随着科技飞速发展,视频监控系统已广泛应用于日常生活中的众多领域。视觉监控在工业生产领域也有着极其重要的作用,但目前广泛采用的固定监控系统存在监控目标较为单一的问题,在大范围多设备的生产环境,采用定点监控系统耗资较大,布线和后期维护工作繁重。　　 移动监视是解决成本问题的有效途径之一,但移动平台与主站的图像传输量极大,通讯通道紧张,也未能减轻人工识别的工作量。本文针对有限状态设备,研究一种基于模板匹配的设备状态识别方法。该方法旨在移动平台对设备监控中,先对采集图像进行设备状态比对识别,之后可仅将非正常设备图像发往主站进行进一步的人工识别,以减轻通讯通道压力和人工监视工作量。　　 本文主要包括以下方面的内容:　　 (1)标志识别方法研究。本研究采用对目标设备加设特殊标志,并通过对标志的识别和跟踪来定位目标设备。本文提出了一种基于形心特征的标志识别方法,通过扫描一遍图像和两遍连通域队列即可提取出待识别的标志域,结合标志域内连通数目和由其各连通成分形心分布特征提取出的内孔的方位即可实现标志的识别。通过对标志图像的数据分析达到对图像畸变信息的获取,为后期的图像标准化打下基础。　　 (2)图像的采集与控制方法研究。通过对标志的分析,控制平台的移动来获得畸变最小化的图像,并进行变焦控制获得清晰度较高的图像,标志的分析是获取高清晰度的图像前提。准确有效的图像清晰度评价函数是采用数字图像处理技术实现自动调焦的关键环节,所以为了提取清晰的图像进行识别,文中研究了比较了梯度函数、频谱函数和熵函数在自动对焦技术中的作用,并研究了各评价函数在本实验平台下所变现出来的性能和特点。　　 (3)动态设备的捕捉采集方法研究。文中通过实验研究了基于Kalman滤波的摄像头跟踪算法,首先目标被识别后可以得到一个待跟踪目标模板,接着对视频帧和待跟踪目标模板都进行特征的提取,根据这些特征进行目标跟踪。　　 (4)设备有限状态的识别方法研究。利用图像的偏转和二维畸变校正以获取标准化图像,通过比较常用的边缘检测方法,提出一种基于隶属度的快速边缘检测方法,并采用特征点提取获取图像状态,来获取设备实时状态进行图像的状态识别,最后提出了一种投票机制多分类识别的方法。