参考文献 [1] 戴光平.《焊接机器人故障诊断及维修技术》. 重庆：中国嘉陵工业股份有限公司，2003. [2] 中国焊接协会成套设备与专业机具分会. 《焊接机器人实用手册》.机械工业出版社，2014. [3] 李德民.《焊接机器人的故障维修》. 长春：长客股份制造中心，2011. 猜你喜欢： 1. 关于科技论文的范文 2. 关于计算机的科技论文3000字 3. 数学科技论文800字 4. 自动化科技论文题目与范文
多机器人协作是多机器人系统研究的一个重要研究内容,同时基于博弈论的多机器人协作已经成为了国内外研究的热门课题。本论文应用合作博弈论对多机器人协作方法进行了深入研究,同时考虑了机器人群体的社会化属性,也即该群体具有强制性,同时具有开放性,在群体约束之下个体之间可以进行自由竞争。论文主要有三项研究内容:基于扩展式合作博弈的多机器人目标追踪,有效地协调多机器人系统的运动;基于帕累托最优的多机器人任务分配,达到任务集之间与任务集内部的帕累托最优状态;基于扩展式合作博弈的多机器人目标围捕,实现非编队方式对目标进行围捕。论文首先将博弈论应用于多机器人目标追踪中,根据扩展式、合作和完全信息博弈建立了机器人目标追踪的博弈模型,引入博弈顺序可变的概念,实现个体之间的自由竞争,从而组建了具有社会化属性的多机器人群体。基于该模型深入研究了机器人追踪策略集,分独自决策阶段与博弈决策阶段进行追踪策略的选取,降低了系统的运算复杂度,实验结果表明论文提出的目标追踪方法可以有效地协调多机器人系统的运动。其次,论文提出使用帕累托决策方法的多机器人系统任务分配方法,首先利用就近分配法来解决任务的初始分配问题;然后在机器人任务集之间通过帕累托决策分配法来重新分配任务点,对各任务集进行优化,降低系统成本;接着提出顺序博弈分配法实现任务集内部的任务分配,来优化机器人执行任务的顺序。通过以上三次任务分配,实现了多机器人系统整体的优化,实验结果表明该任务分配方法是有效的,且性能优于市场法等同类算法。最后,论文将博弈理论应用到多机器人目标围捕问题上,建立了基于扩展式合作博弈的围捕模型和机器人之间的避障模型,并且提出了漫游搜索、区域搜索两种搜索目标机器人的策略,同时为目标机器人建立了有效的逃跑策略,最后分析了整个围捕任务的过程。论文提出的目标围捕方法采用非编队形式的运动,增加了任务执行的灵活性,仿真与实验结果验证了该方法的可行性。
能不能给我发一份呢？
同意一楼，唯一有分歧的是15万，而不是1.5万
运动目标检测与跟踪算法研究 视觉是人类感知自身周围复杂环境最直接有效的手段之一， 而在现实生活中 大量有意义的视觉信息都包含在运动中，人眼对运动的物体和目标也更敏感，能 够快速的发现运动目标， 并对目标的运动轨迹进行预测和描绘。 随着计算机技术、 通信技术、图像处理技术的不断发展，计算机视觉己成为目前的热点研究问题之 一。 而运动目标检测与跟踪是计算机视觉研究的核心课题之一， 融合了图像处理、 模式识别、人工智能、自动控制、计算机等众多领域的先进技术，在军事制导、 视觉导航、视频监控、智能交通、医疗诊断、工业产品检测等方面有着重要的实 用价值和广阔的发展前景。 1、国内外研究现状 1.1 运动目标检测 运动目标检测是指从序列图像中将运动的前景目标从背景图像中提取出来。 根据运动目标与摄像机之间的关系， 运动目标检测分为静态背景下的运动目标检 测和动态背景下的运动目标检测。 静态背景下的运动目标检测是指摄像机在整个 监视过程中不发生移动； 动态背景下的运动目标检测是指摄像机在监视过程中发 生了移动，如平动、旋转或多自由度运动等。 静态背景 静态背景下的运动目标检测方法主要有以下几种： （1）背景差分法 背景差分法是目前最常用的一种目标检测方法， 其基本思想就是首先获得一个 背景模型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断 此像素属于运动目标，否则属于背景图像。利用当前图像与背景图像的差分来检 测运动区域，一般能够提供比较完整的特征数据，但对于动态场景的变化，如光 照和外来无关事件的干扰等特别敏感。 很多研究人员目前都致力于开发不同的背 景模型，以减少动态场景变化对运动目标检测的影响。背景模型的建立与更新、 阴影的去除等对跟踪结果的好坏至关重要。 背景差分法的实现简单，在固定背景下能够完整地精确、快速地分割出运动 对象。不足之处是易受环境光线变化的影响，需要加入背景图像更新机制，且只 对背景已知的运动对象检测比较有效， 不适用于摄像头运动或者背景灰度变化很 大的情况。 （2）帧间差分法 帧间差分法是在连续的图像序列中两个或三个相邻帧间， 采用基于像素的时 间差分并阈值化来提取图像中的运动区域。 