機器視覺是一個已有很久歷史了，但它是一個朝陽產(chǎn)業(yè)。 通過它與自動化相結(jié)合，可以為企業(yè)產(chǎn)生價值。

首先，介紹一下機器視覺的工作過程，如下：
1:首先通過工件檢測器檢測物體是否接近或運動到攝像機視野的中心，如果是，向圖像采集卡發(fā)送觸發(fā)脈沖信號；
2:圖像采集卡按照設計人員預先設定的程序和延時，分別向攝像機或照明設備發(fā)出啟動脈沖，但也有攝像機和照明設備在系統(tǒng)初始化話時，就開始啟動。
3:攝像機停止目前的掃描，重新開始新的一幀掃描；有的時候需要攝像機在啟動脈沖來到之前一直處于等待狀態(tài)，啟動脈沖到來后啟動以幀掃描；
4:如果所采用的策略是曝光策略，那么在攝像機開始新的一幀掃描之前，要打開曝光結(jié)構(gòu)，其曝光時間要根據(jù)你的實際需要通過程序或者硬件設定好；
5：如果采用曝光策略的話，要用另一個啟動脈沖打開照明設備，特別要保持啟動時間應該與攝像機曝光時間匹配；
6:攝像機曝光后，正式開始一幀圖像的掃描和輸出；
7:如果攝像機輸出的是模擬信號，圖像采集卡就把從攝像機接受過來的信號進行A/D轉(zhuǎn)化將其數(shù)字化，如果輸出的是數(shù)字信號，這樣就省圖像采集卡的事情拉；
8:圖像采集卡將圖像信號送到緩沖器、處理器或者計算機的內(nèi)存中，以便圖像的處理和顯示；
9:處理器或者計算機對圖像進行處理、分析、識別以得到測量結(jié)果或邏輯控制量，然后根據(jù)這些結(jié)果進行處理以控制別的裝置（比如機械裝置等）來完成相關動作，進行定位。糾正運動的誤差等等，比如修正機器手臂的位置。

　 —— 機器視覺的認識 ——

　　一般地說，機器視覺就是用機器代替人眼來做測量和判斷。首先采用CCD照相機將被攝取目標轉(zhuǎn)換成圖像信號，傳送給專用的圖像處理系統(tǒng)，根據(jù)像素分布和亮度、顏色等信息，轉(zhuǎn)變成數(shù)字化信號；圖像系統(tǒng)對這些信號進行各種運算來抽取目標的特征，如：面積、長度、數(shù)量、位置等；后，根據(jù)預設的容許度和其他條件輸出結(jié)果，如：尺寸、角度、偏移量、個數(shù)、合格/不合格、有/無等。機器視覺的特點是自動化、客觀、非接觸和高精度，與一般意義上的圖像處理系統(tǒng)相比，機器視覺強調(diào)的是精度和速度，以及工業(yè)現(xiàn)場環(huán)境下的可靠性。 機器視覺極適用于大批量生產(chǎn)過程中的測量、檢查和辨識，如：零件裝配完整性，裝配尺寸精度，零件加工精度，位置/角度測量，零件識別，特性/字符識別等。其應用行業(yè)為：汽車，制藥，電子與電氣，制造，包裝/食品/飲料，醫(yī)學。如對汽車儀表盤加工精度的檢查，高速貼片機上對電子元件的快速定位，對管腳數(shù)目的檢查，對IC表面印字符的辨識，膠囊生產(chǎn)中對膠囊壁厚和外觀缺陷的檢查，軸承生產(chǎn)中對滾珠數(shù)量和破損情況的檢查，食品包裝上面對生產(chǎn)日期的辨識，對標簽貼放位置的檢查。工業(yè)專家們預言：在未來的20年到50年，機器視覺將成為橫跨所有行業(yè)的通用性技術，幾乎所有出產(chǎn)的產(chǎn)品都會由機器視覺系統(tǒng)來檢測。

