导航：安全管理网>> 安全论文>> 电力安全论文>>正文

视觉数控安全监控技术研究

文档作者：惠国保１李东波１童一飞１王引２文档来源： 1南京理工大学机械工程学院 2东南大学机械工程学院		点击数：	更新时间： 2021年09月04日
下载地址：点击这里	文件大小： 1.79 MB 共3页	文档格式： PDF	下载点数： 1 点（VIP免费）

全屏查看

内容预览 [文件共3页]

本文件共3页，如需编辑使用，请下载。

注：预览效果可能会出现部分文字乱码（如口口口）、内容显示不全等问题，下载是正常的。

	文件大小：1.79 MB 共3页文件格式：PDF 下载点数：1 点（VIP会员免费）

下一篇：多插头连接电缆硫化模设计

上一篇：视频监控系统的信息安全保障

文本预览

仅提取页面文字内容，供快速阅读使用。

２０１４ 年３ 月
第４２ 卷第５ 期
机床与液压
ＭＡＣＨＩＮＥ ＴＯＯＬ ＆ ＨＹＤＲＡＵＬＩＣＳ
Ｍａｒ ２０１４
Ｖｏｌ ４２ Ｎｏ ５
ＤＯＩ：１０． ３９６９ ／ ｊ ｉｓｓｎ １００１ － ３８８１ ２０１４ ０５ ０１５
收稿日期：２０１３ －０３ －０２
作者简介：惠国保（１９８２—），男，博士研究生，研究方向为制造信息化技术。Ｅ － ｍａｉｌ：ｈｕｉｇｕｏｂａｏ＠ １６３ ｃｏｍ。
视觉数控安全监控技术研究
惠国保１，李东波１，童一飞１，王引２
（１ 南京理工大学机械工程学院，江苏南京２１００９４；
２ 东南大学机械工程学院，江苏南京２１１１８９）
摘要：提出一种基于计算机视觉技术的数控机床安全监控方法，为人员操作数控机床提供了安全保障。对加工区视频
图像分区后，构建每个相关区域里像素的背景模型，通过前背景变化发送控制信号，实现视觉监控功能。该方法能适应车
间照明变化和机床震动的影响。
关键词：计算机视觉；数控系统；安全监控
中图分类号：ＴＰ３９１ ４　　文献标识码：Ａ　　文章编号：１００１ －３８８１ （２０１４）５ －０５２ －４
Ｒｅｓｅａｒｃｈ ｏｎ ＣＮＣ Ｓｅｃｕｒｉｔｙ Ｐｒｏｃｅｓｓｉｎｇ Ｂａｓｅｄ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ
ＨＵＩ Ｇｕｏｂａｏ１，ＬＩ Ｄｏｎｇｂｏ１，ＴＯＮＧ Ｙｉｆｅｉ１，ＷＡＮＧ Ｙｉｎ２
（１ Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，
Ｎａｎｊｉｎｇ Ｊｉａｎｇｓｕ ２１００９４，Ｃｈｉｎａ；
２ Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｏｕｔｈｅａｓｔ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ Ｊｉａｎｇｓｕ ２１１１８９，Ｃｈｉｎａ）
　　Ａｂｓｔｒａｃｔ：Ａ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ｔｏ ｍｏｎｉｔｏｒ ＣＮＣ ｍａｃｈｉｎｉｎｇ ｉｎ ｓｅｃｕｒｉｔｙ，ａｎｄ ｔｏ ｅｎｓｕｒｅ ｌｉｖｅ ｓａｆｅｔｙ ｏｆ ｏｐｅｒａｔｏｒｓ ｗａｓ
ｐｒｏｐｏｓｅｄ，ｗｈｉｃｈ ｗａｓ ａｃｈｉｅｖｅｄ ｂｙ ｚｏｎｉｎｇ ｆｒａｍｅｓ ｉｎｔｏ ｄｉｆｆｅｒｅｎｔ ａｒｅａｓ，ｃｏｎｓｔｒｕｃｔｉｎｇ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ｆｏｒ ｅａｃｈ ｐｉｘｅｌ ｉｎ ａｌｌ ｔｈｅ ａｒｅａｓ，ａｎｄ