帧间差分法对动态环境具有较强的自 适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产 生空洞现象。因此在相邻帧间差分法的基础上提出了对称差分法，它是对图像序 列中每连续三帧图像进行对称差分，检测出目标的运动范围，同时利用上一帧分 割出来的模板对检测出来的目标运动范围进行修正， 从而能较好地检测出中间帧 运动目标的形状轮廓。 帧间差分法非常适合于动态变化的环境，因为它只对运动物体敏感。实际上 它只检测相对运动的物体，而且因两幅图像的时间间隔较短，差分图像受光线 变化影响小，检测有效而稳定。该算法简单、速度快，已得到广泛应用。虽然该 方法不能够完整地分割运动对象，只能检测出物体运动变化的区域，但所检测出 的物体运动信息仍可用于进一步的目标分割。 （3）光流法 光流法就充分的利用了图像自身所携带的信息。在空间中,运动可以用运动 场描述,而在一个图像平面上,物体的运动往往是通过图像序列中图像灰度分布 的不同来体现,从而使空间中的运动场转移到图像上就表示为光流场。所谓光流 是指空间中物体被观测面上的像素点运动产生的瞬时速度场， 包含了物体表面结 构和动态行为等重要信息。 基于光流法的运动目标检测采用了运动目标随时间变 化的光流特性，由于光流不仅包含了被观测物体的运动信息，还携带了物体运动 和景物三位结构的丰富信息。 在比较理想的情况下,它能够检测独立运动的对象, 不需要预先知道场景的任何信息,可以很精确地计算出运动物体的速度,并且可 用于动态场景的情况。 但是大多数光流方法的计算相当复杂,对硬件要求比较高, 不适于实时处理,而且对噪声比较敏感,抗噪性差。并且由于遮挡、多光源、透明 性及噪声等原因，使得光流场基本方程——灰度守恒的假设条件无法满足，不能 正确求出光流场，计算方也相当复杂，计算量巨大，不能满足实时的要求。 动态背景 动态背景下的运动目标检测由于存在着目标与摄像机之间复杂的相对运动， 检测方法要比静态背景下的运动目标检测方法复杂。常用的检测方法有匹配法、 光流法以及全局运动估计法等。 2、运动目标跟踪 运动目标跟踪是确定同一物体在图像序列的不同帧中的位置的过程。 近年来 出现了大批运动目标跟踪方法，许多文献对这些方法进行了分类介绍，可将目标 跟踪方法分为四类：基于区域的跟踪、基于特征的跟踪、基于活动轮廓的跟踪、 基于模型的跟踪，这种分类方法概括了目前大多数跟踪方法，下面用这种分类方 法对目前的跟踪方法进行概括介绍。 (1)基于区域的跟踪 基于区域的跟踪方法基本思想是： 首先通过图像分割或预先人为确定提取包 含目标区域的模板，并设定一个相似性度量，然后在序列图像中搜索目标，把度 量取极值时对应的区域作为对应帧中的目标区域。 由于提取的目标模板包含了较 完整的目标信息，该方法在目标未被遮挡时，跟踪精度非常高，跟踪非常稳定， 但通常比较耗时，特别是当目标区域较大时，因此一般应用于跟踪较小的目标或 对比度较差的目标。该方法还可以和多种预测算法结合使用，如卡尔曼预测、粒 子预测等，以估计每帧图像中目标的位置。近年来，对基于区域的跟踪方法关注 较多的是如何处理运动目标姿态变化引起的模板变化时的情况以及目标被严重 遮挡时的情况。 (2)基于特征的跟踪 基于特征的跟踪方法基本思想是：首先提取目标的某个或某些局部特征，然 后利用某种匹配算法在图像序列中进行特征匹配，从而实现对目标的跟踪。该方 法的优点是即使目标部分被遮挡，只要还有一部分特征可以被看到，就可以完成 跟踪任务，另外，该方法还可与卡尔曼滤波器结合使用，实时性较好，因此常用 于复杂场景下对运动目标的实时、 鲁棒跟踪。 用于跟踪的特征很多， 如角点边缘、 形状、纹理、颜色等，如何从众多的特征中选取最具区分性、最稳定的特征是基 于特征的跟踪方法的关键和难点所在。 (3)基于活动轮廓的跟踪 基于活动轮廓的跟踪方法基本思想是：利用封闭的曲线轮廓表达运动目标， 结合图像特征、曲线轮廓构造能量函数，通过求解极小化能量实现曲线轮廓的自 动连续更新，从而实现对目标的跟踪。自Kass在1987年提出Snake模型以来，基 于活动轮廓的方法就开始广泛应用于目标跟踪领域。相对于基于区域的跟踪方 法，轮廓表达有减少复杂度的优点，而且在目标被部分遮挡的情况下也能连续的 进行跟踪，但是该方法的跟踪结果受初始化影响较大，对噪声也较为敏感。 (4)基于模型的跟踪 基于模型的跟踪方法基本思想是： 首先通过一定的先验知识对所跟踪目标建 立模型，然后通过匹配跟踪目标，并进行模型的实时更新。通常利用测量、CAD 工具和计算机视觉技术建立模型。主要有三种形式的模型，即线图模型、二维轮 廓模型和三维立体模型口61，应用较多的是运动目标的三维立体模型，尤其是对 刚体目标如汽车的跟踪。