首页 > 范文大全 > 计划安排

计算机视觉的优点(6篇)

发布人:收集 发布时间:2024-03-03

计算机视觉的优点篇1

关键词:计算机视觉技术;食品工业;分级;图像处理

中图分类号:TS207文献标识码:A

随着微型个人计算机应用的越来越广泛,以及计算机在综合学科中应用的深入研究,现如今在工农业、军事国防、医学卫生等众多领域的使用和研究方面计算机视觉技术都起到了至关重要的作用,为了节省人力、降低成本、减少误差,该项技术在食品企业、科研院所、检测机构中的应用更加普遍。如今,在农产品药物残留检测、水果重量分级、等级筛选、质量监管等方面计算机视觉技术有众多应用。

1计算机视觉技术概述

计算机视觉技术是利用计算机、摄像机、图像卡以及相关处理技术来模拟人的视觉,用以识别、感知和认识我们生活的世界[1]。该技术是模拟识别人工智能、心理物理学、图像处理、计算机科学及神经生物学等多领域的综合学科。计算机视觉技术用摄像机模拟人眼,用计算机模拟大脑,用计算机程序和算法来模拟人对事物的认识和思考,替代人类完成程序为其设定的工作。该技术由多个相关的图像处理系统组成,主要包括光源提供系统、图像提取系统、计算机数据运算系统等。原理是:首先通过摄像机获得所需要的图像信息,然后利用信号转换将获得的图像信息转变为数字图像以便计算机正确识别[2]。随着科学技术的发展,计算机技术在各个领域得到广泛应用,计算机视觉技术不仅在代替人类视觉上取得了重大成就,而且在很多具体工作方便超越了人的视觉功能。计算机视觉计算有如此快速的发展,是因为与人类的视觉相比该技术具有以下显著优势[3]。

1.1自动化程度高

计算机视觉可以实现对农产品的多个外形和内在品质指标进行同时检测分析,可以进行整体识别、增强对目标识别的准确性。

1.2实现无损检测

由于计算机视觉技术对农产品的识别是通过扫描、摄像,而不需要直接接触,可以减少对所检测食品的伤害。

1.3稳定的检测精度

设计的运行程序确定后,计算机视觉技术的识别功能就会具有统一的识别标准,具有稳定的检测精度,避免了人工识别和检测时主观因素所造成的差异。

2计算机视觉技术在食品检测中的应用

20世纪70年代初,学者开始研究计算机视觉技术在食品工业中的应用,近几十年电子技术得到快速发展,计算机视觉技术也越来越成熟。国内外学者在研究计算机视觉技术在食品工业中的应用方面主要集中在该技术对果蔬的外部形态(如形状、重量、外观损伤、色泽等)的识别、内部无损检测等方面。国内有关计算机视觉技术在食品业中的应用研究起始于90年代,比国外发达国家晚多达20a,但是发展很快。

2.1计算机视觉技术在果蔬分级中的应用研究

计算机视觉技术在食品检测中的应用研究相当广泛,从外部直径、成熟度的检测到内部腐烂程度的检测都有研究。韩伟等[4]采用分割水果的拍摄图像和新的计算机算法计算水果的半径,进而得出果蔬的最大直径。研究表明,该算法不仅降低了计算量而且提高了计算精度,此方法用于水果分级的误差不超过2mm,高于国际水果分级标准所规定的5mm分类标准差,可在工业生产中很好应用。李庆中[5]也利用图像的缺陷分割算法研究了计算机视觉技术在苹果检测与分级中的应用,结果表明此算法能快速、有效地分割出苹果的表面缺陷。孙洪胜等[6]以苹果色泽特征比率的变化规律为理论基础,结合模糊聚类知识利用计算机视觉技术来检测苹果缺陷域,检测不仅快速而且结果精确。刘禾等[7]通过研究认为苹果的表面缺陷可以利用计算机视觉技术进行检测,计算机视觉技术还可以将苹果按照检测结果进行分级,把检测过的苹果分成裂果、刺伤果、碰伤果和虫伤果等类别。梨的果梗是否存在是梨类分级的重要特征之一,应义斌等[8]通过计算机视觉技术、图像处理技术、傅立叶描述子的方法来描述和识别果形以及有无果柄,其识别率达到90%。杨秀坤等[9]综合运用计算机视觉技术、遗传算法、多层前馈神经网络系统,实现了具有精确度高、灵活性强和速度快等优点的苹果成熟度自动判别。陈育彦等[10]采用半导体激光技术、计算机视觉技术和图像分析技术相结合的方法检测苹果表面的机械损伤和果实内部的腐烂情况,初步验证了计算机视觉技术检测苹果表面的损伤和内部腐烂是可行的。冯斌等[11]通过计算机视觉技术对水果图像的边缘进行检测,然后确定水果的大小用以水果分级。试验表明,该方法比传统的检测方法速度快、准确率高,适用于计算机视觉的实时检测。朱伟[12]在模糊颜色的基础上,分析西红柿损伤部分和完好部分模糊颜色的差别,用分割方法对西红柿的缺陷进行分割,结果显示准确率高达96%。曹乐平等[13]人研究了温州蜜柑的果皮颜色与果实可滴定酸含量以及糖分含量之间的相关性,然而根据相关性,样品检测的正确识别率分别只有约74%和67%。刘刚等[14]从垂直和水平两个方向获取苹果的图像,并通过计算机自动分析图像数据,对苹果的外径、体积、以及圆形度等参数进行处理,与人工检测相比,计算机视觉技术具有检测效率高,检测标准统一性好等优点。Blasco.J[15]通过计算机视觉技术分析柑橘果皮的缺陷,进而对其在线分级,正确率约为95%。赵广华等[16]人综合计算机视觉识别系统、输送转换系统、输送翻转系统、差速匀果系统和分选系统,研制出一款适于实时监测、品质动态的智能分级系统,能够很好地实现苹果分级。王江枫等[17]建立了芒果重量与摄影图像的相互关系,应用计算机视觉技术检测桂香芒果和紫花芒果的重量和果面损伤,按重量分级其准确率均为92%,按果面损伤分级的准确率分别为76%和80%。

