2011 11th International Conference on Control, Automation and Systems
Oct. 26-29, 2011 in KINTEX, Gyeonggi-do, Korea
1. INTRODUCTION
The number of entire traffic accidents is currently decreasing due to the influence of many safety techniques in the automobile. But the rate of bicycles’ accidents to the entire traffic accidents is gradually increasing.
On the other hand, an advanced safety vehicle system is working on a plan to decrease traffic accidents. To prevent traffic accidents, it is necessary to detect the risk of traffic accidents (a human, a car, a bicycle, a bicyclist, etc.) But the studies on car vision research have been focusing their attentions rather on recognizing a human. In this paper, we propose a method of detecting a human riding a bicycle using HOG feature and RealAdaboost. Our method can also detect bicycles’ driving directions. The reason for detecting bicycles’ driving directions is to predict a bicycle coming suddenly into a driver’s sight.
We also propose a method of tracking a detected human on a bicycle using particle filter. In real transportation environment, there is a lot of occlusion. Occlusion is a fatal factor that causes traffic accidents. We employ particle filter for the tracking of a detected human on a bicycle, because it is robust to non-linear system. Movement of objects in car vision is sometimes non-linear. The proposed method can track objects invisible to a driver. The proposed method is described in the following and the performance of the method is shown by the experiments employing real outdoor scenes.
2. LEARNING ALGORITHM
A learning algorithm is used to HOG feature and RealAdaboost. The proposed method can detect bicycles’ driving directions because we use three classifiers that learn respectively training samples of bicycles’ driving directions (front, left, right).
2.1 HOG feature
The HOG (Histograms of Oriented Gradients) feature [1] is a method that extracts feature of outlines in images. Because gradients of adjacent pixels receive histogramization and normalization at each area, it is robust to illumination change and to geometric change. The HOG feature is extracted in the following way. Step1: Compute the magnitude ),(y x m and orientation
),(y x θof a given image using Eqs. (1) and (2).
22),(),(),(y x f y x f y x m y x +=
(1)
)
,()
,(tan ),(1
y x f y x f y x y x ?=θ (2)
Here, given an image ),(y x I ,
)
1,()1,(),()
,1(),1(),(??+=??+=y x I y x I y x f y x I y x I y x f y x
An example of an oriented gradients image is shown in Fig.1.
Step2: Derive the orientation histogram from the orientations and magnitudes at each cell to decrease the amount of information that the oriented gradients image possesses. Here, each cell size is 55× pixels and the orientation histogram has 9 bins with each cell.
Step3: Perform histogram’s normalization using an overlapping block. Here, each block size is 33× cells.
(a) (b)
Fig. 1 A processed bicycle image: (a) An input image, and (b) its oriented gradients image.
Applying HOG Feature to the Detection and Tracking of a Human on a Bicycle
Heewook Jung, Joo Kooi Tan, Seiji Ishikawa and Takashi Morie
Department of Mechanical & Control Engineering, Kyushu Institute of Technology, Kitakyushu, Japan
(Tel : +81-93-884-3183; E-mail: {jung, etheltan, ishikawa}@https://www.doczj.com/doc/a816568835.html,tl.kyutech.ac.jp)
Abstract : Detection of a human on a bicycle is an important research subject in an advanced safety vehicle driving system to decrease traffic accidents. The Histograms of Oriented Gradients (HOG) feature has been proposed as useful feature for detecting a standing human in various kinds of background. So, many researchers use currently the HOG feature to detect a human. Detecting a human on a bicycle is more difficult than detecting a human because a bicycle’s appearance can change dramatically according to viewpoints. In this paper, we propose a method of detecting a human on a bicycle using HOG feature and RealAdaboost algorithm. When detecting a human on a bicycle, occlusion is a cause of decreasing detection efficiency. Occlusion is a serious matter in car vision research because there are occlusions in real transportation environment. We decide the next position of a human on a bicycle using object tracking. Experimental results and evaluation show satisfactory performance of the proposed method.
Keywords: HOG feature, bicycle detection, object tracking, RealAdaboost, particle filter, safety drive.
2.2 RealAdaboost
The RealAdaboost algorithm [4] is a method of
uniting weak classifier of a simple hypothesis and
generating a strong classifier. The HOG model of
bicycles are defined and trained via a RealAdaboost to
detect bicycles under various circumstances. The
algorithm of RealAdaboost is given in Table 1. A
strong classifier for sample x is generated as a sum of
the weak classifiers, as described by Eq.(3).
?
?
?
?
?
?
?
?
=∑
=
T
t
t
x
h
sign
x
H
1
)
(
)
((3)
In the training using RealAdaboost, we use totally
4,000 positive training samples (2,000 samples
directing front, 1,000 samples directing left and 1,000
samples directing right) and 6,000 negative samples.
3. DETECTION ALGORITHM
(a) (b)
Fig. 2 Merge process: (a) Before merging, and (b) after
merging.
A detection algorithm is used to a bicycle model
using HOG feature and we use three detectors for
detecting driving directions. We perform merge
processing of detected windows using mean shift
clustering and the nearest neighbor algorithm because
when detection of a bicycle is performed using HOG
feature, many windows containing a single common
bicycle are obtained in an image.
3.1 Mean shift clustering
The first step of mean shift clustering is the assumption
of density using a kernel function. Here we use a
kernel function represented by
)
1(
)
(
x
c
x
k
?
=
otherwise
x1
<
(4)
The second step is shifting the mean to high
density location employing a mean shift vector. A mean
shift vector is given as follows;
x
h
x
x
k
h
x
x
k
x
x
m
n
i
i
n
i
i
i
?
?
?
=
∑
∑
=
=
1
2
1
2
)
(
)
(
)
((5)
Here, the first term of the mean shift vector
assumes a density and the second term a shifted mean.
When the mean shift vector is 0, the density is the
highest.
3.2 Nearest neighbor
Euclid distance d is computed from the point of the
highest density to each sample point.
2
2)
(
)
(
i
i
y
y
x
x
d?
+
?
=(6)
Merging is executed, if d is smaller than a
predefined threshold. The result of the merging
process is shown in Fig. 2.
4. TRACKING ALGORITHM
In real transportation environment, objects movement
is often non-linear and background including objects is
in cluttered environments.
Particle Filter(PF) is receiving the attention in object
tracking research because it has been successfully
applied to tracking of moving objects in cluttered
environments[5][6].
The objective of the PF algorithm is to estimate the
target location by approximating posterior distributions of a set of weighted samples (called a particle). The principal steps in the PF algorithm are consisted as follows.
STEP1: Initialization
Initialize the weighted samples set N n n n w s S 1)(0)(0|},{==. Here, },,,,,{y x H H y x y x s = and w is weights of samples and weights of samples are initialized to 1/N. Position y x , of the samples are
initialized to the centre of a detected bicycle’s region
and y x H H , is the size of detected bicycle’s region.
STEP2: Selection
Select N
samples from the set )(n t S with
probability )
(1n t w ?.
(a) C ompute the normalized cumulative probability )('1n t c ? by Eq. (7).
0)
0(1=?t c )(1)(1)(1n t n t n t w c c ???+= (7)
)(1)(1)('1N t n t n t c c c ???=
(b) Generate a uniformly distributed random number
])1,0[(∈r .
(c) Find the smallest
j for which r c n t ≥?)('1 by binary
search. Where, is uniformly distributed random number.
