摘要：本文簡要介紹了計算機視覺圖像技術(shù)的應(yīng)用范圍，即視頻圖像分析、目標區(qū)域安防檢測等，并從果蔬成熟度檢測、自動駕駛檢測兩個方面，開展了計算機視覺圖像技術(shù)的應(yīng)用實踐分析，以期展現(xiàn)計算機視覺技術(shù)的應(yīng)用價值。

關(guān)鍵詞：計算機；視覺；圖像

一、引言

原有的圖像采集設(shè)施，如攝像設(shè)備、監(jiān)控設(shè)施等，能夠獲取可見光波段，并以圖像、視頻的形式進行存儲。此類設(shè)備不方便攜帶，且數(shù)據(jù)采集范圍不大。當前，隨著移動設(shè)施和各類專業(yè)設(shè)施的應(yīng)用普及，采集信息逐步延展至各類電磁波波段，使得信息量快速增長，從而給予計算機視覺技術(shù)應(yīng)用較多的樣本數(shù)據(jù)，切實提升了數(shù)據(jù)采集的便利性。

二、計算機視覺圖像技術(shù)的應(yīng)用范圍

（一）視頻分析

在5G技術(shù)的應(yīng)用背景下，采集信息的路徑從圖文轉(zhuǎn)向視頻、音頻等方向，與此同時，采集的信息量迅速增加。在視頻存儲、數(shù)據(jù)管理期間，視頻分析成為關(guān)鍵的技術(shù)應(yīng)用。視頻分析是指利用視覺技術(shù)全面分析視頻內(nèi)容并將其轉(zhuǎn)化成結(jié)構(gòu)式信息的過程。

在進行視頻分析期間，視覺技術(shù)應(yīng)用工具會采取解封裝、解碼的形式，分析單組視頻，獲取各個圖像信息。在獲得幀信息后，采集圖片樣本信息。通常情況下，視頻內(nèi)圖像變化時間較短，在網(wǎng)絡(luò)環(huán)境中視頻的傳送幀率處于20fps至30fps之間。合理的采樣能夠保證算法的精確性。采樣措施有助于顯著增強系統(tǒng)的吞吐能力，同時能夠控制系統(tǒng)處理數(shù)據(jù)的成本。利用視覺算法，還能有效劃分幀圖像類型、精確測定圖像信息、識別圖像內(nèi)容等[1]。

完成視頻分析后，系統(tǒng)能夠得到整體視頻、片段圖像兩部分信息。視頻類信息具有標簽特性，比如“體育－籃球”“影視?。矂　钡?。標簽的設(shè)立，既有助于分析者更好地利用整體內(nèi)容，還便于有效存儲和檢索視頻。片段信息的視頻分析結(jié)果，含有起始時間、終止時間、人臉識別結(jié)果等。比如，視頻畫面的人物，如在視頻數(shù)據(jù)庫中未找到匹配畫像，則會被標記為“陌生人”。

（二）安防監(jiān)控

科技的進步要求安防工作更快速、更智能地做出決策。比如，在校園安防中，在固定攝像頭布置、人工自主監(jiān)測的情況下，引入AI技術(shù)，能夠有效控制人力成本，增強風險識別的精確性。安防系統(tǒng)需要全面獲取校內(nèi)師生的人臉信息，建立人臉底庫。在校園各個位置設(shè)立攝像頭，能夠全面測定活體人臉，判斷陌生人進入校園的情況，并結(jié)合預(yù)設(shè)的參數(shù)范圍發(fā)出警報。同時，智能安防系統(tǒng)能夠全面整合各個攝像頭，獲取目標主體的行動軌跡，有助于分析校園突發(fā)事件的形成過程?！靶袨楸孀R”能在時空數(shù)據(jù)中測定常見行為，如行走、跑步等，作為安全監(jiān)測的重要依據(jù)。“擁堵檢測”會自主判斷目標區(qū)域的人員，確定擁堵路段，并做出合理的疏散決策。校園安防工作是視覺處理的關(guān)鍵應(yīng)用場景。在公司、工廠等場景，同樣可利用視覺處理算法。采取參數(shù)調(diào)優(yōu)方式，獲取對應(yīng)的底庫信息，保持攝像頭方位與獲取目標信息的位置相互匹配，以此獲取更高質(zhì)量的視頻信息。此種技術(shù)處理方法，能夠獲取較多的視頻、圖片信息，有助于持續(xù)增強算法的精確性。

