光学识别技术篇1
关键词：光谱探测；伪装目标；目标识别
1.前言
随着伪装技术的飞速发展，战场上目标的可识别信息越来越少，所以识别伪装目标十分重要。目前用于目标识别的方法有很多，传统的目标识别技术包括雷达探测技术、激光探测技术、红外图像探测技和声传感器探测技术等。其中，基于雷达、激光探测的目标识别技术需主动向目标发射电磁波，易受战场复杂电磁环境的影响，并存在被敌方发现的可能性，不具备被动识别目标的能力；红外图像探测技术虽然能够在全天候对目标进行监测，但是红外隐身技术的飞速发展制约了该项技术的应用；声传感器探测技术仅针对于有声目标，具有一定的局限性。但光谱识别技术是基于待测物体发射、反射或透射、辐射的光谱信息，对物体进行识别，因为光谱信息是由物体内在性质所决定的，所以不同物质的光谱谱线之间必定存在差异。光谱识别技术通常是以光谱谱线的波长强度以及谱线宽度作为物|的光谱特征对物质进行识别。其在生物学药学等领域有着广泛的应用前景和重要意义，近些年也逐步应用于伪装目标识别等军事领域。
2.光谱探测原理
高光谱遥感：全称为高光谱分辨率遥感，是指用很窄（l/100）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米（数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，因此高光谱遥感又通常被称为成像光谱遥感。
光谱分辨率：指成像的波段范围，分得愈细，波段愈多，光谱分辨率就愈高，现在的技术可以达到5～6nm（纳米）量级，400多个波段。细分光谱可以提高自动区分和识别目标性质和组成成分的能力。
传感器的波谱范围：一般来说识别某种波谱的范围窄，则相应光谱分辨率高。举个例子：可以分辨红外、红橙黄绿青蓝紫紫外的传感器的光谱分辨率就比只能分辨红绿蓝的传感器的光谱分辨率高。一般来说，传感器的波段数越多波段宽度越窄，地面物体的信息越容易区分和识别，针对性越强。
3.光谱响应特性
若以Rλ表示光谱响应率，R表示响应率。根据像管的响应率的定义――入射辐射功率所产生的输出光电流。则：
R=i/p=∫0∞pλRλdλ/∫0∞pλdλ
考虑到：
pλ=p（λ）pm，
Rλ=R（λ）Rm。
式中p为入射辐射功率，i为输出信号电流，pλ为单色辐射功率，Rλ为光阴极光谱响应率，p（λ）为单色辐射功率相关值，R（λ）为光阴极相对光谱响应率，pm为单色辐射功率最大值，Rm为光阴极光谱响应率最大值。因此：
R=∫0∞p（λ）pmR（λ）Rmdλ/∫0∞p（λ）pmdλ
=Rm∫0∞p（λ）R（λ）dλ/∫0∞p（λ）dλ
假设
α=∫0∞p（λ）R（λ）dλ/∫0∞p（λ）dλ
则有
R=αRm.
这里的α称为光谱匹配系数。以下是查找的部分光谱响应系数。
由表1不难看出绿色草木反射的辐射和暗绿色涂漆反射的辐射有在标准红外光源下S-20有很大的不同，通过这个不同我们便能识别出油漆伪装成草木，甚至在更多的情况下，我们能识别出不同的伪装。
我们选取不同的目标对象获取相应的光谱后，植被的光谱在680nm以后分反射率会提高，而非植被所表现出来的红边效应与真实的植被的红边效应有很大的差别。利用这个不同，我们便能实现利用光谱探测技术对伪装目标进行识别。
4.结束语
光谱探测技术是以物质构成的光谱唯一性为基础，将目标的几何、运动四维信息扩展为五维信息。目标的识别以光谱信息为第一特征，形态学和运动学为辅助特征，通过融合多光谱信息来识别目标。光谱探测技术的发展，对物质进行识别在生物学药学等领域有着广泛的应用前景和重要意义，也使得现代伪装技术在对付光学、红外、雷达侦察的基础上还应考虑不断出现的新侦察技术，并研究相应的伪装技术和装备，为军事领域带来了巨大的贡献。
参考文献：
[1]操乐林，武春风，侯晴宇，等.基于光谱成像的目标识别技术综述[J].光学技术，2010，36（1）.
[2]邓瑛，王满玉，申洋.超光谱成像技术在军事上的应用[J].空军装备研究，2008，2（6）.
光学识别技术篇2
【论文摘要】全息技术是物理学中的重大发现，近年来在各个行业得到广泛的应用。作为全息技术中的两个重要部分——CCD和计算机图像处理技术，在推动数字全息新一轮发展中起到至关重要的作用。本文将着重从计算机应用方面阐述图像处理技术在全息中的应用。
全息技术是物理学中一重要发现，越来越多的应用于各个行业。伴随着CCD技术和计算机技术的发展，全息技术也得到一次质的飞跃，从传统光学全息到数字全息。传统光学全息将物光和参考光干涉得到全息照片来记录光的振幅和相位信息，而数字全息则用CCD记录物光和参考光的干涉，形成数字全息图，再通过计算机图像处理技术处理全息图。因此，影响数字全息技术发展有两个重要方面：CCD技术和计算机图像处理技术。
1.图像处理技术。图像是现代社会人们获取信息的一个主要手段。人们用各种观测系统以不同的形式和手段获得图像，以拓展其认识的范围。图像以各种形式出现，可视的、不可视的，抽象的、实际的，计算机可以处理的和不适合计算机处理的。但究其本质来说，图像主要分为两大类：一类是模拟图像，包括光学图像、照相图像、电视图像等。它的处理速度快，但精度和灵活性差。另一类是数字图像。它是将连续的模拟图像离散化后处理变成为计算机能够辨识的点阵图像。从数字上看，数字图像就是被量化的二维采样数组。它是计算机技术发展的产物，具有精度高、处理方便和重复性好等特点。
图像处理就是将图像转化为一个数字矩阵存放在计算机中，并采用一定的算法对其进行处理。图像处理的基础是数学，最主要任务就是各种算法的设计和实现。目前，图像处理技术已经在很多方面有着广泛的应用。如通讯技术、遥感技术、生物医学、工业生产、计算机科学等等。根据应用领域的不同要求，可以将图像处理技术划分为许多分支，其中比较重要的分支有：①图像数字化：通过采样和量化将模拟图像变成便于计算机处理的数字形式。③图像的增强和复原：主要目的是增强图像中的有用信息，削弱干扰和噪声，使图像清晰或将转化为更适合分析的形式。③图像编码：在满足一定的保真条件下，对图像进行编码处理，达到压缩图像信息量，简化图像的目的。以便于存储和传输。④图像重建：主要是利用采集的数据来重建出图像。图像重建的主要算法有代数法、傅立叶反投影法和使用广泛的卷积反投影法等。⑤模式识别：识别是图像处理的主要目的。如：指纹鉴别、人脸识别等是模式识别的内容。当今的模式识别方法通常有三种：统计识别法、句法结构模式识别法和模糊识别法。⑥计算机图形学：用计算机将实际上不存在的，只是概念上所表示的物体进行图像处理和显现出来。
2.计算机图像处理技术在全息学中的应用。图像处理技术在全息中的应用主要表现在：一是计算全息，基于计算机图形学将计算机技术与光全息技术结合起来，通过计算机模拟、计算、处理，制作出全息图。因此它可以记录物理上不存在的实物。二是利用图像的增强和复原，图像编码技术等对数字全息图像质进行提高以及实现的各种算法。它的应用大致可以分为两大类，即空域法和频域法：①空域法：这种方法是把图像看作是平面中各个像素组成的集合，然后直接对这一二维函数进行相应的处理。空域处理法主要有下面两大类:一是领域处理法。其中包括梯度运算(Gradientalgorithm)，拉普拉斯算子运算(Laplacianoperator)，平滑算子运算(Smoothingoperator)和卷积运算(Convolutionalgorithm)。二是点处理法。包括灰度处理(greyprocessing)，面积、周长、体积、重心运算等等。②频域法：数字图像处理的频域处理方法是首先对图像进行正交变换，得到变换频域系列阵列，然后再施行各种处理，处理后再反变换到空间域，得到处理结果。这类处包括:滤波、数据压缩、特征提取等处理。
