车辆跟踪算法

Ⅰ 汽车的自动跟随系统依靠前车的什么进行检测

自动跟踪技术实际上是由大量的传感器和控制系统组成的。第一个车头处，有监测前面车辆距离的雷达传感器，有测对方车速的测速器，左右两侧还有几个雷达传感器监测车身两侧是否有来车。

自动跟踪可提供运动目标的空间定位、姿态、结构行为和性能，是运动目标的多功能和高精度的跟踪和测量手段，自动跟踪由位置传感器、信号处理系统、伺服系统和跟踪架等部分组成。

自动视频跟踪算法模块一般提供：目标捕捉、自动跟踪、平台控制、电子稳像、图像缩放平移旋转、OSD功能。

自动跟踪是连续跟踪并测量运动目标轨迹参数的系统。自动跟踪的目标是以一定速度和加速度运动的车辆、舰船、飞机、导弹和人造卫星等。

自动跟踪可提供运动目标的空间定位、姿态、结构行为和性能，是运动目标的多功能和高精度的跟踪和测量手段，自动跟踪由位置传感器、信号处理系统、伺服系统和跟踪架等部分组成。

Ⅱ 车牌识别系统原理与代码“YOLO+MLP”

车牌识别系统可以自动检测并识别图像中的车辆牌照，其算法主要包括牌照定位、牌照分割、字符识别等步骤。本文将给出一种基于深度学习的车牌识别系统方案。

由于可以自动地从视频图像中提取车辆牌照信息，因此车牌识别系统可以应用于以下行业：

我们的项目包含以下三个步骤：车辆牌照检测、牌照字符分割、牌照字符识别。

我们使用Yolo（You Only Look One）算法来检测车辆牌照。Yolo是一个基于卷积神经网络的深度学习目标检测架构。该架构由 Joseph Redmon , Ali Farhadi, Ross Girshick和Santosh Divvala引入，2015年推出第一个版本，然后逐渐升级至版本3：

Yolo是一个端到端训练的单一网络，可以用来预测目标的类别与边界框。Yolo网络速度极快，可以每秒45帧的速度实时处理图像。其中一个较小规模的网络，被称为Fast YOLO，甚至达到了令人咂舌的155帧/秒的处理速度。

下面我们来实现YOLO V3网络。首先，我们准备一个有700张包含土耳其车辆牌照的图片的数据集，对每一张图片，我们都使用一个桌面应用LabelImg标注出车牌位置并存入一个xml文件。数据下载及网络训练脚本如下：

在网络训练完之蔽培后，为了识别图像中的车辆牌照，我们从darknet/custom/weights中选择最新的模型并在文件object_detection_yolo.py中写入其路径名称，我们也将使用yolov3.cfg文件，注释掉训练部分，然后执行：

这就是我们的结果：

现在我们要分割出我们的车牌号码。这个步骤的输入是车牌图像，我们必须能够提取出轿桐单个字符的图像。由于这一步骤的输出将用于识别步骤，因此对于一个车牌识别系统而言，车牌分割步骤非常重要。为了尽可能的正确分割车牌字符，我们需要进行必要的预处理。

像素投影直方图用来找出字符区域的上限和下限、左边及右边。我们使用水平投影来找出字符的顶部 和底部位置，使用垂直投影来找出字符的左边和右边位置：

从车辆牌照中提取数字的另一个方法时使用形态学的开/闭操作来生成一些连通区域，然后再使用连通跟踪算法提取这些连通区域。

识别阶段是我们的车牌自动检测与识别系统的最后一个环节，识别是宏帆唯基于前面环节得到的单个字符图像。我们的模型将对这些图像进行预测，从而得到最终的车牌号码。

为了尽可能利用训练数据，我们将每个字符单独切割，得到一个车牌字符数据集，该数据集中包含11个类（数字0-9以及阿拉伯单词），每个类包含30~40张字符图像，图像为28X28的PNG格式。

然后，我们就多层感知器MLP和K近邻分类器KNN的比较进行了一些调研，研究结果标明，对于多层感知器而言，如果隐层的神经元增多，那么分类器的性能就会提高；同样，对于KNN而言，性能也是随着近邻数量的增多而提高。不过由于KNN的可调整潜力要远远小于MLP，因此我们最终选择在这个阶段使用多层感知器MLP网络来识别分割后的车牌字符：

你可以在这里找到代码及数据集：github

原文链接：车辆牌照自动检测与识别 —— 汇智网

Ⅲ 小车跟随和避障不能同时实现吗

小车跟随和避障能同时实现。跟随主要是通过传感器和算法，实现对前方车辆的跟踪和速度控制，而避障则需要在这个基础上加入障碍物检测和路径规划等功能，实现对障碍物的识别和回避。因此，将跟随和避山旅稿障结合起来，需要考虑到数据处理、算法优化、控制策略等多个方面，是一个较为复杂的技术问题。目前市面上已逗孝经有些车辆镇态可以实现跟随和避障的结合，但大多数都是在较为特定的环境下，如高速公路或封闭的区域内。

