计算机视觉分析技术
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇计算机视觉分析技术范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
计算机视觉分析技术范文第1篇
关键词： 数据挖掘技术 计算机考试 数据处理 数据库
信息化发展带动了电子产品的生产，也可以说是计算机的普及带来了信息化发展，两者是相辅相成的。计算机被越来越多地运用到各行各业，本文主要分析的是计算机在教学中的使用。计算机的使用离不开数据库的支持，信息数据处理是计算机教学研究的一项重大课题，数据挖掘作为一种新型数据处理技术，得到了广泛关注。对数据进行处理、分析和挖掘的主要目的是发现学校教学管理和学生管理各个方面的有效信息，本文从计算机考试入手，进行深入研究分析。
一、数据挖掘技术概述
随着信息技术的迅猛发展，各行各业每年都积累了大量数据，推动了数据的高效管理与应用。数据管理从最早的手工开始，后期发展为文件管理，再到现如今的数据库管理。过去人们对现有数据管理还比较顺利，但对过去几年、几十年甚至更长时间的数据管理起来就相当费事，甚至可以说是不太容易完成的任务。现如今计算机技术日渐成熟，大量信息数据给数据库管理带来大量工作量，此时数据挖掘技术就是为了数据处理而应运而生的。对于数据查询而言，可以方便快捷地查询出所需数据，远远超出人类所能理解的概括范围。现有统计学和数据查询分析技术能对数据进行综合分析和查询，一定程度上解决人们处理分析数据的需求。数据挖掘技术不仅限于数据查询，还可以根据有效数据对非预期潜在有价值的信息进行再处理，从而得出更多有用的潜在信息。
人们日常生活中离不开数据挖掘技术的应用，如超市物品的陈列问题上，经营者想要把人们可能同时购买的商品摆放到一起，以便引起人们的购买欲望，增加销售量。药店经营者想要了解人们购买药物时还会附带购买的商品，将治疗不同病种的药物与可能购买的商品摆放到一起，附带销售。医学研究人员希望从已有成千上万份病例中找出某种疾病病人的共同特征，以便为治愈这种疾病提供一些帮助。企业管理者想要了解整体员工的平均收入水平，提取出业绩较好员工的个人信息等。
从以上实例研究中得出结论，现有信息管理依靠数据查询统计，并通过做报表对数据进行分析处理。先不说其潜在信息并不能很好地挖掘出来，就其工作量来讲，也是一项繁重而复杂的工作，很难保证数据的有效性和实用性。为了满足人们对数据管理的需求，从现有信息数据中提取出更有价值的信息，数据挖掘技术得到了充分应用。
数据挖掘技术可以从大量随机数据中快速地进行信息数据归纳整理，并从中分析出有效的潜在信息。一般会采用统计型和人工智能型数据处理方法，共同完成对数据管理的分析应用。统计型数据处理采用传统的统计学原理，对现有和过去很久的数据进行概率分析，从而推理出数据中隐含的潜在有用信息。统计学由来已久，其优点是精确度相对较高，简单易懂，并且使用比较广泛。数据挖掘技术统计型可以准确快速地挖掘出有用信息，大大提高工作效率，甚至大大减轻统计者的工作量。人工智能是在统计学原理基础之上，通过训练和学量样品集得出需要的模式或参数。将有共同模式或参数的数据通过机器人工智能，发现有价值的潜在信息。但也存在一定的局限性，不同的样品集有特定的应用领域，样品集的选择将直接影响数据结果，一般情况下会将多种技术结合起来使用，达到有力互补的目的，从而更高效准确地分析出数据结果。
二、数据挖掘技术在计算机考试中的应用
通过上述对数据挖掘技术的概述，对数据挖掘的基本原理有了初步了解，将其运用到教学中，必会事半功倍。数据挖掘技术运用到教学管理中，不仅可以完善教学管理体制，还可以客观分析出教学管理中存在的问题。以教学管理中的计算机考试为例，分析计算机考试系统中数据挖掘技术的应用，从而得出以下结果：
本文通过实例验证方法找出答案，首先是采用数据采集方法，从大量数据中提取出与所要挖掘的数据目标相关的数据子集，该数据样本的精选不仅减少数据处理量，还突出相关性规律，表明数据样本的代表性和质量尤为重要。在计算机考试系统中，会通过输入考生信息进行考试，考生的每个信息都定义为不同变量。考生的姓名、性别、年龄、任课老师、所在班级等信息都是一个个不同的变量，这样可以清晰地了解到每个考生的计算机考试情况。根据其做不同题型的长短分析出考生擅长什么样的题型及在什么题型面前处于劣势。根据其答题速度和准确率可看出考生掌握知识能力如何，任课老师可根据学生的不同学习程度逐个击破，有利于提高班级整体学习成绩水平，这就是数据挖掘技术挖掘出的潜在信息价值。
数据挖掘技术是信息化时代的产物，将其运用到教育教学中，可大大提高教学管理质量。可快速有效地了解到学生管理中出现的问题，有利于教师及时解决这些问题。计算机考试数据中应用数据挖掘技术，不仅可以精准地了解到学生潜在的学习问题，还可以帮助老师更快地找到提高学生学习成绩的方法。
信息化发展使信息数据量急剧增加，这个数据处理造成了困扰，为了更好地对信息数据进行处理分析，从而准确快速地提取出有效信息，数据挖掘技术起到了重要作用。计算机考试系统的完善可提高考试效率，奠定数据挖掘技术在计算机教学中的重要地位。现代是不断变化的时代，也可以说是信息化时代，时代离不开信息化发展，要不断进步才能持续发展。数据挖掘技术势必会成为计算机技术发展的第二大方向，是时展的要求所致。
参考文献：
[1]吴英，刘俊熙.计算机考试数据分析中数据挖掘技术的应用[J].制造业自动化，2010（9）.
[2]方新丽.浅析数据挖掘技术在计算机审计中的应用[J].电脑知识与技术，2013（5）.