3.模拟实验。本文运用matlab软件，利用图像处理技术，编写了程序，以模拟计算全息和实现全息图像的滤波。
本文将运用matlab程序设计语言实现计算全息的制作、再现过程。标有“涉”一字，图像尺寸为1024像素×1024像素；。模拟实验中用到的参数为：激光模拟了氦氖激光器，波长为638.2nm；再现距离为40cm；因为原始物图的尺寸用像素为单位表示，所以像素分辨率为1。
从模拟实验中可以看出，数字全息的处理过程其实就是计算机图像处理在全息技术的应用过程。利用计算机图像处理技术对全息图进行了记录，将物光和参考光干涉得到了全息图。并利用图像的增强和复原对图像进行了处理，以消除噪声，得到更好的全息再现象。
参考文献
[1]周灿林，亢一澜.数字全息干涉法用于变形测量.光子学报，2004，13（2）：171－173。
[2]刘诚，李银柱，李良钰等.数字全息测量技术中消除零级衍射像的方法[J].中国激光，2001，a28(11)：1024-1026。
光学识别技术篇3
阴影及面部自动识别
μ780采用的阴影及面部自动识别是在当今主流的面部识别的基础上，加入了奥林巴斯的独家绝活――阴影识别技术，使单一的面部识别功能得到了完美升华。这项技术能够自动地对人物的面部进行对焦，还能够根据被摄体的亮度，对拍摄场景中较暗的部分进行适当的亮度补偿，使得人物和背景都有合适的亮度，从而拍摄到更加真实的画面。
在使用数码相机拍照时，遇到逆光拍摄等情况，为了增加亮度，往往会打开闪光灯，这样容易使画面整体变亮失真，背景也会偏白。有了μ780的阴影自动识别技术，就可以自动识别并修正阴影处的亮度，使明亮处与阴影处都能做到亮度适中，从而使拍摄出的图像效果等同于人眼看到的物体的实际效果。而在开启了阴影自动识别功能键后，面部识别功能将自动启动。在拍摄人像时，可自动捕获画面中最多十个人物的面部位置，进行自动对焦及自动曝光调整，确保面部信息可准确还原。
这项创新技术的加入为我们拍出好作品奠定了坚实的基础，也可看出奥林巴斯在消费级数码相机上的良苦用心。
5倍光变搭载轻薄机身
作为一款旗舰级产品，当然不会只拘泥于一项领先技术的应用。奥林巴斯μ780数码相机还在厚度仅为24mm的纤薄机身上，惊人地配置了焦距相当于35mm相机36mm~108mm的可进行望远摄影的5倍光学变焦镜头，使其具备了长焦拍摄的优势，可以胜任更多种题材的拍摄。放眼整个行业，在如此轻小的机身上配置5倍光学变焦镜头着实并不多见，因为要在小巧、纤薄的机身上配置5倍光学变焦镜头必须拥有高超的镜头开发能力和制造技术作支持。μ780正是通过奥林巴斯卓越的制造工艺，将高折射镜片与含有包括1片大凹面非球面镜片在内的4片非球面镜片组相结合，才实现了这一功能。
5倍光学变焦与3倍光学变焦相比，拍摄出的图像大小是后者的1.7倍。举例来说，当我们拍摄距离相机2m远的人物时，3倍光学变焦只能拍摄到整个人物的上半身，脸部图像比较小；而用5倍光学变焦的μ780数码相机进行拍摄时，脸部图像将放大，充满整个画面，这无疑会给我们的拍摄带来更多的乐趣与体验。
双重防抖，轻松拍照
我们在使用相机时，常常会因为手部抖动和被摄体晃动导致拍摄出的影像十分模糊，这样不仅错失了一个美丽的瞬间，更影响了我们的拍摄心情。不过要是利用奥林巴斯μ780的CCD防抖，再配合其iSo1600的高感光度电子防抖进行拍摄，便可有效减轻影像模糊，使我们的拍摄更加放心自如。
所谓CCD防抖技术，是通过数码相机的成像元件CCD与手部抖动方向的反向移动来减轻手抖效应的技术。我们都知道，高倍率变焦时很容易引起手抖效应，但由于μ780数码相机采用了CCD防抖功能，用户们便可以放心地使用μ780数码相机的5倍光学变焦功能，随心所欲地进行拍摄。此外，采用iSo1600的高感光度进行拍摄时，手抖效应也可得到有效减轻，而由被摄体移动引起的图像模糊现象也同样可以得到减轻。这可以说是为我们的拍摄上了双保险，丝毫不用担心由于手部的些许抖动和被摄体移动而造成影像模糊不清等现象的出现。
全新引擎，完美效果
这次μ780还采用了全新的图像处理引擎“truepiciii”。它将噪点控制技术、细节再现技术和色彩还原技术完美结合，进一步提升了相机的成像质量。其中，噪点控制技术能正确分离图像和噪点，在忠实再现被摄物体的同时，有效抑制了噪点的产生；细节再现技术能够正确地检测出边缘，并圆滑地再现图像边缘，去除伪色；而色彩还原技术则是更优化的独立控制辉度信号；色差信号的色彩处理技术，能够忠实再现各种色彩。
光学识别技术篇4
随着科技和信息技术的不断发展，人们对自动化信息采集和智能化管理的需求越来越高。货车作为港口物流的主要载体，流量大、人工管理成本高。为解决这一问题，文中提出了一种基于图像识别与RFiD技术的货车进出管理系统。该系统采用图像识别技术和RFiD技术，能够自动识别货车车牌并判断其进出方向及权限，并可自动保存车辆进入、离开识别区域的图片或视频。
关键词：
图像识别；射频识别；进出判断；鉴权
0引言
随着物联网技术的不断发展，使用电子车牌来管理机动车的RFiD技术逐渐成熟，其最典型同时也是最广的应用场景是小区和停车场的车辆进出管理，给每一辆进入小区或停车场的车发放一张RFiD标签作为车辆的唯一标识，用以完成身份识别和计费等自动化管理。最近几年，图像识别技术获得了实质性的突破，集成了图像识别模块的高清摄像机可以独立完成车辆的车牌识别。但RFiD技术和图像识别技术都有各自的缺点，RFiD技术在车辆进出管理时无法解决跟车问题，而图像识别在光线极差或车牌有污泥等障碍物遮挡时无法获取车牌[1]。本文提出的基于图像识别与RFiD技术的货车进出管理系统将图像识别技术和RFiD技术结合起来，取长补短，相互补充，提高了系统的识别率和准确率。
1图像识别技术与RFiD技术的工作原理
图像识别技术主要利用计算机对视频或图片中的信息进行特征分析，货车的车牌自动识别主要采用视频处理、模式识别及人工智能技术。通过红外光栅或地感线圈触发，实现单个货车车牌的准确识别。近些年，随着技术的进一步发展，无需外部触发装置的车牌识别系统即可对区域内一个或多个车辆的车牌进行实时识别。RFiD技术作为物联网技术的一种，分为无源RFiD技术、有源RFiD技术和半有源RFiD技术[2]。无源RFiD技术的工作频段为900mHz左右，优点是标签成本低，且标签不需要维护，缺点是设备成本高，读卡距离近。有源RFiD技术的工作频段为433mHz左右或2.4GHz左右，其优点是通信距离远，缺点是标签使用寿命约为3年，且读卡距离不容易控制。半有源RFiD技术将低频125kHz左右与高频2.4GHz左右相结合，低频唤醒，高频通信，优点是低频边沿控制，标签低功耗指标好，缺点是标签成本高。本系统中的RFiD技术采用有源RFiD技术配合定向天线，读卡距离控制良好。
2货车进出管理系统设计