Ⅳ 跪求！！！高速公路网络系统有哪些作用

一、高速公路监控系统的组成
高速公路视频监控系统一般分为收费监控和道路监控两部分。收费监控系统主要是对收费站的车道、收费广场、收费亭的收费情况，对收费车道通过的车辆类型、收费员的操作过程以及收费过程中的突发事件和特殊事件进行观察和记录，实施有效的监督。道路监控系统主要是对高速公路干线、互通立交、隧道等高速公路重点路段进行监视，以掌握高速公路交通状况。这样，能及时发现交通阻塞路段、违章车辆，以便及时给予引导，保证高速公路的安全通畅。
实际上，高速公路监控系统又主要由信息采集子系统、监控中心及信息提供子系统三大部分组成。信息采集子系统包括：车辆检测器、气象检测器、紧急电话和巡逻车；监控中心是高速公路全线路监控系统的最高层即控制中心，主要负责全线路范围内交通情况的监视和控制；信息提供子系统包括交通标志、标线和信号等，是交通监控管理为汽车用户服务的主要形式。
高速公路监控系统用于交通监控、交通信息和气象信息的采集以及交通疏导。该系统通过在高速公路沿线、立交、收费广场设置CCD摄像机，并把其信号传输至监控中心集中监控，从而实现交通状况的可视监控；通过在沿线关键位置设置车辆计数器、车辆测速器、气象资料采集器，并把信号传输至监控中心集中处理，实现交通信息和气象信息的采集；通过安装于道路中间分隔带的可变速标志，可以从中心对外发布交通疏导和交通控制信息。
高速公路监控系统实质上是一个闭环系统。系统的输入是反映公路上车辆运行情况的交通参数和交通状况。这些信息经监控系统分析、处理、判断后，可发生指令，控制道路情报板，变更其显示内容，实施对交通流的调节和控制。其性能的优劣，在一定程度上取决于车辆驾驶员能否协调配合工作，接受系统的调度和指挥。
高速公路监控系统不仅能改善高峰期间车辆行驶的平均速度，增加高峰期间的交通量，减少交通堵塞程度和车辆延迟时间；同时也能大大减少交通事故和保证交通安全，节约燃料和减少车辆的磨损，缩短运输时间，减少污染，发挥高速公路快速、安全、舒适和高效率的功能。因此，高速公路监控系统具有较为显着的经济效益、社会效益和环境效益。
值得提出的是，高速公路通信系统是高速公路现代化管理的支撑系统，是高速公路整个信息网络的基础和神经系统。它实现监控系统和收费系统的数据、语言和图像等信息的传输和交换，保障高速公路各部门之间的业务联系通信。同时作为渗液交通专用通信网的重要组成部分，是交通信息的主要传输载体。
二、高速公路监控系统的智能化
高速公路监控系统为高速公路管理部门从收费站、监控分中心、监控中心直至监控总中心提供多级管理体系。智能化监控系统取代了监控任务中人的大部分工作，是新一代的具有高度智能的监控技术。为使高速公路监控系统智能化，应至少具有以下几个智能功能系统：
1、车辆检测(车流量、车速、车型等)系统
交通流量等的检测是智能交通系统（Intelligent Transport System，ITS）的重要组成部分，车辆检测系统是交通流量等检测的重要手段，是道路监控系统非常重要的一部分。车辆检测系统是高速公路、一般公路、城市道路对过往机动车辆的车型、行驶速度、车流量、道路占有率等进行检测的专用设备。据此检测数据，可以判断道路阻塞等情况，并可通过检测信号控制监控系统中的可变情报板等外场信息发布系统发出警告等信息。
由于交通需求的不断增加，有越来越多的车辆检测器用于交通检测。现行的车辆检测器很多：如磁感应车辆检测器、波频车辆检测器、视频检测器、无线车辆检测器与激光车辆检测器等。这些不同的车辆检测设备，各有其优劣，可以考虑分别安装在槐喊冲高速公路不同路段、城市快速路、城市主干道和交警巡逻车上，以充分发挥不同设备的技术优势。
2、车辆异常行为检测系统
车辆异常行为检测系统，用来检测车辆行驶行为，当行驶异常时即预/报警。通常，系统首先通过背景减除提取运动图像，并进行跟踪和目标类型识别。如有一辆汽车驶入人行道时，系统会自动在该车周围打出两个红色问号，表示其行驶异常，并同时发出警报声，以引起监控人员的注意。当车辆退出人行道后，红色问号消失，警报解除。又如铅歼有一辆小汽车快速在停车场或高速公路收费广场逆行，这时系统会在其周围打出两个红色惊叹号，并发出警报声，表示其行驶行为已经发生异常。再如，那种频繁超越各车道正常行驶车辆的超速行驶的车辆，多为被劫或逃窜等车辆，也属行驶行为异常车辆，这时系统要发出急促的警报声等。这种车辆异常行为检测系统，尤其在城市道路监控中有非常大的作用。
显然，这种报警功能的实现，可以在无人巡视的条件下，自动检测车辆的违章行驶，从而可实现高效智能化的交通管理。
3、车牌自动识别系统
汽车身份自动识别系统由汽车牌照识别系统和汽车类型识别系统组成。而汽车类型识别系统用上述的车辆检测器即可完成，这里只介绍车牌自动识别系统。
车牌自动识别系统能将输入的汽车及车牌图像通过处理识别，输出为几个字节大小的车牌字符串，它无论在存储空间的占用上还是与管理数据库相连方面，都有无可比拟的优越性。这在大型停车场，交通部门的违章监测（电子警察）、高速公路及桥梁的收费站管理等方面，有着广泛的应用前景。
车牌自动识别系统的工作原理框图(如图1)所示。
在CCD摄像机对好汽车牌照的最佳位置处设置有汽车位置传感器，因此，当汽车驶入所设计的位置时，车辆检测部分就可检测到汽车位置传感器发来的信号，并同时发送一个触发信号给图像采集部分；图像采集部分将采集的汽车车牌图像信号送入图像处理与识别部分，以对图像进行预处理、二值化、字符切分、特征提取、再经字符识别程序，最后将识别结果写入数据库，供查询部分使用。
4、收费数据视频叠加显示系统
当前，高速公路收费系统一般采用封闭式联网收费系统，且大多采用人工半自动的收费方式，即“人工判型，人工收费，计算机管理，闭路电视监视，检测器校核”的半自动方式。有的采用非接触式IC卡作为收费介质，即入口发行通行卡并写入入口信息，出口按照车型和行驶里程收取通行费或在储值卡内扣款。
为杜绝少数不法收费员贪污路费，避免国家损失财政收入，高速公路收费系统必需要增加收费数视频叠加显示，以监督统计收费站收费人员的收费数以及不同类型的车辆数，方便交通管理部门的管理。为此，我们研发了高速公路收费数据视频叠加显示器，其组成原理框图（如图2）所示。