ｓｅｎｄｉｎｇ ｐａｓｓａｇｅｓ ｔｏ ｃｏｎｔｒｏｌ ＣＮＣ ｍａｃｈｉｎｅ ａｃｃｏｒｄｉｎｇ ｔｏ ｉｎｃｏｎｓｉｓｔｅｎｃｅ ｉｎ ｆｏｒｅｇｒｏｕｎｄｂａｃｋｇｒｏｕｎｄ． Ｉｔ ｃａｎ ｂｅ ａｄｏｐｔ ｗｅｌｌ ｔｏ ｌｉｇｈｔｉｎｇ ｃｈａｎｇｅｓ
ａｎｄ ｍａｃｈｉｎｅ ｖｉｂｒａｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：Ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ；ＣＮＣ ｓｙｓｔｅｍ；Ｓｅｃｕｒｉｔｙ ｍｏｎｉｔｏｒｉｎｇ
　　随着数控机床加工制造业的发展，以人为本的发
展原则的深入贯彻，对数控加工安全性的要求不断提
高。一般数控机床加工安全方法有加机床防护罩或红
外线感应装置。机床防护罩因其简单有效而应用比较
普遍，但缺点有不利于观察加工情况、笨重、材料费
和维修保养费较高。红外线感应装置近几年应用较
多，但易受热源光源、环境温度和射频辐射等影响。
随着计算机视觉的发展，将视觉监控技术应用于数控
机床安全监控是一个新的突破，不仅进一步提升了数
控机床的自动化水平，而且视觉安全监控不受环境的
影响、成本低廉、效果明显。
以传统立柱式铣床为例，将ＣＣＤ 相机安装在主
轴的前上方，实时捕获工作台、工件、刀具及周围环
境等信息，如图１ 所示。
捕获到图像信息后，先将图像分区，只对图像中
各个区域里的像素作为重点观察对象。这些像素的像
素值（灰度值或ＲＧＢ 值）每帧是不一样的，统计学
上是服从正态分布。由于车间灯光和机床震动等因
素，使得一个像素在不同的条件下有不同的正态分
布。在一般情况下将这些分布叠加在一起就构成了该
像素的背景模型，背景模型的参数就刻画了这个像素
特性［１］。
图１　视觉监控相机捕获到的图像及分区示意图
通过算法，对每一幅所捕获的图像帧进行学习，
得到每个像素背景模型的参数估计。利用这个像素的
背景模型，就可以预测下一个帧的像素值，再与下一
帧实际的像素值比较，根据判定准则，就可以判断该
像素值是属于前景还是背景。无论是前景还是背景，
新帧的像素值仍然可以作为该像素背景模型学习的材
料，以更新背景模型。
这样就能从复杂的背景中提取出前景。对分区好
的图像，在相应的区域里检测到一定量的前景像素，
则视觉系统就会给数控系统发送出相应的信号，实现
计算机视觉对机床安全加工的监控。下面首先简单介
绍视频图像分区，接着介绍背景模型建立，然后再对
背景模型分析，最后通过实验验证。
１　图像分区
对图像划分区域，是为了实现视觉监控多级响应
功能，方便对区域内的像素构建背景模型。假设图像
的坐标原点在左上角，在视频图像中划分出自由区
域、触及危险报警区域和触及运行停止区域，如图１
所示。
（１）自由区域
该区域是操作员可自由活动区域，这种情形下，
视觉系统不会发送报警或停止运行等信号。数控加工
过程中，大多数加工状态是处在这种情形下。如图２
所示。
图２　运动前景自由区域
（２）触及报警区域
当人体某个部位触及到该区域，视觉系统会发送
危险报警信号给数控系统，数控系统收到信号后，立
即执行喇叭报警。这种情况下，机床加工仍在运行，
但报警声不断，提示操作员注意安全。如图３ 所示。
图３　运出前景在危险报警区域
（３）触及运动停止区域
在不闻报警的情况下，当人体某部位触及到该区
域时，视觉系统就会给数控系统发送停机信号，数控
系统收到该信号，立即停机，并保存好当前加工状况
数据，处于待机状态。有了这个监控区域，才能彻底
地避免人员的伤亡。如图４ 所示。
图４　运动前景在运动停止区域
总之，通过对监控视频图像分区后，能使数控系
统具有多级控制功能，只需重点观察各分区内像素的