2.2计算机视觉技术在禽蛋检测中的应用研究

禽蛋企业在生产过程中,产品的分级、品质检测主要采用人工方法,不仅需要大量的物力人力,而且存在劳动强度大、人为误差大、工作效率低等缺点,计算机视觉技术可以很好的解决这类产品工业生产中存在的困扰。欧阳静怡等[18]利用计算机视觉技术来检测鸡蛋蛋壳裂纹,利用摄像机获取鸡蛋图像后,采用fisher、同态滤波和BET算法等优化后的图像处理技术,获得裂纹形状并判断,试验结果表明,计算机视觉技术对鸡蛋蛋壳裂纹的检测准确率高达98%。汪俊德等[19]以计算机视觉技术为基础,设计出一套双黄鸡蛋检测系统。该系统获取蛋黄指数、蛋黄特征和蛋形尺寸等特征,和设计的数学模型对比来实现双黄鸡蛋的检测和识别,检测准确率高达95%。郑丽敏等[20]人通过高分辨率的数字摄像头获取鸡蛋图像,根据图像特征建立数学模型来预测鸡蛋的新鲜度和贮藏期,结果表明,计算机视觉技术对鸡蛋的新鲜度、贮藏期进行预测的结果准确率为94%。潘磊庆等[21]通过计算机视觉技术和声学响应信息技术相结合的方法检测裂纹鸡蛋,其检测准确率达到98%。MertensK等[22]人基于计算机视觉技术研发了鸡蛋的分级检测系统,该系统识别带污渍鸡蛋的正确率高达99%。

2.3计算机视觉技术在检测食品中微生物含量中的应用研究

计算机技术和图像处理技术在综合学科中的应用得到快速发展,在微生物快速检测中的应用也越来越多,主要是针对微生物微菌落的处理。食品工业中计算机视觉技术在微生物检测方面的研究和应用以研究单个细胞为主,并在个体细胞的研究上取得了一定的进展。殷涌光等[23]以颜色特征分辨技术为基础,设计了一套应用计算机视觉技术快速定量检测食品中大肠杆菌的系统,该系统检测结果与传统方法的检测结果具有很好的相关性,但与传统方法相比,可以节省5d时间,检测时间在18h以内,并且能够有效提高产品品质。Lawless等[24]人等时间段测定培养基上的细胞密度,然后通过计算机技术建立时间和细胞密度之间的动态关联,利用该关联可以预测和自动检测微生物的生长情况,如通过计算机控制自动定量采集检测对象,然后分析菌落的边缘形态,根据菌落的边缘形态计算机可以显示被检测菌落的具置,并且根据动态关联计算机视觉系统可以同时处理多个不同的样品。郭培源等[25]人对计算机视觉技术用于猪肉的分级进行了研究,结果显示计算机视觉技术在识别猪肉表面微生物数量上与国标方法检测的结果显著相关,该技术可以有效地计算微生物的数量。Bayraktar.B等[26]人采用计算机视觉技术、光散射技术(BARDOT)和模式识别技术相结合的方法来快速检测李斯特菌,在获取该菌菌落中的形态特征有对图像进行分析处理达到对该菌的分类识别。殷涌光等[27]人综合利用计算机视觉、活体染色、人工神经网络、图像处理等技术,用分辨率为520万像素的数字摄像机拍摄细菌内部的染色效果,并结合新的图像处理算法,对细菌形态学的8个特征参数进行检测,检测结果与传统检测结果显著相关(相关系数R=0.9987),和传统检测方法相比该方法具有操作简单、快速、结果准确、适合现场快速检测等特点。鲁静[28]和刘侃[29]利用显微镜和图像采集仪器,获取乳制品的扫描图像,然后微生物的图像特征,识别出微生物数量,并以此作为衡量乳制品质量是否达标的依据,并对产品进行分级。

2.4计算机视觉技术在其他食品产业中的应用研究

里红杰等[30]通过提取贝类和虾类等海产品的形状、尺寸、纹理、颜色等外形特征,对照数学模型,采用数字图像处理技术、计算机识别技术实现了对贝类和虾类等海产品的无损检测和自动化分类、分级和质量评估,并通过实例详细阐述了该技术的实现方法,证实了此项技术的有效性。计算机视觉技术还可以检验玉米粒形和玉米种子质量、识别玉米品种和玉米田间杂草[31]。晁德起等[32]通过x射线照射获取毛叶枣的透视图像后,运用计算机视觉技术对图像进行分析评估,毛叶枣可食率的评估结果与运用物理方法测得的结果平均误差仅为1.47%,因此得出结论:计算机视觉技术可以应用于毛叶枣的自动分级。Gokmen,V等通用对薯片制作过程中图像像素的变化来研究薯片的褐变率,通过分析特色参数来研究薯片中丙烯酰胺的含量和褐变率也关系,结果显示两项参数相关性为0.989,从而可以应用计算机视觉技术来预测加热食品中丙烯酰胺的含量,该方法可以在加热食品行业中得到广泛应用。韩仲志等人拍摄和扫描11类花生籽粒,每类100颗不同等级的花生籽粒的正反面图像,利用计算机视觉技术对花生内部和外部采集图像,并通过图像对其外在品质和内在品质进行分析,并建立相应的数学模型,该技术在对待检样品进行分级检测时的正确率高达92%。另外,郭培源等人以国家标准为依据,通过数字摄像技术获取猪肉的细菌菌斑面积、脂肪细胞数、颜色特征值以及氨气等品质指标来实现猪肉新鲜程度的分级辨认。

3展望

新技术的研究与应用必然伴随着坎坷,从70年代初计算机视觉技术在食品工业中进行应用开始,就遇到了很多问题。计算机视觉技术在食品工业中的研究及应用主要存在以下几方面的问题。

3.1检测指标有限

计算机视觉技术在检测食品单一指标或者以一个指标作为分级标准进行分级时具有理想效果,但以同一食品的多个指标共同作为分级标准进行检测分级,则分级结果误差较大。例如,Davenel等通过计算机视觉对苹果的大小、重量、外观损伤进行分析,但研究结果显示,系统会把花粤和果梗标记为缺陷,还由于苹果表面碰压伤等缺陷情况复杂,造成分级误差很大,分级正确率只有69%。Nozer等以计算机视觉为主要技术手段,获取水果的图像,进而通过分析图像来确定水果的形状、大小、颜色和重量,并进行分级,其正确率仅为85.1%。

3.2兼容性差

计算机视觉技术针对单一种类的果蔬分级检测效果显著,但是同一套系统和设备很难用于其他种类的果蔬,甚至同一种类不同品种的农产品也很难公用一套计算机视觉设备。Reyerzwiggelaar等利用计算机视觉检查杏和桃的损伤程度,发现其检测桃子的准确率显著高于杏的。Majumdar.S等利用计算机视觉技术区分不同种类的麦粒,小麦、燕麦、大麦的识别正确率有明显差异。

3.3检测性能受环境制约

现阶段的计算机视觉技术和配套的数学模型适用于简单的环境,在复杂环境下工作时会产生较大的误差。Plebe等利用计算机视觉技术对果树上的水果进行识别定位,但研究发现由于光照条件以及周边环境的影响,水果的识别和定位精度不高,不能满足实际生产的需要。

综上所述,可看出国内外学者对计算机视觉技术在食品工业中的应用进行了大量的研究,有些研究从单一方面入手,有些研究综合了多个学科,在研究和应用的过程中,取得了较大的经济效益,也遇到了很多问题,在新的形势下,计算机视觉技术和数码拍摄、图像处理、人工神经网络,数学模型建设、微生物快速计量等高新技术相融合的综合技术逐渐成为了各个领域学者的研究热点,以计算机视觉为基础的综合技术也将在食品工业中发挥更加重要的作用。

参考文献

[1]宁纪锋,龙满生,何东健.农业领域中的计算机视觉研究[J].计算机与农业,2001(01):1-3.

