基于单目视觉的路面车辆检测及跟踪方法综述_胡铟
基于单目视觉的车辆检测与跟踪研究的开题报告
基于单目视觉的车辆检测与跟踪研究的开题报告一、研究背景及意义车辆检测与跟踪技术是智能交通系统中的重要组成部分，其应用范围涉及到智能交通、智慧城市等领域。
而在基于单目视觉的车辆检测与跟踪技术中，相比于传统的基于激光雷达、毫米波雷达等传感器的方案，这种技术无需额外的硬件装置，成本更低，并且更加灵活和便捷。
然而，基于单目视觉的车辆检测与跟踪技术中面临的挑战也比较明显，主要包括识别率、跟踪效果、实时性等方面。
因此，本研究旨在探究如何利用单目视觉技术实现高效准确的车辆检测与跟踪，并且针对其中的问题进行针对性的优化，从而提升检测与跟踪效果。
二、研究内容本研究的主要内容包括：1.基础研究：通过深入了解单目视觉技术原理和相关领域的研究成果，建立起本研究的理论基础。
2.车辆检测方法研究：探究基于单目视觉的车辆检测方法，尝试提出一种新的方法，在数据预处理、特征提取、分类器设计等方面进行优化。
3.车辆跟踪方法研究：针对车辆跟踪中存在的问题，如跟踪丢失、目标遮挡等，研究车辆跟踪的优化方法，提高跟踪效果以及实时性。
4.系统开发：将研究成果应用于实际系统中，并进行实验验证和评估。
三、研究方法本研究主要采用以下方法进行研究：1.文献资料调研、分析：通过查阅大量相关文献和研究成果，了解单目视觉技术的发展和研究现状，探究车辆检测和跟踪的方法和难点。
2.算法设计和实现：在对现有算法进行分析的基础上，提出针对性的优化方案，并进行算法设计和实现。
3.实验验证和评估：利用开源数据集或自己采集的数据集进行实验验证，对比分析不同算法的性能差异，并进行评估。
四、预期成果与创新点本研究预期达到以下成果：1.提出一种基于单目视觉的车辆检测与跟踪方案，并进行优化，提高检测和跟踪效果。
2.设计并实现算法，达到较高的识别率和实时性。
3.实现一个完整的车辆检测和跟踪系统，并进行实验验证和评估。
本研究的创新点主要集中在以下方面：1.提出一种新颖的基于单目视觉的车辆检测与跟踪方案，同时结合车辆检测和跟踪的实际需求，进行算法优化设计。
单目视觉摄像机标定车辆检测车道检测车道偏离预警论文
单目视觉论文：基于单目视觉的车辆主动安全技术研究【中文摘要】近年来,随着汽车数量的迅速增加,由车辆碰撞、车道偏离引起的道路交通事故也在迅速增加,伤亡人数也逐年攀升,成为现代社会一大公害。
在此背景下,车辆的主动安全驾驶引起了越来越多研究机构和汽车制造商的重视。
基于计算机视觉的车辆检测定位、车辆碰撞预警、车道线检测及车道偏离预警是汽车主动安全应用的一个重要研究方向。
视觉传感器由于其低廉的价格、算法柔韧性强、采集的信息丰富等优点,在车辆的主动安全应用中得到广泛的使用。
本文重点研究基于单目视觉的主动安全技术研究,通过安装在车辆前方的摄像机采集道路环境信息并进行处理,实现前方车辆检测定位、前方车辆距离测量、车道线检测、车道偏离预警功能。
本论文的主要工作及研究成果如下：1.为了建立图像与空间目标的映射变换关系,实现视觉测量,需要对摄像机进行标定。
首先介绍了目前摄像机标定的主要方法,然后根据本课题的研究所使用的单目摄像机,制定出一套简便实用与精度兼得的标定方法。
2.研究使用了一种基于梯度方向直方图(Histogram of Oriented Gradient)的车辆检测方法,通过梯度直方图提取样本的特征,使用线性支持向量机训练获得二分类器,使用分类器...