基于图像识别与RFiD技术的货车进出管理系统包括高清图像抓拍机、红外对射光栅、有源RFiD定向阅读器和有源电子标签。标签放置到货车上，作为货车的唯一标识，与车辆的车牌有唯一关联。阅读器和摄像头被分别架设在安全岛的进出方向，通过调整阅读器的读卡范围和摄像头的图像识别区，保证阅读器的读卡和摄像头的图像识别联动，配合特殊的关联算法，以进行车辆的车牌识别、进出判断及权限管理。红外对射光栅作为辅助触发摄像头图像识别的设备，在光线不足或存在其他因素导致摄像头不能独立触发图像识别时，辅助、触发摄像头进行图像识别[3]。当安装有源电子标签的车辆进入或离开码头时，有源电子标签被有源阅读器读取，车辆进入图像识别区域后，车辆车牌被摄像头识别，后台的阅读器和摄像头关联算法会自动关联车牌与电子标签关系，并判断车辆的进入或离开权限，记录车辆进入或离开的图片或视频，根据权限判定结果选择放行或告警。
3图像预处理及RFiD关联算法
图像识别率受外界环境，如光照强度，角度等因素影响，为提高识别率需要进行图像预处理和图像边缘检测。所谓图像预处理即采用图像灰度转换、图像增强、倾斜矫正等技术，对所采集的图片进行系统预处理操作，降低图像识别算法的复杂度，提高识别的准确率。所谓边缘是指图像周围像素灰度有阶跃变化或屋顶变化的像素集合[4]，这是图像识别最基础的部分。由于光线相对弱、目标是动态物体、抓拍机角度有倾斜等原因导致摄像头抓拍到的图像信息相对模糊，因此需要进行图像预处理[5]。RFiD关联算法的核心是预先知道摄像头图像识别区和RFiD读卡控制区以及触发或自动识别的起始点。文中的RFiD读卡区域比图像识别区稍大，即车辆上的电子标签先被读取，阅读器上报标签iD到服务器平台作为缓存，图像识别完成后关联对应的电子标签，最后进行车辆是否准许进入或离开的鉴权。
4结语
本文提出了基于图像识别与RFiD技术的货车进出管理系统，介绍了图像识别技术与RFiD技术的工作原理，讲解了货车进出管理系统设计，阐明了图像预处理及RFiD关联算法。基于图像识别与RFiD技术的货车进出管理系统投入使用后，大大提高了车辆的管理效率和方便性，车辆的历史运行轨迹和视频可查，方便追溯，达到了安全管理、科学管理的目的。
作者：朱虹杨登辉单位：中国电子科技集团第五十二研究所物联网事业部
参考文献
[1]周治国，李文印，李同，等.基于RFiD的新型机动车号牌及自动识别系统[J].吉林大学学报（信息科学版），2008，26（4）：374-379.
[2]祁超.RFiD射频识别技术及频段划分[J].电信快报：网络与通信，2010（3）：14-16.
[3]刘雪飞，贾勤，胡东明.一种基于RFiD技术的货运车辆管理系统[J].物联网技术，2014，4（5）：22-23.
光学识别技术篇5
关键词：手势识别；发展现状；技术应用；关键技术
一、人工智能手势识别人机交互技术的相关概述
手势识别是计算机科学和语言技术中的一个主题，目的是通过数学算法来识别人类手势。本领域中的当前焦点是动态和静态的手势识别。在人机交互方面，用户可以使用简单的手势来控制或与设备交互，从而避免接触。除此之外，姿势、步态和人类行为的识别也是手势识别技术的主题。手势识别可以被视为计算机理解人体语言的方式，从而在机器和人之间搭建起更方便的桥梁。
手势识别最初是使用机器设备，有线地连接在计算机系统上，从而直接检测手胳膊各关节的角度和空间位置并将这些手势数据完整无误地传送至识别系统中。其典型设备如数据手套等。其后，通过对传感器技术的发展，光学标记方法取代了数据手套，用户只需佩戴光学标记设备，便可通过红外线将人手位置和手指的变化传送到系统屏幕上。光学标记方法也可提供较好的识别效果，但仍需较为复杂的设备。
外部设备的介入虽使得手势识别的准确度和稳定性得以提高，但却掩盖了手势自然的表达方式。为此，基于视觉的手势识别方式应运而生，视觉手势识别是指对视频采集设备拍摄到的包含手势的图像序列，通过计算机视觉技术进行处理，进而对手势加以识别。
二、人工智能手势识别人机交互技术的发展现状
（一）国外发展现状
手势识别技术已经在全球范围内被广泛研究与应用。韩国的高校研究员设计的手势识别系统平均识别率超过60%；印度研究者在视觉手势识别的基础上，提出了一种基于结构特征的手势识别算法，使得识别率大幅度改进；除此之外，许多大型跨国电子企业也投入到手势识别的研究与项目开发中，如三星开发出了智能电视，可通过手势与语音完成开关机、换台、音量调节等操作；微软研发了一种通过笔记本电脑内置的麦克风和扬声器实现手势识别的技术等。
（二）国内发展现状
近年来，我国对基于手势识别技术的人机交互的研究得到了极大的发展，高校研究所与科研单位贡献了许多研究成果。中国科学院软件研究所通过建立模型，实现了对人手运动的鲁棒性跟踪，即跟踪丢失后可自动恢复，继续跟踪；中国科学技术大学和哈尔滨工业大学合作研究出了基于“大小手”的徒手手势实时识别，该系统对常用手势识别率极高；清华大学计算机科学与技术系提出了一种新的基于表观的手势识别技术，实现了对12种手势在线识别的系统，并拥有极高的准确度。
三、人工智能手势识别人机交互技术的应用方向
（一）在工业控制领域的应用
在工业控制领域中，手势识别技术可用于无接触梯控，减少可能存在的接触以防止病毒的传播。如在电梯中加装摄像头和显示屏，通过对手势的识别来操控电梯楼层、开关门，可以极大地减少不必要的接触，在新冠病毒威胁尚未消除的当下，这项应用具有相当大的价值。除此之外，手势识别还可以用于操纵工业机器手，完成某些具有风险但精度要求并不高的工作，如操作链锯、浇筑铁浆等，极大地保障了工人的生命安全。
（二）在医疗设备领域的应用
手势识别与智能化医疗相辅相成，能极大地减轻医生、护士的负担，为病患提供更好地服务。汇春科技公司研制了隔空手势识别芯片，加载在医疗设备上之后，可以实现隔空手势感应与应用护理，无论是护工的日常清理还是护士的护理上药，均可通过该芯片操纵设备隔空进行，极大地减少了病菌的传播，进一步保护了病患和医护人员的生命安全。
（三）在智能家居领域中的应用
手势识别技术可以与日常家电结合，在之只能家居领域大放异彩。以电视为例，加载了手势识别技术后，智能电视可实现远距离通过手势切换频道，调节音量，甚至用手势实现开关电视，极大地方便了人们的生活。
四、人工智能手势识别人机交互技术的应用发展策略
（一）不断完善技术产业链
对人工智能手势识别的后期发展中，可以通过科研机构、各高校对人工智能手势识别的应用方向进行有效创新研究，将理论研究，产品设计，工艺制造、测试使用形成一条产业链，大力推动手势识别技术的应用和发展。
（二）积极发展核心关键技术
手势识别技术的某些瓶颈难题，如识别成功率受到周遭环境影响极大，手部关节因人而异，不同用户做手势时存在的熟练度和速率差异，效率和识别延迟等问题，均需要通过发展核心关键技术来克服，把控和发展核心关键技术将是手势识别技术大力发展的保证。
结束语
对人工智能手势识别人机交互相关技术进行全方位多层地的分析与探讨后发现，我国的很多领域均出现了手势识别技术的应用实例，部分获得了较好的成果。但需要注意的是，综合各个行业的应用实例来看，应用场景存在极大的差异，整体技术层次参差不齐，同时各大高校研究机构对于该技术的研究方向均不尽相同，这说明手势识别技术还存在着相当大的潜力待人们发掘。
参考文献
[1]陈壮炼，林晓乐，王家伟，李超.基于卷积神经网络的手势识别人机交互系统的设计[J].现代计算机，2021(06):57-62.