[2]李峥.基于计算机视觉的蔬菜颜色检测系统研究[D].吉林:吉林大学,2004.

[3]曾爱群.基于计算机视觉与神经网络的芒果等级分类研究[D].桂林:桂林工学院,2008.

[4]韩伟,曾庆山.基于计算机视觉的水果直径检测方法的研究[J].中国农机化,2011(05):25-29.

[5]李庆中.苹果自动分级中计算机视觉信息快速获取与处理技术的研究[D].北京:中国农业大学,2000.

[6]孙洪胜,李宇鹏,王成,等.基于计算机视觉的苹果在线高效检测与分级系统[J].仪表技术与传感器,2011(06):62-65.

[7]刘禾,汀慰华.水果果形判别人工神经网络专家系统的研究[J].农业工程学报,1996,12(0l):171-176.

[8]应义斌,景寒松,马俊福.用计算机视觉进行黄花梨果梗识别的新方法[J].农业工程学报,1998,14(02):221-225.

[9]杨秀坤,陈晓光,马成林,等.用遗传神经网络方法进行苹果颜色白动检测的研究[J].农业工程学报,1997,13(02):193-176.

[10]陈育彦,屠康,柴丽月,等.基于激光图像分析的苹果表面损伤和内部腐烂检测[J].农业机械学报,2009,40(07):133-137.

[11]冯斌,汪憋华.基于计算机视觉的水果大小检测方法[J].农业机械学报,2003,34(01):73-75.

[12]朱伟,曹其新.基于模糊彩色聚类方法的西红柿缺陷分割[J].农业工程学报,2003,19(03):133-136.

[13]曹乐平,温芝元,沈陆明.基于色调分形维数的柑橘糖度和有效酸度检测[J].农业机械学报,2009,41(03):143-148.

[14]刘刚,王立香,柳兆君.基于计算机视觉的苹果质量检测[J].安徽农业科学,2012,40(08):5014-5016.

[15]BlascoJ,AleixosN,Moltoputervisiondetectionofpeeldefectsincitrusbymeansofaregionorientedsegmentationalgorithm[J].JournalofFoodEngineering,2007,81(03):535-543.

[16]赵广华,飞,陆奎荣,等.智能化苹果品质实时分选系统[J].中国科技信息.

[17]王江枫,罗锡文,洪添胜,等.计算机视觉技术在芒果重量及果面坏损检测中的应用[J].农业工程学报,1998(12):186-189.

[18]欧阳静怡,刘木华.基于计算机视觉的鸡蛋裂纹检测方法研究[J].农机化研究,2012(03):91-93.

[19]汪俊德,郑丽敏,徐桂云,等.基于计算机视觉技术的双黄鸡蛋检测系统研究[J].农机化研究,2012(09):195-199.

[20]郑丽敏,杨旭,徐桂云,等.基于计算机视觉的鸡蛋新鲜度无损检测[J].农业工程学报,2009,25(03):335-339.

[21]潘磊庆,屠康,詹歌,等.基于计算机视觉和声学响应信息融合的鸡蛋裂纹检测[J].农业工程学报,2010,26(11):332-337.

[22]MertensK,DeKetelaereB,KamersB,etal.Dirtdetectiononbrowneggsbymeansofcolorcomputervision[J].PoultryScience,2005,84(10):1653-1659.

[23]殷涌光,丁筠.基于计算机视觉的食品中大肠杆菌快速定量检测[J].吉林大学学报(工学版),2009,39(02):344-348.

[24]LawlessC,WilkinsonDJ,YoungA,etal.Colonyzer:automatedquantificationofmicro-organismgrowthcharacteristicsonsolidagar[J].BMCBioinformatics,2010(08):38-44.

[25]郭培源,毕松,袁芳.猪肉新鲜度智能检测分级系统研究[J].食品科学,2010,31(15):68-72.

[26]BayraktarB,BanadaPP,HirlemanED,etal.Featureextractionfromlight-scatterpatternsofListeriacoloniesforidentificationandclassification[J].JournalofBiomedicalOptics,2006,11(03):34-36.

[27]殷涌光,丁筠.基于计算机视觉的蔬菜中活菌总数的快速检测[J].农业工程学报,2009,25(07):249-254.

[28]鲁静.乳品微生物自动检测系统的设计[J].湖北第二师范学院学报,2010,27(08):115-117.

[29]刘侃.鲜奶含菌量快速检测系统[D].华中科技大学,2008.

[30]里红杰,陶学恒,于晓强.计算机视觉技术在海产品质量评估中的应用[J].食品与机械,2012,28(04):154-156.

计算机视觉的优点篇2

关键词:计算机视觉;定标方法;应用特点

中图分类号:TP319文献标识码:A文章编号:16727800(2012)007014902

作者简介:许志雄(1968-),男,浙江绍兴人,江汉石油钻头股份有限公司工程师,研究方向为计算机多媒体。

0引言

计算机技术的应用在诸多领域占据了主要位置,并得到了人们的极大重视。在此形势下,摄像机的高清晰度亦成为了人们追逐的目标,而在计算机视觉中的定标方法有各种不同的处理方式,从而为摄像机的发展提供了一个绝好的机会。由此,计算机视觉中的摄像机定标方法成为当今世界摄像机研究领域里至关重要的一个方面,以摄像机得到的图像信息作为出发点来计算三维空间中自然场景的几何信息成为计算机视觉的基本任务之一,并且它的应用特点也得到了人们的密切关注。

