基于混合高斯图像窄带模型钨矿初选技术研究.pdf

6 2 有色金属 选矿部分2 0 1 8 年第2 期 d o i 1 0 ．3 9 6 9 ／j ．i s s n ．1 6 7 1 - 9 4 9 2 ．2 0 1 8 ．0 2 ．0 1 4 基于混合高斯图像窄带模型钨矿初选技术研究 郭宇，张国英，孟航 中国矿业大学 北京 机电与信息工程学院，北京1 0 0 0 8 3 摘 要针对钨矿石初选环节中人工手选作业效率低、成本消耗大等问题，提出机器视觉与图像处理技术相结 合实时钨矿初选方法。通过引入G P U 加速混合高斯模型进行矿石运动目标检测，提取图像前景中完整的矿石目标。 结合图像信息，提出融合灰度特征与图像窄带的矿石目标识别算法，快速获取钨矿石中脉石的位置信息，为钨矿石的 初步分选提供依据。试验结果表明，相比较传统人工手选作业方式，该方法极大提升矿石分选速度与精度，满足工业 化实时检测识别要求。 关键词混合高斯模型；钨矿初选；机器视觉；目标检测 中图分类号T P 3 9 1 ．4 ；T D 9 5 2文献标志码A文章编号1 6 7 1 - 9 4 9 2 2 0 1 8 0 2 - 0 0 6 2 - 0 6 R e s e a r c ho nP r i m a r yS e p a r a t i o no fT u n g s t e nO r eB a s e do n M i x e dG a u s sI m a g eN a r r o w B a n dM o d e l G U OY u 。Z H A N GC 叫y i n g ，M E N GH a n g S c h o o lo fM e c h a n i c a la n dE l e c t r i c a lE n g i n e e r i n g ，C h i n aU n i v e r s i t yo fM i n i n g a n dT e c h n o l o g y ，B e 彬n g1 0 0 0 8 3 ，C h i n a A b s t r a c t U n d e rt h ev i e wo ft h el o we f f i c i e n c ya n dh i g hc o s to fm a n u a lh a n ds e p a r a t i o ni nt h ep r i m a r y s e p a r a t i o no ft u n g s t e no r e ，am e t h o do fc o m b i n i n gt h em a c h i n ev i s i o na n di m a g ep r o c e s s i n gt e c h n o l o g yt ot h er e a l t i m et u n g s t e no r ep r i m a r ys e p a r a t i o ni s p r o p o s e d ．B yi n t r o d u c i n gG P U - a c c e l e r a t e dm i x e dG a u s s i a nm o d e lf o r d e t e c t i o no fm o v i n go r eo b j e c t s ，t h ec o m p l e t eo r et a r g e ti nt h ei m a g ef o r e g r o u n di se x t r a c t e d ．C o m b i n i n gw i t ht h e g r a yc h a r a c t e ri n f o r m a t i o no ft h ei m a g e ，a na l g o r i t h mo fo r et a r g e tr e c o g n i t i o nc o m b i n i n gg r a yf e a t u r ea n dn a r r o w b a n di sp r o p o s e d ．