[2]任海兵，祝远新，徐光，林学，张哓平.基于视觉手势识别的研究—综述[J].电子学报，2000(02):118-121.[3]孙超，冯志全，李扬，张明敏，张文杰，潘志庚.基于手势识别的人机交互综述[a].中国计算机学会多媒体技术专业委员会、中国图象图形学学会多媒体专业委员会、中国计算机学会普适计算专业委员会、aCmSiGCHi中国分会、中国自动化学会.第六届和谐人机环境联合学术会议（HHme2010)、第19届全国多媒体学术会议（nCmt2010）、第6届全国人机交互学术会议（CHCi2010）、第5届全国普适计算学术会议（pCC2010）论文集[C].中国计算机学会多媒体技术专业委员会、中国图象图形学学会多媒体专业委员会、中国计算机学会普适计算专业委员会、aCmSiGCHi中国分会、中国自动化学会:中国计算机学会多媒体技术专业委员会，2010:9.
[4]李清水，方志刚，沈模卫，陈育伟.手势识别技术及其在人机交互中的应用[J].人类工效学，2002(01):27-29+33.
[5]任雅祥.基于手势识别的人机交互发展研究[J].计算机工程与设计，2006(07):1201-1204.
[6]杨益平，闵啸.基于计算机视觉的手势识别人机交互技术[J].电子技术与软件工程，2018(12):138-139.
[7]顾立忠.基于表观的手势识别及人机交互研究[D].上海交通大学，2008.
光学识别技术篇6
关键词：自动识别;智能识别;RFiD识别
物联网是物物相联的互联网，物联网识别技术即利用射频识别、红外感应器、自动识别、无线定位、数据通信等技术为基础形成的一门高新技术，通过计算机互联网实现物品的自动识别和信息的互联与共享，让物品能够彼此进行“自动开口说话”。物联网识别中把任何物体与互联网相互连接，进行智能识别，互相传递数据，是端到端非常关键的技术，也是对物品的自动识别技术，自动识别技术是能让物品自己“交流”的一种智能化新型识别技术。
1物联网自动识别的概念和分类
1.1自动识别技术的概念
自动识别技术是将物品数据自动采集和智能化识别读取，并自动读入到计算机互联网的重要方法和技术手段。随着物联网在全球范围内得到了迅猛发展，自动识别技术现在已经基本形成了一个覆盖条码识别、射频识别、图像识别、生物特征识别以及磁识别技术等的计算机、光、电、通信、地理定位、网络技术为一体的高技术学科。
1.2自动识别技术的分类
自动识别技术的分类方法有很多种，第一种，按照国际自动识别技术的分类标准进行分类，第二种，按照应用领域和具体特征的分类标准进行分类。
按照国际自动识别技术分类的标准，自动识别技术可分为物品数据采集技术和物品特征提取技术两大类。物体数据采集技术分为四类：光识别、电识别、磁识别、无线识别等;特征提取技术分为三类：识别静态特征、识别动态特征和识别属性特征等。
按照特征分类的标准，自动识别技术可以分为iC卡识别技术、条码识别技术、图像识别技术、磁卡识别技术、光学字符识别技术、生物识别技术和射频识别技术等。
1.2.1iC卡识别技术
iC卡是一种信息载体卡，电子式数据自动电路集成识别卡，iC卡分为接触式iC卡、非接触式iC卡和双界面卡三种。
1.2.2条码识别技术
1.2.2.1一维条码
一维条码是由一组规则排列的宽窄不同的线条和间隔组成的二进制编码。线条和间隔根据规定的模式进行排列并且表达相应记号系统的数据项。宽窄不同的线条和间隔的排列次序可以按规则解释成数字或者字母，它能够用特定的光学设备扫描识读。
1.2.2.2二维条码
二维条码技术是在一维条码信息量无法满足实际应用需求的前提下产生的。它能够在横向和纵向两个方向用二维矩阵表达信息，存贮的数据量几何变大，数据信息更准确。
1.2.3磁卡识别技术
磁卡是一种卡片形状的磁性存储媒介，利用磁场载体携带数据信息，用来自动标识目标物体特征或作其他用途。它由高耐温、高强度的塑料涂覆材料制成，能防潮、能耐磨，可靠性高、柔韧性好，方便携带。与二维条码相比能够在小面积储存较大的数据信息，且磁条上的信息可以被重写或更改，反复利用。
2射频识别技术
射频识别技术（RFiD，即RadioFrequencyidentification）是目前传感器利用比较广的一种技术。它通过无线电信号传递信息、识别目标物体，并自动读写相关物体数据，而不需要自动识别系统与该目标之间建立机械或光学的接触。它能够以特有的阅读速度快、查找方便、稳定性好、长周期保存、无接触识别等优点，现在已经成为物联网自动识别技术中最优秀的和应用领域最广泛的自动识别技术之一。
2.1RFiD系统概念
RFiD系统是将智能标签附着到目标物体上，无线电的信号把数据从附着在物品上的智能标签上传送出去，以自动辨识与追踪该物品。
2.2构成RFiD系统的三大组成部分
2.2.1智能标签
智能标签（tag）由两部分组成：耦合元件和集成芯片，智能标签内含天线，可以接发数据信息，用于智能标签间的通信。
2.2.2读写器
读写器是读取（写入）标签信息的设备。现在市场上读写器分为两大类：第一类为手持式RFiD读写器;第二类为固定式RFiD读写器。一个简单的读写器由三部分组成：天线，耦合元件和集成芯片，
2.2.3应用系统软件
在智能标签和读写器间传递射频信号的系统软件。其系统软件工作原理：第一步，由读写器发射一个特定的询问信号;第二步，智能标签感应到此信号，然后传出应答信号;第三步，目标读写器接收到此应答信号，应答信号中含有智能标签携带的数据信息，集成芯片对其进行处理;第四步，将处理后的应答信号返回给外部集成芯片，进行相应操作。
3结语
在物联网中，RFiD技术与互联网技术、系统定位与移动通信等技术相结合，可实现全球范围内人对物品的跟踪与信息的实时共享，从而给物体赋予智能，实现人与物体以及物与物的沟通和对话，最终构成物物相联的物联网。自动识别技术是物联网体系的重要组成部分，也是物联网发展的基石，而RFiD技术作为物联网识别技术发展的最关键技术，其应用市场必将随着自动识别技术的飞速发展而迅速扩大。
参考文献：
[1]物联网射频识别（RFiD）核心技术详解.2013：3-5.