变化，大大提高计算效率。实际上，只建立触及报警
区域和触及运行停止区域两个背景模型。为了实现对
区域的灵活监控，每块区域的大小都是可以调整。
２　背景模型
２ １　背景模型建立
主要在监控区域（报警区域和运行停止区域）
对每个像素背景学习，构造背景模型。在该区域的每
个像素值都是随时间变化的，是一个序列。在不考虑
灯光和机床震动影响的情况下，像素值虽然是变化
的，但是方差较小。若是黑白相机，像素值就是灰度
值；若是彩色相机，则像素值是ＲＧＢ 组成的向量。
这里采用彩色图像，而且假定ＲＧＢ 三色相互独立。
对某一像素ｐ 在任一时刻ｔ 可以知道它的历史像素值
序列Ｓｐ，ｔ，Ｓｐ，ｔ ＝ ｛Ｚｐ，１，Ｚｐ，２，…，Ｚｐ，ｔ ｝，其中Ｚｉ 是
像素值，１≤ｉ≤ｔ。认为这些数值服从高斯分布，其
均值和方差分别为：
μｐ，ｔ ＝ （Ｚｐ，１ ＋ Ｚｐ，２ ＋ …＋ Ｚｐ，ｔ）
ｔ （１）
σ２ｐ
，ｔ ＝ Σｔ
ｉ ＝ １
（Ｚｐ，ｉ － μｐ，ｔ）２ （２）
若考虑灯光、机床震动等因素，就会有多个高斯
分布，将这些高斯分布根据权重叠加在一起就构成了
该像素最终的背景模型，也即混合高斯模型［２］。混合
高斯模型的高斯分布个数由以下两种情况确定：
（１）灯光变化。假设灯光照度稳定的话，不开
机床灯和开机床灯的两种情况，就产生了两个高斯分
布。
第５期 惠国保等：视觉数控安全监控技术研究 ·　５３　·　
（２）机床震动。每台机床震动频率不同，这种
情况是客观存在的。对一种机床，有其固定震动频率
ｎｍ。相机拍摄图片也有频率（比如普通摄像机１ ｓ 有
３０ 帧）ｎｃ。当然当ｎｍ ＝ ｎｃ 是理想情况，摄像头每次
拍摄的照片都是机床相同位置，即每帧像素反映的背
景是同一点。但实际上，这种理想情况几乎不可能出
现，要么ｎｍ ＞ ｎｃ，要么ｎｍ ＜ ｎｃ。下面分两种情况进
行讨论：
①当ｎｍ ＞ ｎｃ 时，机床震动频率大于拍摄频率，
一帧拍摄期间机床已经震动了几个周期了，所以可以
认为每帧拍摄的图片相同。这种情况下，最后背景模
型总共有３ 个高斯分布叠加。
②当ｎｍ ＜ ｎｃ 时，机床震动频率小于拍摄频率，
机床震动一个周期期间拍摄了几个帧。假如机床振幅
为Ａ，摄像机在一个震动周期里的震速为ｖ ＝ ２Ａ
１ ／ ｎｍ
，
在一个帧拍摄期间，振幅上移动的距离为ｌ ＝ ｖ· １
ｎｃ
，
那么在机床一个震动周期里拍摄了ｓ ＝ ２Ａ
ｌ ＝ ｎｃ ｎｍ
帧，取
ｓ整数为[ ｓ]。这种情况下，最后背景模型总共有
[ ｓ] ＋ ２个高斯分布叠加。
综上分析，背景模型高斯分布个数为：
Ｋ ＝ ３　机床震动频率大于相机拍摄频率
[ ] ｓ ＋ ２　 { 机床震动频率小于相机拍摄频率
（３）
在实际中，像素的刷新值可能会改变高斯分布的
个数，但最少不会低于Ｋ 个。
摄像机的每个帧都会刷新某像素点的值，这个新
值要么是服从混合高斯模型的某个高斯分布，要么是
不服从混合高斯模型的任一高斯分布。这时，就要以
该像素值确定一个新的高斯分布，并叠加到混合高斯
模型里。
所以就需要将像素值与这Ｋ 个高斯分布进行匹
配。所谓新像素值与某个高斯分布匹配是指该像素值
在这个高斯分布标准偏差β 以内。β 是指某个新数对
某个高斯分布扰动很小的阈值［３］。像素的新值是否能
在背景模式里找到匹配的高斯分布，就要对新像素值
Ｚｐ，ｔ ＋１与这Ｋ 个高斯分布进行匹配，直到与这Ｋ 个高
斯分布匹配完为止。
如果Ｚｐ，ｔ ＋１在背景模型里找不到一个分布与其匹
配，由该像素值确定一个新的分布。这个新的高斯分
布的均值为该新像素值，开始时方差较大，权重较
低，与其他新像素值能匹配上的概率很低。若这时混