(d) Set )
(1)('1n t n t S S ??=. STEP3: Propagation
Propagate each sample from the re-sampling set '1?t S as follows.
)
(1)(')(n t n t n t G AS S ?+= (8)
?????
??
?????????
+????????????
????????????????ΔΔ=??????????????????????y t x t y t x t t t t t t t t t g g g g y x y x t t y
x y x 111111111000
0100010
001 Here, 1?t G is multivariate Gaussian random variable
set.
STEP4: Observation
Observe the color distributions.
(a) Compute the color distribution density function
)()(u S n t
p for each sample of the set t S by Eq.(9). ])([1)(1
)()
(u X h a X
S k f p
i I i i n t
u S n t ?????
??
???
??=∑
=δ (9) Where,1f : normalized constant by Eq.(10), I : pixels’ total number of searching area, k :Kernel Function by Eq.(11), a : scale factor, i X : pixel location of searching area, h : color histogram of M-bin, u :m-th bin.
∑
=?
??????????=I i i n t
a X S k f 12*)(/1 (10) Here, *i X is a normalized pixel location that sets the centre coordinate of the image to 0.
?????
1)(2 (11)
(b) Compute the Bhattacharyya coefficient ρ for
each sample of the set t S by Eq.(12).
∑
==m u u u S S q p q p n t
n t
1
)
()()()(],[ρ (12) Here q is color distribution density function given by
Eq.(13).
∑
=?=I
i i i u u X b X k f q 1
*2
*2
)(]))([(δ (13)
Here, ()∑==I i i
X k f 1
*
2/
1
(c) Weight each sample of the set t S by Eq.(14).
2
)(2])
,[1()(21
σρπσ
q p n t
n t s
e
w
??= (14)
STEP5: Estimation
Estimate the position using weighted samples by Eq.(15).
∑
==
N n n t n t t S w S E 1
)()(][ (15)
Tracking performance of PF is generally affected by
the background colors similar to the target.
We propose a method that enhances tracking performance of color-based PF. The proposed method is given in Fig. 3.
We decide bicycles’ scale s BI by combining the
information on PF and a detector by Eqs.(16) and (17).
1)_(2
/)_(th DT Mean PF if DT Mean PF BI s t s t s t s t s
Fig. 3. The proposed tracking algorithm using Particle Filter.
1
)_(_th DT Mean PF if
DT Mean BI s t s t s t s >?= (17)
Here, 3/)(_12s t s t s t s t DT DT DT DT Mean ++=??,s t PF : scale
information of PF,s
t DT : scale information of a
detector.
Wh e n 2)(th DT PF p t p t
2/)(p t p t p DT PF BI += (18)
p t PF :p o s i t i o n information of PF,p t DT : position information of a detector.
When 2)th DT PF p t p t >?, we recalculate bicycles’ position by Eq.(18) applying revalues that renew information of bicycles’ position by Eq.(19).
2
/))()
((2
/))()((12
23
1
12231p
t p
t p
t p
t p
t p
t p
t p t p t p t p t p t DT DT DT DT DT DT PF PF PF PF PT PT ???????????
+
?
+
=
?+?+= (19)
5. EXPERIMENTAL RESULTS
In this experiment, we used real outdoor scene images
that we collected. The results of total 349 frames in the experiment 3 are shown in Fig 4. Here, yellow rectangle is a detection result. The rate of detection of a bicycle at the real outdoor scenes (Exp.1, Exp.2 and Exp.3 are respectively different images) is given in Table 2 and the rate of detection of bicycles’ driving direction (front, left, right) is given in Table 3.
Frame 50 Frame 90 Frame 120
Frame 140 Frame 160 Frame 230 Fig. 4. The results of experiment 3
The rate of tracking of a bicycle at the real outdoor scenes (Exp.1 and Exp. 2) is given in Table 4. Precision, recall and FPR are computed by Eq.(20)
[%]
100)[%]/(100)[%]
/(100precision FPR TN TP TP recall FP TP TP precision ?=+×=+×= (20) where TP : True Positive, FP :False Positive, TN :True Negative, and FPR :False Positive Rate. 6. CONCLUSIONS
In this paper, we proposed a method of detecting a bicycle using HOG feature and RealAdaboost algorithm, and tracking a bicycle using PF. This method can detect a bicycle’s driving direction and is applicable to the detection of various objects. The rate of detection given in Table 1 is lower than the rate in Table 2, because the real outdoor scenes include occlusion of bicycles and many objects similar to bicycles’ HOG feature exist. We have overcome somewhat the problems using PF. Tracking rates is lower than detection rate in Exp. 1 but is higher than detection rate in Exp. 2 including occlusion of bicycle.
In future, we plan to enhance the performance of the detection and tracking, and to develop a method which detects various objects that might become risky factors for traffics. ACKNOWLEDGEMENTS
This work was partly supported by JSPS KAKENHI (22510177) and partly by Knowledge Cluster Initiative implemented by MEXT.
REFERENCES
[1] N. Dalal, B. Triggs, “Histograms of oriented gra
dients for human detections”, Proc. IEEE Conf. on Computer Vision & Pattern Recognition, 886-893, 2005.
[2] Q. Zhu, et al., “Fast human detection using a
cascade of histograms of oriented gradients”, Proc. IEEE Conf. on Computer Vision & Pattern Recognition, 2006.
[3] Y. Nakashima, J. K. Tan, S. Ishikawa, T. Morie,
“On detecting a human and its body direction from a video”, Proc. of 15th Int. Symposium on Artificial Life and Robotics, 294-297, 2010.
[4] R. E. Schapire and Y . Singer, “Improved
boosting algorithms using confidence-rated predictions”, Machine Learning, 37, 3, 97-336, 1999.
[5] P. Li, T. Zhang, “Visual contour tracking based
on particle filters,” Proceedings of Generative-Model-Based Vision, Copenhagen, pp. 61-70, 2002
[6] K. Nummiaro, E. Koller-Meier and L. Van
Gool., “A color-based particle filter,” Proc. of ECCV, pp.53-60, 2002.
