導語：如何才能寫好一篇匹配算法論文，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

【關鍵詞】深度挖掘匹配算法 畢業論文管理 應用

在畢業論文管理工作不斷加強的情況下，注重管理模式的更新和合理選用，提高匹配算法的針對性，才能真正提高高校教務管理水平。因此，對深度挖掘匹配算法在畢業論文管理中的應用有比較全面的了解，才能為高校教務管理工作提供可靠參考依據。

1 深度挖掘匹配算法的相關分析

根據深度挖掘匹配算法在畢業論文管理中的應用情況進行全面分析來看，其主要包括如下兩個方面：

1.1 志愿自動匹配算法的相關分析

對學生和課題的選擇關系進行合理分析可知，兩者的最優、最大匹配，最好是根據學生的實際情況量身定做，才能真正實現課題與學生的最完美匹配。因此，教師提出相關題目時，需要對學生的情況、特性和要求等進行全面分析，才能在學生對課題的特性、關聯性等有一定了解的情況下，提高課題與學生的匹配概率，最終讓學生選定最合適的課題。在實踐過程中，志愿自動匹配算法的合理運用，需要根據畢業論文的管理流程，從教師出題開始。一般情況下，教師應該先提出大題讓學生自由選擇，在匹配學生確定好以后將大題分成幾個小題，從而將每個小題分配給合適的學生。在這種情況下，教師設定的課題需要從修讀課程達到的分數、難度、所屬類別等多個方面確定，并從教務管理系統中獲取學生的成績和選題積分點等，才能根據分數線來判定學生是否符合相關選題。其中，選題的難度在簡單、一般、難、很難和非常難幾個等級，對應的成績是及格、良好、優秀、極好。在實際進行選題時，學生可以根據自己的情況選擇三個題目作為志愿，以在系統完成匹配后，自定將題目下發給學生。在實踐過程中，初始化志愿顯示的是學生的第一志愿，在經過while、if、else、break、continue等流程后，系統會將題目和學生進行適當分類，以確保題目與學生的匹配最合理、最科學。由此可見，志愿自動匹配算法是優先對具有課題相關能力的學生進行匹配的，在學生人數低于匹配數量的情況下，可繼續為積分點高、能力稍差的學生進行匹配，對于確保課程成績與積分點的完美結合有著極大影響。

1.2 調劑學生算法的相關分析

在經過上述算法進行匹配后，根據學生的實際情況進行深層挖掘，可以實現課題與剩余學生的完美調劑。因此，對上述階段中匹配失敗的學生志愿所選的教師、課題類別、難度等因素進行深度挖掘，并將搜索結果作為匹配課題的依據，才能在縮小搜索范圍的情況下，找到與剩余學生最合適的課題。如果出現相近課題較多的情況，則需要有學生、工作人員共同協商，以確定最終和最適合學生的課堂。在實踐應用中，調劑學生算法的運用需要對需要調劑的學生進行合理分析，并通過if、else、return、while、continue、else等多個流程，才能真正匹配出最適合學生的課題。

2 深度挖掘匹配算法在畢業論文管理中的實際應用

根據深度挖掘匹配算法的實際應用來看，在畢業論文管理中學生可以了解到最適合自己的課題信息，教師可以根據學生的積分點和成績等確定課題，從而避免選擇某一課題的學生過多或過少的情況出現，對于提高第一志愿自動匹配成功率有著極大作用。因此，在實際應用中，注重教師、課題類別、難度的合理設定，確保它們的排序科學，將課堂與學生的匹配關系看作是二分圖，并且，每個學生可以選擇的課題有三個，系統可以根據學生的實際情況進行自動匹配，最終深度挖掘與學生志愿匹配的課題。例如：志愿自動匹配和調劑學生的總數都為102人，通過深度挖掘匹配算法匹配成功的人數分別為72人和90人，成功率達到了70%、88%。在不使用任何算法進行匹配的情況下，兩者的成功率是52%左右。由此可見，在畢業論文管理系統中，深度挖掘匹配算法在科學應用，可以為教務管理工作提供可靠參考依據，對于提高畢業論文管理工作人員的工作效率有著重要影響。

3 結語

綜上所述，在深度挖掘匹配算法不斷推廣的情況下，其在畢業論文管理中的實際應用受到了很多教務管理工作人員的青睞。因此，充分發揮深度挖掘匹配算法的作用，提高深度挖掘匹配算法在畢業論文管理中的應用效果，才能更好的滿足學生的選題需求。

參考文獻

[1]馮麗慧，馮立智.數據挖掘在畢業論文成績管理中的應用研究[J].電腦知識與技術，2012，30：7150-7153.

[2]徐章韜.用信息技術深度挖掘課程內容――以數學學科為例[J].教育發展研究，2015，12：29-33.

[3]連伊娜.深度挖掘高校檔案文化內涵，更好為教育事業發展服務[J].黑龍江史志，2013，11：104-105.

作者簡介

劉冰潔（1983-），女，江西省南昌市人。工程碩士學位。現為江西交通職業技術學院副教授。研究方向為大數據、系統集成、智能化技術。

篇2

關鍵詞：入侵檢測；免疫原理；r連續位匹配；檢測集生成

中圖分類號：TP18文獻標識碼：A文章編號：1009-3044(2012)26-6348-03

Network Intrusion Detection Based on Immune Theory

WU Xiang1, HAN Liang2

(1.Naval Headquarters, Beijing 100841, China; 2.The East China Sea Fleet of Navy, Ningbo 315122, China)

Abstract: After analysis of the immune algorithm characteristics, the metaphor mechanism which is associated with the intrusion detection is extracted and studied in-depth. And then on the basis of artificial immune system, intrusion Detection system based on immune mechanism is built and the definition of system self and system non-self, immune matching rules set, and also the generation and life cycle of the immune detector are explained. Finally, the model is validated by the simulation experiments. The establishment of the immune intrusion detection system and the simulation work is the cornerstone of this research.

Key words: intrusion detection; immune theory; r contiguous bits matching; detector set generation

人體的免疫系統功能是通過大量不同類型的細胞之間的相互作用實現的[1-2]。在這些不同類型的細胞主要作用是區分“自體”和“非自體”。“自體”是指人體自身的細胞，而“非自體”是指病原體、毒性有機物和內源的突變細胞或衰老細胞。淋巴細胞能對“非自體”成分產生應答，以消除它們對機體的危害；但對“自體”成分，則不產生應答，以保持內環境動態穩定，維持機體健康。

可以看出入侵檢測系統和免疫系統具有一定程度的相似性。對于一個入侵檢測系統，特別是網絡入侵檢測系統，免疫系統的組成、結構、特征、免疫機理、算法等都為入侵檢測系統設計有著重要的借鑒意義。它們要解決的問題都可以被描述為：識別“自體”和“非自體”，并消除“非自體”。

1自體和非自體的定義

計算機安全的免疫系統保護的是計算機系統的數據文件，所以將“自體”定義為計算機中合法的數據，這些數據包括合法用戶、授權活動、原始源代碼、未被欺詐的數據等；將“非自體”定義為其它一切非法數據，這些數據包括自身遭受非法篡改的數據、病毒感染的數據以及外來數據等。

2免疫匹配規則

在計算機中，所有的數據都是以二進制來表示的，這就表明在進行仿真的過程中，使用免疫匹配規則的對象都應該是針對二進制字符串的，因此需要采用二進制的匹配算法。采用何種二進制字符串的匹配算法，這是一個十分關鍵的問題，因為只有采用了合適的匹配算法，才能有效的構造免疫檢測器集[4]。目前有很多的近似匹配算法，如r連續位的匹配算法、海明距離匹配算法等。r連續位匹配規則能更好地反映抗體綁定的真實提取，即能更真實地反映檢測器字符串與被檢測字符串的匹配情況，所以它比海明匹配規則更常用，因此文章采用r連續位的匹配算法。

r連續位的匹配規則可以描述如下：對于任意的兩個字符串x，y，如果兩個字符串x，y在相應位置上至少連續r位相同，那么這兩個字符串是r連續位匹配的，即Match(x,y)|r=true。例如，如果設定r=5，字符串x=“10111010”和字符串y=“11011010”，由于它們在相應位置4-8位上都為“11010”，因此這兩個字符串是匹配的。

在訓練階段，首先隨機生成候選檢測器集合，然后讓候選檢測器與自體集進行匹配，這個過程也叫陰性選擇過程。在匹配的過程中，那些與與自體集相匹配的候選檢測器就被丟棄，而不與自體集匹配的候選檢測器則作為成熟檢測器，存儲于檢測器集合中。

[1] Oscar A,Fabio A G, Fernando N,et al.Search and Optimization：A Solution Concept for Artificial Immune Networks: A Coevo? lutionary Perspective [C].Proceedings of 6th international conference on Artificial Immune systems，Brazil，2007：26-29.

[2] Hofmeyr, S, Forrest, S. Immunity by Design: An Artificial Immune System[C]//Proceedings of the 1999 Genetic and Evolution? ary Computation Conference,1999:1289-1296.

[3]楊進,劉曉潔,李濤,等.人工免疫中匹配算法研究[J].四川大學學報:工程科學版，2008,40(3):126-131.

[4]馬莉.基于免疫原理的網絡入侵檢測器生成算法的研究[D].南京:南京理工大學碩士論文, 2006.

[5]卿斯漢,蔣建春,馬恒太,等.入侵檢測技術研究綜述[J].通信學報,2004,25(7):19-29.

[6]焦李成,杜海峰,劉芳,等.免疫優化計算、學習與識別[M].北京:科學出版社, 2006.

[7] Dasgupta D，Gonzalez F.An Immunity-Based Technique to Characterize Intrusions in, Computer Networks [J].Special Issue on Artificial Immune Systems of the Journal IEEE Transactions on Evolutionary Comput- ation.2002，6(3)：281-291.

篇3

Abstract： With the rapid development of the city， the increasing number of cars， the city faces increasing traffic pressure， intelligent transportation system is one of the effective ways to solve the traffic congestion currently accepted， but to provide a reliable source of data for intelligent transportation systems an important issue in building intelligent transportation systems， floating car technology as newly

developed a traffic information collection methods， the practice has proved capable of reliable data source for intelligent transportation

systems. In order to grasp the macroscopic properties of the urban road traffic， the paper uses data preprocessing， coordinate conversion， map matching， statistical analysis and a more in-depth analysis of floating car data comparison， intuitive access to relevant features of the urban transport， urban transport planning and management decisions and people travel has some practical value.