合高斯分布个数为Ｋ，且Ｋ ＝ Ｋ ＋ １，如果Ｚｐ，ｔ ＋１能与
背景模型中的一个高斯分布匹配起来，则背景模型高
斯分布的权重就要重新定义。根据ＥＭ 算法［４］，在时
刻ｔ，假设第Ｋ 个分布的优先权重为ωｉ，ｔ （１ ＜ ｉ ＜ Ｋ），
定义如下：
ωｉ，ｔ ＝ １Ｋ
ΣＫ
ｊ ＝ １
ｆ（ｉ ｜ Ｚｊ，ｔ，μｔ，σ２ｔ
，β） （４）
其中：σｔ 是在时刻ｔ 的协方差，而且Σｉ ωｉ，ｔ ＝ １ 。
定义增量学习效率为ε，指某个分布与一个新像
素值匹配的话，该分布的权重的变化值与原权重值的
比值，即ε ＝ ωｉ，ｔ － ωｉ，ｔ －１ ωｉ，ｔ －１
。
经过一次学习，匹配上的分布的权重增加，未匹
配上的其余分布权重相应都有减少，同时改变了该像
素背景模型。未匹配上的分布的均值和方差都不变，
匹配上的第ｉ 个分布的均值和方差更新如下：
μｉ，ｔ＋１ ＝ （１ － εｆ（Ｚｔ＋１ μｔ＋１，σ２ｔ
＋１））μｔ ＋
εｆ（Ｚｔ＋１ μｔ＋１，σ２ｔ
＋１）Ｚｔ＋１ （５）
σ２ｉ
，ｔ＋１ ＝ （１ － εｆ（Ｚｔ＋１ μｔ＋１，σ２ｔ
＋１））σｔ
２ ＋
εｆ（Ｚｔ＋１ μｔ＋１，σ２ｔ
＋１）（Ｚｔ － μｉ，ｔ＋１）Ｔ（Ｚｔ － μｉ，ｔ＋１） （６）
接着将这Ｋ 个高斯分布通过ωｉ，ｔ σｉ，ｔ
排序，确定前Ｍ
个分布作为背景模型，其中
Ｍ ＝ ａｒｇｍｉｎｍ（Σｍ
ｉ ＝ １ ωｉ，ｔ ＞ Ｔ） （７）
其中：Ｔ 是确定背景模型的阈值。如果Ｔ 值越小，背
景模型为单峰，指由权重最大的Ｍ 个分布组合为背
景模型。如果Ｔ 值越大，反复的背景变化会引起多峰
分布，这表示背景接受更大范围色度的分割。
２ ２　背景模型分析
这个背景模型的主要特点是当某个前景变成背景
时，它不会对已有背景模型造成改变。最初像素色度
值被保留在混合背景模型里，直到这个像素值匹配的
高斯分布的权重低于第Ｋ 个分布的权重时，或观察
到像素色度有新的变化时，背景模型才会变化［５］。所
以，只要有足够长时间的背景学习，一个前景就会变
为背景；或者，一个背景产生了运动，它就变成了前
景，但仍然是以过去背景的均值和方差来描述分布
的。新的前景权重越低，将会迅速地再次融入到背景
中。与文献［２］所提的方法不同的是高斯混合模型
的分布个数是不固定的，根据新像素值与高斯分布匹
配的结果确定新的混合模型高斯分布个数，而且，每
个分布的权重也不是固定的，是根据排序自动调整
的。
当某个分布趋于明显，那么方差就会减小，权重
值就会增大，在背景分布的排序中会趋向前列。背景
模型高斯分布序列是一个有序的、开放式的列表，其
中最有可能成为背景的高斯分布仍保留前列，低概率
不稳定的背景分布排在后列，或许最终被新的分布取
·５４· 机床与液压 第４２卷
代而不能成为背景的分布。
在这个背景模型中，将影响背景模型的光度变化
和机械振动两个因素考虑进去了，所以该背景模型能
适应光度变化和机械振动因素的影响。
３　实验
３ １　实验方法
为验证视觉监控效果，模拟了简单的实验环境，
如图５ 所示。左边图像是分区后摄像机拍摄的图像，
右边是左边的视频图像经过前景－背景处理后的效果
图，只对前景的像素进行标记，下面有模拟数控系统
控制的两个灯：危险报警灯和运行停止灯。
（１）当手未触及浅白色区域，即在自由区域内
时，视觉系统不发送任何信号给数控系统，即不做任
何反应，下面两个灯为白色，如图５ 所示。
图５　自由区域活动
（２）当手触及到危险报警区域时，视觉系统发
送危险信号给数控系统，数控系统立即进行报警，下
面报警灯变红，如图６ 所示。
图６　危险报警区域活动
（３）当手触及到运行停止区域时，视觉系统会发
