下载文档原格式
师资队伍/个人信息（样表）姓名周俊性别男职称教授系别农业机械化系学位博士/博导电话E-mail zhoujun@单位地址南京市浦口区点将台路40号邮编210031 研究领域农业机器人，农业装备智能化技术，机器视觉，精准农业装备社会兼职江苏省自动化学会农业自动化分会委员承担项目1.国家重点研发计划项目“电动拖拉机智能化操控与作业关键技术研究及核心零部件研制(编号: 2016YFD0701003)”；2.江苏省农机三新工程项目“谷物联合收获机自动导航及测产系统开发与应用（编号：NJ2015-10）”；3.国家自然科学基金面上项目“粘弹性农业物料机器人抓取模型辨识及主动柔性控制（编号：31471419）”；4.国家自然科学基金面上项目“农业机器人动态作业场景概率图模型研究（编号：31071325）”；5.国家863计划项目“移动式果蔬采摘机器人关键技术研究（编号：2006AA10Z259）” （项目副组长）；6.国家863计划项目“水稻收获机械智能测产系统的研究开发（编号：2006AA10A305）” ；7.教育部博士点基金博导类项目“可变形易损伤农业物料机器人抓取研究（编号：20130097110043）”；1.农业部现代农业装备重点实验室开放课题“密植果园作业农业机械定位与导航方法研究（编号：201302003）” ；2.江苏省自然科学基金面上项目“基于立体视觉导航农业机器人大尺度地形推理研究（编号：BK2010458）” ；3.苏州市农业科技支撑项目“基于无线传感网络的智能温室信息监测系统集成示范（编号：SN201003）” 。
4.国家863计划项目子课题“农田作业机械智能导航控制技术与产品研发”（编号：2006AA10A304）；5.教育部科学技术研究重点项目“基于机器视觉的农业机械自动导。
全景视频中多运动对象检测与跟踪方法1 引言如今，全景视频的应用越来越广泛，例如在电影、摄影、虚拟现实等领域。
然而，由于全景视频中包含大量的运动对象，准确地检测和跟踪这些对象变得尤为重要。
因此，如何有效地实现全景视频中多运动对象的检测和跟踪成为了一个热门的探究课题。
2 全景视频中多运动对象检测2.1 基于挪动物体领域的方法在全景视频中，挪动物体的检测是一种常见的方式。
这种方法通常通过比较挪动物体与背景之间的差异来实现。
详尽步骤如下：起首，利用运动预估算法获得运动物体的候选区域。
然后，利用目标检测算法从候选区域中进一步筛选出真正的运动物体。
最后，利用跟踪算法来持续跟踪被检测到的运动物体。
2.2 基于深度进修的方法深度进修在目标检测领域取得了显著的冲破，然而在全景视频中检测多个运动对象依旧是一个具有挑战性的任务。
为了解决这个问题，探究人员提出了一些基于深度进修的方法。
这些方法利用卷积神经网络（Convolutional Neural Network，CNN）等深度进修模型，通过对全景视频进行端到端的进修，直接猜测出每个像素的物体类别和位置。
3 全景视频中多运动对象跟踪3.1 基于目标追踪的方法在全景视频中，跟踪多个运动对象是一项具有挑战性的任务。
传统的目标追踪算法通常使用基于特征点的方法来跟踪运动对象。
然而，这些方法在跟踪过程中容易受到遮挡和运动模糊等问题的干扰。
最近，探究人员提出了一些新的目标追踪算法，如分割与跟踪结合的方法、卷积神经网络与循环神经网络相结合的方法等，这些方法有效地解决了上述问题。
3.2 基于视觉里程计的方法视觉里程计是指通过分析连续的图像序列来预估相机的运动轨迹。
在全景视频中，基于视觉里程计的方法可用于跟踪多个运动对象。
这种方法利用全景图像序列之间的几何干系来推断相机的运动轨迹，并依据相机的运动来预估运动物体的运动轨迹。
然后，通过匹配物体的特征点来进一步精确地预估运动物体的位置。
4 试验结果与谈论在本节中，我们将对上述提到的进行试验评估，并对试验结果进行谈论。
基于计算机视觉的检测技术化工与环境学院董守龙学号：10805001摘要：计算机视觉检测技术是一个发展迅速、应用广泛的新的技术领域。
本文就基于计算机视觉的检测技术进行了概述，介绍了几种典型的应用，包括汽车牌照自动识别技术、特定目标识别技术、生物特征鉴别技术、机器人视觉系统等，并分别就其涉及的主要问题进行了分析。
关键词：图像技术；图像处理；计算机视觉；机器人视觉近年来，图像技术受到人们广泛的关注。