Table 2. Detection results with real outdoor scenes precision[%] recall [%] FPR [%] Exp.1 96.5 91.2 3.5 Exp.2 84.8 79.4 15.7
Exp.3 88.1 53.3 11.9
Table 3. Detection results of bicycles’ driving directions precision[%] recall [%] FPR [%] Left 93.0 80.0 7.0 Right 94.1 79.7 5.9 Front 93.5 79.1 6.5
Table 4. Tracking results with real outdoor scenes precision[%] recall [%] FPR [%] Exp.1 88.6 83.2 11.4 Exp.2 87.2 82.8 12.8
行人检测与跟踪国内外研究现状 1.2行人检测与跟踪国内外研究现状 视觉跟踪和目标检测是计算机视觉领域内较早开始的研究方向。经过几十年的积累，这两个方向已经取得了显著的发展。然而，很多方法只是在相对较好地程度上解决了一些关键问题。并且仍旧有不少一般性的关键问题未得到有效的解决。国内外很多研究机构都在致力于研究和发展这两个方向。近些年这两个方向持续发展，涌现了很多比较优秀的方法。国外的很多大学和研究机构（如卡内基梅隆大学、南加州大学和法国国家计算机科学与控制研究所等）都有计算机视觉小组，长期地研究视频跟踪和目标检测。国内的很多大学和研究所等（如清华大学、上海交大和自动化所等）也有相关的研究小组，并取得了一些优秀的研究成果。 1.2.1行人检测技术国内外研究现状 中科院计算机科学重点实验室孙庆杰等人利用基于侧影的人体模型及其对应的概率模型,提出了一种基于矩形拟合的人体检测算法。中科院自动化所谭铁牛等对人运动进行视觉分析,其核心是利用计算机视觉技术从图像序列中检测、跟踪、识别人并对其行为进行理解与描述,它主要应用在视觉监控领域和基于步态的身份鉴定。步态识别就是根据人们走路的姿势进行身份鉴定,依据人体行走运动很大程度上依赖于轮廓随着时间的形状变化的直观想法,提出一种基于时空轮廓分析的步态识别算法；基于行走运动的关节角度变化包含着丰富的个体识别信息的思想,提出一种基于模型的步态识别算法。实验结果表明该算法不仅获得了令人鼓舞的识别性能,而且拥有相对较低的计算代价。但是该方法只能检测出运动的行人。 西安交通大学郑南宁等研究了利用支持向量机识别行人的方法,通过稀疏Gabor滤波器提取行人样本图像中行人的特征,然后利用支持向量机来训练所提取的样本特征,并用训练得到的分类器通过遍历图像的方式将图像中可能属于行人的窗口提取出来。尽管用Gabor滤波器提取特征效果相对较好,但耗时很长,不适合于实时图像的处理。 上海交通大学田广等提出了一种coarse-to-fine的行人检测方法,将一个人建模成人体自然部位的组装,人体的所有部位包括头肩、躯干和腿、采用绝对值类Haar特征集和Edgelet特征集,在这些特征集上,采用softcascade训练各个部位的检测器和全身检测器。首先采用全身检测器在整个图像中产生候选行人区域,然后用基于贝叶斯决策的组合算法进一步确定候选区域中的行人。实验结果表明该算法有很好的检测性能能在杂乱的自然场景中有效的检测行人。但该方法的识别率是78.3%,识别率不高，且该模型比较难构建,模型求解也比较复杂。 目前,在国外许多文献中提出了基于机器视觉的行人检测方法,意大利帕尔玛大学的AlbertoBroggi教授在ARGO项目中采用一种基于外形的行人检测算法。算法首先根据行人相对于垂直轴有很强的垂直边缘对称性、尺寸和外貌比例等在
课时跟踪检测(十六) 人口迁移 地域文化与人口 一、选择题 (2013·崇雅模拟)下表为“美国1965～1983年不同地区的净移民人口数量表(单位：千人)”。读表回答1～2题。 1．与此时期美国人口迁移特点不符的是( ) A ．70年代东北部地区迁出人口多于迁入人口 B ．70年代以后，南部地区一直是人口迁入地区 C ．80年代以后，东北部地区由人口迁出地区变为人口迁入地区 D ．80年代以后，迁往“阳光地带”的人口数量明显减少 2．导致此时期美国地区间人口迁移的主要原因是( ) A ．环境质量的变化 B ．地区间气候差异 C ．经济收入的变化 D ．经济结构的调整 (2013·济南调研)下图为“某地人口迁移与年龄关系示意图”。读图回答3～4题。 3.从图中判断，影响该地区人口迁移的主要因素最有可能是( ) A ．人口老龄化 B ．婚姻家庭 C ．政治因素 D ．经济因素 4．图中甲、乙、丙、丁不同年龄段的人口迁移有明显相关性的是( ) A ．甲、乙 B ．甲、丙 C ．乙、丙 D ．乙、丁 重男轻女指数是指希望生育男孩的母亲人数与希望生育女孩的母亲人数的比例，下表是
联合国人口机构2006年公布的部分国家的“重男轻女指数表”。读表回答5～6题。 A ．韩国、泰国、菲律宾 B ．菲律宾、泰国、尼泊尔 C ．巴基斯坦、尼泊尔、韩国 D ．哥伦比亚、肯尼亚、委内瑞拉 6．地域文化对人口的影响是通过影响人们的生育意愿而表现出来的。下列叙述正确的是( ) A ．“男孩偏好”的传统与“稻米文化”密切相关 B ．中国的儒家文化有“男性偏好”的传统思想，但重视子女的质量和注重自我发展 C ．发达国家受基督教的影响，没有性别偏好 D ．“重男轻女指数”反映发展中国家普遍渴望生育男孩 下图是“根据联合国于2000年发布的预测报告绘制的2001～2050年部分国家迁入人口趋势图”。读图完成7～8题。 7．关于人口迁移流向的叙述，正确的是( ) A ．由人口多的国家迁往人口少的国家 B ．由发展中国家迁往发达国家 C ．全球迁出人口少于迁入人口 D ．由东半球国家迁往西半球国家 8．下列关于人口迁移影响的叙述，正确的是( ) A ．减轻了迁入地的就业压力 B ．加重了迁出地的环境压力 C ．为迁入地提供劳动力，促进经济发展
动态视频目标检测和跟踪技术 传统电视监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全面地了解所发生的事件：“什么地方”，“什么时间”，“什么人”，“在做什么”。将“原始数据”转化为“有用信息”的技术中，目标检测与跟踪技术的目的是要解决“什么地方”和“什么时间”的问题。目标识别主要解决“什么人”或“什么东西”的问题。行为模式分析主要解决“在做什么”的问题。动态视频目标检测技术是智能化视频分析的基础。 本文将目前几种常用的动态视频目标检测方法简介如下： 背景减除背景减除（Background Subtraction）方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动目标的一种技术。它一般能够提供相对来说比较全面的运动目标的特征数据，但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等也特别敏感。实际上，背景的建模是背景减除方法的技术关键。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向，影子，树叶随风摇动等。大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。 时间差分时间差分（Temporal Difference 又称相邻帧差）方法充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。只有在有前景移动目标的部分相邻帧的像素差异比较大。时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。让我们来考虑安装固定摄像头所获取的视频。我们介绍利用连续的图像序列中两个或三个相邻帧之间的时间差分，并且用阈值来提取出视频图像中的运动目标的方法。我们采用三帧差分的方法，即当某一个像素在连续三帧视频图像上均有相
