原木径级检测是原木加工和运输中的关键环节，提高木材运输的管理效率将直接影响着木材产业的经济效益.根据国家标准[1]，原木径级可通过测量木材端面的长、短径两个参数查表获得.原木端面多为不规则形状，目前人工检尺为主要的检测手段，其劳动强度大，难以精确测量原木端面的径级与面积，其测量结果不便于企业的管理和查询，因此有必要对提高原木端面径级检测的准确性进行研究，研制新的自动化检测系统.

实现原木检尺的快速自动化检测，首先利用标定后的双目相机获取无畸变原木图像，通过图像分割从彩色图像中获得原木端面区域，最后对两幅图像中的原木轮廓进行立体匹配获取三维坐标，计算原木端面的径级和原木数量.为了提高自动化检测效率，在复杂的环境中快速获得原木端面区域的效果将影响系统的鲁棒性.为此，国内外学者对成捆原木端面的识别有广泛的研究.文献[2]利用数学形态学中的骨架提取和Hough变换，估计目标的中心位置，结合能量泛函极值实现轮廓精确提取.但该方法需要较多的人工参与.文献[3-4]利用K均值算法进行聚类得到原木轮廓与背景分割结果.但该方法需要通过分水岭算法将粘连的原木轮廓进一步分割.文献[5]通过研究原木图像的Lab颜色空间，确定区分目标和背景的合理阈值，从而提取原木端面区域.但固定阈值很难适应不同的环境，需要依靠经验值.文献[6]基于双目视觉理论，设计了一种由电荷耦合器件CCD(Charge Coupled Device,CCD)摄像机、单片机和上位机图像处理软件组成的自动化测量系统.但该系统只针对单根原木进行检测，检测效率较低.国外也有不少轮廓识别的研究[7-10], 但由于原木运输管理方式的不同, 少有利用计算机视觉技术对成捆原木径级检测的研究.

本文作者通过研究图像中原木端面与背景的直方图特性，设定动态阈值进行分割原木端面，减少人工交互，提高双目视觉的三维检测精度，实现快速自动化检测.

1 系统的原木径级检测原理

国家标准规定：原木径级是以2 cm为增进单位，对原木端面的长短径测量结果进行统计分类，得到原木径级表，以此作为衡量原木使用率的依据.

原木径级自动检测系统的总体结构如图1所示.首先通过精确布置于原木运输车辆后方的双目摄像机，采集整车原木端面图像并保存到计算机，由计算机编程实现原木图像处理分析与立体重构，输出每根原木端面轮廓的三维坐标信息，这些结果经数学几何模型处理后由计算机自动计算、统计径级并建立原木运输信息管理系统.

为了更好地说明京津冀城市群土地综合承载力和区域经济发展的耦合协调程度，须对其耦合协调度进行等级划分。耦合协调度数值在0～1之间，数值越大越协调，越小越不协调。借鉴相关研究成果，根据京津冀城市群区域特征，给出土地综合承载力与区域经济发展的耦合协调度评判标准。[27][28]结果见表7。

图1 原木径级检测系统结构图 Fig.1 Schematic diagram of the detection system for log diameter classes

为了实现系统的高精度测量，需要保证双目系统的测量精度、图像处理与分析的精度和识别率.双目系统采用两台高分辨率的工业级摄像机，这两台摄像机固定在同一高度的竖直面上，使成像平面共面.采集原木图像前，通过双目视觉系统的标定，确定两台摄像机各自的内参数及其之间的相对位置关系，摄像机内参数包括物理焦距、坐标系原点偏移量、镜头畸变系数，双目摄像机的相对位置关系由旋转矩阵、平移向量表示.然后通过双目校正实现双目视图的行对准，提高极线几何约束下的匹配质量.保证双目摄像机的内外参数精确到像素级即达到国家标准的规定.

通过以上计算，将已知的大量标定点的物理坐标与像素坐标代入投影几何方程计算，得到内参数与畸变参数.

图2 图像处理与分析流程 Fig.2 Image processing and analysis process

2 基于双目视觉的三维测量算法

双目视觉测量主要包含立体标定、立体匹配和三维重构3个流程[11].标定误差和匹配误差直接影响重构精度.经过精密标定的双目视觉系统，结合高效率的立体匹配，可以精确测量原木轮廓的三维尺寸.立体标定与立体匹配是决定原木径级测量精度的关键环节.