關鍵詞： 城市道路交通；GPS浮動車；宏觀特征

Key words： Urban Road Traffic；GPS Floating Car；Macroscopic Characteristics

中圖分類號：U496 文獻標識碼：A 文章編號：1006-4311（2013）03-0036-03

0 引言

隨著城市化進程的不斷加快，更多的人進入城市，交通擁擠日益成為城市發展的瓶頸，據公安部消息，截至2012年6月底，我國機動車保有量達2.33億輛，汽車保有量達1.14億輛，大中城市中汽車保有量達到100萬輛以

上的城市數量達17個，私家車保有量達到8613萬量，占

汽車保有量的75.62%[1]。發展智能交通系統對于城市交通誘導、緩解交通擁堵已成為國內外認可的有效方式之一，隨著科技的發展進步，浮動車技術因其在交通信息采集方面建設周期短，投資少，覆蓋范圍廣，數據精度高，實時性強受天氣影響小等特點[2]越來越受到智能交通建設和研究領域的重視。浮動車技術在國外起步比較早，取得了一定的研究進展：英國的浮動車數據系統FVD，主要用于交通信息的采集與分析，預測道路形成時間及時向用戶[3]；德國的浮動車數據系統FCD，主要采集車輛的位置、速度、時間等信息，提取和分析交通信息，判斷交通狀態，及時向公眾，為公眾出行規劃提供參考依據[4]；美國的ADVANCE系統，該系統是浮動車與檢測線圈相融合，預測旅行時間，為出行者提供實時的動態路線誘導信息[5]；日本VICS系統，該系統能夠提供多種信息，為旅行者出行規劃提供參考[6]；韓國KORTIC，該系統結合浮動車、環形線圈、閉路電視監控進行交通信息采集，把數據融合后提取交通信息，判斷交通狀態[7]。

浮動車技術在國內的研究起步比較晚，開始于2002年的北京交通大學利用少量的出租車進行的北京市路網分析評介，但是目前發展比較快，在北京、上海、杭州、寧波等城市利用現有的出租車建立起了浮動車系統，實時采集路網的交通信息。論文采用的數據為昆明市GPS浮動車數據。

1 數據采集及預處理

1.1 數據格式 浮動車就是在城市道路行駛的車輛（主要是公交車、出租車）上安裝具有位置信息采集功能的GPS設備，在車輛的運行過車中通過無線網絡（GPRS、WIFI等）實時向控制中心傳回車輛的位置、時間、瞬時速度、車輛運行方向、設備終端編號等信息的車輛。

1.2 浮動車數據預處理

①剔除研究范圍之外的數據：研究用的數據時間范圍為：2010年12月01日00時00分00秒-2011年3月31日23時59分59秒的共計26984135條數據，研究的地理范圍為東經102.647O-102.828O，北緯24.914O-25.117O的范圍，數據分析之前，剔除研究范圍之外的數據。

②剔除速度大于120km/h的數據：根據相關規定的道路的設計最高速度不得超過120km/h，包括高速公路，考慮到有繞城高速和二環快速路，刪除速度高于120km/h的數據。

③剔除前后時間間隔超出數據回傳時間間隔的數據：采用的數據回傳的時間間隔為15s，如果某一條數據與前后數據的之間的時間間隔超出15s則需要對該數據進行剔除處理，算法如下：

Ti-Ti-1>15s且Ti+1-Ti>15s

則刪除數據i。

Ti為浮動車傳回的第i條數據記錄的時刻。

1.3 坐標轉換 浮動車數據采用的坐標為WGS-84大地坐標系，而昆明市道路網數據采用的是北京1954平面坐標系，為了能將浮動車數據準確的匹配到城市道路網上，必須對浮動車數據進行坐標轉換，使浮動車數據坐標的坐標系與道路網電子地圖數據坐標保持一致。

1.4 地圖匹配 由于受GPS定位誤差及建筑物遮擋等因素的影響，GPS浮動車數據并不完全準確的定位于道路網電子地圖相應的道路上，而是存在一定的偏差，為了準確的研究城市道路交通的宏觀特征，需要把GPS浮動車數據準確匹配到城市道路網上，實現這一過程的算法稱之為地圖匹配算法。目前地圖匹配算法主要有點到點匹配算法、點到線匹配算法、線到線地圖匹配算法。

單獨的點到線的匹配算法只是采用投影距離大小比較確認匹配點，沒有考慮到浮動車行駛軌跡的連貫性，因而在交叉口和“Y”字口等地點會出現錯誤匹配。考慮到行駛軌跡的連貫性，采用點到線匹配結合歷史軌跡數據匹配算法。具體算法如下：

①GPS浮動車數據點P（x，y），匹配算法為求點到線的最近點距離來確定匹配的路段，設道路L1和L2的方程為A1x+B1y+C1＝0和A2x+B2y+C2＝0，與點P到兩條道路的距離為：

d■=■（1）

d■=■（2）

如果d■＞d■則點P匹配到道路L1上。但是點到線的匹配算法存在缺陷，如圖1所示，點P4會被錯誤匹配到L2上而不是匹配到L1上。

②此缺陷可以通過完成點到線的最近距離匹配之后，采用統計分析的方法，依據浮動車數據的設備終端好及時間順序，判別P4點與前后各點同為一輛浮動車的數據同時時間間隔不超過閥值，則可確定P4點在道路L2上。

2 交通宏觀特征分析

2.1 浮動車不同速度區間比例分析 本論文為了便于研究選取2010年12月1日00時00分00秒至2010年12月31日00時59分59秒之間的浮動車數據作為研究對象，進行分析研究，其中分別選取工作日（星期一），周末（星期日）的數據進行分析，研究之前刪除了數據中速度為零的數據，時間間隔為30分鐘，時間段為00時00分-23時00分。

從圖2中可以看出各階段速度的比例在一天當中都是不斷變化的，這反映了道路交通的動態特性。

①周日的浮動車數據量比例低速區域（15>speed>=0）在7：30之前保持在10%左右7：30之后開始平緩的增加，到15：00左右達到20%左右，高速區（speed>=30）的比例從7：30開始有70%左右下降達到50%左右持平，中速區（30>speed>=15）也出現了一定程度的增加，這反映了周末人們7：30出行的不開始不斷增多導致交通狀況發生變化，車輛運行速度開始減緩；

②周一的浮動車數據量比例低速區域（15>speed>=0）在6：30之前保持在10%左右6：30之后開始急劇增加，8：30達到20%左右，之后出現小幅波動，高速區（speed>=30）的比例從6：30開始有71%急劇下降達到50%左右持平，中速區（30>speed>=15）也出現了一定程度的上升，這反映了人們從6：30開始上班出行不斷增多導致交通運行減緩。

③圖中可以看出周日的低速區增加、高速區下降要比周一緩慢，同時周一由于人們上下班時間相對固定，基本集中在8時30分到9時00分的原因，早上出行時間主要集中在6：30到8：30之間形成早高峰，下午下班的時間集中在17時00分到18時00分之間，因而17：00到19：00之間形成晚高峰，而周日則反映出人們出行的時段比較分散，早晚高峰不是很明顯。

④從晚上20時00分開始中速區和低速區的比例開始下降，高速區的比例開始升高，反映出了人們出行的減少，道路交通處于比較暢通的狀態。

2.2 全路網一星期七天交通狀況分析 通過對處理好的數據進行分析獲取了一星期的昆明市研究區域全路網的不同時間段的速度分布特征如圖3所示。

通過對趨勢圖進行分析，可以知道昆明市全路網的交通有以下特征：

①工作日與周末的交通狀況有明顯的不同，星期六和星期天從早上7：30才開始速度不斷下降進入早高峰時段，全路網速度持續減慢到9：30左右速度開始低于30km/h，而且一直持續到12：30左右出現小幅的回升，之后幾乎保持小幅波動，變化不是很大，到下午17：20左右速度又開始持續下降，回身保穩定的時間為下午19：00整，這一時段為晚高峰，之后速度有小幅波動，同時由于出行人數和車輛的減少，速度加快。

②工作日的速度從早上6：30開始持續降低，到8：30左右達到最低形成早高峰，之后基本保持穩定，沒有出現大幅波動，持續到12：20左右之后速度出現小幅替提升，中午13：30左右速度因為下午上班出行等因素的影響速度再次出現降低，之后基本保持穩定，到下午17：20左右又再一次降低持續至18：40，形成晚高峰，之后速度出現小幅波動，并持續回升。

③從圖中可以看出，不論是周末還是工作日，凌晨4：40-6：50之間的速度是最高的，速度接近于35km/h，說明在這一時段出行的人數及車輛都比較少，交通運行順暢。

④工作日的早高峰要比周末的早高峰提前40分鐘左右，同時工作日的早高峰形成快于周末，而且速度下降較快，另外工作日的晚高峰形成時間基本一致，保持穩定的趨勢一致。

篇4

關鍵詞：車牌識別；人臉檢測；VC++；OpenCV

中圖分類號：TP311.52

1 引言

隨著社會科技的進步和經濟的迅猛發展，醫院的業務也日漸增多，如何為醫院提供一種安全、舒適、方便、快捷和開放的信息化生活空間，是本文重點討論的問題。下文中，依托先進的科學技術，實現醫院內部管理的高效、互動和快捷。對醫院的出入口進行實時智能監控，達到維護治安和防止破壞的作用，及時的把一切可能發生的或即將發生的案件制止，以及對進出醫院的可疑人物及車輛進行信息采集，把安全隱患降低到最小，對確保醫院安全具有十分重要的作用。本論文工作，是基于VC++和openCV設計開發了一款實用的醫院車輛及人員進出管理系統。能夠對來訪車輛進行自動車牌識別，根據車輛的數據庫信息查詢，實現門禁系統的自動控制；同時系統還包含人臉檢測模塊，能夠對每天來訪的人員進行人數統計。

2 系統總體設計

本系統功能主要分為兩大模塊：監控管理和數據庫信息管理。具體功能圖如下所示：

3 系統詳細設計

打開和關閉攝像頭：通過調用opencv中的函數cvCaptureFromCAM（）；初始化從攝像頭中獲取視頻，獲得每一幀的圖像，并顯示在窗口的圖片控件上。通過調用opencv中的函數cvReleaseCapture（）；釋放資源，并將視頻窗口銷毀，實現關閉攝像頭的功能。

實時信息采集：通過函數cvSaveImage（）；將圖片保存，并進行命名，可將當前攝像頭所捕捉到的狀況進行采集，可對進出醫院的可疑人員和車輛進行抓拍。

人臉檢測：在opencv中含有根據人臉模板訓練的人臉分類haarcascade_frontalface_alt2.xml。通過加載分類器，可以對當前幀的圖像中出現的人臉進行識別，并通過cvCircle（）將人臉圈出，實現人臉檢測功能。通過檢測出來的人臉可以知道今天目前為止該醫院共進出了多少人次，并將信息通過定時器定時刷新信息，反饋給保安人員。

