1、南京林业大学硕士学位论文基于机器视觉的工业机器人分拣系统的研究姓名：杜荣申请学位级别：硕士专业：机械设计及理论指导教师：焦恩璋20090601，担，：；学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下进行的研究工作所取得的成果。尽我所知，除文中已经特别注明引用的内容和致谢的地方外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式注明并表示感谢。本人完全意识到本声明的法律结果由本人承担。学位论文作者（本人签名）： 和渌加矿占月啪学位论文版权使用授权书本学位论文作者完全了解南京林业大学有关保留、使用学位论文的
2、规定，同意学校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（中国科学技术信息研究所；国家图书馆等），允许论文被查阅和借阅。本人授权南京林业大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以汇编和综合为学校的科技成果，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文全部或部分内容保密口，在年解密后适用本授权书。本学位论文属于不保密影（请在以上方框内打“”）学位论文作者（本人签名指导教师（本人签名致谢三年的时光匆匆而过，我的硕十研究生阶段的学习和生活即将结束了。在即将离开母校之际，首先衷心感谢导师焦恩璋儿年来在学习、工作上给予的指导和关怀，从 课题的确定到研究方法的选择都
3、给了我极大的帮助。他对科研工作认真严肃、精益求精的态度以及踏实勤恳的工作精神都给我留下了深刻的印象，这些无疑将成为我受益终生的宝贵财富。在此衷心祝愿焦恩璋老师工作顺利、合家欢乐！在学习和一：作上各位同学、师弟的默契配合和大力支持，协助我顺利完成了硕十学位论文。特别要感谢师弟李强与师妹陈美宏在整个科研和论文写作阶段给予的帮助。衷心感谢所有曾关心我、帮助我的师长、朋友和同学 们，你 们使我在南京林业大学求学经历更加美好，终生难忘。我还要深深感谢我的父母，感谢他们多年来所给予我的无私关爱和支持。最后，向百忙之中抽出时间审阅本论文的教授、 专家和学者表示衷心的感谢！杜荣二零零九年六月于南林大研究背景第
4、一章绪论当今社会对生产线的自动化要求越来越高。比如，在汽车行业，许多汽车零部件体积庞大，结构复杂，如果用人力米焊接、安装、检测这些部件，不仅效率低下，而且工作 质量难以保证；又如，在食品加： 业，人、 对于食品卫牛的要求越来越高，而在加上过程中的每个环节，人的参与将不可避免的对食品带来污染，近年来出现的多次外贸食品安全问题就是一个佐证。工业机器人具有工作效率高、重复定位精度高等特点，在工业生产中，采用工业机器人代替人工作已经逐渐成为一种趋势。在机器人完成的各种作业中，搬运是最为常见的一种，最早将机器人用于搬运可溯于年的美国。机器人搬运是指机器人用一种设备握持：件，将一件从一个加：位姿（位置与姿
5、态）移到另一个加工位姿。然酊，在搬运机器人的实际应川中，由十种种原因破搬运目标的位置并不固定，比如在用机器人安装挡风玻璃的过程中，挡风玻璃与车身之问位置总是存在少量随机的偏差。有时，目 标甚至可能是运动的，：女在流水 线上运动着的工件。在传统的劳动密集型：业中，：人用眼睛识别一：件的具体位置，然后对：件 进行搬运，处理，加工等操作。机器人毕 竟是机器，没有人类的发达的大脑和视觉系统，在这些情况下，机器人就不能像人一样能够随着具体环境调整运动路径，导致无法获知在某一特定时间，待加工工件的具体位姿。智能化搬运难以实现，大大限制了机器人的应用。因此，如何实现机器人智能化，模拟人类的工作模式， 让其完