2.1 原木端面双目成像系统的标定

双目视觉标定，就是利用已知参照物体的空间坐标点，选择合适的摄像机模型进行几何解析，获得两台摄像机内外参数的过程.本文标定算法以针孔模型为基础，建立原木轮廓的立体测量模型进行分析，引入透镜的二维畸变，更加精确地计算出物体三维坐标.

原木端面在双目摄像机图像平面上的投影如图3所示，空间点Q在世界坐标系中的坐标值Q(Xi,Yi,Zi)投影在两个不同图像平面上像素坐标系中坐标值qi(xi,yi)及视差d的过程可分为下述的5步变换：

图3 原木端面在双目摄像机图像平面上的投影 Fig.3 Projection of log cross-section on binocular stereo image planes

1) 根据摄像机成像的针孔模型，物理世界中的点Q投影到摄像机平面上的坐标变换可以用矩阵形式表示为

q=MQ

(1)

式中：式中:fx和fy为透镜的物理焦距的像素值；cx和cy为图像平面坐标系与立体坐标系中原点的偏移量；w=Z,q的坐标值是齐次形式.

将各参数进行归一化后，由物理世界坐标值与图像平面坐标值的转换可表示为

(2)

2)由于摄像机成像透镜加工与装配误差的影响，存在透镜畸变影响，使得原木轮廓成像点偏离理想成像位置.因此通过摄像机标定系统，引入透镜的畸变系数，则矫正后的坐标qc(xc,yc)可表示为

(3)

式中：r2=x2+y2；k1,k2,k3为径向畸变系数；p1,p2为切向畸变系数.

由于原木端面图像中所需要的目标信息是原木与背景的灰度差值，在大量原木运输的环境下，直方图特性能展现原木端面灰度信息.因此对于原木端面的提取，图像熵值的大小是评价原木分割效果的重要指标.对于图像f(x,y)，其分辨率为W×H，灰度级为L，在n×n的领域图像中点x、y的平均灰度值为

结构的地基与基础之间的接触问题是土木工程学研究的重要领域。地基与基础是一个整体，在荷载作用下二者的交界处会产生相互作用力及相关联的位移。很多实际的工程问题，如建筑物筏板基础、高速公路、机场跑道、动力设备基础等，都可视为板与地基的接触问题。

(4)

图像处理与分析是该检测的核心部分，其流程如图2所示.由于双目采集的图像中包含有原木端面及不需要的信息，如车体、阴影等，为提高精度和效率，通过人工选定有效信息区域，利用图像分割算法消除多余信息的干扰，进而分割和识别出原木端面，获得每根原木的轮廓信息.结合数学模型对轮廓边缘进行类椭圆识别，获取原木长短径均值，即原木检尺径，然后依据国家标准计算并统计各原木端面的径级.

3)在摄像机坐标系统上利用外参数来描述物体的相对位置.标定过程中，利用多个不同的棋盘视场，获取摄像机的外参数，即3个旋转参数(ψ,φ,θ)与3个平移参数(Tx,Ty,Tz).

在三维空间中，坐标系的旋转可以分解为依次绕x,y和z轴的二维旋转，其旋转角度分别为ψ,φ和θ，则总的旋转矩阵可表示为

R=Rx(ψ)Ry(φ)Rz(θ)

(5)

式中：

平移向量是左图像坐标系原点与右图像坐标系原点的偏移量，可表示为

(6)

那么，在世界坐标系中的坐标Qo与在摄像机坐标系中的坐标qc之间的旋转平移映射公式为

Qo=Ri(qc-Ti)

(7)

4)在获得单目摄像机的内外参数的基础上，进行立体标定，依据两台摄像机分别相对于世界坐标系的旋转和平移矩阵，结合式(7)可以推出两台摄像机之间的旋转和平移参数计算公式为

(8)

得到旋转与平移矩阵，可以利用这些参数进行双目校正，得到共面且行对准的两个图像平面.

5)由于安装精度的限制，两个成像平面并非共面，因此需要通过双目校正对两个图像平面重投影，生成共面且行对准的两个图像平面，以提高立体匹配的可靠性，使立体视差的计算更准确.

给定两图像间的旋转和平移矩阵(R,T)，利用OpenCV中的Bouguet校正算法，得到双目校正后的重投影矩阵P，可表示为

(9)

式中：除外的所有参数都来自左图像；是主点在右图像上的x坐标.

