車輛跟蹤演算法

Ⅰ 汽車的自動跟隨系統依靠前車的什麼進行檢測

自動跟蹤技術實際上是由大量的感測器和控制系統組成的。第一個車頭處，有監測前面車輛距離的雷達感測器，有測對方車速的測速器，左右兩側還有幾個雷達感測器監測車身兩側是否有來車。

自動跟蹤可提供運動目標的空間定位、姿態、結構行為和性能，是運動目標的多功能和高精度的跟蹤和測量手段，自動跟蹤由位置感測器、信號處理系統、伺服系統和跟蹤架等部分組成。

自動視頻跟蹤演算法模塊一般提供：目標捕捉、自動跟蹤、平台控制、電子穩像、圖像縮放平移旋轉、OSD功能。

自動跟蹤是連續跟蹤並測量運動目標軌跡參數的系統。自動跟蹤的目標是以一定速度和加速度運動的車輛、艦船、飛機、導彈和人造衛星等。

自動跟蹤可提供運動目標的空間定位、姿態、結構行為和性能，是運動目標的多功能和高精度的跟蹤和測量手段，自動跟蹤由位置感測器、信號處理系統、伺服系統和跟蹤架等部分組成。

Ⅱ 車牌識別系統原理與代碼「YOLO+MLP」

車牌識別系統可以自動檢測並識別圖像中的車輛牌照，其演算法主要包括牌照定位、牌照分割、字元識別等步驟。本文將給出一種基於深度學習的車牌識別系統方案。

由於可以自動地從視頻圖像中提取車輛牌照信息，因此車牌識別系統可以應用於以下行業：

我們的項目包含以下三個步驟：車輛牌照檢測、牌照字元分割、牌照字元識別。

我們使用Yolo（You Only Look One）演算法來檢測車輛牌照。Yolo是一個基於卷積神經網路的深度學習目標檢測架構。該架構由 Joseph Redmon , Ali Farhadi, Ross Girshick和Santosh Divvala引入，2015年推出第一個版本，然後逐漸升級至版本3：

Yolo是一個端到端訓練的單一網路，可以用來預測目標的類別與邊界框。Yolo網路速度極快，可以每秒45幀的速度實時處理圖像。其中一個較小規模的網路，被稱為Fast YOLO，甚至達到了令人咂舌的155幀/秒的處理速度。

下面我們來實現YOLO V3網路。首先，我們准備一個有700張包含土耳其車輛牌照的圖片的數據集，對每一張圖片，我們都使用一個桌面應用LabelImg標注出車牌位置並存入一個xml文件。數據下載及網路訓練腳本如下：

在網路訓練完之蔽培後，為了識別圖像中的車輛牌照，我們從darknet/custom/weights中選擇最新的模型並在文件object_detection_yolo.py中寫入其路徑名稱，我們也將使用yolov3.cfg文件，注釋掉訓練部分，然後執行：

這就是我們的結果：

現在我們要分割出我們的車牌號碼。這個步驟的輸入是車牌圖像，我們必須能夠提取出轎桐單個字元的圖像。由於這一步驟的輸出將用於識別步驟，因此對於一個車牌識別系統而言，車牌分割步驟非常重要。為了盡可能的正確分割車牌字元，我們需要進行必要的預處理。

像素投影直方圖用來找出字元區域的上限和下限、左邊及右邊。我們使用水平投影來找出字元的頂部 和底部位置，使用垂直投影來找出字元的左邊和右邊位置：

從車輛牌照中提取數字的另一個方法時使用形態學的開/閉操作來生成一些連通區域，然後再使用連通跟蹤演算法提取這些連通區域。

識別階段是我們的車牌自動檢測與識別系統的最後一個環節，識別是宏帆唯基於前面環節得到的單個字元圖像。我們的模型將對這些圖像進行預測，從而得到最終的車牌號碼。

為了盡可能利用訓練數據，我們將每個字元單獨切割，得到一個車牌字元數據集，該數據集中包含11個類（數字0-9以及阿拉伯單詞），每個類包含30~40張字元圖像，圖像為28X28的PNG格式。

然後，我們就多層感知器MLP和K近鄰分類器KNN的比較進行了一些調研，研究結果標明，對於多層感知器而言，如果隱層的神經元增多，那麼分類器的性能就會提高；同樣，對於KNN而言，性能也是隨著近鄰數量的增多而提高。不過由於KNN的可調整潛力要遠遠小於MLP，因此我們最終選擇在這個階段使用多層感知器MLP網路來識別分割後的車牌字元：

你可以在這里找到代碼及數據集：github

原文鏈接：車輛牌照自動檢測與識別 —— 匯智網

Ⅲ 小車跟隨和避障不能同時實現嗎

小車跟隨和避障能同時實現。跟隨主要是通過感測器和演算法，實現對前方車輛的跟蹤和速度控制，而避障則需要在這個基礎上加入障礙物檢測和路徑規劃等功能，實現對障礙物的識別和迴避。因此，將跟隨和避山旅稿障結合起來，需要考慮到數據處理、演算法優化、控制策略等多個方面，是一個較為復雜的技術問題。目前市面上已逗孝經有些車輛鎮態可以實現跟隨和避障的結合，但大多數都是在較為特定的環境下，如高速公路或封閉的區域內。