6、成一些复杂的任务，逐 渐成为国内外工业机器人研究的个方向。冒图本文研究的分拣系统示意图人类能够完成一些复杂任务的原因之一是人类具有强大的视觉系统。科学家一直努力为机器人增加视觉能力，于是形成了机器人视觉（） 这研究领域。机器人视觉系统的任务是通过视觉传感器抓取图像，然后将图像传送至处理单元，通过数字化处理，根据像素分布和亮度、颜 色等信息，来进行尺寸、形状、颜色等的判别，进酊根据判别结果来控制机器人的动作【】。机器人视觉极大的提高了机器人的智能化水甲，可广泛应用于电子、汽车、机械等：业部门和医学、军事领域。本文研究并实现了一个摹于机器视觉的：业机器人分拣系统，如图所示。该系统在实验室拥有的机器
7、人的基础上，添加扶取 图像的相机，并用机对扶取的图像进行分析，完成对传送带上运动着的目标的识别、跟踪、定位与搬运。使得机器人能很好地适应环境和胜任更多的工作，特别是在对生水甲要求 较高的食品或制药行业、需要自动检测零件尺寸的机械行业、以及需在恶劣危险环境下作业的行业。相关研究状况介绍分拣系统主要涉及到的研究内容有目标识别、视觉跟踪。本文分别介绍这两部分内容的研究状况。当，目标识别技术主要有五种方法：经典的统计模式方法，基于知识的自动方法，基于模犁的自动方法，基于多传感器信息融合的方法和基于人工神经网络的方法。经典的统计模式识别方法主要是利用目标特性的统计分布，依靠目标识别系统的大量训练和基于模
8、式空间距离度景的特征匹配分类技术；基于知识的自动目标识别方法在一定程度上克服了经典统计模式识别法的局限性和缺陷，但存在的主要问题是可供利用的知识源的辩识和知识的验证很困难，同时难以在适应新场景中有效地组织知识；基于模型的自动目标识别方法（，）首先是将复杂的目标识别的样本空间模型化，这些模犁提供了一种描述样本空间各种重要变化特性的简便途径，典型的系统抽取一定的目标特性，并利用这些特性和一些辅助知识来标记日标的模型参数，从而选择一些初始假设，实现目标特征的预测，一个系统的最终目标是匹配实际的特性和预测后面的特性，若标记准确，匹配过程则会成功和有效，但方法目前尚处于实验室研究阶段；基于多传感器信息融
9、合的自动目标识别方法克服了单一传感器的导引头在有光、电干扰的复杂环境中目标搜索和知识识别的能力、抗干扰能力及其工作可靠性会降低的缺陷，每个传感器先分别进行目标检测、判别，然后将这些信息送入数据融合单元，最后得到一个综合的判别结果；基于人工神经网络的自动目标识别方法是模拟人类思维的人工智能方法，它能解决许多传统的识别方法所不能克服的困难，但该方法实现工程应用的瓶颈是实时性欠佳。在实际工程中，运用最广泛的还是经典的统计模式方法，凶 为它不像其他几种方法一样需要很多统计分析和模型建立。多目标跟踪（，）这一概念是由在年首先提出的。起初，它应用于雷达。为了跟踪飞机，当 时要靠操作员手工将屏幕上的点的 测
10、量点连接起来以形成目标的航迹，而随着作战环境中出现的飞机数量的增加，靠人工进行数据判断并标记已不能满足要求。因此如何能自动记录多个目标的位置数据，并自动辨别每个目标的航迹，成为了目标跟踪技术的一项课题。多目 标罪踪己经历了五多年的 发展历程。年，对多日标跟踪理论以及数据关联问题进行了深入地研究，并取得了开创性的进展然而直到午代初期，机动目标跟踪理论才真正引起人们的注意。在这一期问和鬟丌创 的以数据关联技术和尔曼（） 滤波技术有机结音为标志的多日标跟踪技术取得了突破性进展。在数据关联和滤波预测方咀取得小断进展得同时，多目标跟踪系统得系统实现也有许多成果。上世纪年代中期至年代末是多目标跟踪技术飞速