这时零售商的和供应商的期望收益均是供应链整体期望收益函数的仿射函数，同时各企业的最优定货量q*相同，这表明在无突发事件下基准契约能实现供应链协调.

给定二维坐标点与其关联的视差d，得到投影矩阵表达式

(10)

[3] 李小林,景林,黄世国, 等. 一种两阶段彩色图像分割方法的原木识别[J]. 福建农林大学学报(自然科学版), 2013, 42(5):548-551.

通过式(10)，可以通过左右图像中原木轮廓上每个点的像素坐标得到世界坐标系中的真实三维坐标(X/W,Y/W,Z/W)，进而可以计算原木径级、材积等信息.

双目摄像机的标定过程及结果如图4所示，利用高精度棋盘靶标，棋盘靶标中的角点被左右摄像机采集到计算机后，通过OpenCV图像处理编程实现对角点的自动检测，并获取到角点的坐标信息，结合坐标映射式(4)、式(7)和式(10)，获得每个角点三维真实坐标值与图像坐标值的映射关系，最终得到双目摄像机的内外参数及重投影矩阵.

图4 双目标定与校正结果 Fig.4 Calibration and rectify results of binocular vision system

通过以上标定过程，得到计算原木轮廓三维坐标的投影矩阵，还需要立体匹配得到左右图像的视差，即可计算出真实三维坐标.

2.2 基于极线校正的快速立体匹配算法

立体匹配是从同一空间景物在不同视点图像中，寻求匹配点的对应关系.其主要原理是在从两幅图像中匹配寻找到原木轮廓边缘上同一位置的像素点，计算该点在左右图像平面中横坐标的差值作为视差，匹配点越多，得到的原木轮廓三维点越多，可以更精确地计算原木径级[12].在原木径级的检测中，原木轮廓的边界点Q(X,Y,Z)，在左右图像平面中的坐标分别为ql(xl,yl)，qr(xr,yr)则利用两成像点的坐标差(视差d=xl-xr)和由两台摄像机内外参数构成的重投影矩阵，即可获得Q点的空间坐标值.

立体匹配是双目测量中的核心环节，通过立体匹配获得视差求取三维坐标值.针对匹配中原木径级检测会有信息的缺失.因此，本文提出一种基于极线几何匹配的方法，其主要原理是将双目校正后的行对准图像，利用极线几何约束，确定位于两幅图像中对应极线上的匹配点，转化为一维信号，按照统计相关的方法寻找两幅图像之间的相关匹配点，能够快速有效地获取稠密的视差图，适合对原木端面轮廓信息的提取分析.

双目视觉中的对极几何关系如图5所示，Ol为左图像平面原点，Or为右图像平面原点，OlOr为基线，空间点P在左右视图中的像点分别为Pl、Pr.极平面由左右图像坐标系原点Ol、Or和点P构成.极平面与两图像平面分别相交于极线lpr、lpl.从图中可以看出，Pl和Pr正位于各自对应极线上.因此对极几何约束定义为：Pl的对应点Pr可以在对应极线lpr上寻找，Pr的对应点Pl可以在对应极线lpl上寻找.当左右视图通过双目校正，实现行对准后，匹配对应点可以保证在对应图像的同一行上，极大地缩减了搜索时间和范围.

图5 双目视觉中的对极几何关系 Fig.5 Epipolar geometry of binocular vision system

LI Xiaolin, JING Lin, HUANG Shiguo, et al. Two stage color image segmentation method for log recognition[J]. Journal of Fujian Agriculture and Forestry University (Natural Science Edition), 2013, 42(5):548-551.(in Chinese)

对于应用系统和基础平台，其区别主要在于设计应用系统过程中，设计人员过于注重结构设计的构件类型和结构设计的结构布置等情况，通过构件库的支持，应用系统可以在构件库中选取所需的构件，然后结合用户设置的各种参数，对构件进行尺寸修改，最后结合设定的结构布置参数，自动生成所需的结构。

图6给出了引入极线校正后的立体匹配算法与常规的特征点匹配算法效果对比，分析2种方法在匹配正确率、匹配点数与匹配效率之间的差异.本文算法的匹配正确点数较多，匹配效率有较大提升.

图6 立体匹配算法效果比对 Fig.6 Comparison of stereo matching algorithms

对原木截面轮廓点匹配完成后，可以直接求出视差，并根据式(10)即可求出原木轮廓三维坐标，进行原木径级信息的分析.