n ep o s i t i o ni n f o r m a t i o no fg a n g u ei nt h et u n g s t e no r ei sq u i c k l yo b t a i n e d ．w h i c hp r o v i d e st h e b a s i sf o rt h ep r e l i m i n a r ys e p a r a t i o no ft u n g s t e no r e ．r 1 1 l ee x p e r i m e n t a lr e s u l t ss h o wt h a tc o m p a r e dw i t ht h et r a d i t i o n a l m a n u a lh a n ds e p a r a t i o nm o d e ，t h em e t h o dc a ng r e a t l yi m p r o v et h es p e e da n da c c u r a c yo fo r es e p a r a t i o n ，a n dm e e t s t h er e q u i r e m e n t so fr e a l t i m ed e t e c t i o na n di d e n t i f i c a t i o ni ni n d u s t r i a la p p l i c a t i o n s ． K e yw o r d s G a u s s i a nm i x t u r em o d e l ；t u n g s t e no r ep r i m a r ys e p a r a t i o n ；m a c h i n ev i s i o n ；t a r g e td e t e c t i o n 我国钨矿资源储量约占世界的6 0 ％左右，钨产 量占世界总产量的8 0 ％以上。虽然我国钨矿资源 储量丰富，但多为低品位、组成复杂的共、伴生难选 矿产资源引。目前我国大多数钨矿企业在钨矿初 选阶段主要采用人工手选作业方式。人工手选作业 方式不仅人力资源消耗大，而且增加企业成本，降低 企业的生产效率，同时钨矿品位无法得到显著提升。 近年来，利用机器视觉与图像处理技术o 广泛应用 于矿石选别，通过辨别物料的颜色、亮度和形状进行 精确选别工作，取代传统的破碎和手工选别，大大提 升矿石选别产量。机器视觉结合图像处理技术进行 收稿日期2 0 1 7 - 0 7 - 2 2修回日期2 0 1 8 - 0 2 - 0 9 作者简介郭宇 1 9 9 2 一 ，男，山西晋中人，硕士研究生。 物体检测与识别可以最大程度上避免人工手选方式 带来的不确定因素的干扰，符合工业生产中要求的 一致性与稳定性，客观地对图像进行分析与判断。 国外矿石分选设备及其试验研究以及工业化应 用发展较快，以德国摩根森公司的光学选矿机为例， 利用两侧的彩色线阵相机对矿石进行双面扫描，根 据矿石合格料和剔除料的颜色、亮度和尺寸评估出 相应的数据并通过高压气阀识别分选。但售价高 昂，后期维护成本高。 国内矿石分选技术研究工作虽然开展较早，但 由于国内矿石种类复杂，分选难度较高，导致成熟技 万方数据 2 0 1 8 年第2 期 郭宇等基于混合高斯图像窄带模型钨矿初选技术研究 6 3 术与设备以及应用与国外相比还有较大差距。以安 徽安晶龙色选机为例，该色选机是利用传送带加速 矿石通过C C D 传感器与背景板区域，根据C C D 传 感器信息筛选废石，并发出指令驱动气阀喷射废石， 达到矿石分选的目的。但设备需要多条皮带进行分 选，占地面积大，安装复杂度高，与国外设备相比漏 检率较高。 结合国内外设备产品的研究现状，本文提出基 于混合高斯图像窄带模型钨矿初选算法，利用G P U 加速混合高斯模型进行矿石目标运动检测，结合图 像信息分析技术进行钨矿石目标的分选，在不增加 企业成本的前提下，最大程度上提高矿石初选速度 和精度，同时为自动化选矿设备的研制提供算法理 论基础。 1 基于混合高斯模型背景运动目标检 测算法 矿石下落近似自由落体运动，在下落过程中摄 像机与背景面板均处于静止状态，其检测矿石可以 看作是静态场景下多目标实时检测问题。