基于面积法的车辆识别统计研究
基于改进YOLOv5s的车辆检测研究
河南科技Henan Science and Technology计算机与人工智能总第875期第4期2024年2月收稿日期：2023-08-19作者简介：肖的成（1998—），男，硕士生，研究方向：深度学习、目标检测；李艳生（1980—），男，硕士，讲师，研究方向：并行处理、分布式计算、深度学习。
基于改进YOLOv5s 的车辆检测研究肖的成 李艳生（湖北师范大学物理与电子科学学院，湖北 黄石 435002）摘 要：【目的】针对目标检测算法在车辆检测领域中应用时存在模型复杂、检测精度较低的问题，基于改进YOLOv5s 算法开展车辆检测研究。
【方法】以Ghost 模块来替换YOLOv5s 中的主干网络，以达到模型剪枝的目的，改进后的网络模型复杂度有所降低，从而解决了网络模型较大的问题。
同时，可引入挤压—激励注意力机制来提取更重要的特征信息，达到提高检测精度的目的。
本研究所用到的数据集均为汽车图像，车辆检测数据集共有12 786张图片，将该数据集按照8∶1∶1的比例进行划分。
其中，训练集为10 228张，测试集和验证集均为1 279张，采用对比试验法进行研究。
【结果】试验结果表明，与原有的YOLOv5s 相比，改进后的网络模型在车辆检测数据集上的平均准确率均值提升3%，查准率和召回率分别提升1.9%和3.2%，模型大小下降42%。
【结论】改进后的网络模型有效降低了模型的复杂度，提高了检测精度，并节约成本。
关键词：深度学习；目标检测；注意力机制；YOLOv5s中图分类号：TP391 文献标志码：A 文章编号：1003-5168（2024）04-0026-06DOI ：10.19968/ki.hnkj.1003-5168.2024.04.005Research on Vehicle Detection Based on Improved YOLOv5sXIAO Dicheng LI Yansheng(College of Physics and Electronics, Hubei Normal University, Huangshi 435002, China)Abstract: [Purposes ] Aiming at the problems of complex model and low detection accuracy of the cur⁃rent object detection algorithm in the field of vehicle detection, a vehicle detection research based on im⁃proved YOLOv5s is carried out. [Methods ] The Ghost module was replaced with the original YOLOv5s backbone network to achieve the purpose of model pruning, which reduced the complexity of the im⁃proved network model and solved the problem of large network model; Then the Squeeze and Excitationattention mechanism is introduced to extract more important feature information to improve detection ac⁃curacy. The data sets used in this study are all images of cars, and on the vehicle detection dataset, a to⁃tal of 12 786 pictures, the dataset is divided into 8∶1∶1.And among them, the training set is 10 228 pic⁃tures, the test set and verification set are 1 279 pictures and the method of comparative experiment was used in this study. [Findings ] Experimental results show that compared with the original YOLOv5s, the average accuracy of the improved network model is increased by 3%, the accuracy and recall rate are in⁃creased by 1.9% and 3.2%, respectively, and the model size is reduced by 42%.[Conclusions ] The im⁃proved network model effectively reduces the complexity of the model ， saves costs and improves the de⁃tection accuracy.Keywords: deep learning; object detection; attention mechanism; YOLOv5s0 引言随着我国科技的蓬勃发展，汽车也日益普及。
基于Vi Be的车流量统计算法
基于Vi Be的车流量统计算法【摘要】基于Vi Be的车流量统计算法在交通领域有着重要的应用价值。
本文首先介绍了Vi Be算法的概述，然后探讨了该算法在车流量统计中的应用及其优势。
还深入讨论了Vi Be算法存在的不足之处，并提出了改进基于Vi Be的车流量统计算法的思路。
结合前人研究成果，展望了基于Vi Be的车流量统计算法的前景，总结了本文的研究工作，并展望未来研究方向。
通过本文的研究，将有助于提高车流量统计的准确性和效率，为交通管理提供更多有力的支持。
【关键词】车流量统计算法, Vi Be算法, 优势, 不足, 改进, 前景, 研究工作, 研究方向, 引言, 正文, 结论.1. 引言1.1 研究背景车流量统计是城市交通管理和规划的重要组成部分。
随着城市化进程的不断加快，城市交通拥堵已经成为人们生活中的一个普遍问题。
准确地监测和统计车流量对于改善交通拥堵、提高道路通行效率、优化交通规划具有至关重要的意义。
传统的车流量统计方法主要依靠人工收集数据或使用传感器设备，但这些方法存在着很多问题，比如数据采集效率低、成本高昂、数据精度无法得到保障等。
研究如何利用先进的计算机视觉技术来实现车流量统计就显得尤为重要。
在这样的背景下，基于Vi Be的车流量统计算法应运而生。
Vi Be 算法是一种基于背景差分的运动目标检测算法，具有简单、稳健、高效的特点。
通过将Vi Be算法应用于车流量统计中，可以实现对车辆的自动检测和跟踪，提高数据采集效率，减少人力成本，提高数据处理精度。
本文旨在深入探讨基于Vi Be的车流量统计算法，分析其应用和优势，同时针对其不足之处提出改进方案，为未来的交通管理工作提供参考和借鉴。