3 原木轮廓的最大熵阈值分割算法

为提高原木轮廓检测概率，针对处理包含有大量原木的目标图像，提出基于最大熵阈值分割的区域标识算法.该算法首先基于原木端面与背景之间的灰度差异，对原木端面图像每一点的灰度值与直方图特性中提取的最大熵阈值进行比较，分割出所需要的原木端面.然后对分割后的原木图形进行区域标识处理且每根原木轮廓给予不同的编号后，切割并分别存储各轮廓的图像，依次进行边缘提取识别，利用形态学算子提取真正的原木端木的轮廓边界，最终获得原木端面轮廓边界点的坐标值.

再说到学校教育。英国的孩子4岁入学，在三年级之前，孩子的书包里只有两样东西背来背去，一是一本图画书，二是一本阅读记录册，图画书要求家长陪读，读完之后家长要把阅读情况记录在阅读记录册中。英国中小学没有课本，孩子怎么学“语文”呢? 从识字到学习语法、学习写作，都是通过大量的阅读，包括课堂上的精读和课后的泛读。在英国当然有幼儿园，但是幼儿园不是必经的教育环节，3岁以后、4岁之前的孩子可以报名去政府出资的pre-school（可以称为小学预科）。小学预科里除了通过游戏建立孩子的集体意识，就是阅读，每天带一本书回家读，是从小学预科就开始的——如果说有作业，这，就是英国学前和低年级孩子唯一的课后作业了。

结合式(1)～式(3)，矫正后的非畸变坐标值映射到像素坐标系上的坐标值qs(xs,ys)表示为

(11)

式中：纵坐标值n/2为整数，领域大小通常取3×3，n∈(0,min(W,H)).

以点灰度及g(x,y)建立映射图像F(x,y)，用二维阈值{s,t}分割图像F(x,y).令Pi,j为点灰度与g(x,y)在(i,j)点发生的概率，根据直方图的定义可得到图像的点灰度与g(x,y)的二维直方图

(12)

图像中边缘与噪声的存在，给提取原木截面目标带来了难度，而图像的点灰度与区域灰度均值的二维直方图利用分割阈值矢量，将直方图分为4个区域.根据同态性，背景区域与原木端面区域内部的灰度值均匀，其边界区域的灰度差值较大，原木端面与背景分别对应于直方图中的两个峰.因此对Pi,j分析可知，其会呈现出双峰一谷及极值在对角线附近的特性.设原木端面区域与背景区域具有不同的概率分布，用原木端面及背景区域的后验概率对其他区域进行归一化，使原木端面与背景熵具有可加性，则离散二维熵为

(13)

原木端面与背景的二维熵的判别函数定义为

φ(s,t)=lg[PA(1-PA)]+

HA/PA+(HL-HA)/(1-PA)

(14)

式中：表示(s,t)取最大灰度级时的信息熵，计算方法同HA.

通过阈值化图像分割，获得原木端面区域信息的二值图像，同时针对噪声影响的原木端面轮廓进行漫水填充消除图像内部孔洞，建立完整的连通域图像.在原木图像的连通域标识处理中，对图像进行基于8邻域判别算法的逐行扫描，提取相同目标像素值(原木端面区域像素值为“1”)的集合区域进行标记，同时引入等价类判定来避免同一连通域的重复标记，在逐行遍历图像中记录每一行中同一连通域和标记的序列标号，然后通过等价序列表将连通域图像进行重新标记.最后得到原木端面每根原木的标记序列和精确的原木数量.

该平台集成海洋气象个例库和预报手册功能。平台将我省海上大风、大雾、台风等典型个例、预报指标和预报经验及相关资料、技术文档、业务规范、业务流程等集中归档入库,建立海洋气象个例库,并提供便捷查询功能,方便预报员随时调用阅读。

通过对室内室外环境下进行的多幅原木图像进行实验，结果如图7和图8所示.由图7(a)、8(a)、7(b)、8(b)可以看出，为了去除室外光照造成的阴影影响，利用CIE L*a*b*(Commission Internationale de L'Eclairage)颜色空间转换进行预处理，去除亮度(L为分量)对原木轮廓提取的影响.进一步利用最大熵阈值分割算法与传统的固定阈值、自适应阈值分割算法的效果进行比对.如图7(c)、8(c)、7(d)、8(d)所示，传统阈值图像分割算法对与复杂背景、原木粘连、端面的纹理及污染影响较大，无法有效的将原木边缘信息有效提取出来.从图7(e)、8(e)的实验效果可以看出，本文方法经过最大熵阈值算法分割后，每根原木有效的分割为独立的连通域，图7(f)、8(f)Canny边缘检测后得到的边缘连续性较好，便于后续的原木径级信息检测.

