0 引言

目前，智能車輛必不可少的重要功能之一就是對障礙物的檢測和危險(xiǎn)的預(yù)判，同時(shí)也被各位專家學(xué)者研究和探索。車輛在道路上行駛時(shí)，如果前方的車輛能夠及時(shí)且準(zhǔn)確的被檢測、識(shí)別，從而保障車輛能夠安全行駛以及預(yù)防碰撞事故的發(fā)生，以減少交通安全事故，保護(hù)駕駛員的人身安全和財(cái)產(chǎn)安全。人類是通過眼睛-視覺來觀察世界，從而更好地認(rèn)識(shí)世界，因此，駕駛車輛時(shí)，駕駛員能夠通過視覺獲取90%的道路信息

。模式識(shí)別與圖像處理是機(jī)器視覺實(shí)現(xiàn)的主要手段，它借助一系列的圖像處理實(shí)現(xiàn)對環(huán)境信息的檢索和加工處理，以完成所需信息的檢測和預(yù)判。因此在智能車輛、無人駕駛以及安全輔助駕駛中，機(jī)器視覺就成為了獲取環(huán)境信息的一種非常重要的手段。

機(jī)器視覺技術(shù)尤為關(guān)鍵的一個(gè)步驟就是識(shí)別圖形，圓形的識(shí)別以及圓形的位置檢測更是司空見慣。Hough變換及Hough優(yōu)化算法是現(xiàn)在機(jī)器視覺中比較常用的檢測圓形的算法。Hough變換

是由 Panl Hough 1962年提出的，它利用圖像空間、參數(shù)空間的相互關(guān)系，將圖像空間中的問題轉(zhuǎn)移到參數(shù)空間中進(jìn)行求解，以使求解過程變得容易。這種方法首先預(yù)估能夠落在邊緣上的所有點(diǎn)，然后進(jìn)行統(tǒng)計(jì)計(jì)算，再以此判斷圖像邊緣滿足預(yù)先設(shè)定的邊緣的程度。Hough變換采用三維空間參數(shù)累積的方法不僅需要進(jìn)行大量的計(jì)算，還占用大量的存儲(chǔ)空間，并且處理時(shí)間長。針對這一缺陷Xu等

提出了隨機(jī)霍夫變換算法，該算法在一定程度上減少了經(jīng)典Hough變換在一對多映射方面計(jì)算量大的問題。但是干擾較多的復(fù)雜圖像在處理時(shí)會(huì)引入許多無效樣本，使該算法的效能受到很大影響。因此，諸多學(xué)者專家對RHT算法進(jìn)行了改進(jìn)。HAN

提出了利用隨機(jī)采樣的2點(diǎn)的梯度，直接計(jì)算所檢測圓的參數(shù)，但是梯度存在一定的誤差，并進(jìn)行累積，所以該方法精度不高。Manznaera A等

在灰度圖像中，首先預(yù)估曲率導(dǎo)數(shù)，然后對所有像素進(jìn)行投票，再將有關(guān)參數(shù)通過Hough變換計(jì)算出來，這種方法不對圖像的輪廓進(jìn)行設(shè)計(jì)和計(jì)算，更便捷的解出圓孔相關(guān)的一些位置參數(shù)。不過，若有瑕疵存在于所檢測的圓孔時(shí)，它們也會(huì)參與投票這樣就會(huì)導(dǎo)致許多無關(guān)參數(shù)的出現(xiàn)，從而使檢測結(jié)果不夠準(zhǔn)確。類似的文獻(xiàn)[6-8]在對圖像進(jìn)行預(yù)處理操作時(shí)，還合理的改進(jìn)了邊緣檢測算法，以提高檢測的實(shí)時(shí)性和降低噪聲的干擾性。陳小艷等

首先采用 Canny算法進(jìn)行邊緣檢測，然后再對圖像邊界進(jìn)行過濾處理，從而改善了Hough變換識(shí)別的效能，但沒有考慮到 Canny算法本身就存在一定的缺陷。龐明明

等提出了一種基于模糊LBP和Canny邊緣的圖像分割方法，雖達(dá)到了一定的效果，但并沒有獲得理想的狀態(tài)。

本文通過學(xué)習(xí)各位專家學(xué)者在圖象識(shí)別時(shí)采用的圓檢測算法，提出了基于Canny的邊緣檢測以及改進(jìn)Hough變換的圖像識(shí)別算法。