山东建筑大学 课程设计说明书 题目：视频监控中行人的检测课程：数字图像处理课程设计院（部）：信息与电气工程学院 专业：电子信息工程 班级：电信111 学生姓名： 学号： 指导教师： 完成日期：
目录 摘要 ............................................................................................................................................. II 一、绪论 (1) 1.1 研究背景与意义 (1) 1.2 智能视频监控概述 (2) 1.2.1 智能视频监控的发展 (2) 1.2.2 智能视频监控的研究内容 (3) 1.3 行人检测与跟踪 (3) 1.3.1 行人检测 (3) 1.3.2 行人跟踪 (4) 二、设计原理 (5) 2.1 图像处理基础 (5) 2.1.1 颜色空间 (5) 2.1.2 图像预处理 (7) 2.1.3 形态学方法 (7) 2.2 运动目标检测方法 (8) 2.2.1 背景差分法 (8) 2.2.2光流法 (9) 2.2.3边缘检测方法 (10) 2.4 本章小结 (10) 三、设计内容 (11) 3.1背景减法运动目标检测 (11) 3.2阈值的选取 (11) 3.3形态学滤波 (12) 3.4设计方案流程图 (14) 四、实验结果分析及总结 (16) 4.1试验结果 (16) 4.2实验结果分析 (16) 五、参考文献 (17) 致谢 (18) 附录 (19)
摘要 智能视频监控是计算机视觉领域新兴的研究方向，它通过对摄像机拍摄的视频图像序列进行自动分析来对被监控场景中的事物变化进行定位、跟踪和识别，并以此对相关目标的行为进行分析和判别，在实现了日常管理工作的同时又能对目标的异常行为做出及时反应。行人目标检测与跟踪算法是智能视频监控系统中的核心问题，研究相关算法对于提高智能视频监控系统的性能具有重要的意义。本文在熟悉和掌握了有关数字图像处理原理和技术的基础上，分析对比了常用的目标检测和跟踪方法，针对不同条件下的行人目标检测和跟踪进行了研究。本文完成的主要研究工作是对监控视频中行人目标的检测，为以后的行人跟踪和行人行为的分析打下基础。 本设计以Matlab为平台，利用背景减法，和形态学滤波的方法检测视频中的行人。实验结果表明，本模块能够检测一般静态背景条件下的行人目标，满足了实际应用的初步要求。 关键词：视频监控、行人检测、背景减法、形态学滤波
课时跟踪检测（五十六）物质的检验 1．下列实验可实现鉴别目的的是() A．用KOH溶液鉴别SO3(g)和SO2 B．用湿润KI-淀粉试纸鉴别Br2(g)和NO2 C．用CO2鉴别NaAlO2溶液和CH3COONa溶液 D．用BaCl2溶液鉴别AgNO3溶液和K2SO4溶液 解析：选C SO2、SO3(g)均能与KOH溶液反应，都没有明显现象，A项错误。Br2(g)、NO2都是红棕色气体且有强氧化性，都能氧化KI而生成I2，使淀粉显蓝色，B项错误。 偏铝酸的酸性弱于碳酸，CO2通入NaAlO2溶液中生成Al(OH)3沉淀，醋酸酸性强于碳酸，CO2通入CH3COONa溶液无现象，C项正确。BaCl2溶液和AgNO3溶液反应生成AgCl 沉淀，BaCl2溶液和K2SO4溶液反应生成BaSO4沉淀，现象相同不能鉴别，D项错误。2．下列有关叙述正确的是() A．将木炭和浓硫酸在加热条件下反应生成的气体通入澄清石灰水中，有白色沉淀生成，该气体一定是CO2 B．能使品红溶液褪色的气体一定是SO2 C．某红棕色气体溶于水形成溶液，该气体一定是NO2 D．某物质燃烧后的产物既能使白色硫酸铜粉末变蓝，又能使澄清石灰水变浑浊，该物质可能是碳氢化合物 解析：选D木炭和浓硫酸在加热条件下反应可生成CO2和SO2，而SO2和CO2均可以使澄清石灰水变浑浊，A项错误；能使品红溶液褪色的气体可能是SO2，还可能为具有漂白性的其他气体，如Cl2等，B项错误；NO2、溴蒸气均为红棕色气体且溶于水均能形成溶液，C项错误；D项中的现象只能说明该物质一定含有碳、氢元素，则该物质既可能为碳氢化合物，也可能为含有碳、氢、氧元素的化合物，正确。 3．(2020·奉新模拟)已知：SO2－3＋I2＋H2O===SO2－4＋2I－＋2H＋。某溶液中可能含有Na＋、NH＋4、K＋、I－、SO2－3、SO2－4，且所有离子物质的量浓度相等。向该无色溶液中滴加少量溴水，溶液仍呈无色。下列关于该溶液的判断正确的是() A．肯定不含I－B．肯定含有SO2－4 C．肯定含有SO2－3D．肯定含有NH＋4 解析：选C溶液中加入少量溴水，溶液仍呈无色，原溶液中一定有SO2－3；由方程式可知SO2－3的还原性比I－强，可能是SO2－3过量，溴水全部和SO2－3反应，说明溶液中可能
目标跟踪算法的分类
主要基于两种思路： a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标； b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。 一．运动目标检测 对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测 （一）静态背景 1.背景差 2.帧差 3.GMM 4.光流 背景减算法可以对背景的光照变化、噪声干扰以及周期性运动等进行建模，在各种不同情况下它都可以准确地检测出运动目标。因此对于固定
个关键技术： a)匹配法则，如最大相关、最小误差等 b)搜索方法，如三步搜索法、交叉搜索法等。 c) 块大小的确定，如分级、自适应等。 光流法 光流估计的方法都是基于以下假设：图像灰度分布的变化完全是目标或者场景的运动引起的，也就是说，目标与场景的灰度不随时间变化。这使得光流方法抗噪声能力较差，其应用范围一般局限于目标与场景的灰度保持不变这个假设条件下。另外，大多数的光流计算方法相当复杂，如果没有特别的硬件装置，其处理速度相当慢，达不到实时处理的要求。 二．目标跟踪 运动目标的跟踪，即通过目标的有效表达，在图像序列中寻找与目标模板最相似候选目标区位置的过程。简单说，就是在序列图像中为目标定位。运动目标的有效表达除了对运动目标建模外，目标跟踪中常用到的目标特性表达主要包括视觉特征 (图像边缘、轮廓、形状、纹理、区域)、统计特征 (直方图、各种矩特征)、变换系数特