图7 室外原木图像分割实验 Fig.7 Outdoor log image segmentation experiments

图8 室内原木图像分割实验 Fig.8 Indoor log image segmentation experiments

切割并分别存储各连通域图像，通过Canny算子检测，得到原木轮廓边缘，利用Freeman链码法提取轮廓边缘，并将其转换为像素坐标表示，结合在左右图像坐标系下的坐标差值，通过立体匹配，获得三维坐标值.利用OpenGL函数，将三维坐标点转化并呈现出原木轮廓的三维立体图像.

4 原木轮廓的不完整椭圆拟合算法

大量的原木端面的透视投影均类似为椭圆，椭圆拟合是对原木径级识别与测量的重要条件[13].首先确定椭圆拟合的初始值，本文选取离散边界点的最大内切圆的圆心作为轮廓的中心(x0,y0)，其直径作为拟合椭圆的短径初始值，并得到该短径的斜率.依据垂直直线斜率之间的关系，得到与短径垂直的长径斜率，结合中心点坐标确定长径所在直线方程，该直线与轮廓边界的两个交点之间的距离即可作为长径初始值.从而获得由5个参数来确定的初始拟合椭圆：中心点坐标(x0,y0)、长半轴a、短半轴b、旋转角度(长轴与x轴的夹角)θ，拟合椭圆方程可以表示为

(15)

原木边界点的椭圆拟合如图9所示，以椭圆中心点O(x0,y0)为原点，以椭圆的长短径分别为x、y轴建立坐标系进行几何分析.中心点与原木边界点pi(xi,yi)之间的距离为

(16)

中心点与拟合椭圆上的拟合点之间的距离为

(17)

拟合点与原木边界点之间的欧氏距离可表示为

Δdi=|r-ri|=

(18)

图9 原木边界点的椭圆拟合 Fig.9 Ellipse fitting of log boundary points

根据最小二乘原理，以Δdi平方和最小为椭圆拟合的最优原则，优化算法的目标函数可表示为

(19)

式中θi=arctan(yi/xi).

基于选定的初始值a、b及全部边界点坐标，使目标函数值最小以匹配到最佳拟合椭圆函数.获得最优拟合椭圆后，即可求出椭圆的长、短径参数，并将其平均值作为被测原木的检尺径，可根据国家标准将原木检尺径按照径级进行分类统计，在已知原木长度的情况下，最终可测量出整车原木的原木材积.

5 实验结果与分析

鉴于双目相机的参数标定是在实验室环境下完成的，因此为了保证三维测量精度的情况下验证本文算法，同样在实验室光照环境中，采集9个完整端面的成捆原木图像进行实验.另外，通过模拟室外存在的光照阴影及原木端面污染，提高测试图片的代表性.原木径级的检测结果如图10所示.

根据原木边缘的椭圆拟合结果，得到原木径级的测量数据分析如表1所示.经计算，本文算法与人工测量的原木检尺径相对测量误差在1%以内，满足国家标准的规定.采用传统人工检测方法对11根实验原木进行径级统计耗时20 min，自动检测系统对同样数量原木检测时间在10 s内，且无需人工干预，实现了快速自动化检测.

武成龙连退五步，郑成川退了半步。内力修为优劣立判。郑成川的内力要高出武成龙好几筹！只是郑成川还是有些不相信自己的眼睛，他原以为可以速战速决压制安和庄企图顽抗的嚣张气焰再与其主对话。在他吃惊的当口，武成龙不顾内力悬殊抢先发动攻击。无畏抢进，杀气飙升！飙升的杀气中含有复仇的烈火！

（五）药物效果评价 利用新型复合驱虫药的驱虫模式是在对我国大中型猪场寄生虫危害进行大量调查基础上，筛选目前最有效、安全和广谱的药物通过目标规划优选而成。据应用效果统计，对寄生虫驱虫效果达94.9%～100%，饲料转化率提高5%～6%，每头肥猪节约饲料18～20 kg，肥猪提前10～20 d出栏。整个猪场苍蝇数量减少80%以上，使环境卫生大为改善。证明该驱虫模式适用于全国各地规模化猪场的寄生虫控制，具有重要的经济效益和推广价值。