　　在現(xiàn)代工業(yè)自動化生產(chǎn)中，涉及到各種各樣的檢查、測量和零件識別應用，例如汽車零配件尺寸檢查和自動裝配的完整性檢查，電子裝配線的元件自動定位，飲料瓶蓋的印刷質(zhì)量檢查，產(chǎn)品包裝上的條碼和字符識別等。這類應用的共同特點是連續(xù)大批量生產(chǎn)、對外觀質(zhì)量的要求非常高。通常這種帶有高度重復性和智能性的工作只能由人工檢測來完成，我們經(jīng)常在一些工廠的現(xiàn)代化流水線后面看到數(shù)以百計甚至逾千的檢測工人來執(zhí)行這道工序，在給工廠增加巨大的人工成本和管理成本的同時，仍然不能保證100%的檢驗合格率（即“零缺陷”），而當今企業(yè)之間的競爭，已經(jīng)不允許哪怕是0.1%的缺陷存在。有些時候，如微小尺寸的快速測量，形狀匹配，顏色辨識等，用人眼根本無法連續(xù)穩(wěn)定地進行，其它物理量傳感器也難有用武之地。這時，人們開始考慮把計算機的快速性、可靠性、結(jié)果的可重復性，與人類視覺的高度智能化和抽象能力相結(jié)合，由此產(chǎn)生了機器視覺的概念。

“機器視覺”，即采用機器代替人眼來做測量和判斷。
　　機器視覺系統(tǒng)是指通過機器視覺產(chǎn)品（即圖像攝取裝置，分CMOS和CCD兩種）把圖像抓取到，然后將該圖像傳送至處理單元，通過數(shù)字化處理，根據(jù)像素分布和亮度、顏色等信息，來進行尺寸、形狀、顏色等的判別。進而根據(jù)判別的結(jié)果來控制現(xiàn)場的設備動作。
　　機器視覺伴隨計算機技術、現(xiàn)場總線技術的發(fā)展，技術日臻成熟，已是現(xiàn)代加工制造業(yè)不可或缺的產(chǎn)品，廣泛應用于食品和飲料、化妝品、制藥、建材和化工、金屬加工、電子制造、包裝、汽車制造等行業(yè)。
　　機器視覺的引入，代替?zhèn)鹘y(tǒng)的人工檢測方法，極大地提高了投放市場的產(chǎn)品質(zhì)量，提高了生產(chǎn)效率。
　
在科技發(fā)達的今天，運輸系統(tǒng)逐漸朝著智能化（ITS）發(fā)展，而檢測的方法上亦漸漸趨向以高科技的檢測方式替代傳統(tǒng)人工調(diào)查的方式，可以避免漏記或調(diào)查員的投機取巧，并且精簡調(diào)查成本，在執(zhí)法方面，各個城市大量采用了電子警察，使得在許多裝有電子警察的交*口和路段交通秩序要好于其它路段。所以，車輛檢測器的發(fā)展在現(xiàn)代計算機化的交通管理中扮演著非常重要的角色，其準確度常受到檢測方式、檢測器布設形式、數(shù)量與位置的影響。
　　現(xiàn)有的各種交通參數(shù)檢測方式中，只有圖像檢測器（Video Image Detector）是一種可以取得豐富的交通信息的面式檢測器。視覺為基礎的攝影系統(tǒng)在現(xiàn)今的發(fā)展已更加的成熟，而且，比那些點式的感應系統(tǒng)更為有用（例如：環(huán)形線圈與壓力式檢測器），因為圖像檢測器所提供的信息可以進行進一步的車輛跟蹤與分類，這對于執(zhí)法是至關重要的。而其它檢測手段均有較大的限制，點式檢測器僅用于車流上的量測與計數(shù)，或是解決特定的子問題（如等候檢測或擁擠車流上的檢測），缺乏一般性的應用。

　　以計算器進行圖像處理，改善圖像品質(zhì)的有效應用開始于1964年美國噴射推進實驗室（J.P.L）用計算機對宇宙飛船發(fā)回的大批月球照片進行處理，獲得顯著的效果。 1970至1980年代由于離散數(shù)學的創(chuàng)立和完善，使數(shù)字圖像處理技術得到了迅速的發(fā)展，隨著電腦的功能日益增強，價格日益低廉，使得圖像處理在各行各業(yè)的應用已經(jīng)成為相當普遍的工具之一，舉凡在醫(yī)學工程、工業(yè)應用、交通領域應用等。1980年代開始，有關交通量估測的研究漸漸有了成果。到1985年以后，各國對于交通圖像偵測系統(tǒng)已有實際的成品發(fā)展出來。另外，近年來結(jié)合類神經(jīng)網(wǎng)絡加速圖像處理速度形成一個研究趨勢。