Ⅳ 跪求！！！高速公路網路系統有哪些作用

一、高速公路監控系統的組成
高速公路視頻監控系統一般分為收費監控和道路監控兩部分。收費監控系統主要是對收費站的車道、收費廣場、收費亭的收費情況，對收費車道通過的車輛類型、收費員的操作過程以及收費過程中的突發事件和特殊事件進行觀察和記錄，實施有效的監督。道路監控系統主要是對高速公路干線、互通立交、隧道等高速公路重點路段進行監視，以掌握高速公路交通狀況。這樣，能及時發現交通阻塞路段、違章車輛，以便及時給予引導，保證高速公路的安全通暢。
實際上，高速公路監控系統又主要由信息採集子系統、監控中心及信息提供子系統三大部分組成。信息採集子系統包括：車輛檢測器、氣象檢測器、緊急電話和巡邏車；監控中心是高速公路全線路監控系統的最高層即控制中心，主要負責全線路范圍內交通情況的監視和控制；信息提供子系統包括交通標志、標線和信號等，是交通監控管理為汽車用戶服務的主要形式。
高速公路監控系統用於交通監控、交通信息和氣象信息的採集以及交通疏導。該系統通過在高速公路沿線、立交、收費廣場設置CCD攝像機，並把其信號傳輸至監控中心集中監控，從而實現交通狀況的可視監控；通過在沿線關鍵位置設置車輛計數器、車輛測速器、氣象資料採集器，並把信號傳輸至監控中心集中處理，實現交通信息和氣象信息的採集；通過安裝於道路中間分隔帶的可變速標志，可以從中心對外發布交通疏導和交通控制信息。
高速公路監控系統實質上是一個閉環系統。系統的輸入是反映公路上車輛運行情況的交通參數和交通狀況。這些信息經監控系統分析、處理、判斷後，可發生指令，控制道路情報板，變更其顯示內容，實施對交通流的調節和控制。其性能的優劣，在一定程度上取決於車輛駕駛員能否協調配合工作，接受系統的調度和指揮。
高速公路監控系統不僅能改善高峰期間車輛行駛的平均速度，增加高峰期間的交通量，減少交通堵塞程度和車輛延遲時間；同時也能大大減少交通事故和保證交通安全，節約燃料和減少車輛的磨損，縮短運輸時間，減少污染，發揮高速公路快速、安全、舒適和高效率的功能。因此，高速公路監控系統具有較為顯著的經濟效益、社會效益和環境效益。
值得提出的是，高速公路通信系統是高速公路現代化管理的支撐系統，是高速公路整個信息網路的基礎和神經系統。它實現監控系統和收費系統的數據、語言和圖像等信息的傳輸和交換，保障高速公路各部門之間的業務聯系通信。同時作為滲液交通專用通信網的重要組成部分，是交通信息的主要傳輸載體。
二、高速公路監控系統的智能化
高速公路監控系統為高速公路管理部門從收費站、監控分中心、監控中心直至監控總中心提供多級管理體系。智能化監控系統取代了監控任務中人的大部分工作，是新一代的具有高度智能的監控技術。為使高速公路監控系統智能化，應至少具有以下幾個智能功能系統：
1、車輛檢測(車流量、車速、車型等)系統
交通流量等的檢測是智能交通系統（Intelligent Transport System，ITS）的重要組成部分，車輛檢測系統是交通流量等檢測的重要手段，是道路監控系統非常重要的一部分。車輛檢測系統是高速公路、一般公路、城市道路對過往機動車輛的車型、行駛速度、車流量、道路佔有率等進行檢測的專用設備。據此檢測數據，可以判斷道路阻塞等情況，並可通過檢測信號控制監控系統中的可變情報板等外場信息發布系統發出警告等信息。
由於交通需求的不斷增加，有越來越多的車輛檢測器用於交通檢測。現行的車輛檢測器很多：如磁感應車輛檢測器、波頻車輛檢測器、視頻檢測器、無線車輛檢測器與激光車輛檢測器等。這些不同的車輛檢測設備，各有其優劣，可以考慮分別安裝在槐喊沖高速公路不同路段、城市快速路、城市主幹道和交警巡邏車上，以充分發揮不同設備的技術優勢。
2、車輛異常行為檢測系統
車輛異常行為檢測系統，用來檢測車輛行駛行為，當行駛異常時即預/報警。通常，系統首先通過背景減除提取運動圖像，並進行跟蹤和目標類型識別。如有一輛汽車駛入人行道時，系統會自動在該車周圍打出兩個紅色問號，表示其行駛異常，並同時發出警報聲，以引起監控人員的注意。當車輛退出人行道後，紅色問號消失，警報解除。又如鉛殲有一輛小汽車快速在停車場或高速公路收費廣場逆行，這時系統會在其周圍打出兩個紅色驚嘆號，並發出警報聲，表示其行駛行為已經發生異常。再如，那種頻繁超越各車道正常行駛車輛的超速行駛的車輛，多為被劫或逃竄等車輛，也屬行駛行為異常車輛，這時系統要發出急促的警報聲等。這種車輛異常行為檢測系統，尤其在城市道路監控中有非常大的作用。
顯然，這種報警功能的實現，可以在無人巡視的條件下，自動檢測車輛的違章行駛，從而可實現高效智能化的交通管理。
3、車牌自動識別系統
汽車身份自動識別系統由汽車牌照識別系統和汽車類型識別系統組成。而汽車類型識別系統用上述的車輛檢測器即可完成，這里只介紹車牌自動識別系統。
車牌自動識別系統能將輸入的汽車及車牌圖像通過處理識別，輸出為幾個位元組大小的車牌字元串，它無論在存儲空間的佔用上還是與管理資料庫相連方面，都有無可比擬的優越性。這在大型停車場，交通部門的違章監測（電子警察）、高速公路及橋梁的收費站管理等方面，有著廣泛的應用前景。
車牌自動識別系統的工作原理框圖(如圖1)所示。
在CCD攝像機對好汽車牌照的最佳位置處設置有汽車位置感測器，因此，當汽車駛入所設計的位置時，車輛檢測部分就可檢測到汽車位置感測器發來的信號，並同時發送一個觸發信號給圖像採集部分；圖像採集部分將採集的汽車車牌圖像信號送入圖像處理與識別部分，以對圖像進行預處理、二值化、字元切分、特徵提取、再經字元識別程序，最後將識別結果寫入資料庫，供查詢部分使用。
4、收費數據視頻疊加顯示系統
當前，高速公路收費系統一般採用封閉式聯網收費系統，且大多採用人工半自動的收費方式，即「人工判型，人工收費，計算機管理，閉路電視監視，檢測器校核」的半自動方式。有的採用非接觸式IC卡作為收費介質，即入口發行通行卡並寫入入口信息，出口按照車型和行駛里程收取通行費或在儲值卡內扣款。
為杜絕少數不法收費員貪污路費，避免國家損失財政收入，高速公路收費系統必需要增加收費數視頻疊加顯示，以監督統計收費站收費人員的收費數以及不同類型的車輛數，方便交通管理部門的管理。為此，我們研發了高速公路收費數據視頻疊加顯示器，其組成原理框圖（如圖2）所示。