【英文摘要】In recent years, with the rapid increase of vehicles, traffic accidents also increased rapidly caused by vehicle collision and lane departure, the number of casualtiesis rising year by year, and become a public hazard in modern society. Recently, vehicle active safe driving has attracted more and more attention of some research institutions and vehicle puter Vision based vehicle detection, vehicle collision warning, lane detection and lane departure warning is one important research ar...【关键词】单目视觉摄像机标定车辆检测车道检测车道偏离预警【英文关键词】Monocular vision Camera calibration Vehicle detection Lane detection Lane departure warning【索购论文全文】138113721 139938848 即付即发【目录】基于单目视觉的车辆主动安全技术研究摘要4-5ABSTRACT5-6第一章绪论10-16 1.1 研究背景及意义10-11 1.2 国内外相关领域研究现状11-14 1.2.1 国外研究现状11-13 1.2.2 国内研究状况13-14 1.3 论文工作及内容安排14-16第二章摄像机参数的标定16-30 2.1 引言16-18 2.2 摄像机标定理论算法18-23 2.2.1 参考坐标系的建立18-19 2.2.2 摄像机线性模型的标定19-22 2.2.3 摄像机的非线性模型标定22-23 2.3 摄像机参数的标定23-29 2.3.1 摄像机内部参数的标定23-25 2.3.2 摄像机外部参数的标定25-27 2.3.3 外部参数简单标定方法27-29 2.4 本章小结29-30第三章车辆的检测定位与距离测量30-48 3.1 引言30-32 3.2 前方车辆检测与定位32-40 3.2.1 车辆检测算法总体流程框架32-33 3.2.2 HOG特征提取33-35 3.2.3 训练线性SVM分类器35-36 3.2.4 车辆检测与定位36-37 3.2.5 实验仿真37-40 3.3 基于单目视觉的前方车辆距离测量40-47 3.3.1 基于视觉的测距模型41-43 3.3.2 前方车辆距离测量43-45 3.3.3 实验仿真45-47 3.4 本章小结47-48第四章基于改进HOUGH变换的车道线检测48-60 4.1 引言48-49 4.2 车道线检测算法流程框架49-50 4.3 图像的边缘提取50-52 4.4 车道线检测算法52-58 4.4.1 Hough变换算法概述53-54 4.4.2 改进的Hough变换算法54-55 4.4.3 车道直线特征的提取55-58 4.5 实验仿真58-59 4.6 本章小结59-60第五章基于视觉的车道偏离预警算法60-70 5.1 引言60-61 5.2 车道偏离预警算法61-66 5.2.1 车道偏离预警标准介绍61-63 5.2.2 车辆偏航角估算63-64 5.2.3 车辆横向偏移距离测量及预警方法64-66 5.3 实验仿真66-69 5.4 本章小结69-70第六章总结与展望70-72 6.1 研究成果总结70-71 6.2 后续工作建议71-72致谢72-73参考文献73-76攻硕期间取得的研究成果76。
基于单目视觉的道路检测算法的分析
差ｔＪｏ（ｘ，ｙ），在各个ｏ（０≤ｏ≤２Ⅱ）对应的０９【ｘ，ｙＪ中，方差为最小的一个窗口内灰度值变化最缓慢的，意味着其中边缘的可能性最小，那么就取该窗口的均值作为点（ｘ’ｙ）的新的灰度值，可取９个窗１：３，其中１个正方形，４个五角形及４个六角形窗口。