在人类接收的信息中有80%来自视觉即图像( Image)信息，这是人类最有效和最重要的信息获取、交流方式。
随着计算机的普及，人们越来越多地利用计算机帮助人类获取与处理视觉（图像）信息。
图像技术就是对视觉图像获取与加工处理技术的总称。
根据抽象程度和处理方法的不同，图像技术可分为三个层次：图像处理、图像分析和图像理解。
这三个层次的有机结合也称为图像工程。
图像处理是较低层的操作，主要在图像象素级上进行处理。
比较狭义的图像处理主要包括对图像分割以改善视觉效果，或对图像压缩编码以减少传输时间或存储容量。
图像分析则是进入中层的操作，分割和特征提取是把原来以象素描述的图像转变成简洁的非图形形式的符号描述。
即图像分析是一个图像进而数据出的处理，数据可以是对某一特征测量所得的结果，或是基于测量的符号表示。
图像理解也经常被称为计算机视觉，主要是高层操作。
图像理解进一步研究图像中的目标和它们之间的联系，其处理过程和方法与人类的思维推理有不少类似之处。
随着计算机的普及和大规模集成电路技术的发展，计算机视觉检测技术（AVI）实现成本已大大降低，并得到广泛应用。
计算机视觉的应用领域主要包括对照片、视频资料如航空照片、卫星照片、视频片段等的解释、精确制导、移动机器人视觉导航、医学辅助诊断、工业机器人的手眼系统、地图绘制、物体三维形状分析与识别及智能人机接口等。
下面将就一些主要的重点应用展开介绍。
1 汽车牌照自动识别技术近年来交通问题引发的关注越来越多，智能交通系统（Intelligent Transportation System，ITS）的研究也越发广泛而深入。
基于AR技术的手机拍摄软件的开发作者：朱晨璐隋超周翠翠刘高强王宇航来源：《现代信息科技》2018年第05期摘要：近年来，AR与图像处理发展迅速，并在生活娱乐、辅助教学等方面起着越来越重要的作用。
本文采用图像追踪技术获取动态目标，利用前景检测技术和图像融合技术更换视频人物所处环境，采用NDK开发Android应用，实现了基于AR技术的手机拍摄软件的开发项目。
关键词：前景检测；图像融合；Vibe算法；运动目标追踪；NDK开发中图分类号：TP311 文献标识码：A 文章编号：2096-4706（2018）05-0017-03Development of Mobile Phone Shooting Software Based on AR TechnologyZHU Chenlu，SUI Chao，ZHOU Cuicui，LIU Gaoqiang，WANG Yuhang（College of Computer Science and Technology，Jilin University，Changchun 130012，China）Abstract：AR and image processing have developed rapidly in recent years，and play an increasingly important role in life entertainment，assisted teaching and so on. In this paper，the image tracking technology is used to obtain the dynamic target foreground detection technology Using the foreground detection technology and the image fusion technology to change the environment of the video characters，the Android application is developed by NDK，and the development project of the mobile phone shooting software based on the AR technology is realized.Keywords：foreground detection；image fusion；Vibe algorithm；moving target tracking；NDK development0 引言近年来，拍照功能越来越受到人们的重视，然而人们对于拍照功能创新性的提升似乎还是不够满意，拍照技术在一些方面还是存在着较大的局限性。