車牌識別：車輛檢測可以采用埋地線圈檢測、紅外檢測、雷達檢測技術、視頻檢測等多種方式。采用視頻檢測可以避免破壞路面、不必附加外部檢測設備、不需矯正觸發位置、節省開支，而且更適合移動式、便攜式應用的要求。

系統進行視頻車輛檢測，需要具備很高的處理速度并采用優秀的算法，在基本不丟幀的情況下實現圖像采集、處理。若處理速度慢，則導致丟幀，使系統無法檢測到行駛速度較快的車輛，同時也難以保證在有利于識別的位置開始識別處理，影響系統識別率。因此，將視頻車輛檢測與牌照自動識別相結合具備一定的技術難度。

車牌識別流程如圖2所示：

圖2 車牌識別流程

車牌圖像處理：對于車牌圖像，由實時監控錄像進行實時保存，在進入車牌識別過程時打開。用dlg.GetPathName（）得到圖片的路徑，將圖片打開。因為保存的圖片是倒著的，所以將圖片顯示在圖片控件前需要將圖片進行旋轉。利用函數cvCreateImage（）將圖片轉化為二值化時的大小，用函數cvCvtColor（）轉化為灰度圖，并用cvSmooth（）進行高斯濾波，為圖片二值化做準備。

圖片二值化：所有灰度大于或等于閾值的像素被判定為屬于特定物體，其灰度值為255表示，否則這些像素點被排除在物體區域以外，灰度值為0，表示背景或者例外的物體區域。程序中沒有用opencv函數庫中的cvAdaptiveThreshold（）和cvThreshold（）進行二值化，而是通過調用AdaptiveThreshold（）獲得第一個閾值，將最大像素的*0.7作為第二個閾值，進行圖片二值化，并將這兩個閾值用來做邊緣檢測函數cvCanny（）的參數。

牌照定位：本程序中通過對二值化的圖像進行邊緣檢測后，在對得到的圖片進行垂直和水平掃描，在對水平方向從左往右掃描的過程中，對最大信息量的區域圈出，然后進行垂直分割，將得到的區域即為車牌區域，之后再用cvResize（）將得到的圖片變為統一的大小。也就是車牌定位的過程為：水平分割、垂直分割、二值化牌照字符分割。完成牌照區域的定位后，再將牌照區域分割成單個字符，然后進行識別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內的間隙處取得局部最小值的附近，并且這個位置應滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對復雜環境下的汽車圖像中的字符分割有較好的效果。

牌照字符識別：字符識別方法主要有基于模板匹配算法和基于人工神經網絡算法。基于模板匹配算法首先將分割后的字符二值化并將其尺寸大小縮放為字符數據庫中模板的大小，然后與所有的模板進行匹配，選擇最佳匹配作為結果。基于人工神經網絡的算法有兩種：一種是先對字符進行特征提取，然后用所獲得特征來訓練神經網絡分配器；另一種方法是直接把圖像輸入網絡，由網絡自動實現特征提取直至識別出結果。

是否放行：在識別車牌號之后，將得到的車牌號的字符串與數據庫中的車牌號的字符串進行對比，如果數據庫中有該車牌則是醫院的車，放行，否則不放行。

4 論文下一步的工作

本系統基本實現了醫院車輛進出的自動化管理，以及進出人員的人次統計。但是目前系統只實現了一個攝像頭的視頻監控，這還不能滿足目前醫院多個監控攝像頭同時工作的現狀。因此，論文下一步的改進工作，是實現醫院內多個監控攝像頭的同時調取與管理。

參考文獻：

[1]鐘志光，盧君，劉偉榮.Visual C++.NET 數字圖象處理實例與解析[M].北京：清華大學出版社，2003，6.

[2]何斌，馬天予，王運堅，朱紅蓮.Visual C++ 數字圖象處理第二版[M].北京：人民郵電出版社，2002.

[3]夏良正.數字圖象處理[M].南京：東南大學出版社，1999，9.

[4]葛亮.Visual C++從入門到實踐[M].北京：清華大學出版社，2009.

[5]康曉林，袁建州.Visual C++6.0實用教程[M].北京：電子工業出版社，2008.

篇5

關鍵詞：記事本系統 桌面平臺 C#

中圖分類號：TP393 文獻標識碼：A 文章編號：1003-9082（2015）12-0013-01

引言

早期的記事本系統只提供最基本的功能，例如文字查找功能。較新版本的Windows所搭載的新版記事本可以支持查找及替換功能，記事本亦集成了一個簡單的日志功能，每一次打開文件，都可以記下一個新的時間標簽。

但隨著計算機操作體驗的不斷提高，傳統記事本系統已經完全不能滿足人們的日常生活需要。本論文開發的這套記事本系統，集成了備忘錄模塊、登錄模塊、分類存儲模塊等多個模塊，滿足了人們在記事本功能上的諸多要求[1]。

如今信息技術發展飛速，特別是C#技術，因為它有著很好的交互性、靈活性、安全性和擴展性，讓此技術在應用中越來越廣泛，因此也必然的進入到了文字編輯軟件的開發中[2]。此系統的主要目的是讓文字編輯存儲更加方便，讓日常生活記錄筆記的過程更快速、方便和科學，使用本系統用戶可以根據自己的需要來存儲備忘錄，不會耽誤重要的事情，反之亦然，大大方便了用戶的日常生活。

一、系統總體介紹

整個記事本系統分為五大模塊，分別是登錄模塊、主界面模塊、文字搜索模塊、文字替換模塊、字體設置模塊。記事本系統五大組成模塊如圖1所示：

圖1 記事本系統組成模塊

二、模塊設計

1.登錄模塊

登錄時需要輸入用戶名和密碼，然后才能登錄。在用戶登錄時，要判斷用戶是否存在，若存在，判斷用戶輸入的用戶名和密碼是否能夠匹配成功，如果正確匹配，關閉登錄窗口，進入系統主窗體。如果用戶存在，但是用戶名和密碼不匹配，那么提示用戶輸入的密碼錯誤。記錄用戶輸入密碼錯誤的次數，如果輸錯超過3次，則窗體自動關閉，登錄失敗。本系統采用SQL Server數據庫，登錄模塊數據表如表1所示：

表1 登錄模塊數據表

2.主界面模塊

本系統的系統主界面包括一個菜單欄和文本欄。菜單欄包含本系統的所有功能的菜單，包括新建記事本、刪除記事本、分類管理、文字搜索、文字替換、字體設置、關于CHENE記事本等多個功能。而多行文本框是用來顯示和編輯記事本內容的。主界面模塊所用的數據表如表2所示：

表2 記事本信息表

3.文字搜索模塊

本模塊的功能類似于操作系統中的Ctrl+F功能，在文檔中根據關鍵字查找調用內置的查詢功能，輸入關鍵字，點擊確定，如果搜索到關鍵字，就會出現搜索結果，并統計出共有幾個相匹配的關鍵字，并且會以高亮顯示。這一點在日常文字編輯中非常的實用，無論是字詞定位還是尋找線索都是非常有用的。

4.文字替換模塊

本模塊的功能類似于操作系統中的Ctrl+H功能，在使用過程中會有非常多的技巧。有時編輯的文本有很多空格和空行還有一些相同或重復的文字，刪除和處理這些文字相當麻煩。因此只需要使用左側菜單欄里的“文字替換”功能， 輸入需要替換或者刪除的文字就可以完成自動替換功能。

三、系統實現

1.登錄界面的實現

界面采用當今最為流行的扁平化設計，當用戶輸入用戶名和密碼之后，還可以按En回車鍵登錄系統，實現的原理是：在輸入密碼的文本框的KeyPress事件下，判斷是否按了回車鍵，如果按了就會激發“登錄”按鈕的Click事件。

2.主界面的實現

使用文本框來顯示和編輯記事本內容。整體界面依舊采用扁平化設計，界面整潔清晰。分類管理主要利用了TreeView控件顯示所有的日志分類和日志標題，當單擊某個日志標題時，右側文本框將從數據庫取出并顯示出該日志的內容。

3.文字搜索/替換模塊的實現

本模塊的實現主要采用串的模式匹配的KMP算法[3]，該算法較一般串的模式匹配算法有較大的改進，主要是消除了主串指針的回溯，從而使算法效率有了某種程度的提高。

本系統的開發主要實現了以下目標：（1）靈活的新增記事本功能。（2）由于使用這套系統的普通用戶在計算機的操作水平上可能不太夠，因此本系統具有比較方便實用的人機界面（3）對于已經存檔的記事本，能夠高效的分類顯示。（4）在使用過程中能夠方便的使用文字查找和替換功能。（5）由于不同用戶的不同需要，編輯文本的同時能夠更改顯示的字體。

參考文獻

[1]谷震離， 胡付田. 記事本應用程序的開發與設計[J]. 許昌學院學報.2003（2）

[2]程文瑋. 數據庫管理[J]. 廣州大學學報（自然科學版） [J].2005（2）

篇6

隨著不斷發展的識別技術以及計算機技術的逐步成熟，指紋技術成為生物識別技術中最為突出的方法之一。本文主要介紹了指紋技術的工作原理和過程以及在社會保障平臺中的應用。進一步說明了指紋技術在社會保障平臺中的應用架構和方法，以及帶給社會保障工作的諸多便捷。從而驗證了指紋技術在社會保障平臺中的應用是非常廣泛的。

【關鍵詞】指紋技術指紋IC卡社會保障平臺

1 指紋技術發展背景

社會不斷進步發展，過去的身份識別方法已經無法滿足人們的要求，目前包括指紋在內的生物識別技術逐漸受到人們的歡迎。面對社會保障工作中存在的相關問題，指紋技術逐漸被引入。

作為存在時間較長、價格低廉、非侵害、方便可靠的指紋技術是目前最佳的解決方案。指紋技術具有自己獨特的特征，它主要依靠對指紋進行全局和局部特征的詳細分析來識別一個人的身份。因為我們每個人的十指將產生超過4900個分別獨立的特征。所以說指紋技術具有其他技術所無法比擬的可靠性。

就指紋技術在社會保障平臺的應用來看，關于公積金、養老保險、民政救助、戶籍管理和職業介紹等經過幾年的發展后，在計算機信息管理系統方面的建設已經具有一定成效。另外，通過對先進的科學技術加以充分利用，并且采用計算機網絡技術和指紋1C卡技術，這樣可以保障日常事務實現社會化的管理服務。

2 指紋技術具體工作原理

2.1 工作原理

因為每個人的指紋具有唯一性，所以可以確定以指紋作為識別身份的一種手段。指紋技術并不是直接對指紋圖像進行識別，它跟其它模式識別技術一樣，需要從圖像中提取關鍵特征，然后再針對特征圖像進行識別匹配。我們從生理上可以看出，人們理想中的指紋圖像是一幅黑白相間的二值圖像。但是，一般指紋的獲得都是采用按壓的方式，這就會受到很多外在因素的影響，而這些因素都會造成原始的指紋灰度圖像不能直接用來進行匹配與識別，所以，選擇合適的特征來描述指紋是非常有必要的。