由图2看出，收费数据视频叠加器（图2中虚线以内）的核心是字符叠加芯片，其周边部分有：行、场同步信号分离部分；叠加字符的水平与垂直位置的调节部分；叠加字符宽窄调节部分：叠加字符的输出与亮暗调节部分；存储器部分；单片机部分等。
这样，该收费数据通过单片机输入到叠加芯片，被叠加到高速公路收费站监控的视频上。它除显示在监视器上外，还上传到监控中心的计算机上，同时也被记录在DVR中，以方便交通部门的管理。
5、收费站不停车收费系统
目前，高速公路收费站不停车收费系统，有下面二种类型：
①ETC不停车收费系统
高速公路收费站不停车收费系统，是一种电子不停车收费系统（Electronic Toll Collection简称ETC），是国内外正在开发并且推广普及的一种用于高速公路、大桥和隧道的一种收费系统。它通过路侧天线与车载电子标签之间的专用短距离通讯，在不需要司机停车和其他收费人员采取任何操作的情况下，能自动地完成收费的全过程。
ETC系统主要由ETC收费车道、收费站管理系统、ETC管理中心、专业银行及传输网络组成。ETC系统是利用微波（或红外或射频）技术、电子技术、计算机技术、通信和网络技术、信息技术、传感技术、图像识别技术等高新技术的设备和软件（包括管理） 所组成的先进系统，以实现车辆无需停车即可自动收取道路通行费用。目前，大多数ETC系统均采用微波技术。
不停车收费系统的原理框图（如图3）所示。
由图3可知，当汽车通过路边车道设备控制系统的信号发射与接收装置（路边读写设备简称RSE，即图中的阅读器）时，经天线，能识别车辆上设备（即图中的射频卡或标签，因放在汽车前玻璃上也称为车载器，简称OBU）内特有的编码、车牌号、判别车型、计算通行费用，并自动从车辆用户的专用账户中扣除通行费。对使用ETC车道的未安装电子标签或标签无效的车辆，则视作违章车辆，并立即自动实施图像抓拍和识别，以传送交警部门事后处理。
②GPS不停车收费系统
高速公路GPS（Global Positioning System）不停车收费系统，是GPS技术、GIS（Geographic Information System）技术、移动通信技术等高度融合。它将装有GPS接收机的移动车辆位置数据，经过单片机的处理，经GSM通信模块以短信息的方式发送至移动通信网的短消息中心（SMC），SMC再通过专线把车辆定位信息传递给收费中心，当收费中心接收到移动终端发送来的位置信息，利用GIS软件和快速的投影匹配算法，准确将车辆的行驶路线与数据库中的道路网进行匹配，获得其在收费道路上的行驶轨迹，然后由收费软件按照各条公路收费标准分开进行计费，以实现道路联网收费；车主可在网上查询自己的收费详细情况，使收费过程透明；收费中心然后再通过专线与银行进行交割。
系统可实现全天候24小时不停车收费与分时段收费；实现车辆全程跟踪与定位以及道路信息查询等功能。
与传统人工收费方式不同，不停车收费系统的好处有：杜绝少数不法收费员贪污路费；无需收费广场，节省收费站的占地面积；节省能源消耗，减少停车时的废气排放和对城市环境的污染；降低车辆部件损耗；减少收费人员，降低收费管理单位的管理成本；无需排队停车，节省出行人的时间；避免因停车收费而造成收费口堵塞，形成新的瓶颈等。
6、利用3G的车辆定位跟踪的智能监控系统
大家知道，全球定位系统GPS从军用转为民用以后，GPS技术应用于移动目标的监控有着其他监控手段无法比拟的优势。利用3G（即GSM、GPS、GIS）车辆定位监控系统，是对各种车辆实施定位跟踪、监控、调度管理提出的较理想解决方案。该系统采用世界领先的GPS全球卫星定位技术对移动目标进行实时定位；利用GSM全球移动通讯技术即GSM数字移动通信网络进行实时数据传输；利用GIS地理信息处理技术即以GIS电子地图和空间信息系统为支撑平台。同时，还采用大容量数据采集技术和大容量数据存储等计算机网络通信与数据处理技术，以尽可能多地采集并记录车辆行驶过程中大量的数据信息，自动生成图形和数据，进行统计、比较、分析、列表，从而提高车辆营运管理工作的效率。因此，能够实现对车、船等移动目标的精确定位跟踪、监控报警、反劫防盗、指挥调度和信息查询管理等。这种3G的系统具有定位精度高、稳定性强、使用效果好等特点。
实际上，整个3G的车辆定位跟踪智能监控系统是由GPS卫星定位系统和地面移动通信系统两大部分组成。其中，地面移动通信系统是由指挥监控中心、车载移动单元和GSM通信网络三个部分组成。车载移动单元设备可以为指挥监控中心实时提供每一个移动目标的最新定位数据、运行状况和报警信息等，并自动记录这些信息以便事后查询分析，因而也是用户终端。监控中心接收车载移动单元传送来的车辆GPS定位数据信息，并对车辆的报警和调度信息进行处理，并且通过GIS地图匹配，就能在电子地图上实时显示车辆当前精确位置，从而能方便地实现对车辆的定位跟踪、监控防盗、反劫报警、指挥调度等功能；同时也可通过GSM无线通信网络进行数据、语音、图像的传输。即向指定的车载台发送各种控制指令，实现对车辆的远程控制和信息查询等服务。
三、实现智能化监控软件算法的方法
上述高速公路监控系统的智能化功能，均需要智能软件算法完成，限于篇幅，这里不能一一介绍。其中车辆检测的定位与跟踪算法大致可分为如下四类：基于区域的方法，基于主动轮廓的方法，基于特征的方法，基于模型的方法；但也可以简单分为基于二维的方法和基于三维模型的方法。基于二维的方法，本身具有难以解决遮挡、无关结构干扰、对光线敏感、适用场景有限等固有的缺陷问题；基于三维模型的方法，由于引入了目标物体的三维先验知识，比基于二维的方法更具准确性，但相应研究的难度也较大。
1、基于三维模型的目标定位方法
通常，人类在观察周围世界的时候，总是利用丰富的经验知识，如车辆模型、场景模型、运动模型、弱透视模型、地平面约束、推理结构和语法与句法模型等。但对智能交通来说，最重要的是车辆模型。如实现生成一个车辆的三维线框模型，在给定的姿态下，将其投影到图像平面上，并与图像数据匹配。通过优化过程得到目标物体的真实姿态，这类方法通常称为基于三维模型的目标定位方法。