由圖2看出，收費數據視頻疊加器（圖2中虛線以內）的核心是字元疊加晶元，其周邊部分有：行、場同步信號分離部分；疊加字元的水平與垂直位置的調節部分；疊加字元寬窄調節部分：疊加字元的輸出與亮暗調節部分；存儲器部分；單片機部分等。
這樣，該收費數據通過單片機輸入到疊加晶元，被疊加到高速公路收費站監控的視頻上。它除顯示在監視器上外，還上傳到監控中心的計算機上，同時也被記錄在DVR中，以方便交通部門的管理。
5、收費站不停車收費系統
目前，高速公路收費站不停車收費系統，有下面二種類型：
①ETC不停車收費系統
高速公路收費站不停車收費系統，是一種電子不停車收費系統（Electronic Toll Collection簡稱ETC），是國內外正在開發並且推廣普及的一種用於高速公路、大橋和隧道的一種收費系統。它通過路側天線與車載電子標簽之間的專用短距離通訊，在不需要司機停車和其他收費人員採取任何操作的情況下，能自動地完成收費的全過程。
ETC系統主要由ETC收費車道、收費站管理系統、ETC管理中心、專業銀行及傳輸網路組成。ETC系統是利用微波（或紅外或射頻）技術、電子技術、計算機技術、通信和網路技術、信息技術、感測技術、圖像識別技術等高新技術的設備和軟體（包括管理） 所組成的先進系統，以實現車輛無需停車即可自動收取道路通行費用。目前，大多數ETC系統均採用微波技術。
不停車收費系統的原理框圖（如圖3）所示。
由圖3可知，當汽車通過路邊車道設備控制系統的信號發射與接收裝置（路邊讀寫設備簡稱RSE，即圖中的閱讀器）時，經天線，能識別車輛上設備（即圖中的射頻卡或標簽，因放在汽車前玻璃上也稱為車載器，簡稱OBU）內特有的編碼、車牌號、判別車型、計算通行費用，並自動從車輛用戶的專用賬戶中扣除通行費。對使用ETC車道的未安裝電子標簽或標簽無效的車輛，則視作違章車輛，並立即自動實施圖像抓拍和識別，以傳送交警部門事後處理。
②GPS不停車收費系統
高速公路GPS（Global Positioning System）不停車收費系統，是GPS技術、GIS（Geographic Information System）技術、移動通信技術等高度融合。它將裝有GPS接收機的移動車輛位置數據，經過單片機的處理，經GSM通信模塊以簡訊息的方式發送至移動通信網的短消息中心（SMC），SMC再通過專線把車輛定位信息傳遞給收費中心，當收費中心接收到移動終端發送來的位置信息，利用GIS軟體和快速的投影匹配演算法，准確將車輛的行駛路線與資料庫中的道路網進行匹配，獲得其在收費道路上的行駛軌跡，然後由收費軟體按照各條公路收費標准分開進行計費，以實現道路聯網收費；車主可在網上查詢自己的收費詳細情況，使收費過程透明；收費中心然後再通過專線與銀行進行交割。
系統可實現全天候24小時不停車收費與分時段收費；實現車輛全程跟蹤與定位以及道路信息查詢等功能。
與傳統人工收費方式不同，不停車收費系統的好處有：杜絕少數不法收費員貪污路費；無需收費廣場，節省收費站的佔地面積；節省能源消耗，減少停車時的廢氣排放和對城市環境的污染；降低車輛部件損耗；減少收費人員，降低收費管理單位的管理成本；無需排隊停車，節省出行人的時間；避免因停車收費而造成收費口堵塞，形成新的瓶頸等。
6、利用3G的車輛定位跟蹤的智能監控系統
大家知道，全球定位系統GPS從軍用轉為民用以後，GPS技術應用於移動目標的監控有著其他監控手段無法比擬的優勢。利用3G（即GSM、GPS、GIS）車輛定位監控系統，是對各種車輛實施定位跟蹤、監控、調度管理提出的較理想解決方案。該系統採用世界領先的GPS全球衛星定位技術對移動目標進行實時定位；利用GSM全球移動通訊技術即GSM數字移動通信網路進行實時數據傳輸；利用GIS地理信息處理技術即以GIS電子地圖和空間信息系統為支撐平台。同時，還採用大容量數據採集技術和大容量數據存儲等計算機網路通信與數據處理技術，以盡可能多地採集並記錄車輛行駛過程中大量的數據信息，自動生成圖形和數據，進行統計、比較、分析、列表，從而提高車輛營運管理工作的效率。因此，能夠實現對車、船等移動目標的精確定位跟蹤、監控報警、反劫防盜、指揮調度和信息查詢管理等。這種3G的系統具有定位精度高、穩定性強、使用效果好等特點。
實際上，整個3G的車輛定位跟蹤智能監控系統是由GPS衛星定位系統和地面移動通信系統兩大部分組成。其中，地面移動通信系統是由指揮監控中心、車載移動單元和GSM通信網路三個部分組成。車載移動單元設備可以為指揮監控中心實時提供每一個移動目標的最新定位數據、運行狀況和報警信息等，並自動記錄這些信息以便事後查詢分析，因而也是用戶終端。監控中心接收車載移動單元傳送來的車輛GPS定位數據信息，並對車輛的報警和調度信息進行處理，並且通過GIS地圖匹配，就能在電子地圖上實時顯示車輛當前精確位置，從而能方便地實現對車輛的定位跟蹤、監控防盜、反劫報警、指揮調度等功能；同時也可通過GSM無線通信網路進行數據、語音、圖像的傳輸。即向指定的車載台發送各種控制指令，實現對車輛的遠程式控制制和信息查詢等服務。
三、實現智能化監控軟體演算法的方法
上述高速公路監控系統的智能化功能，均需要智能軟體演算法完成，限於篇幅，這里不能一一介紹。其中車輛檢測的定位與跟蹤演算法大致可分為如下四類：基於區域的方法，基於主動輪廓的方法，基於特徵的方法，基於模型的方法；但也可以簡單分為基於二維的方法和基於三維模型的方法。基於二維的方法，本身具有難以解決遮擋、無關結構干擾、對光線敏感、適用場景有限等固有的缺陷問題；基於三維模型的方法，由於引入了目標物體的三維先驗知識，比基於二維的方法更具准確性，但相應研究的難度也較大。
1、基於三維模型的目標定位方法
通常，人類在觀察周圍世界的時候，總是利用豐富的經驗知識，如車輛模型、場景模型、運動模型、弱透視模型、地平面約束、推理結構和語法與句法模型等。但對智能交通來說，最重要的是車輛模型。如實現生成一個車輛的三維線框模型，在給定的姿態下，將其投影到圖像平面上，並與圖像數據匹配。通過優化過程得到目標物體的真實姿態，這類方法通常稱為基於三維模型的目標定位方法。