1摄像机视觉投影原理

透镜成像的原理利用了光的折射现象,而摄像机的视觉投影原理和透镜的成像原理相差无几,只不过在一些细节上进行了相应的改变,使成像更加清晰,以更好地满足人们的需求。摄像机视觉投影原理就是利用镜头的光学原理进行视觉成像,而其中又有许多理论支持,包含镜头与焦距和视角。焦距是指镜头的焦点之间的距离,对于摄像机而言,就是指从镜头的中心位置到摄像管,也可以说是成像的位置之间的距离就是摄像机镜头的焦距,只有调整好了这两者之间的距离,才能保证摄像机的摄像效果,这也是保证摄像机正常工作的首要任务。视角要受到镜头焦距的限制,由镜头焦距对摄像的大小情况而决定,摄影师们就是通过对焦距的不断变换来改变对任务的造型,从而改变人们的视觉效果。对于拍摄相同距离的目标而言,镜头焦距越大,摄像的水平视角就会变得越窄,这样带来的后果就是拍摄到的目标的范围就越小,使得拍摄效果大打折扣,从而给摄像机带来不利的使用效益。因此,必须在两者达到一个较好的组合效果之时,才能够充分发挥摄像机的作用,并将摄像艺术发挥到极致。由此可见,计算机视觉中的摄像机定标方法将会给摄像机的拍摄效果带来巨大的转变。

2计算机视觉中的摄像机定标方法

2.1三维定标法

在人们的平常思维中,凡是物体的影像必定是三维的,本文的理论研究也同样基于这样的想法。在讨论单幅图像的设计标定之时,我们所追求的理论基础就是需要摄像机的定标物是人们所追求的那种三维的效果,在此基础上再进行相关的理论研究,以达到相得益彰的效果。在此过程中,首先要准确定位定标物上一些比较重要的点的三维坐标,这样才能够为后来的工作提供方便;然后在与定标物相对应的成像上找到相应的点的位置,这是至关重要的一步,这也决定了后面成像的具体设计方法;最后在那些比较重要的点的图像上标出其具体的三维坐标,达到定标物的实际成像效果图,这样就可以完全解决摄像机的成像问题了。这种定标方法的基本原理就是充分分析定标物的三维信息,同时与它的具体成像位置相关联,在这两者之间形成一种具体的相对应关系。由此我们可以充分利用计算机的快速运算,实现摄像的功能,并适时进行程序功能改进,优化定标物参数的获取方法,从而达到增加摄像机清晰度的目标。

2.2平面定标法

与上面的定标方法相对立的一种方法就是多幅图像的设计标定。在这样的时代背景下,人们的要求应尽可能得到满足,因而理论研究者会在这个方面下足功夫,弄懂这里面的个中玄机,利用多幅图像对平面的定标物来进行物体的标定工作,以达到摄像机定标的目的。这样的平面定标方法就是充分利用平面物体的运动特性,在它和摄像机之间找到一个平衡点,观察两者的相对运动,这样的定标方法也给拍摄运动中的物体带来了生机。此方法在实施之余也会带给人们不一样的感受,让人们充分体会到摄像的魅力。当然这种考虑运动的平面定标法会受到特征点的增多的影响,随着点的不断增加,定标情况就会越来越好,定标物的精度也会不断提高,于是在定标物相同的前提下,平面定标法自然就可以从定标物上获得更多的数据信息,为准确对定标物进行定位测量提供了更多的依据。因此,这种方法的效果要比前面的方法好很多,得到推广的力度也会大大增加,所得到的经济效益也会增加,设备的成本在原来的基础上还有降低的趋势。所以,理论研究者的研究领域就会逐渐向这一方面进行转变。

2.3两步定标法

有了前面的研究成果作支撑,摄像机定标方法的进一步研究就会显得异常容易,人们的进一步要求也会得到满足,可谓一举两得。理论研究者们在有了丰富的理论和实践基础之后,利用直接线性的定标方法进行摄像机参数的进一步优化提高,通过透视原理来修改以前的参数,然后将修正的参数进行初始值的确认,把它们作为现在研究阶段的起点,在这样的起点之上综合考虑各种外界因素,利用最优化的计算机算法进行摄像机成像程序的改进,把原来的程序进行升级处理,使得定标物的精确度得到进一步的提高,这就是我们所提到的两步定标法。它的基本原理其实很简单,只不过是充分利用了原有的理论,并进行了一定的创新而已。但就是这样的创新步伐的迈出,给计算机视觉中的摄像机定标方法带来了新的生机,也给摄像机镜头的优化带来了很多指导方法。在图像中心到图像点的距离保持不变的前提下,参数的数量会显著减少,这样不仅节省了材料的用量,而且还进一步提高了摄像机的摄像清晰度,有效弥补了以前清晰度不高的缺点。这样一来,摄像机的成像效果大大改进,于是才有了现代摄像机的高清效果,确实让人们享受到了科技带来的福音。

3计算机视觉中的摄像机定标方法的应用特点

3.1建立于主动视觉上的自我标定

由于计算机视觉中摄像机定标方法的不断推广,一些计算机技术在摄像机的制作过程中得到了较好的应用。但是在这之中必不可少地存在一些制作人员或设计人员的主观因素,这样摄像机的标定方法中就会形成形色各异的特点,而且彼此之间可能会出现较大的不同,特别是在主动视觉上的自我标定。在主动视觉中,我们所用到的摄像机可以在一个被控制的平台上被人们固定,利用计算机的高运算能力,计算机可以把平台上所出现的参数精确地读出来,我们只需要利用控制摄像机的运转顺序,让摄像机作一定的周期运动,就可以在这个过程中得到更多的图像,然后再利用所成的图像和固定的摄像机的运动参数来确定摄像机的运动情况。这种自我标定方法比较简单,但是必须为人们提供精确控制摄像机运动的平台,这种以主观意识为主的标定特点强化了个人的主观能动性,让人们更加易于接受。

3.2进行有层次划分的逐步标定

近年来,人们对摄像技术的理论研究已经日趋成熟,并根据自己的意愿进行相关的研究工作,把自己的想法融入到摄像机的设计中,真正做到有层次的逐步标定,把所要的标定物以逐个击破的方式实现有层次的程序算法,从而让人们在逻辑上能够有所认识,并且易于接受,从而达到有层次划分的逐步标定的目的。分层逐步标定法已为标定研究领域中普遍认同的方法之一,在实际的应用中逐渐取代了直接标定的方法。因为进行有层次划分的逐步标定是符合人们的想法的,而且这种方法的特点是以射影标定作为基础,以某一幅图像作为基准图像,进行其它图像的射影对齐工作,从而将摄相机中成像未知参数的数量减少,更易于为人们所接受。可以说,进行有层次划分的逐步标定是人们在实践中得出的一套符合大势所趋的标定方法,为世人所推崇。