1 基于Canny的邊緣檢測算法

Canny的邊緣檢測算法分為以下幾個(gè)步驟：

(1)平滑處理，采用高斯濾波器進(jìn)行：

(1)

(2)

(2)計(jì)算梯度的幅值和方向：

從發(fā)展趨勢的角度來看，區(qū)域產(chǎn)量指數(shù)保險(xiǎn)、天氣指數(shù)保險(xiǎn)、價(jià)格指數(shù)保險(xiǎn)是目前在全球范圍內(nèi)指數(shù)保險(xiǎn)的主要險(xiǎn)種，具有很大優(yōu)勢，能夠推動(dòng)保險(xiǎn)業(yè)職能轉(zhuǎn)變，由過去的風(fēng)險(xiǎn)治理到?jīng)Q定資源配置效率。在國家持續(xù)增強(qiáng)政策性補(bǔ)貼廣度和深度的基礎(chǔ)上，未來我國農(nóng)業(yè)保險(xiǎn)需要市場去拉動(dòng)發(fā)展，同時(shí)也需要農(nóng)資企業(yè)的深度參與。不難預(yù)見，隨著農(nóng)業(yè)保險(xiǎn)與農(nóng)業(yè)生產(chǎn)的逐步貼近，其與農(nóng)民的距離一定會(huì)越來越近。

(3)

式中：

有關(guān)方面提醒，消費(fèi)者在網(wǎng)絡(luò)平臺(tái)購買普通家電產(chǎn)品后，其享有的權(quán)利應(yīng)當(dāng)和在實(shí)體賣場中購買的一樣，例如“三包”等。而家電產(chǎn)品出售之后，電子商務(wù)平臺(tái)和家電廠商都應(yīng)負(fù)有相應(yīng)的責(zé)任。在網(wǎng)購家電產(chǎn)品時(shí)，首先應(yīng)當(dāng)盡量選擇靠譜、正規(guī)的網(wǎng)購平臺(tái)和商家。

1)根據(jù)目標(biāo)的先驗(yàn)知識(shí)首先確定半徑的范圍(

,

)，并初始化所有的變量以及Hough數(shù)組，為它們分配內(nèi)存；

(4)利用雙閥值算法進(jìn)行檢測及連接邊緣。

式中，Pi為測站該年第i個(gè)月降雨量(單位：mm)，該模型求算結(jié)果為美制單位：Ft·T·In/(A·h)，需將結(jié)果乘以17.02換算為國際制單位：MJ·mm/(hm2·h·a)，以便于后續(xù)計(jì)算及分析.

1.1 圖像預(yù)處理

經(jīng)過顏色識(shí)別后的圖像上的目標(biāo)內(nèi)部還存在一些黑洞，邊緣粗糙。因此，本文采用閉運(yùn)算處理，改善了圖像的質(zhì)量，得到更加清晰的目標(biāo)圖像。

閉運(yùn)算的處理過程是：用B對A進(jìn)行閉運(yùn)算記為

·

，其定義為

·

=(

⊕

)

(其中

-輸入的二值圖像，

-結(jié)構(gòu)元素)。

學(xué)習(xí)電解原理和解決電解相關(guān)的問題時(shí),每一屆都會(huì)有較多同學(xué)產(chǎn)生畏難心理,覺得課本上電解原理的內(nèi)容不多、容易理解,但課外相應(yīng)習(xí)題不好做,考試試題難度更大。造成這種情況的原因有:第一,雖然課本中相關(guān)內(nèi)容多,但由于電解原理在生產(chǎn)、生活中有廣泛應(yīng)用,所以相應(yīng)習(xí)題、試題往往有聯(lián)系生產(chǎn)和生活的實(shí)際情境,涉及較多的拓展性內(nèi)容;第二(也是主要原因),對電解原理的認(rèn)識(shí)還不全面,有認(rèn)識(shí)誤區(qū),遇到電解問題時(shí)這些認(rèn)識(shí)誤區(qū)會(huì)影響同學(xué)們的思考角度、思維路徑和認(rèn)識(shí)深度,導(dǎo)致產(chǎn)生錯(cuò)誤。解決的方法就是要突破認(rèn)識(shí)誤區(qū),重視從各個(gè)方面收集證據(jù),提高基于證據(jù)(而不是基于記憶)作出推理判斷的能力。