基於三維模型的交通監控系統的底層視覺部分主要由三個模塊組成：運動檢測、初始化跟蹤。攝像機所拍錄到的圖像序列首先送到運動檢測模塊，以確定圖像中可能包含車輛的區域。當某個區域第一次出現時，完成跟蹤的初始化工作，包括判斷其中是否真的存在車輛，如果存在的話，則確定它的三維姿態並識別出它是哪種車型；車輛跟蹤模塊由定位模塊驅動，當初始化工作已經完成、車輛已被准確識別和定位以後，跟蹤模塊將自動地根據車輛以前的三維姿態信息和運動學知識預測車輛在當前幀的位置，定位模塊將以這個位置作為初始值，確定當前幀中車輛的三維姿態，如此循環往復，直到車輛離開視野，跟蹤模塊也就停止工作了。
高層部分的處理主要包括根據車輛的運動軌跡對其行為進行分析，並給出自然語言式的描述。
中科院自動化所模式識別國家重點實驗室視頻監控小組，在總結了英國雷丁大學 VIEWS的車輛交通監控原型系統的研究經驗後，自行設計了一個擁有完全自主版權的交通監控原型系統VStar Visual Surveillance Star，並在PC Windows 2000平台上用Visual C++6.0語言初步實現了整個系統。這種VStar系統由計算機、數字攝像機、音箱和交通場景模擬平台組成。當車輛在交通場景中運動時，攝像機將拍錄下來的視頻序列送進計算機，定位和跟蹤程序自動分析這些視頻序列，識別車型並跟蹤車輛在場景中的運動。跟蹤結果被送去進行分析和語義解釋程序，對車輛的行為進行分析並給出語義解釋。語義解釋結果進一步被送進語音合成程序，從而可得到語音提示或警告。如當車輛逆向行駛或闖入綠化草地時，系統將給出准確的語音警告。目前該系統能夠在一台PⅢ866 PC機上實時地跟蹤車輛，並且不受光線變化、無關結構的干擾斑馬線、邊界遮擋等的影響。
在這種交通監控原型系統中，其具體的定位與跟蹤演算法是：
①基於三維線框模型的車輛定位演算法
其中車輛定位過程被假想成從初始姿態到正確姿態的一系列虛擬運動，並被進一步分解成為兩種獨立的運動：平移和旋轉。平移參數可以通過基於PLS距離（點到線段的距離）的姿態評價函數得到，而旋轉參數可以通過一族特別構造的假想平面之間的幾何關系得到。在確定平移參數和旋轉參數時均可以得到閉式解。實驗結果表明，該演算法可以快速、准確、魯棒地根據一幅灰度圖像確定其中車輛在三維空間里的姿態。
②基於改進的擴展卡爾曼濾波器的車輛跟蹤演算法
其中提出了一種新的車輛運動模型，考慮了車輛行駛過程中的一些物理性質，比現有的運動模型更加符合車輛的真實運動。該演算法還利用了一種改進的擴展卡爾曼濾波器，通過強制殘差序列滿足正交性條件來保證殘差序列擁有與白雜訊相同的性質，從而滿足了卡爾曼濾波器中對於觀測雜訊是白雜訊的假定。實驗結果表明，當車輛運動急劇、復雜時，現有的演算法都不能很好地預測車輛的運動，而本演算法可以相當准確地完成預測的任務。
2、用於事件識別的行為模式學習的自組織神經網路方法
用於事件識別的行為模式學習的自組織神經網路方法，是通過對目標運動軌跡和目標特徵的學習，建立行為分布模式，它不僅能實現異常現象的檢測和檢測異常發生區域，還能進行目標行為的預測。其特點是:
① 使用了一種以整條軌跡作為輸入的網路映射方法，克服了現有的網路映射方法不能完整地表示「線」特徵的缺點；
② 使目標特徵更加合理地表示在樣本數據中 ;
③ 採用了行為模式學習的模糊自組織神經學習演算法,大大地提高了行為模式的學習速度 ;
④ 給出了利用行為模式判斷整條軌跡所代表的事件是否異常、檢測出局部的異常區域和目標行為預測的數學方法。
行為理解可以簡單地認為是時變數據的分類問題，即將測試序列與預先標定的代表典型行為的參考序列進行匹配。由此可見，行為理解的關鍵問題是如何從學習樣本中獲取參考行為序列，並且學習和匹配的行為序列必需能夠處理在相似的運動模式類別中空間和時間尺度上輕微的特徵變化。在行為模式學習的基礎上，能實現對交通事故進行實時、精確的預測，從而可以降低事故的發生率，減少人們生命財產的損失。
在接收攝像機拍錄的圖像序列時，根據事先已經確定的攝像機模型和車輛模型實現基於三維線框模型的車輛實時跟蹤，這時輸出的是車輛的軌跡。在積累了足夠多的車輛軌跡後，就可以開始行為模式學習，它從大量的車輛軌跡中，通過模糊自組織神經網路的方法學習出車輛的行為模式分布。交通事故預測部分接收跟蹤部分的實時跟蹤結果，並且把它和行為模式分布作比較，由概率模型推斷出當前事故發生的可能性。最後再由此可能性序列的分析，給出對於此事故的處理方式。
3、車輛檢測系統中的車輛分類與車速計算
此外，車輛檢測系統是道路監控系統非常重要的一部分，它可以獲得當前監控路面交通流量、佔有率、速度等數據，以此判斷道路阻塞情況，並利用外場信息發布系統發出警告等。實際上，車輛自動分類系統是通過圖像識別運演算法則，來將車輛准確地分類，自動車輛分類系統將車輛長度信息、車輛數量和間距信息、車輛高度距陣信息形成綜合的圖像，將該圖像與預先設置的標准對比，從而實現車輛的准確分類。
在國家交通部即將推出的行業規范里，在車輛檢測器中，對流量、平均速度、車道佔有率、平均車長、平均車間距等都有要求，其演算法這里就從略了。其中，該標准對平均速度的定義為
（1）
式中，Vi指第i輛車通過的速度，n指單位時間內通過的車輛數。
車輛檢測系統ARM軟體採用分層設計思想，整個軟體由驅動程序和應用軟體兩部分構成驅動程序部分封裝了Flash操作、RS-485操作、實時時鍾（RTC）操作、RS-232操作和I/O等操作。應用軟體分成基本函數庫和主程序。
四、結束語
由上可知，高速公路監控系統不僅需要網路化，更重要的是智能化。上述的高速公路監控系統的智能化功能，僅是一些最基本的智能化功能，並且也是智能交通的一部分。如城市道路監控中的電子警察系統、交通事件預測系統、十字路口紅綠燈按實際情況的自動轉換系統等均是智能監控，這里就不敘述了。
總之，智能視頻監控的內容很多，這項研究具有重要的理論價值和應用價值，且目前已經成為世界上的研究熱點，而需要解決的問題也很多。理論上，還需要在姿態評價函數形式與優化方法、目標識別定位跟蹤和預測的統一概率框架、語義推理結構與模式學習、多媒體化描述等方面繼續展開深入的研究。在實踐上，要完善各項功能模塊，如設計更優化的演算法、實現多目標的實時跟蹤、設計多機網路化硬體框架、引入多攝像機系統、完善知識庫等。並針對一些特定的場合，如高速公路、城市道路、重要黨政軍事單位、車站與機場、高級社區等，盡快實現實用化的智能視頻監控產品。

