目前,中国正处于经济和社会的高速发展期,随着我国城市化的快速进程及其大量基础建设配套工程的展开,如机场、港口、火车站、码头、停车场、客货运站场和枢纽公交站的重要部位;高速公路、城市快速干线、城市主干线、中心区内各主要路口、城市各出入口、江河主航道、人行天桥、大型桥梁、隧道等重要交通设施的重要部位、地铁营运线各站出入口、站台通道、旅客列车、地下商场等重要场合都要安装电子眼,并已明确提出了对智能化图像信息处理和分析的高端视觉装备的急需。
为了加强对社会治安的保驾护航,视觉监控已成为一种城市安全防护的基本措施,包括公共汽车、电车、客运船舶等大型公共交通运输工具;公园、会议中心、体育场馆、医院、学校、住宅区、商业街、大型农贸市场等公众活动和聚集场所等重要部位;酒店(宾馆)、餐饮、娱乐场所、办公楼的大堂出入口、电梯和其他主要通道等。与欧洲一些国家的做法相似,中国的许多大城市将进入百万电子眼的信息化治安时代
智能图像安保系统需要解决的最重要技术问题是误报警率。误报警的来源主要包括监控范围里不感兴趣的运动物体,例如控制场以外的人员车辆,快速移动的云的影子,水面上阳光的反光等等;以及监控设备造成的误报警,例如安装在高处的相机在强风下的抖动,相机自动光圈,亮度调节等等。尤其在银行金融机构应用领域,还要求在强烈的光线对比下采用自然对比度校正功能看到人物、场景的特征,成为整套监控系统成败的关键。另外,如指纹、瞳孔、人脸特征检测与识别等领域也是机器视觉迅速发展的空间。
机器视觉产业巨大的市场空间为企业发展创造了机遇,同时产业也面临着应用障碍,包括预算限制、不易使用、工程实施资源限制、操作人员的接受程度、视觉技术的了解、相对于其他自动化项目的优先级别不够高等。据调查结果显示,用户在选择机器视觉产品时最重要的衡量标准是供应商的技术支持能力和提供完整解决方案(包括软件)的能力,价格因素仅排在第6位。因此,技术支持与专业化服务在现阶段对用户是至关重要的,这也是产业中企业需要重视与努力的方向。
正是由于机器视觉在现实生活中有着如此大的应用,对其的研究也数不胜数。当前学术界和工业界在目标跟踪方面开展了大量工作,重点研究的算法有MeanShift跟踪算法、基于在线的booting的跟踪算法、基于粒子群优化的跟踪算法和基于模板匹配的跟踪算法等等。对于这些算法的研究已经取得了一定的成果,但是随着视觉跟踪应用的扩大,其跟踪效果已经不能满足需求,一次当前有研究出了新的算法以满足发展需要,其中具有代表性的跟踪算法就是TLD(Tracking Learning Detector)目标跟踪算法。
现在就这里提到的几种算法作简要介绍并且比较在跟踪方面比较他们的优略点:
①MeanShift跟踪算法:
该算法是通过人机交互的方式对被跟踪目标进行初始化的。在起始帧,手动确定一个包含所有目标特征的矩形或椭圆,我们称之为被跟踪目标的目标区域,这个目标区域也是核函数作用的区域,区域的大小等于核函数的带宽(或者称“尺度”)。假定我们在彩色的视频序列图像中跟踪目标,因此,图像像素的值域是RGB颜色空间,按照直方图的方式将RGB颜色空间中的每个子空间R、G或者B空间分成k个相等的区间,构成特征空间。人脸特征提取与跟踪对初始帧目标区域内所有的像素点,计算特征空间中每个特征值的概率,我们称为目标模型的描述。在以后的每帧图像中可能存在目标的候选区域中对特征空间的每个特征值的计算称为候选模型的描述。一般核函数选择高斯函数。利用相似性函数度量初始帧目标模型和当前帧的候选模型的相似性,通过求相似性函数最大得到关于目标的 MeanShift向量,这个向量即是目标从初始位置向正确位置转移的向量,由于MeanShift算法的收敛性,不断迭代计算 MeanShift向量,在当前帧中,最终目标会收敛到目标的真实位置,从而达到跟踪的目的。缺点:当跟踪目标消失又重新出现在视野中的时候或是背景干扰较大的时候会出现目标丢失的情况,有人对该算法进行过改进,但是还是会出现跟踪目标丢失的情况。
②基于粒子群优化的跟踪算法:
粒子群优化(PSO)算法是一种基于群体智能的新兴演化计算技术,广泛用于解决科学研究和工程实践中的优化问题。该算法从一组随机解出发,通过迭代搜寻最优解,但是它没有像遗传算法那样应用交叉和变异算子,而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比 较,PSO的优势有以下三点:(1)容易实现并且没有许多参数需要调整;(2)PSO采用基于邻域的搜索技术,能够利用较小的种群规模保持足够的多样性,从而降低种群规模; (3)PSO与遗传算法的信息共享机制不同。在遗传算法中,个体间互相共享信息,整个种群比较均匀的向最优区域移动。在PSO中,整个搜索过程是跟随当前 最优解的过程,是一种单向的信息流动机制,在大多数情况下,所有粒子将更快的收敛到最优解。虽然,PSO算法有着明显的优越性,并在求解单目标优化问题中 已经取得了一定的成功,但和其它随机优化算法一样,该算法同样存在局部搜索能力差的缺点,不能有效求解高维、复杂的工程问题。因此有人提出了混沌粒子群算法优化算法。
③基于模板匹配的跟踪算法:
模板匹配是数字图像处理的重要组成部分之一。把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准,或根据已知模式到另一幅图中寻找相应模式的处理方法就叫做模板匹配。基于对图像理解和解释的匹配方法是把计算机中的模型同外在世界中的物体和现象建立起相对应的关系,这种方法涉及到计算机视觉、人工智能、模式识别等许多领域,即可用知识和规则来描述匹配对象,利用知识和规则实质上是给匹配对象赋予了一种解释。但是这种方法在实现时,为减少计算量而使结构与点之间的关系描述常常是不完全的,并且它们缺乏一种有效地衡量点集之间是否相同的手段,所以这种方法目前还没有取得突破性的进展。基于灰度的图像匹配算法,这类方法直接利用图像的次度信息进行匹配,通过象素对之间某种相似性度量的全局最优化实现匹配,不需进行图像分割和图像特征提取,因而可以避免由这些预处理所造成的精度损失。这一类方法因其原理简单,并且数学统计模型以及收敛速度、定位精度、误差估计等均已有很成熟的研究成果。这类匹配方法需要解决的问题是:匹配速度比较慢,对灰度信息变化、光照变化、噪声非常敏感,没有充分利用灰度统计特性,对每一点的灰度信息依赖较大,不适应于匹配对象存在旋转和缩放情况下的匹配问题。
④TLD目标跟踪算法:
TLD跟踪系统最大的特点就在于能对锁定的目标进行不断的学习,以获取目标最新的外观特征,从而及时完善跟踪,以达到最佳的状态。也就是说,开始时只提供一帧静止的目标图像,但随着目标的不断运动,系统能持续不断地进行探测,获知目标在角度、距离、景深等方面的改变,并实时识别,经过一段时间的学习 之后,目标就再也无法躲过。TLD技术有三部分组成,即跟踪器、学习过程和检测器。TLD技术采用跟踪和检测相结合的策略,是一种自适应的、可靠的跟踪技术。TLD技术中,跟踪器和检测器并行运行,二者所产生的结果都参与学习过程,学习后的模型又反作用于跟踪器和检测器,对其进行实时更新,从而保证了即使在目标外观发生变化的情况下,也能够被持续跟踪。这些特点决定了TLD算法在跟踪方面具有很好的效果,现在基于此的研究渐渐增多,但实际中由于此算法还比较年轻,所以其应用还不是很广泛,但是可以相信未来该算法的应用将会很广。
纵观国内的视觉产业,很容易发现几个问题:(1)缺乏国产视觉产品,尤其是软件及整套视觉系统;(2)代理环节过长。由于目前从事代理的公司过多(供大于求),导致代理公司过早进入恶性的价格竞争阶段。加之国内相当多的OEM( OriginalEquipment Manufacturer )以及最终用户,对自身视觉开发能力自视过高,造成代理隔过系统集成商直接与最终用 户交易的不合理情况;(3)系统集成商及OEM客户严重不足。以中国市场目前现状来看,系统集成商是能够确保视觉系统在最终用户生产线上正常运行的重要环节,而OEM客户则是真正带动视觉整个行业的主动力。这两个环节不足,是目前视觉行业在国内举步唯艰的主要原因;(4)大批最终用户有待开发。当前国内视 觉实际应用项目,主要集中在烟草和电子业,而电子、汽车和包装这三大产业将是机器视觉在中国未来发展和应用的最有力方向。
综合以上分析,未来机器视觉在不仅在电子、半导体、汽车等传统应用领域具备巨大的市场空间,在基础设施配套工程、视觉监控等一些新兴领域也将迎来更广阔的需求。结合近几年产业发展轨迹及国内外经济形势,预计2011年机器视觉产业市场规模将突破10亿元,至2015年市场规模将达到30亿元,市场空间巨大。
参考文献:
① 2012-2015年中国机器视觉产业市场调研与投资建议研究报告
② 智能视频监控中目标跟踪算法研究及应用硕士学位论文.中国科学技术大学.吴伟.2011-05-12.
③ 简谈机器视觉的用途.