4结语

综上所述,计算机视觉中摄像机定标方法在人们的不断认识中得以应用和推广,在时代的不断进步中逐渐向前发展。同时,摄像机标定方法的应用特点也大相径庭,各有千秋,从而实现百家争鸣的态势,进一步推动计算机视觉中的摄像机研究工作的向前发展。

参考文献:

计算机视觉的优点篇3

关键词双目视觉;图像处理;图像匹配

中图分类号TP3文献标识码A文章编号1674-6708(2017)182-0084-02

视觉模型及算法的基础是利用两张存在视差的二维图形,构造一个具有更深度信息的立体图形。双目视觉系统则是利用两个摄像机来模拟人的双眼,对场景进行识别和测量,然后通过一定的计算方法将场景结果(图像)进一步处理,就可以获得一个三维的图像。因此双目视觉系统在各行各业都得到了广泛的应用,例如医学检查、制造业和军工制造等领域,也成为目前研究的热点。

1双目视觉系统图像处理原理与现状

1.1图像处理原理与流程介绍

双目视觉具有使用成本低、利用方便、效率较高的有点,因此被广泛应用于诸多领域。计算机视觉系统主要有图像获取、图像处理和分析、输出和显示3个步骤组成的,细化之后,可以将之分为以下几个步骤。

双目摄像机标定是根据有效的摄像机成像模型,通过实验和计算来确定摄像机的内外参数,进而能够正确建立物体表面点的集合位置,以及对应投影点坐标之间的关系。这是计算机双目视觉系统不可缺少的关键步骤。

图像获取是双目视觉系统的信息来源,摄像机在拍摄到场景后,转化为数字信号然后生成二维图形。进而在此基础上形成三维图形。但是光线条件、摄像机的性能等对所获取图像的品质影响较大。

图像处理技术将输入的图像经过处理算法,对原始数据进行预处理操作,降低无用信息和其他信息的干扰,从而达到提高图像质量,使图像能够进行进一步的分析。

图像匹配的目的在于寻找同一场景在左右像平面上的投影点,获取位置关系并得到视差,这是双目视觉系统中最为重要的一步。

获取深度信息是在图像匹配并得到视差后,可以根据三角测量方法计算目标物体的深度信息,从而获得物体表面点的三维坐标。

在整个流程中,图像的匹配工作是双目视觉领域最为基础的问题,也是为后续的图像分析和理解奠定基础的工作。但是由于双目摄像机在不同的场景、不同的角度和位置拍摄,以及受到光线条件的影响,每一幅图像存在较大的差异。例如灰度水平、场景位置、分辨率等等。而图像匹配就是寻找这些因素具有不变性的特征,进而根据这些特征来对两幅图像进行匹配。

1.2影响图像匹配的因素分析

在双目摄像机在获取图像时,由于摄像器材、光线充足、拍摄角度的不同,都会让图像产生一定的畸变,这些畸变导致的误差会在进行图像匹配时被放大,进而导致匹配结果错误的发生。首先是平移、旋转等几何变化时,会导致两幅图像的所有像素都产生位移,对图像的匹配产生较大的影响。而旋转则是由于摄像设备的视角差异,两幅图的相对关系发生旋转。其次是光线条件,在对同一场景进行拍摄时,由于光线条件的差异也会导致图像存在差异。例如在光线较强时,图像的平均灰度高,会产生阴影。而在光线不足的情况下,所获取的图片分辨率就会降低,带来部分遮挡现象,这些差异给图像匹配带来很大的难度。第三种是传感器的噪声产生的影响。传感器是将获取的信息转换成电信号,因此在获取图像时、电磁辐射、传感器件、开关器件等都产生一定的成像噪声。系统就会对信号进行离散化并编码,以便进行计算机处理,但是在这个过程中就会出现量化误差,给图像匹配造成影响。

1.3图像匹配算法的研究现状

在国内外专家学者的研究中,是针对不同的应用目的为出发点,提出了许多具有针对性的匹配算法,具体来说可以分为基于图像灰度和基于图像特征两个类别。两种算法对比来看,基于灰度的匹配算法,是对图像的平均灰度水平、灰度直方图、平均绝对值以及平方差、协方差等进行统计,根据这些特点进行匹配具有精度高的优势。但是也存在计算量大、时间效率不高的问题,因此并不能满足现实生活的需求。而基于特征的图像匹配方法,在是针对图像中包含各种特征的信息进行提取,数据量相对较小,因此匹配效率更高,能够满足时时图像处理的需要。具体来说,基于灰度的图像匹配算法,是通过对图像的灰度信息进行分析,计算图像之间的相似度,进而寻找图像的最佳匹配。也就是说该方法所选取的特征即是图像的灰度。可见该方法思路十分简单,有利于在双目视觉中实现。但由于计算量较大,因此许多研究者提出了快速算法。例如FFT、SSDA等计算方法。而基于特征的图像匹配算法,则是通过对两幅图像的特征和内容进行对比,对特征进行参数描述,然后根据计算得出的相似度进行匹配,完成图像匹配。优势在于该方法的计算过程不会因为几何位置、光线强度等因素的差异而影响匹配结果,数据量较小,极大地提高了计算效率。

2双目视觉图像处理算法的优化

图像的特征,主要包括轮廓特征和区域特征,轮廓特征是指场景或物体的外部边界,而区域特征则是图像某一区域中所独有的属性。从内容上看,图像的特征包括形状、空间、颜色和纹理等;从结构看,图像特征又可以分为点、线、面。因此优化特征图像匹配算法,就要用以下几个方面衡量,一是图像特点的检测和提取是否快捷;二是图像特征描述向量维树是否适合;三是特征点数是否适合。

在本文的研究中,主要采用了SURF特征图像匹配算法。提取图像特征的具体步骤如下。

第一步是特征点检验。利用Hessian矩阵的行列式的值的正负来判断该点是否为极值点,此过程中采用方框滤波替代二阶高斯滤波来减少构建尺度空间的计算量,并引入积分图像来加速图像卷积的计算;

第二步是特征点的精确定位。根据检测所得到的极点值与周围的26个像素点进行比较,进而确定特征点,比周围26个像素的值都大或者都小的即是特征点。

第三步是生成特征描述向量,通过计算得出特征点处圆形领域内的Haar小波响应,然后划出扇形模板,并计算扇形范围的内的Haar小波响应,根据这些特征点来构建特征描述向量。

最后采用SURF特征算法提取,其函数原型如下。

cvExtractSURF(image,0,&Keypoints,&Descriptors,storage,params);?