目前，视 频运动目标检测方法主要包括光流法HJ 、帧间差分 法‘5 引、背景减除法‘7 引。混合高斯模型‘川是 G r i m s o n 和S t a u f f e r 提出的一种在线学习式的混合背 景模型。在固定摄像头视频监控中，混合高斯模型 是对一段起始图像序列背景建模，并且随环境变化 而逐渐更新模型，可以在一定程度上解决了复杂背 景的多峰分布问题。与其它非自适应方法相比，混 合高斯模型不需要人工干扰，对外界环境变换有更 好的适应性。混合高斯模型适用于矿石目标下落的 前景检测，通过建立背景模型可以快速准确地分割 出运动目标的前景信息，获取矿石目标几何特征信 息与位置信息。 1 ．1 传统混合高斯模型背景建模 静态背景灰度图像中背景的灰度峰值呈现一个 峰值，目标灰度值统计大多呈现一个或多个灰度峰 值。混合高斯模型是基于像素统计信息的背景建模 方法，根据一定时间序列内图像像素样本值的概率 密度等统计信息来表征背景。对于图像每个像素定 义K 一般为3 ～5 个单高斯模型，然后通过加权 和进行背景建模。对于视频帧中某个像素点 省，Y ， 其时间序列{ x l ’．一，x 。} 可以用K 个高斯分布叠加 描述，其中置为t 时刻点 z ，Y 的观察值。x 。的概率 密度函数为 X P x r 2 善％r 叼 x 帆”∑叫 1 式中，t o 为t 时刻第i 个高斯分布的权值；纵。 为f 时刻第i 个高斯分布的均值；∑“为￡时刻第i 个高斯分布的协方差矩阵。叼为高斯分布的概率密 度函数 叼 置私，∑“ 打 T d l ∑“卜 e x p 一号Ⅸ一肫，。 ∑ 五一肫，。 2 置通常描述为一个d 维向量，d 1 时对应灰度 图像的像素点；d 3 时对应R G B 三通道彩色图像 的像素点。同时为减少矩阵求逆的计算量，保证一 定精度式 2 中的协方差矩阵通常转化为元素为矿； 的对角矩阵进行运算，所以式 1 可改写为 Kd 1 P 剐2 酗．．川H 赢寿 e x p f 一丢竖掣1 3 j￡ a } j 随着检测图像的改变，模型参数也要随之不断 更新，每个新像素值x 。需要与当前K 个高斯模型进 行匹配判断，如果1x 。一心。。I ≤2 ．5 0 - 小即当前像 素值与该模型均值偏差在2 ．5 0 - 内，则认为该像素与 模型匹配，被判定为背景点。同时，按公式 4 更新 当前高斯分布的模型参数。其中，I X 为模型权值更新 率，P 为参数学习率，若该像素与模型匹配，则 M k ．。 1 ，表示需要更新匹配分布的参数；若该像素 与模型不匹配，则M “ 0 ，表示只需更新模型的权 值；若该像素与K 个高斯分布都不匹配，则以当前像 素值为均值，选取较大方差和较小权值初始化新的 高斯分布，取代原高斯模型中权值最小的高斯分布。 f t o 女．‘ 1 一d t o ，p 1 a 帆，￡ I 地 1 一P “一1 p X 。 1 0 - ； 1 一p 0 - ；一。 p j 一肌 r x 。一i x 。 L p a 叼 X 。；I X 女，盯 4 高斯模型参数更新完成后，将每个像素的K 个 高斯分布按照∞／矿大到小进行排序，并从K 个高斯 分布中选取前B 个高斯分布作为背景像素的最佳描 述模型。若当前像素值满足公式 5 则判定该像素 点为背景点，反之则为前景点，实现前景运动目标的 检测。其中，丁为预定阈值，可根据背景复杂度设定。 万方数据 6 4 有色金属 选矿部分2 0 1 8 年第2 期 b B a r g m i n ∑∞ T 5 l 经过以上步骤可以得出像素点 菇，Y 的前景分 割和更新过程，从而判断像素点 z ，Y 是否为前景。 但是根据工业化现场要求传统混合高斯模型背景建 模方法数据计算量大，针对自由落体运动钨矿石而 言，检测过程所需运算时间远不及实时检测系统要 求，矿石检测精度也随之降低。 1 ．2G P U 并行优化混合高斯背景建模 1 9 9 9 年N V D I A ⋯。引发布第一款G P U G r a p h i c P r o c e s s i n gU n i t ，随着C U D A 平台的出现，G P U 可编 程性不断提高。如今借用G P U 的计算能力来进行 图像处理工作称为通用G P U 计算 G P G P U 。 G P G P U 通常需要综合运用C P U 和G P U 。