课时跟踪检测（十六） 从自然界获取铁和铜 1．下列说法中，不正确的是( ) A ．金属的冶炼，就是利用氧化还原反应原理，在一定条件下将金属从其化合物中还原出来 B ．冶炼金属时，必须加入一种物质作为还原剂 C ．金属由化合态变为游离态，都是被还原 D ．金属单质被发现和应用得越早，其活动性一般越弱 解析：选B 由金属冶炼的方法可知，金属冶炼时，除用高温还原法外，还可用电解法、热分解法，后两种方法不用加入还原剂，B 不正确。 2．下列化学反应在金属冶炼工业中还没有得到应用的是( ) A ．2NaCl(熔融)=====电解 2Na ＋Cl 2↑ B ．Al 2O 3＋3 C =====2 125 ℃ 2Al ＋3CO↑ C ．Fe 2O 3＋3CO=====高温 2Fe ＋3CO 2 D ．2Ag 2O=====△ 4Ag ＋O 2↑ 解析：选B 目前金属铝的制备方法是电解氧化铝，其他选项中所涉及的内容均符合理论和生产实际。 3．铝能用于冶炼金属铁、钒、铬、锰等，其原因是铝具有( ) A ．两性 B ．导电性好 C ．熔点低 D ．还原性强，且反应放出大量热 解析：选D 铝能用于冶炼金属铁、钒、铬、锰等，其原因一是铝比铁、钒、铬、锰等活泼，铝能把其置换出来；二是反应放出大量的热使反应得以进行，D 正确。 4．下列反应原理不符合工业冶炼金属实际情况的是( ) A ．MgCl 2(熔融)=====电解 Mg ＋Cl 2↑ B ．TiCl 4＋4Na =====700～800℃ Ti ＋4NaCl C ．Al 2O 3＋3H 2=====△ 2Al ＋3H 2O
D ．Fe 3O 4＋4CO=====高温 3Fe ＋4CO 2 解析：选C 工业上用电解Al 2O 3的方法制取单质Al 。 5．从石器、青铜器到铁器时代，金属的冶炼体现了人类文明的发展水平。下图表示了三种金属被人类开发利用的大致年限，之所以有先后，主要取决于( ) A ．金属的导电性强弱 B ．金属在地壳中的含量多少 C ．金属的化合价高低 D ．金属的活动性强弱 解析：选D 人类对材料的使用经历了一个由易到难，由简单到复杂的过程，所以金属活动性较差、容易冶炼的金属最先被人发现和利用。 6．用H 2、C 、CO 分别与等质量的氧化铁在高温下反应，使氧化铁中的铁全部还原出来，消耗H 2、C 、CO 的质量比为( ) A ．1∶1∶1 B ．1∶3∶14 C ．1∶6∶14 D ．2∶1∶2 解析：选B 由3H 2～Fe 2O 3，32 C ～Fe 2O 3,3CO ～Fe 2O 3可知，相同的质量的氧化铁需要的还原剂的质量比为： (3×2)∶? ?? ??32×12∶(3×28)＝1∶3∶14。 7．工业上，常用Mg 还原法制取金属Ti ，反应原理如下：2Mg ＋TiCl 4=====高温 2MgCl 2＋Ti 。 下列说法正确的是( ) ①该反应属于置换反应；②该反应属于氧化还原反应； ③该反应表明Mg 比Ti 活泼；④Ti 被誉为“21世纪的金属”，在航天工业上有广泛用途。 A ．只有①② B ．只有③④ C ．只有①②③ D ．全部 解析：选D 由单质Mg 从化合物TiCl 4中置换出金属Ti ，化合价发生变化，故①②正确；在反应中Mg 作还原剂，Ti 是还原产物，故Mg 的还原性比Ti 强，③正确；④Ti 为性能优良的金属，广泛应用于航天工业，④正确。 8．用足量的CO 还原32.0 g 某种氧化物，将生成的气体通入足量澄清石灰水中，得到
机器视觉的辅助驾驶系统的视频中行人 实时检测识别研究文献综述 1机器视觉发展 国外机器视觉发展的起点难以准确考证，其大致的发展历程是：20世纪50年代提出机器视觉概念，20世纪70年代真正开始发展，20世纪80年代进入发展正轨，20世纪90年代发展趋于成熟，20世纪90年代后高速发展。在机器视觉发展的历程中，有3个明显的标志点，一是机器视觉最先的应用来自“机器人”的研制，也就是说，机器视觉首先是在机器人的研究中发展起来的；二是20世纪70年代CCD图像传感器的出现，CCD摄像机替代硅靶摄像是机器视觉发展历程中的一个重要转折点；三是20世纪80年代CPU、DSP等图像处理硬件技术的飞速进步，为机器视觉飞速发展提供了基础条件。 国内机器视觉发展的大致历程：真正开始起步是20世纪80年代，20世纪90年代进入发展期，加速发展则是近几年的事情。中国正在成为世界机器视觉发展最活跃的地区之一，其中最主要的原因是中国已经成为全球的加工中心，许许多多先进生产线己经或正在迁移至中国，伴随这些先进生产线的迁移，许多具有国际先进水平的机器视觉系统也进入中国。对这些机器视觉系统的维护和提升而产生的市场需求也将国际机器视觉企业吸引而至，国内的机器视觉企业在与国际机器视觉企业的学习与竞争中不断成长。 未来机器视觉的发展将呈现下列趋势: （1）技术方面的趋势是数字化、实时化、智能化 图像采集与传输的数字化是机器视觉在技术方面发展的必然趋势。更多的数字摄像机，更宽的图像数据传输带宽，更高的图像处理速度，以及更先进的图像处理算法将会推出，将会得到更广泛的应用。这样的技术发展趋势将使机器视觉系统向着实时性更好和智能程度更高的方向不断发展。 （2）产品方面：智能摄像机将会占据市场主要地位 智能摄像机具有体积小、价格低、使用安装方便、用户二次开发周期短的优点，非常适合生产线安装使用，越来越受到用户的青睐，智能摄像机所采用的许多部件与技术都来自IT行业，其价格会不断降低，逐渐会为最终用户所接受。因此，
课时跟踪检测（十六）乙醇 1．下列有关乙醇的说法正确的是() A．用酒精作燃料可降低碳的排放 B．通常状况下，不能与金属钠反应 C．在加热和有铜存在下，可与氧气反应生成乙醛 D．在水溶液中能够电离产生H＋，呈现弱酸性 解析：选C A项，乙醇中含有碳元素，燃烧会产生CO2，错误；B项，乙醇中含有羟基，能与金属钠反应放出氢气，错误；C项，在加热和有铜或银存在下，可与氧气反应生成乙醛，正确；D项，乙醇属于非电解质，在水溶液中不能电离产生H＋，错误。 2．下列有关乙醇的表述正确的是() A．乙醇分子中含有甲基，甲基的电子式为 B．乙醇的结构简式为C2H6O C．乙醇分子中羟基的电子式为[·×O·×H]－ D．乙醇分子的填充模型为 解析：选D甲基的电子式中碳原子的周围有7个电子，A项错误；乙醇的结构简式为CH3CH2OH，B项错误；羟基呈电中性，C项错误。 3．下列物质中，分别加入金属钠，不能产生氢气的是() A．苯B．蒸馏水 C．无水酒精D．75%的酒精 解析：选A乙醇、H2O都能与Na发生置换反应生成H2,75%的酒精是水和乙醇组成的混合物，也能与Na反应生成H2；苯不能与Na反应生成H2。 4．下列物质不能氧化乙醇的是() A．氧气B．酸性高锰酸钾溶液 C．酸性重铬酸钾溶液D．稀硫酸 解析：选D乙醇可被氧气氧化成二氧化碳和水或乙醛；也可被强氧化剂酸性高锰酸钾
溶液或酸性重铬酸钾溶液氧化成乙酸，但不能被稀硫酸氧化。 5．下列乙醇的化学性质中不是由羟基所决定的是() A．跟活泼金属Na等发生反应 B．在足量O2中完全燃烧生成CO2和水 C．当Cu或Ag存在时跟O2发生反应生成乙醛和H2O D．乙醇被酸性高锰酸钾氧化为乙酸 解析：选B乙醇和金属Na反应是钠置换羟基上的氢；乙醇的催化氧化是羟基上的氧 氢键以及与羟基相连的碳原子上的碳氢键断裂，形成；而燃烧时乙醇分子中的化学键全部断裂，不是由羟基所决定的。 6．乙醇分子中的化学键如图所示，下列关于乙醇在各种反应中断裂化学键的说法不正确的是() A．与金属钠反应时①断裂 B．在加热和铜做催化剂的条件下与O2反应时断裂①和③ C．在加热和铜做催化剂的条件下与O2反应时断裂①和⑤ D．在空气中完全燃烧时断裂①②③④⑤ 解析：选C乙醇与钠反应生成乙醇钠，羟基中的O—H键断裂，A正确；乙醇催化氧化生成乙醛时，断裂①和与羟基直接相连的碳氢键即③，B正确，C错误；乙醇完全燃烧时，化学键①②③④⑤全部断裂，D正确。 7．酒驾是引发交通事故的重要原因，醉驾要入刑。交警对驾驶员进行呼气酒精检测的原理是橙色的酸性K2Cr2O7水溶液遇乙醇迅速生成蓝绿色Cr3＋。下列对乙醇的描述与此测定原理有关的是() ①乙醇沸点低②乙醇密度比水小③乙醇有还原性④乙醇是烃的含氧衍生物 A．②④B．②③ C．①③D．①④ 解析：选C酒精用于对驾驶员酒驾的检测，是因为酒精沸点较低，易挥发，且具有还原性，酒精蒸气可使橙色的酸性K2Cr2O7溶液变为蓝绿色。 8．分子式为C4H10O且可与金属钠反应放出氢气的有机化合物有(不考虑立体异