计算机视觉分析技术范文第2篇
关键词： 旅游流调控； 时空分流导航； 决策支持系统； 计算机推理技术； 时空一体化
0 引言
随着我国经济持续发展和居民收入稳步增加，旅游休闲日益成为我国居民生活的重要内容。近年来，中国旅游业增长的势头尤其迅猛，不少著名景区不得不面对大量游客入园而导致景区满载的局面。景区一旦过度拥挤，就会对旅游业的可持续发展造成威胁。以主题公园为例，一方面，游客过多有可能对游乐设施造成破坏，甚至会引起安全事故；另一方面，游客在游玩过程中的长时间等待也严重影响游客的游憩质量。因此，关注景区内客流时空分布，并使景区内各景点负载均衡便成为了保证旅游景区经济效益、社会效益和生态效益协调发展的核心。
时空分流，正是利用随时间推移形成的相对“闲置”的空间对游客进行分散疏导，使景区内各景点负载均衡的一种解决方案。对此，目前国内研究者主要从排队论和导航管理技术两个分支开展探讨。排队论是以运筹学作为基础研究服务机构中排队问题的规律（Erlang，1909），在旅游学科领域的研究成果并不算多，主要包括：张凌云（1988）对旅游用餐行业的排队队长、逗留时间和等待时间的期望值进行了估计，并在服务员数量和顾客等待时间两方面做了比较和权衡，用于指导餐厅（酒吧）在座位数量、服务人员安排和经济成本效益上综合考虑；陈治佳等（2005）提出了一种基于概率的快速排队优化模型，以使大型游乐场的游乐设施达到最大使用程度，减少游客等待时间；王仁志和苗维亚（2012）对大型景区的平均队长和平均等待时间进行了估计，并提出把顺序单服务台旅游模式改变为无序全服务台旅游模式的思想。这些研究都是为了解决游客太多而导致某个服务机构（餐厅、游乐设施或景点）需要长时间排队而提出的，主要涉及排队系统的性状研究和最优化配置两大类，多采用M/M/n排队理论建立数学模型并结合多目标线性规划来求解。
国内的另外一个分支则是时空分流导航管理技术，是任佩瑜团队于2009年提出的一项新技术（冯刚，等，2009），旨在根据空间的相对静态性和时间的动态性，借助最新的信息监控技术，设计出若干优化的游览路线，使游客在景区内均衡分布、有序交换。自2009年以来，该团队针对风景名胜区（或自然保护区）做出了不少贡献，包括：邱厌庆等（2010a）提出了基于九寨沟景点负荷均衡的时空分流导航数学规划模型，并从动态预测中得到车辆调度方案；冯刚等（2010）引入管理熵与RFID技术，对邱厌庆提到的上述模型进行效果模拟；邱厌庆等（2010b）从复杂系统控制的角度构建游客分流导航管理的耗散结构体系，并分别对初态分流（邱厌庆，等，2010b）和稳态分流（邱厌庆，等，2011）两个阶段的动态离散系统进行探索性分析；姜向阳和任佩瑜（2012）把Hamilton 回路和多旅行商的思想引入时空分流导航管理中，并给出了一般数学模型和精确求解方法；戈鹏等（2013）通过比较、分析和仿真，提出了在初始分流中采用平均分流的静态调度策略，在稳态分流中采用基于区域时空负荷率的动态调度策略的改进方案；肖雄辉等（2013）构建了景区景点需求与调度资源的引力分流调度模型和算法，既能满足需求景点的负荷均衡，同时也考虑了游客的满意度；任竞斐和郑伟民（2013）通过建立综合游客偏好、拥挤度、等待时间和行走时间等指标的旅游效用函数，并借助Logit模型，将游客分配到不同路线上，以减少旅游高峰期景区游客拥挤和等待的情况。可以看出，除了肖雄辉（2013）和任竞斐（2013）的研究外，任佩瑜团队主要从景区管理的角度来开展时空分流导航分析，其重点在于考查景区内客流的分布情况和超负荷景点，以景区内各景点的负荷均衡为目标建立数学模型并进行求解。此外，还有从游客服务或体验的角度来展开研究的，例如郑天翔（2012）以游客等待时间最短为目标对主题公园游客导航分流问题构建了动态调度算法的雏形。
在国外研究中，没有专门用以表达时空分流的术语，与此相关的研究包括虚拟排队服务和游线设计问题。虚拟排队服务，包括虚拟排队系统（Lovejoy，et al.，2004；Lutz，2008）、排队管理方法（Button，2006）和排队区设计（Heger，et al.，2009）等，并在管理实践中被广泛应用于主题公园的开发和运营中，其中，以Multi Motion主题公园管理系统（Universal City Studios INC，2002）和迪士尼的FASTPASSTM（Cope Iii，et al.，2008）排队管理系统最具代表性，这类系统设计的方案是增加一条虚拟排队队列，能使游客花费相同的时间但多体验一个项目。另一个研究领域是游线设计问题（Tourist Trip Design Problems）（Garcia，et al.，2010；Garcia，et al.，2013；Souffriau，et al.，2008；Sylejmani，et al.，2012；Vansteenwegen，et al.，2009b；Vansteenwegen，et al.，2009a；Vansteenwegen，Van Oudheusden，2007），这类研究延伸出一系列的分支，包括游客移动引导（Mobile Tourist Guides）（Souffriau，et al.，2008；Vansteenwegen，Van Oudheusden，2007）、电子游客引导（Electronic Tourist Guides）（Garcia，et al.，2009；Garcia，et al.，2013；Vansteenwegen，et al.，2009b；Vansteenwegen，et al.，2009a）、个人导航系统（Personal Navigation Systems for Tourism）（Akasaka，Onisawa，2008；Maruyama，et al.，2004；Shiraishi，et al.，2005）、个性化路线规划（Personalized Route Planning）（Nadi，Delavar，2011；Yiakoumettis，et al.，2013；Yu，Chang，2009；Zhang，et al.，2011）、个性化路线引导（Personalized Route Guidance）（Panou，2012）和个性化路线推荐（Personalized Route Recommendation）（Tsai，Chung，2012），等。这些分支当中，涉及旅途中路线选择、导航或引导的文献主要包括：Maruyama等（2004）提出一个有效导航多重目的地的个人导航系统，系统根据游客到达时刻、停留时间以及目的地偏好度计算出使游客满意的旅游路线并实现导航；Shiraishi等（2005）根据游客的费用预算和满意程度定制出不同的旅游时间表让游客自主选择，并为其按时到达下一站提供导航；Vansteenwegen等（2009a）把旅游线路设计归结为TOPTW（Team Orienteering Problem with Time Windows）问题，并提出迭代局部求解算法，以实时求出个性化旅游路线；Garcia等（2009）在Vansteenwegen研究的基础上，把旅游线路设计进一步归结为MCTOPTW（Multi Constrained Team Orienteering Problem with Time Windows）问题，并提出一个包含旅行往返时间、旅行节奏和旅游兴趣点的智能个性化电子导游系统；Yu和Chang（2009）根据游客的个人喜好，结合游客的当前位置对其附近的游览景点、餐饮和住宿等做出简单的行程安排；Zhang等（2011）试图利用卫星地图和移动设备来解决交通换乘问题，能结合实时交通情况、停车信息搜索列车到达时刻表，并提供自驾、铁路、公交或步行等多种路线信息；Nadi和Delavar（2011）提出了多种不同方案的路径选择系统，以满足用户的灵活需求；Tsai和Chung（2012）根据以往相似游客的历史路径，结合当前排队信息作判断，以便让游客游览更多的景点。