Ⅳ 北京中電興發科技有限公司是一個怎樣的企業有誰知道謝謝！

北京中電興發科技有限公司 公司概況中茄磨電興發具有國家級計鍵念算機信息系統集成壹級資質、涉及國家秘稿納困密的計算機信息系統集成甲級資質、建築智能化工程設計甲級資質、建築智能化工程承包國家壹級資質、電子工程承包國家壹級資質、音視頻工程...

Ⅵ 目標跟蹤演算法

一般將目標跟蹤分為兩個部分：特徵提取、目標跟蹤演算法。其中提取的目標特徵大致可以分為以下幾種：
1） 以目標區域的顏色直方圖作為特徵，顏色特徵具有旋轉不變性，且不受目標物大小和形狀的變化影響，在顏色空間中分布大致相同。
2） 目標的輪廓特徵，演算法速度較快，並且在目標有小部分遮擋的情況下同樣有較好的效果。

(6)車輛跟蹤演算法擴展閱讀

目標跟蹤的演算法大致可以分為以下四種：

1) 均值漂移演算法，即meanshift演算法，此方法可以通過較少的迭代次數快速找到與目標最相似的位置，效果也挺好的。但是其不能解決目標的遮擋問題並且不能適應運動目標的的形狀和大小變化等。對其改進的演算法有camshift演算法，此方法可以適應運動目標的大小形狀的改變，具有較好的跟蹤效果，但當背景色和目標顏色接近時，容易使目標的區域變大，最終有可能導致目標跟蹤丟失。

2) 基於Kalman濾波的目標跟蹤，該方法是認為物體的運動模型服從高斯模型，來對目標的運動狀態進行預測，然後通過與觀察模型進行對比，根據誤差來更新運動目標的狀態，該演算法的精度不是特高。

3) 基於粒子濾波的目標跟蹤，每次通過當前的跟蹤結果重采樣粒子的分布，然後根據粒子的分布對粒子進行擴散，再通過擴散的結果來重新觀察目標的狀態，最後歸一化更新目標的`狀態。此演算法的特點是跟蹤速度特別快，而且能解決目標的部分遮擋問題，在實際工程應用過程中越來越多的被使用。

4) 基於對運動目標建模的方法。該方法需要提前通過先驗知識知道所跟蹤的目標對象是什麼，比如車輛、行人、人臉等。通過對要跟蹤的目標進行建模，然後再利用該模型來進行實際的跟蹤。該方法必須提前知道要跟蹤的目標對象是什麼，然後再去跟蹤指定的目標，這是它的局限性，因而其推廣性相對比較差。

Ⅶ vf程序設計：關於機動車違章查詢的程序

養路費稽查系統
陝西藍盾科技有限公司致力於與國際國內先進的交通公司和科研單位合作，開發和引進適合中國國情的智能交通產品。
【系統功能】
車牌識別模塊
◆ 採用多目標自動跟蹤演算法，對場景中的多個車輛進行實時跟蹤，進而識別其車牌號碼；
超速自動抓拍模塊 (可選功能)
◆ 使用雷達，自動檢測車輛的速度。一旦偵測到超速車輛，系統自動抓拍車輛特寫和全景圖片；
黑名單對比模塊
◆ 把車牌識別模塊識別到的車牌號碼，與黑名單資料庫中車輛信息進行比對，如果是黑名單車輛，系統會自動報警。黑名單保存在本地資料庫中，可按用戶需求定製；
繳費稽查模塊
◆ 將車牌識別模塊識別到的車牌號碼，與繳費資料庫中的車輛信息進行比對，如果發現欠漏費車輛，系統會自動報警。繳費資料庫可按用戶需求定製；
交通違章監測模塊
◆ 對壓實線、不按規則停車等違章行為的車輛進行數字錄像取證（包括車輛圖像、違章時間、違章地段等信息），生成違章處罰通知單，方便交警在現源茄場進行違章處理，使交通管理違章處罰有據可依。