1.2 研究意义车流量统计一直是交通管理和规划领域中的重要问题，通过准确统计车辆数量和流量情况，可以帮助交通部门更好地制定交通政策和优化交通网络。
而随着智慧城市和智能交通技术的发展，基于视频监控的车流量统计算法也得到了广泛的应用。
基于二值化图像的车牌识别算法研究
基于二值化图像的车牌识别算法研究车牌识别是计算机视觉领域中的一个重要研究方向，其在交通管理、智能交通系统、安全监控等方面具有广泛的应用前景。
而基于二值化图像的车牌识别算法是车牌识别中的重要环节之一。
本文将对基于二值化图像的车牌识别算法进行研究，探讨其原理与实现方法。
首先，我们需要了解二值化图像的概念。
二值化是将图像从灰度或彩色图像转化为只包含两个像素值的图像的过程。
在车牌识别中，二值化可以将车牌区域与背景分离，便于后续的字符识别。
在实现二值化的过程中，常用的方法包括全局阈值法、自适应阈值法和基于颜色的二值化方法等。
全局阈值法是指通过设定一个阈值，将图像中所有像素值大于该阈值的像素置为白色，而将像素值小于阈值的像素置为黑色。
这种方法简单快速，但对于亮度变化较大的图像，其效果可能不理想。
为了克服全局阈值法的不足，自适应阈值法被提出。
自适应阈值法将图像分割为若干个小块，在每个小块内计算局部阈值，并将每个像素与其所在小块的局部阈值进行比较，从而实现二值化。
这种方法在处理亮度变化较大的图像时效果更好，但计算量较大。
基于颜色的二值化方法则是利用车牌的颜色特征进行二值化。
车牌通常具有固定的颜色，因此可以通过颜色阈值将车牌区域与背景区分开来。
这种方法对于不同颜色的车牌具有较好的适应性，但对于一些黑白车牌则可能不适用。
在得到二值化图像后，接下来是对图像进行车牌区域的定位。
车牌定位是车牌识别中的一个重要环节，其目的是将图像中的车牌区域准确地找出来。
常见的车牌定位方法包括颜色定位法、形状定位法和基于特征的定位法等。
其中，颜色定位法是通过颜色特征将车牌区域与背景区分开来。
这种方法需要先对图像进行颜色空间转换，然后根据车牌的颜色分布规律来进行车牌定位。
形状定位法则是通过车牌的形状特征来进行定位，例如通过匹配车牌边缘的形状信息来确定车牌区域。
基于特征的定位法则是通过分析车牌的特征，例如车牌字符的位置、字符间距等信息来进行定位。
基于机器视觉的车辆几何尺寸测量系统研究共3篇
基于机器视觉的车辆几何尺寸测量系统研究共3篇基于机器视觉的车辆几何尺寸测量系统研究1基于机器视觉的车辆几何尺寸测量系统研究车辆几何尺寸测量是评估车辆安全行驶的重要手段，精准测量车辆的长度、宽度、高度以及轮距、轴距等关键参数，对于车辆的设计、生产、运输、销售等环节都具有重要意义。
而传统的车辆几何尺寸测量方法通常需要借助专业的设备和工具，费用高、操作复杂，而且测量精度受到人为因素的影响较大。
针对这一问题，利用机器视觉技术实现车辆几何尺寸测量，成为了一种新的高效、准确、智能的解决方案。
基于机器视觉的车辆几何尺寸测量系统主要由图像采集、图像处理和计算分析三个部分组成。
首先，将针对车辆几何尺寸测量场景，选择合适的摄像机设备，通过对拍摄场景的光照、背景、角度等细节进行把控，确保图像的质量和清晰度。
其次，对采集到的车辆图像进行预处理，如图像去噪、图像增强、轮廓提取等处理，同时通过适当的颜色识别算法，可以有效识别车辆与背景之间的主体和轮廓。
最后，通过基于几何模型的计算方法，对车辆各个尺寸参数进行测量和计算，并输出最终的测量结果。
在机器视觉的车辆几何尺寸测量系统中，关键性能指标包括测量精度、测量速度、系统稳定性等。
不同的车辆几何尺寸测量任务所面临的场景、车型、尺寸、速度等因素不同，需要对机器视觉算法、硬件设备进行不同的优化和调整。
例如，在低光、复杂背景的环境下需要使用更高灵敏度的摄像机设备、更有效的图像处理算法，而高速公路上的车辆几何尺寸监测则需要快速响应、高帧率的摄像机设备和算法。
在实际应用中，基于机器视觉的车辆几何尺寸测量系统已经被广泛应用于停车场管理、交通监控、场馆管理、公安安保等领域。
例如，停车场管理人员可以通过该系统实现自助停车位置查找和车位的分配管理；公安交通管理人员可以通过该系统快速有效地识别并记录车辆的违法停放情况；场馆管理人员可以通过该系统准确统计车辆通行数目和通行时间，优化场内停车位分配和流量控制等。
基于多特征融合的车辆识别算法研究
基于多特征融合的车辆识别算法研究随着科技的发展，智能化、自动化的道路交通系统正在逐步成为现实。
而车辆识别作为智能交通系统中的重要一环，更是越来越受到重视。
车辆识别技术的发展，不仅可以实现车辆安全管理、道路统计分析等功用，还能为新能源车辆的推广和汽车智能化的发展提供技术支持。
目前，基于深度学习的车辆识别算法已经逐渐成为主流研究方向，其中基于多特征融合的车辆识别算法更是备受关注。
一、多特征融合的优越性传统车辆识别算法主要集中在图像特征的提取和分类方法上，然而，仅仅通过使用单一的图像特征往往难以实现准确的车辆识别。
因此，如何有效地综合利用车辆图像中的多种特征信息来提高识别的准确性，成为了车辆识别算法研究的热点之一。
基于多特征融合的车辆识别算法，是通过将不同特征的有机组合，来提高车辆识别的准确度。
目前主要采用的是图像视觉特征、网络中间层特征、语义特征和运动特征等多种特征融合的方法。
这些特征各自具有不同的特点和作用，可以有效地弥补不同算法仅仅使用单一特征处理时的不足。
二、多特征融合的实现方法在实现多特征融合的车辆识别算法时，需要考虑以下几个方面：1. 特征提取不同的特征提取方法，得到的特征信息也不同。
因此，在进行多特征融合时，需要分别对不同的特征提取方法进行实验比较，以选择较优的特征提取方法。
2. 特征权重计算在多特征融合中，需要对不同特征进行加权处理，以保证不同特征信息对识别结果的贡献程度不同。
因此，在进行多特征融合时，需要对不同特征进行权重计算，并进行合理的特征加权处理。
3. 特征融合特征融合是指通过不同的方法将不同特征信息组合起来，得到最终的特征向量。
在多特征融合的过程中，需要对不同的特征信息进行融合，以提高车辆识别的准确度。
三、多特征融合的应用领域基于多特征融合的车辆识别算法已经在多个领域得到了广泛应用。
其中，最主要的应用领域包括智能交通系统、车辆安全管理和道路交通信息统计等。
具体的应用如下：1. 智能交通系统多特征融合的车辆识别算法可以实现车辆的自动识别和跟踪，为智能交通系统的建设提供技术支持。
BNNG算法在车型识别中的应用研究
BNNG算法在车型识别中的应用研究沈晓波;王留留;罗靖宇【摘要】本文根据生态系统模型和多种神经网络模型融合的相似性,提出了仿生态神经网络群(BNNG)算法,并将其和AR模型特征提取结合应用到车型识别中,与单个神经网络识别相比提高了车型分类的正确率,降低了近似生态系统车型的误识率,为公路上交通量自动分类统计提供了方法.【期刊名称】《数字技术与应用》【年(卷),期】2015(000)011【总页数】2页(P128-129)【关键词】仿生态神经网络群;神经网络集成;车型识别【作者】沈晓波;王留留;罗靖宇【作者单位】淮南师范学院电子工程学院安徽淮南232038;淮南师范学院电子工程学院安徽淮南232038;淮南师范学院电子工程学院安徽淮南232038【正文语种】中文【中图分类】TP391神经网络集成是计算机模式识别及群智能理论的研究主要方向，目前神经网络集成还没有形成统一的理论框架，集成的内部依然是一个黑箱问题，里面权值和结构到底发生了哪些变化，没有形成统一的结论。