纵观国内外文献，国外在旅游路线选择的问题上似乎更多是从游客出发前的计划安排上开展研究，而针对游客在游览过程中的干预、引导和管理则较少涉及，而国内针对景区内部小尺度的时空分流研究还刚刚起步，多采用数学和运筹学的方法建模求解，能同时考虑游客的个性化需求和现场环境信息、形成时空一体的旅游个性化推介服务（李仁杰，路紫，2011）的时空分流模式还鲜见（郑天翔，等，2015）。因此，现实中对于景区在个别景点人流过于集中、游客因等待时间过长而游憩质量下降的难题，目前还缺乏行之有效的方案，而这却是智慧景区的建设核心之一（梁倩，张宏梅，2013）。由于时空分流问题涉及游客游憩行为，有研究指出，这种旅游系统难以采用传统数学分析方法建模，而计算机仿真正是研究这种复杂社会系统的较好方法（黎j，2013；黎j，杜栓柱，2011）。因此，本文针对景区游客时空分流的决策支持系统（陈建斌，等，2014），借助计算机推理技术提出一种具有时空一体化特征的游憩方向决策算法，并通过计算机仿真系统与传统的最短距离算法进行实验模拟和比较分析，以验证本文算法的优越性。
1 研究设计
1.1 研究对象
由于旅游管理决策实际上是一种复杂事件的推理过程，对问题观察而导致的建模也只能是一种近似描述（杜军平，周亦鹏，2009），因此，本文选择较为简单的主题公园作为研究对象。与其他风景区相比，主题公园的“简单性”主要有以下表现。
（1） 景点的承载力可以预先确定――风景区的景点以名胜古迹、山水生物为主，具有共享性，同一时刻可供游览的人数不定；主题公园的景点主要以游乐设施为主，游乐设施具有独占性，同一时刻可供游玩的人数相对固定。
（2） 景点的游览时间可以预先确定――游客在风景区的景点停留时长不定，拍照留念、欣赏、休憩、饮食、消费等因人而异；而游客在主题公园的游乐设施上的停留时长相对固定。
（3） 单步求解而非全路线求解（详见1.3节）――风景为主的景区，坚决避免走回头路，应当使所有的景点串联成环形游线，通常采用全路线求解方案，在游客游览前确定所有路线；而游乐设施为主的主题公园，相邻景点之间距离不会太远，很多时候为了减少等候时间，同一路径游客会重复往返，因此适合单步求解，能在游客游览过程中逐次获得下一步路线。
1.2 基本假设
在主题公园（下简称景区）的特定案例下，我们假设：
・不同游客在同一游乐设施（下简称景点）的游览时间相同，且在景点设计时已经确定，称为景点游览时间。
・每个景点的承载力（景点容量）在景点设计时已经确定。
・相邻两个景点之间的路径长度在景点设计时已经确定。
・在不考虑乘车的前提下，每个游客的游憩速度（下简称步速）一样。
・每个游客在一次完整的旅游经历过程中（从进入景区门口开始直到离开景区），不会重复游览已经游玩过的景点，但允许多次来回经过相邻两景点之间的路径。
1.3 模型分析
无论是“给定景点求路径不重复的全路线最短成本”的旅行商问题（Traveling Salesman Problem，TSP）（吴凯，2004），还是“尽可能多的游览景点，路径不重复且全路线成本最小”的定向越野问题（Orienteering Problem，OP）（Tsiligirides，1984），都属于图论中的NP完全问题，不存在多项式时间的算法（王晓东，2004）。因此，本文针对游客在同一个景区中的单日游行程安排问题，试图在“给定景点求单步最少成本”上寻找解决方案，借此让不同游客从时间和空间（景点）上分离开来，达到时空分流的效果。
借鉴前人研究成果（黎j，2013）并进行简化后，本文假定景区涉及的对象仅包含两个：景点和游客。对于景点来说，具有景点位置、景点容量、景点游览时间、景点开放时刻和景点关闭时刻等静态属性，也具有景点下次提供服务时刻、景点外排队等候人数等动态属性。对于游客来说，具有游客编号、到达时刻、预计离开时刻和游览偏好（感兴趣景点）等静态属性，也具有步速、游憩方向（黎j，2013）和等待时间等动态属性。其中，游客动态属性随游憩行为而取不同值（黎j，2013），图1和图2展示了其自身在景区中的一次完整游憩行为，可以归纳为8个要素和3个状态。
图2 游客的状态切换图
首先，我们来看看这3个状态：（1） 栈道行走等待游玩：状态的切换由当前游客“到达景点”触发，这时候可以确定游客需要等候的时间（详见1.4节）；（2） 等待游玩正在游玩：状态的切换由前一个（批）游客“离开景点”触发，当前游客进入游览，这时候可以确定景点下次提供服务时刻=当前时刻+景点游览时间；（3） 正在游玩栈道行走：状态的切换由当前游客“离开景点”触发，此时需要对下一个游玩景点（游憩方向）进行决策，这就要求设计一种择优选择的机制来逐次确定（详见1.4节）。
其次，我们来看看这8个要素。对它们进行归类，可以得知：（1） 属于动作：到达景区、到达景点、离开景点、离开景区；（2） 属于活动：前往景点、游玩景点；（3） 属于判定：寻找下一个景点、能否游玩。其中，“动作”使用计算机科学技术领域中的“离散事件驱动”（刘卫东，等，1998）来模拟，“活动”使用虚拟时钟来实现，“判定”使用计算机推理算法来判断（详见1.4节）。
对这8个要素的进一步分析，可以得知这些要素的模拟关键：（1） 到达景区：记录游客的到达时刻、预计离开时刻、步速和感兴趣的景点等信息；（2） 前往景点：使用虚拟时钟来模拟，每隔一定时间游客移动一步，这时候游客处于栈道行走状态；（3） 到达景点：由于 “前往景点”存在不确定因素（游憩方向有可能是景点或景点外排队队列，或者步行过程中其他游客可能更早一步到达同一景点），使得该事件没有固定的发生时刻，因此无法通过“事件驱动”来模拟，只能作为“前往景点”这个活动的结束标志。而此时，游客的等待时间可以确定下来，同时由于离开景点的时刻能确定（景点游览时间+等待时间），因此可以产生“离开景点”事件；（4） 能否游玩：如果等待时间+景点下次提供服务时刻 > 景点关闭时刻，则游客无法游玩，只能离开景点；（5） 游玩景点：这部分主要由等待游玩和正在游玩两个状态构成；（6） 离开景点：根据景点容量把排队靠前的游客设为正在游玩状态，其他游客在队列的位置相应前移；（7） 离开景区：为了简化模型，仅输出与整个游览过程相关的信息，而不作为事件来模拟；（8） 寻找下一个景点：需要构造游憩方向的决策算法，根据算法的返回结果判断是否找到。
1.4 算法和仿真设计
1.4.1 算法设计
根据上一节的分析，我们需要确定游客的等待时间和游憩方向的决策算法。表1展示了游客等待时间的计算方法。
注：所有景点的下次提供服务时刻，其初始值均为景点开始时刻，下同。当景点处于关闭期间，游客的等待时间设为0，意味着游客必须离开当前景点，重新选择其他景点。
上述算法中，“景点下次提供服务时刻”是“等待游玩正在游玩”状态切换的时候确定的；“排队等候人数”在仿真中可以采用“队列”结构（刘卫东，等，1998）来模拟，所以根据队列元素个数便可获知等候人数。
接下来我们需要确定游憩方向（下一个景点）的算法，该算法必须是一个自适应的推理决策过程，能根据现场环境信息和游客需求，共同确定游客当前时刻的目标选择，最后推送给游客。构造的关键在于既要考虑游客自身的个性化信息，也要考虑现场环境信息，例如景点本身的运营情况（包括景点游览时间、景点下次提供服务时刻和景点开放时间）、其他游客的位置（主要指他们在各景点的排队等候情况）和游客本身的位置，最后从若干个候选景点中选择单步成本最少的一个。表2展示了构建的算法。
1.4.2 仿真设计
为了检验上述算法的有效性，我们必须模拟多名游客在景区的整个游玩过程，并借助仿真实验进行比较分析。如1.3节所述，我们使用“离散事件驱动”来模拟“到达景区”和“离开景点”这两个事件，并使用虚拟时钟来模拟“前往景点”和“游玩景点”这两个活动。虚拟时钟本质上是游客在景区停留和游玩过程中的时间粒度（Tick）（黎j，2013）。由于两个事件的发生时刻均可由系统自动确定，故可放在虚拟时钟一并处理。借助“最小堆”结构（刘卫东，等，1998），不但可以以时间递增即时光流逝的顺序逐一模拟所有事件的发生，而且每次仅需检查堆顶元素的事件发生时刻即可。
利用虚拟时钟周期性触发的特性（时钟每增加一个步长，系统自动执行事件一次，重新决策下一个Tick的行为），我们构造的仿真方案如表3所示。
2 实验模拟与结果分析
2.1 系统运行参数
