【正文】 L 圖象格式可以存貯非交叉存取的圖像，并且一些 OpenCV 也能處理他 , 但是這個函數(shù)只能創(chuàng)建交叉存取圖像 。 size 圖像寬、高 。 1 相等 )必精確匹配 ,并且 由 IPL 處理 的 交叉區(qū)域 則 有可能完全獨立 ， 例如 圖像 尺寸 或 者 ROI 尺寸 。 以上所說 限制 之外 , OpenCV 對于 ROI 的處理方面還提出了 其他 要求 。 ? 命名 信息不 被 支持 。 ? 當 widthStep 被用于去接近圖像行序列，排列是被 OpenCV 忽略的 . ? 不支持 maskROI。 OpenCV 中僅有的 顏色轉換函數(shù) 是 cvCvtColor，它 把 初始 圖像的顏色空間 里邊的 目標 物體的顏色空間 一同 對待 ，一并 看 作 cvCvtColor 的 一個參數(shù) 。 OpenCV 僅僅調用某個 一個子集 ： ? alpha 通道在 OpenCV 中 不會被調用 。 // 定義邊界 結束 的 模式 ， OpenCV 不會調用 char *imageDataOrigin。 //定義 圖像 寬度 ， 單位 是字節(jié) int BorderMode[4]。 // 定義 所用 圖像 的 數(shù)據(jù) 尺寸 ( 在交叉存取 格式下imageSize=imageheight*imagewidthStep）， 以 字節(jié) 為單位 char *imageData。 //這個值是一個 OpenCV 一直將其設定為空的值 struct _IplTileInfo *tileInfo。 當這個數(shù)值不是 0 的時候程序只對這個被定義的區(qū)域進行運算 struct _IplImage *maskROI。 // 定義 圖像 高度值 struct _IplROI *roi。 // 圖像行 ， (取值為 4 或者 8). OpenCV 不 會 調用 這個值 ， 在它的位置 出現(xiàn)的是widthStep int width。 // 定義顏色通道，其中 0 被稱為 交叉存取 ， 1 被稱為 分開存取 ， 交叉存取只有 cvCreateImage 可實現(xiàn) int origin。 // 定義 colorModel[4]，其亦被忽略 10 char channelSeq[4]。 // 定義 alphaChannel， OpenCV 的函數(shù)庫會 忽略 這個通道 int depth。 // 版本 (=0) int nChannels。 (2) IplImage IPL 圖像頭 typedef struct _IplImage { int nSize。 // 矩形高 } CvSize。 第 二 節(jié) 有關圖像識別的 opencv 函數(shù) (1) CvSize 矩形框大小，以像素為精度 typedef struct CvSize { int width。 2020 年 8 月， OpenCV 發(fā)布。 2020 年 10 月 1 日， OpenCV 版本發(fā)布。之間相隔 6 年時間，開發(fā)商對 opencv 移植 Mac OS 平臺做了深層研究 2020 年，基于 Mac OS 的 OpenCV 版本發(fā)布。 2020 年 6 月，首個開源版本 OpenCV alpha 3 發(fā)布。 OpenCV 歷史發(fā)展 9 1999 年 1 月， Intel 主導下 CVL 項目啟動。 近幾年來隨著移動設備 android 系統(tǒng)的興起 ，基于 android 系統(tǒng)的 OpenCV 發(fā)展肯定會上升到一個新階段 。 OpenCV 的出現(xiàn)很有效的解決了這一問題。它不依賴于其它的外部庫 —— 盡管也可以使用某些外部庫。如果檢測到特定的處理器優(yōu)化的 IPP 庫存在， OpenCV 可以自動運行加載這些庫。 OpenCV為用戶提供一個透明的接口英特爾 174。 OpenCV 的 C 函數(shù)，包括 300 多個跨平臺，高層次的 API。 Opencv 是一個輕量級而且高效的視覺庫 —— 它由一系列的 C 函數(shù)和少量 C++ 類構成， Ruby、 Python 以及 MATLAB 等語言的接口也同時被包含其中，基本實現(xiàn)了圖像處理和計算機視覺方面通用算法。 1999 年由 intel 發(fā)起建立，現(xiàn)在由 Willow Garage 提供支持。 