该方法的优点是可以精确分析目标的运动轨迹，即使在 目标姿态变化和部分遮挡的情况下也能够可靠的跟踪， 但跟踪精度取决于模型的 精度，而在现实生活中要获得所有运动目标的精确模型是非常困难的。 目标检测算法，至今已提出了数千种各种类型的算法，而且每年都有上百篇相 关的研究论文或报告发表。尽管人们在目标检测或图像分割等方面做了许多研 究，现己提出的分割算法大都是针对具体问题的，并没有一种适合于所有情况的 通用算法。 目前， 比较经典的运动目标检测算法有： 双帧差分法、 三帧差分法(对 称差分法)、背景差法、光流法等方法，这些方法之间并不是完全独立，而是可 以相互交融的。 目标跟踪的主要目的就是要建立目标运动的时域模型， 其算法的优劣直接影响 着运动目标跟踪的稳定性和精确度， 虽然对运动目标跟踪理论的研究已经进行了 很多年，但至今它仍然是计算机视觉等领域的研究热点问题之一。研究一种鲁棒 性好、精确、高性能的运动目标跟踪方法依然是该研究领域所面临的一个巨大挑 战。基于此目的，系统必须对每个独立的目标进行持续的跟踪。为了实现对复杂 环境中运动目标快速、稳定的跟踪，人们提出了众多算法，但先前的许多算法都 是针对刚体目标，或是将形变较小的非刚体近似为刚体目标进行跟踪，因而这些 算法难以实现对形状变化较大的非刚体目标的正确跟踪。 根据跟踪算法所用的预 测技术来划分，目前主要的跟踪算法有：基于均值漂移的方法、基于遗传算法的 方法、基于Kalman滤波器的方法、基于Monto Carlo的方法以及多假设跟踪的方 法等。 运动检测与目标跟踪算法模块 运动检测与目标跟踪算法模块 与目标跟踪 一、运动检测算法 1.算法效果 算法效果总体来说，对比度高的视频检测效果要优于对比度低的视频。 算法可以比较好地去除目标周围的浅影子，浅影的去除率在 80%以上。去影后目标的 完整性可以得到较好的保持，在 80%以上。在对比度比较高的环境中可以准确地识别较大 的滞留物或盗移物。 从对目标的检测率上来说，对小目标较难进行检测。一般目标小于 40 个像素就会被漏 掉。对于对比度不高的目标会检测不完整。总体上来说，算法在对比度较高的环境中漏检率 都较低，在 0.1%以下，在对比度不高或有小目标的场景下漏检率在 6%以下。 精细运动检测的目的是在较理想的环境下尽量精确地提取目标的轮廓和区域， 以供高层 进行应用。同时在分离距离较近目标和进行其它信息的进一步判断也具有一定的优势。 反映算法优缺点的详细效果如下所示： 去影子和完整性 效果好 公司内视频 左边的为去影前，右边的 为去影后的结果，可以看出在 完整 性和去影率上 都有所 突 出。 这两个视频的共周特点 城市交通 是，影子都是浅影子，视频噪 声不太明显。目标与背景的对 比度比较高。 效果差 这两个视频的特点是影子 都是深影子。虽然影子没有去 掉，但是物体的完整性是比较 高的。主要原因就是场景的对 路口，上午 十点 比度比较高。 滞留物检测和稳定性 效果好 会议室盗移 效果好的原因，一是盗移或 滞留目标与背景对比度较大，二 是目标本身尺寸较大。 另外盗移物或滞留物在保持 各自的状态期间不能受到光照变 化或其它明显运动目标的干扰， 要不然有可能会造成判断的不稳 定。 效果差 会议室 遗留 物 大部分时间内，滞留的判断 都是较稳定的，但是在后期出现 了不稳定。主要原因是目标太小 的原故。 因此在进行滞留物判断时， 大目标，对比度较高的环境有利 于判断的稳定性和准确性。 漏检率 效果好 城市交通 在对比度高的环境下， 目标相对都较大的情况下 （大于 40 个像素） 可以很 ， 稳定的检测出目标。 在这种 条件下的漏检率通常都是 非常低的，在 0.1%以下。 效果差 行人－傍晚 和“行人”目录下 的 其 它 昏 暗 条件 下的视频 在对 比度较低的 情况 下，会造成检测结果不稳 定。漏检率较高。主要原因 是由于去影子造成的。 这种 对比度下的漏检率一般在 6%以下。 除了 对比度低是 造成 漏检的原因外， 过小的目标 也会造成漏检，一般是 40 个像素以下的目标都会被 忽略掉。 1.2 算法效率内存消耗（单位：b） .MD_ISRAM_data .MD_ISRAM_bss .MD_SDRAM_data 0x470 0x24 0x348 .MD_SDRAM_bss .MD_text 0x1a8480 0x6d40 速度 ms 运动区域占 2/3 左右时 CPU 占用率 一帧耗时 Max:57% Min:2.8% Avg:37.5% Max:23 Min:1.14 Avg:15 运动区域占 1/3 左右时 Max:45% Min:2.8% Avg:20% Max:18 Min:1.14 Avg:8 1.3 检测参数说明 检测参数说明 检测到的滞留物或盗走物的消失时间目前分别设定在 200 帧和 100 帧， 可以通过参数来 自行调整。 