而指紋技術在社會保障平臺中的工作原理其實就是提前在系統中進行建檔，再將個人的指紋特征值存儲于計算機或者IC卡中。當我們需要開展社保業務時，特定的指紋采集器就會手機用戶的指紋特征信息，這個時候采集到的信息再同計算機和IC卡存儲中的指紋信息進行比對，兩者信息完全無誤時則用戶驗證成功便可領取相應的保險金，并且此次的采集信息會記錄下來留存于計算機中；反之，則無法獲得相應的保險金。

2.2 構建指紋識別系統

2.2.1 建立指紋數據庫

通過獲取樣本，并且提取其基本特征，最終形成樣本庫。系統在這一階段主要負責對指紋的采集，采集完成再進行加工處理，生成細化后的黑白二值圖像。以此為基礎，提取關鍵特征和人的身份信息進行存檔，建立指紋數據庫。

2.2.2 建立指紋鑒定模塊

現在已經進入指紋的分類識別階段，這一階段是將待識別的指紋圖像進行采集完成，提取關鍵特征，在數據庫進行搜索與之相匹配的身份，最終來判定身份的正確與否。主要涉及到建立模式識別的匹配算法，具體包括五個模塊：指紋采集、圖像處理、特征提取、特征匹配和數據庫。

3 主要工作流程

3.1 錄入圖像的具體流程

（1）最先采集需要受保人的四枚活體指紋， 錄入過程中指紋的圖像質量要高于500DPI。

（2）每個受保人都需要進行四枚平面捺印指紋的采集。

（3）受保人的照片同時需要拍攝記錄。

（4）錄入有關受保人的個人詳細信息資料。

（5）完成信息進行社保中心主機數據的存入。

（6）制卡，發卡。

3.2 信息對比整個流程

（1）受保人直接出示IC卡

（2）計算機管理系統對客戶IC卡中的信息和指紋特征進行進行讀取。

（3）受保人重新在YLC指紋小鍵盤上輸入指紋，并輸入密碼，或者出示平捺印指紋，再輸入密碼。

（4）負責人進行受保人的指紋特征對比

（5）受保人的信息和計算機留存的信息匹配的話可直接進新社保業務的辦理，并且此次交易信息將會存入IC卡和社保主機，反之，則無法進行交易。

（6）完成交易。

3.3 指紋采集方式

職工在進行第一次的指紋采集時，需要采取活體和卡片兩種指紋方式進行采集。活體指紋采集是用來證明這個指紋是用戶本人的行為，并且可以建立豐富的數據資料庫，方便以后進行比對。卡片指紋采集則主要用于計算機的留存，還可以進行用戶使用時進行身份驗證。

4 指紋技術的組成

（1）社會保障卡信息采集服務系統主要涵蓋：參保人信息建檔、參保人生存核查、服務器遠程數據交換、系統安全、數據庫數據管理、打印模塊幾個功能模塊。

社會保障卡信息采集服務系統采用指紋技術作為主要信息識別方式，針對受保人進行業務辦理的身份驗證，以受保人的各種圖文信息包含身份證、照片等作為輔助審核的手段，最終目的旨在建立一個計算機化、方便快捷、安全可靠、具有多功能綜合性的圖文信息管理和生存核搜櫓は低場

（2）社會保障核心平臺的整體構成：社會保險包括養老、失業、醫療、工傷、生育五部分，而社會保障核心平臺的構建則是以其為基礎進行劃分，其參考數據來源于受保人的參保單位、定點醫療機構、銀行等信息系統，通過與這些外部系統進行數據連接，方便對受保人的信息數據進行查詢。

（3）主要硬件：計算機，指紋錄入采集設備，指紋比對采集設備，1C卡片，數碼相機及掃描儀等。

5 指紋技術在社會保障平臺的應用

指紋技術應用于社會保障平臺在兩方面比較突出，一方面對于一些人惡意冒領或者盜領保險金的現象可以起到遏止作用；另一方面同社保核心平臺涵蓋養老、失業、醫療、工傷、生育等應用系統進行合理接軌，最終達到社保管理的現代化和規范化的要求。

6 結論

指紋技術作為人類身份識別的一種手段，具有一定的先進性、可靠性和唯一性，在全球范圍內都得到廣泛應用，國外的社保管理機構也普遍應用指紋技術來作為參保人的身份認證。而我國社會保障平臺對指紋技術的引入更加便利了其正常的工作。同時，計算機技術的快速發展也為其提供了有利條件，匹配算法的可靠性也不斷提高，指紋技術己經非常實用。

參考文獻

[1]張大鵬.模式識別與圖像處理并行.黑龍江哈爾濱工業大學出版社，2011.

[2]馬東升.指紋技術在社會保障平臺中的應用.安防科技，2007（5）：55-56.

[3]張承杰.基于指紋單點登錄的協同辦公系統研究與設計.碩士學位論文，2007.

[4]李月景.圖像識別技術及其應用.北京：機械工業出版社，2009.

[5]陸永寧.非接觸IC卡原理與應用.北京：電子工業出版社，2006.

作者簡介

胡永果，學士學位。現為山東省滕州市社會養老保險事業處助理工程師。主要研究方向為計算機。

篇7

關鍵詞：飛機故障檢測； 分段概率提取；QAR數據；FP-Tree；子序列匹配

中圖分類號：TP301 文獻標識碼：A

Abstract： As about high repetition and large volume of data in airplane fault detection data as well as low efficiency and accuracy of monitoring algorithm， this paper， based on PAA packed data， utilizes Segmental Probability to extract， adjust FP-Growth and establish FP-Tree， thereby reducing repetition degree of data and improving its searching speed. In addition， algorithm on the basis of segmental distance and subsequence match is proposed. In this paper， the real QAR data of flight will be adopted to verify reliability and accurateness of the algorithm.

Key words： airplane fault detection；segmental probability extract；QAR data；FP-Tree；subsequence matc

1QAR數據建立分段后的樹形結構

飛機飛行狀態通常是穩定的，即QAR數據的屬性值大量重復出現[1-2]，如此使得分段后的數據規律跟關聯規則挖掘中大量項目同時出現的情況很類似[3]，因而可以把每個數據段當作一個項集，采用類似頻繁項集挖掘的方法對其進一步信息整合，將類似的數據段集中到相近的位置，相同數據段只計算一次，提高數據搜索匹配的效率。

分段概率提取后的21元組的元素順序既定[4]，在使用FP-Growth算法進行建樹操作之前，不需第一步掃描數據庫并按各項支持數進行排序，只需直接進行類似FP-Growth模式增長的建樹操作。需要增加的是在該FP樹的每個葉子節點上要添加一個indexList鏈表，用以記錄所有重復了從根節點到葉子節點的所有數據域的數據段，即每條從根節點到葉子節點的路徑都代表一個數據段，而indexList則記錄了跟本路徑相同的所有數據段標記。建樹過程可通過以下示例對分段后所形成數據段S={ 0：[0，...， 0， 0.97， 0.03， 0， 0 ]T， 1： [ 0，...， 0， 0.94， 0.06 ， 0， 0]T， 2： [0，...， 0， 0.98， 0.02 ， 0， 0]T， 3：[ 0，...， 0， 0.97， 0.03， 0， 0]T}的處理具體描述如下：

①創建T的根節點，標號為“null”（如圖1中的（1）），T節點含有如下成員：節點數據（data），指向其子節點的指針和指向其右節點的指針；

②讀取下一段數據（現在是第一個元組）0：[0，...， 0， 0.97， 0.03， 0， 0 ]T，在T中從根節點開始搜索。首先搜索0， T中如果有此節點，接著搜索下一個元素0.97；T中沒有此節點，于是不用再繼續搜索，直接建立整個0：[0，...， 0， 0.97， 0.03， 0， 0 ]T序列的子樹（如圖1中（2）所示，其中多個連續重復出現的符號在圖中只出現一次，并在其節點數據后的括號中標注其連續出現的次數，如圖5-1中的（2）中根節點的左子節點0.0（15）表示0.0共連續出現了15次），建立到葉子節點后，看該葉子節點是否存在名為indexList的一個索引鏈表，若存在，則直接將正在處理的數據段的段號添加到indexList中若不存在則為該葉子節點創建indexList鏈表，并添加當前段號到indexList中；

③重復過程②，直到S中的最后一個數據段處理完畢，對S的第二段數據處理后fp樹如圖1中的（3）所示。S全部數據段處理完畢后fp樹如圖1中的（4）所示。

2子序列匹配定位故障數據段

樹型數據結構由于其前綴共享的特點，能夠避免數據操作過程中大量的重復操作，大幅提高數據處理效率。數據大爆炸環境下，為高效處理數據，無不考慮引入樹型結構改進算法，例如文獻[5]中將DFST-Tree結構引入數據流挖掘算法研究，而在人工智能與數據挖掘方向的prifix前綴樹與FP-Growth等算法更是久負盛名。目前樹型結構用于匹配查詢方向的算法如k-d樹查詢[6]及子樹匹配，前者是從k-d樹中查詢給定序列，給定序列并非樹型結構；后者則用于查詢兩棵樹的結構是否類似，但是并不關心樹的節點數據。本文基于FP-Growth算法對分段后的源數據序列建立樹形結構，然后根據故障模型進行序列匹配，定位到可能出現故障的數據段。序列匹配定位算法的具體描述如下：

先序遍歷fp樹，從根節點到每個葉節點的路徑都是一個數據段的代表，從根節點搜索到葉節點的匹配過程如下：

①計算加入當前節點后該條路徑上所有點與故障模型的距離，若距離小于給定閾值，檢查當前節點是否為葉子節點，若是轉③，若不是葉子節點轉②；若距離大于給定閾值則剪去該節點及其所有左子節點并轉②。

②轉入當前節點的左子樹并重復步驟①。

③當前節點已經是葉子節點，且從根節點到葉子節點整條路徑上所有點與故障模型的距離不超過給定閾值，則該條路徑所代表的數據段即為與故障模型匹配成功，得到葉子節點的indexList鏈表，即為故障數據段位置鏈表，本條路徑匹配完畢。

3實驗結果及分析

取航空公司CAB737-800型飛機的2008年8月份的25個航班記錄，每個航班記錄序列的長度為6089～11949不等，數據分段段長取100，數據符號化范圍為0到20。飛機故障通常情況下不是由單一因素引起，面與飛機故障有關的不同屬性在飛機發生故障過程中的重要程序也各不相同，根據專家經驗給出的空中顛簸故障屬性重要度調查表[7-8]，垂直加速度屬性是對空中顛簸故障發生的最重要影響屬性，因此主要針對該故障數據的垂直加速度屬性數據實驗。