其中image为图像,Keypoints和Descriptors是两个队列,用来保存图像的关键点位置信息和特征点的描述向量,storage?为图像进行特征提取时开辟的暂存区域,params为SURF参数。

3结论

在本文的研究中,对图像匹配算法的两类常用方法进行了分析,可见目前特征点提取算法更加适合现代社会的需要,计算量小而且效率高。同时在图像进行平移、选择等因素的影响后,具有不变性的特点,这也提高了图像匹配的鲁棒性。在基于SURF特征算法下,提高了图像计算和匹配效率,更加适合双目视觉系统的需要。

参考文献

[1]郝捧华,龚国庆,陈勇.双目视觉图像处理算法的优化[J].北京信息科技大学学报,2012(5):64-67.

[2]戴玉艳.一种基于图像处理的双目视觉校准方法[J].电子设计工程,2015(16):178-181.

计算机视觉的优点篇4

1运用多媒体教学手段创设直观的教学情境,有效激发学生的学习兴趣

创设教学情境,是激励、唤醒、鼓舞的一种教学计算机的理论。多媒体手段创设的情境具有直观、形象、生动等特点,正符合儿童的思维形式。学生对一切事物都充满好奇心,利用一切可行的手段创设直观情景,使学生的视觉、听觉、思维等交叉活动,对激发他们的学习兴趣、强化教学效果具有十分重要的意义。

例如在讲解Flash影片制作时,笔者选择一段纪录片《兵马俑》的全景和不同形态的秦俑以多媒体影片的形式展示给学生,并赋以一定的音响效果,如厮杀声、呐喊声、马鸣声等,吸引学生的注意力。而后根据影片的内容问学生:观看影片后给你的感觉是什么?你都从影片中看到了哪些形态的兵马俑?”激发学生学习Flash影片制作兴趣,形象直观,效果非常好。

2运用多媒体教学手段使课堂教学信息容量由小变大,有效提高课堂教学效率

教学活动是一种复杂的信息交流活动,有限的课堂教学时间内学生接受信息量的多少影响和制约着课堂教学效率的高低。在实际的计算机理论课堂教学工作中,教学内容的增加与课程时数的减少的矛盾日益突出。由于受既定课堂教学时数的限制,充实与扩展计算机理论课堂教学内容成为摆在许多教师面前的难题。而充分发挥多媒体教学手段的优势,是缓解以上矛盾、达到以上目的的一种比较有效的措施。

多媒体计算机具有储存大量教学信息的能力,可储存许多知识信息,在教学设计指导下,教学内容也可以按照知识点进行划分并实现超媒体链接,形成覆盖面广、信息大的计算机理论学习网络;多媒体课件演示具有生动、形象、直观、感染力强等特点,符合这一阶段学生的认知特点,学生接受速度快,记忆深刻。通过多媒体教学手段的辅助,可以扩大补充知识容量,使学生获得的知识信息由少变多,可以优化课堂结构,提高教学效率。

如学习网关的远程控制理论”,由于知识的层次和接触偏少,学生对网关的远程控制了解比较少,要想单纯地只通过书本知识的讲解达到教学目的是有一定困难的。课前,笔者通过上网查找准备许多与网关的远程控制有关的资料,比如黑客、网页共享、远程开关机等案例,并制成相关课件,这样方便在课堂上向学生进行介绍和补充。上课时,笔者根据课堂教学设计的需要,通过多媒体课件和网络链接,让需要的文字补充材料、图片甚至是影像进入学生的视线,使课堂得到延伸、补充与扩大,为学生学习提供充分的时间与空间,促进教学效果的优化。

3运用多媒体教学手段,充分调动学生的多种观感,创设最佳环境

人获取外界信息的渠道是多方面的,渠道越广,刺激越强,获取的信息量和深刻程度就越大。而多媒体教学手段在此方面具有得天独厚的条件,在视觉、听觉效果方面有其独特的优势。使用多媒体手段进行计算机理论教学,可以凭借色彩鲜明、形象逼真的画面拓展计算机理论教学的信息通道,使学生视觉和听觉具有感知的时效性、共同性和统一性,使学生更快、更准确、更牢固、更大容量地接受信息和知识。通过有声的画面,再现生动的形象,则很容易把学生引入理论内容所描绘的意境,体现理论内容的主旨,获得深刻的印象。由于强化了对实物实景的视听感受,学生对理论内容的理解必然会深刻得多。

如讲解计算机音频制作时,笔者选取名曲《二泉映月》做成多媒体课件开发学生情感,引导学生入境,优美的曲调,清新的旋律,立刻吸引了学生,引起学生探究的兴趣。学生带着探究心理,造成一种欲知原委,请读理论内容”的心理效应。这样,多媒体课件引发的兴趣,就及时地被诱导到研读理论上来,而由此产生的敬佩阿炳的感情更会一次次引发学习知识的冲动。

总之,现代多媒体教学手段与计算机理论课堂教学有机、有效的整合,不仅提高了课堂教学中学生感知活动的效率,激发、内化学生的学习兴趣,同时也激活教材内容,激活计算机理论课堂,真正发挥了学生的主动性、积极性,让学生成为学习的主人。

参考文献

[1]李亚林.多媒体教学模式浅析[J].计算机理论教育,2006(3):7-10

计算机视觉的优点篇5

关键词:双目立体视觉摄像机标定编码标志点姿态计算

中图分类号:TP391.4文献标识码:A文章编号:1007-3973(2013)002-109-03

1引言

在现代生产生活中,经常需要计算物体之间的相对位置关系,例如两个刚体间的欧拉角以及平移量等。因为空间物体是不规则的,所以常规的测量方法都很难做到。随着视觉传感器的发展,人们开始把视觉传感器运用到空间物体姿态的测量,即机器视觉,这种测量方法是非接触的,测量效率高并且精度高。机器视觉是通过视觉传感器获得一张或多张图像,通过对获得的图像进行分析来达到测量和识别的目的。目前,机器视觉已经运用到很多领域,如航空、航天器的运动分析,地面机动目标实验碰撞分析,自动化生产过程中的装配与检测等。本文建立了一种双目立体测量系统,利用工业相机实时获取物体的图像,通过对相机精确的标定以及精准的图像分析来计算出编码标志点的三维坐标值,从而计算出物体之间的相对姿态。

2双目视觉测量架构

双目立体测量系统如图1,使用两个摄像机对同一块区域进行拍摄。(1)利用张氏标定法对两个摄像机标定,计算出两个相机之间的相对位置关系,固定测量坐标系下的坐标原点(本系统的坐标原点在左相机上)。(2)对图像进行分析,计算编码标志在图像坐标系下的坐标值以及编码标志点的编码值,利用编码值将左右图像匹配计算出编码标志点的三维坐标值。(3)通过四元数法计算出每组三维坐标值之间的旋转矩阵以及平移量,从而计算出两个物体之间的相对旋转角以及平移量。