（三）遙感影像

無人機提供了細度更小、更清晰的地面圖像。充足的影像信息，融合持續(xù)更新的視覺技術(shù)，逐步形成了全新的遙感視覺技術(shù)。遙感影像的數(shù)據(jù)分析任務(wù)包括地物類型、變化測定、獲取路網(wǎng)信息等。進行地物分類時，會自主劃分圖像內(nèi)的各類物體，具體包括樓房、耕田等。地物分類主要是視覺分割形式，其最終給出的遙感影像含有多種語義，以此展示其邊界范圍。在取得地物信息的基礎(chǔ)上，能夠在時序?qū)用?，有效對比遙感影像數(shù)據(jù)，開展變化監(jiān)測。在空間層面，有效提取路網(wǎng)、水網(wǎng)的各類數(shù)據(jù)，編制城市“脈絡(luò)圖”。路網(wǎng)、水網(wǎng)的測定數(shù)據(jù)有助于輔助判斷地理空間的各類數(shù)據(jù)。變化檢測可用于測定季節(jié)變動、環(huán)境災(zāi)害等信息。深入分析遙感影像，能夠全面提取路網(wǎng)信息，匹配地理坐標信息，從而給予用戶優(yōu)質(zhì)的地理信息服務(wù)。

某單位在獲取地形圖數(shù)據(jù)時，利用遙感技術(shù)，融合深度學習技術(shù)，采用變化檢測的操作方法。借助變化檢測圖開展數(shù)據(jù)分析，能夠準確更新地形圖的各類數(shù)據(jù)。在實際應(yīng)用中，每年可減少大約30萬元的人工檢測成本，具有較高的技術(shù)應(yīng)用效果。

三、計算機視覺圖像技術(shù)的應(yīng)用實踐分析

（一）判斷果蔬成熟度

表1當前各類視覺圖像技術(shù)用于判斷果蔬成熟度的精準程度。

1.測定果蔬采摘前后的成熟狀態(tài)

通過觀測果蔬外觀圖像，能夠綜合判斷果蔬是否已達到可采摘狀態(tài)。比如，判斷草莓的成熟度時，需要查看草莓外觀是否為“紅色”。獲取Lab顏色空間體系的a顏色特征值，在線判斷草莓成熟狀態(tài)。測定自然采摘環(huán)境時，系統(tǒng)主要從各類場景、持續(xù)改變的照明等方面進行觀察。在判斷柑橘成熟度、預(yù)測柑橘產(chǎn)量時，使用顏色的區(qū)分形式，對比背景與柑橘顏色的差異性。在運行蘋果采摘設(shè)備時，采取目標識別技術(shù)，全面劃分蘋果圖像類型，精準判斷成熟果實的位置。在無損操作的前提下，精準采摘成熟蘋果[2]。接下來，筆者將以甜瓜為例，詳細介紹計算機視覺技術(shù)的應(yīng)用實踐。

（1）甜瓜樣品

選擇某地區(qū)的溫室甜瓜，對甜瓜外表開展無損視覺檢測，判斷其成熟狀態(tài)。依照甜瓜的生長過程，其主要顏色變化為：“綠色（未熟）”→“白色（半熟）”→“黃色（成熟）”。使用視覺圖像技術(shù)分析時，分別選擇各個顏色的甜瓜樣本合計180個，即三種顏色的甜瓜各60個。采摘完成，將180個甜瓜運送至實驗室。