计算９个窗口内的像素平均值和方差，取方差最小值的那个窗口的平均值作为当前的新灰度值。
噪声滤波是必要的，特别是由于汽车抖动引起的边缘毛刺，以及汽车刹车对车道标识线的损伤和孤立的噪声点，这些噪声都会对以后的分道线的检测造成不小的麻烦。
由于图像中噪声和信号往往交织在一起，如果平滑不恰当会使图像本身的细节如边界轮廓、线条等变得模糊不清，从而使图像质量下降。
所以需要找到既能平滑图像中的噪声，又尽量保持图像细节的合理算法。
同时，在车辆视觉导航系统中，算法的处理速度也是一个比较重要的问题。
通过在计算机（ＣＰＵ为赛扬２．４Ｇ，内存２５６Ｍ，操作系统为ＷｉｎｄｏｗｓＸＰ，软件开发工具为Ｖｉｓｕａｌｃ＋＋６．Ｏ）上对像素大小３２０×２４０的图像进行仿真，在同等条件下，邻域平均滤波算法的平均耗时为３０ｍｓ左右，用快速中值滤波算法的平均耗时为８０ｍｓ左右，数学形态滤波平均耗时为１９４ｍｓ而边缘保持算法的平均耗时为２８０ｍｓ左右。
考虑到智能车辆的实时性要求，本文仅对邻域平均滤波算法和快速中值滤波算法进行实验效果对比，如图２．１所示：（ａ）经灰度化处理后的图像（ｂ）加入随机噪声图像（ｃ）对（ａ）图进行平均滤波后的图像（ｄ）对（ｂ）图进行平均滤波后的图像（ｅ）对（ａ）图进行中值滤波后的图像（ｆ）对（ｂ）图进行中值滤波后的图像图２．１邻域平均滤波和中值滤波实验效果对比图由实验看出，在有一定的噪声影响的前提下，中值滤波可以达到良好的去噪效果。
因此，快速中值滤波算法较为适合本系统。
§２．２．２阈值分割对图像进行二值化处理的关键是阈值的合理选取。
阈值设置过小易产生噪声；闽值设置过大会降低分辨率，使非噪声信号被视为噪声而滤掉。
基于模型的车辆检测与跟踪
基于模型的车辆检测与跟踪
胡铟;杨静宇
【期刊名称】《中国图象图形学报》
【年(卷),期】2008(013)003
【摘要】车辆检测算法是汽车辅助驾驶系统中的核心算法之一.为了对摄像机抖动下的目标进行鲁棒跟踪,提出了一种新的基于投影的曲线模型匹配方法,利用投影的完整度、匹配点相对于模型的偏移量期望和方差的加权和作为相似性度量.在此基础上建立模型匹配算法,利用车辆模型匹配进行车辆的检测和跟踪.实验结果表明,该算法具有良好的适应能力,对不同车型、大小、颜色的车辆都能够进行很好的检测和跟踪,并能够在车辆颠簸造成摄像机抖动的情况下保持目标的稳定跟踪.
【总页数】6页(P450-455)
【作者】胡铟;杨静宇
【作者单位】南京理工大学,南京,210094;南京理工大学,南京,210094
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于模型预测控制的无人驾驶车辆轨迹跟踪控制算法研究 [J], 张钦
2.基于模型预测轮廓控制的自动驾驶车辆路径跟踪控制 [J], 潘公宇;刘一
3.基于模型预测控制的车辆横纵向跟踪控制 [J], 邓国红;肖皓鑫;韩龙海;吴鹏飞;张勇;覃亮
4.基于模型预测和遗传算法的智能车辆轨迹跟踪控制 [J], 苑风霞;张华;陈丰;司志
远
5.基于模型预测控制的车辆横纵向跟踪控制 [J], 邓国红;肖皓鑫;韩龙海;吴鹏飞;张勇;覃亮
因版权原因，仅展示原文概要，查看原文内容请购买。
基于单目视觉的车距测量方法综述
基于单目视觉的车距测量方法综述
王展青;陈顺云
【期刊名称】《科技资讯》
【年(卷),期】2010(000)027
【摘要】测距是实现车辆安全系统的关键技术,计算机视觉提供人类视觉的计算模型.在总结国内外已有的车辆测距的理论的基础上,比较了机器视觉中单目视觉和立体视觉测距的优缺点,重点总结了国内已有的基于单目视觉的车距测量方法,并给出了相应的原理及测距模型.最后,给出了每一种方法存在的优点和一些不足,并对未来进行了展望.