仿真系统采用 Borland C++ Builder 6.0 开发，运行于 Windows 7平台。系统将根据仿真输入数据自动生成游客在景区中的游憩行为，并对游憩过程进行跟踪、记录。当一个仿真结束后，系统将对所记录的数据进行分析并输出分析结果。在本文的例子中，系统的输入包括：景区的空间布局图（含各景点之间的路径长度）；各景点的基本情况（开始时刻、关闭时刻、景点游览时间和景点容量）；游客的信息（到达时刻、预计离开时刻和感兴趣的景点）。系统的输出包括游客的游玩次序、等待时间和实际离开时刻。
仿真方案
1. 事件的判断――检查堆顶事件的发生时刻，如果等于当前时刻，则弹出堆顶事件，直到最小堆为空：
如果是“到达景区”事件
游客出现在景区门口
记录游客的到达时刻、预计离开时刻、感兴趣的景点和步速等信息
利用 “游憩方向决策算法”寻找下一个景点，如果没有找到（返回值为空值），则游客离开景区
如果是“离开景点”事件
游客离开景点，利用 “游憩方向决策算法”寻找下一个景点，如果没有找到（返回值为空），则游客离开景区
排队靠前的游客设为正在游玩状态，设置景点下次提供服务时刻=当前时刻+景点游览时间
队列的其他游客依次前移
2. 游客的移动――对每个游客进行判断：
如果该游客处于等待游玩或正在游玩状态，则保持不动
否则，该游客向目标（“游憩方向决策算法”的返回值）移动一步，此时游客处于栈道行走状态
如果游客已到达景点或景点外排队等候队列末尾，则：
按照表1的方法计算游客的等待时间
如果景点下次提供服务时刻+等待时间>景点关闭时刻，则此景点无法游玩，游客继续寻找下一个景点。否则，游客根据排队情况等待游玩或进入游玩
如果景点空闲，则该游客进入景点游玩，此时游客处于正在游玩状态。设置景点下次提供服务时刻=当前时刻+景点游览时间
否则，游客必须排队等候，此时游客处于等待游玩状态
生成“离开景点”事件，事件发生时刻=景点游览时间+游客等待时间
2.2 算法比较
为了方便比较，本文引入前人研究（任竞斐，郑伟民，2013；肖雄辉，等，2013；郑天翔，2012）中使用的基于距离的决策方案做分析。在本文的特定因素下，基于最短距离的决策算法（下简称距离算法）如表4所示。
B=g（A）
输入：A是当前游览完毕的景点或到达的景区门口
输出：B是经决策后的下一个待游览景点（下一步的游憩方向）
1. 在感兴趣的所有未游玩景点中，对每个景点C进行下面的判断：
计算所需成本=A与C之间的路径长度/步速，并把景点C加入候选景点集合
如果 所需成本+当前时刻
如果景点C处于关闭期间
如果景点C的开始时刻已经过了（当前时刻 > 景点C关闭时刻），则从候选景点集合中剔除景点C
否则，如果 所需成本+当前时刻
如果景点C处于开放期间
如果 所需成本+当前时刻 > 景点C关闭时刻，则从候选景点集合中剔除景点C
否则，从候选景点集合中剔除景点C
2. 如果候选景点集合为空，则返回“空值”；否则，从候选景点集合中选择成本最少的一个，作为B返回
2.3 实验数据
假定景区的空间布局图如图3所示。
其中，复选钮代表景点和门口，其中以V开头标记的是景点（如V1，…，V5），以G开头标记的是门口（如G1，G2，G3）。景点与景点、景点与门口之间的数字代表路径长度。仿真系统的输入包括：
・系统参数：为方便起见，假设虚拟时钟的时间粒度（Tick）为1秒。
・景点的基本情况：所有景点的游览时间统一设置为20秒，所有景点容量统一设置为1。至于景点的开始时刻和关闭时刻，景点V1、V2和V3跟随景区开放而开放，景点V4的开始时刻随机设为景区开放后1分54秒，持续时间为2分17秒，景点V5的开始时刻为景区开放后1分44秒，持续时间为2分30秒。
・游客信息：为了使游客数据在两种算法的仿真实验中保持一致，我们首先随机生成所有游客的信息，然后把这些信息录入系统，并对每个游客生成“到达事件”，最后全部加入到最小堆中。其中，各游客的预计离开时刻参见2.4.1节，感兴趣的景点参见2.4.2节，至于各游客的到达时刻，由于前后两次仿真时刻不可能相同，因此只需保证相对时间（相邻两个游客的到达时间间隔）一致即可。限于篇幅，仅保留其编号信息，编号规则是按照其到达景区的时间先后进行依次编号的。此外，为简单起见，假设所有游客都从G2到达。
・仿真系统的输出：与整个游览过程相关的信息，包括游客的游玩次序、等待时间和实际离开时刻。
2.4 结果分析
2.4.1 游客等待时间
两组算法在游客等待时间上的结果如表5和图4所示。
从表5和图4可以清楚看到，本文算法的等待时间在各游客上差别不大（趋势线的斜率为0.89），表明游客的等待基本不受其到达景区的时刻先后所影响，而对于距离算法，到达时刻较早的游客等待时间较短，到达时刻较晚的游客等待时间较长，因此趋势线的斜率较大（4.89）。此外，有研究者指出，游客满意度是与等待时间占逗留时间的比例（张影莎，等，2012）（下简称等逗比）密切相关的，从表5和图 5的结果来看，本文算法的等逗比在各个游客上趋于平均，而距离算法则波动较大，到达时刻较早的游客其等逗比普通较低，到达较晚的游客等逗比普遍较高，对编号为12、13和14的游客来说，花费在景点上的等待时间甚至占据了在景区逗留时间的60%或更多。
2.4.2 游客游玩的景点数量
收集游客实际游览（成功游玩）的景点数据，整理后结果如表6所示。
注：“提前”是指在“寻找下一个景点”的决策中，选择任一候选景点都将超过游客预计离开时刻，算法返回值为空，游客提前离开景区。“错过”是指在“寻找下一个景点”的决策中，选择任一候选景点都将超过了景点关闭时刻，算法返回值为空，游客未能前往游玩。“遗憾”是指当游客到达景点后，发现景点来不及游玩（已关闭，或者等候人数太多超过景点关闭时刻，或者超过游客预计离开时刻），无奈地重新选择下一个景点。
从表6可以看到，本文算法与距离算法相比，能够让游客成功游玩更多的景点（见表6阴影部分）。此外，从游客所付出的代价来看，“提前”和“错过”要比“遗憾”要小。本文算法能提前告知游客候选景点能否游玩，因此没有出现当游客到达景点后才发现景点不能游玩的情况；而距离算法则由于无法提前预知，因此在模拟过程中出现3次游客到达景点后才发现该景点不能游玩的情况：游客11和14（见表5）分别到达景点V5后、游客16（见表5）到达景点V4后，详见下文表8。
2.4.3 景点容量利用率
为了计算景点容量利用率（张影莎，等，2012），把各景点人数变动的时刻一一记录下来，也就是说，记录游客到达该景点的时刻（游玩或等候）或在该景点上游玩结束离开景点的时刻，然后记下接待人次和统计等候人数。结果分别如表7和表8所示。
首先，由表7和表8可知，对于景点V1V5，本文算法分别接待了9、9、11、7、7人次，而距离算法分别接待了6、11、11、6、7人次，由此可见各景点的接待能力大致相同。然而，表7和表8反映了两个截然不同的事实：在本文算法下，各景点的负荷比较接近，排队等候人数峰值大概为3～4人，而在距离算法下，每个景点的负荷非常不均衡，景点V1、V3、V4的排队等候人数峰值在1～2人之间，而景点V5的峰值在4人左右，景点V2的峰值甚至达到了7人。
注：根据2.3节假设，景点V4的开放时刻为23：25：58，关闭时刻为23：28：15；景点V5的开放时刻为23：25：48，关闭时刻为23：28：18。在23：28：03上，游客16到达V4后发现景点快要接近关闭，不能游玩导致景点V4的接待人次/等候人数并没有增加。在23：26：48上，游客11到达V5后发现景点外排队等候有3人，届时轮到自己的时候景点已经关闭，不能游玩导致景点V5的接待次数/等候人数并没有增加。在23：27：49上，游客14到达V5后发现若选择游玩则将会超过预计离开景区时刻，而其他未游览景点（V1和V4）根据决策算法也将超时，因此只能离开景区。
其次，各景点容量利用率可以借助容量剩余来间接反映：当游客到达景点后，如果能进入游玩而无需等候，则说明该景点处于闲置中，有大量的容量剩余；反之，说明该景点处于忙碌中，没有容量剩余。在表7和表8中，这对应于接待人次（有具体数值）所在行的等候人数：如果等候人数为0，则说明景点处于闲置中，反之则处于忙碌中。可见，本文算法下各景点的剩余容量大致相同，景点容量利用率基本一致。而距离算法下，景点V1、V3、V4有大量的容量剩余，说明这些景点很多时候处于闲置状态，景点容量利用率较低，而景点V2和V5则没有足够的容量剩余，说明这两个景点长期处于繁忙状态，景点容量利用率很高。