C P U 擅长 进行计算机内部逻辑运算，而面对大量数据并行计 算的任务G P U 有得天独厚的优势。 根据试验分析，G P U 可以应用到混合高斯背景 建模加速。混合高斯模型参数更新中大量浮点运算 十分适合用C U D A 移植至G P U ，对于分担C P U 计算 量可以达到不错的效果；其次，G P U 包含大量流处 理单元，各单元之间可以并行处理互不干扰。混合 高斯背景建模算法是对每个像素进行多个高斯模型 建模，像素之间不具备数据相关性，每个像素混合高 斯建模过程可以利用流处理单元进行并行运算加 速。C P U 与G P U 之间数据处理流图如图1 所示。 C P U G P U 一一 ●●● 一一 ，●一一一一一一一一一一一一一一一一一一 全局内存 输入 三j c 地嚣雀‰目 模型 J 模型数目自主设 卜蠢豁蓑鏊鬻 取 常量内存 算法参数 初始参数．学习率 H 兰竺竺 输出 图1C P U 与G P U 之间的数据流 F i g ．1 D a t af l o wb e t w e e nC P Ua n dG P U 通常将运行在G P U 上的C U D A 并行计算函数 称为K e r n e l 内核函数 。K e m e l 函数是C U D A 程序 中的一个可以并行执行的步骤。K e r n e l 函数所用数 据来源于显存，所以图像数据需要从C P U 内存传输 到G P U 显存中。K e r n e l 函数中既包括G P U 中G r i d 中B l o c k 的并行过程，又包括B l o c k 中T h r e a d 间的 并行过程。现有版本中的B l o c k 中最大可以支持 10 2 4 - 1 纠个线程。试验过程中根据图像帧实际分辨 率，取块内线程个数为4 0 0 ，保障在同一线程块中最 大数量的线程并行执行任务，达到最大效率。串行 循环移植至G P U 线程并行运算如图2 所示。 2 融合灰度特征与图像窄带的矿石目 标识别算法 根据之前混合高斯背景建模方法能够获取矿石 运动目标位置信息，钨矿初选任务最重要的环节就 是将钨矿石中的脉石进行识别。黑钨断续嵌入在白 色石英晶体 脉石 中，而周围共生的围岩 废石 呈 - _ - - - _ l 混合高斯背景模型受 新操作 第n 次循环操f 1 k 线程T h r e a d n L _ J 图2串行循环移植至G P U 线程并行关系图 F i g ．2 T h es e r i a ll o o pp o r t e dt ot h eG P Ut h r e a d p a r a l l e l i z a t i o nr e l a t i o n s h i pd i a g r a m 黑褐色，颜色特征成为钨矿初选过程中的图像检测 与识别的检测依据。 静态背景中运动目标识别方法有很多种，包括使 用范围最广的S I F T 【1 4 ] 与S U R F 【1 5 ] 方法，考虑到工业 化现场应用，矿石目标识别算法对时间复杂度要求 高，本文提出基于图像窄带灰度特征矿石识别算法， 快速准确定位及识别钨矿石中脉石，提高系统分选 万方数据 2 0 1 8 年第2 期郭宇等基于混合高斯图像窄带模型钨矿初选技术研究 6 5 效率。 2 ．1 基于灰度特征矿石目标识别方法 视频数据流经过矿石目标检测后，下落矿石目 标包括脉石与废石均可检测成功。针对钨矿初选目 标，从所有矿石目标中将脉石检测识别。嵌有钨晶体 的脉石与黑褐色的废石颜色差异明显，且原始矿石图 像为灰度图像，采用灰度阈值分割判断脉石与废石。 取图像像素点 i J 灰度值为M i √ ，灰度阈值为 ％。灰度阈值％是分选脉石与废石的重要关键。取 2 0 0 帧脉石下落视频图像帧进行分析，统计每个检测 完成的下落脉石目标灰度均值砑，计算所有脉石目标 灰度均值的加权平均值，以最终加权平均值作为当前 光照背景条件下的灰度阈值％，见式 6 。 N 一 艺M 。J B 。 ％ 芏■r 一 荟卢n 6 F M i √ ％为脉石 【M i ，， ≤T H 为围岩 式中N 为下落脉石数目，口。为该脉石灰度均 值出现次数。 2 ．