图10 原木径级检测结果 Fig.10 Detection results of log diameter class

表1 原木径级的测量数据分析

Tab. 1 Measurement data analysis of log diameter class

原木径级/cm数量编号检尺径(长短径均值)/cm本文算法测量人工测量相对误差/%4～6415.395.360.5625.175.140.5845.505.520.3655.595.560.546～8267.837.900.8997.927.980.7510～122310.2210.260.39810.1210.021.0012～141713.2713.400.97

上述实验证明了双目测量理论的正确性和原木径级检测的可行性.本文所提出的基于最大熵阈值分割的区域标识算法及椭圆拟合算法对大量不规则原木实现了高精度、高效率的自动化径级检测与分类统计，便于企业的数据化管理和应用推广.

交通、通讯、用电、饮水等物质生活条件匮乏，既是重要的致贫因素，同时也是贫困的重要表征。中国通过实行国家整体发展规划和大规模瞄准贫困地区的专项扶贫开发，显著改善了包括贫困地区在内的全国农村交通、通讯、用电、安全饮水等物质生活条件方面。

6 结论

1)针对双目测量中立体匹配的误匹配率高、匹配效率低的问题，ORB特征点匹配算法中引入极线几何约束，缩减了匹配点搜索空间，提高了匹配正确率，实现了快速精确的获取原木轮廓三维坐标.

2)在原木轮廓的提取中，使用了基于最大熵阈值分割的图像分割算法，实现了原木图像的自动化分割，提高了图像分割算法在复杂环境下的适应性.

2.死亡时间。据王清兰分析，体大膘肥的母猪易造成临产时胎儿死亡，死亡占出生仔猪总数的9.2%，占哺乳仔猪死亡总数的69.2%。又据河南正阳猪场的分析，3日龄以内死亡的仔猪占死亡总数的26.63%，4～7日龄占29.27%，8～15日龄占20.21%，16～20日龄占9.92%，21～25日龄占7.27%，26～35日龄占2.17%，36～45日龄占1.15%，46～60日龄占3.02%。加拿大对6 890头仔猪的分析，从出生到20日龄，仔猪死亡率为25.6%，其中分娩时死亡占死亡总数的15.3%，7日龄以内死亡占43.7%。可见，仔猪日龄越小，死亡率越高。

3)利用最小二乘的不完整椭圆拟合计算原木检尺径，检测结果表明原木径级自动化检测的误差满足国家标准要求.

4)上述实验证明了双目测量理论的正确性和原木径级检测的可行性.本文所提出双目视觉原木径级检测算法对大量不规则原木实现了高精度、高效率的自动化径级检测与分类统计，便于企业的数据化管理和应用推广.

参考文献(References)：

[1] 中华人民共和国国家质量监督检验检疫总局.原木检验：GB/T 144—2003[S].北京:中国标准出版社,2004:1-10.

General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China. Log inspection: GB/T 144—2003[S]. Beijing: Standards Press of China, 2004:1-10. (in Chinese)

[2] 龙德帆,樊尚春,庞宏冰,等. 用于原木材积检测的图像处理与分析算法[J]. 北京航空航天大学学报, 2005, 31(1):82-85.

LONG Defan, FAN Shangchun, PANG Hongbing, et al. Image processing and analysis algorithms for measuring log volume[J]. Journal of Beijing University of Aeronautics and Astronautics, 2005, 31(1):82-85.(in Chinese)

式中：是像点(x,y)对应空间三维点的齐次坐标.

在本算法中，确定极线的位置后，引入块匹配算法，选择强纹理的像素灰度差的绝对值和(Sum of Absolute Differences,SAD)窗口沿着水平极线进行匹配扫描，左特征像素点(x0,y0)的匹配点在X0所在的同一行，匹配搜索从右图像相同坐标点左移动(或右移动)视差个数的位置.设定最小视差与最大视差建立一个双目视界，所有匹配点被该算法的搜索范围所覆盖，可以通过限制搜索范围来减少搜索的视差个数，从而缩减计算匹配的时间.为了避免有阴影、原木缺陷等影响造成虚假匹配点，引入顺序约束，限定了特征点从左到右扫描时出现的顺序保持一致，以此提高匹配精度.