本文在研究多种神经网络分类识别的实验中，发现了神经网络集成理论同生态系统模型有着一定的相似度，故对其进行模型预测，同时利用交通车型识别来验证本模型的正确性。
生态系统是自然界的一个完美的动态进化模式，其内部进化靠互助、竞争等规则来完成，神经网络群按照生态系统进化规则进行演变，故称之为仿生态神经网络群。
神经网络集成是用有限个神经网络对同一个问题进行学习，集成在输入示例下的输出由构成神经网络集成的各神经网络在此示例下的输出共同决定。
需要经过大量数据的训练和检验才能够达到最终理想的输出，内部各网络之间是交叉相错的，彼此之间的依存、竞争同样使其结构达到最终的平衡。
生态系统模型与神经网络集成有一定的相似性，本文做出简单模型匹配预测，具体如表1。
根据生态群落进化规则，本文将BNNG算法分为主体网络和激励网络，具体算法结构如图1。
传统神经网络模型分为输入层（input）、隐层（hide layer）和输出层（output layer），处理信息的基本原理是：输入信号ix通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号ky，网络训练的每个样本包括输入向量X和期望输出量T，网络输出值Y与期望输出值T之间的偏差，通过调整输入节点与隐层节点的联接强度取值ijW和隐层节点与输出节点之间的联接强度jkW以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。
车辆检测可行性报告
智能交通视频流监控系统软件可行性报告一、总述1．系统基本要求利用Visual C++ 6.0进行程序设计，主要实现以下目标：（1）通过对视频流中的车辆进行跟踪检测，统计车道流量和平均车速。
（2）在视频流中锁定逆行车辆，并给出抓拍信号。
（3）在视频流中确定违规停车车辆，并进行锁定，同时给出抓拍信号。
（4）通过对视频流中的车辆进行跟踪检测，当车轮压过黄线的时候能够识别出来，并给出抓拍信号。
2．软件结构分析从系统的基本要求出发，软件结构如图1所示。
图1 系统结构框图3．相关技术通过分析，相关技术主要包括基于图像处理的以下技术：（1）车辆目标的识别技术。
（2）车辆目标的提取技术。
（3）车辆目标的定位技术。
（4）多目标物的检测技术。
（5）多目标物的跟踪技术。
下面分别对这些技术进行分析。
二、研究现状1．车辆目标识别技术（1）光流法。
利用帧间图像中同一像素关于时间的变化来获得运动参数。
首先，从图像序列的灰度变化（一阶和二阶导数）中计算速度场。
然后利用一些约束条件从速度场中推测出运动参数和物体的结构。
缺点是由于光流法是假设物体表面光滑变化，所以易受噪声影响，且耗时太多很难满足实时性要求。
（2）背景差分法。
分为固定背景法和实时更新背景法。
①固定背景法。
选取背景图像，其它图像与其差分，得到的差分图像再进行图像分割，常用的是设定一个阈值对其不同灰度分割，得到车辆目标。
缺点是，当背景整体发生变化时，差分图像中目标物之外的部分灰度值偏大，不利于阈值设定。
②实时背景法。
和固定背景法一样，也是通过两幅图像做差分得到的图像进行处理。
不同的是，这里实时更新背景，用相邻或者相近的两帧图像差分，然后也是对得到的差分图像的灰度进行运算，从而得到目标物，以及目标物实时的变化情况。
优点是，实时更新背景，因此对环境的光线变化不敏感，即不受环境光照等环境的影响。
（2）基于角点的车辆识别。
原理为：如果某一点向任一方向小小偏移都会引起灰度的很大变化, 则说明该点是角点。
基于深度学习的车型识别系统的设计与实现_赵含笑毕业设计终稿
目录摘要 (1)1. 引言 (3)1.1. 研究背景与意义 (3)1.2. 主要研究内容 (3)1.3. 论文组织结构 (4)2. 车型识别系统总体设计 (5)2.1. 系统需求分析 (5)2.2. 环境介绍 (5)2.3. 整体方案设计 (5)2.4. 原理概述 (6)3. 相关技术介绍 (8)3.1. ResNet-50网络架构介绍 (8)3.2. 前后端技术介绍 (9)4. 数据集设计与制作 (11)4.1. 数据集介绍 (11)4.2. 数据爬取与整理 (11)5. ResNet-50训练与调试 (15)5.1. 图像预处理 (15)5.2. 全连接层设计 (16)5.3. 损失函数与优化器设计 (19)5.4. 模型训练 (20)5.5. 泛化能力测试及结果分析 (22)6. 模型应用 (23)6.1. 分类程序设计 (23)6.2. 图像识别网站设计 (24)7. 总结与展望 (25)7.1. 本文总结 (25)7.2. 设想与展望 (25)致谢 (26)参考文献 (27)附件1：程序源码 (28)摘要随着城市化建设的不断发展，我国对交通建设的需求也不断增长。
发展智能交通是一项重要的任务，而汽车车型的识别在智能交通领域又起着极其重要的作用。
本文采用PyTorch 这一深度学习框架，利用ResNet-50预训练模型为基础训练得到了用于车型识别的模型，通过分析比对全连接层中的各项参数与各类函数，对该模型的全连接层进行了修改与调优以适应本模型。
除此之外，本文通过编写爬虫脚本采集迁移学习时所需要的样本图片以完成训练集的制作。
经过不断尝试与挑选得到了训练完成的最优模型并将其应用到实际场景中，分别设计了一个汽车图片分类程序以及一个以html为前端、python为后端的车型识别网站。
关键字：深度学习、车型识别、迁移学习、PyTorch。
AbstractWith the continuous development of urbanization construction, China's demand for transportation construction is growing at the same time. Developing intelligent transportation is an significant task, and the identification of vehicle type plays an very important role in the field of intelligent transportation. In this paper, we use PyTorch as the deep learning framework, and use the ResNet-50 pre-training model as the basis for training to obtain a model for vehicle type identification. The full-connection layer has been modified and tuned to suit this model. In addition, this article completes the production of the training set by writing a crawler script to collect the sample pictures needed for training with migration learning. After continuous trial and selection, we obtain a trained optimal model and apply to the actual scene:we design a car picture classification program and a vehicle identification website whitch with html as the front end and python as the back end.Key words: Deep learning, model recognition, transfer learning, PyTorch.1.引言1.1.研究背景与意义1.1.1.研究背景随着城市化建设不断发展，我国对交通建设的需求也不断增长，我国成为了世界上在交通领域基础设施建设最快的国家之一[1]，但车辆管控问题、道路交通问题、车辆违章问题等层出不穷，很难做到全面、有效的管理。