　　在進入圖像處理之前，我們首先對圖像做一個概略性的探討。所謂“圖像”泛指所有實際存在含有某種消息的信號，如含有人、事、物等的照片，而紅外線攝影所獲得的信號，則表示某些物體的溫度分布。

　　我們常說“一幅圖勝過千言萬語”，即是指每張圖像中含有許多的信息，根據(jù)我們的目的而進行處理，得出想要的結(jié)果?！皵?shù)字圖像”是將傳統(tǒng)照片或錄像帶模擬訊號經(jīng)取樣（sample）及數(shù)字化后達成。數(shù)字化的原因在于方便計算機運算與儲存。所儲存的亮點成為圖像的基本單位，稱為象素（Pixel）。象素的亮度以灰度值（Gray-level）表示，灰度值被劃分為256階，暗為0，亮為255。一張圖像被數(shù)值化成方塊格子所組成的畫像元素，每一格子中都標有一對坐標，一個代表其行值，另一則代表其列值。行值從這張圖像的左邊開始標幟自0一直到n，n表示行值中大值。相同的，列值從上方起定為0，往下移動至m值，m表示圖像全部列數(shù)。

　　所謂圖像處理就是為了某種目的對圖像的強度（灰度值）分布視為一連串整數(shù)值的集合，經(jīng)由不斷的運算執(zhí)行某些特定的加工和分析。

　　 1、圖像處理原理

　　圖像處理涵蓋的范圍十分很廣泛，但是，所采用的基本原理和方法是一致的。整體說來，圖像處理這門科學所研究的主要內(nèi)容包括了圖像數(shù)的模數(shù)轉(zhuǎn)化（A/D Image Transform）、圖像的增強與復原（Image Enhancement and Restoration）、圖像編碼與壓縮（Image Encoding and Compression）、圖像切割（Image Segmentation）、圖像的表示和描述（Image Representation and Description）、圖像特征匹配（Image Feature Matching）等等。

所謂切割就是企圖將圖像中之標的物析出的處理過程。圖像切割可說是圖像的分析過程中重要之步驟之一，在一般所采用的方法主要為邊緣的檢測(Edge Detection)及臨界值法(Thresholding)。

圖像特征匹配，特征匹配法的”特征”，需先加以定義。舉例而言，若要描述一個人，好先說明他的特征。在外表方面，例如身高、體重、胸圍….等等；在心理方面，例如和善的、好勝的、沉默的….等等；在事業(yè)方面，例如職業(yè)、收入….等等。不同特征適用于不同描述目的，例如描述一個人的健康，需要上述的身高、體重特征；若要描述一個人的成就，所需特征就多得多，舉凡上述特征之外，還可能需要這個人的生平事跡等等。據(jù)此了解，一個人的特征能夠代表一個人，故特征具備了代表性。除外，若現(xiàn)需將每個人由高至矮排序，所需特征只身高一項，其它體重、性格等等數(shù)據(jù)無需獲得，因此使用特征亦具備簡化使用信息量之目的。

所謂匹配（Matching）或被翻譯成“比對”，即將物體的特征與預存在計算機中之原型（Proto types）或樣版（Template）的特征加以比較，若相似度（Similarity）或非相似度（Dissimilarity）小于或大于某預設的門檻值（Threshold），則稱兩者匹配成功。匹配較傾向?qū)儆趫D形辨認（Pattern Recognition）范圍，因其中含有“分類” （Classification）或“辨認”（Repetition）意味之故。建立計算機中原型或樣版特征之過程稱”訓練”（Training），做法為事先采取某些樣品（Sample）或典型（Typical）之特征加以儲存之。特征匹配的常用方法有許多種：近鄰居法（Nearest Neighbor Method）、二元決策樹法（The Binary Decision Tree Method）、屬于動態(tài)規(guī)畫法（Dynamic Programming）的DP匹配法等。

　特征匹配目的在使具有相同或類似待征的物體產(chǎn)生關聯(lián)，以便于辨認或分類。就交通方面而言，特征匹配法可用來區(qū)分不同的交通工具。舉例而言，若圖像中某物體長度4公尺，寬2公尺，形狀呈矩形（以上皆為特征），該物體極可能被分類為小汽車；若為長10公尺，寬2.5公尺的矩形，則可被分類為大型車（巴士、大貨車）。