送停止信号给数控系统，数控系统立即控制机床暂停
加工，同时下面报警灯和停止等都亮，所图７ 所示。
图７　运行停止区域活动
　　在这种实验环境下，又对光照变化和机床震动影
响做了几个实验，来论证视觉数控监控技术在光照变
化和机床震动影响下的监控效果，具体结果分析请见
下节。
３ ２　实验分析
下面对光照变化和机床震动影响下的监控效果进
行分析。
当灯光变化大于ＣＣＤ 感光临界时，灯光亮度的
变化几乎对报警率没有影响，即灯光亮度在ＣＣＤ 感
光临界点以上的变化，并不影响已成的背景模型对前
景和背景的判定，而且这种判定的准确率还是相当高
的，能完全地将运动的前景辨别出来；当灯光亮度在
ＣＣＤ 感光临界点以下，这种前景辨别就会有误差，
直到完全黑暗下不能辨别出前景来。通过实验数据得
到亮度对报警率的影响，如图８ 所示。
另一方面，当机床震动幅度大于分区尺寸时，分
辨出的前景就会产生误差，以至于震动猛烈的机床前
景分辨准确率是零；当机床震动幅度小于图像分区尺
寸时，可以很好地分辨出前景来，而且准确率也很
高。通过实验数据得到机床震动幅度对报警率的影
响，如图９ 所示。
图８　亮度变化对报　　　　图９　机床振幅度变化
警率的影响对报警率影响
通过以上分析，灯光亮度和机床震动幅度能造成
前景分辨较大误差的范围是十分狭小的，大多数机床
加工的灯光亮度和震动幅度分别是在前景可分辨的范
（下转第５９ 页）
第５期 惠国保等：视觉数控安全监控技术研究 ·　５５　·　
４　实验结果与分析
为了验证新的去噪算法的有效性，下面以成形力
原始信号为例，选用Ｄｂ８ 小波函数进行去噪，分别
与默认阈值去噪、去极值平均滤波进行比较分析。去
噪效果如图４ 所示。
图４　不同方法去噪效果
从图中不难看出：去极值平均滤波对原始信号变
化不大，去噪效果不是很好；而小波阈值去噪可以去
除大部分噪声，但是仍然有些噪声未得到很好的抑
制；利用去极值平均滤波和小波变换相结合的去噪效
果要优于前两种，这也说明这种新的去噪方法可行。
同时表４ 给出了小波变换与新方法去噪的去噪指标
值。
表４　不同方法去噪的评价指标值
去噪方法ＳＮＲ ＲＳＭＥ ｒ
小波阈值２１ ９４５ ２４ ４００ ０ １２９
新算法２３ ７５２ １８ ５３０ ０ ０３７
　　从表中也可以看出，基于均值滤波与小波变换相
结合的去噪信噪比比单纯用小波变换的要略大些，并
且均方根误差略小些。因此，将这种方法应用在成形
力信号处理效果要好些。
５　结束语
针对含混合噪声的信号去噪问题，提出了基于小
波变换与均值滤波相结合的新去噪方法。并以渐进成
形力信号为研究对象，讨论并确定了小波阈值去噪的
几个重要参数，通过实验对比，结果表明：基于小波
变换与均值滤波相结合的新去噪方法比小波阈值去噪
效果更佳。同时也说明：小波变换与其他传统的滤波
方法相结合，能取得较好的去噪效果。
参考文献：
【１】周六如． 板料数控渐进成形中变形力的研究［Ｊ］． 精密
成形工程，２０１０，２（１）：１０ －１４．
【２】马琳伟，莫健华．基于有限元仿真的金属板材单点渐进
成形分析［Ｊ］．塑性工程学报，２００７（６）：９６ －１００．
【３】ＡＭＩＮＯ Ｈ，ＬＵ Ｙ，ＭＡＫＩ Ｔ，ｅｔ ａｌ． Ｄｉｅｌｅｓｓ ＮＣ Ｆｏｒｍｉｎｇ Ｐｒｏ
ｔｏｔｙｐｅ ｏｆ Ａｕｔｏｍｏｔｉｖｅ Ｓｅｒｖｉｃｅ Ｐａｒｔｓ［Ｃ］／ ／ Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ２ｎｄ
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒａｐｉｄ Ｐｒｏｔｏｔｙｐｉｎｇ ａｎｄ Ｍａｎｕ