无人驾驶汽车中的物体识别算法使用方法
无人驾驶汽车中的物体识别算法使用方法随着科技的不断进步，无人驾驶汽车正逐渐成为现实。
无人驾驶技术的核心之一是物体识别算法，它能够帮助车辆感知周围环境中的物体，并做出相应的决策。
本文将介绍无人驾驶汽车中常用的物体识别算法及其使用方法。
一、物体识别算法简介物体识别算法是利用计算机视觉技术，通过对图像或视频进行分析和处理，识别出图像中的物体。
在无人驾驶汽车中，物体识别算法能够识别和分类道路上的车辆、行人、交通标识等物体，并根据这些信息做出相应的决策，如避让、停车等。
常用的物体识别算法包括卷积神经网络（Convolutional Neural Network, CNN）、支持向量机（Support Vector Machine, SVM）和随机森林（Random Forest）等。
二、卷积神经网络（CNN）的使用方法卷积神经网络是一种深度学习算法，被广泛应用于物体识别领域。
其使用方法如下：1. 数据收集与标注：首先，需要收集一组标注有物体类别的图像数据集。
这些图像可以是无人驾驶汽车在不同路况和场景下所拍摄的图像。
对这些图像进行标注，将其中的物体类别进行标记。
2. 数据预处理：为了提高算法的识别准确率，需要对图像进行预处理。
常见的预处理方式包括图像的缩放、裁剪、平衡化处理等。
这些预处理方法能够使图像具有更好的适应性和表示性。
3. 网络构建与训练：根据收集的数据集，构建一个卷积神经网络模型。
模型的构建包括选择网络结构、设置各层参数等。
然后，使用收集到的数据集对模型进行训练，以优化网络的权重和偏置。
训练的过程中，可以使用优化器和损失函数来提高训练效果。
4. 模型评估与调整：训练完成后，需要对模型进行评估和调整。
评估可以采用交叉验证等方法，衡量模型对未见过数据的泛化能力。
根据评估结果，可以对模型进行调整和优化，进一步提高识别准确率。
5. 实时识别：当模型训练完毕并且通过评估后，可以将其应用到无人驾驶汽车的实时物体识别中。
车辆实例分割算法研究
车辆实例分割算法研究随着自动驾驶技术的不断发展和普及，车辆实例分割算法成为了自动驾驶领域中的一个重要研究课题。
车辆实例分割算法是指利用计算机视觉技术对图像中的车辆进行识别和分割，从而实现对车辆的精确检测和定位。
本文将从算法原理、应用场景和研究现状等方面对车辆实例分割算法进行探讨。
一、算法原理车辆实例分割算法的核心原理是利用深度学习技术，通过对大量标注好的图像数据进行训练，从而使得计算机能够对图像中的车辆进行准确识别和定位。
常用的深度学习模型包括Faster R-CNN、Mask R-CNN和YOLO等。
这些模型在计算机视觉领域取得了巨大成功，能够有效地处理图像中的目标检测和分割任务。
1. Faster R-CNNFaster R-CNN是一种常用的目标检测算法，它通过深度卷积神经网络（CNN）对图像进行特征提取，然后利用区域建议网络（RPN）生成候选框，最后通过分类器和回归器对候选框进行筛选和调整，从而实现对图像中目标的检测和定位。
在车辆实例分割任务中，Faster R-CNN可以通过对图像中的车辆进行候选框生成和分类，从而实现对车辆的准确检测。
Mask R-CNN在Faster R-CNN的基础上增加了实例分割的功能，能够同时对图像中的目标进行检测和分割。
在车辆实例分割任务中，Mask R-CNN可以直接生成车辆的分割掩模，并进一步精确地识别车辆的轮廓和位置。
3. YOLOYOLO（You Only Look Once）是一种实时目标检测算法，能够在不牺牲精度的情况下实现对图像中目标的快速检测。
对于车辆实例分割任务，YOLO能够快速而准确地识别图像中的车辆，并给出它们的位置和边界框。
以上这些算法都能够在一定程度上解决车辆实例分割的问题，但它们也存在一定的局限性，例如在复杂环境下的性能下降、边界模糊等。
对车辆实例分割算法的研究还需要进一步深入和完善。
二、应用场景车辆实例分割算法在自动驾驶领域有着广泛的应用场景，其中包括但不限于以下几个方面：1. 自动驾驶在自动驾驶系统中，车辆实例分割算法能够帮助汽车识别周围车辆的位置、大小和轮廓，从而帮助汽车进行避障和路径规划。
视频监控面积计算方法及应用研究
视频监控面积计算方法及应用研究尹彪;董宝田;王爱丽【摘要】ln video monitoring system, the population and density of passenger flow identified automatically are the key indicators of passenger security evaluation. This paper focuses on the method of monitoring area measurement to calculate the density. The method realizes the measurement of effective plane ground of monitoring area based on computer vision technology. It uses tow-dimensional perspective projection model and the template to calculate the homography, especially for the effectiveness analysis of the feature points picking up from the template with higher accuracy and operability. The paper provides a new way to realize the quick area measurement and calculation, especially on complex scenes. At last, method is applied to calculate the density of passenger traffic in Beijing South Railway Station and provides a way for passenger security warning.