（2）視覺圖像采集

判斷甜瓜成熟程度時使用的視覺圖像采集設(shè)施，包括計算機、三腳架、攝像頭、位置調(diào)節(jié)臺等。使用計算機視覺技術(shù)獲取180個甜瓜的圖像。使用算法處理180個甜瓜的圖像，設(shè)定校正、預(yù)測兩個集合的比例為“3比1”。使用校正集創(chuàng)建成熟度辨識模型，使用預(yù)測集合鑒別模型分析結(jié)果的可信度。

（3）圖像預(yù)處理

在為甜瓜樣品拍照時，選擇的是黑色背景布，其灰度值約為0，對圖像分析的干擾作用可忽略不計。采取甜瓜圖像裁剪處理方式，以此展現(xiàn)甜瓜成熟度的具體分析圖像。

（4）提取甜瓜圖像的特征數(shù)據(jù)

其一，在R、G、B三個圖片像素參數(shù)方面，得出平均值、方差的結(jié)果，對應(yīng)甜瓜3個成熟狀態(tài)的9個顏色特征參數(shù)。從方向、間隔長度、變化量等各個方面，綜合反饋甜瓜圖像。利用灰度共生矩陣，綜合判斷甜瓜圖像紋理情況。在圖像內(nèi)從0°至135°之間，選擇4個方向，相鄰兩個方向相差45°，獲得各方向的能量、熵等參數(shù)，能夠綜合反映果實的紋理特點。

基于最小二乘法判斷甜瓜成熟狀態(tài)。對于三種成熟狀態(tài)的180張?zhí)鸸蠄D像，使用色彩模型、灰度共生矩陣的聯(lián)合形式，綜合判斷甜瓜顏色、果實表面紋理數(shù)據(jù)，創(chuàng)建甜瓜成熟度的視覺識別模型。在計算機分析時，視覺圖像判斷結(jié)果，利用數(shù)字“1”代表“綠色（未熟）”，數(shù)字“2”代表“白色（半熟）”，數(shù)字“3”代表“黃色（成熟）”。設(shè)定0.5作為判斷范圍，預(yù)測輸出的數(shù)值在0.5至1.5之間，對應(yīng)“綠色（未熟）”；結(jié)果在1.5至2.5之間，對應(yīng)“白色（半熟）”；結(jié)果在2.5至3.5之間，對應(yīng)“黃色（成熟）”。

經(jīng)實際檢測發(fā)現(xiàn)：將視覺圖像技術(shù)用于甜瓜成熟度判斷，未熟、半熟狀態(tài)的判斷準確率能夠達到100%，成熟狀態(tài)的判斷準確率為95%。甜瓜三個成熟狀態(tài)的識別精度均高于90%。

2.采摘完成的果蔬成熟度測定

完成采摘后的果蔬會出現(xiàn)催熟、呼吸等情況。依照果蔬會腐爛變質(zhì)的特點，需要利用冷鏈運輸以減少果蔬腐爛的可能性。在此過程中，視覺技術(shù)可用于精準判斷果蔬成熟狀態(tài)，切實保證果蔬流通質(zhì)量。

3.果肉硬度檢測

果肉硬度是判斷水果成熟狀態(tài)、果肉質(zhì)量的關(guān)鍵指標。通常情況下，在果實成熟度增大時，果肉硬度會變小，耐壓程度會相應(yīng)變?nèi)?。水果承受外界壓力（N），與水果承壓面積（S）之比的結(jié)果，即為果實硬度P，單位為105Pa（kg/cm3 ）。測量硬度時，會參照水果種類，選擇適用的測頭。采取果實去皮處理，各個果實選擇2～5個檢測點。使用硬度計壓入至目標位置所獲取的表針數(shù)值即是果肉硬度。視覺處理技術(shù)結(jié)合硬度測定結(jié)果，有助于綜合判斷水果的成熟情況。