ｆａｃｔｕｒｉｎｇ，２００２：１７９ －１８５．
【４】王芳．小波分析在信号去噪中的应用研究［Ｄ］． 成都：西
华大学，２００９．
【５】王秉仁，杨艳霞．小波阈值降噪技术在振动信号处理中
的应用［Ｊ］．噪声与振动控制，２００８，１２（６）：９ －１２．
【６】陶珂，朱建军．小波去噪质量评价方法的对比研究［Ｊ］．
大地测量与地球动力学，２０１２，３２（２）：１２８ －１３３．
【７】谢文涓，蔡改贫，姜志宏．小波变换技术在圆度误差检测
中的应用［Ｊ］． 工具技术，２０１０，４４ （６）：１０２ － １０４．
（上接第５５ 页）
围内，所以可以认为该视觉监控数控系统不受光度变
化和震动幅度影响。
４　结论
提出的通过视觉监控技术来实现数控安全机加工
的方法，经过实验论证，是可行的。建立好的背景模
型是实现该技术的关键，而且能很好地适应光度变化
和机械震动的影响，所以该技术具有能适应一定环境
影响的安全监控功能。为了更好地将该技术应用于实
际，可以从像素值与高斯分布匹配角度继续研究，建
立更好的背景模型。
参考文献：
【１】ＳＺＥＬＩＳＫＩ Ｒ． Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎａｌｇｏｒｉｔｈｍｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ
［Ｍ］． Ｓｐｒｉｎｇｅｒ，２０１０．
【２】ＫＡＥＷＴＲＡＫＵＬＰＯＮＧ Ｐ，ＢＯＷＤＥＮ Ｒ． Ａｎ Ｉｍｐｒｏｖｅｄ Ａｄａｐ
ｔｉｖｅ Ｂａｃｋｇｒｏｕｎｄ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ ｆｏｒ Ｒｅａｌｔｉｍｅ Ｔｒａｃｋｉｎｇ ｗｉｔｈ
Ｓｈａｄｏｗ Ｄｅｔｅｃｔｉｏｎ［Ｃ］／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｅｃｏｎｄ Ｅｕｒｏｐｅ
ａｎ Ｗｏｒｋｓｈｐ ｏｎ Ａｄｖａｎｃｅｄ ＶｉｄｅｏＢａｓｅｄ Ｓｕｒｖｅｉｌｌａｎｃｅ Ｓｙｓ
ｔｅｍｓ，２００１：１３５ －１４．
【３】ＯＬＩＥＮＳＩＳ Ｊ． Ａ Ｃｒｉｔｉｑｕｅ ｏｆ Ｓｔｒｕｃｔｕｒｅｆｒｏｍｍｏｔｉｏｎ Ａｌｇｏ
ｒｉｔｈｍｓ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ，
２０００，８０：１７２ －２１４．
【４】ＢＩＬＭＥＳ Ｊ． Ａ Ｇｅｎｔｌｅ Ｔｕｔｏｒｉａｌ ｏｆ ｔｈｅ ＥＭ Ａｌｇｏｒｉｔｈｍ ａｎｄ Ｉｔｓ
Ａｐｐｌｉｃａｔｉｏｎ ｔｏ Ｐａｒａｍｅｔｅｒ Ｅｓｔｉｍａｔｉｏｎ ｆｏｒ Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ
ａｎｄ Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ［Ｒ］． Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ ９７０２１，
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ Ｉｎｓｔｉｔｕｔｅ，Ｂｅｒｋｅｌｅｙ，ＣＡ，
ＵＳＡ，１９９７．
【５】ＢＲＡＤＳＫＩ Ｇ，ＫＡＥＨＬＥＲ Ａｄｒｉａｎ． Ｌｅａｒｎｉｎｇ ＯｐｅｎＣＶ［Ｍ］． Ｏ
＇ＲＥＩＬＬＹ Ｍｅｄｉａ Ｉｎｃ，２００８．
第５期 蔡改贫等：基于小波变换与均值滤波的成形力信号处理研究 ·　５９　·

网友评论 more

电力安全论文最新内容

03-05