XXXX大学 《智能机器人》结课论文 移动机器人对运动目标的检测跟踪方法 学院（系）： 专业班级： 学生学号： 学生姓名： 成绩：
目录 摘要 (1) 0、引言 (1) 1、运动目标检测方法 (1) 1．1 运动目标图像HSI差值模型 (1) 1.2 运动目标的自适应分割与提取 (2) 2 运动目标的预测跟踪控制 (3) 2．1 运动目标的定位 (3) 2．2 运动目标的运动轨迹估计 (4) 2．3 移动机器人运动控制策略 (6) 3 结束语 (6) 参考文献 (7)
一种移动机器人对运动目标的检测跟踪方法 摘要：从序列图像中有效地自动提取运动目标区域和跟踪运动目标是自主机器人运动控制的研究热点之一。给出了连续图像帧差分和二次帧差分改进的图像HIS 差分模型，采用自适应运动目标区域检测、自适应阴影部分分割和噪声消除算法，对无背景图像条件下自动提取运动目标区域。定义了一些运动目标的特征分析和计算 ，通过特征匹配识别所需跟踪目标的区域。采用 Kalrnan 预报器对运动目标状态的一步预测估计和两步增量式跟踪算法，能快速平滑地实现移动机器人对运动目标的跟踪驱动控制。实验结果表明该方法有效。 关键词：改进的HIS 差分模型；Kahnan 滤波器；增量式跟踪控制策略。 0、引言 运动目标检测和跟踪是机器人研究应用及智能视频监控中的重要关键技术 ，一直是备受关注的研究热点之一。在运动目标检测算法中常用方法有光流场法和图像差分法。由于光流场法的计算量大，不适合于实时性的要求。对背景图像的帧问差分法对环境变化有较强的适应性和运算简单方便的特点，但帧问差分不能提出完整的运动目标，且场景中会出现大量噪声，如光线的强弱、运动目标的阴影等。 为此文中对移动机器人的运动目标检测和跟踪中的一些关键技术进行了研究，通过对传统帧间差分的改进，引入 HSI 差值模型、图像序列的连续差分运算、自适应分割算法、自适应阴影部分分割算法和图像形态学方法消除噪声斑点，在无背景图像条件下自动提取运动 目标区域。采用 Kalman 滤波器对跟踪目标的运动轨迹进行预测，建立移动机器人跟踪运动 目标的两步增量式跟踪控制策略，实现对目标的准确检测和平滑跟踪控制。实验结果表明该算法有效。 1、运动目标检测方法 接近人跟对颜色感知的色调、饱和度和亮度属性 (H ，S ，I )模型更适合于图像识别处理。因此，文中引入改进 型 HSI 帧差模型。 1．1 运动目标图像HSI 差值模型 设移动机器人在某一位置采得的连续三帧图像序列 ()y x k ,f 1-，()y x f k ,，()y x f k ,1+
行人检测与跟踪研究内容及结构安排 本文在阅读大量文献的基础上并结合当前行人检测与跟踪技术的研究现状，主要做了以下几方面的研究： 行人检测方面： （1）提出一种二维显著性纹理算子TS-LBP(Two-dimensional Significant Local Binary Pattern)，将带有噪声门限的CS-LBP特征与带有阈值的显著性算子LST相结合，使得图像的纹理特征及局部显著性特征同时包含其中，取得较好的抗噪声性能。 （2）提出了一种基于感兴趣区域内颜色特征和显著性纹理特征相融合的行人检测算法，并通过Adaboost分类器进行行人检测实验。这种检测算法避免对整幅图像全局扫描，运行速度快，鲁棒性高。 行人跟踪方面： （1）提出一种局部显著性纹理算子SLBP(Significance Local Binary Patterns)又能够有效的体现图像的显著性纹理特征，能够反映目标区域内显著性比较及其纹理特征，能够有效的降低背景等外界物体的干扰。 （2）传统的基于单一颜色特征的MeanShift算法易受外界干扰，且一旦颜色特征跟踪失效将不能够对目标继续跟踪。将颜色特征与纹理特征相融合的方法能够更全面的描述目标特征，并且如果某一特征跟踪失效时可以利用另一特征继续对目标进行跟踪。由于背景干扰、光线变化等原因，跟踪过程中颜色特征与纹理特征不可能是同等重要的，因此本文提出了自适应的调整颜色特征与纹理特征的权重。同时，利用卡尔曼滤波器来预测行人的运动轨迹，可以有效节省跟踪目标所需要的时间。 本文章节的结构安排 本文共分为六章，各章节内容如下： 第一章绪论。介绍了本文的选题背景和意义，综述了目前国内外行人检测与 跟踪技术的研究现状，最后介绍了本文的主要研究内容和各章节安排。 第二章行人检测与跟踪算法中相关理论知识。阐述常用的描述物体特征的 方法，并介绍了图像增强的相关知识以及 AdaBoost 算法和支持向量机算法。第三章基于改进 LBP 特征的行人检测。针对传统的 LBP 算子只考虑了中心 像素点与邻域象素点之间的大小关系，没有加入它们之间的对比度，提出了复合局部二值模式(CLBP)，将中心像素点与邻域象素点的对比度信息加入到 LBP 算子中，CLBP 特征算子对图像噪声和光照变化不太敏感，在光照条件不足场景中对行人有较强的描述能力。结合 SVM 分类器进行行人检测，检测结果证明该算法在光线不足的环境中能达到高效检测行人的目的。 第四章基于改进 AdaBoost 的双层行人检测算法。本章针对分类器的退化问 题和正负样本数量不均衡问题，对 AdaBoost 算法中权重的更新规则进行改进，并对正负样本进行权重归一化，来解决训练样本不平衡问题，算法改进后训练的
课时跟踪检测(十六) 动能和动能定理 (时间：30分钟 满分：50分) 一、单项选择题(共5小题，每小题3分，共15分。每小题只有一个选项正确) 1．关于动能概念及公式W ＝E k2－E k1的说法中正确的是( ) A ．若物体速度在变化，则动能一定在变化 B ．速度大的物体，动能一定大 C ．W ＝E k2－E k1表示功可以变成能 D ．动能的变化可以用合力做的功来量度 2．一人用力踢质量为1 kg 的皮球，使球由静止以10 m/s 的速度飞出，假定人踢球瞬间对球平均作用力是200 N ，球在水平方向运动了20 m 停止，那么人对球所做的功为( ) A ．50 J B ．500 J C ．4 000 J D ．无法确定 3．一质量为2 kg 的滑块，以4 m /s 的速度在光滑水平面上向左滑行，从某时刻起，在滑块上作用一向右的水平力。经过一段时间，滑块的速度方向变为向右，大小为4 m/s ，在这段时间水平力所做的功为( ) A ．0 B ．8 J C ．16 J D ．32 J 4．速度为v 的子弹，恰可穿透一块固定的木板。如果子弹速度为2v ，子弹穿透木板时所受阻力视为不变，则可穿透同样的固定木板( ) A ．2块 B ．3块 C ．4块 D ．8块 5.如图1所示，长为2L 的轻杆上端及其正中央固定两个质量均为m 的小球，杆的下端有光滑铰链与水平面相连接，杆原来竖直静止，现让其自由倒下，则A 着地时的速度为( ) 图1 A.1 515gL B.2 515gL C.1 5 30gL D.2 5 30gL 二、多项选择题(共3小题，每小题4分，共12分。每小题有多个选项正确，全选对得