文獻[9-10]通過研究并驗證k-d樹的特點和優勢，對QAR數據進行符號化并建立了多維時序飛行數據的子序列，并驗證了k-d樹查找的速度相比于順序掃描的明顯優勢，適用于大規模時序飛行序列中子序列的相似性搜索。其實驗結果如表1所示。

表1清晰表明了k-d樹查找的速度遠快于順序掃描的速度，適合大規模時序飛行序列中子序列的相似性搜索。但是在k-d查詢之前所需的建樹時間依然不容忽視，本文通過分段符號化并概率提取然后再建樹查詢，分段及離散化共用時間平均為310.1ms，建樹和查詢所用時間之和平均僅為2.5ms。綜合表1和表2，顯然分段后的查詢時間僅為不分段就順序查詢的一半，而采用樹形結構查詢之后搜索時間再一次得到提升，從建樹到查詢結束的總時間低于k-d樹的H查詢時間。

另外子序列查找過程中以查找到的類似故障數據段為目標輸出，并將類似故障數據段輸出到到文件，當檢測數據為模擬的非故障數據時，輸出文件無內容，而當檢測數據為模擬的故障數據時，輸出文件中會得到如圖2的結果，其中“文件0”是一個待檢測的故障數據文件，“異常數據段0”則是故障模型中的一個故障點代表，與其相似的數據段表示采集到該待檢測數據的航班有可能會發生與故障模型相同的故障。實驗得到故障相似數據段之后可以根據其數據段號（比如圖2中“數據段42”的“42”）來定位故障發生的具置。由此可見本程序可以正確識別出并定位本類型的故障數據段，具有相當的參考價值。

綜上可知本文所用方法對于大規模數據處理具有足夠的正確率和高效性。

4小結

本文主要介紹了針對突發故障點數據段的檢測和定位方法，在PAA表示方法的基礎上進一步對QAR數據進行分段細化，將故障點鎖定在更小的數據段內，對于時序數據來說，能夠定位到更貼近故障突發的時間段；通過基于樹的子序列查詢算法提高了搜索查詢的效率的同時保證了查詢的正確性，實驗證明本文采用算法是有效可行的。

參考文獻

[1] 王天明.基于QAR數據的飛行安全模型研究[D]：[碩士學位論文].天津：中國民航大學.航空自動化系，2008.

[2] 閆偉. QAR飛行時序數據相似性搜索算法研究[D]. 天津： 中國民航大學， 2010： 21-25.

[3] 趙恒. 數據挖掘中聚類若干問題研究[D]. 西安： 西安電子科技大學， 2005 ： 10-11.

[4] Jong P.Yoon，Jieun Lee，Sung Kim.Trend Similarity and Prediction in Time-Series Database.Proceeding of SPIE，2000，4057：13-20.

[5] Tomas Flouri， Jan Janousˇek， and Borˇivoj Melichar. Subtree Matching by Pushdown Automata. ComSIS， Special Issue， April 2010， 7（2） ：331-357.

[6] 張國振. 多元時序飛行數據子序列的相似性搜索算法研究[D]：[碩士學位論文]. 天津：中國民航大學. 計算機科學與技術學院， 2011.

[7] Chakrabarti，K. et al.， Locally adaptive dimensionality reduction for indexing large time series databases. ACM Trans on Database Systems， 27， 2002： 188-228.

[8] Kamran Rokhsaz， Linda K. Kliment， and Alhambra L. Yee， etc. Comparison of Two Business Jets C Usage and Flight Loads. 2013 Aviation Technology， Integration， and Operations Conference August 12-14， 2013， Los Angeles， CA.

篇8

關鍵詞：棒材計數系統；圖像識別；灰度加權閉值算法

中圖分類號：TN911.73 文獻標識碼：A 文章編號：

一、圖像識別的概念與模型

自然界的景物一般都是空域三維描述，但視覺系統或稱之為一般的傳感器系統，所獲得的信息通常是空域二維的。在這個二維信息—圖像中，人們卻能充分理解所觀察到的空域三維景物，從它的色彩、形狀、到它是什么、它是干什么的等。在這個觀察、識別、理解的過程中，實際包含了許多知識的學習和積累。圖像識別就是用現代信息處理與計算技術來完成人的識別、理解過程。顯然，它包括成像、圖像處理與識別這三個步驟。

圖像識別主要是指依據輸入的空域二維圖形信息f(x, y, t)，根據圖像識別模型，進行相關的圖像運算，分析并提取圖像的識別特征，然后建立分類器按圖像特征對圖像進行分類識別運算，圖像類別可表示為Ci ，i∈（l, 2,…, n）, n為正整數。首先要進行的是邊緣提取、圖像分割等圖像預處理，然后再進行特征提取和識別工作。

圖像特征析取器的主要任務是：

（1）用什么特征描述圖像以便識別；

（2）如何提取這些特征。析取器輸出的是可供分類器運算的特征參量T(x, y, t)。圖像識別分類器主要是依據一定的分類準則等，如統計分類原則、模糊運算準則等，對輸入的特征參量T(x, y, t)進行一定的運算后，判決輸出圖像是哪一類圖像。

二、棒材計數系統的國內外研究現狀

1.國外的研究現狀

1992年，Renzo ，Offoiach 設計了主要針對最終打包層疊棒材的計數和分裝置。在該裝置中，通過處理棒材的層疊等情況，最后再經機械裝置整平，最后進入計數階段。2003年，日本Kojima Kat2suhiro，Niimi Kiyoaki，Yano Taizo為兼顧計數的準確性和快速性，采用了圖像計數方案。在該方案中，用光源以一定角度照射棒材端面獲得清晰圖像，最終對采集圖像處理而得到在線棒材的數量。可見，國外也采用了兩種方案，機電法重在解決棒材的不規則狀態，圖像法需在一定計數精度的基礎上考慮實時性。

2.國內的研究現狀

2003年4月，王培珍，楊維翰，沈玉梁首次提出了基于融合技術的棒材定值圖像識別理論。該方案首先用CCD 采集棒材定支包裝時的端面圖像，再用閾值化和基于邊界的方法初始分割圖像，最后進行融合、去粘連及計數，這在一定程度上提高了計數的準確性。該方法過于依賴二值圖的質量，實際應用中難以保證質量要求。

2004年，羅三定，沙莎，賈維嘉等人針對如何識別圖像中的棒材、如何區分圖像中已計數部分和未計數部分以及如何控制分鋼裝置移動到指定位置等問題，較為系統地論述了圖像法實現在線棒材計數和分離問題， 并設計了相應的在線視覺計數控制系統，基本完成了棒材在線計數系統的計數和分離任務。

2004年12月，李俊飛在詳細分析影響攝像技術采集棒材特征的各種因素和干擾的基礎上，開發了一種棒材計數裝置并有所創新：①數抓采集箱用于隔離外界干擾；②快速準確的圖像識別算法；③噴液裝置使端面成像易于被識別；④采集的數據參與過程管理。基本解決了棒材在線計數問題，但分鋼還要靠人工判斷和處理，僅僅實現了計數系統部分自動化。

2005年10月，梁治國，徐科，徐金梧等人提出了基于結構光的棒材自動計數技術方案。具體做法是，將線型激光垂直照射處于冷床上的棒材，通過面陣CCD攝像機采集激光圖像，并細化處理激光線條后，用BP神經網絡計算并恢復棒材截面上部分輪廓的空間坐標。另外，作者還提出了局部輪廓形心的概念，根據棒材的部分輪廓得到棒材形心的分布，通過聚類法確定棒材形心的數目，從而得到各種情況下棒材的數目。該方案首次將結構光引入棒材計數系統，具有一定的精度。

2006年，章家巖，金俊，姚有領提出了基于多傳感器技術的螺紋鋼在線自動計數的方法，繼承了雙傳感器在線棒材計數的思想，在此基礎上，通過改變位移傳感器的安裝位置，計數系統得到進一步發展。但是，對于棒材出現的某些特殊情況沒有考慮，故計數精度難免會降低。同年，郭國營，劉冀偉，柴愛紅等人發表了棒材定支數包裝與理論質量計量論文。其中，作者以計數系統實用化為目標，在圖像處理中引入了投影法和雙系統方案，雙系統分別實現計數和校核。在一定程度上提高了計數精度。李弟平，羅三定針對幫材計數實時性要求，結合應用環境特點，提出了一種基于幾何特征的改進模板匹配算法，并將該算法應用于棒材計數系統，有效提高了棒材的識別準確率，通過四方向弦過濾，減少匹配點數目，提高了匹配效率。并針對大直徑棒材提出了割點匹配的方法，匹配速度提高至原來的4倍，解決了大棒材實時計數的問題。

2006年4月，余曉流，馬欣藝，儲劉火等人提出一種新型棒材自動計數與控制裝置。其基本原理是，先通過機械裝置依次把棒材整齊排列、分離，再利用計數裝置接受到光電傳感器的脈沖數計數捆。該裝置利用機電法完全實現了棒材的計數和定支打捆，但對于小直徑棒材須進一步改進。6月，在滿足生產條件的前提下，李弟平，羅三定通過分析各種圖像分割算法，提出了一種基于多因素的圖像分割算，以滿足實時性要求。理論與實踐證明，該算法能有效分割出目標棒材，并能顯著提高目標分割的效率。總之，對于在線棒材的計數問題，提出并應用了機電和圖像兩種計數方案，有的甚至初步解決了在線計數統的計數和分離問題，為以后研究奠定了一定理論基礎和積累了實際經驗。

三、結束語

展望未來，利用數字圖像處理技術和模式識別技術，對棒材圖像、特別是棒材區域進行準確、高效的檢測識別是解決棒材計數的一種有效手段。為了去除由于背景帶給棒材圖像的干擾，要對類圓物體進行分割，分割以后，圖像中并不是每一個獨立的區域就代表是一個類圓物體。雖然采用灰度加權閉值算法盡量避免其過分割的現象，但仍不能完全避免；另外，圖像邊緣存在的不完整的類圓物體，也應盡量不把它們識別為類圓物體。因此采用基于類圓圓心、類圓邊緣及半徑等特征的識別原理和識別算法，把只有符合一定要求的獨立區域才識別為類圓物體。完成棒材的識別后，每識別出一個類圓心計數器加1，累加器反映棒材數目，最后累加器總數目即是棒材總數。

參考文獻：

1. Kajii S, Umehara S, Oouchi T. Automatic Separating Device for Bar Steel

Continuously Transported by Chain Conveyer [P]. 日本專利: JP57126315,

1982208206.