基于三维模型的交通监控系统的底层视觉部分主要由三个模块组成：运动检测、初始化跟踪。摄像机所拍录到的图像序列首先送到运动检测模块，以确定图像中可能包含车辆的区域。当某个区域第一次出现时，完成跟踪的初始化工作，包括判断其中是否真的存在车辆，如果存在的话，则确定它的三维姿态并识别出它是哪种车型；车辆跟踪模块由定位模块驱动，当初始化工作已经完成、车辆已被准确识别和定位以后，跟踪模块将自动地根据车辆以前的三维姿态信息和运动学知识预测车辆在当前帧的位置，定位模块将以这个位置作为初始值，确定当前帧中车辆的三维姿态，如此循环往复，直到车辆离开视野，跟踪模块也就停止工作了。
高层部分的处理主要包括根据车辆的运动轨迹对其行为进行分析，并给出自然语言式的描述。
中科院自动化所模式识别国家重点实验室视频监控小组，在总结了英国雷丁大学 VIEWS的车辆交通监控原型系统的研究经验后，自行设计了一个拥有完全自主版权的交通监控原型系统VStar Visual Surveillance Star，并在PC Windows 2000平台上用Visual C++6.0语言初步实现了整个系统。这种VStar系统由计算机、数字摄像机、音箱和交通场景模拟平台组成。当车辆在交通场景中运动时，摄像机将拍录下来的视频序列送进计算机，定位和跟踪程序自动分析这些视频序列，识别车型并跟踪车辆在场景中的运动。跟踪结果被送去进行分析和语义解释程序，对车辆的行为进行分析并给出语义解释。语义解释结果进一步被送进语音合成程序，从而可得到语音提示或警告。如当车辆逆向行驶或闯入绿化草地时，系统将给出准确的语音警告。目前该系统能够在一台PⅢ866 PC机上实时地跟踪车辆，并且不受光线变化、无关结构的干扰斑马线、边界遮挡等的影响。
在这种交通监控原型系统中，其具体的定位与跟踪算法是：
①基于三维线框模型的车辆定位算法
其中车辆定位过程被假想成从初始姿态到正确姿态的一系列虚拟运动，并被进一步分解成为两种独立的运动：平移和旋转。平移参数可以通过基于PLS距离（点到线段的距离）的姿态评价函数得到，而旋转参数可以通过一族特别构造的假想平面之间的几何关系得到。在确定平移参数和旋转参数时均可以得到闭式解。实验结果表明，该算法可以快速、准确、鲁棒地根据一幅灰度图像确定其中车辆在三维空间里的姿态。
②基于改进的扩展卡尔曼滤波器的车辆跟踪算法
其中提出了一种新的车辆运动模型，考虑了车辆行驶过程中的一些物理性质，比现有的运动模型更加符合车辆的真实运动。该算法还利用了一种改进的扩展卡尔曼滤波器，通过强制残差序列满足正交性条件来保证残差序列拥有与白噪声相同的性质，从而满足了卡尔曼滤波器中对于观测噪声是白噪声的假定。实验结果表明，当车辆运动急剧、复杂时，现有的算法都不能很好地预测车辆的运动，而本算法可以相当准确地完成预测的任务。
2、用于事件识别的行为模式学习的自组织神经网络方法
用于事件识别的行为模式学习的自组织神经网络方法，是通过对目标运动轨迹和目标特征的学习，建立行为分布模式，它不仅能实现异常现象的检测和检测异常发生区域，还能进行目标行为的预测。其特点是:
① 使用了一种以整条轨迹作为输入的网络映射方法，克服了现有的网络映射方法不能完整地表示“线”特征的缺点；
② 使目标特征更加合理地表示在样本数据中 ;
③ 采用了行为模式学习的模糊自组织神经学习算法,大大地提高了行为模式的学习速度 ;
④ 给出了利用行为模式判断整条轨迹所代表的事件是否异常、检测出局部的异常区域和目标行为预测的数学方法。
行为理解可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的参考序列进行匹配。由此可见，行为理解的关键问题是如何从学习样本中获取参考行为序列，并且学习和匹配的行为序列必需能够处理在相似的运动模式类别中空间和时间尺度上轻微的特征变化。在行为模式学习的基础上，能实现对交通事故进行实时、精确的预测，从而可以降低事故的发生率，减少人们生命财产的损失。
在接收摄像机拍录的图像序列时，根据事先已经确定的摄像机模型和车辆模型实现基于三维线框模型的车辆实时跟踪，这时输出的是车辆的轨迹。在积累了足够多的车辆轨迹后，就可以开始行为模式学习，它从大量的车辆轨迹中，通过模糊自组织神经网络的方法学习出车辆的行为模式分布。交通事故预测部分接收跟踪部分的实时跟踪结果，并且把它和行为模式分布作比较，由概率模型推断出当前事故发生的可能性。最后再由此可能性序列的分析，给出对于此事故的处理方式。
3、车辆检测系统中的车辆分类与车速计算
此外，车辆检测系统是道路监控系统非常重要的一部分，它可以获得当前监控路面交通流量、占有率、速度等数据，以此判断道路阻塞情况，并利用外场信息发布系统发出警告等。实际上，车辆自动分类系统是通过图像识别运算法则，来将车辆准确地分类，自动车辆分类系统将车辆长度信息、车辆数量和间距信息、车辆高度距阵信息形成综合的图像，将该图像与预先设置的标准对比，从而实现车辆的准确分类。
在国家交通部即将推出的行业规范里，在车辆检测器中，对流量、平均速度、车道占有率、平均车长、平均车间距等都有要求，其算法这里就从略了。其中，该标准对平均速度的定义为
（1）
式中，Vi指第i辆车通过的速度，n指单位时间内通过的车辆数。
车辆检测系统ARM软件采用分层设计思想，整个软件由驱动程序和应用软件两部分构成驱动程序部分封装了Flash操作、RS-485操作、实时时钟（RTC）操作、RS-232操作和I/O等操作。应用软件分成基本函数库和主程序。
四、结束语
由上可知，高速公路监控系统不仅需要网络化，更重要的是智能化。上述的高速公路监控系统的智能化功能，仅是一些最基本的智能化功能，并且也是智能交通的一部分。如城市道路监控中的电子警察系统、交通事件预测系统、十字路口红绿灯按实际情况的自动转换系统等均是智能监控，这里就不叙述了。
总之，智能视频监控的内容很多，这项研究具有重要的理论价值和应用价值，且目前已经成为世界上的研究热点，而需要解决的问题也很多。理论上，还需要在姿态评价函数形式与优化方法、目标识别定位跟踪和预测的统一概率框架、语义推理结构与模式学习、多媒体化描述等方面继续展开深入的研究。在实践上，要完善各项功能模块，如设计更优化的算法、实现多目标的实时跟踪、设计多机网络化硬件框架、引入多摄像机系统、完善知识库等。并针对一些特定的场合，如高速公路、城市道路、重要党政军事单位、车站与机场、高级社区等，尽快实现实用化的智能视频监控产品。