　 2、圖像處理應用于交通

　　早期圖像處理技術的應用范圍受到圖像處理設備價格昂貴以及處理速度緩慢的影響，僅局限于某些領域；及至70年代后至今，隨著理論的發(fā)展與集成電路革命造就計算機科技的進步，使得圖像處理的應用范圍漸廣。

美國于1978年由聯(lián)邦高速公路局委托E.E. Hilbert、C. Carl、W. Gross、G.R. Hanson、M.J. Olasaby及A.R. Johnson發(fā)展寬域檢測系統(tǒng)（Wide Area Detection System , WADS），其它各國如日本、法國、英國、瑞典等也已陸續(xù)投注了相當?shù)难芯?，并有不錯的成績。相對于國外，國內(nèi)將圖像處理技術應用于交通的發(fā)展，在近年已經(jīng)有相當程度的進步，如國內(nèi)目前相當熱門的車牌識別，有多個廠家推出了相應的產(chǎn)品。下面將針對圖像處理技術在交通上的應用分車輛檢測、車種識別、車輛跟蹤三個部分做簡單介紹。

　 1）、車輛檢測　　車輛檢測的方法可大致歸類為樣本點檢測、檢測線檢測以及全畫面式檢測等途徑，另外針對夜間車輛檢測進行說明如下：

?。?）、樣本點檢測　　在車道的某一部分選取類似矩陣的樣本點，如圖1所示，當車輛通過時，樣本點之灰階值與原路面不同，若兩者相減的統(tǒng)計值超過某一門檻值，即表示車輛的存在。

?。?）、檢測線檢測　　此法是于垂直或平行車流方向布設由象素組成之虛擬檢測線，如圖2所示。一般由亮點來組成，以方便區(qū)隔路面與檢測線的象素深度。當車輛通過檢測線時，線上的灰階值與沒有車輛通過路面時有差異；若灰階值的差異大于某門檻值，則表示有車輛通過。由于樣本點或檢測線檢測法僅擷取部分象素資料進行處理，處理的資料量明顯減少，因此運算時間縮短許多；為了達到實時（Real-Time）檢測的要求，目前已實際運用于交通檢測的圖像處理系統(tǒng) AUTOSCOPE便是以檢測線做處理。

　在車輛運行單純的路段，以樣本點或檢測線作為車輛檢測的途徑可獲得不錯的結(jié)果；但在復雜的路口內(nèi)，如何布設樣本點或檢測線將是首先遭遇的難題，因為路口內(nèi)車輛除直行外，尚有轉(zhuǎn)向行為，任何位置均可能有車輛出現(xiàn)。

　?。?）、全畫面式檢測　　以全畫面作處理的車輛檢測方法所能獲得的信息較多，但相對地要處理的資料量也明顯增加許多。屬于此法的檢測方式有背景相減法與二值化法兩種：背景相減法系取一張無車輛存在的圖像作為背景，當含有車輛的圖像與背景圖像逐點相減后，車輛的部分即被減出，如TRIP系統(tǒng)。二值化法將圖像以某一門檻值進行切割，象素深度高于該值的成為255（白），低于該值者則變成0（黑），如此可將物體與背景分離。

　　背景相減法與二值化法均存在許多缺點，前者如背景需要經(jīng)常更新，后者則過程繁復，而二者共同的缺點便是當物體顏色與背景相近時將面臨切割失敗的命運，此外，門檻值確立不易，故有多值切割方法的提出，但過程益顯復雜。

?。?）、夜間車輛檢測　　國外R. Taktak、Rita Cucchiara、Cucchiara等人認為由于夜間圖像所具有的信息與白天圖像相當?shù)牟煌?，因此在算法的使用上與檢測流程上會有相當程度的不同。一般而言在夜間與較暗的照明度之下，醒目的視覺特征為車頭燈與其光柱、街燈以及高度反射光線的型態(tài)（如斑馬線）。他們認為夜間圖像并不適合用移動檢測算法。

2）、車輛識別
（1）、車輛識別
　　由于國內(nèi)與國外交通組成的不同，國外的研究僅對大車與小車兩種作辨認，而國內(nèi)則較復雜，但一般研究均簡化車種為大車、小車與機車，以此三類做識別。