目前目标与背景的差异是根据局部光照强度所决定的， 范围在 4 个像素值以上。 目前参 数设置要求目标大小要在 20 个像素以上才能被检测到，可以通过参数来自行调整。 目标阴影的去除能力是可以调整的， 目前的参数设置可以去除大部分的浅影子和较小的 光照变化。 1.4 适用环境推荐光照条件较好（具有一定的对比度）的室内环境或室外环境。不易用它去检测过小的目 标，比如小于 40 个像素的目标。室外环境不易太复杂。输出目标为精细轮廓目标，可以为 后面高层应用提供良好的信息。 二、目标跟踪 2.1 稳定运行环境要求此版本跟踪算法与运动检测算法紧密结合， 对相机的架设和视频的背景环境和运动目标 数量运动方式有一定要求： 背景要求： 由于运动跟踪是基于运动检测的结果进行的， 所以对背景的要求和运动检测一样， 背景要求： 运动目标相对于背景要有一定反差。 运动目标：由于运动检测中，对较小的目标可能过滤掉。所以运动目标的大小要符合运动检 运动目标： 测的要求。运动目标的速度不能太大，要保证前后帧运动目标的重合面积大于 10 个像素。此阈值可修改(建议不要随意修改，过小，可能把碎片当成原目标分 裂出来的小目标，过大，可能失去跟踪。当然可试着调节以适应不同场景)。该 算法对由于运动检测在地面上产生的碎片抗干扰性比较差， 运动目标和碎片相遇 时，容易发生融合又分离的现象，造成轨迹混乱。消失目标和新生目标很容易当 成同一目标处理，所以可能出现一个新目标继承新生目标的轨迹。 运动方式： 运动目标的最大数量由外部设定。 但运动跟踪对运动目标比较稀疏的场景效果比 运动方式： 较好。 算法对由于运动检测在运动目标上产生的碎片有一定的抗干扰。 算法没对 物体的遮挡进行处理。对于两运动目标之间的遮挡按融合来处理。 拍摄角度： 拍摄角度：拍摄视野比较大，且最好是俯视拍摄。
在百度找这样的程序，估计可能性不大，给你几个建议吧。你要做这样的程序，首先要研究一下你的硬件设备类型，因为各个品牌的摄像机要用到的SDK是不一样的。然后你就可以到网上下载这个设备的程序DEMO来研究一下，一般取到图像是没有什么问题了。取到视频图像之后，要分析实时图像内容，目前在这方面做得好的，能达到你说的要求的，国内的监控软件还不多见，即使有也不太可能免费或者开源，所以你想要得到具体的程序，真的是有点不太可能。希望你可以找找别的方法~
运动目标检测与跟踪算法研究 视觉是人类感知自身周围复杂环境最直接有效的手段之一， 而在现实生活中 大量有意义的视觉信息都包含在运动中，人眼对运动的物体和目标也更敏感，能 够快速的发现运动目标， 并对目标的运动轨迹进行预测和描绘。 随着计算机技术、 通信技术、图像处理技术的不断发展，计算机视觉己成为目前的热点研究问题之 一。 而运动目标检测与跟踪是计算机视觉研究的核心课题之一， 融合了图像处理、 模式识别、人工智能、自动控制、计算机等众多领域的先进技术，在军事制导、 视觉导航、视频监控、智能交通、医疗诊断、工业产品检测等方面有着重要的实 用价值和广阔的发展前景。 1、国内外研究现状 1.1 运动目标检测 运动目标检测是指从序列图像中将运动的前景目标从背景图像中提取出来。 根据运动目标与摄像机之间的关系， 运动目标检测分为静态背景下的运动目标检 测和动态背景下的运动目标检测。 静态背景下的运动目标检测是指摄像机在整个 监视过程中不发生移动； 动态背景下的运动目标检测是指摄像机在监视过程中发 生了移动，如平动、旋转或多自由度运动等。 静态背景 静态背景下的运动目标检测方法主要有以下几种： （1）背景差分法 背景差分法是目前最常用的一种目标检测方法， 其基本思想就是首先获得一个 背景模型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断 此像素属于运动目标，否则属于背景图像。利用当前图像与背景图像的差分来检 测运动区域，一般能够提供比较完整的特征数据，但对于动态场景的变化，如光 照和外来无关事件的干扰等特别敏感。 很多研究人员目前都致力于开发不同的背 景模型，以减少动态场景变化对运动目标检测的影响。背景模型的建立与更新、 阴影的去除等对跟踪结果的好坏至关重要。 背景差分法的实现简单，在固定背景下能够完整地精确、快速地分割出运动 对象。不足之处是易受环境光线变化的影响，需要加入背景图像更新机制，且只 对背景已知的运动对象检测比较有效， 不适用于摄像头运动或者背景灰度变化很 大的情况。 （2）帧间差分法 帧间差分法是在连续的图像序列中两个或三个相邻帧间， 采用基于像素的时 间差分并阈值化来提取图像中的运动区域。 