2.4.4 景点平均等待时间
从表5可以计算出在本文算法和距离算法下游客的平均等待时间（总等待时间和总人数的比值）（Lovejoy，et al.，2004）分别为66.63秒和72.44秒，显然，本文算法更占优。本节中，我们将进一步比较每个景点的游客平均等待时间。
首先定义每个景点的游客平均等待时间，其计算方法为在该景点上的等待时间之和与在该景点需要等待的游客人数之比值。该指标可以计算出游客在某个景点上的等待成本，能客观反映景区中各景点的实际运营情况。
从表9的结果来看，在本文算法下，各景点的平均等待时间基本一致，表明没有出现游客在个别景点高度集中的情况，人群分布较均匀，拥挤程度较低。而在距离算法下，各景点的平均等待时间存在明显差异，游客在景点V2和V5所需等待时间较长，而在其他景点所需等待时间则较短，表明游客在景点V2和V5高度集中，拥挤程度严重，而其他景点则随到随玩。
表9 两种算法在“景点平均等待时间”上的结果
等待时间之和（秒）
本文算法距离算法
等待人数
本文算法距离算法
景点平均等待时间（秒）
本文算法距离算法
V1289628436.115.5
V218166271025.966.2
V3206818525.816.2
V4196337428.08.3
V51943216832.340.1
3 结论与讨论
本文针对主题公园游客时空分流的决策支持系统问题，借助计算机推理技术提出一种基于现场环境的游憩方向决策算法，并设计了一个计算机仿真系统进行实验模拟。与传统的最短距离算法相比，本文算法在游客等待时间、游客游玩景点数量、景点容量利用率和景点平均等待时间4个指标上均显示出良好的性能，具有时空一体化的特性。从实验结果来看，本文所创建的时空分流模型，让游客自动分流并导航到较少拥挤的景点上，既能均衡各景点的接待能力，同时能降低游客的等待成本，有助于主题公园的客流时空分布调控。与以往时空分流模型或算法的不同之处在于，它既充分考虑了各景点的开放和运营情况，也考虑了游客本身的多种需求，同时还考虑其他游客的位置，从而获得单步最少成本的路径。
本文提出的游憩方向决策支持算法，其研究虽然目前停留在模拟阶段，但从实验效果来看，有助于景区客流运转的可控性和有序化，对景区管理者、景点设施和游客来说都是大有裨益的。首先，对景区管理者来说，景区旅游拥挤加剧和生态环境破坏等问题需要对旅游客流和景区内资源的使用情况进行监控，以便必要时进行现场疏导，其最大的障碍莫过于无法掌握游客在景区内的游憩行为。本文算法可以让景区管理者了解游客的行踪（实践中需借助物联网技术），算法产生的推荐路线能让游客自动分流并导航到较少拥挤的景点上，不用担心热门景点由于游客过多而出现局部拥堵或混乱的局面，有望节省用于现场疏导的人力资源。其次，对景点设施来说，本文算法能够均衡各景点的接待能力和承受能力，既不会造成资源闲置浪费，也不会造成景区局部拥挤。再者，对游客来说，在景区的游憩过程中，拥挤的人群和错综复杂的地图让他们很难通过目测或者经验获得最佳旅游线路，本文算法可辅助游客个性化定制感兴趣的景点，并在确定游憩方向（景点的游历次序）上把繁琐的自行搜索筛选变为了主动推送，减少游客在景区的等待时间，并有可能增加游客体验项目数（张影莎，等，2012），从而提高游客的游玩效率。
致谢 感谢暨南大学深圳旅游学院吴圳杰对本文仿真系统的测试所做的诸多工作。
参考文献：
[1] 陈建斌，郑丽，张凌云.智慧景区IT能力模型及其核心构成研究[J].旅游科学，2014（1）：1421.
[2] 陈治佳，王曦，何苗.大型游乐场快速通道优化模型与仿真模拟[J].哈尔滨工业大学学报，2005（9）：12611263.
[3] 杜军平，周亦鹏.基于数据的旅游管理决策支持系统研究[J].自动化学报，2009（6）：834840.
[4] 冯刚，任佩瑜，戈鹏，朱忠福，冉建华.基于管理熵与RFID的九寨沟游客高峰期“时空分流”导航管理模式研究[J].旅游科学，2010（2）：717.
[5] 冯刚，任佩瑜，肖维阳，邓贵平，蹇代君.基于RFID模式对景区生态保护的研究――以九寨沟诺日朗餐厅就餐分流为例[J].西南民族大学学报 （人文社科版），2009（11）：151154.
[6] 戈鹏，郑伟民，肖雄辉，邱厌庆，任佩瑜.基于九寨沟区域时空负荷均衡的仿真研究[J].管理工程学报，2013（2）：99106.
[7] 姜向阳，任佩瑜.自然保护区旅游高峰期时空分流导航管理的模型构建与分析[J].旅游科学，2012（4）：1725.
[8] 黎j.景区游客游憩行为计算机仿真模型[J].旅游科学，2013（5）：4251.
[9] 黎j，杜栓柱.景区游憩行为计算机仿真系统研究综述[J].旅游学刊，2011（7）：8594.
[10] 李仁杰，路紫.旅游个性化推介服务的未来发展：时空一体化[J].旅游学刊，2011（10）：8288.
[11] 梁倩，张宏梅.智慧景区发展状况研究综述[J].西安石油大学学报（ 社会科学版），2013（5）：5256.
[12] 刘卫东，沈官林，严蔚敏.数据结构C++语言描述[M].北京：清华大学出版社，1998.
[13] 邱厌庆，戈鹏，赖力，吴艳，任佩瑜.九寨沟景区初态聚类分流实证研究[J].资源科学，2010（10）：19871992.
[14] 邱厌庆，戈鹏，刘柱胜，任佩瑜.基于复杂系统控制的景区游客时空分流导航管理研究[J].软科学，2011（9）：5457.
[15] 邱厌庆，戈鹏，任佩瑜.基于九寨沟景点负荷均衡的时空分流导航研究[J].资源科学，2010（1）：118123.
[16] 任竞斐，郑伟民.景区旅游高峰期游客旅游路线动态实时调度仿真研究[J].统计与决策，2013（8）：4245.
[17] 王仁志，苗维亚.基于M/M/n排队论的大型旅游景区内部排队现象研究[J].经济体制改革，2012（3）：177180.
[18] 王晓东.计算机算法设计与分析[M].第二版.北京：电子工业出版社，2004.
[19] 吴凯.旅游线路设计与优化中的运筹学问题[J].旅游科学，2004（1）：4144.
[20] 肖雄辉，戈鹏，朱虹明，任佩瑜，郑伟民，章小平.旅游高峰期景区游客引力分流调度模型研究――以九寨沟风景区为例[J].旅游科学，2013（6）：3951.
[21] 张凌云.试论排队论在旅游业中的应用――兼析餐厅服务员的最优配置[J].社会科学家，1988（1）：4754.
[22] 张影莎，苏勤，胡兴报，卢松.基于排队论的方特欢乐世界主题公园容量研究[J].旅游学刊，2012（1）：6672.
[23] 郑天翔.基于动态实时调度的主题公园游客时空分流导航管理研究[J].旅游科学，2012（4）：816.
[24] 郑天翔，吴蓉，罗海媛.国内景区旅游流调控研究综述[J].地理与地理信息科学，2015（5）：9096.
[25] Akasaka Y，Onisawa T（2008）.Personalized pedestrian navigation system with subjective preference based route selection[M]//Intelligent Decision and Policy Making Support Systems.Berlin Heidelberg：SpringerVerlag，7391.
[26] Button K（2006）.The Disney Queue Line Survival Guidebook[M].Scottsdale：Infinity Publishing.
[27] Cope Iii R F，Cope R F，Davis H E（2008）.Disney’s Virtual Queues：A Strategic Opportunity To CoBrand Services？[J].Journal of Business & Economics Research，6（10），1320.