【系統特性】
◆ 捕獲率高，識別率高，可以同時抓拍和識別攝像機畫面中的多個車牌；
◆ 誤識率低，對柵欄，建築物等復雜背景具有很好的過濾性；
◆ 識別速度快，多輛車同時進入雹液察視野，只要車牌埋伏清楚，系統都能給出正確的識別結果；
◆ 對光照條件、圖像質量和攝像角度的適應性強；
◆ 系統功能擴展性好，可以根據用戶需要，添加新的識別功能。

7、監控工程、網路工程。同時提供具有競爭力的網路視頻伺服器。
8、車載GPS定位系統，車載GPS導航系統。

Ⅷ 一路智能監控攝像頭支撐的演算法有幾個

5個，以下是被支持的演算法類型：
1、人臉識別演算法：用羨燃於識別人臉並將其與資料庫中的人臉信息進行匹配，實現人臉識別功能。
2、行為分析演算法：用於分析監控畫面中的行為動作，例如人員進出、物品移動等，從而實現行為分析和預警功能。
3、車輛識別演算法：用於識別車輛的車牌號碼和車型等信息，實現車輛識別和管理功能。
4、目標跟蹤演算法：用於實現目標跟蹤和追蹤功能，例如對入侵者或可疑人員進行跟蹤。
5、煙霧報警演算法：用兄世虛於檢測監控畫面中的煙霧，從而實現煙霧報返態警和自動滅火等功能。

Ⅸ 目標跟蹤檢測演算法（一）——傳統方法

姓名：劉帆；學號：20021210609；學院：電子工程學院

https://blog.csdn.net/qq_34919792/article/details/89893214

【嵌牛導讀】目標跟蹤演算法研究難點與挑戰在於實際復雜的應用環境 、背景相似干擾、光照條件的變化、遮擋等外界因素以及目標姿態變化，外觀變形，尺度變化、平面外旋轉、平面內旋轉、出視野、快速運動和運動模糊等。而且當目標跟蹤演算法投入實際應用時，不可避免的一個問題——實時性問題也是非常的重要。正是有了這些問題，才使得演算法研究充滿著難點和挑戰。

【嵌牛鼻子】目標跟蹤演算法，傳統演算法

【嵌牛提問】利用目標跟蹤檢測演算法要達到何目的?第一階段的單目標追蹤演算法包括什麼?具體步驟有哪些?它們有何特點?

【嵌牛正文】

第一階段

目標跟蹤分為兩個部分，一個是對指定目標尋找可以跟蹤的特徵，常用的有顏色，輪廓，特徵點，軌跡等，另一個是對目標特徵進行跟蹤。

1、靜態背景

1）背景差： 對背景的光照變化、雜訊干擾以及周期性運動等進行建模。通過當前幀減去背景圖來捕獲運動物體的過程。

2）幀差： 由於場景中的目標在運動，目標的影像在不同圖像幀中的位置不同。該類演算法對時間上連續的兩幀或三幀圖像進行差分運算，不同幀對應的像素點相減，判斷灰度差的絕對值，當絕對值超過一定閾值時，即可判斷為運動目標，從而實現目標的檢測功能。

與二幀差分法不同的是，三幀差分法（交並運算）去除了重影現象，可以檢測出較為完整的物體。幀間差分法的原理簡單，計算量小，能夠快速檢測出場景中的運動目標。但幀間差分法檢測的目標不完整，內部含有「空洞」，這是因為運動目標在相鄰幀之間的位置變化緩慢，目標內部在不同幀圖像中相重疊的部分很難檢測出來。幀間差分法通常不單獨用在目標檢測中，往往與其它的檢測演算法結合使用。

3）Codebook

演算法為圖像中每一個像素點建立一個碼本，每個碼本可以包括多個碼元（對應閾值范圍），在學習階段，對當前像素點進行匹配，如果該像素值在某個碼元的學習閾值內，也就是說與之前出現過的某種歷史情況偏離不大，則認為該像素點符合背景特徵，需要更新對應點的學習閾值和檢測閾值。

如果新來的像素值與每個碼元都不匹配，則可能是由於動態背景導致，這種情況下，我們需要為其建立一個新的碼元。每個像素點通過對應多個碼元，來適應復雜的動態背景。

在應用時，每隔一段時間選擇K幀通過更新演算法建立CodeBook背景模型，並且刪除超過一段時間未使用的碼元。

4）GMM

混合高斯模型（Gaussian of Micture Models，GMM）是較常用的背景去除方法之一（其他的還有均值法、中值法、滑動平均濾波等）。

首先我們需要了解單核高斯濾波的演算法步驟：

混合高斯建模GMM（Gaussian Mixture Model）作為單核高斯背景建模的擴展，是目前使用最廣泛的一種方法，GMM將背景模型描述為多個分布，每個像素的R、G、B三個通道像素值的變化分別由一個混合高斯模型分布來刻畫，符合其中一個分布模型的像素即為背景像素。作為最常用的一種背景建模方法，GMM有很多改進版本，比如利用紋理復雜度來更新差分閾值，通過像素變化的劇烈程度來動態調整學習率等。

5）ViBe（2011）

ViBe演算法主要特點是隨機背景更新策略，這和GMM有很大不同。其步驟和GMM類似。具體的思想就是為每個像素點存儲了一個樣本集，樣本集中采樣值就是該像素點過去的像素值和其鄰居點的像素值，然後將每一個新的像素值和樣本集進行比較來判斷是否屬於背景點。