Ⅳ 北京中电兴发科技有限公司是一个怎样的企业有谁知道谢谢！

北京中电兴发科技有限公司 公司概况中茄磨电兴发具有国家级计键念算机信息系统集成壹级资质、涉及国家秘稿纳困密的计算机信息系统集成甲级资质、建筑智能化工程设计甲级资质、建筑智能化工程承包国家壹级资质、电子工程承包国家壹级资质、音视频工程...

Ⅵ 目标跟踪算法

一般将目标跟踪分为两个部分：特征提取、目标跟踪算法。其中提取的目标特征大致可以分为以下几种：
1） 以目标区域的颜色直方图作为特征，颜色特征具有旋转不变性，且不受目标物大小和形状的变化影响，在颜色空间中分布大致相同。
2） 目标的轮廓特征，算法速度较快，并且在目标有小部分遮挡的情况下同样有较好的效果。

(6)车辆跟踪算法扩展阅读

目标跟踪的算法大致可以分为以下四种：

1) 均值漂移算法，即meanshift算法，此方法可以通过较少的迭代次数快速找到与目标最相似的位置，效果也挺好的。但是其不能解决目标的遮挡问题并且不能适应运动目标的的形状和大小变化等。对其改进的算法有camshift算法，此方法可以适应运动目标的大小形状的改变，具有较好的跟踪效果，但当背景色和目标颜色接近时，容易使目标的区域变大，最终有可能导致目标跟踪丢失。

2) 基于Kalman滤波的目标跟踪，该方法是认为物体的运动模型服从高斯模型，来对目标的运动状态进行预测，然后通过与观察模型进行对比，根据误差来更新运动目标的状态，该算法的精度不是特高。

3) 基于粒子滤波的目标跟踪，每次通过当前的跟踪结果重采样粒子的分布，然后根据粒子的分布对粒子进行扩散，再通过扩散的结果来重新观察目标的状态，最后归一化更新目标的`状态。此算法的特点是跟踪速度特别快，而且能解决目标的部分遮挡问题，在实际工程应用过程中越来越多的被使用。

4) 基于对运动目标建模的方法。该方法需要提前通过先验知识知道所跟踪的目标对象是什么，比如车辆、行人、人脸等。通过对要跟踪的目标进行建模，然后再利用该模型来进行实际的跟踪。该方法必须提前知道要跟踪的目标对象是什么，然后再去跟踪指定的目标，这是它的局限性，因而其推广性相对比较差。