[2]物联网射频识别（RFiD）核心技术详解.2012：18-20.
[3]射频识别（RFiD）核心技术与典型应用开发案例.2008：1-7.
光学识别技术篇7
关键词：视频图像人脸检测光照数字技术
中图分类号：tp391.41文献标识码：a文章编号：1007-9416（2013）02-0089-01
1引言
随着信息社会的到来，信息技术开始朝着数字化、智能化方向发展。尤其是基于数字技术的智能人脸检测系统，在安防监控领域得到了广泛的应用。它综合了光电技术、网络工程等技术，为重要应用领域提供了强有力安全保障，比如部队敏感区域监控系统、银行身份认证系统等。数字化技术不仅是主流的发展趋势，它也推动了人脸检测与识别技术的发展，并在行业应用安全领域具有广阔的市场前景。
2人脸检测与识别技术
2.1人脸检测
人脸检测与识别相关技术主要应用于身份认证、部队安全保密监控等行业安全应用领域，其中人脸检测和识别技术是关键的环节，也是系统的核心。人脸检测的主要目标是准确定位各种复杂环境下的人脸轮廓，然后进行统一人脸位置以及图像信息的格式。人脸检测以及定位子系统的准确性和性能将直接关系到整个人脸识别系统的可行性、实时性。
2.2人脸识别
人脸识别技术的主要研究内容包括：人脸区域定位、人脸特征识别、面部分析、面部合成、面部识别等多个内容。人脸检测及其识别技术主要的应用领域涵盖了金融保密安全、医学影像分析、楼宇智能监控、远程视频会议、司法鉴定等。人脸检测与识别技术具有广阔的市场应用前景。
3人脸检测系统需求描述
随着数字技术的发展和应用，人脸检测技术开始融合了多种技术，其智能化、性能、效率更高，识别的精确性显著提高。本系统主要针对数字视频监控背景下的人脸检测与识别技术的研究工作，为了提高系统的性能和效率，需要考虑下述几个方面的问题：（1）环境条件对识别的影响；（2）人脸特征的分类和融合；（3）系统的精确度和性能的均衡。人脸检测系统的主要目标是在实时的视频图像中，精确地定位人脸区域，并进行准确地识别处理，这也是人脸检测与识别系统需要解决的问题。人脸检测系统的主要需求就是如何精确定位人脸区域，并进行准确的识别和处理。
4人脸识别检测系统设计
4.1视频图像采集子系统
在进行人脸检测、识别之前，首先要采集影像视频信息，并以指定的多媒体格式进行存储。在本系统中，主要使用DirectShow技术来采集视频图像信息。DirectShow是基于windows平台的多媒体api包，主要应用于视频图像采集、存储、播放等应用。DirectShow是以filter的模式来工作的。本系统的视频图像采集、存储的处理过程如下：
（1）设计并生成基础构件，然后进行连接。基础构件包括图像管理器、图像捕获管理器，使用iCaptureGraphBuilder2接口来连接各个构件。
（2）枚举系统中的视频设备，循环查找可用的视频设备，然后绑定到图像捕获管理器，将图像捕获管理器连接到图像组件管理器中。
（3）系统枚举可用的视频图像压缩器，选择对应的压缩器，连接到图像管理器。
（4）捕获各种环境下的人脸视频影像，系统保存为指定视频格式的文件，通常使用aVi文件，生成一个aVi过滤器。
4.2运动图像处理子系统
运动图像处理子系统的主要目标是从视频影像背景中提取编号区域的影像信息，主要是为了方便对视频影像中的目标进行分类和处理，从而获得有效的人脸影像区域。由于检测系统是基于运动影像的，因此只需用考虑运动变化中的影像像素信息。但是由于背景、光照等因素的影响，必须改进运动检测性能，才能提高整个检测系统的性能。目前对于运动检测的工作，主要使用的处理方法包括：背景剪除法、时间差分法、光流分时法等方法。
4.3人脸特征定位与验证子系统
在经过运动图像处理之后，然后进行肤色检测以后，得到人脸待检测区域，即候选区域，此时还需用进行人脸特征定位工作，主要目的是排除非人脸区域。需要考虑的是，实时采集的人脸影像在某些环境下并不是出于正面的位置，这就对人脸特征定位技术提出了较高的要求。在人脸特征定位系统中，主要是通过对人脸的主要器官：眼、耳、鼻、口等部位进行验证，来确定人脸区域。在大部分情况下，主要是对人的眼睛进行精确定位，旋转人脸等多种技巧来识别人脸区域。在系统中，主要考虑到视频监控系统的环境布局等因素，参考了眼睛在几何与灰度色彩方面特征来定位眼睛，据此来确认最终的人脸区域，采取从局部到整体的策略。
4.4人脸识别处理子系统
在准确定位了人脸区域以后，就需要进行人脸识别。人脸识别系统是整个系统的核心，也是最为复杂的部分。而在纷繁复杂的识别技术中，主要使用K-L的特征脸识别算法eigenFace，此种算法具有较强的实际应用价值和意义。但是考虑到人脸特征的复杂性，必须要结合其它的处理技巧。考虑到人脸特征的分类情况，可以充分利用特征分类的详细信息，这样可以改善识别的性能。在综合了这两种识别方法的基础上，还要考虑到光照、摄像机方向对识别结果的影响。由于大多数情况下，实时视频监控系统周围的环境、光照、方向都不是确定的，因此必须要消除光照等因素的影响，从而提高系统的识别效率和性能。
5结语
随着数字技术、光电技术、模式识别等技术的融合，基于实时视频图像的人脸检测系统的智能化程度以及性能必将得到进一步提高，人脸识别技术必将在各行业中得到广泛的应用，尤其在部队安全保密领域，这一技术的应用也必将极大地改善人们的生产及生活水平。
参考文献
[1]王金辉.人脸识别算法研究[D].西安电子科技大学，2010.