其中pt（x）為新幀的像素值，R為設定值，p1、p2、p3….為樣本集中的像素值，以pt（x）為圓心R為半徑的圓被認為成一個集，當樣本集與此集的交集大於設定的閾值#min時，可認為此為背景像素點（交集越大，表示新像素點與樣本集越相關）。我們可以通過改變#min的值與R的值來改變模型的靈敏度。

Step1：初始化單幀圖像中每個像素點的背景模型。假設每一個像素和其鄰域像素的像素值在空域上有相似的分布。基於這種假設，每一個像素模型都可以用其鄰域中的像素來表示。為了保證背景模型符合統計學規律，鄰域的范圍要足夠大。當輸入第一幀圖像時，即t=0時，像素的背景模型。其中，NG（x,y）表示空域上相鄰的像素值，f(xi,yi)表示當前點的像素值。在N次的初始化的過程中，NG（x,y）中的像素點(xi,yi)被選中的可能次數為L=1,2,3,…,N。

Step2：對後續的圖像序列進行前景目標分割操作。當t=k時，像素點(x,y)的背景模型為BKm(x,y)，像素值為fk(x,y)。按照下面判斷該像素值是否為前景。這里上標r是隨機選的；T是預先設置好的閾值。當fk(x,y)滿足符合背景#N次時，我們認為像素點fk(x,y)為背景，否則為前景。

Step3：ViBe演算法的更新在時間和空間上都具有隨機性。每一個背景點有1/ φ的概率去更新自己的模型樣本值，同時也有1/ φ的概率去更新它的鄰居點的模型樣本值。更新鄰居的樣本值利用了像素值的空間傳播特性，背景模型逐漸向外擴散，這也有利於Ghost區域的更快的識別。同時當前景點計數達到臨界值時將其變為背景，並有1/ φ的概率去更新自己的模型樣本值（為了減少緩慢移動物體的影響和攝像機的抖動）。

可以有如下總結，ViBe中的每一個像素點在更新的時候都有一個時間和空間上隨機影響的范圍，這個范圍很小，大概3x3的樣子，這個是考慮到攝像頭抖動時會有坐標的輕微來回變化，這樣雖然由於ViBe的判別方式仍認為是背景點，但是也會對後面的判別產生影響，為了保證空間的連續性，隨機更新減少了這個影響。而在樣本值保留在樣本集中的概率隨著時間的增大而變小，這就保證了像素模型在時間上面的延續特性。

6）光流

光流是由物體或相機的運動引起的圖像對象在兩個連續幀之間的視在運動模式。它是2D矢量場，其中每個矢量是一個位移矢量，顯示點從第一幀到第二幀的移動。

光流實際上是一種特徵點跟蹤方法，其計算的為向量，基於三點假設：

1、場景中目標的像素在幀間運動時亮度（像素值或其衍生值）不發生變化；2、幀間位移不能太大；3、同一表面上的鄰近點都在做相同的運動；

光流跟蹤過程：1）對一個連續視頻幀序列進行處理；2）對每一幀進行前景目標檢測；3）對某一幀出現的前景目標，找出具有代表性的特徵點（Harris角點）；4）對於前後幀做像素值比較，尋找上一幀在當前幀中的最佳位置，從而得到前景目標在當前幀中的位置信息；5）重復上述步驟，即可實現目標跟蹤

2、運動場（分為相機固定，但是視角變化和相機是運動的）

1）運動建模（如視覺里程計運動模型、速度運動模型等）

運動學是對進行剛性位移的相機進行構型，一般通過6個變數來描述，3個直角坐標，3個歐拉角（橫滾、俯仰、偏航）。

Ⅰ、對相機的運動建模

由於這個不是我們本次所要討論的重點，但是在《概率機器人》一書中提出了很多很好的方法，相機的運動需要對圖像內的像素做位移矩陣和旋轉矩陣的坐標換算。除了對相機建立傳統的速度運動模型外，也可以用視覺里程計等通關過置信度的更新來得到概率最大位置。

Ⅱ、對於跟蹤目標的運動建模

該方法需要提前通過先驗知識知道所跟蹤的目標對象是什麼，比如車輛、行人、人臉等。通過對要跟蹤的目標進行建模，然後再利用該模型來進行實際的跟蹤。該方法必須提前知道要跟蹤的目標對象是什麼，然後再去跟蹤指定的目標，這是它的局限性，因而其推廣性相對比較差。（比如已知跟蹤的物體是羽毛球，那很容易通過前幾幀的取點，來建立整個羽毛球運動的拋物線模型）

2）核心搜索演算法（常見的預測演算法有Kalman(卡爾曼)濾波、擴展卡爾曼濾波、粒子濾波）

Ⅰ、Kalman 濾波

Kalman濾波器是通過前一狀態預測當前狀態，並使用當前觀測狀態進行校正，從而保證輸出狀態平穩變化，可有效抵抗觀測誤差。因此在運動目標跟蹤中也被廣泛使用。

在視頻處理的運動目標跟蹤里，每個目標的狀態可表示為(x,y,w,h)，x和y表示目標位置，w和h表示目標寬高。一般地認為目標的寬高是不變的，而其運動速度是勻速，那麼目標的狀態向量就應該擴展為(x,y,w,h,dx,dy)，其中dx和dy是目標當前時刻的速度。通過kalman濾波器來估計每個時刻目標狀態的大致過程為：

對視頻進行運動目標檢測，通過簡單匹配方法來給出目標的第一個和第二個狀態，從第三個狀態開始，就先使用kalman濾波器預測出當前狀態，再用當前幀圖像的檢測結果作為觀測值輸入給kalman濾波器，得到的校正結果就被認為是目標在當前幀的真實狀態。(其中，Zt為測量值，為預測值，ut為控制量，Kt為增益。)