閉運(yùn)算通過對A的邊緣進(jìn)行濾波處理，磨光凹向A邊緣內(nèi)部的尖角，填充A內(nèi)部的孔洞，并連接兩個(gè)臨近的區(qū)域使其成為一個(gè)新的區(qū)域。采用閉運(yùn)算，則不僅可以平滑圖像中目標(biāo)的邊界，還能消除存在的噪聲。

文化缺省當(dāng)中所省略掉的具體內(nèi)容一般情況下不在語料中，電影觀眾并不能利用前后的內(nèi)容關(guān)系來填補(bǔ)其中的所缺少的部分，而是要從語篇之外的國家文化背景中，激發(fā)自我知識(shí)體系，以便更好的理解相關(guān)的內(nèi)容。順利的理解來源于影片自身在觀眾思想中所構(gòu)建的連接程度。換言之，也就是觀眾依靠自身的理解能力在主觀的解讀影片內(nèi)容，而所進(jìn)行理解的過程則是運(yùn)用聯(lián)系原則來構(gòu)建的連接關(guān)系。觀眾對具體文化現(xiàn)象的掌握程度越深，其空位填補(bǔ)水平也就越高。但如果觀眾并不能這樣通過自身的能力來理解電影字幕的語言，就會(huì)無法真正理解影片所要表達(dá)的核心思想。

1.2 基于Canny的目標(biāo)質(zhì)心的邊緣檢測

本文采用基于Canny的目標(biāo)質(zhì)心的邊緣檢測算法直接提取目標(biāo)邊界，提高識(shí)別的速度。

(4)

式中：

(

(

,

))—像素

(

,

)的基于彩色邊緣檢測算子的梯度值。

—目標(biāo)梯度閾值。

(

+

,

)—像素

(

,

)后相鄰的

個(gè)像素。

—基于顏色檢測的目標(biāo)區(qū)域。

邊緣檢測的結(jié)果如圖1：

觀察基于Canny的邊界提取結(jié)果可以看出，本文采用基于目標(biāo)質(zhì)心的算法能夠迅速獲得目標(biāo)邊界，這種方法易于操作，計(jì)算量不大，目標(biāo)邊界提取的速度也較快。

大部分院校是針對即將畢業(yè)的大學(xué)生進(jìn)行職業(yè)素養(yǎng)的教育，由招生就業(yè)部門負(fù)責(zé)對學(xué)生進(jìn)行培訓(xùn)指導(dǎo)，但這個(gè)時(shí)期學(xué)生的狀態(tài)表現(xiàn)出去就業(yè)單位迫切性、思想上的放松、學(xué)習(xí)動(dòng)力的下降、接受知識(shí)的抵抗性等等弊端性問題，造成往往使職業(yè)素養(yǎng)的教育流于形式，離目標(biāo)差距比較大。

2 基于改進(jìn)的Hough變換的形狀識(shí)別

經(jīng)典Hough變換算法：

3)緊密結(jié)合業(yè)務(wù)規(guī)范和工作流程,在產(chǎn)品制作上極大提高預(yù)報(bào)員的工作效率,有效減小出現(xiàn)錯(cuò)誤的環(huán)節(jié),并自動(dòng)記錄工作日志,方便留痕管理和檢查。

若將圓的方程設(shè)為(

-

)

+(

-

)

=

，那么(

-

)

+(

-

)

=

在參數(shù)空間中就是一個(gè)三維錐面，該方程體現(xiàn)了圖像空間中的圓在參數(shù)空間中就表示一個(gè)點(diǎn)。圖像空間中的點(diǎn)對應(yīng)于參數(shù)空間的表示，如圖2中所示，這個(gè)點(diǎn)對過其的一簇圓的相關(guān)參數(shù)(

,

,

)都進(jìn)行了限制。

式中：(

,

)—圖像平面上的點(diǎn)。

通過對經(jīng)典

變換算法的研究，本文提出了一種

的改進(jìn)算法。該算法以先驗(yàn)知識(shí)和實(shí)踐應(yīng)用作為前提條件，需要提前確定所檢測圓的半徑的極限值(

,

)。將(

-

)