11、发展的时期，以，、 ，为代表的科学家在机动目标跟踪和数据关联方而作出了杰出的贡献，提出了许多经典算法，如时问相关模型，概率数据关 联滤波器和联合概率数据关联滤波器、多假设￥踪、交互多模型、分层融台等算法。年代，等科学家在多维分配算法在数据关 联中的应用、变结构交互多模型、概率多假设跟踪、分布式融台、随机集理论等方面的研究活动极大地丰富和发展了多目标跟踪理论。跨入吐纪。咀，等为代表的人在粒了滤波方血的研究成果，给多日标跟踪技术的发展带来了新的活力，成为最近几年的一个重要研究方向例。国外分拣系统研究成果机器人分拣系统在外国已经有了较多研究成果与产品，主要如下（二）网抓取小火车的机器人（）抓取小火车
12、 的机器人。哥伦比亚大学的，等人为其机器人配备了视觉能力，使得它能够抓取运动中的玩具小火车，如图所示。该系统采用立体视觉（）算法定位小火车，并且从连续图像序列中分析出小火车的运动特征。（）系统。普度大学的，与， 实现了一种基于视觉的系统（如图所示）”该系统可以从含有一堆零件的箱中捡取零件。它采用简单的圆弧边界特征来描述复杂的零件，因此能较好的适应多种不同的零件。图公司的工业机器人（）公司的。是公司提供的视觉系统软件。它为所有公司生产的机器人提供了易用的、基于机的引导和检测功能。同 时它还提供了一个方便用户自己定制视觉引导与检测功能的框架与图形化界面，使用户能很快地开发山稳定的、精准的导向与检测
13、程序。（）公司的。年公司为其机器人推出了软件，它足易于使用的，并且集成了机器人视觉功能的新软件，为用户提供了机器人引导和过程反馈技术。系 统是安装即可使用的机器人视觉软件包，只要求一个摄像头和条缆线，不需要其他附加的处理硬件。它能完成部分位置检测、防 错以及其他处理功能。论文的主要工作与论文结构罔绕基于机器视觉的工业机器人分拣系统的开发和研究，本文主要章节与内容包括：第一章，绪论。着重阐述了课题研究的目的意义及内容。第二章，相机标定。介绍了相机标定的概念并说明了它在机器人分拣系统中的作用。然后介绍了各种标定算法都需要使用到的小孔成像模型。之后研究了目前较为常用的标定方法，并在上实现了算法与 张
14、正友算法（其中包括非线性优化算法）。最后，做实验对标定结果确与否 进行确认。第三章，目标检测标识别。首先研究了基于运动的目标检测 ，其中着重研究了基于背景减法与基丁二二：值化的目标检测，并在分拣系统中采用了这两种方法。其次是研究了统计模式识别相关理论，选择了线性判别函数法进行目标识别。由于统计模式识别使用的是全局特征，往往无法判断标姿态，因此本文最后又研究了基于几何特征的标识别，其巾着重研究了边缘检测、角点检测以及的目 标识别算法。第四章，传送 带上的目标跟踪。研究了 视觉跟踪技术，介绍了跟踪中的主要问题一数据千关。着重研究了全局最近邻（）与多假 设跟踪（）算法，并实现了算法与卡尔曼估计算法。
15、第五章，机器人运动控制。研究了基于的机器人运动控制方法。发现了存在的一个不足之处，并提出了解决方法。本文还对进行了面向对象封装，方便了后续的研究工作。第六章，系统的设计与实现。首先介 绍了本文的硬件选型，以及系 统的构架及原理。然后设计出了软件。第七章，总结与展望。总结了本文主要工作，提出了本研究尚存的不足之 处与后续工作展望。第二章相机标定（）相机标定是机器视觉中的重要问题之一。它是求解目标的像素坐标到场景坐标变换的过程，对于本文所述的分拣系统定位工件具有重要作用，结合相机标定的结果，我 们可以由目标在图像中的位置计算出目标在机器人坐标系中的位置，如图所示：图相机标定在本文中的作用根据选择的