Ⅱ、擴展卡爾曼濾波（EKF）和無跡卡爾曼濾波（UKF）

由於卡爾曼濾波的假設為線性問題，無法直接用在非線性問題上，EKF和UKF解決了這個問題（這個線性問題體現在用測量量來計算預測量的過程中）。EKF是通過構建線性函數g(x)，與非線性函數相切，並對每一時刻所求得的g（x）做KF，如下圖所示。

UKF與EKF去求解雅可比矩陣擬合線性方程的方法不同，通過對那個先驗分布中的採集點，來線性化隨機變數的非線性函數。與EKF所用的方法不同，UKF產生的高斯分布和實際高斯分布更加接近，其引起的近似誤差也更小。

Ⅲ、粒子濾波

1、初始狀態：基於粒子濾波的目標追蹤方法是一種生成式跟蹤方法，所以要有一個初始化的階段。對於第一幀圖像，人工標定出待檢測的目標，對該目標區域提出特徵；

2、搜索階段：現在已經知道了目標的特徵，然後就在目標的周圍撒點(particle), 如：a)均勻的撒點;b)按高斯分布撒點，就是近的地方撒得多，遠的地方撒的少。論文里使用的是後一種方法。每一個粒子都計算所在區域內的顏色直方圖，如初始化提取特徵一樣，然後對所有的相似度進行歸一化。文中相似性使用的是巴氏距離；

3、重采樣：根據粒子權重對粒子進行篩選，篩選過程中，既要大量保留權重大的粒子，又要有一小部分權重小的粒子；

4、狀態轉移：將重采樣後的粒子帶入狀態轉移方程得到新的預測粒子；

5、測量及更新：對目標點特徵化，並計算各個粒子和目標間的巴氏距離，更新粒子的權重；

6、決策階段：每個粒子都獲得一個和目標的相似度，相似度越高，目標在該范圍出現的可能性越高，將保留的所有粒子通過相似度加權後的結果作為目標可能的位置。

3）Meanshift演算法

MeanShift演算法屬於核密度估計法，它不需要任何先驗知識而完全依靠特徵空間中樣本點的計算其密度函數值。對於一組采樣數據，直方圖法通常把數據的值域分成若干相等的區間，數據按區間分成若干組，每組數據的個數與總參數個數的比率就是每個單元的概率值；核密度估計法的原理相似於直方圖法，只是多了一個用於平滑數據的核函數。採用核函數估計法，在采樣充分的情況下，能夠漸進地收斂於任意的密度函數，即可以對服從任何分布的數據進行密度估計。

Meanshift演算法步驟

1、通過對初始點（或者上一幀的目標點）為圓心，繪制一個半徑為R的圓心，尋找特徵和該點相似的點所構成的向量；

2、所有向量相加，可以獲得一個向量疊加，這個向量指向特徵點多的方向；

3、取步驟二的向量終點為初始點重復步驟一、二，直到得到的向量小於一定的閾值，也就是說明當前位置是特徵點密度最密集的地方，停止迭代，認為該點為當前幀的目標點；

4）Camshift演算法

Camshift演算法是MeanShift演算法的改進，稱為連續自適應的MeanShift演算法。Camshift 是由Meanshift 推導而來 Meanshift主要是用在單張影像上，但是獨立一張影像分析對追蹤而言並無意義，Camshift 就是利用MeanShift的方法，對影像串列進行分析。

1、首先在影像串列中選擇目標區域。

2、計算此區域的顏色直方圖（特徵提取）。

3、用MeanShift演演算法來收斂欲追蹤的區域。

4、通過目標點的位置和向量信息計算新的窗口大小，並標示之。

5、以此為參數重復步驟三、四。

Camshift 關鍵就在於當目標的大小發生改變的時候，此演算法可以自適應調整目標區域繼續跟蹤。

3、小結

第一階段的單目標追蹤演算法基本上都是傳統方法，計算量小，在嵌入式等設備中落地較多，opencv中也預留了大量的介面。通過上面的兩節的介紹，我們不難發現，目標檢測演算法的步驟分為兩部分，一部分是對指定目標尋找可以跟蹤的特徵，常用的有顏色，輪廓，特徵點，軌跡等，另一部分是對目標特徵進行跟蹤，如上文所提及的方法。所以目標檢測方法的發展，也可總結為兩個方面，一個是如何去獲得更加具有區分性的可跟蹤的穩定特徵，另一個是如何建立幀與幀之間的數據關聯，保證跟蹤目標是正確的。

隨著以概率為基礎的卡爾曼濾波、粒子濾波或是以Meanshift為代表向量疊加方法在目標檢測的運用，使得目標檢測不再需要假設自身的一個狀態為靜止的，而是可以是運動的，更加符合復雜場景中的目標跟蹤。

Ⅹ 電動車定位跟蹤器是用的什麼原理呀

工作原理:

1、內置特殊運動感知晶元，在任何由靜態變為動態的場合，系統均可偵測並報警。

2、內置運動位移特殊演算法，任何非法移動（大於100M）均可偵測並報警。

3、內置高品質gprs通信模塊和GPS晶元，將定位地理信息發送給用戶手機或者上傳數據到指定軌跡網站。

4、Gps定位：定位信息含速度信息，定位精度5-50米。室內無法定位。

5、基站定位：定位信息無速度信息。定位精度依據基站密度而定，室內可定位。

(10)車輛跟蹤演算法擴展閱讀:

工作方式:

1、雙定位：GPS定位+基站定位：

全程定位無盲點。在無GPS信號場合，系統自動轉基站物檔定位，即有手機信號的地方都可以定位。

2、震動即報梁螞棚警，移動即跟蹤：

系統由靜態轉為動態時（移動或者震動），即報警跟蹤。

3、獲橡則取即時動態定位信息多樣化：

簡訊回復車輛當前所處的地理位置信息和登錄軌跡網站，可查詢運動軌跡，並可下載運動軌跡文字資料（路書）。

4、低電壓報警：

產品內置電池低電壓時系統會自動簡訊提示用戶及時充電。

5、手機卡欠費報警：

產品內安裝的電話卡如果收到電信部門發來的簡訊（比如手機卡欠費提醒簡訊等），系統會全部轉發給機主手機。