差分法流程圖如下圖所示 ： 圖 差分法流程圖 背景保存 拍攝一組含有被測物體的視頻流 大于閾值 小于閾值 物體運動 物體靜止 相鄰兩幀作差 8 第三章 Opencv 的介紹與使用 計算機視覺領域 是當今的一門前沿科學 ，它 不僅可以用于 圖像中的物體分析， 還能用于 安全和入侵檢測系統(tǒng)，自動監(jiān)視和安全系統(tǒng)，制造業(yè)中的產(chǎn)品質量檢測系統(tǒng)，攝像機標定，軍事應用，無人飛行器，無人汽車和無人水下機器人 ， 非常有發(fā)展?jié)摿?， 但 由于當今技術停留在對三維圖像的二維化之后作為計算機識別的基本依據(jù) 上 ， 記錄下的數(shù)據(jù)龐大而精確，很容易被 噪聲干擾， 對于被測物體的識別并不能有效實施 ， 為了能夠 利用計算機 進行高級物體識別運算 ，opencv 應運而生 ，本章主要介紹了 opencv 的來源、發(fā)展與優(yōu)勢 。 以此類推 ， 可獲得整個過程內的物體運動狀 態(tài) 。 幀間差可以很好的反映出監(jiān)控場景內的 每一個變化 ， 包括被測目標和背景內任何物體 的細小抖動 。 幀間差分法（ Frame difference method） ， 一種 運動目標檢測方法 ，通過檢測視頻流中的相鄰兩幀 作差分實現(xiàn)目標 ［ 11］ 。 7 背景差分法 對目標的快速與精確地檢測識別 都取決于背景圖像的獲取 ［ 9］ 。 第 二 節(jié) 背景差分法和幀間差分法 背景差分法（ The background difference method）， 這種方法在目標檢測的過程中 ， 非常依賴 背景圖像建模 ，建模 的準確程度 甚至 直接影響 識別的 最后 效果 ［ 8］ 。39。 中心差分法 （ central difference method） 主要應用于結構動力學 ，基本原理是用有限差分法近似代替后，采用等時間步長 Δ t(i)=Δ t（Δ t 為常數(shù)），用 u表示位移， 求近似求 速度 的 中心差分 和加速度的中心差分 ，其值 為： u39。 同樣，如果 用數(shù)值計算法 來 求 偏微分方程 的解 時， 把 每一個 導數(shù) 都用 有 限差分 法 來近似替代 ， 那么偏微分方程的求解就可以簡化為代數(shù)求解方式 ， 這就是有限差分法 求解 ?；舅枷胧?用有限個離散點構成的網(wǎng)格來代替 代替 連續(xù)定解的 區(qū)域， 這些離散點 被 稱作網(wǎng)格的節(jié)點； 用在網(wǎng)格上定義的離散 的 變量函數(shù)來近似 代替 連續(xù) 的 定解區(qū)域上的連續(xù) 的函數(shù) 變量； 用差商來近似 代替 原方程和定解條件中的微商，積分用積分和來近似，于是原 是連續(xù)區(qū)間內無限的 微分方程和定解條件 就被 代數(shù)方程組 以有限的形式代替 ，即 為 有限差分方程組，解此方程組就得到 的值就可以近似代替 原問題 的解 。 另有各種衍生差分法，如有限差分法、中心差分法 。 它利用 導數(shù)的近似公式 —— 兩點間函數(shù)斜率的線性 主部將其替換，使之離散化 ，從而達到化簡的目標 。 6 第二章 差分法應用 差分法原本為數(shù)學概念， 在數(shù)學與計算機結合的 學科 中被 越來越 廣泛 地 應用于圖像識別領域 ， 且 已經(jīng)成為了當前主流的識別算法的核心內容， 本章將 對這一方法 的發(fā)展歷程和使用方法 做一個大致的介紹 。而 K 是 黑色 Black 的尾 字母，之所以不取首字母，是為了避免與藍色 (Blue)混淆。 L*a*b 由一個垂直軸心表示明亮度（ Luminance）的全白到全黑，兩個水平延伸面表示色彩，其中之一為紅到綠色，另外一個面表示藍到黃色。 CIE L*a*b*： 由于同時使用 過多 無法被統(tǒng)一 的 色彩標準， 導致了諸多生產(chǎn)設計上的不便 ， 所以 國際標準色彩協(xié)會（ International Color Consortium） 于 1931年 專門 制訂了一套國際通用的色彩表示標準 以 解決該問題 。 第 四 節(jié) 色彩標準分類 RGB 色彩模式是工業(yè)界的一種顏色標準， 通過紅綠藍這三種基礎顏色的不同比例搭配 幾乎可以獲得自然界中所有顏色 ， 而且 非常符合人類對顏色的感知 。 如字母識別， 每個認知鬼可以逐漸學會一個字母的某一方面特征 ，如大小、形狀，顏色等等 ，很多很多認知鬼合起來就可以進行一次完整的識別 。 “泛魔”識別模型 解決了相似圖像識別 、失真 圖像識別 、比例放縮圖像識別 等難題 。 “泛魔”識別模型把圖像識別分為多個 不同的 層次， 每個層次各司其職 ，各自進行不同的特征識別機制 ，一步一步識別，最終把每部分的結果合成起來，作為最終識別 。 隨即，又有新的模型， 這種模型更加復雜， 它就是 “泛魔” 識別模型。