实时在线检测图像中特定目标是机器视觉应用中的关键技术之一,特定目标检测由判断背景中目标是否存在和确定目标的位置两部分组成,是否建立目标模型和设计检测算法好坏将直接关系到检测结果的效率、精确性和稳定性。因此,研究实时、精确的目标检测算法一直是机器视觉领域中的研究热点同时也是研究难点。目标检测算法本质实际上是一类寻求最优解问题,在现有成熟的目标检测算法基础上加入各种启发式优化算法已经受到了越来越广泛的重视。Hough变换主要善于寻找图像中直线,但对寻找图像中圆效果不明显,寻找最优解的时间过长,精确性低。竞选算法是一种新型的启发式优化算法,其搜索机制模拟竞选活动中对更高支持率的追求动机。其主要应用于连续域内的函数优化。本文根据Hough变换与竞选算法的各自特点,采取对Hough变换进行改进,探索新的检测图像中圆的方法。本文的主要研究内容如下：首先,介绍了竞选算法的思想、框架及特点,概述了竞选算法的计算流程,并使用遗传算法的标准测试函数对竞选算法进行验证。其次,采用实验的方式对标准测试函数进行数值优化,分析了算法性能与竞选算法的参数之一竞选人数之间的关系。通过选择不同竞选算法的竞选人数,研究分析其如何影响竞选算法的性能,以此为实际应用中选择竞选算法参数提供科学依据。经过对标准测试函数的数值优化实验表明,通过改变竞选算法的竞选人数,能够使竞选算法的性能(算法的搜索效率和寻优性能)得到很大的提高。再次,概述了Hough变换的定义,Hough变换用于检测直线及其检测圆的方法,并在此基础上提出了基于竞选算法的Hough变换,并用拍摄图片对算法的性能和效果进行了实验和分析。最后,在OpenCV图像处理函数库的基础上与本文的基于竞选算法的Hough变换算法相结合,基于Microsoft Visual Studio2005平台下搭建了机器视觉系统,实现了实时在线目标的检测,并进行了系统验证。用实验平台实时对算法的性能和效果进行了测试。