【总页数】5页(P33-36,38)
【作者】王展青;陈顺云
【作者单位】武汉理工大学,武汉,430070;武汉理工大学,武汉,430070
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于单目视觉的高速公路安全车距预警系统 [J], 罗金玲
2.基于单目视觉的跟驰车辆车距测量方法 [J], 余厚云;张为公
3.基于单目视觉车辆姿态角估计和逆透视变换的车距测量 [J], 刘军;后士浩;张凯;晏晓娟
4.基于单目视觉的实时车距侦测算法的实现 [J], 柴灿;郎朗;伍润东
5.基于单目视觉的车辆下边沿估计和逆透视变换的车距测量 [J], 王永森;刘宏哲
因版权原因，仅展示原文概要，查看原文内容请购买。
【CN109887032A】一种基于单目视觉SLAM的车辆定位方法及系统【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910132886.8(22)申请日 2019.02.22(71)申请人 广州小鹏汽车科技有限公司地址 510555 广东省广州市中新广州知识城九佛建设路333号245室(72)发明人 周建 李良 刘中元 肖志光 (74)专利代理机构 广州德科知识产权代理有限公司 44381代理人 万振雄 杨中强(51)Int.Cl.G06T 7/73(2017.01)G06T 11/20(2006.01)(54)发明名称一种基于单目视觉SLAM的车辆定位方法及系统(57)摘要一种基于单目视觉SLAM的车辆定位方法及系统，该方法包括：制图时，单目视觉SLAM初始化过程中，以车辆的实际移动距离来确定单目视觉SLAM地图的尺度，并在后续以车辆实际移动距离来不断优化SLAM地图的尺度等信息；基于地图的定位时，匹配目标图像以及SLAM地图中的特征点，从而确定出车辆在SLAM地图中的重定位位姿，以获得车辆定位模块测量到的车身位姿与单目摄像头的视觉位姿之间的转换关系，并且利用多个车身位姿和视觉位姿来不断优化该转换关系。
本发明能够为单目视觉SLAM地图提供真实的尺度信息，以提高车辆定位精度，减少视觉定位过程中不稳定因素的影响，提高系统在视觉特征缺失等情况下的稳定性。
权利要求书3页 说明书14页 附图6页CN 109887032 A 2019.06.14C N 109887032A1.一种基于单目视觉SLAM的车辆定位方法，其特征在于，包括：从车辆的单目摄像头拍摄到的真实环境图像序列中确定出至少两个初始帧，并通过车辆的定位模块获取在所述至少两个初始帧的拍摄时刻之间所述车辆的实际移动距离；结合所述车辆的实际移动距离和所述至少两个初始帧进行单目视觉SLAM初始化；如果初始化成功，根据所述车辆的实际移动距离和所述真实环境图像序列构建SLAM地图；所述SLAM地图包括所述单目摄像头的位姿序列，以及所述真实环境图像序列中各个图像包含的特征点的三维空间位置；在重定位时，根据特征点在所述单目摄像头拍摄到的目标图像中的图像位置以及特征点在所述SLAM地图中的三维空间位置确定所述单目摄像头在所述SLAM地图中的重定位位姿；根据所述单目摄像头在所述SLAM地图中的重定位位姿确定所述车辆在所述SLAM地图中的重定位位姿。
- 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)。
第24卷 第12期2007年12月 公 路 交 通 科 技Journal of Highway and Transportation Research and DevelopmentVol .24 No .12 Dec .2007文章编号:1002-0268(2007)12-0127-05收稿日期:2006-08-01基金项目:江苏省科技计划高技术研究项目(BG2005008)作者简介:胡铟(1973-),男,江西南昌人,博士研究生,研究方向为计算机视觉、目标检测及跟踪.(huyinyx @ )基于单目视觉的路面车辆检测及跟踪方法综述胡 铟,杨静宇(南京理工大学,江苏 南京 210094)摘要:首先介绍了车辆检测算法的3种基本组成部分:检测、验证、跟踪,然后根据算法的组成重点介绍了车辆检测以及跟踪的几种主要算法。
车辆检测算法包括基于特征的方法、基于光流场的方法和基于模型的方法,车辆跟踪算法包括基于区域相关的方法、基于活动轮廓的方法、基于特征的方法和MeanShift 快速跟踪算法。
根据试验结果对各种车辆检测和跟踪方法的优点、缺点以及实际应用中不同情况下适用范围的局限性进行了综合分析。