智慧国土视频监控运动目标提取新方法研究邵恒;王楠溢【摘要】近年来,由于国土资源违法违规现象频发,视频监控在国土行业得到了广泛应用:它是通过监控设备对耕地、矿区等重点区域进行实时监控从而自动识别、判断、预警的新执法监察手段.自动化和智能化的实现,迫切需要对运动目标进行有效提取、分析.针对在智慧国土视频监控中获得广泛应用的PTZ(Pan-Tilt-Zoom)相机,提出了一种快速有效的运动目标提取新方法.与传统建立全景背景模型的PTZ相机运动目标提取方法不同,该方法建立了匹配特征点的密度估计,减少了计算时间与内存需要,且对光线变化有很好鲁棒性,可以方便地应用到"智慧国土"项目——视频监管系统建设中去.【期刊名称】《现代测绘》【年(卷),期】2018(041)002【总页数】3页(P51-53)【关键词】智慧国土;PTZ相机;运动目标提取;视频监管【作者】邵恒;王楠溢【作者单位】江苏省测绘工程院,江苏南京 210013;江苏省测绘工程院,江苏南京210013【正文语种】中文【中图分类】P208.20 引言当前，我国正处于全面建成小康社会决胜阶段，国情省情继续发生深刻变化，经济发展进入新常态，国土开发利用与保护面临重大机遇和严峻挑战，必须顺应国际大势，立足基本国情，把握时代要求，科学研判发展形势。
如何全面、准确、及时地掌握国土资源的数量、质量、分布及其变化趋势，进行合理开发和利用，直接关系到国民经济的可持续发展。
智慧国土视频监控系统是综合运用计算机、图像处理、模式识别、网络监控、网络流媒体技术，通过视频监控设备对耕地、矿区等国土资源违法违规易发多发区域及地质灾害频发区域进行实时监控，并对视频监控结果进行自动识别、判断、处置的一种辅助管理工具[1]。
运动目标提取是智能视频监控的关键，识别出的运动目标既可以作为后续目标跟踪的初始位置[2]，也可以作为敏感监控区域。
最典型的运动相机中运动目标提取算法基于对背景模型进行拓展：它通过使用多种图像配准技术，将若干视频帧拼接建立起全景背景模型，将当前视频帧匹配到全景模型相应位置，从而将问题转化为固定相机运动目标提取问题[3-6]。
一种基于轨迹的足球检测和跟踪方案余弦;曾贵华【摘要】在运动视频检测中,由于存在噪声和遮挡,仅依靠单帧信息来确认目标的位置是很困难的.提出了一种基于轨迹的运动足球检测和跟踪方案.先利用视觉特征来得到每帧图像的候选球,然后使用卡尔曼滤波器进行预测跟踪,生成初始轨迹.通过轨迹选择,确认真实球的轨迹,从而间接地得到球的位置.此外,结合卡尔曼滤波器预测和线性插值,补充视频中漏检的球的位置.实验结果表明,算法具有较高的准确性,精确率达到85%.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)026【总页数】4页(P148-151)【关键词】检测;跟踪;卡尔曼滤波;轨迹;线性插值【作者】余弦;曾贵华【作者单位】上海交通大学,电子工程系,上海,200240;上海交通大学,电子工程系,上海,200240【正文语种】中文【中图分类】TP391.411 引言基于计算机视觉的运动视频分析，特别是对于足球、橄榄球、网球等球类比赛的自动分析，一直都是备受关注的研究热点，其应用也十分广泛。
本文着重讨论的球类视频中球的自动检测和跟踪是运动分析的研究基础。
在此基础之上，进一步有效地进行上层语义分析，比如比赛集锦的选取，重要事件检测以及战略战术分析等等[1]。
近年来，很多研究者提出了一些关于球类自动检测和跟踪的较为有效的方法。
文献[2]通过改进的圆的霍夫变换来检测视频图像中运动的球；文献[3]先用粗-细的过程确定出球场中的目标球为跟踪对象，然后采用基于颜色和形状特征的Condensation算法对球进行跟踪；文献[4]先粗略地得到连续数帧的候选球并构建权重图，然后利用维特比算法提取出真实球的位置对应的路径，最后利用基于模板匹配的卡尔曼滤波器来跟踪目标球；文献[5]通过基于球对象，轨迹内和轨迹间的三层处理实现了对球的实时跟踪；文献[6]采用分层数据融合的方法得到网球比赛视频中真实球的运动轨迹，并检测出球运动时的转折点；文献[7]提出了一种基于检测的跟踪方法，对球的运动轨迹选择，推断和延伸，并以此进行基于语义的事件检测。