帧间差分法对动态环境具有较强的自 适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产 生空洞现象。因此在相邻帧间差分法的基础上提出了对称差分法，它是对图像序 列中每连续三帧图像进行对称差分，检测出目标的运动范围，同时利用上一帧分 割出来的模板对检测出来的目标运动范围进行修正， 从而能较好地检测出中间帧 运动目标的形状轮廓。 帧间差分法非常适合于动态变化的环境，因为它只对运动物体敏感。实际上 它只检测相对运动的物体，而且因两幅图像的时间间隔较短，差分图像受光线 变化影响小，检测有效而稳定。该算法简单、速度快，已得到广泛应用。虽然该 方法不能够完整地分割运动对象，只能检测出物体运动变化的区域，但所检测出 的物体运动信息仍可用于进一步的目标分割。 （3）光流法 光流法就充分的利用了图像自身所携带的信息。在空间中,运动可以用运动 场描述,而在一个图像平面上,物体的运动往往是通过图像序列中图像灰度分布 的不同来体现,从而使空间中的运动场转移到图像上就表示为光流场。所谓光流 是指空间中物体被观测面上的像素点运动产生的瞬时速度场， 包含了物体表面结 构和动态行为等重要信息。 基于光流法的运动目标检测采用了运动目标随时间变 化的光流特性，由于光流不仅包含了被观测物体的运动信息，还携带了物体运动 和景物三位结构的丰富信息。 在比较理想的情况下,它能够检测独立运动的对象, 不需要预先知道场景的任何信息,可以很精确地计算出运动物体的速度,并且可 用于动态场景的情况。 但是大多数光流方法的计算相当复杂,对硬件要求比较高, 不适于实时处理,而且对噪声比较敏感,抗噪性差。并且由于遮挡、多光源、透明 性及噪声等原因，使得光流场基本方程——灰度守恒的假设条件无法满足，不能 正确求出光流场，计算方也相当复杂，计算量巨大，不能满足实时的要求。 动态背景 动态背景下的运动目标检测由于存在着目标与摄像机之间复杂的相对运动， 检测方法要比静态背景下的运动目标检测方法复杂。常用的检测方法有匹配法、 光流法以及全局运动估计法等。 2、运动目标跟踪 运动目标跟踪是确定同一物体在图像序列的不同帧中的位置的过程。 近年来 出现了大批运动目标跟踪方法，许多文献对这些方法进行了分类介绍，可将目标 跟踪方法分为四类：基于区域的跟踪、基于特征的跟踪、基于活动轮廓的跟踪、 基于模型的跟踪，这种分类方法概括了目前大多数跟踪方法，下面用这种分类方 法对目前的跟踪方法进行概括介绍。 (1)基于区域的跟踪 基于区域的跟踪方法基本思想是： 首先通过图像分割或预先人为确定提取包 含目标区域的模板，并设定一个相似性度量，然后在序列图像中搜索目标，把度 量取极值时对应的区域作为对应帧中的目标区域。 由于提取的目标模板包含了较 完整的目标信息，该方法在目标未被遮挡时，跟踪精度非常高，跟踪非常稳定， 但通常比较耗时，特别是当目标区域较大时，因此一般应用于跟踪较小的目标或 对比度较差的目标。该方法还可以和多种预测算法结合使用，如卡尔曼预测、粒 子预测等，以估计每帧图像中目标的位置。近年来，对基于区域的跟踪方法关注 较多的是如何处理运动目标姿态变化引起的模板变化时的情况以及目标被严重 遮挡时的情况。 (2)基于特征的跟踪 基于特征的跟踪方法基本思想是：首先提取目标的某个或某些局部特征，然 后利用某种匹配算法在图像序列中进行特征匹配，从而实现对目标的跟踪。该方 法的优点是即使目标部分被遮挡，只要还有一部分特征可以被看到，就可以完成 跟踪任务，另外，该方法还可与卡尔曼滤波器结合使用，实时性较好，因此常用 于复杂场景下对运动目标的实时、 鲁棒跟踪。 用于跟踪的特征很多， 如角点边缘、 形状、纹理、颜色等，如何从众多的特征中选取最具区分性、最稳定的特征是基 于特征的跟踪方法的关键和难点所在。 (3)基于活动轮廓的跟踪 基于活动轮廓的跟踪方法基本思想是：利用封闭的曲线轮廓表达运动目标， 结合图像特征、曲线轮廓构造能量函数，通过求解极小化能量实现曲线轮廓的自 动连续更新，从而实现对目标的跟踪。自Kass在1987年提出Snake模型以来，基 于活动轮廓的方法就开始广泛应用于目标跟踪领域。相对于基于区域的跟踪方 法，轮廓表达有减少复杂度的优点，而且在目标被部分遮挡的情况下也能连续的 进行跟踪，但是该方法的跟踪结果受初始化影响较大，对噪声也较为敏感。 (4)基于模型的跟踪 基于模型的跟踪方法基本思想是： 首先通过一定的先验知识对所跟踪目标建 立模型，然后通过匹配跟踪目标，并进行模型的实时更新。通常利用测量、CAD 工具和计算机视觉技术建立模型。主要有三种形式的模型，即线图模型、二维轮 廓模型和三维立体模型口61，应用较多的是运动目标的三维立体模型，尤其是对 刚体目标如汽车的跟踪。