最后在结论部分总结展望了文中介绍的几种车辆检测和跟踪方法的应用前景,并提出了在实际应用时的一些建议和将来的主要研究和发展方向。
关键词:智能运输系统;车辆检测;单目视觉;跟踪中图分类号:TP391.4 文献标识码:AVehicle D etection and Tracking Based on Monocular VisionHU Yin ,YANG Jing -yu(Nanjing Univers ity of Science &Technology ,Jian gsu Nanjing 210094,China )Abstract :First ,the three component of the vehicle detection algorithm including detection ,verification and tracking arediscussed .Then ,the algorithm of detection and tracking are discussed with emphasis on composition .The vehicle detection algorithm includes feature based ,optical flow based and model based method .The vehicle tracking al gorithm includes region correlation based ,active contours based ,feature based and mean shift based method .The merit and disadvantage of these algorith ms is discussed accordin g to the result of experimentation .Finally ,some suggestions for future research and application are presented .Key words :Intelligent Transport Sy stems ;vehicle detection ;monocular vision ;trackin g0 引言近年来随着计算机视觉技术的发展,计算机视觉在智能交通系统中得到了广泛的应用,如交通事件及流量的监测[1]、路面病害检测以及智能车辆的自动导航等。
作为智能交通系统的一个方面,智能车辆利用检测和智能算法去理解车辆的即时环境,并且提示驾驶员部分或完全控制车辆的行驶。
智能车辆的应用领域可以分为:(1)为驾驶员提供建议或警告(碰撞报警)。
(2)部分的控制车辆,可以是持续的驾驶辅助,如行道线的维持,或者是紧急事件的干预,碰撞的紧急避免措施。
(3)完全的控制车辆(自动驾驶系统)。
在过去的几年中,为了研究改良安全性和防止事故的新技术,许多国家和国际间的项目开始启动。
车辆事故的统计数据揭示出其他车辆是驾驶员面临的主要威胁。
因此研究对驾驶员发出关于行驶环境和可能与其他车辆碰撞的警告辅助系统受到更多的关注。
利用光学传感器的车辆检测是一个极富挑战性的任务,具体说有如下需要解决的难点问题:(1)车型多样:各种形状,大小,颜色;(2)复杂且变化的背景:背景复杂并且随摄像机的运动不断变化;(3)光照变化:天气、环境影响;(4)遮挡:多辆车辆互相遮挡;(5)多目标跟踪:同时跟踪多辆车辆并达到实时性的要求。
本文对基于安装在车辆上的视觉系统的车辆检测和跟踪方法进行了综述,这里不包括用于交通监测的固定摄像机系统。
1 车辆检测算法的组成一般说来车辆检测可以分为两部分:检测和跟踪。
检测负责判断图像序列中是否有车辆出现,并得到车辆的大小,位置等基本信息。
由于车辆和摄像机自身的运动,车辆在图像平面成像的位置、大小、灰度等数据都在不停的变化中。
跟踪根据检测得到的初始信息,在图像序列中跟踪车辆位置、大小和灰度的变化。
检测一般说来需要对图像进行遍历性的搜索,由于车辆大小的变化还需要搜索不同的尺度空间。
所以说检测算法的时间复杂性一般都比较高。
跟踪算法根据一些时间空间的约束条件,可以把搜索空间限制在很小的范围之内。
另外由于有检测得到的先验知识可以利用,跟踪算法往往可以达到实时性的要求。
根据算法的组成,我们可以把车辆检测方法分为两类:(1)只包含检测的算法如果检测算法可以达到实时性的要求,可以对每帧图像都进行检测而不采用后续的跟踪。
一般来说,进行车辆检测时首先要确定感兴趣区域(Region of Interesting)ROI,只在ROI区域内进行搜索,以达到提高搜索效率的目的。