2 基于图像窄带矿石目标追踪方法 钨矿石中脉石识别完成后，需要将脉石的运动 位置信息与脉石识别信息合并发送至高速喷气阀进 行分选。可以通过脉石的运动位置信息，获取脉石 轮廓并绘制脉石外接矩形，其外接矩形的质心坐标 可近似看作脉石目标的质心目标。考虑到矿石分选 效率以及气阀喷射次数的限制，脉石坐标位置应当 唯一取得。 本文提出基于图像窄带矿石目标追踪方法，获 取唯一脉石坐标位置，同时满足算法所需时间复杂 度，根据物理定律在图像区域划分一条图像窄带，便 于矿石目标追踪。 取完整的一块脉石下落视频图像帧进行分析， 已知矿石起始下落至图像上边缘高度h ，，矿石进入 图像高度h 可通过比例尺进行换算求得，由于矿石 静止下落，纵向初速度为零。根据自由落体运动定 律，不计空气阻力影响通过式 7 计算出脉石下落 图像中矿石的即时速度q ，利用平均速度在相邻帧 间隔时间内纵向像素路径，在当前帧图像建立一定 范围的图像窄带，，能够确保图像窄带中有且仅有唯 一脉石下落，确定唯一脉石质心目标。确定目标位置 后，可以获取矿石目标距离分选位置高度h ，，根据 式 7 可以计算矿石目标当前距离分选位置的时间 A T ，A T 后分选系统发送指令传输脉石质心坐标信 息至气阀将脉石击落。图3 为矿石下落示意图，图 4 为图像窄带示意图。表1 为图像窄带划分表。 ％ 、压刃■订万 ，耻 3 q △丁 _ 9 1 △严 7 其中凡为同一矿石下落过程中出现在图像中 的次数，出为相邻帧时间间隔。 矿石下落起始。一 高度下落至图像 ，上边缘高度 图像上边界 ，一 ● 矿石目标H 。进入图像高度 J J ． 距离分选位 图像F 边界干一置品赝 分选位置j r _ 图3 矿石下落路径示意图 F i g ．3D i a g r a mo fo r ef a l l i n gp a t h 图4 图像窄带示意图 横线划分区域为图像窄带 F i g ．4I m a g en a r r o w b a n dd i a g r a m T h el i n ed i v i s i o na r e ai st h ei m a g en a r r o w b a n d 表1图像窄带划分表 T a b l e1 I m a g en a r r o w b a n dd i v i s i o nt a b l e 3 基于混合高斯图像窄带模型钨矿初 选算法 本文提出基于混合高斯图像窄带模型钨矿初选 万方数据 6 6 有色金属 选矿部分2 0 1 8 年第2 期 算法，将G P U 并行优化混合高斯模型与融合灰度特 征与图像窄带的矿石目标识别算法相结合，对采集 的每帧矿石图像实时处理，获取脉石位置信息进行 钨矿初选。算法流程如图5 所示，其中混合高斯模 型检测下落矿石目标与形态学滤波步骤采用G P U 并行优化算法执行。 初始化混合高斯模型 参数 是 开始 采集落矿处背景图像 澎 G P U 力【I 速混合高斯运动 目标检测脉石 形态学开运算 统计计算脉石灰度阈 值建立图像窄带 是否为前 2 0 0 帧 童查 利用本文算法实时检 测识别脉石与围岩 结束 是 图5 算法流程框图 F i g ．5 A l g o r i t h mf l o wc h a r t 算法具体步骤如下 1 利用图像采集系统采集落矿处背景图像，凭 借采集视频前5 0 帧静态背景图像初始化混合高斯 模型参数。 2 检测混合高斯背景模型是否初始化完成，将 模型初始化参数与当前帧图像传输至到显存。 3 下落一定数量的脉石，建立G P U G M M K e r - n e l 函数，检测下落脉石目标，对当前帧图像上每个 像素点建立混合高斯模型，多线程并行检测该像素 点是否属于脉石目标像素点。 4 对脉石目标前景图像进行形态学滤波。由 于工业现场实际传送带运输环境中，矿石常常伴有 细小水珠下落，影响矿石目标检测效果。形态学运 算中先腐蚀后膨胀的过程称为形态学开运算。形态 学开运算可以消除细的突出物，消除图像中细小水 珠对检测效果的影响。 5 经过脉石检测后，选取前2 0 0 帧脉石下落视 频图像进行算法参数初始化。根据本文提出融合灰 度特征与图像窄带的矿石目标识别算法，提取实时 光照背景环境下灰度阈值％与图像窄带，宽度。 