[28] Erlang A K（1909）.The theory of probabilities and telephone conversations[J].Nyt Tidsskrift for Matematik B，20（16），3339.
[29] Garcia A，Arbelaitz O，Linaza M T，Vansteenwegen P，Souffriau W（2010）.Personalized tourist route generation[M]//Current Trends in Web Engineering.Springer，486497.
[30] Garcia A，Linaza M T，Arbelaitz O，Vansteenwegen P（2009）.Intelligent Routing System for a Personalised Electronic Tourist Guide：Proceedings of the International Conference on Information and Communication Technologies in Tourism，Amsterdam，The Netherlands[C].
[31] Garcia A，Vansteenwegen P，Arbelaitz O，Souffriau W，Linaza M T（2013）.Integrating public transportation in personalised electronic tourist guides[J].Computers & Operations Research，40（3），758774.
[32] Heger C，Offermans S，Frens J（2009）.Waiting as part of the fun：Interactive gaming in theme park queues：Proceedings of the fifth Student Interaction Design Research Conference，Eindhoven University of Technology，the Netherlands[C].
[33] Lovejoy T C，Aravkin A Y，SchneiderMizell C（2004）.Kalman Queue：An Adaptive Approach to Virtual Queueing[J].The UMAP Journal，25（3），337352.
[34] Lutz H（2008）.The impact of virtual queues for amusement parks：Proceedings of the 39th Annual Meeting of the Decision Sciences Institute，Atlanta，Georgia State University[C].
[35] Maruyama A，Shibata N，Murata Y，Yasumoto K，Ito M（2004）.A personal tourism navigation system to support traveling multiple destinations with time restrictions：Proceedings of the 18th International Conference on Advanced Information Networking and Applications，Fukuoka，Japan[C].IEEE.
[36] Nadi S，Delavar M R（2011）.Multicriteria，personalized route planning using quantifierguided ordered weighted averaging operators[J].International Journal of Applied Earth Observation and Geoinformation，13（3），322335.
[37] Panou M（2012）.Personalized application for multimodal route guidance for travellers[J].European Transport Research Review，4（1），1926.
[38] Shiraishi T，Shibata M N N，Nagata M，Shibata N，Murata Y，Yasumoto K，Ito M（2005）.A personal navigation system with a schedule planning facility based on multiobjective criteria：Proc.of 2nd International Conference on Mobile Computing and Ubiquitous Networking[C].Citeseer.
[39] Souffriau W，Vansteenwegen P，Vertommen J，Berghe G V，Oudheusden D V（2008）.A personalized tourist trip design algorithm for mobile tourist guides[J].Applied Artificial Intelligence，22（10），964985.
[40] Sylejmani K，Dorn J，Musliu N（2012）.A Tabu Search approach for Multi Constrained Team Orienteering Problem and its application in touristic trip planning：12th International Conference on Hybrid Intelligent Systems[C].IEEE.
[41] Tsai C Y，Chung S H（2012）.A personalized route recommendation service for theme parks using RFID information and tourist behavior[J].Decision Support Systems，52（2），514527.
[42] Tsiligirides T（1984）.Heuristic methods applied to orienteering[J].Journal of the Operational Research Society，35，797809.
[43] Universal City Studios INC（2002）.Reservation system and methods for theme parks：USA，US2002116235 A1[P].20020822.
[44] Vansteenwegen P，Souffriau W，Berghe G V，Van Oudheusden D（2009b）.Metaheuristics for tourist trip planning[M]//Metaheuristics in the service industry.Berlin Heidelberg：SpringerVerlag，1531.
[45] Vansteenwegen P，Souffriau W，Vanden Berghe G，Van Oudheusden D（2009a）.Iterated local search for the team orienteering problem with time windows[J].Computers & Operations Research，36（12），32813290.
[46] Vansteenwegen P，Van Oudheusden D（2007）.The mobile tourist guide：an OR opportunity[J].OR Insight，20（3），2127.
[47] Yiakoumettis C，Doulamis N，Miaoulis G，Ghazanfarpour D（2013）.Active learning of user’s preferences estimation towards a personalized 3D navigation of georeferenced scenes[J].GeoInformatica，136.
[48] Yu C，Chang H（2009）.Personalized locationbased recommendation services for tour planning in mobile tourism applications[M]//ECommerce and Web Technologies.Berlin Heidelberg：SpringerVerlag，3849.
[49] Zhang L，Li J，Zhou K，Gupta S D，Li M，Zhang W，Miller M A，Misener J A（2011）.Traveler information tool with integrated realtime transit information and multimodal trip planning[J].Transportation Research Record，（2215），110.
Decision Support System to Personalized Route
Guidance Service for Tourists in Theme Parks Based on
Computer Reasoning Technology：Design，Simulation and Comparison
ZHENG Tianxiang1， WU Rong2
（1.Shenzhen Tourism College， Jinan University， Shenzhen 518053， China；
2.Geography and Planning School， Sun YatSen University， Guangzhou 510275， China）
Abstract：
The paper is a study of the decision support system concerning personalized route guidance service for tourists in theme parks. It first outlined a single complete recreational behavior of a tourist while visiting at the park， thus summarizing the components and states related to this behavior. To simulate these components and accomplish the switching states， it presented， using computer reasoning technology， a stateofart model （recreation direction） finding algorithm via contextual environment， which integrated the tourist’s preferences， the availability of the targeted recreation facility （amusement ride） and the queuing situation of other facilities， so as to get the singlestep optimal direction. A computerized simulation system based on discrete event modeling was then implemented and experiment was conducted on an analog dataset as compared with the traditional shortestpath algorithm. The findings show that the proposed model outperforms its competitor in four evaluating indicators including tourist waiting time， amount of nonvisited rides， utilization of each ride and average waiting cost on each ride. The validity of this study depends on its temporalspatial integration by generating an appropriate visiting route for each tourist to follow， which in turn， theoretically， guides him/her to those vacant rides or less congested areas. All these indicate that this work caters to modulating the spatial and temporal distribution of tourist flow in theme parks， where queuing problem generally occurs， by balancing the capacity of each park ride as well as reducing the waiting cost of the tourists.