2.1摄像机标定

张氏标定法的算法为:

(1)从不同角度拍摄若干张棋盘格标定板的图像;

(2)检测出图像中的特征点,即角点;

(3)求出摄像机的内外参数;

(4)求出畸变系数;

(5)优化标定结果。

2.2编码标志点的提取与解码

为了提高运算速度以及左右图像的匹配准确,在本文提到的双目视觉系统中对被测物体表面粘贴了扇环形编码标志点(如图4),即将编码点的外环分成16等份,每个单元环对应的圆心角为22.5度,实心和空心分别表示不同的编码信息,实心码段表示1,空心码段表示0,不同实心码段和空心码段序列的组合表示不同的编码点。该种编码标志点能够满足对旋转、缩放、变形的无关性。

2.2.1编码点的定位

2.2.2编码标志点的解码

如图4所示,编码标志点分为中心圆和编码环两段,其中编码环位于中心圆的外侧,共分为16份。

编码段为白色记为1,黑色记为0,将1、0安顺时针排列成一个8位的二进制数,将这个二进制数循环得到一个最小的十进制数即为编码标志点的编码值,解码过程可以分为以下几步:

(1)以中心圆的圆心为中心裁剪一个能覆盖编码标志点的小图像,对小图像进行轮廓提取得到每个白色区域轮廓的质心(编码环的质心),从而得到“1”的个数。

(2)计算所有编码环的质心与中心圆的质心连线间的夹角,并且将这些夹角除以45度取整,从而得到“0”的个数。

(3)将“1”和“0”组成的8位二进制数循环移位得到编码值。

将左右相机采集到的图像中,编码值相同的点对应起来,利用双目视觉中三维重建公式计算出每个编码标志点中心圆对应的三维坐标值。

2.3相对姿态计算

求两个物体的相对姿态,本质上是两个坐标系的转化问题。在三维直角坐标转换中,常采用七参数Bursa-wlof模型、Mobdensky模型。当两坐标系统下有3个公共点时,就可唯一解算出7个转换参数;多于3个公共点时,就要进行平差计算。在平差计算过程中,转换参数初值(特别是旋转角)的大小,直接影响平差系统的稳定性、精确性和计算速度,精度差的初值可能使得解算的结果严重偏离真值。目前比较成熟的参数估计方法有:四元数法、奇异值分解法(SVD)、迭代法,它们都是在最小平方距离的目标函数下得到转换参数的最优解。由于四元数法的突出特点是具有很好的实用性和较强的稳定性,计算过程简单快速,利用了旋转矩阵的特征和所有可用的特征点,所以本双目视觉系统采用四元数来计算旋转角度。

3实验结果分析

4结论

针对传统的接触式测量法难以实现的测量,本文依据双目立体视觉原理开发了一套非接触式的测量系统,同时编码标志点的引入大大减少了计算量。所述方法稳定、可靠,经实验验证,得到了较好的结果。

参考文献:

[1]张广军.视觉测量[M].北京:科技出版社,2008.

[2]冯文灏.近景摄影测量[M].武汉:武汉大学出版社,2002.

[3]ZhengyouZhang.AFlexibleNewTechniqueforCameraCalibration[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2000,22(11):1330-1334.

[4]祝世平,强锡富,等.基于计算机视觉的大型工件特征点三维坐标测量方法研究[J].仪器仪表学报,1997,18(6):607-611.

[5]马扬飚,钟约先,等.三维数据拼接中编码标志点的设计与检测[J].清华大学学报,2006,46(2):169-172.

计算机视觉的优点篇6

关键词分布式虚拟环境;对等覆盖网络;预下载

中图分类号TP39文献标识码A文章编号1674-6708(2014)108-0213-02

0引言

传统虚拟现实系统都局限在本地使用,随着互联网发展分布式虚拟环境(DistributedVirtualEnvironments,DVE)[1]应运而生并得到广泛使用,而随着场景数据量不断增大,C/S模式中服务器成为了系统的“瓶颈”,因此P2P在DVE中的优势逐渐受到研究人员的重视[3]。

此外受限于视野范围,化身在DVE中只能观察到局部场景,这就是用户的当前潜在可视场景集(CPVS,CurrentPotentialVisibleScenes);而用户未来可能需要的场景就是未来潜在可视场景集(FPVS,FuturePotentialVisibleScenes)[2]。因此当用户已经下载完CPVS时,可通过预先判断并预下载FPVS使用户的浏览体验变得更为顺畅[2]。

本文提出了适合P2P-DVE的预下载方法,将化身和邻居的FPVS都考虑在内并进行预下载。

1相关工作

DVE中节点在CPVS已下载后可提前下载FPVS,这样当视点移动到下一位置时CPVS就有可能已被下载了。传统预下载策略分为基于历史运动轨迹和基于领域扩张的预下载[2]。

基于历史运动轨迹的预下载主要有算术平均法、窗口法以及指数加权平移平均法、MLM法。文献[5]介绍了算术平均法和窗口法,它们都只是简单计算历史向量的算术平均值,同时该文还提出了指数加权平移平均法EWMA,考虑了不同时刻的平移向量对预测的影响。文献[9]提到MLM预下载方法,假设只通过鼠标来控制并通过预测鼠标位置来间接预测化身位置。

基于领域扩张的预下载主要有SNP和PBNP算法。文献[6]提出了SNP法,通过预下载节点周围的单元格来实现预下载,其简单易实现但当节点在几个单元格间快速来回平移则会降低性能,因此[7]提出了改进算法PBNP,在更小范围内预下载,虽然效率更高但原理与SNP一样,仍会一定程度地影响性能。

综上所述,现有DVE预下载机制均基于集中式DVE,只考虑自身的运动轨迹或趋势。但P2P-DVE在预下载时还应考虑邻居的FPVS,因此要设计一种将自身和邻居需求都考虑在内的方法,综合计算自身和邻居的FPVS。

2基于P2P-DVE的预下载机制

2.1P2P-DVE预下载的基本思想

正因为上述传统预下载机制缺陷的存在,同时认识到P2P-DVE中的预下载机制应该利用P2P网络的特性,本文提出了一种全新的预下载方法。

现有预下载机制都是基于集中式DVE系统设计的。在集中式DVE系统中每个节点都只与服务器建立联系,不会与其它节点进行通信。因此在这种系统中,所有节点都只需向服务器请求下载自己当前需要的数据,在网络空闲时再下载未来可能需要的数据即可,因此也仅需要“自私”地计算自身未来的运动趋势就能达到预下载的要求。