运动目标图像的识别与跟踪 本文主要目的是将视频摄像头中的运动目标从背景中提取出来，并加以跟踪。首先考虑的是常见的目标检测的算法，其次考虑对于噪声的滤除，最后是对运动目标的跟踪。 一、基本目标检测算法 我们主要考虑的目标检测的算法主要有三种，光流场法、背景模型法以及时域差分法。 1.1光流场法 光流主要是图像亮度模式的表现运动。而光流场则是指灰度模式的表面运动。一般条件下，我们可以根据图像的运动，进行估算相对运动。 光流场法的基本理论是光流场基本方程： 0=++t y x I vI uI (1.1) 式中我们根据亮度守恒，利用泰勒公式展开，忽略高阶项与二次项。其中x I 、y I 和t I 是图像在对数轴x 、y 两个方向和t 的的导数，()v u ,就是这个点的光流坐标。 光流场法的目标检测，在摄像机运动时候也可以做出判断，但是图像的噪声太过明显，使得计算数据庞杂，计算的公式更加复杂，这样并不适合我们的对于目标跟踪的高精度的摄像系统。 1.2背景模型法 背景模型法，也被称为背景差法，主要利用当前的图像和背景的图像的二值化做差，然后取阈值，分割运动目标。 首先根据： ()()()y x b y x f y x D t t t ,,,-= (1.2) 我们可以得到当前的图像帧数()y x f t ,和背景图像的帧数),(y x b t 做差，然后以公式对图像进行二值化的处理。 ???≤>=)(,0)(,1),(BackGround T D ForeGround T D y x P t t t (1.3) 上面),(y x P t 是二值化模板图。假设某一区域大于一个给定的面积的时候，该区域就是我们要找的目标区域。 背景模型法的算法简单，可以快速反应，并且可以提供运动目标的大略特征等数据。但是对于复杂背景下，比如人流较大的公共场所，或者有光照等干扰时，就需以其他的算法以不断更新背景信息来进行弥补。
人体目标检测与跟踪算法研究 摘要：近些年以来，基于视频中人体目标的检测与跟踪技术研究越来越被重视。然而，由于受到目标自身特征多样性和目标所处环境的复杂性和不确定性的影响，现存算法的性能受到很大的限制。本文对目前所存在的问题进行了分析，并提出了三帧差分法和改进阈值分割法相结合的运动目标检测算法和多特征融合的改进运动目标跟踪算法。这两种算法不仅可以准确有效的检测出运动目标而且能够满足实时性的要求，有效的解决了因光照变化和目标遮挡等情况造成的运动目标跟踪准确度下降或跟踪目标丢失等问题。 关键词：三帧差分，Camshift，阈值分割 Research Based on Human Target Detectionand Tracking Algorithm Abstract: In recent years, human object detection and tracking become more and more important. However the complexity, uncertainty environment and the target’s own diversity limit the performance of existing algorithms. The main works of this paper is to study and analysis the main algorithm of the human object detection and tracking, and proposes a new moving target detection method based on three-frame difference method and threshold segmentation and improved Camshift tracking algorithm based on multi-feature fusion. These algorithm can satisfy the real-time, while accurately and efficiently detect moving targets, and also effectively solves the problem of tracking object lost or misplaced under illumination change or target occlusion. Keywords: three-frame difference, Camshift, threshold segmentation 一、绪论 （一）选题的背景和意义 人类和动物主要通过眼睛来感受和认知外部世界。人类通过视觉所获取的信息占了60%[1]，因此，在开发和完善人工智能的过程中，赋予机器视觉的功能这一操作极不可缺少。完善上述功能需要以许多技术为基础，特别是运动目标的检测与跟踪技术。近些年以来，此技术受到了越来越多的关注[2]。目前，此技术也在各领域得到了充分的应用，涵盖的领域有智能交通、导航、智能视频监控、精确制导、人机交互和多媒体视频编码压缩技术等。
课时跟踪检测(十六) 有 无 相 生 一、基础知识 1．下列句子中加点的词，解释正确的一项是( ) A ．长短相形． 形：形状 B ．自伐． 者无功 伐：讨伐 C ．其脆易泮． 泮：岸，水边 D ．柔弱者生之徒． 徒：同类 解析：选D A 项，“形”，比较；B 项，“伐”，夸耀；C 项，“泮”，分离。 2．下列各组句子中加点词的意义和用法，相同的一组是( ) A.????? 治之．于未乱民之．从事 B.????? 为之于．未有合抱之木，生于． 毫末 C.????? 故有道者．不处知足者．富 D.????? 孰与物畜而．制之常于几成而．败之 解析：选C A 项，代词，代混乱；助词，放主谓之间，取消句子独立性。B 项，在；从。C 项，均为“……的人”。D 项，表递进；表修饰。 3．下列加点词的用法，不同于其他三项的一项是( ) A ．常于几成而败． 之 B ．怪．之，可也 C ．是以圣人犹难．之 D ．味． 无味 解析：选A A 项“败”为使动用法。B 、C 、D 三项中“怪”“难”“味”为意动用法。 4．下列各句与例句句式相同的一项是( ) 例：木强则折 A ．报怨以德 B ．图难于其易 C ．蚓无爪牙之利 D ．外欺于张仪 解析：选D A 、B 两项为状语后置句。C 项为定语后置句。D 项和例句相同，为被动句。 二、阅读理解 (一)课内阅读 阅读下面的文字，完成5～8题。 为无为，事无事，味无味。大小多少，报怨以德，图． 难于其易，为大于其细。天下难事必作于易，天下大事必作于细。是以圣人终不为大，故能成其大。 夫轻诺必寡信，多易必多难。是以圣人犹难之，故终无难矣。 (《老子》第六十三章) 其安易持，其未兆易谋，其脆易泮． ，其微易散。为之于未有，治之于未乱。 合抱之木，生于毫末。九层之台，起于累土。千里之行，始于足下。
《图像探测、跟踪与识别技术》 实验报告 专业：探测制导与控制技术 学号：11151201 姓名：王进 2014 年11月