计算机视觉分析技术范文第3篇
【关键词】粮油；品质检测；新技术；探究
一、粮油品质检测评价新技术概况
粮油产品作为关乎国计民生的重要物资资源，如何保障粮油产品的安全，促进国民生活健康发展对国家安全有着重要意义，当前我国粮油安全问题较为严峻，以次充好、以假乱真的不法行为严重扰乱粮油市场的健康发展，同时更对居民生活构成严峻威胁。探索高效、便捷、准确的粮油品质检测评价技术能够较好的检测出样本的优劣水平，及时区分出产品的优劣，为粮油市场的有序发展以及居民食用粮油安全奠定基础。传统的粮油品质分析检测技术较为落后，程序较为复杂难以满足现代化生产的需要，例如在品质分析中由于人为性的主观因素较强，难以对样本粮油给出客观准确的评价，而化学测定中又需要破坏大量粮油样本，成本较高。所幸随着传感技术等新型科学的迅猛发展，借助于计算机视觉技术、电子舌技术和电子鼻技术等，粮油品质检测评价实现了无损检测，且具有极大的便利性和准确性，当前作为粮油品质检测的新技术，这三种技术已经的到了广泛的发展和运用，在粮油品质检测中有着广阔的发展前景。
二、三种新技术在粮油品质检测评价中的应用
（一）计算机视觉技术的应用
通过计算机视觉技术对粮油品质进行检测评价主要是针对粮油的色泽以及粮食的颗粒形态和纹理等进行外观分析，由于在外观评价中人工检测的工作量较大，主观性强，难以形成客观标准，通过计算机视觉技术可以将图形信息分析到极致，然后对比特征参数以获得较为准确和客观的品质评价结果。当前计算机视觉技术已经在粮油品质检测评价中的到较为广泛的运用，其中在对稻米的检测中垩白、粒型、黄粒米率、整精米率、蛋白质含量、直链淀粉含量等品质指标已均能够获得较为精准的测量数据，测试精度满足要求，从而为有效评价样本品质提供了坚实的基础数据。同样利用计算机视觉技术对油脂进行品质检测也是通过色泽判断来完成评价，当前最主要的检测方法为罗维朋比色法和重铬酸钾法，通过计算机视觉技术对油脂成像进行精细化处理，较好的重现油脂色泽并有效避免了人工检测的主观性，能够准确分辨出油品等级，检测误差非常小。在粮油检测中科学手段的不断丰富发展，在对样本进行视觉分析中使得误差率得到不断降低，从而有效提升了粮油品质检测的可观性和准确性。
（二）电子舌技术的应用
电子舌技术最早起源于上世纪80年代中期，是一种模拟动物味觉的一种设备，主要用于对液体味道的分析和识别。电子舌通过传感器阵列对样本做出相应并输出对应信息，然后通过计算机系统对数据进行处理，再对比数据库信息从而得出样本味觉特征结果。在粮油检测方面，电子舌主要是利用了粮油中部分具有氧化还原活性的物质，这些物质具有敏感的感官刺激以及抗氧化性等特点，因此只需要通过电化学传感器阵列进行直接分析即可过的粮油品质评价。根据最新研究成果显示，通过电子舌已经能够很好的区分不同类型的粮油和品质，这种装置只需要将样本粮油涂到改进了的碳层电极，然后放入不同的电解水溶液中观测并收集其电化学反应获得的电势信号。最后通过输入样本粮油的主要成分来分析不同类型的粮油所产生的信号特征，进而达到鉴别、检测、评价粮油品质的目的。该种方法在实验中针对六种粮油和三种橄榄油进行了评价，实验结果表明该方法在粮油品质评价上具有良好的区分度和较强的可信度。
（三）电子鼻技术的应用
电子鼻的应用原理基本类似于电子舌，都是通过传感器阵列来达到模仿动物感官针对特定物品进行精确鉴别的一种电子装备。而事实上电子鼻要远比动物鼻子更加厉害，我们通过嗅觉知识判别出样品的直观气味，对细微差别并不能做出客观评价，而电子鼻则能够通过气味刺激来准确呈现样品品质。当前电子鼻技术具有效率高、使用广泛和准确性等方面的特点，在粮油检测领域同样发挥着重要作用。针对粮油的检测电子鼻主要发挥着许多方面的作用，针对粮食品种主要有四种：一是对谷物霉变做出判断；二是判断谷物虫害情况；三是对谷物品种以及其品质做出判别；四是对谷物存在的年限做出分析。而针对油脂产品主要是对油脂进行定性分析和质变分析，首先通过电子鼻对不同油品的气味进行判别来区分不同类型和品质的粮油，如对橄榄油进行定级，判断油脂掺伪情况等，这些信息都可以通过电子鼻得到准确反映。其次粮油质变之后会产生难闻的气味严重影响粮油的品质，更会给消费者带来严重的健康危害，利用电子鼻对气味的区分技术来监控或者对粮油进行检测，可有有效并及时发现油品的酸败和异味的产生，从而对粮油品质做出准确评价。
三、结语
粮油品质的检测和评价是一项复杂的工作，在对样本进行评价过程中需要一定的客观指标作为依据，信息技术的发展为粮油品质检测评价提供了更加便捷和客观的检测方法，有效避免了人工检查的主观性影响，根据当前对计算机视觉技术、电子鼻和电子舌技术的不断研究和探索，其在粮油检测中也必将发挥着越来越重要的作用，为粮油品质检测评价提供更加准确、客观、可信的数据支持。
参考文献
[1]胡桂仙，王建军，王小骊，董秀金，朱加虹.粮油品质检测评价新技术的研究进展及展望[J].中国粮油学报，2011（03）
计算机视觉分析技术范文第4篇
关键词：深度学习；行为识别；神经网络
1 概述
动作行为识别是计算机视觉领域中的一个研究热点，已经广泛应用于智能监控、人机交互、视频检索等领域中[1]。动作行为识别技术是通过对视频或者图像中人体动作行为做出有意义的判断。有效表达图像（视频）中的实际目标和场景内容是最基本，最核心的问题。因此，对于特征的构建和选择得到广泛关注，例如STIP、SIFT、MSER等。但是，能通过无监督方式让机器自动从样本中学习到表征样本的特征，会让人们更好地利用计算机来实现人的视觉功能。而深度学习作为神经网络的延伸和发展，是通过逐层构建一个多层网络来使得机器自动学习到隐含在数据内部的关系，从而让学习到的特征更加准确性。
文章旨在探讨深度学习与机器学习（神经网络）之间的关系，并且介绍深度学习的由来、概念和原理；同时介绍目前深度学习在计算机视觉中的应用。最后提出深度学习目前发展所面临的问题，以及对未来的展望。
2 深度学习
2.1 深度学习概述
深度学习源于人工神经网络的研究，是机器学习的拓展。深度学习是经过组合低层特征来形成更加抽象的属性类别和特征，从中发现原始数据的特征表征[2]。现在用于动作行为识别的技术是通过“动作表征”+“动作分类器”的框架来进行行为识别的。其中“动作表征”是人们手动设计特征获取到的，也就是在目前识别框架内存在一个对动作图像（视频）的预处理过程。
深度学习和浅层学习相对。目前许多学习算法是浅层网络学习方法，具有一定的局限性，例如在样本有限的状况下，表示复杂函数的能力有限制，且对复杂分类问题的泛化能力也会受到一定约束[3]。而深度学习通过学习深层非线性网络结构，达到复杂函数逼近，又能在样本少的情况下学习原始数据的特征。BP算法作为传统神经网络的典型算法，虽然训练多层网络，但仅含几层网络，训练方法很不理想[3]。因为其输入和输出间非线性映射让网络误差函数形成含多个极小点的非线性空间，因而经常收敛到局部最小，且随着网络层数的增加，容易过拟合。而深度学习可以获得分布式表示，通过逐层学习算法来得到原始输入数据的主要变量。通过深度学习的非监督训练完成，同时利用生成性训练避免因函数表达能力过强而出现过拟合情况。
2.2 深度学习原理
传统机器学习仅含单层非线性变换的浅层网络结构，而且浅层模型单一。这对于深度网络来说易造成陷入最优或产生梯度分散等问题。因此，Hinton等人在基于深度置信网（DBNs）的情况下提出非监督贪婪逐层训练算法，随后提出了多层次自动编码器深层结构，这给解决深层网络结构相关的优化难题带来了希望。此外Lecun等人提出的卷积神经网络是第一个多层次结构的学习算法。同时深度学习还出现了许多结构：多层感知机、去噪自动编码器、稀疏编码等。
卷积神经网络是第一个真正采用多层次网络结构，具有鲁棒性的深度学习算法，通过探究数据在空间上的相关性，减少训练参数的数量。而且卷积神经网络（CNN）适应性强，善于发现数据的局部特征。它的权重共享结构降低了网络模型的复杂度，减少了权值的数量，使得卷积神经网络在模式识别中取得了很好的结果。
自动编码器的核心关键是将原始图像（视频）输入信号进行编码，使用编码后的信号来重建原始信号，使得两者之间的重建误差最小。通过将原始信号编码成另一形式，能够有效地提取信号中的主要信息，能够简洁地表达原始图像（视频）的特征。
3 深度学习的应用
3.1 语音识别
从2009年开始，微软研究院语音识别专家通过与Hinton合作，首先将RBM和DBN引入到语音识别声学模型训练中，使得语音识别的错误率相对减低30%，这彻底改变了语音识别原有的技术框架。在国际上，IBM、google等公司都快速进行了DNN语音识别的研究，并且速度飞快。国内方面，阿里巴巴，科大讯飞、百度、中科院自动化所等公司或研究单位，也在进行深度学习在语音识别上的研究。
3.2 视频中的动作行为识别
准确迅速识别视频中人的动作行为对于视频搜索和视频监控具有划时代的意义。最近几年，深度学习技术被应用于视频动作行为识别中。如Ji等人[4]提出多层网络的3D卷积神经网络来学习视频中的时空特征，并通过卷积来实现对整个视频特征的学习，从而代替之前的时空兴趣点检测和特征描述提取。在TRECVID数据库上进行的实验取得了不错效果。
4 结束语
文章对深度学习的主要概念进行了全面阐述，包括其由来、原理、研究进展和相应的应用等。在很多领域中，深度学习都表现了潜在的巨大价值，但深度学习作为浅层学习的延伸，仍处于发展阶段，还有很多问题值得我们深入探讨：
（1）我们需要了解深度学习的样本复杂度，需要多少训练样本才能学习到足够的深度模型。
（2）在推进深度学习的学习理论和计算理论的同时，我们是否可以建立一个通用的深度学习网络模型，作为统一的框架来处理语音、图像和语言。
（3）神经网络具有前馈性连接和反馈性连接，可是我们研究的深度网络中还没有加入反馈连接，这些都给深度学习的研究带来了严峻的挑战。
参考文献
[1]王亮，胡卫明，谭铁牛.人运动的视觉分析综述[J].计算机学报，2002，25（3）：225-237.