Ⅶ vf程序设计：关于机动车违章查询的程序

养路费稽查系统
陕西蓝盾科技有限公司致力于与国际国内先进的交通公司和科研单位合作，开发和引进适合中国国情的智能交通产品。
【系统功能】
车牌识别模块
◆ 采用多目标自动跟踪算法，对场景中的多个车辆进行实时跟踪，进而识别其车牌号码；
超速自动抓拍模块 (可选功能)
◆ 使用雷达，自动检测车辆的速度。一旦侦测到超速车辆，系统自动抓拍车辆特写和全景图片；
黑名单对比模块
◆ 把车牌识别模块识别到的车牌号码，与黑名单数据库中车辆信息进行比对，如果是黑名单车辆，系统会自动报警。黑名单保存在本地数据库中，可按用户需求定制；
缴费稽查模块
◆ 将车牌识别模块识别到的车牌号码，与缴费数据库中的车辆信息进行比对，如果发现欠漏费车辆，系统会自动报警。缴费数据库可按用户需求定制；
交通违章监测模块
◆ 对压实线、不按规则停车等违章行为的车辆进行数字录像取证（包括车辆图像、违章时间、违章地段等信息），生成违章处罚通知单，方便交警在现源茄场进行违章处理，使交通管理违章处罚有据可依。

【系统特性】
◆ 捕获率高，识别率高，可以同时抓拍和识别摄像机画面中的多个车牌；
◆ 误识率低，对栅栏，建筑物等复杂背景具有很好的过滤性；
◆ 识别速度快，多辆车同时进入雹液察视野，只要车牌埋伏清楚，系统都能给出正确的识别结果；
◆ 对光照条件、图像质量和摄像角度的适应性强；
◆ 系统功能扩展性好，可以根据用户需要，添加新的识别功能。

7、监控工程、网络工程。同时提供具有竞争力的网络视频服务器。
8、车载GPS定位系统，车载GPS导航系统。

Ⅷ 一路智能监控摄像头支撑的算法有几个

5个，以下是被支持的算法类型：
1、人脸识别算法：用羡燃于识别人脸并将其与数据库中的人脸信息进行匹配，实现人脸识别功能。
2、行为分析算法：用于分析监控画面中的行为动作，例如人员进出、物品移动等，从而实现行为分析和预警功能。
3、车辆识别算法：用于识别车辆的车牌号码和车型等信息，实现车辆识别和管理功能。
4、目标跟踪算法：用于实现目标跟踪和追踪功能，例如对入侵者或可疑人员进行跟踪。
5、烟雾报警算法：用兄世虚于检测监控画面中的烟雾，从而实现烟雾报返态警和自动灭火等功能。

Ⅸ 目标跟踪检测算法（一）——传统方法

姓名：刘帆；学号：20021210609；学院：电子工程学院

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

【嵌牛导读】目标跟踪算法研究难点与挑战在于实际复杂的应用环境 、背景相似干扰、光照条件的变化、遮挡等外界因素以及目标姿态变化，外观变形，尺度变化、平面外旋转、平面内旋转、出视野、快速运动和运动模糊等。而且当目标跟踪算法投入实际应用时，不可避免的一个问题——实时性问题也是非常的重要。正是有了这些问题，才使得算法研究充满着难点和挑战。

【嵌牛鼻子】目标跟踪算法，传统算法

【嵌牛提问】利用目标跟踪检测算法要达到何目的?第一阶段的单目标追踪算法包括什么?具体步骤有哪些?它们有何特点?

【嵌牛正文】

第一阶段

目标跟踪分为两个部分，一个是对指定目标寻找可以跟踪的特征，常用的有颜色，轮廓，特征点，轨迹等，另一个是对目标特征进行跟踪。

1、静态背景

1）背景差： 对背景的光照变化、噪声干扰以及周期性运动等进行建模。通过当前帧减去背景图来捕获运动物体的过程。

2）帧差： 由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧或三帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。

与二帧差分法不同的是，三帧差分法（交并运算）去除了重影现象，可以检测出较为完整的物体。帧间差分法的原理简单，计算量小，能够快速检测出场景中的运动目标。但帧间差分法检测的目标不完整，内部含有“空洞”，这是因为运动目标在相邻帧之间的位置变化缓慢，目标内部在不同帧图像中相重叠的部分很难检测出来。帧间差分法通常不单独用在目标检测中，往往与其它的检测算法结合使用。

3）Codebook

算法为图像中每一个像素点建立一个码本，每个码本可以包括多个码元（对应阈值范围），在学习阶段，对当前像素点进行匹配，如果该像素值在某个码元的学习阈值内，也就是说与之前出现过的某种历史情况偏离不大，则认为该像素点符合背景特征，需要更新对应点的学习阈值和检测阈值。

如果新来的像素值与每个码元都不匹配，则可能是由于动态背景导致，这种情况下，我们需要为其建立一个新的码元。每个像素点通过对应多个码元，来适应复杂的动态背景。

在应用时，每隔一段时间选择K帧通过更新算法建立CodeBook背景模型，并且删除超过一段时间未使用的码元。

4）GMM

混合高斯模型（Gaussian of Micture Models，GMM）是较常用的背景去除方法之一（其他的还有均值法、中值法、滑动平均滤波等）。

首先我们需要了解单核高斯滤波的算法步骤：

混合高斯建模GMM（Gaussian Mixture Model）作为单核高斯背景建模的扩展，是目前使用最广泛的一种方法，GMM将背景模型描述为多个分布，每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画，符合其中一个分布模型的像素即为背景像素。作为最常用的一种背景建模方法，GMM有很多改进版本，比如利用纹理复杂度来更新差分阈值，通过像素变化的剧烈程度来动态调整学习率等。

5）ViBe（2011）

ViBe算法主要特点是随机背景更新策略，这和GMM有很大不同。其步骤和GMM类似。具体的思想就是为每个像素点存储了一个样本集，样本集中采样值就是该像素点过去的像素值和其邻居点的像素值，然后将每一个新的像素值和样本集进行比较来判断是否属于背景点。