实验三复杂场景下目标的检测与跟踪 一、实验目的 1. 学习不同目标跟踪算法，对比不同算法对于复杂场景的效果； 2. 学习OpenCV与VS2010的联合编程，提高编程能力。 二、实验要求 1. 要求学生至少使用一种目标跟踪算法对视频中出现的目标进行跟踪； 2. 检验所选算法在复杂场景下的效果； 3. 使用VS2010/2012和OpenCV进行编程； 4. 本实验不要求目标检测，所以目标可以手动标出。 三、实验步骤 1. 想办法找到目标（可手动框出）。 2. 编写目标跟踪函数代码； 四、实验报告 1、CAMSHIFT算法原理 CAMSHIFT算法是利用目标的颜色直方图模型将图像转换为颜色概率分布图，初始化一个搜索窗的大小和位置，并根据上一帧得到的结果自适应调整搜索窗口的位置和大小，从而定位出当前图像中目标的中心位置。 这个算法可以分为三个部分： 1、色彩投影图（反向投影）： (1).RGB颜色空间对光照亮度变化较为敏感，为了减少此变化对跟踪效果的影响，首先将图像从RGB空间转换到HSV空间。(2).然后对其中的H分量作直方图，在直方图中代表了不同H分量值出现的概率或者像素个数，就是说可以查找出H分量大小为h的概率或者像素个数，即得到了颜色概率查找表。(3).将图像中每个像素的值用其颜色出现的概率对替换，就得到了颜色概率分布图。这个过程就叫反向投影，颜色概率分布图是一个灰度图像。 2、MEANSHIFT MEANSHIFT算法是一种密度函数梯度估计的非参数方法，通过迭代寻优找到概率分布的极值来定位目标。 算法过程为： (1).在颜色概率分布图中选取搜索窗W (2).计算零阶距： 计算一阶距：
课时跟踪检测（一）化学实验安全过滤和蒸发 1．下列实验基本操作中，主要是出于实验安全考虑的是( ) A．实验剩余的药品不能放回原试剂瓶 B．点燃可燃性气体前的验纯 C．气体实验装置在实验前进行气密性检查 D．胶头滴管不能交叉使用 2．进行化学实验必须注意安全。下列说法正确的是( ) A．不能用手直接接触药品 B．可用酒精灯对烧杯直接加热 C．用鼻孔凑到容器口去闻气体的气味 D．尝一下实验室里酒精的味道 3．下列仪器常用于进行物质分离的是( ) 4．实验室进行过滤和蒸发操作时，都要用到的仪器是( ) A．烧杯B．玻璃棒 C．蒸发皿D．酒精灯 5．下列生产、生活、实验中的行为，符合安全要求的是( ) A．进入煤矿井下作业，戴上安全帽，用帽上的矿灯照明 B．节日期间，可以在热闹繁华的商场里燃放烟花爆竹，欢庆节日 C．点燃打火机，可以检验液化气钢瓶口是否漏气 D．实验室里，可以将水倒入浓硫酸中及时用玻璃棒搅拌，配制稀硫酸 6．下列对事故的处理方法不正确的是( ) A．如遇到电线着火，应该先关掉电闸 B．发现实验室中有大量的可燃性气体泄漏时，应立即开窗通风 C．不慎将稀盐酸溅到眼睛里，应立即用大量水冲洗，边洗边眨眼睛 D．不慎将少量浓硫酸溅到皮肤上，应立即用水冲洗，然后涂抹10%的NaOH溶液7．进行过滤操作应选用的一组仪器是( ) A．滤纸、烧杯、试管夹、漏斗、玻璃棒 B．烧杯、酒精灯、试管、漏斗 C．铁架台(附铁圈)、烧杯、漏斗、玻璃棒、滤纸
D．铁架台(附铁圈)、烧杯、漏斗、玻璃棒 8．下列混合物适于用过滤法分离的是( ) A．KCl、NaNO3B．水、酒精 C．Na2CO3、CaCO3D．MgSO4、ZnSO4 9．可用于分离或提纯物质的方法有： A．过滤B．蒸发C．加热 下列各组混合物的分离或提纯应选用上述哪种方法最合适(填字母)? (1)除去NaCl溶液中的AgCl悬浮物_______________________________________。 (2)除去水中溶解的氧气__________________________________________________。 (3)除去潮湿食盐中的水__________________________________________________。 10．在化学实验室中进行实验，规范操作是顺利进行实验以及避免事故的保障。 (1)下列有关实验的处理方法不正确的是____________(填字母)。 a．不慎碰倒酒精灯而使酒精在实验桌上燃烧起来，应立即用水浇灭 b．实验时手指不小心沾上氢氧化钠，立即用浓硫酸冲洗 c．制取的氧气用排水法收集时，若出现倒吸，应立即松开试管上的橡胶塞 (2)请将下列实验中的错误操作可能引起的不良后果填在表格中。 (3)下列关于不进行气密性检查可能导致的后果的叙述中，正确的是________(填字母)。a．收集不到气体b．造成环境污染 c．观察到的实验现象有误d．引起爆炸事故
基于opencv中光流法的运动 行人目标跟踪与检测 一、课题研究背景及方法 行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智 能机器人等领域。从2005年以来行人检测进入了一个快速的发展阶段，但是也存在很多问题还有待解决，个人觉得主要还是在性能和速度方面还不能达到一个权衡。 早期以静态图像处理中的分割、边缘提取、运动检测等方法为主。例如 （1）以Gavrila为代表的全局模板方法：基于轮廓的分层匹配算法，构造了将近2500个轮廓模板对行人进行匹配, 从而识别出行人。为了解决模板数量众多而引起的速度下降问题，采用了由粗到细的分层搜索策略以加快搜索速度。另外，匹配的时候通过计算模板与待检测窗口的距离变换来度量两者之间的相似性。 （2）以Broggi为代表的局部模板方法：利用不同大小的二值图像模板来对人头和肩部进行建模，通过将输入图像的边缘图像与该二值模板进行比较从而识别行人，该方法被用到意大利Parma大学开发的ARGO智能车中。 （3）以Lipton为代表的光流检测方法：计算运动区域内的残余光流； （4）以Heisele为代表的运动检测方法：提取行人腿部运动特征； （5）以Wohler为代表的神经网络方法：构建一个自适应时间延迟神经网络来判断是否是人体的运动图片序列； 以上方法，存在速度慢、检测率低、误报率高的特点。 2、行人检测的研究现状
（1）基于背景建模的方法：分割出前景，提取其中的运动目标，然后进一步 提取特征，分类判别；在存在下雨、下雪、刮风、树叶晃动、灯光忽明忽暗等场 合，该方法的鲁棒性不高，抗干扰能力较差。且背景建模方法的模型过于复杂，对 参数较为敏感。 （2）基于统计学习的方法：根据大量训练样本构建行人检测分类器。提取的 特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经 网络、SVM，adaboost等。该方法存在以下难点： （a）行人的姿态、服饰各不相同； （b）提取的特征在特征空间中的分布不够紧凑； （c）分类器的性能受训练样本的影响较大； （d）离线训练时的负样本无法涵盖所有真实应用场景的情况； 尽管基于统计学习的行人检测方法存在着诸多的缺点，但依然有很多人将注 意力集中于此。 行人检测国外研究情况： 法国研究人员Dalal在2005的CVPR发表的HOG+SVM的行人检测算法(Histograms of Oriented Gradients for Human Detection, Navneet Dalel,Bill Triggs, CVPR2005)。 Dollar 在 2010 年 BMVC 的《The fastest pedestrian detector in the west》一文中提出了一种新的思想，这种思想只需要训练一个标准 model,检测N/K（K ≈10）然后其余的 N-N/K 种大小的图片的特征不需要再进行这种复杂的计算，而是跟据这 N/K 次的结果，由另外一种简单的算法给估计出来，这种思 想实现的基础是大小相近的图像的特征可以被足够精确的估计出来；同年，德国