[2]余凯，贾磊，陈雨强.深度学习的昨天、今天和明天[J].计算机研究与发展，2013，50（9）：1799-1804.
计算机视觉分析技术范文第5篇
关键词：电力系统；视频监控；运动目标检测
1.引言
在电力系统中，智能视频监控用于对变电站设备、工作人员及周围环境的监控等，为变电站工作安全保障起到关键作用，特别是无人值守变电站的应用，确保其调控运行更为安全、可靠。
运动目标检测技术是智能化视频分析的基础，它的目的就是从动态图像序列中找到那些可能包含运动物体的感兴趣区域以供后续模块的进一步处理。常用的方法包括帧差法、背景差分法、光流法等。
帧差法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并阈值化来提取图像中的运动区域。帧差法对动态环境适应性强，但一般情况下不能得到完整的运动目标，需要较多的后处理工作。背景差分法是利用当前图像帧与背景图像帧的差分来检测运动区域。背景差分法可以得到完整的运动目标，但对光线和其他外部的动态场景变化非常敏感，需要对背景作不断更新。光流法采用了运动目标随时间变化的光流特性来检测运动目标。光流法即使在摄像头运动时也能有效地检测运动目标，但计算复杂，不适用于实时性要求高的监控场合。
2.高斯混合背景建模算法
建立背景模型是背景减除法的重要步骤。采用高斯混合模型进行背景建模，这种模型能够根据样本值（像素点的颜色值）进入模型的不同频率，以及和模型中各个分布成功匹配的不同频率，来不断更新模型中所有高斯分布的参数，即对各个高斯分布的权重、均值和协方差等参数进行训练，使背景像素值分布收敛于一个或某几个高斯分布，实现背景像素值的聚类，从而实现对背景的建模。图像中每个像素点的混合高斯模型可以表示为：
的高斯分量的概率密度函数。
高斯混合背景建模算法根据当前像素值与模型中的 K 个高斯分布的匹配情况，对模型进行更新。如果像素值在某高斯分布均值的 2.5 倍方差范围之内，称之为成功匹配上该分布。如果当前像素值与K 个高斯分布都不匹配，则用一个新的高斯分布取代权重值最小的那个分布，新的分布的均值即为当前的像素值，同时为它分配一个较大的初始协方差和一个较小的初始权重值。
3.运动目标跟踪技术
运动目标检测常用的是利用图像序列的帧内信息和帧间信息，从而提取动态信息，这里采用背景差帧法检测运动目标。它的基本思路是将背景建模后的图像与新输入的图像做比较，通过判断像素点的灰度值变化、直方图的统计信息变化等来分割动态目标。
不难看出背景差帧法简单易于实现，并且能提供比较完全的数据，适用于背景好提取或者比较简单的情况。当出现光照、遮挡、雨雪雾、树枝摇摆、水面波动、机器抖动等变化时，背景模型需要进行及时更新变化。
运动目标在视频帧序列中会呈现一定规律的变化，主要取决于目标的运动速度以及视频的帧率。通过连续多帧图像的运动目标检测结果，可以对运动目标在图像空间的运动速度进行估算，结合图像的采集帧率，可以预测出运动目标在下一帧图像中出现的大致范围，从而实现对运动目标的视觉跟踪。
4.图像序列的语义理解
所谓图像序列的语义理解，就是通过对监控场景中的目标物行为的分析理解，给出相应的事件与行为描述。在动态图像的语义理解中，如何对行为建立好的模型从而进行行为的识别并与语义相联系是其中最为关键的内容。目前已经存在的行为建模方法有：模版匹配方法、框架模型、状态空间模型、神经网络模型和语义化的推理模型等。
基于模版匹配的方法，首先把一个图像序列转化成为一个静态的形状模型，然后，通过与预先存储的行为原型的比较进行识别。它的优点在于计算复杂度低且简单易行，但是，它对噪声和运动的时间间隔内的变化比较敏感。框架模型在动态图像语义化理解中经常用来对运动进行建模，采用事例框架来对行为建模。这种方法比较适合对静态图像进行解释，对比较复杂的动态场景中发生的运动来建立该模型不太合适。状态空间方法把每一种静态姿势定义为一个状态，状态空间的交互关联用一定的概率来表示。任意运动序列都通过状态表示的不同姿势间的某种组合来实现。组合概率的最大值作为行为分类的标准。神经网络具有非线性映射的能力，可以采用神经网络来实现从几何化的描述到语义概念之间的映射。神经网络具有学习能力，使得它能够通过学习得到行为模型，但是神经网络无法合理利用已知的知识。语义化的推理网络是一种常用的知识表达结构，同时也是一种推理结构，被广泛地用于动态图像序列的语义理解。
5.运动目标的行为分析
在电网环境下，监控的目标主要是人。人的行为分析是指对人的运动模式进行分析和识别，并用自然语言等加以描述，包括行为的表述、检测和识别。对于人运动的视觉分析系统而言，一般可分为三个处理层次：
（1）运动检测与目标分类：从图像序列中把变化的运动区域从背景中提取出来，并将检测到的不同的运动区域分成不同的运动目标。运动检测与目标分类是视觉监控系统的底层处理部分，是各种后续处理的基础。
（2）定位与跟踪：定位是指确定图像序列中运动目标的图像位置，进而确定其空间位置和姿态；跟踪是指在图像序列中创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配的过程。
（3）行为分析与理解：在上述两步的基础上，进一步研究图像序列中各个运动目标的性质和它们之间的相互关系，对运动模式进行分析和识别，最终得出对图像内容含义的理解以及对客观场景的解释。
6.总结
智能视频监控中运动目标检测涉及到计算机视觉、图像处理和视频分析等方法，在电力系统中有着重要的应用意义和应用价值。目前，该方向的研究已有很多，但是在实践中运动目标多样性及其场景的复杂性使得目标检测变得较为困难，有很多问题有待解决。
参考文献
[1]侯宏录，李宁鸟，刘迪迪等. 智能视频监控中运动目标检测的研究[J]. 计算机技术与发展，2012，22（2）：49-52.
[2]郭玲. 智能视频监控中运动目标检测的算法研究[D]. 华南理工大学，2013.
[3]柯天兵，李永倩. 电力系统视频监控中目标检测与跟踪算法研究[J]. 2014，30（1）：42-46.
[4]高凯亮，覃团发，王逸之等. 一种基于帧差法与背景减法的运动目标检测新方法[J]. 电讯技术，2011，51（10）：86-91.