16、相机模型不司，相机参数也不尽相同。针孔模型可以很好的解释相机的成像过程，目前大多数标定算法都以它为模型。 对于针孔模型相机，标定过程主要求解相机内参数（）与外参数（），目前有多种求解内参数与外参数的方法。本章第一节简要介绍了针孔模型，第二 节研究了目前相机标定的主要方法，并实现了两种算法。相机的针孔（）模型相机从被发明至今，其原理一直没有改变，我 们可以用如图所示的 针孔模型来解释，真实场景投影到投影平面上形成像【。为了定量地描述物体在图像阵列中的像素位置和场景位置之间关系，必须定义一系列坐标系吲：图像举标系：摄像机采集的图像通常是数字图像，图像在计算机内为数组，行列的图像中的每一个元素（称为
17、像素）的数值即是图像点的亮度。图像坐标系（，）是定义在图像上的直角坐标系，如图所示。每一个像素的坐标（，）分别是像素在数组中的列数和行数。像素坐标只表示行数和列数，没有物理单位。世界坐标系：世界坐标系（，）是在环境中选取的一个基准坐标系，用来描述摄像机的位置，可以根据描述和计算的方便等原则来自由选取。本文将机器人基座坐标系作平移后作为世界坐标系。摄像机坐标系：摄像机坐标系的原点定义在摄像机镜头的投影中心。轴与轴分别平行于图像平面的水平轴和垂直轴。以相机光轴方向作为轴方向。 轴与图像平面垂直交于，被称为焦距。，】三维空间中一点的坐标（世界坐标系）与其投影点的坐标（像素坐标）的关系可用下廿雕；“卜
18、【誊暑辜仁鞋式中，（，）是一个点的世界啦标；（，）是点在 图像上的像素坐标。称作相机的内参数矩阵；（；，）是主点位置，与是相机焦距，它们以像素为单位。旋转一平移矩阵相机标定方法关于相机标定人们已经做了很多研究，提出了多种方法。根据是否需要标定物，可以将标定算法分为两类：摄影测量标定法（）和自标定法（）。根据所采用的数学求解方法，可以将标定算法分为：求形式解（）法、非线性优化法与两步法【，。摄影测量标定法源于摄影测量学。它使用高精度的、具有两个或三个正交平面的标定物。在拍摄图像后，对数字图像进行处理， 获取角点等数据。然后采用数学解析分析的方法求解未知参数。参考文献，中提到的方法都属于摄影测量标
19、定法。机器视觉中使用的标定方法基本都属于摄影测量法，但是，与 传统的摄影测量学方法有明显的不同，这是因为机器视觉系统使用的廉价相机通常参数未知或者不稳定，从而导致成像过程不稳定，并日存在较大的量化误 差与非线牛镜头畸变。目前机器视觉中使川的摄影测量标定方法主要有：直接线性法、法、张正友法等。自标定法小需要标定物。在静止的场景中移动相机， 场景的不变性给相机的内参数施加了两个约束。因此，拍摄张相片，并根据 图像点之间 的对应关系即可标定出相机的内参数与外参数【。尽管这种方法很方便，但是它还不够成熟。由于需要标定的参数太多，经常得不到可靠的结剁】。因此，本文未深入研究该算法。直接线性法舯猢圉习时管
20、 虽湘刖莒虽蛳兰莹。不考虑成像具体过程，我们可将上式简化为：廿雕蒌到引其中，（，）为空间三维 点的世界坐标，（，） 为相应的像素坐标， 为透视变换矩阵的元素。它包含二个方程，整理消去，得到以下两个关打；的线性方程：一一一一一一这两个方程描述了三维世界点和相应的图像点之间的关系。如果己知三维世界举标和相应的图像坐标，将变换矩阵看作是未知数， 则共有个未知数。对于每一个物体点都有如卜的两个方程，一般来说可设。， 则共有个未知数，取六个目 标点可得个方程是一个超定方程。利用最小二乘法可以很容易求出上述线性方程组的解 ”。采用更多的己知点，可以使方程的个数大大超过未知数的个数，用最小二乘法求解可以降低