%视频监控系统中,自动识别出的客流人数和密度,是判断客流安全状态的重要指标.本文重点研究了为获取客流密度而进行的监控面积测量方法.该方法基于计算机视觉的平面测量技术,对视频监控区域有效平面部分进行面积测量.通过采用二维成像透视投影模型和模板的精确标定以计算单应矩阵,特别是针对特征点的有效性进行判断分析,准确率较高,可操作性强.此方法为快速实现复杂场景中面积测量和计算提供了一种新途径.最后基于北京南站具体场景,将此方法应用于客流密度计算,为客流安全预警提供方法支撑.【期刊名称】《交通运输系统工程与信息》【年(卷),期】2012(012)003【总页数】6页(P59-64)【关键词】信息技术;面积测量;有效平面;单应矩阵;客流密度【作者】尹彪;董宝田;王爱丽【作者单位】北京交通大学交通运输学院,北京100044;北京交通大学交通运输学院,北京100044;北京交通大学交通运输学院,北京100044【正文语种】中文【中图分类】TP3911 引言图像的处理技术在农业、医学、建筑等领域应用广泛.视频监控中通过图像的平面测量技术可计算监控区域的平面面积.这在行人安全状态判别及预警中计算客流密度时非常重要.目前，有关客流密度的计算方面，文献［1］用到图像像素与客流密度之间的拟合函数进行统计分析.方法较为简单，但需要大量的客流密度数据，而且在客流密度较高、遮挡严重、背景光线和障碍物影响等情况下统计误差较大且不稳定;文献［2、3］提出对低密度人群采用基于像素统计的方法进行密度估计，对于中高密度人群采用基于纹理分析和小波包分解方法估计，算法的复杂度较高;文献［4］提出了行人密度和行人空间占有率的问题研究，利用行人区域占有的有效面积计算行人密度，却对有效面积测量没有作相关说明.在充分利用现有的人数识别和计数统计技术的有利条件下，获取行人区域占有的有效面积实现客流密度估计是行之有效的方法，尤其在局部区域如闸机、通道、扶梯等客流瓶颈处更为明显.现阶段，面积测量多为实测值、估算值或在摄像机垂直拍摄时，根据图像像素值、摄像机焦距和垂直高度之间的简单比例关系得出面积大小，具有一定的局限性.基于上述研究应用背景，本文提出了视频监控有效面积测量的方法，选择参照物，即标定模板，通过利用模板上的特征点，计算其在二维图像和三维物理空间的对应坐标点的单应关系;然后在图像中获得待计算的监控区域平面的顶点像素坐标，利用单应关系矩阵计算出三维空间的相对应点的物理坐标;最后利用面积公式计算其面积大小，进而求解客流密度值.2 单应矩阵计算方法2.1 摄像机成像透视投影模型本文采用摄像机成像透视投影模型，以求解三维空间与二维图像平面的投影单应性矩阵.模型涉及到三个坐标系:世界坐标系O-XwYwZw，摄像机坐标系C-XcYcZc和图像坐标系.其中图像坐标系又包括物理坐标系O-UV和数字图像坐标系C1-XuYu，如图1 所示［5］.2.2 单应性矩阵求解根据成像透视投影模型，空间中任意一点Mi(Xwi，Ywi，Zwi，1)通过一个3 ×4 的投影矩阵 P 投影到二维成像平面上一点 mi(ui，vi，1)，二者关系可以描述为式中λ为非零比例因子.不失一般性，可以假设平面为 Zw=0 平面，则 Mi(Xwi，Ywi，0，1)，上式变为H=(p1 p2 p4)即被称为单应性矩阵，它包括摄像机的旋转、平移等外部参数及其焦距、分辨率等内部参数.本文中，只需要求出单应矩阵，并不需要将摄像机的各个参数标定出来.上式可以简洁的写成 x=HX，此时单应矩阵 H是一个3×3的矩阵. 图1 摄像机成像透视投影模型Fig.1 Perspective projection model of camera imaging因为单应性矩阵是在相差一个常数因子下定义的，因此它实际上只有8个自由度，不妨令式中 hij为H第j行i列的元素.对于平面上一点Mi=(Xi，Yi，1)及其在二维图像上的对应点 mi=(ui，vi，1)，满足消去λ可以得到关于hij的两个线性方程［6］:写成矩阵的形式:可以利用SVD奇异值分解法求出上述线性方程的解.若有4对参考平面(标定模版)上的点坐标以及相应的数字图像点坐标，则可以线性求解H的各个元素，若有4对以上点对可以使用最小二乘法降低误差带来的影响.2.3 特征提取单应矩阵计算步骤中，需要对标定模板的特征属性进行检测提取.目前最常采用的特征提取方法有特征点的提取(如SUSAN角点检测)和特征直线的提取(如Hough直线变换检测)，基于特征点和特征直线的检测方法都可以求得相应的单应矩阵.在检测的过程中，需要进行图像分割和噪声处理［7］，因此不太适用于复杂场景的模板特征提取.本文通过人机交互的方式，自适应判别提取的特征点是否满足精度要求.方法是通过鼠标选择图像标定模板上的特征点，并进行多次特征点像素坐标位置提取，求出像素坐标的平均值.根据提取的特征点信息，由式(5)计算出单应矩阵，并求解标定模板的面积.经多次实验验证，选择当标定模板面积误差低于0.5%时的特征点为有效特征点(显著性水平a=0.05)，则由该特征点计算的单应矩阵满足精度要求.实验证明，采用本方法进行面积或线段测量，误差小，实时操作性强.3 面积测量经过反推知道，对计算得到的单应矩阵H求逆，可计算图像中任意点的坐标在三维空间中标定模板所在平面上对应点的实际坐标.求解多边形平面区域面积，首先找到在图像上关于监控平面上任意一点Mi所对应的投影点mi，并用数字图像对应的像素点坐标表示，求得实际坐标Mi后，利用坐标法的矢量积公式求解区域多边形的面积.如图2所示，空间多边形M1M2…Mn(不论凹或凸)的各顶点坐标为 Mi(xi，yi，zi)，(i=1，2，…，n)，多边形面积等于各三角形面积之和.图2 多边形监控区域面积三角分割Fig.2 Polygon monitoring area triangle division用矢量积表示多边形的面积公式如下:由于监控的是平面的面积，有Z=0，所以监控区域面积为式中为引入的二行N列式的表示方法.另外，Z=0时任意两点线段长度测量公式如下:4 实验结果及应用4.1 实验结果与误差分析图3a和图3b分别在不同位置的标定模板和不同倾斜角的摄像机针对不同大小的面积区域和长度进行计算测量.首先对图3a和图3b中的模板分别进行多次特征点像素坐标提取，得到像素坐标的平均值(u，v)，根据公式(5)计算得到远景拍摄的单应矩阵H1和近景拍摄的单应矩阵H2.然后随机选取模板上的特征点，由公式(8)计算出模板面积，并计算出精度误差，分别为0.4%和0.38%，均符合要求，说明可以利用此单应矩阵来计算场景中待测量的面积或长度.这里的标准模板面积为72 cm×52 cm.计算通过MATLAB编程实现.测量结果如表1、表2所示.图3 面积和长度测量Fig.3 Area and length measurements对表中的各待测面积和长度进行10组数据测量，分别得到面积误差和长度误差，如图4所示.