光学识别技术篇8
关键词人脸识别近红外人脸成像人脸检测直方图均衡化adaboost算法
当下，计算机及网络技术发展迅速，如何保证信息安全以及准确鉴定身份信息变得异常重要。随着社会的发展，也有越来越多的场合需要对个人身份进行识别。传统的通过身份证、工作证、密码、钥匙等方式识别身份也变得越来越不安全，利用指纹、人脸、虹膜、声音等人的固有特征进行的身份识别技术以其稳定性和可靠性越来越受到人们的关注。在对这些生物特征的识别之中，对人脸特征的识别更加直接、直观，而且使用方便、容易被接受，受到了更多的关注与青睐。人脸识别技术应用广泛，可作为刑侦鉴定的重要手段在国家安全、公共安全、智能视频监控中发挥重要作用；在企业中用于智能门禁、考勤以维护企业安全和方便企业管理；未来在自助式网络交易、金融服务、信息安全等方面也有很大的应用前景。
1人脸识别技术产品的现状及发展趋势
之前国内外的人脸识别系统很多是基于可见光谱的，后来又有基于对热红外图像的人脸识别方法，不过因为设备昂贵，且在存储和计算方面复杂度大，难以满足实际应用需要，而且基于热红外或者远红外图像的识别方法，容易受到环境温度的影响，人的健康状态和情绪对人脸识别也有很大影响，使得采集到的人脸图像产生较大变化，因而，为了解决环境光的变化对人脸识别产生的影响，近年来近红外图像的人脸识别方法进入研究范围，成为人脸识别技术领域的一个研究热点。在人脸识别过程中，人脸图像的采集因为受环境光照变化影响较大，成为一大难题。而近红外人脸成像能够很好地克服环境光线改变带来的影响，使其在不同的光照环境下都能很好地采集人脸图像。近年来，嵌入式系统发展迅速，由于嵌入式产品携带和操作方便，且成本低、功耗小、交互性强，使基于嵌入式的产品十分畅销，从而嵌入式近红外人脸识别产品成为一种发展的趋势。
2嵌入式近红外人脸识别
2.1引言
人脸识别技术是以计算机为辅助手段，利用统计学原理从动态或静态的图像中捕捉人脸进行识别。一般说来，人脸识别的研究可以分为三个部分：从复杂的场景中检测并抽取人脸的所在区域；抽取人脸的特征；最后进行相关的匹配与识别。嵌入式系统作为产品中的集成信息处理单元，保持了设备或系统对实时性、可靠性及效率的要求，嵌入式近红外人脸识别系统主要涉及近红外技术、人脸检测技术、人脸识别技术、嵌入式微处理化技术和算法优化等，通过计算机和生物学统计学原理等，利用人脸固有的生理特征进行身份识别。其主要工作过程为：由摄像头采集近红外图像，通过微处理器进行人脸检测与识别，进行特征分析与数据库人脸特征比对，最终确定被检测者身份。
2.2近红外人脸识别中光源的选取
在过去多年对人脸识别的研究中，人们已经提出了很多方法来解决在图像采集过程中可见光影响图像采集的问题，但在实际应用中各种环境因素会影响识别的性能，如面部表情、光照的变化、人脸的遮挡等。红外成像独立于可见光源，具有抗干扰性强、防伪装等优点，因为人脸皮肤的热辐射系数区别于周围景物的热辐射系数，所以红外成像容易使人脸与周围景物区别开来，可以在很大程度上弥补可见光人脸识别技术的不足。在降低环境光对成像影响的同时，我们还应考虑到人的舒适度和适应性，而且选取光源时要求主动光源的强度高于环境光，所以，主动光源最好位于不可见波段，例如：红外、紫外等。但是若长期照射紫外光，会对人的皮肤和眼睛造成永久性的伤害，而中远红外波段成像会损失物体表面的大多数信息，一般不用于人像的采集，因此近红外波段成为最好的选择，如：780nm。
2.3主动近红外人脸成像
主动近红外人脸成像设备的目的在于为人脸识别提供不受环境光影响的、高质量的人脸图像，高质量的图像要求亮度合适、均匀、对比度合适、不存在过曝光等。一般主动近红外人脸成像设备包括如下几个单元：（1）主动近红外光源。要求在相应波段强度高于环境光，且主动光源与摄像头置于同一位置。（2）摄像头。要求能够接收近红外光。（3）窄带滤光片，置于摄像头镜头外，允许近红外光通过的同时过滤环境光。由于主动光源会随着距离的增大而衰减，因此人与光源之间的距离一般为50―100厘米。
2.4人脸检测与识别的相关方法
采集图像后，我们需要对人脸进行检测和特征提取，前者是人脸识别系统中十分重要的一步，人脸的检测直接影响到后面的特征提取，人脸检测要求从不同场景中检测出人脸，受到人脸方向、面部表情、部分遮挡以及外部饰（下转第145页）（上接第140页）物等干扰，所以这是一个相当困难的工作。目前，关于人脸检测与识别方法主要有以下几种：（1）基于几何特征的方法；（2）基于统计的检测方法；（3）基于相关匹配的方法；（4）基于特征空间的方法；（5）基于神经网络的方法；（6）基于adaBoost的人脸检测方法。
2.5人脸检测中adaBoost算法的应用
adaboost算法可以说是一种分类算法，在人脸检测过程中，采用积分图的方式计算出大量的简单特征，之后从这些特征中多次选取一小部分形成一个个分类器，而后通过级联的方式进行组合，排除背景区域后就可以专注于人脸区域的检测。此算法具有计算速度快、易于计算机实现等优点。
3图像灰度预处理
在采用近红外人脸成像解决环境光影响后，我们可以得到可供分析使用的图像，之后需要对此图像进行进一步的处理与分析，提高图像的对比度，使之更加清晰。在此，我们采用直方图均衡化的方法进行处理。灰度图像是由介于黑、白不同深度的灰色显示的图像，每种灰度为一个灰度级。每个像素点具有一个灰度级，灰度直方图反映出不同灰度级出现的频率，描述了图像各个灰度级的统计特性。直方图均衡化通过某种映射关系将原图像转换为每一灰度级有近似相同的像素点数目的图像，增强图像的对比度，便于人脸特征的提取。此部分内容可通过matLaB实现，下面通过一简单示例进行效果展示，matLaB程序：
i=imread（'123.jpg'）；%读入一个图片名为“123.jpg”原图像
i=rgb2gray（i）；%将原图片转换为灰度图像
i=im2double（i）；%转换数据类型为double
i1=i+55/255；%简单线性变换增加亮度
subplot（2，2，1）；%绘制2*2网格图，绘制图像
imshow（i1）；title（'原图像'）；
subplot（2，2，2）；
imhist（i1，64）；
title（'灰度直方图'）；
subplot（2，2，3）；
imshow（histeq（i1））；
title（'均衡化图像'）；
subplot（2，2，4）；
光学识别技术篇9
【关键词】中药鉴定；近红外光谱；应用
我国中药材种类繁多，来源较多，药物质量参差不齐，对于中药的鉴定工作带来了一定的困难，传统上常用的根据性状鉴定，显微鉴定，根据理化性质鉴定等虽然可以在一定程度上鉴定重要良莠，但是前两种方法需要积累一定经验，而理化鉴定耗费的时间很长[1]，因此，找到一种操作简单，结果可靠的鉴定方法至关重要，本文主要分析总结了近红外光谱技术对于中药品种、真假及产地等特性鉴定中的作用。
近红外光是一种波长在可见光与中红外光之间的一种电磁波，是21世纪以来发展较为迅速的高新技术之一，其将电子技术、光谱技术、计算机技术及化学技术融为一体，在对于复杂样品的分析中具有重要的作用，其操作简单，分析迅速，效率高，花费少，结果重复性好[2]，同时采用近红外光谱技术在检测过程中样品不需要处理，不会破坏受检品，使得在线分析便于实现，是一种典型无损伤的分析方法，已经得到了广泛应用。
1近红外光谱技术的原理及其特点