+(

-

)

=

進(jìn)行以下變形來檢測：

(5)

而對于圓來說，它的半徑是穩(wěn)定不變的。那么若將各個(gè)點(diǎn)在圓周上組成的集合用參數(shù)空間來表達(dá)，就呈現(xiàn)出半徑

是相等的，而

、

不同一個(gè)個(gè)圓錐的集合，如圖3所示。

選取四幅圓的圖像，要求它們具有相等的半徑，采用經(jīng)典Hough變換、改進(jìn)Hough變換分別進(jìn)行形狀檢測，這2種方法所使用的時(shí)間的對比結(jié)果如表1。

4)3)中求得的半徑值與所有

，

一一對應(yīng)，二者的平均值就是圓心(

,

)。

因此，本文提出的基于改進(jìn)的Hough變換算法的形狀識(shí)別是可靠的，并且檢測時(shí)間短，效率比較高。由于環(huán)境中只有球具有圓的特征，因此只對滿足顏色特征的目標(biāo)邊界進(jìn)行Hough變換，其主要過程如下：

(3)對梯度幅值進(jìn)行改進(jìn)處理，以實(shí)現(xiàn)最大化抑制。

(

,

)是圖像(

,

)點(diǎn)處的邊緣強(qiáng)度；

是圖像(

,

)點(diǎn)處的法向矢量。

圖像預(yù)處理技術(shù)的主要借助降低、去除圖像中的噪聲或者抑制背景等手段提高圖像的質(zhì)量，采用圖像預(yù)處理操作可以減輕后面數(shù)據(jù)處理工作的壓力，而且圖像預(yù)處理的結(jié)果對特征提取與識(shí)別的準(zhǔn)確性影響很大。

3)根據(jù)2)得到的優(yōu)先序列值，計(jì)算

～

的Hough數(shù)組層，其中數(shù)值最大的一層就是所檢測圓的半徑。

遠(yuǎn)赴俄羅斯聯(lián)邦卡爾梅克共和國，追尋土爾扈特汗國的歷史蹤跡，是馬大正多年的宿愿，自上世紀(jì)80年代萌發(fā)，至今已有近40年的歲月。馬大正在記述自己尋訪土爾扈特人歷史的游記《天山問穹廬》中曾發(fā)出如下感嘆：

西歐經(jīng)濟(jì)高度發(fā)達(dá)同樣既得益于良好的自然條件特別是相對豐富且時(shí)空分布均勻的降雨條件，也得益于對水資源的科學(xué)認(rèn)識(shí)和有效管理。

3 目標(biāo)特征提取實(shí)驗(yàn)

本文采用基于目標(biāo)質(zhì)心的邊緣檢測和改進(jìn)的Hough變換的形狀識(shí)別，具體流程如下：

(1)利用顏色特征提取目標(biāo)區(qū)域，在下一步處理中只需在目標(biāo)區(qū)域中進(jìn)行目標(biāo)特征提取即可；

(2)根據(jù)顏色識(shí)別結(jié)果，采用閉運(yùn)算進(jìn)行圖像預(yù)處理，改善圖像質(zhì)量；

(3)利用基于Canny的目標(biāo)質(zhì)心檢測算法獲取目標(biāo)邊界；

(4)利用改進(jìn)Hough變換對邊緣檢測結(jié)果進(jìn)行形狀特征的識(shí)別與提取；

(5)圓的識(shí)別：根據(jù)環(huán)境中球的顏色和形狀，只需直接判斷目標(biāo)的特征是否符合圓的特征，判定條件是顏色為黃色，區(qū)域特征

>

，形狀特征是

_

=1。

實(shí)驗(yàn)結(jié)果如圖4所示：

由實(shí)驗(yàn)結(jié)果可知，與經(jīng)典

變換算法相比，本文所用的基于

的目標(biāo)質(zhì)心的邊緣檢測和改進(jìn)

變換的圖像特征識(shí)別算法執(zhí)行時(shí)間都很短，計(jì)算更少，所需的內(nèi)存空間也較少。

4 結(jié)束語

實(shí)時(shí)且準(zhǔn)確的環(huán)境感知，是使智能移動(dòng)平臺(tái)能夠完成復(fù)雜環(huán)境和未知境況下的的自主導(dǎo)航的主要手段之一。