该方法的优点是可以精确分析目标的运动轨迹，即使在 目标姿态变化和部分遮挡的情况下也能够可靠的跟踪， 但跟踪精度取决于模型的 精度，而在现实生活中要获得所有运动目标的精确模型是非常困难的。 目标检测算法，至今已提出了数千种各种类型的算法，而且每年都有上百篇相 关的研究论文或报告发表。尽管人们在目标检测或图像分割等方面做了许多研 究，现己提出的分割算法大都是针对具体问题的，并没有一种适合于所有情况的 通用算法。 目前， 比较经典的运动目标检测算法有： 双帧差分法、 三帧差分法(对 称差分法)、背景差法、光流法等方法，这些方法之间并不是完全独立，而是可 以相互交融的。 目标跟踪的主要目的就是要建立目标运动的时域模型， 其算法的优劣直接影响 着运动目标跟踪的稳定性和精确度， 虽然对运动目标跟踪理论的研究已经进行了 很多年，但至今它仍然是计算机视觉等领域的研究热点问题之一。研究一种鲁棒 性好、精确、高性能的运动目标跟踪方法依然是该研究领域所面临的一个巨大挑 战。基于此目的，系统必须对每个独立的目标进行持续的跟踪。为了实现对复杂 环境中运动目标快速、稳定的跟踪，人们提出了众多算法，但先前的许多算法都 是针对刚体目标，或是将形变较小的非刚体近似为刚体目标进行跟踪，因而这些 算法难以实现对形状变化较大的非刚体目标的正确跟踪。 根据跟踪算法所用的预 测技术来划分，目前主要的跟踪算法有：基于均值漂移的方法、基于遗传算法的 方法、基于Kalman滤波器的方法、基于Monto Carlo的方法以及多假设跟踪的方 法等。 运动检测与目标跟踪算法模块 运动检测与目标跟踪算法模块 与目标跟踪 一、运动检测算法 1.算法效果 算法效果总体来说，对比度高的视频检测效果要优于对比度低的视频。 算法可以比较好地去除目标周围的浅影子，浅影的去除率在 80%以上。去影后目标的 完整性可以得到较好的保持，在 80%以上。在对比度比较高的环境中可以准确地识别较大 的滞留物或盗移物。 从对目标的检测率上来说，对小目标较难进行检测。一般目标小于 40 个像素就会被漏 掉。对于对比度不高的目标会检测不完整。总体上来说，算法在对比度较高的环境中漏检率 都较低，在 0.1%以下，在对比度不高或有小目标的场景下漏检率在 6%以下。 精细运动检测的目的是在较理想的环境下尽量精确地提取目标的轮廓和区域， 以供高层 进行应用。同时在分离距离较近目标和进行其它信息的进一步判断也具有一定的优势。 反映算法优缺点的详细效果如下所示： 去影子和完整性 效果好 公司内视频 左边的为去影前，右边的 为去影后的结果，可以看出在 完整 性和去影率上 都有所 突 出。 这两个视频的共周特点 城市交通 是，影子都是浅影子，视频噪 声不太明显。目标与背景的对 比度比较高。 效果差 这两个视频的特点是影子 都是深影子。虽然影子没有去 掉，但是物体的完整性是比较 高的。主要原因就是场景的对 路口，上午 十点 比度比较高。 滞留物检测和稳定性 效果好 会议室盗移 效果好的原因，一是盗移或 滞留目标与背景对比度较大，二 是目标本身尺寸较大。 另外盗移物或滞留物在保持 各自的状态期间不能受到光照变 化或其它明显运动目标的干扰， 要不然有可能会造成判断的不稳 定。 效果差 会议室 遗留 物 大部分时间内，滞留的判断 都是较稳定的，但是在后期出现 了不稳定。主要原因是目标太小 的原故。 因此在进行滞留物判断时， 大目标，对比度较高的环境有利 于判断的稳定性和准确性。 漏检率 效果好 城市交通 在对比度高的环境下， 目标相对都较大的情况下 （大于 40 个像素） 可以很 ， 稳定的检测出目标。 在这种 条件下的漏检率通常都是 非常低的，在 0.1%以下。 效果差 行人－傍晚 和“行人”目录下 的 其 它 昏 暗 条件 下的视频 在对 比度较低的 情况 下，会造成检测结果不稳 定。漏检率较高。主要原因 是由于去影子造成的。 这种 对比度下的漏检率一般在 6%以下。 除了 对比度低是 造成 漏检的原因外， 过小的目标 也会造成漏检，一般是 40 个像素以下的目标都会被 忽略掉。 1.2 算法效率内存消耗（单位：b） .MD_ISRAM_data .MD_ISRAM_bss .MD_SDRAM_data 0x470 0x24 0x348 .MD_SDRAM_bss .MD_text 0x1a8480 0x6d40 速度 ms 运动区域占 2/3 左右时 CPU 占用率 一帧耗时 Max:57% Min:2.8% Avg:37.5% Max:23 Min:1.14 Avg:15 运动区域占 1/3 左右时 Max:45% Min:2.8% Avg:20% Max:18 Min:1.14 Avg:8 1.3 检测参数说明 检测参数说明 检测到的滞留物或盗走物的消失时间目前分别设定在 200 帧和 100 帧， 可以通过参数来 自行调整。 