21、误差造成的影响，求得透视变换矩阵后， 对其分解可得摄像机的内外参数。方法综合线性和非线性方法旺剐，于年建立了经典的摄像机模型，提出了两步标定法，该方法的第一步利用最小二乘法解超定线性方程，求出外部参数；第二步求解内部参数，如果摄像机无透镜畸变，可由一个超定方程解出，如果存在径向畸变，则可结合非线性优化的方法获得全部参数。该方法计算量适中，平均精度可达。两步法是基于径向排列约束（）来实现的，有时也称为两步法。张正友法张正友于年提出了一种在方便性上介于摄影测量标定法与白标定法之间的方法【。这种方法使用维平面靶标进行标定，在克服了摄影测量标定法种种不便的同时获得了很高的鲁棒性，推动了计算机视觉从实验
22、室向实际应用的迈进。张正友法标定相机的大致过程如下：（）打印一张标 定纸。（）移动相机或者 标定纸，从不同角度拍摄多幅图像。（）检测图像巾的角点。（）使用形式解（）法估 计五个内参数与所有的外参数。（）线性最小二乘法估计径向畸变系数。（）优化各参数。张正友法采用的相机模型为通常的针孔模型。由于标定物足甲而的，可以认为其上各信息点举标为。式可简化为：匿】 日或者： 币 】研研张正友法首先估计出矩阵，并由与约束方程计算出内参与外参，然后采用算法（简称算法），优化获得的结果，再然后采用最小二乘法计算径向畸变，最后再次采用算法优化所有参数。的具体过程如下：（）估计矩阵估计矩阵的方法很多， 张正友在他的
23、文章里使用了最大可能估计，建立目 标函数如下，并采用算法最优化。一氯其中：；为输入图像中的点坐标。 疗；为按照矩阵将投影到图像上获得的坐标。（）估计内外参数根据与正交性质，可得出两个基本约束方程：，可令： 【辞杀壶。（）（）（矿）矿。是对称矩 阵。令：【】所以：刍嚣一百其中【】因此两个基木约束方程可写为如下形式：【（。：，】其中是矩阵，当大于等于时，我们町以解出。一旦解出，我们也就可以解出，从而解决内参数与外参数的计算。（）非线性优化上面内容以代数距离最小化为准则估计了内外参数，但是代数距离并没有物理意义，张正友法以最大可能估计优化各参数：一国（，）（）估计径向畸 变上述求解相机参数过程认为成
24、像过程是理想的小孔成像过程，即镜头没有畸变。然而实际相机镜头总是有畸变的。径向畸变有多种模犁【，蚓，张正友法使用的模型如下：艾（）（）】萝（）（）】其中（，）为模型点根据小孔成像模型投影形成的像在相机坐标中的坐标，它是理想值。实际得到像的坐标为（爻，萝），它与理想 值之间关系可用上式表示。由于投影点的真实图像坐标（近叻与（，萝）有如下关系：证酸西苛盼我们可以得到：豇（）（）（） 】衫（）【（）（） 】将该方程组写成矩阵形式：【暑二：；至：；：；（、，一。）（：）：。【善二：】【（）（）（、，一）（）【一【苛一或者那么可以用最小二乘法解出：（）一（）最后优化最后一步，对于已经估计出来的内外参数以
25、及畸变系数，再作一次优化。方法与第（）步相同，只是目标函数中多了畸变系数：实验采用法（，汕本文采用了法进行相机标定。首先，将标定纸放到机器人坐标系中的合适的位置，如图所示。图中，交叉的十字线为世界坐标系，它与机器人基座坐标系之间只有简单的平移关系。也就是说，在 计算出目标在世界坐标系中的位置之后，冉减去一定得平移量，就可以得目标在机器人基座坐标系中的位置。图直接线形法标定相机然后，利用角点提取算法得到角点数据如表所示。表直接线形法使用的数据（）第一行第二行第行第网行第行第六行第一列第二列（，）（，）（。）（，）（。）（，）（。）（，）（。）（，）（。）（，）（，）第五列第六列第一行（，）（，）