ROI的确定一般依靠一些先验知识,如车辆出现的位置一般都在摄像机前方的车道内,车辆具有一些明显的特征,如类似矩形的形状,底部的阴影等都可以作为确定ROI的信息。
还可以利用设置检测区域或检测线的方法进一步缩小搜索范围。
检测区可以利用车道检测的结果也可以是人为划定的摄像机前方的一块区域。
采用这种方法的缺点是只有当车辆的位置与检测区或检测线重叠时才能检测到车辆,但这并不影响实际的应用,因为我们对其他区域的车辆并不关心。
在文献[2]中,将R OI的确定称为提出假设HG (Hypothesis Generation)。
在确定的多个R OI中往往有些并不是包含有车辆的区域,这就需要进一步的验证HV(Hypothesis Verification)。
验证通常采用模式识别的分类器将ROI分为包含车辆的和非包含车辆的两类。
(2)先检测后跟踪的方法如果检测算法无法达到实时要求时,可以采用先检测到目标然后再利用跟踪算法进行跟踪的方法。
采用这种方法可以进一步缩小检测时所需要的搜索空间。
跟踪方法利用在前一帧图像中检测或跟踪到的车辆位置等信息,将搜索空间限制在很小的范围之内。
采用跟踪方法的好处是实时性强,但是对于目标的大幅度变化往往不能适应,如车辆快速大幅度的位移,光照条件的剧烈变化等。
2 检测方法2.1 基于特征的方法基于特征的方法又称为基于知识的方法(Knowl-edge-Based Methods)。
公路上行驶的前方车辆在灰度图像中具有一些明显的特征:(1)形状特征。
大体为矩形,而且满足特殊的形状比例。
(2)边界特征。
底部水平线、左右两侧的垂直边、后车窗、保险杠、车牌在图像中呈明显规则的水平边界和垂直边界特征。
(3)灰度特征。
一般情况下车辆在图像中与背景灰度有显著差异,车辆底部存在灰度数值较小的阴影区域等。
(4)对称性特征。
车辆的对称特征包括灰度对称、水平边缘和垂直边缘对称。
(5)位置特征。
一般位于车道线内。
对称性[3,4]、阴影[5,6]、边缘[7,8]等是进行车辆检测常用的特征。
在白天较好的光照条件下,车辆底部留下的阴影区域的亮度值明显区别于图像的其他部分。
阴影作为特征只能确定车辆的可能出现的大致位置和宽度。
利用车辆具有良好的对称性的特点,可以从对称性映射图中得到车辆的位置。
利用车辆边缘具有的特点可以很好的将图像中的车辆分割出来,边缘特征强于阴影和对称性特征。
阴影和对称性一般用作辅助性的特征,单独使用阴影和对称性往往不能得到确切的结果。
通常的做法是将阴影、对称性和边缘特征结合起来使用,这样可以得到较好的检测结果[9～12]。
2.2 基于光流场的方法光流是空间运动物体被观测面上的像素点运动产生的瞬时速度场,包含了物体3D表面结构和运动的重要信息。
一般情况下,光流由摄像机运动、场景中目标运动,或两者的运动产生。
当场景中有独立的运动目标时,通过光流分析可以确定运动目标的数目、运动速度、目标距离和目标的表面结构。
光流场的计128 公 路 交 通 科 技 第24卷算一直以来都是计算机视觉领域中的一个研究重点。
光流分析可以分为连续光流法和特征光流法。
连续光流法一般采用基于帧间图像强度守衡的梯度算法,其中最为经典的算法是L-K(Lucas&Kanade)法和H-S(Horn&Schunck)法。
特征光流法是通过特征匹配求得特征点处的光流,可以采用图像边缘和角点作为特征点。
特征光流法的主要优点在于:对目标在帧间的运动的限制较小,可以处理大的帧间位移;对噪声的敏感性降低;只处理图像中很少数的特征点,计算量较小,主要缺点是:得到的是稀疏光流场,导致难于提取运动目标的精确形状;特征匹配问题尚未得到较好地解决。
另一种计算稀疏光流场的方法是块匹配法。
块匹配法假设图像序列的运动最小单位是若干相邻像素的集合(即块,Block)。
根据先验的运动模型在相邻帧间进行匹配,计算最优匹配下的块运动参数,从而得到光流场的估计。
光流法能够较好的处理背景运动的情况,无需障碍物的先验知识,但对噪声、光线变化较敏感。
而且光流方法计算量较大,实时性较差。
在车辆检测中,距离摄像机较远的区域的两帧之间的位移可以小于一个像素,靠近摄像机的区域位移可以超过60个像素[13],连续光流法基本上不适用,而采用特征和块匹配的方法进行光流分析通常需要在不同尺度下进行。
另外由于前方车辆和摄像机的相对运动速度较小,其光流几乎淹没在由摄像机自身运动造成的背景光流中,所以使用光流分析检测前方车辆往往得不到可靠的结果。
但是由于从旁边超越的车辆和安装摄像机的车辆之间有较大的相对运动速度,所以基于光流的方法较适用于检测从旁边超过的(overtaking)车辆[14～16]。