其中pt（x）为新帧的像素值，R为设定值，p1、p2、p3….为样本集中的像素值，以pt（x）为圆心R为半径的圆被认为成一个集，当样本集与此集的交集大于设定的阈值#min时，可认为此为背景像素点（交集越大，表示新像素点与样本集越相关）。我们可以通过改变#min的值与R的值来改变模型的灵敏度。

Step1：初始化单帧图像中每个像素点的背景模型。假设每一个像素和其邻域像素的像素值在空域上有相似的分布。基于这种假设，每一个像素模型都可以用其邻域中的像素来表示。为了保证背景模型符合统计学规律，邻域的范围要足够大。当输入第一帧图像时，即t=0时，像素的背景模型。其中，NG（x,y）表示空域上相邻的像素值，f(xi,yi)表示当前点的像素值。在N次的初始化的过程中，NG（x,y）中的像素点(xi,yi)被选中的可能次数为L=1,2,3,…,N。

Step2：对后续的图像序列进行前景目标分割操作。当t=k时，像素点(x,y)的背景模型为BKm(x,y)，像素值为fk(x,y)。按照下面判断该像素值是否为前景。这里上标r是随机选的；T是预先设置好的阈值。当fk(x,y)满足符合背景#N次时，我们认为像素点fk(x,y)为背景，否则为前景。

Step3：ViBe算法的更新在时间和空间上都具有随机性。每一个背景点有1/ φ的概率去更新自己的模型样本值，同时也有1/ φ的概率去更新它的邻居点的模型样本值。更新邻居的样本值利用了像素值的空间传播特性，背景模型逐渐向外扩散，这也有利于Ghost区域的更快的识别。同时当前景点计数达到临界值时将其变为背景，并有1/ φ的概率去更新自己的模型样本值（为了减少缓慢移动物体的影响和摄像机的抖动）。

可以有如下总结，ViBe中的每一个像素点在更新的时候都有一个时间和空间上随机影响的范围，这个范围很小，大概3x3的样子，这个是考虑到摄像头抖动时会有坐标的轻微来回变化，这样虽然由于ViBe的判别方式仍认为是背景点，但是也会对后面的判别产生影响，为了保证空间的连续性，随机更新减少了这个影响。而在样本值保留在样本集中的概率随着时间的增大而变小，这就保证了像素模型在时间上面的延续特性。

6）光流

光流是由物体或相机的运动引起的图像对象在两个连续帧之间的视在运动模式。它是2D矢量场，其中每个矢量是一个位移矢量，显示点从第一帧到第二帧的移动。

光流实际上是一种特征点跟踪方法，其计算的为向量，基于三点假设：

1、场景中目标的像素在帧间运动时亮度（像素值或其衍生值）不发生变化；2、帧间位移不能太大；3、同一表面上的邻近点都在做相同的运动；

光流跟踪过程：1）对一个连续视频帧序列进行处理；2）对每一帧进行前景目标检测；3）对某一帧出现的前景目标，找出具有代表性的特征点（Harris角点）；4）对于前后帧做像素值比较，寻找上一帧在当前帧中的最佳位置，从而得到前景目标在当前帧中的位置信息；5）重复上述步骤，即可实现目标跟踪

2、运动场（分为相机固定，但是视角变化和相机是运动的）

1）运动建模（如视觉里程计运动模型、速度运动模型等）

运动学是对进行刚性位移的相机进行构型，一般通过6个变量来描述，3个直角坐标，3个欧拉角（横滚、俯仰、偏航）。

Ⅰ、对相机的运动建模

由于这个不是我们本次所要讨论的重点，但是在《概率机器人》一书中提出了很多很好的方法，相机的运动需要对图像内的像素做位移矩阵和旋转矩阵的坐标换算。除了对相机建立传统的速度运动模型外，也可以用视觉里程计等通关过置信度的更新来得到概率最大位置。

Ⅱ、对于跟踪目标的运动建模

该方法需要提前通过先验知识知道所跟踪的目标对象是什么，比如车辆、行人、人脸等。通过对要跟踪的目标进行建模，然后再利用该模型来进行实际的跟踪。该方法必须提前知道要跟踪的目标对象是什么，然后再去跟踪指定的目标，这是它的局限性，因而其推广性相对比较差。（比如已知跟踪的物体是羽毛球，那很容易通过前几帧的取点，来建立整个羽毛球运动的抛物线模型）

2）核心搜索算法（常见的预测算法有Kalman(卡尔曼)滤波、扩展卡尔曼滤波、粒子滤波）

Ⅰ、Kalman 滤波

Kalman滤波器是通过前一状态预测当前状态，并使用当前观测状态进行校正，从而保证输出状态平稳变化，可有效抵抗观测误差。因此在运动目标跟踪中也被广泛使用。

在视频处理的运动目标跟踪里，每个目标的状态可表示为(x,y,w,h)，x和y表示目标位置，w和h表示目标宽高。一般地认为目标的宽高是不变的，而其运动速度是匀速，那么目标的状态向量就应该扩展为(x,y,w,h,dx,dy)，其中dx和dy是目标当前时刻的速度。通过kalman滤波器来估计每个时刻目标状态的大致过程为：

对视频进行运动目标检测，通过简单匹配方法来给出目标的第一个和第二个状态，从第三个状态开始，就先使用kalman滤波器预测出当前状态，再用当前帧图像的检测结果作为观测值输入给kalman滤波器，得到的校正结果就被认为是目标在当前帧的真实状态。(其中，Zt为测量值，为预测值，ut为控制量，Kt为增益。)