26、第二行（，）（，）第三行（，）（，）第四行（，）（，）第五行（，）（，）第六行（，）（，）第列（）（）（）（。）（。）（。）第七列（。）（，）（）（。）（，）（）亮融铽。（，）（，）（，）（，）（，）（，）一一。第八列；（，）；（）；（，）；（）（。）（。）；阻图直接线形法标定结果验证最后，在中实现算法，程序见表。 标定结果如下所示。【在中用蓝色的星号绘出模型上各点的坐标（真实值）。将表所示的各图像点坐标左乘得山的结果（计算值）用绿色的加号绘出。如图所示，对比可以发现，计算值与真实值较为接近，为分拣系统中机器人准确定位工件提供了可靠基础。表。标定算法程序采用张正友法张正友法需要从至少个不同角度
27、分别拍摄，才能 获得较好的标定结果。本文拍摄张图像如下，第一张图像中世界坐标系与机器人基座坐标系有平移关系。图张正友法标定在中编写程序，得到 标定结果如卜：。【嘲【鬈器】第一张图片对应的外参数为：【】一【一本章小结本章首先介绍了相机标定的概念。然后介绍了各种标定算法都需要使用到的小孔成像模型。之后研究了目前较为常用的标定方法，并在上 实现了算法与张止友算法（其中包括非线性优化算法）。最后，做实验对标定结果确与否进行确认。本章的研究结果使得分拣系统可以较精确的定位场景中的目标，并为后续目标跟踪及机器人抓取提供基础。第三章目标检测与识别算法研究第二章解决目标的图像坐标与世界坐标之问坐标变换的问题，
28、但是如何确定图像中哪些部分是目标，以及是哪种目标的问艇升役有解决。为此，本章解决两个 问题：（）如何在翻片中榆测出目标，即“标检测。（）如何确定检测出的目标是什么。【标识别。解决这两个问题的方洼根多，甚至有些方法可以同时解决两个问题。本立采取了几种方法进行试验。目标检测日标检测的方法有多种。垒介 绍的是基于运动的方法，这种方法利用了由物体运动而导致的帧 问的变化。，介 绍基于二 值化的目标检测方法，研究并实现了自动阈值 算法（图像二 值化是一种简单的分割算法，它将物体与背景分开）。比较了这几种目标检测算法。背景差分法背景差分洁提取目标是由等人于年提出的口”，该方法首先拍摄一幅工作场景中没有目标
29、出现时的图像作为背景在工作场景中有目标出现的时候，使用当前拍摄的图像与事先学习得到的背景图像进行相减的运算，这样由于不包含目标的区域的像素灰度值与背景对应区域的灰度值柑等或很相似，而包含目标的区域像素的灰度值与背景图像对应区域的灰度值有较大的差别，相减运算之后，就可咀得到当前图像与背景图像之间的“个差值图像。如果差值大于定的阈值， 则认为发现目标。如 图所示。曲背景曲工作场景背）景差分结果图背景差分法检测目标采用简单的减法来检测目标很容易受到自然光照变化毗及系统外部干扰的影响。因此采用背景差分法检测耳标的难点在于背景模型的选择与背景的更新。常用的背景建模及更新方式主要有以下几种：平均值法、中值
30、法、运 动平均法、单高斯模型法、核密度估计法等】。目前，背景差分主要有两个 发展方向；一个方向是 对像素过程的建模不断完善，并不断发展快速算法；另一个方向是在基本背景差算法的基础上结合其他信息，提高检测的鲁帏性。帧差法帧葺法最早是由等人在年提出的口，它是基于背景像素点的灰度值和位置部保持不变这一原则来检测运动目标的。通过对不同时刻的两幅图像做差分运算得到差分图像，在差分罔像中，背景 对应的像素灰度不发生变化，凶而其著分罔像值几乎为零：而对应标的像素灰度发！较大变化凼而其差分图像值较大。根据这原理，我 们可以根容易发现标运动信息，再通过对差分图像的后续处理，从而确定标在图像上的位簧。由于帧差法利