6 所有参数初始化完成后同时下落脉石与废 石，利用融合图像信息G P U 加速混合高斯模型钨矿 初选算法进行实时矿石检测识别，若检测到脉石便 可以发送分选指令通知气阀将脉石击落。 4 试验结果及分析 4 ．1 试验设计 为验证上述方案在钨矿初选系统中软硬件设计 的可行性，采用M i c r o s o f tV i s u a l S t u d i o2 0 13 平台作 为软件编译环境，选择配置为I n t e lC o r ei 7 - 6 7 0 0 H Q C P U ，主频为2 ．6 0G H z ，内存为8G B 的移动工作站 作为算法试验载体。高速摄像机采集矿石下落视频 序列作为数据来源，图像分辨率为12 8 0 荟4 0 0 ，帧率 为1 3 0F P S 。本文优化算法与传统混合高斯模型进 行对比分析进行试验。混合高斯模型初始化参数均 为K 取3 ，d 初始化为0 ．0 3 。 进行两组对比试验试验一为多脉石与多废石 同时下落目标检测试验，验证本文算法的有效性；试 验二为多脉石下落目标检测试验，验证本文算法的 鲁棒性。图6 为试验一试验结果。图7 、图8 为试 验二试验结果。 图6 本文算法检测结果 多脉石多废石目标 F i g ．6 O u ra l g o r i t h md e t e c t i o nr e s u l t s M u l t i g a n g u ea n dw a s t er o c kt a r g e t 万方数据 2 0 1 8 年第2 期郭宇等基于混合高斯图像窄带模型钨矿初选技术研究 6 7 图7 本文算法检测结果 单脉石目标 F i g ．7 O u ra l g o r i t h md e t e c t i o nr e s u l t s S i n g l eg a n g u et a r g e t 图8 本文算法检测结果 多脉石目标 F i g ．8 O u ra l g o r i t h md e t e c t i o nr e s u h s M u h ig a n g u et a r g e t 4 ．2 试验分析 脉石目标检测精度可以采用检出率、虚警率 以及漏检率三个指标进行衡量。本文两组试验结 果如表2 所示。检测率、虚警率与漏检率通过式 8 进行计算。表3 列出试验一中本文算法、传统 混合高斯模型算法和传统人工手选作业的对比统 计结果。表4 列出试验二中本文算法、传统混合 高斯模型算法和传统人工手选作业的对比统计结 果。经过两组试验对比，本文提出算法检测速度 平均每帧处理时间为9 ．9 1m s ，优于传统混合高斯 模型结合本文检测识别算法的1 6 ．5s ，远优于传统 人工手选单个脉石的分选时间2 ～3s ，检测速度提 升2 ～3 个数量级。检测精度方面，本文提出算法 检出率比人工手选作业方式平均提高9 ．7 ％。 检出率 锱勰觥 虚警率 篙涨黼 8 漏检率 蘸㈣ 表2 T a b l e2 脉石检测情况表 G a n g u ed e t e c t i o nt a b l e 试验对象正确检测数目错误检测数目未检测数目 表3试验一不同方法检测指标 T a b l e3D i f f e r e n tm e t h o d so ft e s t i n g i n d i c a t o r so fe x p e r i m e n t1 表4试验二不同方法检测指标 T a b l e4D i f f e r e n tm e t h o d so ft e s t i n g i n d i c a t o r so fe x p e r i m e n t2 5结论 通过对钨矿初选方法选择研究，提出基于混合 高斯图像窄带模型钨矿初选算法。矿石运动目标检 测算法引入G P U 加速并行优化思想，根据图像帧中 像素点之间没有相互依赖关系这一特性，摒弃模型 更新中对每帧图像中的每个像素进行遍历循环的串 行代码执行方式，将模型更新中串行代码优化为像 素多线程并行处理方式，大幅降低算法时间复杂度， 满足系统在实时检测中的需求。同时在矿石识别及 分选过程中，提出融合灰度特征与图像窄带的矿石 目标识别算法，对图像信息进行分析快速高效矿石 分选位置信息，两者结合对钨矿石进行初选。