目前目标与背景的差异是根据局部光照强度所决定的， 范围在 4 个像素值以上。 目前参 数设置要求目标大小要在 20 个像素以上才能被检测到，可以通过参数来自行调整。 目标阴影的去除能力是可以调整的， 目前的参数设置可以去除大部分的浅影子和较小的 光照变化。 1.4 适用环境推荐光照条件较好（具有一定的对比度）的室内环境或室外环境。不易用它去检测过小的目 标，比如小于 40 个像素的目标。室外环境不易太复杂。输出目标为精细轮廓目标，可以为 后面高层应用提供良好的信息。 二、目标跟踪 2.1 稳定运行环境要求此版本跟踪算法与运动检测算法紧密结合， 对相机的架设和视频的背景环境和运动目标 数量运动方式有一定要求： 背景要求： 由于运动跟踪是基于运动检测的结果进行的， 所以对背景的要求和运动检测一样， 背景要求： 运动目标相对于背景要有一定反差。 运动目标：由于运动检测中，对较小的目标可能过滤掉。所以运动目标的大小要符合运动检 运动目标： 测的要求。运动目标的速度不能太大，要保证前后帧运动目标的重合面积大于 10 个像素。此阈值可修改(建议不要随意修改，过小，可能把碎片当成原目标分 裂出来的小目标，过大，可能失去跟踪。当然可试着调节以适应不同场景)。该 算法对由于运动检测在地面上产生的碎片抗干扰性比较差， 运动目标和碎片相遇 时，容易发生融合又分离的现象，造成轨迹混乱。消失目标和新生目标很容易当 成同一目标处理，所以可能出现一个新目标继承新生目标的轨迹。 运动方式： 运动目标的最大数量由外部设定。 但运动跟踪对运动目标比较稀疏的场景效果比 运动方式： 较好。 算法对由于运动检测在运动目标上产生的碎片有一定的抗干扰。 算法没对 物体的遮挡进行处理。对于两运动目标之间的遮挡按融合来处理。 拍摄角度： 拍摄角度：拍摄视野比较大，且最好是俯视拍摄。
论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：
机械自动化论文参考文献
文后参考文献的著录来源是被著录的文献本身。专著、连续出版物等可依次按题名页、封面、刊头等著录。缩微制品、录音制品等非书资料可依据题名帧、片头、容器上的标签、附件等著录。下面是我和大家分享的机械自动化论文参考文献，更多内容请关注(www.oh100.com/bylw)。
篇一：参考文献
[1] 王飞，刘洪才，潘立冬. 分层式结构变电站自动化通信系统研究综述[J]. 华北电力大学学报(自然科学版). 2007(01)
[2] 周文瑜，温刚，王钇，苏迪. SCL在变电站自动化系统的应用[J]. 继电器. 2007(15)
[3] 郭嘉，韩力，罗建，高仕红. SCL在变电站智能电子装置通信配置中的应用[J]. 重庆大学学报(自然科学版). 2006(12)
[4] 谢志迅，邓素碧，臧德扬. 数字化变电站通信网络冗余技术[J]. 电力自动化设备. 2011(09)
[5] 刘洋，罗毅，易秀成，涂光瑜，陈维莉，江伟. 变电站综合自动化系统的软件可靠性研究[J]. 继电器. 2006(18)
[6] 唐富华，郭银景，杨阳. 基于IEC61850和嵌入式以太网的变电站网络通信系统[J]. 电气自动化. 2006(03)
[7] 李俊刚，宋小会，狄军峰，魏勇. 基于IEC 62439-3的智能变电站通信网络冗余设计[J]. 电力系统自动化. 2011(10)
[8] 王凤祥，方春恩，李伟. 基于IEC61850的SCL配置研究与工具开发[J]. 电力系统保护与控制. 2010(10)
[9] 于敏，何正友，钱清泉. 基于Markov过程的硬/软件综合系统可靠性分析[J]. 电子学报. 2010(02)
[10] 窦晓波，胡敏强，吴在军，杜炎森，闵涛. 数字化变电站通信网络的组建与冗余方案[J]. 电力自动化设备. 2008(01)
[11] 唐富华，郭银景，杨阳. 基于IEC61850和嵌入式以太网的变电站网络通信系统[J]. 电气自动化. 2006(03)
[12] 张沛超，高翔. 全数字化保护系统的可靠性及元件重要度分析[J]. 中国电机工程学报. 2008(01)
[13] 许铁峰，徐习东. 高可用性无缝环网在数字化变电站通信网络的应用[J]. 电力自动化设备. 2011(10)
[14] 童晓阳，廖晨淞，周立龙，李映川，章力，王晓茹，许克崃. 基于IEC 61850-9-2的变电站通信网络仿真[J]. 电力系统自动化. 2010(02)
[15] 王丽华，马君华，王传启，马长武，江涛，韩明峰，王志华，张丽胜，种惠敏. 变电站配置描述语言SCL的应用研究[J]. 电网技术. 2006(S1)