Ⅱ、扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）

由于卡尔曼滤波的假设为线性问题，无法直接用在非线性问题上，EKF和UKF解决了这个问题（这个线性问题体现在用测量量来计算预测量的过程中）。EKF是通过构建线性函数g(x)，与非线性函数相切，并对每一时刻所求得的g（x）做KF，如下图所示。

UKF与EKF去求解雅可比矩阵拟合线性方程的方法不同，通过对那个先验分布中的采集点，来线性化随机变量的非线性函数。与EKF所用的方法不同，UKF产生的高斯分布和实际高斯分布更加接近，其引起的近似误差也更小。

Ⅲ、粒子滤波

1、初始状态：基于粒子滤波的目标追踪方法是一种生成式跟踪方法，所以要有一个初始化的阶段。对于第一帧图像，人工标定出待检测的目标，对该目标区域提出特征；

2、搜索阶段：现在已经知道了目标的特征，然后就在目标的周围撒点(particle), 如：a)均匀的撒点;b)按高斯分布撒点，就是近的地方撒得多，远的地方撒的少。论文里使用的是后一种方法。每一个粒子都计算所在区域内的颜色直方图，如初始化提取特征一样，然后对所有的相似度进行归一化。文中相似性使用的是巴氏距离；

3、重采样：根据粒子权重对粒子进行筛选，筛选过程中，既要大量保留权重大的粒子，又要有一小部分权重小的粒子；

4、状态转移：将重采样后的粒子带入状态转移方程得到新的预测粒子；

5、测量及更新：对目标点特征化，并计算各个粒子和目标间的巴氏距离，更新粒子的权重；

6、决策阶段：每个粒子都获得一个和目标的相似度，相似度越高，目标在该范围出现的可能性越高，将保留的所有粒子通过相似度加权后的结果作为目标可能的位置。

3）Meanshift算法

MeanShift算法属于核密度估计法，它不需要任何先验知识而完全依靠特征空间中样本点的计算其密度函数值。对于一组采样数据，直方图法通常把数据的值域分成若干相等的区间，数据按区间分成若干组，每组数据的个数与总参数个数的比率就是每个单元的概率值；核密度估计法的原理相似于直方图法，只是多了一个用于平滑数据的核函数。采用核函数估计法，在采样充分的情况下，能够渐进地收敛于任意的密度函数，即可以对服从任何分布的数据进行密度估计。

Meanshift算法步骤

1、通过对初始点（或者上一帧的目标点）为圆心，绘制一个半径为R的圆心，寻找特征和该点相似的点所构成的向量；

2、所有向量相加，可以获得一个向量叠加，这个向量指向特征点多的方向；

3、取步骤二的向量终点为初始点重复步骤一、二，直到得到的向量小于一定的阈值，也就是说明当前位置是特征点密度最密集的地方，停止迭代，认为该点为当前帧的目标点；

4）Camshift算法

Camshift算法是MeanShift算法的改进，称为连续自适应的MeanShift算法。Camshift 是由Meanshift 推导而来 Meanshift主要是用在单张影像上，但是独立一张影像分析对追踪而言并无意义，Camshift 就是利用MeanShift的方法，对影像串行进行分析。

1、首先在影像串行中选择目标区域。

2、计算此区域的颜色直方图（特征提取）。

3、用MeanShift算法来收敛欲追踪的区域。

4、通过目标点的位置和向量信息计算新的窗口大小，并标示之。

5、以此为参数重复步骤三、四。

Camshift 关键就在于当目标的大小发生改变的时候，此算法可以自适应调整目标区域继续跟踪。

3、小结

第一阶段的单目标追踪算法基本上都是传统方法，计算量小，在嵌入式等设备中落地较多，opencv中也预留了大量的接口。通过上面的两节的介绍，我们不难发现，目标检测算法的步骤分为两部分，一部分是对指定目标寻找可以跟踪的特征，常用的有颜色，轮廓，特征点，轨迹等，另一部分是对目标特征进行跟踪，如上文所提及的方法。所以目标检测方法的发展，也可总结为两个方面，一个是如何去获得更加具有区分性的可跟踪的稳定特征，另一个是如何建立帧与帧之间的数据关联，保证跟踪目标是正确的。

随着以概率为基础的卡尔曼滤波、粒子滤波或是以Meanshift为代表向量叠加方法在目标检测的运用，使得目标检测不再需要假设自身的一个状态为静止的，而是可以是运动的，更加符合复杂场景中的目标跟踪。

Ⅹ 电动车定位跟踪器是用的什么原理呀

工作原理:

1、内置特殊运动感知芯片，在任何由静态变为动态的场合，系统均可侦测并报警。

2、内置运动位移特殊算法，任何非法移动（大于100M）均可侦测并报警。

3、内置高品质gprs通信模块和GPS芯片，将定位地理信息发送给用户手机或者上传数据到指定轨迹网站。

4、Gps定位：定位信息含速度信息，定位精度5-50米。室内无法定位。

5、基站定位：定位信息无速度信息。定位精度依据基站密度而定，室内可定位。

(10)车辆跟踪算法扩展阅读:

工作方式:

1、双定位：GPS定位+基站定位：

全程定位无盲点。在无GPS信号场合，系统自动转基站物档定位，即有手机信号的地方都可以定位。

2、震动即报梁蚂棚警，移动即跟踪：

系统由静态转为动态时（移动或者震动），即报警跟踪。

3、获橡则取即时动态定位信息多样化：

短信回复车辆当前所处的地理位置信息和登录轨迹网站，可查询运动轨迹，并可下载运动轨迹文字资料（路书）。

4、低电压报警：

产品内置电池低电压时系统会自动短信提示用户及时充电。

5、手机卡欠费报警：

产品内安装的电话卡如果收到电信部门发来的短信（比如手机卡欠费提醒短信等），系统会全部转发给机主手机。