试验 结果表明，本文提出算法相比于人工手选方式作业， 具有更高的分选速度与精度，满足现行工业化要求。 虽然基于机器视觉钨矿初选系统硬件架构需要进一 步的设计与论证，但本文算法的提出为系统整体研 制及解决钨矿初选环节的高效化、企业收益最大化 提供了理论依据。 参考文献 [ 1 ] 高玉德．我国钨矿资源特点及选矿工艺研究进展[ J ] ． 中国钨业，2 0 1 6 5 3 5 3 9 ． [ 2 ] 方浩，艾光华，刘艳飞．白钨矿选矿工艺研究现状及发展 趋势[ J ] ．中国钨业，2 0 1 6 3 2 7 - 3 1 ． 下转第8 6 页 万方数据 8 6 有色金属 选矿部分2 0 1 8 年第2 期 高干式风力分选精度、处理能力和可靠性是需要研 究的重要课题。 参考文献 [ 1 ] 冉红想，史佩伟，刘永振．干式磁选设备的现状与应用 进展[ J ] ．有色设备，2 0 1 0 6 1 1 1 3 ． [ 2 ] 赵瑞敏，史佩伟，田华伟，等．细碎磁铁矿干式磁选机研 制[ J ] ．有色金属 选矿部分 ，2 0 1 1 5 4 2 - 4 5 ． 上接第6 7 页 [ 3 ] B R U C EGB A T C H E L O R ．M a c h i n eV i s i o nf o rI n d u s t r i a l A p p l i c a t i o n s [ M ] ．L o n d o n S p r i n g e r ，2 0 1 2 ． [ 4 ] D E Q I N GS U N ，S T E F A NR O T H ，M I C H A E LJ ．B L A C K ．A q u a n t i t a t i v ea n a l y s i so fc u r r e n tp r a c t i c e si n o p t i c a lf l o w e s t i m a t i o na n dt h ep r i n c i p l e sb e h i n dt h e m [ J ] ．I n t e r n a t i o n a l J o u r n a lo fC o m p u t e rV i s i o n ，2 0 1 4 ，1 0 6 2 1 1 5 ．1 3 7 ． [ 5 ] R A S H I DME ，T H O M A SV I N U ．AB a c k g r o u n dF o r e g r o u n d C o m p e t i t i v eM o d e lf o rB a c k g r o u n dS u b t r a c t i o ni nD y n a m i c B a c k g r o u n d [ J ] ．P r o c e d i aT e c h n o l o g y ，2 0 1 6 ，2 5 5 3 6 - 5 4 3 ． [ 6 ] 周西汉，刘勃，周荷琴．一种基于对称差分和背景消 减的运动检测方法[ J ] ．计算机仿真，2 0 0 5 4 1 1 7 ． 1 1 9 ，1 2 3 ． [ 7 ] B A R N I C HO ，V A ND R O O G E N B R O E C KM ．V i B e a u n i v e r s a l b a c k g r o u n d s u b t r a c t i o n a l g o r i t h m f o rv i d e o s e q u e n c e s [ J ] ．I E E E T r a n sO U I m a g eP r o c e s s i n gA P u b l i c a t i o no ft h eI E E ES i g n a lP r o c e s s i n gS o c i e t y ，2 0 1l ，2 0 6 1 7 0 9 - 1 7 2 4 ． [ 8 ] G A OT A O ，L I UZ H E N G G U A N G ，Y U ES H I H O N G ，e ta 1 ． R o b u s tb a c k g r o u n ds u b t r a c t i o ni nt r a f 矗cv i d e o s e q u e n c e [ J ] ．