表1 面积测量的一组误差结果Table 1 A group of area measurement error results待测量面积 A1B1C1D1 A1B1C1 A2B2C2D2 A2B2C2 a2b2c2d2 10 000 5 000 30 000 15 000 5 000测量值(cm2) 9 790 4 936 28 995 14 535 5 067绝对误差(cm2) 210 64 1 005 465 67相对误差(%)真实值(cm2)2.09 1.28 3.35 3.10 1.34表2 线段长度测量的一组误差结果Table 2 A group of length measurement error results待测量线段 A1B1 B1C1 A1C1 A2B2 B2C2 A2C2 a2b2 100 100 141.4 200 150 250 100测量值(cm) 96.8 100.2 142.0 200.3 143.8 241.6 100.5绝对误差(cm) 3.2 0.2 0.6 0.3 6.2 8.4 0.5相对误差(%)真实值(cm)3.20 0.20 0.42 0.15 4.10 3.36 0.5图4 面积误差和长度误差对比示意图Fig.4 Area and length errors comparison diagram由上述实验结果可知，本方法测得的面积和线段长度误差均在5%以内.从整体上看，面积误差的标准差σA=0.86%，长度误差的标准差σL=1.58%，σA＜σL，说明面积误差相对集中，整体分布较均匀;从部分上看，每个测量标度的面积误差数据的离散程度相对各长度误差的离散程度较大，测量值更为敏感.这是因为长度测量选取的坐标点只有两个，鲁棒性较好，而面积测量选取的坐标点有多个，敏感度更高，符合实际情况.尽管如此，面积测量的结果从整体上仍然可以满足实际应用的要求.4.2 场景应用此面积测量的方法可以应用于行人密度识别.场景可以选取在客流密度较大的铁路客运站.首先通过计算机图像识别技术，对人数识别框(图5虚线框所示)中的人数进行识别统计.然后根据识别框选择出监控区域有效平面(图5中实线框所示).有效平面可根据特定的场景按照一定的原则选取，以对人数识别框的区域进行剔除和补偿.如图5所示，需要剔除识别框中立体墙壁区域S1，补偿设备遮挡或可识别行人的实际占据区域S2.在此场景应用中，客流人数识别和面积测量是两个独立的过程，所以面积测量的范围是不受人数识别框限制的.有效平面的选取有一定程度的主观性.在复杂场景中，障碍物较多，遮挡严重，需要通过剔除和补偿原则以及经验判断对有效区域进行多次选择.在视野开阔的场景，如广场，道路等，或者摄像机的监控位置和角度较好的情况下，就可以方便实现测量.总之，面积测量的方法可以应用于不同场景，根据现场情况，快速、准确地实现测量.图5 监控区域有效平面示意图Fig.5 Monitoring effective area plane diagram 监控图像为704×530像素，获取图像中有效平面ABCDE的各顶点坐标位置，分别为mA(158，250)，mB(158，513)，mC(594，514)，mD(594，155)，mE(372，155).场景中已获得的单应性矩阵并求逆得:由公式(3)知，Mi= λH＇mi，消去λ 求解线性方程，即可得到三维空间中水平地面上的实际坐标MA(－ 3.67，1.74)，MB(－ 1.04，－ 1.08)，MC(2.14，－0.29)，MD(－ 4.52，11.80)，ME(－4.92，5.56).由面积公式(8)求解得到有效平面面积S=38.53m2.由于识别框内总人数为11人，故客流密度值为0.285人/m2，客流状况等级为安全.5 研究结论本文提出了摄像机监控区域有效平面的面积测量方法.它利用二维成像平面的透视投影模型，根据特征点的有效提取和单应矩阵的计算，获取三维空间平面的几何顶点物理坐标值，进而实现目标区域的多边形面积测量.本文选取的基于模板标定的平面测量技术，对有一定倾斜角的摄像机监控和复杂场景中的面积测量和客流密度计算都有较好的应用，测量误差小、可操作性较强、易于实现.文中面积测量方法限定在水平地面上，有一定的局限性，若能实现三维空间的平面测量、配合具体场景、减少障碍物的影响，应用范围将更广，也是进一步研究的方向.参考文献:【相关文献】［1］张霖.北京城市轨道交通大客流辨识与安全状态评估技术及系统［D］.北京交通大学硕士论文，2011.［ZHANG L.Techniques and system about identification of large scale passengerflow and assessment of security status of Beijing mass transit railway［D］.Beijing Jiaotong University，2011.］［2］杨裕.基于视频的人群密度估计研究［D］.上海大学博士论文，2009.［YANG Y.Researchon video population density estimates ［D］. Shanghai University，2009.］［3］王尔丹.人群运动与密度估计技术研究［J］.安全，2005，26(3):21-24.［WANG ED.Research on population movement and density estimation ［J］.Safety，2005，26(3):21-24.］［4］李灿.城市轨道交通枢纽乘客流交通特性分析及建模［D］.北京交通大学硕士论文，2008.［LI C.Study and model of the characteristic of passengers flow in urban railway transithub［D］. Beijing Jiaotong University，2008.］［5］马颂德，张正友.计算机视觉——计算理论与算法基础［M］.北京:科学出版社，1998.［MA S D，ZHANG Z Y. Computer vision—Computing theory and algorithms basis［M］.Beijing:Science Press，1998.］［6］刘润，阮宗才，韦穗.平面测量问题中单应矩阵的算法研究［J］.系统仿真学报，2001，11(13):174-176.［LIU R，RUAN Z C，WEI S.Research on algorithms of homography matrix in plane measuring［J］.Journal of System Simulation.2001，11(13):174-176.］［7］王建勇.二维图像降噪、特征检测算法及实用化技术研究［D］.北京邮电大学博士论文，2005.［WANG J Y.Research on algorithms and realization of image noise removaland feature detection［D］.Beijing University of Posts and Telecommunications，2005.］。
车辆识别论文
车辆识别论文1. 引言车辆识别是计算机视觉领域中的一个重要研究方向。
随着道路交通的迅速增长，车辆的数量呈现爆发式增长，因此对车辆的自动识别和追踪成为了一个亟待解决的问题。
车辆识别在交通管理、智能驾驶、安防监控等领域具有广泛的应用。
本论文将探讨车辆识别的相关问题，并介绍一种基于深度学习的车辆识别方法。
2. 相关工作在车辆识别领域，传统的方法主要是基于特征提取和分类器的组合。
这些方法通常包括车辆的颜色、纹理、几何特征等，然后利用分类器对提取的特征进行识别。