31、用了视频序列相邻帧之间的强丰关忭进行变化检测，因此它最大特点是运算速度快，适川于实时性要求较高的应环境，日对环境整体光照变化不敏感。如下式所示差分足指将硝帧相邻目标图像（），一）逐点相减，形成差分图“），在差分图中如果差分 值犬于给定的 闽值），则相席的像素取“否则取“”，由此产：生零区，利用零区就可以检测出运动目标。（）（）一一（，）（）经 （，）（）在应用中，差分錾像并不能表示出完档的运动目标信息，比如当一个运动目标的内部纹理较为均匀，而物体缓慢运动时，前景会 产生空洞，如图所示。 对于这一问题的解次可以采用累积差分削像的方法，或采用后处理的方法如形态学滤波、区域连通或参数模型的方法提取出
32、完整的运动标信息。光流法广曲第帧）第帧）差分结粜图帧差法检测目标光流法的基本思想是：在空丑中运动可以用运动场描述，而在个图像平面上，物体的运动律律是通过图像序列中小同图像灰度分布的不同体现的，从而，空间中的运动场转移到图像上就表示为光流场。光流场反映了图像上每一点灰度的变化趋势。可看成是带有灰度的像素点在图像平面上运动而产生的瞬时速度场，也是一种对真实运动场的近似估计。如果图 像中没有运动目标， 则光流矢量在整个剖像区域是连续变化的，而当存在运动标时，运动 标所形成的速度矢量必然和背景形成的速度矢量不同。光流法检测标正是基于该原理。光流 场的计算分复杂，知果没有特别的硬件的帮助，报难满足系统实
33、时性的要求，因此本文没有试验过该方法。基于图像二值化的目标检测图像分割是指将图像划分为与其中含有的真实世界的物体或区域有强相关性的组成部分的过程，它是图像理解的基础，也是由 图像处理进到图像分析的关键步骤口。 图像分割一般可用于目标检测，凶为图像分割通常能将目标一背景分割成不吲的区域。罔像分割的方法有多种，其主要有：阈值法、聚类沾、区域增长沾、基于边缘的方法等。灰度图像的二值化（）是一种最简单 的图像分割方法。通常图像中目标的灰度与背景的灰度有较火的差异，对于图像叶每个像素（，）如果其灰度值人于某一个闽值，我们认为它是背景，标，相反则认为它是标背景。如武所示吣加嬲：；集的方差计算与的加 权和，
34、选取加权和最小的值作为阐值。设砖（为小于的小 组 的方差，（为大于的小组的方差，（为小于的小组的概奉（为大于的小组的概率。则组内方差为：靠（砖（司（搜索所有可能的，可确定使组内方差最小的最佳阐值。算注如下所示：计葬昏豫中敞每个灰受缘素十数存名为静教纽中计算机“ 每个褒度与协的采拙保存翻州叫嘣数组中印归。啦， 遍力驴每十赢度计算荻瘦小于的像素的概率灰瘦小于镌像素的个数酉像太小计算荻度大丁的像素的概率畦灰瘦太的像素虢个数猎橡太小计锋捉瘦小鹅像素的奇差算荻发太的像素的奇差计算维内方差如果组内方差，、于镪保存擅小黜保存当截，舌蹦继续一个虢结果实验结果如图所示，从中可以看出，在图像灰度满足双峰分布时，利用算法可以较好的找￥合适的闺值。图算法结果二值化后的图像中可能会出现一些噪声如椒盐噪声，我们可以将面积较小的成分去除达到去椒盐噪声的效果。目标检测 算法比较背景减法简单易行， 难点在于背景维护特 别适用环境可控的情况。帧差法将相邻的两帧相减检测目标，避免了维护背景的困难，但是常常得不到目标正确的轮廓，不利于后续采用伞局与局部特征进行目标识别。光流法算法较为复杂，且计算量较大，不容易 设计出实时的系统。基于二值化的目标检测特别简单易行，问题是阈值需随着光照与具体目标的变化而改动，尽管有自动阈值化算法，但它只在直方图为双