篇9

基金項目：國家自然科學基金資助項目（61173122，61262032）；湖南省自然科學基金資助項目（12JJ6059， 12JJ2038）

作者簡介：高煥芝（1976-），女，河北唐山人，中南大學博士研究生

通訊聯系人，Email：

摘要：針對當前移動設備身份認證方法或易破解、或難實現、或成本高的問題，提出一種新的基于手機加速度傳感器的人體感知身份認證方法.該方法利用當前手機普遍內置的加速度傳感器采集人體運動數據（通常為動態手勢），結合經典匹配算法LCS，提出限制匹配窗口的近似判等最長公共子序列算法，對采樣點序列限制區間匹配，針對浮點數據對采樣點距離近似判等，進行數據匹配實現身份認證，并基于云計算模型實現了手機身份認證平臺.較之已有的基于手勢身份認證方法，有效降低了針對模仿動作攻擊的接受錯誤率，非攻擊認證相等錯誤率為2%，而模仿動作攻擊的相等錯誤率降低至5%.該系統具有易于在各類移動設備系統部署，不需要額外的設備等優勢，且基于生物特征原理，特別加強了抵抗模仿動作攻擊的健壯性，不易被破解.

關鍵詞：加速度傳感器；身份認證；近似判等最長公共子序列；云計算

中圖分類號：TP391 文獻標識碼：A

Accelerometer Based Authentication Method in WLALCS

GAO Huanzhi1， GUO Yundi1，2， LIU Qing1，2， CHEN Zailiang1，2， ZOU Beiji1，2

（1.School of Information Science and Engineering， Central South Univ，Changsha，Hunan410083， China；

2. Mobile Health Ministry of EducationChina Mobile Joint Laboratory， Changsha，Hunan410083， China ）

Abstract：Aiming at problems in authentication methods of mobile devices， such as being easy to crack or difficult to implement or high costs， this paper presented a new mobile phone acceleration sensor authentication method on human perception. To use the current widespread acceleration sensor in mobile phones to capture human motion data （typically dynamic gesture）， we proposed an authentication algorithm named Window Limited Approximate Longest Common Sequence （WLALCS） based on the classical matching algorithm LCS. And we implemented an authentication system on cloud computing model. Compared with the existing gesture and accelerometer based authentication methods， this method effectively reduced the equal error rate on imitate action attack. Nonimitate attack authentication EER （Equal Error Rate） is 2%， and imitate attack authentication EER is 5%. This system is easy to deploy on any smart phone systems and does not need any additional sensors. Based on the biological characteristics， we reinforced the robustness towards mimicry attack.

Key words：accelerometer； authentication； Window Limited Approximate Lonest Common Sequence（WLALCS） ； cloud computing

傳統的身份認證方法有用戶名密碼、PIN、文本形式和九宮格等，此類方法輸入口令的時候很容易被竊取，從而仿冒真實用戶身份，簡單的口令容易被破解，復雜的口令造成用戶記憶上的不便.因此，需要一種新的更為有效的身份認證方式，要求簡單易用、安全可靠.生物特征認證技術的興起對傳統身份認證方法起到了很好的補充和完善作用.

基于生物特征[1]的身份認證，由于其安全、可靠和便利等特點，越來越受到人們的重視，生物特征識別技術在過去的十幾年中取得了長足的進展，生物特征認證方法主要有人臉認證[2]、指紋認證[3]、虹膜認證[4]和手寫簽名認證[5]等.然而在手持設備身份認證方面，以上認證技術存在技術成本高、需要特定的硬件設施和易被仿冒等缺點.

隨著2010年以來智能手機市場的爆發式增長，當前的手機普遍帶有加速度傳感器（三軸加速度傳感器、陀螺儀等），同時結合手機本身能夠運行軟件的特性，為低成本、高效率實現基于重力加速度傳感器的人體行為感知方法與身份認證帶來了契機.

近年來智能終端普遍裝備了越來越豐富的傳感器，出現了新的身份認證方法.如利用三軸加速計進行的步態身份認證[6-8]，利用三軸加速計把簡單運動軌跡與密碼對應的身份認證[9-10]等.

每個人對持有的物體進行空間移動（通常為手持物體在空間中劃動筆畫，但不限于用手）時，其動作角度、力度和速度等都具有自己的個體特征，通過智能手機內置加速度傳感器則可獲取用戶移動手機時的這些空間動作信息.針對用戶對手機完成的空間移動數據的個體特征進行分析，可實現身份認證.這種認證方法的好處是在數據采集過程中不依賴場景、光照、用戶體征完整性（視力、聽力和語言等）以及額外的設備，實現成本低，方便易用，可用于需要身份認證的場合，在即將進入移動互聯網的時代浪潮下，具有廣闊的應用前景.

基于手勢的身份認證方法，文獻[11]受到步態識別的啟發，從生物特征的角度進行了可行性分析，通過加速度傳感器采集手勢數據，并通過監督和非監督降維進行分類，通過數據分析，提出手勢運動可作為人體行為的生物特征，并可應用于小群體的身份認證的結論.文獻[12]結合文獻[13]中基于手勢識別的認證方法在非模仿動作攻擊場景下得到了良好的效果，對基于加速度傳感器采集手勢特征的身份認證方法前景給出了積極的觀點.文獻[13-15]描述了幾種基于手機三軸加速計進行手勢身份認證的方法，文獻[14]基于特定的手勢進行認證，不允許用戶自定義個性化的手勢.文獻[15]中的方法需要較多的訓練樣本才能達到較為理想的相等錯誤率（Equal Error Rate，EER），文獻[13]中的工作更側重于人機交互的手勢識別精度，而認證方面，在非攻擊認證情況下取得了較好效果，但對于針對性模仿動作攻擊，EER依然為10%，無法應用于關鍵性信息的加密認證.

移動設備的身份認證，要求具備易用性與實時性的特征，即要求僅需要較小的樣本，不受周邊環境影響，同時驗證花費時間短.需要大樣本訓練的基于學習的方法（如HMM[16]等）、基于視覺（使用攝像頭）和語音等方法都會受到一定的限制.

本文基于動態規劃原理、最長公共子序列（Longest Common Sequence， LCS）[17]算法，設計了一個限制匹配窗口的近似判等最長公共子序列（Window Limited Approximate Longest Common Sequence， WLALCS）算法，并以動態時間規整（Dynamic Time Warping， DTW）[18]作為輔助判斷條件，在Lumia1520和PC服務器上實現了基于云計算的手機身份認證原型系統.該系統整個認證過程在50 ms左右，系統不受光照和噪聲等環境影響，通過20名20～30歲的實驗者一周時間進行手勢動作攻擊實驗結果，該系統有效將模仿動作攻擊的認證過程相等錯誤率（EER）降低至5%，有效地改善了基于三軸加速計的手勢身份認證方法在模仿動作攻擊時的不健壯性.

1WLALCS認證算法

本文針對利用加速度傳感器提取動作特征進行身份認證問題，基于LCS設計了WLALCS算法，同時以DTW算法作為針對模板與驗證數據序列累積距離輔助判斷條件.

1.1數據獲取及處理

利用Lumia搭載的WP8系統內置三軸加速度傳感器獲取運動數據，結合軟件設置，用戶將按鈕按下為動作起點，系統開始記錄用戶動作的加速度數據；按鈕松開為手勢終點，系統停止記錄.

采樣頻率為60 Hz，獲取數據為時間序列的x，y和z三軸加速度g（g為重力加速度，取9.8 m/s2）的浮點數，并對數據平滑處理以消除沖擊噪聲.

1.2WLALCS算法思想

對于時間序列X，設X.length為X的采樣點個數，X[i]為時間順序第i個采樣點.設待匹配序列T為模板序列，S為樣本序列.

1.2.1數據篩選

由于人完成特定動作的時間有一定的不穩定性，而人類的反應時間一般在0.3 s，針對采樣頻率， 0.3×60 = 18，實驗時取允許采樣點個數誤差為20，即對于長度與模板相差超過20的數據將直接拒絕.

1.2.2最長公共子序列（LCS）

最長公共子序列算法是基于動態規劃的經典線性序列匹配算法，子序列為線性序列順序連續或非連續子集，最長公共子序列指兩個或多個線性序列的最長非連續公共部分，可有效表示兩個線性序列的編輯距離和相似度[17].

算法描述如下[19]：

兩個序列T和S的最長公共子序列為LCS（T，S），LCSdp（i，j）表示由序列T的T[1]～T[i]組成的子序列與序列S的S[1]～S[j]組成的子序列的最長公共部分，即該動態規劃算法的子問題，如式（1）所示，LCSdp（T.length，S.length）即為LCS（T，S）的結果.

LCST，S=LCSdpT.length，S.length.（1）

由規則EQUAL（T[i]，S[i]）判定T[i]與S[i]相等關系.當EQUAL（T[i]，S[i]）分別為TRUE和FALSE時，LCSdp采取不同的遞推規則.EQUAL（T[i]，S[i]）為TRUE時，規則如式（2）所示，為FALSE時，規則為式（3）所示.

LCSdpi，j=maxLCSdpi-1，j-1+1

LCSdpi-1，j

LCSdpi，j-1， （2）

LCSdpi，j=maxLCSdpi-1，j

LCSdpi，j-1.（3）

1.2.3限制匹配窗口

由于人有一定的反應時間，故模板和測試數據序列的動作起點往往是沒有完全對齊的，在做LCS時枚舉匹配起點，并限制匹配窗口大小，取最長匹配結果為最終匹配結果，即Window limited.取T和S采樣點較少的一個的采樣點個數為匹配窗口大小，這里假設S.length < T.length，枚舉匹配起點start由1至T.length-S.length，設每個start對應的T[start]～T[start+S.length-1]的采樣點組成的序列為P，則WLALCS（T，S）為：

WLALCST，S=max[LCS（P，S）]. （4）

1.2.4近似判等

對于式（2），由于獲取的數據序列為浮點數，對于相近的采樣點很難完全相等，故可規定兩點距離小于一定閾值時判定兩點相等，即近似判等.

設定ratio_errdis判等閾值，定義S[i]與T[i]的距離為三軸坐標差的絕對值與T所有采樣點對應坐標最大值和最小值的差的比值的和，即

DistanceTi，Si=

∑x，y，zpTi.p-Si.pmaxT.p-minT.p.（5）

則當Distance（T[i]，S[i]）

1.2.5序列相似度

定義序列相似度為WLALCS（T，S）的匹配長度與模版T的長度的比值.即序列相似度matched_proportion為：

matched_proportioin=WLALCST，ST.length. （6）

1.2.6算法復雜度

由于采樣點個數與模板相差20以上的樣本將被直接排除，故枚舉起點的復雜度可視為常數，WLALCS的時間和空間復雜度都為O（T.length?S.length）.