(3)測量誤差會(huì)導(dǎo)致單項(xiàng)結(jié)構(gòu)誤差的辨識(shí)精度浮動(dòng)，但結(jié)構(gòu)誤差的整體辨識(shí)精度并未下降，證明了線性化誤差模型的穩(wěn)定性。

語文閱讀教學(xué)策略，是指教師為了增強(qiáng)學(xué)生的閱讀意識(shí)和提高學(xué)生的閱讀質(zhì)量，在遵循閱讀規(guī)律的基礎(chǔ)上，所采取的語文教學(xué)手段和方法。學(xué)生核心素養(yǎng)提升的落實(shí)不僅僅是教學(xué)內(nèi)容的選擇和變更，而是必須以學(xué)習(xí)方式和教學(xué)模式的變革為保障。因此，進(jìn)一步優(yōu)化高中語文閱讀教學(xué)策略是提升學(xué)生語文素養(yǎng)的必然選擇。

本文提出了一種基于Canny的邊緣檢測和改進(jìn)Hough變換的圖像特征識(shí)別算法。借助目標(biāo)的質(zhì)心進(jìn)行邊緣檢測，提高了檢測效果；又在此基礎(chǔ)上，利用改進(jìn)的Hough變換算法找到Hough數(shù)組中數(shù)值最大的一層即為所檢測圓的半徑，實(shí)現(xiàn)目標(biāo)形狀的識(shí)別。實(shí)驗(yàn)結(jié)果表明， 該算法對智能車輛行進(jìn)過程中的探測障礙物和預(yù)測危險(xiǎn)的研究提供了依據(jù)。

[1]章毓晉．圖像理解與計(jì)算機(jī)視覺．清華大學(xué)出版社.2000-08．

[2]HOUGH V，PAUL C. Method and means for recognizing complex patterns：US，3069654 [P]. 1962-12-18.

[3]XU L,OJA E. Randomized Hough transform (RHT):Basic mechanisms, algorithms and computational complexities [J]. Computer Vision Graphic Image Process:Image Understanding， 1993,57(2):131?154.

[4]HANC-C. Fast face detection via morphology-based pro-processing[J].Pattern Recognition，2000，33(10)：1701—1712．

[5] Manznaera A, Nguyen T P, Xu X L．Line and circle detection using dense one-to one Hough transforms on greyscale images[J/OL]．Eurasip Journal on Image and Video Processing,2016,46:1-18[2016-12-12],https:// doi.org/10.1186/s13640-016-0149-y.

[6]陳小艷，王強(qiáng)，李柏林．改進(jìn)的 Hough變換檢測圓方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2015,24(8):197-201．

[7]龐明明，安建成.融合模糊LBP和Canny邊緣的圖像分割[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40(12) : 3533-3537

[8]劉克平，李西衛(wèi)，隋吉雷等.基于改進(jìn)Canny算法的工件邊緣檢測方法 [J].廣西大學(xué)學(xué)報(bào) (自然科學(xué)版),2017,42(6):2022-2029.

[9]梅永，莊建軍.基于Canny邊緣檢測的圖像預(yù)處理優(yōu)化算法[J].信息技術(shù),2022,(1):75-79

[10]Zhenkun Jin, Lei Liu, Dafeng Gongand Lei Li. Target Recognition of Industrial Robots Using Machine Vision in 5G Environment. Frontiers in Neurorobotics 2021. 624466.DOI: 10.3389/fnbot.2021.624466

[11]Comert, R.; Avdan, U.; Gorum, T.; Nefeslioglu, H.A. Mapping of shallow landslides with object-based image analysis from unmanned aerial vehicle data. Eng. Geol. 2019, 260, 105264.

[12]李斌，王榮本，郭克友. 基于機(jī)器視覺的智能車輛障礙物檢測方法研究[J].公路交通科技，2002，19(4): 126-129

[13]張青，鄒湘軍，林桂潮，等.草莓重量和形狀圖像特征提取與在線分級(jí)方法[J].系統(tǒng)仿真學(xué)報(bào)，2019，31(1): 7-15.

[14]陳高攀，徐美華，王琪，等.一種基于單目視覺的前方車輛檢測算法[J].上海大學(xué)學(xué)報(bào)(自然科學(xué)版)，2019，25(1): 56-65.