11原理近红外光谱技术是一种结合了光谱技术与化学技术的新型检测技术，是近年来发展较快的分析方法，其主要是以分子的振动为基础，但是与中红外的分子振动不同，近红外区的振动频率比较高，分子主要是采用倍频吸收（含氢集团）及合频吸收两种方式对其吸收，近红外光谱技术主要是通过测定相应的光谱，利用其组成或者性质的相关数据库，采用适当的化学方法建立准确的校正模型[3]，将未知样品与建立的校正模型进行比较，从而达到定性及定量分析。
12近红外光谱技术特点①分析速度快，一般在30s内就可以鉴定完成。②操作及制备样品简单易行。③一次样品采集即可以完成多种指标的检测。④当模型建立后，不需要其他化学方法，在检测过程中不使用有毒试剂。⑤是一种非破坏性的检测方法。⑥精确度及准确度较高，结果可靠。
2近红外光谱技术在中药鉴定中的应用
21近红外光谱技术在鉴定中药真伪中的应用利用近红外光谱技术能够准确迅速的鉴定出多种不同的中药药材，有研究[4]对于16种不同的中药药材进行近红外光谱扫描，根据光谱图可以准确地看到峰位置、峰数目及峰强度之间的差异，根据这些差异鉴定不同的中药材。
22近红外光谱技术在鉴定中药品种中的应用应用近红外光谱技术中的聚类分析的方法，可以鉴别不同的中药品种，利用近红外光谱的谱图的特征，能够有效地鉴别形态相似或者种属关系较近的中药品种。
23近红外光谱技术在鉴定中药产地中的应用对于中药产地的鉴定是近红外光谱技术较为鲜明的优势，与传统方法相比，近红外光谱技术可以准确的判断中药是否来源于较好的产度，为鉴别其质量优劣提供基础。
24近红外光谱技术对中成药的定性鉴定中药复方是一种不同配伍比例的混合物，传统分析方法对其鉴定存在一定的困难，近红外光谱技术与聚类方法结合能够很好的鉴别出中药复方的成分，其主要是借助不同组分的指纹图谱，根据它们之间的差异建立一种识别模型，从而达到对于不同配伍比例的中药复方的鉴别。
3近红外光谱技术的缺陷
虽然近红外光谱技术在中药鉴定中应用如此广泛，鉴定效果准确可靠，但是其仍然存在以下缺点[5]：①应用近红外光谱技术对样品进行检测，其组分的含量应该在01%以上，因此，其检测的灵敏度较低，对于中药中含量较低的组分并不能准确反映。②近红外光谱技术在对中药材进行鉴定时，需要对原始图谱应用准确的数据处理方法进行。
近年来，近红外光谱技术在中药鉴定中的应用越来越引起人们的关注，其对于解决中药产品鉴定中的困难具有很好的应用前景，由于近红外光谱技术需要建立准确的校正模型，从而对样品进行定性及定量分析，其准确度及精密度较高，检测速度快，是一种无损伤的检测技术，可以在中药鉴定中广泛应用。
参考文献
[1]刘沭华，张学工，周群，等近红外漫反射光谱和模式识别技术鉴别中药材产地光谱学与光谱分析，2006，26（4）：629632.
[2]龚海燕，宋瑞丽，李珊，等近红外光谱结合一致性检验对铁棍山药的鉴别研究.计算机与应用化学，2010，27（7）：967969.
光学识别技术篇10
关键词：番茄（Lycopersiconesculentummill.）黄化曲叶病；抗病性；近红外光谱；光谱预处理；支持向量机
中图分类号：S123；o657.33文献标识码：a文章编号：0439-8114（2017）05-0953-04
Doi：10.14088/ki.issn0439-8114.2017.05.042
StudyofidentifyingtomatoYellowLeafCurlDiseaseResistanceBasedonnear-infraredSpectroscopyanalysistechnique
YanGZeng-chong，LiUGui-li，LiXiang
（SchoolofinstrumentScienceandoptoelectronicsengineering，BeijinginformationScience&technologyUniversity，Beijing100192，China）
abstract：Geneoftomato（Lycopersiconesculentummill.）yellowleafcurldiseaseresistancehasbeendetectedbyusingpolymerasechainreaction.thismethodiswidelyusedtodeterminethediseaseresistanceoftomatoplants.thenear-infrareddiffusereflectancespectroscopyoftheidentifiedsampleswascollected.thentheoriginaldataandthedatapreprocessedbydifferentmethodsareusedastheinputofSupportVectormachine（SVm）tobuildthemodeltojudgewhetheratomatoplantisresistanttothedisease.experimentalresultsshowthatthemodelwhichusedthecorrectionmethodofStandardnormalVariateandDetrendinghadthebestperformanceandtherecognitionaccuracyofthetestsetcanreach96.1538%.theresultprovesthatitisfeasibletoidentifytheresistanceoftomatoYellowLeafCurlDiseasebynearinfraredSpectroscopy.
Keywords：tomato（Lycopersiconesculentummill.）yellowleafcurldisease；resistance；niR；spectralpretreatment；SVm
番茄（Lycopersiconesculentummill.）因其i养丰富、高产等特点已经成为中国乃至世界上的重要农作物之一。番茄黄化曲叶病（tYLCD）会使番茄幼苗生长缓慢甚至停滞，后期感染这种病也会影响果实的产量和品质，甚至造成绝收，已成为限制番茄生产的重要病害之一[1]。黄化曲叶病病毒（tYCLV）自然条件下通过烟粉虱传播和扩散，烟粉虱繁殖能力强，寄主广泛，易产生抗药性，难以从寄主方面阻止病毒的传播和扩散。再加上tYCLD易爆发、扩散迅速[2]，选取具有抗病性的番茄植株进行精细化的栽培能够保障植株后期的发育成长，保证番茄的产量和经济收益。
国内外已经针对番茄黄化曲叶病抗病性的鉴定提出了多种方法，如嫁接接种鉴定、农杆菌接种鉴定、基因枪轰击法接种鉴定、烟粉虱浸染接种、田间自然接种等[3]，但这些方法都相对费时或者费力，不能够在大面积栽培前鉴定幼苗的抗病性。目前，广泛采用的聚合酶链反应技术（pCR）经过对番茄Dna的提取、酶切、扩增、电泳、凝胶等步骤，能够标记识别番茄抗tYCLV的抗病基因，完成对植株是否具有抗tYCLV特性的识别，可靠性强[4]。虽然该技术结果可靠，但其过程繁琐，对操作者有较高的技术要求，所用部分试剂对人体有危害，仍然存在耗时、污染环境的缺陷。
近红外光谱分析技术（niR）能够快速、无损、高效的对样品进行定量或定性地检测识别，已经被广泛用于食品、农业、医学等众多领域。在农业上，利用niR技术可以测定油菜种子的品质[5]，实现对番茄叶片灰霉病病害程度准确、快速的检测[6]，识别番茄细菌性叶斑病的病害程度[7]。但在国内应用niR识别番茄植株抗病性的研究鲜见报道。通过pCR技术检测番茄黄化曲叶病的抗病基因，证明抗病基因存在的同时，番茄抗病基因能够在其光谱特征曲线上体现[8]，通过光谱分析技术识别番茄光谱特征曲线上的差异，实现对番茄抗病性的识别。本研究以北京市农林科学院蔬菜研究中心培育的番茄品种佳红4号为对象，利用niR技术对番茄黄化曲叶病抗病性进行初步分类研究，获得了良好的分类效果，为番茄选育提供一种新的有效检测手段，进而降低农户的种植风险，保障其经济收益。