1.3動態時間規整

動態時間規整（DTW）是基于動態規劃的對線性序列進行模式匹配的經典算法，文獻[13]在手勢識別方法上對該算法有了詳細的描述，本研究使用此方法作為輔助判斷方法，閾值參數會相對放寬.算法簡單描述如下：

DTW（T，S）為序列T與S的DTW距離，DTWdp（i，j）表示由序列T的T[1]～T[i]組成的子序列與序列S的S[1]～S[j]組成的子序列的最優DTW距離，DTWdp（T.length，S.length）即為DTW（T，S）的結果，如式（7）所示.最優子問題遞推規則如式（8）所示.

DTWT，S=DTWdpT.length，S.length. （7）

DTWdpi，j=minDTWdpi-1，j-1

DTWdpi-1，j

DTWdpi，j-1+

DistanceTi，Sj. （8）

DTW的時間和空間復雜度都為O（T.length?S.length）.

2云計算認證平臺

目前流行的移動設備操作系統復雜多樣，主流的有Android， IOS， Windows Phone等，但即使相同的Android系統，也因為版本不同，給APP開發者的軟件適配帶來很多麻煩.同時，現有設備的CPU浮點運算能力與3～5年前的PC機相仿，雖然運行論文所提算法沒有問題，但對于未來提高認證精度而可能會采用的更為復雜的算法，移動設備的硬件壓力將越來越大.目前移動互聯網已進入3G時代，而4G技術也正在興起.本文所采集的每組手勢數據僅為1～5 kB，足夠在普通應用場所進行快速數據交換.

云計算是一種新興的計算模型，對用戶透明，用戶無需了解云計算的具體機制即可獲得需要的服務[20].基于云計算認證平臺的實現，使得客戶端的開發只需要考慮數據的采集和發送，整個認證過程在云端進行，極大地提高了開發效率和身份認證算法的運行效率，降低APP開發的適配壓力，解放了移動設備CPU和存儲設備，對未來利用云端的手勢數據進行大數據分析也帶來了便利.

2.1總體設計

客戶端為移動設備，服務端為計算機服務器.客戶端將采集的手勢數據發送至服務器，在服務器進行匹配認證，并將認證數據存儲在數據服務器，以供未來研究分析.并返回結果給客戶端.數據傳輸遵循TCP/IP協議，客戶端通過無線網發送數據，系統總體設計如圖2所示.系統自頂向下分為數據處理云端、數據交換接口、客戶端、用戶，系統結構如圖3所示.

2.2實現

2.2.1數據處理云端

數據處理云端，實驗采用普通酷睿雙核，4 GB內存PC機，基于WPF開發的集數據接收發送、存儲、管理、匹配認證、圖形化分析于一體的服務器軟件，能夠實時偵聽用戶數據，存儲歷史認證數據，對用戶認證信息進行快速反饋.

2.2.2數據交換接口

客戶端與服務器的數據交換使用TCP/IP協議，通過客戶端與服務器建立TCP鏈接.客戶端采集的手勢數據以文件流形式通過TCP鏈接發送至服務器，數據格式為：

1）指令行，標定數據文件處理方式，以@開頭.

2）用戶信息，標定發送數據的用戶.

3）手勢數據.

2.2.3客戶端

客戶端通過調用傳感器的API獲取用戶手勢數據，在手勢結束后對數據打包進行發送.

3實驗結果與分析

本文針對認證系統對模仿動作攻擊的健壯性，設計不同組別的手勢，并令參與實驗人員了解手勢的執行方式和執行時間，并且所有實驗者完全在視覺暴露的環境下執行手勢，互相作為模仿動作攻擊對象.

3.1實驗結果

通過對序列相似度認證閾值threshold的研究，對于模仿動作攻擊數據，受試者工作特征（receiver operating characteristic，ROC）曲線如圖4所示.

圖4中，FAR為認假率（False Accept Rate），FRR為拒真率（False Reject Rate），對于模仿動作攻擊認證，EER達到5%，優于文獻[7]和[8]中的10%.對于非模仿動作攻擊認證，所提方法的EER也達到了2%，優于文獻[7]和[8]中的3%.認證效果對比如表1所示.

3.2實驗分析

由圖4可知，隨著threshold值的增加，用戶的認證難度加大，同時對模仿動作攻擊的防御能力也隨之增強.而在模仿動作攻擊成功率降低至較低水平時，用戶認證的成功率依然比較可觀.

不同的人做手勢的時候，由于個人習慣、肌肉強度和骨骼結構不同等方面的影響，動作不同階段特別是變換速度與方向的時候會有較大的差別，大多數情況下完成一個動作的時間乃至一個動作的不同階段的時間會有不同，僅從采樣點累積距離角度出發，不能很好地反映這方面的差異.論文所提算法采用了限制窗口的近似最長公共子序列方法，有效地反映了模板與測試數據之間局部運動速度特點的差異和整體動作的采樣點匹配比例，在模仿動作欺騙攻擊的防御上起到了更好的效果.

4總結

針對基于手機加速度傳感器進行身份認證方法中，對于模擬動作攻擊的健壯性不強的問題，進行了算法研究，提出WLALCS算法在保持正常認證環境下的認證精度的前提下，有效提高了模擬動作攻擊的抵抗力.

通過模擬動作攻擊實驗，建立了近2 000個手勢的模仿動作攻擊手勢數據庫，通過實驗，所提算法WLALCS的EER達到了2%，模仿動作攻擊EER達到了5%，對于模仿攻擊具有了更好的防御性，提高了認證系統的安全性.

研究基于NOKIA Lumia1520，個人計算機實現了云計算模型認證系統.WLALCS算法結合基于云計算模型的認證系統，有效減輕了不同系統移動終端開發的適配壓力，解放了移動終端的CPU和存儲壓力，認證算法的運行效率不再受限于移動終端CPU配置的高低，為未來實現更為復雜精細的認證系統提供了條件.認證歷史數據存儲在云端，也使針對動作特征的大數據分析成為可能.

參考文獻

[1]PANKANTI S， BOLLE R，JAIN A.Biometrics： the future of identification[J]. Computer， 2000， 33（2）： 46-49.

[2]WALLACE R，MCLAREN M，MCCOOL C，et al. Crosspollination of normalization techniques from speaker to face authentication using gaussian mixture models[J]. Information Forensics and Security， IEEE Transactions on， 2012， 7（2）： 553-562.

[3]NANNI L， BRAHNAM S， LUMINI A. Biohashing applied to orientationbased minutia descriptor for secure fingerprint authentication system[J]. Electronics letters， 2011， 47（15）： 851-853.

[4]BANERJEE S， MUKHOPADHYAY S， RONDONI L. Multiimage encryption based on synchronization of chaotic lasers and iris authentication[J]. Optics and Lasers in Engineering， 2012， 50（7）： 950-957.

[5]SCHEIDAT T， KMMEL K， VIELHAUER C. Short term template aging effects on biometric dynamic handwriting authentication performance[C]//Communications and Multimedia Security. Berlin：Springer Berlin Heidelberg， 2012： 107-116.

[6]GAFUROV D， HELKALA K， SNDROL T. Biometric gait authen tication using accelerometer sensor[J]. Journal of computers， 2006， 1（7）： 51-59.

[7]TAMVIRUZZAMAN M， AHAMED S I， HASAN C S，et al. ePet： when cellular phone learns to recognize its owner[C]//Proceedings of the 2nd ACM Workshop on Assurable and Usable Security Configuration. ACM， 2009： 13-18.

[8]DERAWI M，NICKEL C，BOURS P，et al.Unobtrusive userauthentication on mobile phones using biometric gait recognition[C]//Intelligent Information Hiding and Multimedia Signal Processing （IIHMSP）， 2010 Sixth International Conference on. Piscataway， N J： IEEE， 2010： 306-311.

[9]PATEL S N，PIERCE J，ABOWD G.A gesturebased authentication scheme for untrusted public terminals[C]//Proceedings of the 17th Annual ACMS Ymposium on User Interface Software and Technology. New York： ACM Press ，2004：157-160.

[10]CHONG M，MARSDEN G.Exploring the use of discrete gestures for authentication[M]. Berlin： Springer Berlin Heidelberg， 2009： 205-213.

[11]FARELLA E，O’MODHRAIN S，BENINI L， et al. Gesture signature for ambient intelligence applications： a feasibility study[M]. Berlin： Springer Berlin Heidelberg， 2006： 288-304.

[12]LIU J， ZHONG L， WICKRAMASURIYA J， et al. User evaluation of lightweight user authentication with a single triaxis accelerometer[C]//Proceedings of the 11th International Conference on HumanComputer Interaction with Mobile Devices and Services. NewYork： ACM， 2009： 15.

[13]LIU J， ZHONG L， WICKRAMASURIYA J， et al. uWave： accelerometerbased personalized gesture recognition and its applications[J]. Pervasive and Mobile Computing， 2009， 5（6）： 657-675.

[14]OKUMURA F， KUBOTA A， HATORI Y， et al. A study on biometric authentication based on arm sweep action with acceleration sensor[C]//Intelligent Signal Processing and Communications.ISPACS'06，International Symposium on. Piscataway， N J： IEEE， 2006： 219-222.

[15]MATSUO K， OKUMURA F， HASHIMOTO M， et al. Arm swing identification method with template update for long term stability[M]. Berlin： Springer Berlin Heidelberg， 2007： 211-221.

[16]RABINER L， JUANG B. An introduction to hidden Markov models[J]. ASSP Magazine， IEEE， 1986， 3（1）： 4-16.

[17]HUNT J，SZYMANSKI T.A fast algorithm for computing longest common subsequences[J]. Communications of the ACM， 1977， 20（5）： 350-353.

[18]MYERS C，HABINER L.A Comparative study of several dynamic timewarping algorithms for connected word[J]. Bell System Technical Journal， 1981，60（7）：1389-1409.

篇10

摘 要：現在成像設備視角不能直接拍攝超寬照片，集裝箱智能大門系統對通過車輛定位后采集多張圖片進行識別和檢驗處理。文章提出基于視頻流的集裝箱智能大門的全景圖像采集方法，主要對車輛定位與全景圖像采集、圖像拼接方法進行研究并設計，旨在為智能大門系統集裝箱箱號識別、箱體殘損檢驗提供全景照片，以進一步優化智能大門系統。

關鍵詞：智能大門；集裝箱；全景圖；視頻流

中圖分類號：F253.9 文獻標識碼：A

Abstract： Container intelligent gate system through which can identify multiple pictures was taken from the vehicle positioning and inspection process. In this paper， based on streaming video intelligent container door panoramic image acquisition method， mainly of vehicle positioning and container panoramic image acquisition and image fusion methods are studied and the program design. The purpose is for container intelligent gate system identification， the photos of the damaged inspection provide full container appearance， to further optimize the intelligent gate system.