J o u r n a lo fC e n t r a lS o u t hU n i v e r s i t yo fT e c h n o l o g y 。 2 0 1 0 ，1 7 1 1 8 7 1 9 5 ． [ 9 ] W A N GX ，G U OL ．H i g h w a yt r a f f i cv i d e od e t e c t i o nm e t h o d [ J ] ．J o u r n a lo fC o m p u t e rA p p l i c a t i o n s ，2 0 1 2 ，3 2 6 [ 3 ] 冉红想．多筒干式强磁选机的研制及应用[ J ] ．有色金 属 选矿部分 ，2 0 1 0 3 4 2 掣． [ 4 ] 王芝伟，冉红想．永磁强磁选机磁系仿真模拟及结构优 化[ J ] ．有色金属 选矿部分 ，2 0 1 5 5 7 3 - 7 6 ． [ 5 ] 王芝伟，宗金彪，史佩伟．粗颗粒分选大型磁选机的研 制与工业实验研究[ J ] ．有色金属 选矿部分 ，2 0 1 3 增刊 2 1 9 - 2 2 1 ． 1 5 8 5 一1 5 8 8 ． [ 1 0 ] G R E G G I ON ，B E R N A R D I N OA ，L A S C H IC ，e ta 1 ．F a s t e s t i m a t i o no fG a u s s i a nm i x t u r e m o d e l sf o r i m a g e s e g m e n t a t i o n [ J ] ．M a c h i n eV i s i o na n dA p p l i c a t i o n s ， 2 0 1 2 ，2 3 4 7 7 3 - 7 8 9 ． [ 1 I ] 霍迎秋，秦仁波，邢彩燕，等．基于C U D A 的并行K ． m e a n s 聚类图像分割算法优化[ J ] ．农业机械学报， 2 0 1 4 1 1 4 7 ．5 3 。7 4 ． [ 1 2 ] 卢文龙，王建军，刘晓军．基于C U D A 的高速并行高斯 滤波算法[ J ] ．华中科技大学学报 自然科学版 ，2 0 1 1 5 1 0 ．1 3 ． [ 1 3 ] 肖汉，周清雷，张祖勋．基于多G P U 的H a r r i s 角点检 测并行算法[ J ] ．武汉大学学报 信息科学版 ，2 0 1 2 7 8 7 6 - 8 8 1 ． [ 1 4 ] L O W ED ．D i s t i n c t i v ei m a g ef e a t u r e sf r o ms c a l e ．i n v a r i a n t k e y p o i n t s [ J ] ．I n t e r n a t i o n a lJ o u r n a lo fC o m p u t e rV i s i o n ， 2 0 0 4 ，6 0 2 9 1 1 1 0 ． [ 1 5 ] R E D O N D O - C A B R E R AC ，L O P E Z ．S A S T R ER ， A C E V E D O - R O D R I G U E ZJ ．e ta 1 ．S U R F i n gt h e p o i n t c l o u d s S e l e c t i v e3Ds p a t i a lp y r a m i d sf o rc a t e g o r y - l e v e l o b j e c tr e c o g n i t i o n [ C ] ／／P r o c e e d i n g s o ft h eI E E E C o n f e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n ． P r o v i d e n c e ，R h o d eI s l a n d I E E E ，2 0 1 2 3 4 5 8 - 3 4 6 5 ． 万方数据