（二）自動駕駛

1.圖像處理技術(shù)的應(yīng)用分析

（1）攝像頭

立體攝像設(shè)備，主要用于獲取前方路段的人車，能夠同時獲取兩側(cè)影像，便于自動駕駛系統(tǒng)準確判斷物體的距離。魚眼攝像頭具有較為寬廣的視野范圍，能夠有效測定障礙物，幫助系統(tǒng)更好地做出避障決策。紅外攝像頭具有較強的夜間監(jiān)測效果，通過自主感知熱量，輔助車輛在較差環(huán)境中自由行駛。

（2）傳感器技術(shù)

此技術(shù)能夠獲取較高清晰度的圖片，并利用圖像處理算法開展圖片分析。視覺技術(shù)能夠獲取道路標志、準確判斷交通信號、精準測定人車。

（3）圖像處理

在攝像頭采集的各類圖片中提取關(guān)鍵的數(shù)據(jù)，如邊緣、角點等。一般情況下，視覺算法能夠自主處理各類圖像信息，以此提升特征數(shù)據(jù)的識別效果。比如，去除噪聲、合理設(shè)計對比度等。在獲取特征信息后，開展對象檢測工作，可使用目標檢測技術(shù)判斷數(shù)據(jù)類型。二維卷積處理算法，見式（1）：

獲取圖像特征、測定目標主體的分析結(jié)果，主要用于制定自動駕駛路線，有效測定人車，以之為基礎(chǔ)采取對應(yīng)的減速、變道等處理，切實保證行車安全性。

2.視覺算法的應(yīng)用分析

在車道判斷中，需要車輛處于車道居中位置，保持較好的行駛狀態(tài)。車輛行駛位置的控制算法，見式（2）：

結(jié)合計算結(jié)果，持續(xù)調(diào)整車輛駕駛方位，使其處于最佳的車道居中點位，更好地完成車輛拐彎、上下坡等行駛?cè)蝿?wù)[3]。

3.障礙物檢測

在駕駛檢測實踐中，視覺算法會利用車載攝像裝置，獲取實時拍攝的影像，綜合測定路面上的通行障礙物，如各類車輛、石子等。使用深度學習技術(shù)，獲取各類障礙物的外形信息，動態(tài)給出外形分類，實時反饋分類結(jié)果。借助視頻視覺算法的持續(xù)分析方式，能夠有效分類圖像流的各類信息，從中辨識潛在危險因素，并給出對應(yīng)的避障方案。

某單位設(shè)計了4條線路，開展視覺避障模擬分析，各條路線均設(shè)計了10個障礙物，避障成功率至少達到90%。由此說明：視覺算法技術(shù)在智能駕駛避障控制程序中，具有較好的避障表現(xiàn)。

四、結(jié)束語

綜上所述，當前，圖像處理、視覺算法等各類技術(shù)表現(xiàn)出較強的技術(shù)應(yīng)用潛能。在果蔬成熟度判斷方面，視覺算法的識別精確率不低于90%。在車輛智能駕駛方面，能夠有效處理各類圖像信息，提取其中關(guān)鍵數(shù)據(jù)，讓車輛處于較好的駕駛狀態(tài)。

作者單位：韓晶 長春教育學院

參考文獻

[1]周芮，劉延芳，齊乃明，等.面向空間應(yīng)用的視覺位姿估計技術(shù)綜述[J].光學精密工程，2022，30（20）：2538-2553.

[2]王錦凱，宋錫瑾.計算機視覺技術(shù)應(yīng)用研究綜述[J].計算機時代，2022，（10）：1-4+8.

[3]王文勝，孫巍偉，李啟光，等.項目驅(qū)動下的圖像處理技術(shù)與應(yīng)用課程實驗教學設(shè)計[J].中國現(xiàn)代教育裝備，2022，（11）：124-126.