它也很好的說明了 人類對不規(guī)則 物體的識別 。 格式塔心理學在模板法識別圖像這一研究上也提出了 具有格式塔心理學特征的原型匹配 模型 。 這種方法非常簡單， 但是 這只是一種十分理想化的識別方法， 現(xiàn)實世界中的 ，物體的 物力 外形雖然不會經(jīng)常變化，但隨著視角 ，光線和 外力的影響， 物體的視覺外形 是經(jīng)常變化的 ，把所有的可能性全部做成模板顯然過于復雜，不能實際應用 。模板匹配 模型，又叫模板，是一種 對比識別的識別模式 ，即，計算機如果想識別一個圖像， 負責識別的存儲空間內必須有與其相對應的模板 ，如果有，則可識別，沒有，則無法識別 。 當然每個公司都有著自己的特有清晰度 ，使得市場上的視頻產(chǎn)品規(guī)格不一 ，不過隨著產(chǎn)業(yè)升級，各個不同的規(guī)格一定會統(tǒng)一成更好的規(guī)格 。 由于 DV 格式的深入人心和 HDV 剛剛出現(xiàn)不久 ， 2020 年 前， 數(shù)碼攝像機的主要存儲介質 還基本 都是 Mini DV，它的記錄時間一般為 60 分鐘 ，部分攝像機具有 LP 功能，可以將記錄時間延長到 90 分鐘， 而不損失畫質， 由于其高畫質小體積， 令其在專業(yè)攝影界也擁有了一席之地，如松下的 DVCPRO 和索尼的 DVCAM 等都是著名的專業(yè)攝影機，他們?yōu)榱藵M足專業(yè)人士需要，將錄像時間長度調整為 180 分鐘，依然采用 Mini DV 作為主要存儲介質。這種攝像機的誕生使得電視的清晰度第一次超越了膠片拍攝的電影。 以上的優(yōu)勢 讓 DV 在出現(xiàn)不久就迅速占據(jù)市場 。 DV，全稱 digital video camrecoder（數(shù)碼攝像機）， 以 小體積的 Mini DV 為存儲介質 ，分辨率可達 500 線遠高于前面任 何一種攝像機的清晰度的低于 400的清晰度。 3 V8 面世不久，索尼公司又獨自推出了一款家用攝像機 —— Hi8， 同樣使用8mm 磁帶的 Hi8 結構更加精密，攝像清晰度達 400 線，將家用攝像機性能推至又一高水平 。 VHSC 和 SVHSC 的成功并沒有終結攝像機 輕便小體積化的 腳步，反而加速了其進程 ，繼 JVC 公司之后，索尼（ SONY），夏普（ Sharp），佳能（ Canon）也推出了自己的小型攝像機 —— 8mm 攝像機，通稱 V8。 然而 VHS 與 S— VHS 龐大的體積卻讓它在流通的時候遇到了巨大的阻力，因此， 1982 年， VHSC 和 SVHSC 兩個型號的攝像機應運而生 。 JVC 公司推出第一臺 家用攝像機 ，使用的是 VHS 格式（ Vi deo Home System，家用攝像系統(tǒng) ） ， VHS 采用 毫米盒帶，極大地 降低了攝像機價格，簡便了其操作 ，使其在推出之后廣受大眾喜愛，迅速在民用市場上普及 ，將攝像這一技術帶入人們觀念 。 這種攝像機采用攝像管作為攝像元件，因此壽命低，性能不穩(wěn)定而且價格高昂等 缺陷限制了攝像機的普及，一直到攝像機的下一次革命， 這種高貴的產(chǎn)品一直只能用于特定領域 ，無法民用化 。 第二節(jié) 計算機圖 像獲取技術現(xiàn)狀及前途 自 1973 年面世以來， 攝像機 一直是人類記錄 動態(tài) 物體的唯一方法 ， 在計算機上應用的 圖像獲取裝置也只有攝像頭， 所以攝像頭的發(fā)展 極大地影響了 圖像獲取 技術的發(fā)展 。 人臉識別是現(xiàn)今最熱門的研究方向之一， 在磁卡解鎖的鎖閉方式安全性以及穩(wěn)定性不能得到保證的情況下 ，愈來愈多的 對安全性要求過高的 機構采取了人臉識別或虹膜識別 模式， 雖然價格昂貴，儀器體積龐大 ， 具有科研能力的單位較少 ， 但 這種方式具有可靠性高，使用方便等優(yōu)勢。為了改變現(xiàn)狀，科學家研制出一種救災機器人 ，它能在這些環(huán)境下以人操作，和自主探測方式進行救災活動，提高了救援速度，也提高了救援人員的生還率 ，立即成為世界機器人研究界的研究熱點 。 工業(yè)自動化以來，每個工廠每天都要出廠數(shù)以萬計的產(chǎn)品 ， 由 自動化流水線制造的產(chǎn)品雖然次品率已經(jīng)極大降低，但還是存在 ，用人眼來判斷正品次品雖然可行，但是需要耗費大量人力物力，不但降低了生產(chǎn)效率，還為企業(yè)浪費大量資金，在企業(yè)的需要下，產(chǎn)生了基于圖像識別的次品監(jiān)測裝置 ，該裝置只需要少量操作人員，而且操作簡單 ，一般工人經(jīng)過培訓即可使用， 既加快了工作效率，