Key words： smart door； container； panorama； the video stream

0 引 言

集裝箱智能大門[1]作為集裝箱中心站與運輸車輛交接的門戶，其通行的效率以及數據的安全準確是至關重要的。隨著技術發展，新技術應用于在集裝箱智能大門系統中。系統需對通過車輛定位后采集多張圖片進行識別和檢驗處理，現在成像設備視角不能直接拍攝超寬照片。根據上述情況，本文提出全景圖像技術應用在智能大門系統。主要解決由窄視角成像設備獲取（具有重疊區域的）多幅圖片通過拼接生成超寬視場圖像或全景圖像[2-3]。集裝箱全景圖片為智能大門進行后續處理提供基礎圖片，是一種對集裝箱智能大門功能、性能及安全可靠性能提升的一種方法。

目前，圖像拼接算法主要分為基于頻域的相位相關分析方法以及基于時域的特征匹配算法。相位相關分析法最早由Kuglin[4]等人提出，該方法通過傅里葉變換快速獲得兩幅圖像的平移量，之后Reddy[5]等人實現將相位相關方法擴展到對于存在旋轉、縮放的圖像配準領域，鄭志彬[6]等人提出對于存在平移、旋轉、縮放三者作用的圖像進行配準拼接。上述方法對于3種變化效果較好，對復雜的智能大門系統速度和效果也會下降。還有學者：張云峰[7]設計了基于DSP的實時圖像拼接技術，設計了一套基于DSP經緯儀實時拼接系統實現圖像實時拼接，該方法圖像快速拼接中以相位相關特點，不適合速度不定的集卡集裝箱圖像采集。宋戈[8]將多個固定攝像頭或單個移動攝像頭的內容進行拼接獲得更加高分辨率的圖像，該方法會大幅圖提高系統成本。

集裝箱卡車所載箱型和進入車道速度不能確定，所以每幀圖像相差也是不能確定。為了降低設備運行成本，又能得到集裝箱全景圖像。本文對系統結構、車輛定位與圖像采集進行設計，然后重點對視頻序列全景圖像快速獲取方法介紹。本文首先，介紹視頻序列中以紋理特性相似特性選取關鍵幀。然后，采用SURF[9]（Speeded Up Robust Features）進行提取柱面投影[10]的匹配特征，并采用基于K-D樹的最近鄰搜索BBF算法得到特征點之間的匹配關系。采用基于RANSAC方法，以Sampson距離劃分局內點和局外點來提高算法的魯棒性。最后，采用加權平均法對關鍵幀進行融合。

1 全景圖像采集方法概述

集裝箱卡車在進入車道口時，集裝箱圖像采集開始工作，通過5個相機分別抓拍集裝箱的左、頂、右、前、后箱的視頻流和圖像。在這個過程中，攝像機是靜止的，而集卡是運動的，運用幀之間紋理特征相鄰兩幀間的差異選取關鍵幀，然后進行圖像拼接。這樣，當集裝箱卡車駛離視頻區域時，就可以得到最后的集裝箱卡車完整圖片。視頻流全景圖像拼接中幀到幀拼接圖像方式是采用增量更新的方法，全景圖像生成過程中不會造成運動目標的突然消失。首先選取關鍵幀I■x，y，然后計算當前關鍵幀與之前接圖像g的變換關系。最后拼接到之前的拼接的圖像I■x，y結果如圖1所示。

集裝箱全景圖像采集系統主要由網絡攝像機、千兆交換機、NVR、紅外對射開關、泛光燈、PLC、服務器組成。圖像采集服務器根據PLC信號對視頻進行提取。網絡攝像機作為視頻監控系統部分，完成視頻的采集、壓縮和簡單處理功能。網絡攝像機通過交換機將數字化的圖像數據送到硬盤錄像機。經裁剪、比例壓縮及數據格式轉換后，數據傳輸于工控機。系統設備安裝關系如圖2所示。

2 車輛定位與圖像采集

2.1 車輛定位與圖像采集

當一輛載有集裝箱的卡車通過通道的大門時，因為紅外觸發器的高度小于集裝箱上沿的最低高度，所以在卡車前行的過程中會發生遮擋和連通的兩種狀態，拍攝就是利用這兩種狀態的變化進行圖像和視頻流的采集。集裝箱的長箱、雙箱、短箱也是根據紅外對射開關觸況區分。本節設計中只要A■、A■、A■、A■中間一個發生通斷即判斷為雙箱，這大大提高箱型區分準確率。集裝箱圖像采集過程如流程圖3所示。

當卡車上裝載的集裝箱為雙箱時，在車行進中A■觸發器由接通變為遮擋，A■觸發器變化接通遮擋接通遮擋。同時后面的A■、A■觸發器都被遮擋，則L■觸發拍照，L■、L■、L■同時被觸發錄像。即前面相機觸發拍照，左、上、下3個相機觸發開始錄像。行進過程A■、A■觸發器接通，則L■觸發拍照，L■、L■、L■同時被觸發結束錄像。同時根據A■、A■、A■、A■的觸況判斷為雙箱。雙箱相機控制時機如圖4所示。

當卡車上裝載的集裝箱為長箱時，在車行進中A■觸發器由接通變為遮擋，A■觸發器變化接通遮擋。同時后面的A■、A■觸發器都被遮擋，則L■觸發拍照，L■、L■、L■同時被觸發錄像。即前面相機觸發拍照，左、上、下3個相機觸發開始錄像。行進過程中行進過程A■、A■觸發器接通，則L■觸發拍照，L■、L■、L■同時被觸發結束錄像。同時根據A■、A■、A■、A■的觸況判斷為長箱。長箱相機控制圖如雙箱。

當卡車上裝載的集裝箱為單箱時，在車行進中A■觸發器由接通變為遮擋，A■觸發器變化接通遮擋接通。同時后面的A■、A■觸發器都被遮擋，則L■觸發拍照，

L■、L■、L■同時被觸發錄像。即前面相機觸發拍照，左、上、下3個相機觸發開始錄像。行進過程中行進過程

A■、A■觸發器接通，則L■觸發拍照，L■、L■、L■同時被觸發結束錄像。同時根據A■、A■、A■、A■的觸況判斷為單箱。單箱相機控制時機如圖5所示。

2.2 PLC與上位軟件控制相機方法

每個車道的千兆路由器與網絡攝像機相連：定義拍攝前方的攝像機為L■，拍攝后方的攝像機為L■，拍攝左方的攝像機為L■，拍攝上方的攝像機為L■，拍攝右方的攝像機為L■。對于何時拍照的判斷過程是由PLC系統完成。上位軟件通過與PLC的協議進行控制相機進行拍照。

定義相機的拍照相機命令為1，相對相機不需要拍照的命令為0；相機錄像開始為11，相機結束錄像為00。以相機L■、

L■、L■、L■、L■的命令邏輯狀態組成4位二進制數據。通過PLC將相機拍照命令發送給全景照片采集服務器。4對紅外對射開關，代號分別為：A■、A■、A■、A■。對射開關動作為0或1：當條件為1時觸發器接通，反之0時觸發器被遮擋。其觸發狀態標志是邏輯0，接通標志狀態是邏輯1；PLC通過紅外觸發器的邏輯狀態來進行集裝箱車類型及位置判斷。表1為標準車3種情況下，箱號識別PLC與上位軟件控制相機通信協議。

3 全景圖像拼接

3.1 視頻序列關鍵幀的選取

集裝箱卡車通過智能大門時候，攝像機采集到的視頻序列的幀之間有重合部分。考慮視頻序列紋理特性相似特性選取關鍵幀[11]。目前描述紋理特征的算法很多，本文考慮使用二階矩、熵和局部平穩性等3個特征，由此它們構造的紋理特征向量V為：

V=f■，f■，f■ （1）

其中：

f■=∑■■∑■■P■i，j■ （2）

f■為二階矩陣特征；

f■=∑■■∑■■P■i，jlogP■i，j （3）

f■為熵特征；

f■=∑■■∑■■■P■i，j （4）

f■為局部平穩特征。

假設當前關鍵幀為i，下一個需要比較的幀編號為j，兩個幀之間的相似度如式（5）所示：

di，j=V■-V■≥T （5）

其中：i，ji≠j為視頻序列號；T是相似度量的閾值，鄰圖像的位姿信息的精確度只需滿足重合區域大于30%，而通常的采集頻率可保證的重合區域為50%。可以看出，兩幀相鄰越近，其相似度越大，差值di，j越小，而隨著幀之間的距離增加，相似度減小、差值逐漸增大。當di，j≥T，選取j幀為關鍵幀；否則，i繼續為當前關鍵幀，與下一采集到幀繼續計算相似度，用于選取下一關鍵幀。

為了提高圖片質量，第一幀、最后一幀均為關鍵幀。也就是紅外對射開關觸發開始，采集視頻中第一幀；結束觸發時不管di，j≥T是否成立，均選取最后關鍵幀。

3.2 關鍵幀的特征選取和配準

系統中相機是固定的，在相鄰幀之間會有相對較小的幾何變換，主要空間變換有剛性、仿射、透視4種模型。根據齊次坐標，用式（6）描述上述關系模型。

■=H■×■=■×■ （6）

其中：x，y，1■和x■，y■，1■分別為相鄰兩關鍵幀視圖的齊次坐標。圖像配準最終目的就是求出這8個參數值。

本文圖像采集是集裝箱卡車通過車道，紅外對射開關給出起止信號，從中選取關鍵幀。由于車輛基本平穩通過車道，車輛行進中，圖像采集范圍基本不變，兩個相鄰關鍵幀間也會出現透視變換。透視變換矩陣H如式（7）所示：

H■=■ （7）

其中8個參數h■、h■、h■、h■、h■、h■、h■、h■都是未知。所以需要至少4對SURF特征匹配點，設為x■，y■， x■，y■， x■，y■， x■，y■和x■■，y■■， x■■，y■■， x■■，y■■， x■■，y■■，具體估算方法如式（8）所示：

■×■=■ （8）

當確定相鄰關鍵幀之間的幾何關系后，本文在兩個關鍵幀中選擇前一個作為基準圖像，然后將其他非基準圖像根據變換模型轉換到基準圖像的坐標系中。

圖像的匹配中，相比SIFT算法，SURF的特征點對光照、尺度、旋轉具有不變性，在保證獨特性、重復度、魯棒性的同時，計算速度上有明顯優勢。因此方法適合需要快速運算的智能大門系統，本論文提取柱面投影后的關鍵幀的SURF特征點。然后，使用隨機抽樣一致算法尋找RANSAC兩幅圖像間的最佳的匹配點，并剔除誤匹配點。