[16] 陈原子，徐习东. 基于并行冗余网络的数字化变电站通信网络构架[J]. 电力自动化设备. 2011(01)
[17] 方晓洁，季夏轶，卢志刚. 基于OPNET的数字化变电站继电保护通信网络仿真研究[J]. 电力系统保护与控制. 2010(23)
篇二：参考文献
[1] 杜厚鹏. 基于监控视频的`运动车辆检测与违章分析[D]. 南京邮电大学 2014
[2] 尹雪雯. 中波发射台自动化监控系统的实践和完善[J]. 电子技术与软件工程. 2014(16)
[3] 李宗辰. 基于Android的多路视频监控用户平台的研究与实现[D]. 南京邮电大学 2014
[4] 孙娜. 中波发射台自动化监控系统的实践和完善[J]. 视听. 2013(05)
[5] 朱少坡. 视频监控中目标的空间定位优化技术研究[D]. 南京邮电大学 2014
[6] 沈忱. 视频监控中的预处理、目标检测和跟踪方法研究[D]. 南京邮电大学 2014
[7] 高滨，孙长海. 论广播电视发射台自动化监控桌系统[J]. 西部广播电视. 2013(Z2)
[8] 邬雪梅. 广播电视发射台自动化监控系统[J]. 科技传播. 2013(02)
[9] 张琦等编着.数字电视制播技术[M]. 中国广播电视出版社， 2003
[10] 曹金泉. 广播电视发射台站自动化监控系统建设[J]. 电子世界. 2012(19)
[11] 廖楚加. 自动化监控技术在电视发射台系统中的应用研究[J]. 信息通信. 2012(04)
[12] 王涛. 基于OMAP的嵌入式视频监控系统[D]. 南京邮电大学 2014
[13] 朱兴华. 中波发射台实现自动化监控如何解决干扰问题[J]. 内蒙古广播与电视技术. 2011(01)
[14] 刘剑波等编着.有线电视网络[M]. 中国广播电视出版社， 2003
[15] 张红波. 嵌入式系统视频会议控制技术的研究与实现[D]. 南京邮电大学 2014
[16] 李松. 天网高清视频监控存储系统设计与实现[D]. 南昌大学 2015
[17] 刘翔. 城市视频监控系统设计与实现[D]. 南京邮电大学 2013
[18] 李森. 在广播发射台中实现监控自动化设计[J]. 信息通信. 2013(08)
[19] 赵栖平. 监控视频中基于在线学习的车辆跟踪检测算法与实现[D]. 南京邮电大学 2014
篇三：参考文献
[1] 吴莹. 基于Selenium的Web自动化测试框架[J]. 科技传播. 2011(18)
[2] 顾国庆. 移动图书馆的研发与实现[D]. 南昌大学 2015
[3] 高凌琴. 基于STAF的自动化测试框架的研究[J]. 曲阜师范大学学报(自然科学版). 2011(03)
[4] 王玉蓉. 青南村村务信息管理系统的研究与开发[D]. 浙江农林大学 2013
[5] 李斌. 工控软件的层次化设计及应用[D]. 苏州大学 2014
[6] 李首文，何贵兵. 自动技术在软件测试过程中的研究与实施[J]. 科技信息. 2011(15)
[7] 周宁. 移动考勤管理的应用与研究[D]. 南昌大学 2014
[8] 姚砺，束永安. 软件测试自动化关键技术的研究[J]. 安徽大学学报(自然科学版). 2003(04)
[9] 张永梅，陈立潮，马礼，郭韶升. 软件测试技术研究[J]. 测试技术学报. 2002(02)
[10] 吕诚昭，孟洛明. 一个软件测试自动化系统：TSBAG[J]. 北京邮电学院学报. 1993(01)
[11] 徐磊. 烟草行业商零物流在途监管信息系统设计[D]. 南昌大学 2014
[12] 黄彪贤，熊建斌，李振坤. 金融软件功能自动化测试的分析及应用[J]. 计算机工程与设计. 2012(02)
[13] 兰欣. 微信公众平台CMS的设计与实现[D]. 南昌大学 2015
[14] 刘腾. 软件测试技术与自动化测试框架模型的研究与应用[J]. 电脑知识与技术. 2009(26)
[15] 中国农业银行股份有限公司江苏省南通市分行课题组. 银行软件自动化测试技术的应用[J]. 中国金融电脑. 2009(12)
[16] 郭巍，龚兵，张武光. 基于数据操作的自动化测试技术研究与应用[J]. 飞行器测控学报. 2009(04)
[17] 赵杰，张晶，高继森. 基于XML的测试用例复用[J]. 重庆工学院学报(自然科学版). 2007(09)
[18] 刘星，蔡勉，李燕，郭颖. 基于关键字驱动机制的安全操作系统的测评系统[J]. 计算机安全. 2009(10)
[19] 蒋云，赵佳宝. 自动化测试脚本自动生成技术的研究[J]. 计算机技术与发展. 2007(07)