然而，这些方法在复杂的交通场景下表现不佳，无法准确识别车辆。
随着深度学习的兴起，基于深度神经网络的方法逐渐成为车辆识别领域的主流。
3. 方法本文提出了一种基于深度学习的车辆识别方法。
具体步骤如下：3.1 数据预处理首先，从视频中截取包含车辆的图像帧。
然后，对图像进行预处理，包括图像缩放、灰度化、归一化等操作。
这些预处理步骤能够提高后续车辆识别算法的准确性和鲁棒性。
3.2 特征提取本方法使用了卷积神经网络（CNN）作为特征提取器。
CNN能够自动学习图像中的特征表示，具有较强的特征表达能力。
我们选择了一个已经在大规模图像数据集上预训练好的CNN模型，并将其应用于车辆识别任务中。
通过将车辆图像输入CNN模型，可以得到高维的特征向量表示。
3.3 分类器在特征提取的基础上，我们使用支持向量机（SVM）作为分类器。
SVM是一种常用的模式识别算法，具有良好的分类性能和泛化能力。
通过将特征向量输入SVM模型，可以实现对车辆的准确分类和识别。
3.4 训练和测试为了评估该方法的性能，我们需要划分训练集和测试集。
训练集用于训练CNN模型和SVM模型，测试集用于评估模型在未见样本上的性能。
我们采用交叉验证的方法，将数据集划分为多个子集，每次选择一个子集作为测试集，其余子集作为训练集，重复多次实验并求平均准确率。
4. 实验与结果为了验证本方法的有效性，我们使用了一个包含大量车辆图像的数据集进行实验。
车辆计数算法
车辆计数算法摘要：1.车辆计数算法的定义和作用2.常见的车辆计数算法类型3.车辆计数算法的应用场景4.车辆计数算法的优缺点分析5.我国在车辆计数算法研究方面的进展正文：车辆计数算法是一种通过图像、视频等数据源中检测和识别车辆，并统计车辆数量的技术。
在交通管理、城市规划、停车场管理等领域具有重要的应用价值。
常见的车辆计数算法主要有以下几种：1.基于图像处理：通过车辆轮廓、车辆尺寸等特征识别车辆，并计数。
2.基于视频分析：通过连续的图像序列，识别并跟踪车辆，从而实现计数。
3.基于深度学习：利用深度学习模型，如卷积神经网络（CNN）等，对图像或视频进行端到端的分析和计数。
车辆计数算法的应用场景非常广泛，包括但不限于：1.交通流量监测：通过车辆计数算法，可以实时监测道路交通流量，为交通管理部门提供决策依据。
2.城市规划：通过统计某个区域的车辆数量，可以为城市规划提供参考数据。
3.停车场管理：通过车辆计数算法，可以实时了解停车场的剩余车位，提高停车场的使用效率。
车辆计数算法的优点主要体现在：1.实时性：可以实时监测和统计车辆数量，提供及时有效的数据。
2.自动化：相比于人工计数，车辆计数算法具有更高的准确性和效率。
然而，车辆计数算法也存在一些缺点，例如：1.受光照、天气等环境因素影响：在光照不足或天气恶劣的情况下，算法的准确性可能会受到影响。
2.受车辆类型、姿态等因素影响：不同类型、姿态的车辆可能会被误判或漏判。
我国在车辆计数算法研究方面取得了显著的进展。
例如，清华大学等研究机构提出了基于深度学习的车辆计数算法，可以在复杂环境下实现准确计数。
此外，我国还在推动车辆计数算法在实际应用场景的落地，如智能交通系统、智慧城市建设等领域。
栅格面积统计方法
栅格面积统计方法栅格面积统计方法是用来计算地理空间中不同区域的面积的一种方法。
在GIS（地理信息系统）和遥感中，栅格面积统计方法被广泛应用于土地利用、植被覆盖、水文分析等领域。
它基于栅格数据，将地理空间划分为一系列规则的正方形单元格，并利用这些单元格的面积来计算不同区域的面积。
1.面积计数法：面积计数法是最简单的栅格面积统计方法。
该方法基于单元格的数目来计算不同区域的面积。
首先，确定每个单元格的面积，然后将落在不同区域的单元格数目相加，再乘以每个单元格的面积，就可以得到不同区域的面积。
具体步骤如下：Step 1: 确定每个单元格的面积。
假设栅格的空间分辨率是x，那么每个单元格的面积就是x²。
Step 2: 统计每个区域中的单元格数目。
遍历栅格数据，统计每个区域中的单元格数目。
Step 3: 计算不同区域的面积。
将不同区域的单元格数目相加，再乘以每个单元格的面积，就可以得到不同区域的面积。
2.加权面积法：加权面积法是栅格面积统计方法中常用的一种方法。
该方法考虑了栅格单元格的权重，并根据权重来计算不同区域的面积。
权重可以是单元格的面积、类别的重要性等。
具体步骤如下：Step 1: 确定每个单元格的面积和权重。
除了确定每个单元格的面积外，还需要确定每个单元格的权重，可以根据实际需要来确定权重。
Step 2: 为每个单元格分配权重。
根据权重的定义，为每个单元格分配相应的权重。
Step 3: 统计每个区域中的权重之和。
遍历栅格数据，对每个区域中的单元格的权重进行求和。
Step 4: 计算不同区域的面积。
将不同区域的权重之和乘以每个单元格的面积，就可以得到不同区域的面积。
需要注意的是，栅格面积统计方法在处理栅格数据时需要考虑空间分辨率的问题。
如果空间分辨率较大，可能会导致面积计算结果的误差。
因此，在选择栅格面积统计方法时需要根据具体应用场景和数据特点来进行选择。
同时，还需要根据不同区域的特点来确定权重的分配方式，以更准确地计算不同区域的面积。
基于实测的公路桥梁车辆荷载统计模型
基于实测的公路桥梁车辆荷载统计模型摘要:基于动态称重系统获取的运营交通基本信息,依据轴组类型对所有车辆进行分类及筛选,建立了6种主要车型的车重、车距、车道交通量、轴重与轴距的统计模型,然后按损伤等效原则提供了6种车型的等效模型车辆，为桥梁疲劳可靠性评估提供了实用的车辆荷载模型.研究表明该建模方法能够准确描述交通荷载,建模过程与方法对同类问题具有普遍意义,可应用于建立各种交通状况下的疲劳车辆荷载模型或提供参考.车辆荷载导致的疲劳损伤是影响新桥疲劳设计和旧桥使用安全和剩余寿命的重要因素。
评估疲劳损伤不应采用代表最不利受载情况的强度设计荷载，而应采用能代表日常交通状况的车辆荷载。
即桥梁在设计基准期内实际承受的运营车辆荷载。
建立准确的用于疲劳分析的车辆荷载模型是进行桥梁疲劳可靠性评估的重要基础，是一项具有先导性和基础性的研究。
目前，英国、美国和日本等国都结合本国的实际情况，基于大量交通调查结果，在各自的桥梁设计规范中给出了疲劳设计荷载谱或疲劳车辆荷载模型。
其中英国标准中对公路疲劳荷载模型作了比较详尽的规定，其制定疲劳荷载模型的方法也为很多国家效仿。
与其他国家相比，我国交通现状具有交通量大、超重车比例高等显著不同的特点，生搬硬套国外规范不能获得准确的评估结果。
将误导桥梁的设计、维修和管理，造成浪费或者不可挽回的灾难性事故，因此，中国的疲劳车辆荷载模型必须根据自己的国情量身制定。
目前我国尚无供公路桥梁疲劳设计及评估使用的疲劳车辆荷载模型。
为改变这种无据可依的状态，国内许多学者已在此领域开展了一定的工作。
童乐为对上海市内环线中山路3号钢桥进行了2次人工现场交通调查。
对城市道路桥梁的疲劳荷载谱做了较系统的研究和探讨。
得到了6个简化的疲劳模型车辆，是国内首次开展的城市道路钢桥的疲劳荷载谱研究。
但是由于采用交通调查方式获取的交通荷载的信息比较粗略，调查结果与实际交通荷载之间必然存在偏差，而且由于条件限制，交通调查时间较短，不能反映交通荷载的长期效应。
车辆遮挡检测算法研究