以檢測線或樣本點作為識別車種的途徑時，由于所取資料量少，較不利于車種識別，故以此法進行者較少。就日間圖像的車輛識別來說通常以車輛的特征如：外型、尺寸為分類準則。相關文獻整理如下。 近年發(fā)展迅速、應用到許多領域的“類神經(jīng)網(wǎng)絡（Neural Network）”也被應用到車種的識別上。此外，亦可藉由車輛牌照途徑，將號碼圖像二值化，以特征匹配的方式識別并記錄該車牌號碼，透過數(shù)據(jù)庫的比對，每個號碼可對應于某一車種，可用于抓拍違章車輛、車輛計數(shù)、車種識別、起迄點調(diào)查與旅行時間分析等。

（2）、車牌識別
　　車牌識別的技術近年來在國內(nèi)已經(jīng)日趨成熟。有些學者認為車牌識別可分三階段：前處理，將圖像二值化后進行清除噪聲。而后車牌定位，利用連接組件標示法，找出圖像中之連接組件加以分析，進而判斷車牌位置。字符識別，分割字符完畢后依文字大小設定結(jié)構(gòu)組件之大小，利用型態(tài)學的方法找出文字特征加以比對。
還有一些學者采用其它方法，如搜尋車牌后以圖素分割法切割字符住后利用類神經(jīng)網(wǎng)絡識別字符；或者利用灰階轉(zhuǎn)換數(shù)之計算找出可能之車牌位置，再分割字符，在利用筆劃分析法識別字符；或者利用圖像中灰階值之變化特性尋找車牌位置，在利用垂直投影直方圖分割字符，以灰階值關連度進行識別。

（3）、車輛跟蹤
　　連續(xù)圖像中，車輛軌跡的記錄即稱為跟蹤。Anthony P. Ciervo先提出以檢測車輛并配合預測車輛位置的方式，連續(xù)跟蹤車輛的軌跡。其中以樣本點或檢測線方式做跟蹤者，由于選取的象素僅局限于某固定范圍，處于被動狀態(tài)，較不利跟蹤之進行。N. Hoose便是以各臨近方向均為雙向二車道的 T 字型路口為例，在進入路口前及離開路口后之車道上布設橫向檢測線屏蔽（Mask），以記錄車輛進入與離開之臨近方向編號，同時對車輛在圖像上的形狀、大小與位置等資料作記錄，以跟蹤車輛，但誤差頗大?？偨Y(jié)而言，車輛跟蹤的方法有下列四種：模式基礎跟蹤（Model based tracking）、區(qū)域基礎跟蹤（Region based tracking）、輪廓基礎跟蹤（Active contour based tracking）、

國外研究文獻中僅針對各車道的單一車輛進行跟蹤，要了解路口內(nèi)車輛運作之機制，非得在同時間針對路口內(nèi)所有方向的車輛做跟蹤處理不可，否則取得的僅為殘破的信息，對整體的助益有限。

　 3、光的特性
　　先不考慮車流行為所造成的問題，而單單就圖像處理技術部分來說，利用圖像處理技術搜集交通參數(shù)，在夜間的情況下到底會遇到什么樣的問題呢？我們來對此做一個初步的了解。

我們以下面的圖3、圖4、圖5為例，針對夜間拍攝圖像所會遇到的問題逐一做說明。拍攝時氣候皆為晴天，問題陳述如下。

路面反光因素
　　由于是晴天的因素，所以路燈照射路面所造成的反光并不嚴重。前車燈所造成的路面反光較嚴重。要如何定義前車燈或后煞車燈（雨天較嚴重）所造成的路面反光也是一個問題。

夜間光源因素
　　我們可以很明顯的看到橋邊有路燈照明，使得整個圖像環(huán)境不至于太黑暗（見圖3）。但經(jīng)由仔細觀察則可以發(fā)現(xiàn)，路燈是每隔一段距離設置于路邊，因此照射于路面的燈光布置情況也是呈現(xiàn)亮暗間格分布，如果經(jīng)由二值化處理可能會有問題待解決。

陰影因素
　　由于夜間仍有路燈的照明，因此當照射到車體本身或路旁物體的時候，也會形成路面的陰影。由于整個背景的亮度不同，因此夜間產(chǎn)生陰影的處理方式，勢必與白天產(chǎn)生陰影的處理方式不同。

車燈照射攝影機造成泛光
當攝影機以較水平的角度拍攝面對攝影機開來的車輛的時候，較嚴重會使得拍攝出來的畫面整個呈現(xiàn)泛白，畫面中看不到我們所要拍攝的景物。