但在P2P-DVE中的情况完全不同。成熟的P2P-DVE系统需要尽可能弱化服务器在场景部署中的作用,DVE系统中的任意两个节点都能建立联系,每一个节点都能从任一节点处下载场景数据或者向任一节点提供场景数据。在P2P-DVE系统中体现的是“分享”的思想。

正是基于以上考虑,本文认为在P2P-DVE中预下载也应该体现P2P“分享”的概念。P2P-DVE系统中的节点进行预下载时,除考虑化身自身未来可能的运动趋势外,也需要考虑周围邻居化身需要的FPVS。如此,基于P2P-DVE系统的预下载机制的设计应运而生。

2.2P2P-DVE预下载算法的设计

2.2.1预下载区域(AOP)

预下载时AOI内数据(即CPVS)已获取完毕,需要关注的是比AOI更大范围的场景,因此本文在AOI定义了另一个圆,叫预下载区域(AOP,AreaofPrefetching),是以化身位置为圆心,R为半径的圆,其中r

2.2.2视觉关注度及热度的计算方法

视觉关注度代表了物体对于节点的视觉重要度。设物体为Oi,Oi到化身视点距离为Di,Oi偏离视线角度设为Ai,化身AOP的半径为RAOP,这样就可得到计算视觉关注度V(Oi)的公式[4]:

表示在视觉关注度中物体距离视点距离因素占的比例,表示在视觉关注度中物体偏离视线角度的因素所占比例,总结来说决定了视觉关注度中距离和角度各占的比例。从公式3?1可以看出,一个物体离视点越近、偏离视线的角度越小,那么该物体对节点化身的视觉感官更重要,相对该视点来说视觉关注度也就越高。

如前所述,在P2P-DVE中,需要时刻体现“分享”的概念,所以在进行预下载时,也要将其他节点需要的FPVS场景集考虑在预下载列表内。但当需要请求的物体过多时,若请求顺序失当,就会产生化身本身的浏览体验不流畅以及无法顾及其他节点的需求等等问题。因此,本文引入热度的概念:在一定空间范围内的所有资源请求者,对于某一资源实体需求的总数。

假设在一定空间范围S内有m个化身,分别为A1,A2,…,Am(m≥1),对于某一物体Oi,假设需要物体Oi的节点有j个,分别为Op1,Op2,…,Opj(j≤m),则物体Oi在S内的热度为:

在当前的预下载问题中,某个物体的热度就是指在一定空间范围内需要该物体的用户个数。

2.2.3确定预下载优先级

若某一场景只有自身需要,那对该场景只需要计算“视觉关注度”即可;若某一场景只有周围邻居节点需要,那对该场景只需要计算“热度”即可;若某一场景自身及邻居都需要,那进行优先级计算时既需要考虑“视觉关注度”,也需要考虑“热度”。

由于在整个场景预下载列表中,较重要的应该被优先下载,而较次要的则应该被适当延后下载,所以当计算出各个场景的“视觉关注度”和“热度”后,需要根据重要程度进行优先级排名。简单来说,在整个预下载列表中“视觉关注度”越高,“热度”越高的场景重要性也越高,反之亦然。所以每一个场景的“视觉关注度”或者“热度”都需要分别除以列表中“视觉关注度”或“热度”的最大值进行归一化,再依次进行排名。

假设“视觉关注度”列表中最大的值为Vmax,“热度”列表中最大的值为Hmax。则某一物体Oi的“视觉关注度”和“热度”系数分别为:

所以将公式3?3和公式3?4代入,就可以得到对于物体Oi的优先级排名的计算公式为:

其中,为“视觉关注度”在优先级计算公式中占的比例,为“热度”在优先级计算公式中占的比例。若某物体Oi只被预下载的节点自身所关注则,若只被周围邻居节点所关注则,否则为0.5。

从公式3?5可知,物体Oi的“视觉关注度”和“热度”越高,那优先级也越高。

3实验及结果

本文设计的P2P-DVE预下载机制是在开源仿真平台FLoD[8][11]中实现运行。原始FLoD未实现预下载,因此本文的预下载是针对FLoD进行对比测试的。

图4.1为下载场景的节点命中率,可看出P2P-DVE的预下载机制有效帮助系统提高了数据请求命中率,提升了系统的整体性能。

图4.1场景下载节点命中率折线图

4结论

本文提出了基于P2P-DVE的预下载机制,将自身和邻居需求都考虑在内,实验结果也表明该机制提高了命中率,提升了系统性能。

限于时间与能力,本文设计的算法还未将P2P优势完全发掘,还应将物体的模型复用度[10]考虑在内进一步提高传输效率。

参考文献

[1]潘志庚,姜晓红,张明敏,等.“分布式虚拟环境综述”.软件学报,2000,4,11:461-467.

[2]王伟,贾金原,张晨曦,江.“大规模虚拟场景渐进式传输的研究进展”.计算机科学,2010,37,2(2010):38-43.

[3]朱军,龚建华,张建钦,吴娴.“基于对等网络结构的分布式大规模地形实时漫游研究”.地理与地理信息科学,2006,22,1:40-43.

[4]Wang,W.,Jia,J.-Y.,Yu,Y.,andHu,S.-Y.“ProgressiveCacheReplacementforMassivePeer-to-PeerWebVRWorlds”.InProc.ofAnnu.WorkshopNetw.Syst.SupportGames,NetGames(2010).

[5]Chim,J.,Lau,R.W.H.,Leong,V.,et.al.“CyberWalk:aweb-baseddistributedvirtualwalkthroughenvironment”.IEEETransactionsonMultimedia5,4(2003),503-515.

[6]Koltun,V.,Chrysanthou,Y.,andCohen-OrDl.“Hardware-acceleratedfrom-regionvisibilityusingadualrayspace”.InProc.ofEGWR’01(2001),204-214.

[7]Zheng,Z.,Chan,T.K.Y.“OptimizedneighborprefetchandCacheforclient-serverbasedwalkthrough”.InProc.ofCyberworlds’03(2003),143-150.

[8]Hu,S.Y.,Huang,T.H.,Chang,S.C.,Sung,W.L.,Jiang,J.R.,andChen,B.Y.“FLoD:AFrameworkforPeer-to-Peer3DStreaming”.InProc.ofIEEEINFOCOM(2008),2047-2055.

[9]Li,T.Y.,Hsu,W.H.“Adatamanagementschemeforeffectivewalkthroughinlarge-scalevirtualenvironments”.VisualComputer20,10(2004),626-634.