车辆遮挡检测算法研究
随着城市交通的不断发展和人口的迅速增长，车辆遮挡问题在道路交通中变得越来越严重。
车辆遮挡不仅给驾驶员带来不便，还可能导致交通事故的发生。
因此，研究车辆遮挡检测算法成为了一个非常重要的课题。
车辆遮挡检测算法的研究旨在通过分析车辆图像，确定车辆是否被其他物体遮挡。
为了实现精确的遮挡检测，研究者们提出了许多不同的方法。
其中一种常用的方法是基于特征提取和分类器的机器学习算法。
首先，研究者们会对车辆图像进行预处理，包括图像去噪、图像增强等。
然后，他们会使用特征提取算法来提取图像中的特征。
常用的特征包括颜色、纹理、形状等。
通过对提取到的特征进行分析和处理，研究者们可以得到能够反映遮挡情况的特征向量。
接下来，研究者们会使用分类器对特征向量进行分类，判断车辆是否被遮挡。
常用的分类器包括支持向量机、决策树、神经网络等。
这些分类器可以根据已有的训练样本进行学习，从而对新的车辆图像进行判断。
此外，一些研究者还尝试了其他方法来提高遮挡检测的准确性。
例如，他们可以结合深度学习技术，使用卷积神经网络来直
接学习图像中的遮挡特征。
另外，一些研究者还将遮挡检测算法与车辆检测算法相结合，通过先进行车辆检测，再进行遮挡检测，来提高检测的准确性和效率。
总的来说，车辆遮挡检测算法的研究对于提高道路交通的安全性和流畅性具有重要意义。
通过不断改进算法的准确性和效率，可以帮助驾驶员及时发现遮挡情况，从而避免交通事故的发生。
随着技术的不断进步，相信车辆遮挡检测算法将会在未来得到更广泛的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
近年来 ， 随着计 算机 技术 的不 断进 步 ， 于车辆 检测 的方 式也 多种 多样 。 目前 常用 的检 测方 法有 线 圈检 用
测 、 波检测 器 、 微 超声 波检测器 、 频检测 等 。在选 择车 辆 的检测方 式 时应从 其性 能 、 视 成本 、 使用 寿命 、 日常维
护、 发展方 向和 系统兼 容等方 面进 行综 合考 虑 。由于视 频检 测可 以提 高检测 的实时性 ， 少投 资 ， 减 降低成 本 ， 节省 等 ， 因此 ， 视频 检测 方法 是 目前 车流 量检 测方 法 中的热 点 。针 对 视频 图像 检 测 器 得 到 的交 通序 列 图 像 ， 人们 提 出了多种 车辆 检测与 跟踪技 术 ， 例如 帧差法 、 背景 差 法 、 缘检测 法 等车辆 检测 方 法＿ 。 目前 ， 于视 边 １ ］ 基 频 的车辆检 测 和分割 的方式 多样 ， 但分 割后 的 图像通 常残 留许 多噪 声点 ， 区域边 缘 也 不 太平 滑 ， 辆 区域 分 车 割不 明确 等局 限性 ， 致识别 多辆 车 时邻 近的车 辆连 到 了一 起 ， 成 不 能准 确计 数 的现 象发 生 ， 而 影 响检 导 造 从
表 一定 的实际 面积值 。设每个像 素点对 应 的实际 面积值 为 ｚ一幅经 过处理 的车辆 图像 的像 素点个 数为 Ｎ ， ， 参照车辆 的像 素点个数 为 Ｎ 则此 幅图 中车辆数量 （ ， 取整 ） 为
， 、
∑
。 。
ｌ 。
一
一
Ｎ ｌ Ｚ Ｎ ２ Ｚ
Ｎ１ Ｎ２
测精 度 。针对 车辆识 别过程 中通 常存 在 的不足之 处 ， 本文 在 视频 图像 检 测 车辆 和 车辆 分 割 的 基础 上 应 用 面
积法 对 车辆进 行识别 和统计 。
１ 面 积 法 原 理
封 闭区域 的面积 是 区域识 别过 程 中经常需 要计 算 的重要 参数 引。通 常利 用边 缘跟 踪技 术和 插值算 法 获 取对 区域边缘 的描述 ， 在此基 础上进 一步 计算 区域 的 面积 。
第 ４期
高 军伟 ， ： 于面 积法 的车辆识别 统计研 究 等 基
３ ７
式 中 ， 为 ｒ 的傅立 叶级数 的系数 ， （） 即
１ ｒ２
一
Ｉｒ ） ｄ （ｅ Ｏ
厶丁 【Ｊ ０
（） ２
由文献 Ｅ ］ ２ 可得 区域面 积为
Ｓ Ｔ∑ 『 ＝ｒ 。
因此 ， Ｓ为经 过处理 的车辆 图像 面积 ， 设 ｓ 为参 照车辆 的 面积 。数字 图像 由许 多像 素点 组 成 ， 个 像素 点代 每
基 于 面积 法 的车 辆 识 别 统 计研 究
高 军伟 ，刘 召 燕 ，蔡 国 强。 ，刘 新。 ，贾利 民
（ ．青 岛大学 自动 化 ． 程 学院 ，山 东 青 岛 ２ ６ ７ ； ．北京 交通 大学轨 道 交通 控制 与安 全 １ Ｔ － ６０１ ２
国 家重 点 实验 室，北京 １ ０ ４ ； ．青 岛海信 网络 科技 股份 有 限公 司，山 东 青 岛 ２ ６ ７ ） ００ ４ ３ ６ ０ １
摘 要 ： 车辆 识别 的图像 分割算 法 中通 常存 在 分 割后 的图 像残 留许 多 噪声 点 、 在 区域 边 缘 不 太平滑 、 多辆 车识别 为一辆 车 等现象 。在 其他 分 割 算法 的基 础 上应 用 面 积法 对 车辆 图 像 中多辆 车进行 识别 ， 并应 用 ＭＡＴＩ Ｂ ＧＵＩ 程 实 现 。车 辆识 别 结 果 显 示 ， 方 法识 ／ Ａ 编 该 别 率高 ， 车辆 的识 别 、 对 车流量 统计具 有 重要 的应用 价值 。 关键 词 ： 车辆 识别 ； 积法 ； 面 ＧＵＩ
图 １是一 区域 的边缘 ， ｒ 描述边 缘极 坐标 ，（） 一个 以 ２ｃ 用 （） ｒ 是 为周期 的 函数 ， 图 ２所示 。 ７ 如
厂
ｘ
ｒ ）
０
０ ቤተ መጻሕፍቲ ባይዱ
２
０
图 １ 区域 边 缘 图
图 ２ ｒ Ｏ 曲线 （）
ｒ 用傅 立 叶级数 展开 ， （） 有
（ ） ３
２ 图像 处 理
由于图像处理 功能 强大 ， 以 图像识 别技 术在智 能交通 的车 流量检测 中得 到了越来 越广 泛的应用 ， 所 在车
流 量 识 别 中 占据 着 重 要 的 位 置 。 ２ １ 图像 处 理 系统 ．
一
个 图像 处理 系统应该 至少包 括 图像 采集 、 图像分 析 和理解 、 出 ３ 部分嘲 ， 输 个 其结构 如图 ３所示 。
第２ 卷 第 ４ ３ 期
２００８年 １ ２月
青岛大学学报 （ 程技术版 ） 工
Ｊ ＯＵＲＮＡＬ ＯＦ ＱＩ ＮＧＤＡＯ ＵＮＩ ＲＳ Ｔ ｆ ＶＥ Ｉ Ｙ Ｅ＆Ｔ）
Ｖｏ． Ｏ １ ２３ Ｎ ．４ Ｄｅ ． ２ ０ ｃ ０ ８
文 章 编 号 ：０６—９ ９ （０ ８ ０ ０ ３ —０ １０ ７ ８ ２０ ）４ ０ ６ ４
ｒ ） ∑ 舢 （一
（） １
２ 收 稿 日期 ： ００８ —０７ — １２
“ 计 项 ２０ ＡＡ１ Ｚ ２ ）轨 道 交 通 控 制 与 安 全 国 家 重 点 实 验 室 （ 京 交 通 大 ｌ２９ ； 北 基 金 项 目 ：国家 高 技 术 研 究 发展 计 划 （八 六 三 ” 划 ） 目 资 助 （０ ７ 学 ） 放 课 题 基 金 资助 项 目（０ ７ ０ ） 山 东 省 高 等学 校 优 秀青 年教 师 国 内访 问学 者 资 助 项 目（ ０ ７ 开 ２ ０ Ｋ０ ６ ； ２０） 作 者简 介 ： 军 伟 （ ９ ２ ）男 ， 高 １ ７ 一 ， 山东 省 临 沂 市 人 ， 教 授 ， 士 ， 士生 导 师 ， 副 博 硕 主要 从 事 智 能 控 制 与 智 能 系 统 研 究 。