(3)河套灌区滴灌水量调蓄方案：第一种方案适宜渠道为总干渠一闸门至四闸之间渠段以及河套灌区上、中游乌兰布和灌溉区域与解放闸灌溉区域的干渠。第二种方案基本是在乌兰布和灌溉区域内沈乌干渠与东风渠两侧有部分闲置荒地，可满足建设调蓄水池条件。

[4] 景林,林耀海,温永仙, 等. 结合色彩特征和空域特征的成捆原木轮廓识别[J]. 计算机系统应用, 2013, 42(5):548-551.

JING Lin, LIN Yaohai, WEN Yongxian, et al. Method for outline identification of bundled logs based upon color and spatial features[J]. Computer Systems & Applications, 2013, 42(5):548-551.(in Chinese)

[5] 钟新秀,景林,林耀海. 基于Lab颜色空间阈值分割的原木端面区域识别[J]. 龙岩学院学报, 2017, 35(2):95-99.

ZHONG Xinxiu, JING Lin, LIN Yaohai. Log-end area recognition based on lab color space and threshold segmentation[J]. Journal of Longyan University, 2017,35(2):95-99.(in Chinese)

球茎甘蓝又称苤蓝，属十字花科芸苔属一、二年生蔬菜，食用部分为茎部短缩肥大的球茎(图)，其肉质洁白细密、甜脆可口，鲜食可切丝凉拌，熟食可与肉类炒烩，还可腌制。苤蓝属根茎类蔬菜，病害较少，几乎不使用农药，产量高，耐储运，供应期长，调节淡季蔬菜供应市场，种植经济效益较高。现将贵州球茎甘蓝无公害周年栽培技术介绍如下。

平衡水分是研究金银花干燥特性和安全贮藏的重要参数,它的高低代表金银花吸收水分和放出水分的难易程度。在金银花干燥和贮藏过程中,平衡含水率不但决定了在一定干燥条件下所能达到的最低水分,而且直接影响金银花的干燥速度。同时，平衡含水率还决定金银花在贮藏过程中能否安全贮藏，是指导实际生产所必不可少的参数[1]。

[6] 杜叶挺,陈广华,李建伟, 等. 基于双目视觉的原木材积自动检测系统[J]. 北京交通大学学报，2014,38(4):78-82.

DU Yeting, CHEN Guanghua, LI Jianwei, et al. Automatic detection system for log volume based on binocular vision[J]. Journal of Beijing Jiaotong University, 2014, 38(4):78-82.(in Chinese)

[7] LI Y, REN H. Development and design of automatic log scale system[C]//International Conference on Electronic and Mechanical Engineering and Information Technology, 2011:3380-3383.

[8] WANG Y, HUANG W Q, ZHAO Y. Computer vision technology in log volume inspection[J]. Journal of Forestry Research, 2002,13(1):67-70.

[9] WANG J W, GAO W J, LIAO F B. Study on the development of automatic log scaling system based on machine vision[J]. Biosystems Engineering, 2005, 92(2):135-142.

[10] ZHANG G, JAYAS D S, NDG W.Separation of touching grain kernels in an image by ellipse fitting algorithm[J]. Biosystems Engineering, 2005, 82(2):135-142.

[11] 刘检华,王小寅,张天. 基于双目视觉的柔性线缆运动检测方法及误差分析[J]. 北京理工大学学报, 2012, 32(8):795-800.

LIU Jianhua, WANG Xiaoyin, ZHANG Tian. Motiondetection method of flexible cable harness based on binocular vision and its error analysis[J]. Transactions of Beijing Institute of Technology, 2012, 32(8):795-800.(in Chinese)

[12] 邹宇华,陈伟海,吴星明, 等. 一种室外非理想光照条件下的立体匹配算法[J].机器人, 2012, 34(3):344-353.

ZOU Yuhua, CHEN Weihai, WU Xingming, et al. Astereo matching algorithm under outdoor unideal illumination condition[J]. Robot, 2012, 34(3):344-353.(in Chinese)

[13] 闫蓓,王斌,李媛. 基于最小二乘法的椭圆拟合改进算法[J]. 北京航空航天大学学报, 2008, 34(3):295-298.

YAN Bei, WANG Bin, LI Yuan. Optimal ellipse fitting method based on least square principle[J]. Journal of Beijing University of Aeronautics and Astronautics, 2008, 34(3):295-298.(in Chinese)