1材料与方法
1.1试验材料
采用荷兰爱万提斯生产的近红外光谱仪，型号为avaSpec-niR256-1.7。配套使用的光源为avalight-HaL，波长范围360～2500nm。采用的光纤是标准型反射探头FCR-71R400-2-me，参考瓦为wS-2。所用番茄植株为北京市农林科学院蔬菜研究中心培育的佳红4号。
1.2试验方法
1.2.1光谱采集植物的冠层叶片在很大程度上反映植株的健康程度，而抗病性检测是分析番茄植株因基因差异所产生的最本质的不同，无论冠层还是其他叶片，抗病与感病植株之间的差异都会存在。若只选取冠层叶片，很可能引入反映植株健康程度因子这一干扰，进而影响抗病性识别模型的识别准确度。基于这种考虑，在实际采集番茄叶片的反射光谱时，选取了番茄植株不同部位分别取样。
在正式开始采集番茄叶片光谱数据前，先对番茄植株进行pCR检测，判断植株有无抗性基因（ty-1、ty-3a），以此结果作为后期建模和预测时的分类真值。每棵植株不同部位取2～3片叶，共采集了234个叶片样本，其中具有抗性基因（抗病）的样本97个，缺少抗性基因（感病）的样本137个。鉴于番茄叶片也可近似的看作粉状材料，光谱采集采用漫反射测量法[9]。使用对应的软件在室温下采集叶片光谱时，积分时间设置为10ms，平均扫描数设定为2（即所得光谱是2次扫描的平均值）。对已经测得的光谱按2∶1划分成训练集和预测集，其中训练集156个样本（感病样本92个、抗病样本64个），预测集78个样本（感病样本45个、抗病样本33个）。
1.2.2数据预处理及建模由于是漫反射测量，为了消除叶片化学成分浓度和物理特性（固体颗粒大小、表面散射、厚度等）的影响，采用多元散射校正法（mSC）、标准正态变量变换法（SnV）以及标准正态变量变换和去趋势算法（Detrending）相结合分别对原始光谱进行预处理，原始光谱以及预处理后的光谱如图1所示。利用支持向量机（SVm）模式识别与回归的软件包LiBSVm对训练集和预测集进行建模和预测[10]，选用径向基函数K（xi，xj）=exp{-？酌||xi-xj||2}为内核。SVm需要解决以下优化问题[11]：
■=■wtw+c■ξi
s.t.yi（wtxi+b）≥1-ξiξi≥0，i=1，…，n
其中，w为权向量，c为惩罚因子，ξ为松弛变量，xi为第i个番茄样本的近红外光谱数据，yi∈{-1，1}为第i个番茄样本的所属类别（感病样本为“-1”，抗病样本为“1”），b为分类阈值。惩罚因子c起到对错分样本惩罚程度控制的作用，实现在错分样本的比例和算法复杂程度之间的“折衷”，核函数参数γ的改变实际上是隐含地改变映射函数，从而改变样本数据子空间分布的复杂程度[12]。
通过网格搜索法并结合交叉验证法选择出最佳的惩罚参数c和参数γ，基本思想是将训练集作为原始数据，利用K重交叉验证的方法得到分类准确率最高的那组c和γ作为最佳的参数。对于多组最佳参数的处理则是优先选取首次搜索到的参数c最小的那组，以有效地防止过学习状态的发生[13]。
2结果与分析
将原始光谱以及不同预处理后的光谱作为输入，依据网格搜索法，得到最优的模型参数c、γ，并逐步减小搜索范围，取得不同范围下的最优参数，建立模型并对训练集和预测集进行预测，不同预处理后不同参数下，交叉验证后的平均分类准确率以及模型对训练集和预测集的预测结果如表1所示。由于SVm分类器的支持向量的数目越小，分类器的泛化能力就越强[14]，最后选择支持向量机分类误差较小且支持向量数目较少的SVm参数对应的分类模型为最优模型[15]。
由表1可以看出，以原始光谱数据输入建立的模型，支持向量数较大，预测准确率较低，对番茄tYCLV的抗病性识别度不高。经mSC处理后建立的模型，随着惩罚因子c的增加，支持向量数随之减少，预测的准确度有小范围的浮动，当c=256时，支持向量数最小，有出现过学习的趋势。与mSC预处理后的模型相比，SnV预处理后建立的模型，惩罚因子c有所减小，预测准确率有所提高。经人为选取c=16、γ=2邻近范围的其他参数组合后确认，模型在c=16、γ=2预测准确率最高。光谱经过SnV&Detrending处理后，无论是交叉验证后的平均分类准确率、支持向量数还是对训练集和预测集的分类准确率，都要优于前2种模型，模型的性能最好。所以对光谱的预处理方法，SnV&Detrending效果最好，以其预处理后的光谱输入构建的模型在c=84.4485、γ=1时，对样本的分类最为准确，模型的泛化能力也最好。
3小结与讨论
研究以pCR检测的tYCLV抗性结果为⒖贾担使用SnV与Detrending相结合的方法对光谱进行预处理，建立的SVm模型对番茄抗病性的预测准确率达到了96.1538%，初步实现了利用近红外光谱分析技术识别番茄植株对于黄化曲叶病是否具有抗病性。由于抗性基因的不同、番茄品种的差异，番茄植株对tYCLV的抗病性表现也不同。下一步继续研究不同基因组合或不同品种下，利用niR技术对tYCLV的抗病性识别效果。
参考文献：
[1]叶青静，杨悦俭，王荣青，等.番茄抗黄化曲叶病育种研究进展[J].中国农业科学，2009，42（4）：1230-1242.
[2]李小靖，叶志彪.我国番茄黄化曲叶病发生规律和研究进展[J].长江蔬菜，2010（2）：1-5.
[3]叶青静，周国治，王荣青，等.番茄黄化曲叶病毒病抗性鉴定技术研究[J].分子植物育种，2011，9（2）：210-217.
[4]魏光普，孙瑞芬，尚春明，等.番茄黄化曲叶病毒病抗病基因的pCR检测[J].种子，2013，32（8）：25-27，32.
[5]朱文秀，赵继献，张品，等.近红外光谱分析与化学方法检测油菜种子品质参数的比较[J].安徽农学通报（上半月刊），2010，16（17）：182-183，185.
[6]吴迪，冯雷，张传清，等.基于可见/近红外光谱技术的番茄叶片灰霉病检测研究[J].光谱学与光谱分析，2007，27（11）：2208-2211.
[7]JoneSCD，JoneSJB，LeewS.Diagnosisofbacterialspotoftomatousingspectralsignatures[J].Computersandelectronicsinagriculture，2010，74（2）：329-335.
[8]刘兴库，李兆华.多光谱诊断植物病害的初步研究[J].东北林业大学学报，1993，21（2）：106-110.
[9]李民赞.光谱分析技术及其应用[m].北京：科学出版社，2006.
[10]张小超，吴静珠，徐云.近红外光谱分析技术及其在现代农业中的应用[m].北京：电子工业出版社，2012.
[11]HSUCw，CHanCC，LinCJ.apracticalguidetosupportvectorclassification[eB/oL].https：//csie.ntu.edu.tw/～cjlin/libsvm/，2010-04-15.
[12]王睿.关于支持向量机参数选择方法分析[J].重庆师范大学学报（自然科学版），2007，24（2）：36-38，42.
[13]王小川，史峰，郁磊，等.matLaB神经网络43个案例分析[m].北京：北京航空航天大学出版社，2013.