基于Kalman滤波与Camshift算法的水面目标跟踪

根据水面监控图像的特点,对运动载体采集到的水面视频图像进行处理,从而实现对运动目标的跟踪。首先,利用Haar分类器检测出水面的运动目标,并用检测结果初始化Camshift跟踪器的搜索窗口;然后,运用Kalman滤波器与Camshift组合算法实现对运动目标的跟踪。其中,利用Kalman滤波算法预测目标在下一帧中出现的位置,Camshift算法用来跟踪目标,以此减小搜索范围,提高跟踪效率。实验结果表明,该算法能够实现对水面运动舰船的检测并进行有效跟踪。     

基于Opencv的运动目标的检测和跟踪

检测运动物体需要无运动物体的背景图像,所以,首先应用多帧像素平均值法提取了运动视频序列的背景图,从背景图像中分离目标像素,获取目标的质心坐标,并应用质心跟踪法以灰色图像序列为基础,对运动的目标进行实时检测和跟踪。质心跟踪法的目标位置通过质点的中心来确定,该算法计算简单,计算量小,其稳定性与精度主要取决于序列图像的分割及其阀值的确定情况。文中给出了用Opencv实现算法的具体过程和关键代码,并且设计了跟踪运动车辆的控制界面,方便了实时监控。实验结果表明,该方法可以实现视频序列中运动目标的识别,具有实时性、并能给出较好的识别效果。     

基于YOLO和嵌入式系统的车流量检测

城市道路普遍存在机动车、非机动车、行人的人车混行路段,车辆目标的准确识别与统计成为视频方法检测混合交通流量的关键问题。本文提出了基于深度学习YOLO(You Only Look Once)的车流量检测算法。用YOLO v2检测道路上移动的目标,对检出目标中的车辆目标进行识别与筛选,设置感兴趣区域,在车辆目标经过感兴趣区域时计数,并用核相关滤波器跟踪车辆,避免车辆重复计数;在ARM上利用该算法实现了混合交通视频中的车流量检测。测试结果表明,该方法中车辆的检测、跟踪、计数结果良好,可应用于混合交通中的车流量检测。     

采用在线多实例学习的超像素跟踪

采用矩形框表示目标会引入背景干扰,导致跟踪性能下降,故利用多实例学习的特点对背景干扰建模,提出了一种采用在线多实例学习的超像素跟踪算法。在训练阶段,以超像素作为实例,根据位置将这些超像素分为具有明确标签的多个实例包,进而将跟踪转换为多实例学习问题。然后,在所提算法中实现了在线多实例学习,通过求实例包的似然函数最大化,从弱分类器池中选择K个最优的弱分类器组合为强分类器,在下一帧的检测阶段,利用学习的强分类器生成目标置信图。最后,采用粒子滤波方法从置信图中估计目标状态,在2.6 GHz主频的笔记本电脑上,所提算法的跟踪速率可达15 frame/s。在多个视频序列上的对比实验表明,该算法对复杂背景、目标高速运动、遮挡等具有更好的鲁棒性和精度,且跟踪精度和成功率的典型值分别达到了91%和90%,比原始超像素跟踪算法分别高出了21%和26%。     

一种基于颜色属性的通用目标检测方法北大核心CSCD

通用目标检测是视频分析技术中目标定位、检测和跟踪的关键技术.针对数字图像分析中的通用目标检测问题,提出了一种基于颜色属性的通用目标检测算法,用以提取图像中有可能包含目标的子区域并以外接矩形的形式输出.该算法首先利用输入图像的颜色属性对其进行区域分割并计算划分后的区域相似度,接着根据相邻区域间的相似度进行区域合并,最后结合选择性搜索策略,实现了通用目标的检测.实验表明此算法检测出的候选框的精度可以满足通用目标检测的要求.     

基于AdaBoost的检测与跟踪技术在电子警察中的应用

提出了基于AdaBoost的检测与跟踪技术,实现了在电子警察系统中的应用。首先训练若干车辆模板样本,组成级联分类器。然后以一定的尺寸沿不同方向遍历待检测的区域,将每次选中的区域通过级联分类器进行刷选,通过所有分类器的区域即为检测到的目标车辆。根据车辆的位置等信息设置SN号,从而实现车辆的跟踪。最后根据交通规则和红灯信号进行交通违章车辆的抓拍。     

交通监控视频中的车辆异常行为检测

构建了利用交通监控视频对车辆异常行为进行检测的系统框架.使用改进Surendra背景差分与三帧差分相结合的算法进行车辆目标检测,结合CamShift算法与Kalman滤波器进行车辆目标跟踪,提取车辆质心绘制运动轨迹,针对车辆运动方向判别、违章变道、调头等行为提出了检测方法.实验结果表明,提出的交通监控视频中的车辆异常行为检测系统具有较高的实时性与准确性,部署简易快速,维护成本低廉,可以满足当今智能交通系统日益增长的需求.     

基于Mean-Shift算子的多尺度视频跟踪算法研究

为了提高靶场光测设备视频跟踪算法的稳定性、准确性以及抗干扰性,开发了基于Mean-Shift算子的多尺度视频跟踪算法,对该算法所采用的小波变换、小波包及Mean-Shift目标跟踪算法进行了研究。阐述了整个跟踪算法的原理及多分辨率图像选择依据;介绍了小波变换和小波包原理,说明了利用小波包将视频图像分解为多分辨率图像的方法;介绍了Mean-Shift算子的原理以及对目标特征进行归一化表示;最后说明了利用Mean-Shift算子对归一化目标的搜索区域进行预测的算法。实验结果表明,本算法跟踪过程平稳、准确,且抗干扰能力强,收敛速度快。试验数据表明,经过小波变换的Mean-Shift算法的收敛速度提高约66%,搜索准确性提高约34%。基本满足了靶场测量中对视频跟踪算法更高的要求。     

基于超像素和DTCWT的火焰检测

结合超像素和双树复小波变换(DTCWT)给出了一种基于图像的火焰检测算法。该算法使用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,并采用RGB-HSV混合颜色空间对超像素进行处理,分割出疑似火焰区域;然后利用DTCWT对疑似火焰区域图像进行多尺度多方向分解,分别对高低频系数提取HOG特征和圆形度特征;最后通过特征融合,并使用交叉网络搜查法的SVM实现火焰的识别。大量实验结果表明该算法火焰识别的精度较高。     

基于改进分水岭算法的多目标车辆的跟踪研究

近年来,由于车辆数量的激增,道路事故也频频发生,这就要对事故易发路段进行监控,并对车辆进行跟踪。针对目标的跟踪,提出了利用改进的分水岭方法与数据关联方法相结合实现多目标车辆准确跟踪,在检测车辆时利用分水岭算法可以有效地进行图像分割并准确的检测出运行车辆;跟踪时利用运动目标轮廓采用链表法记录多运动目标之间的数据关联,并跟据质心特征进行跟踪。实验表明该方法能有效地对目标进行了检测并提高了跟踪的准确率。     

基于公众移动通信网的V2X运营需求

简要介绍了两种V2X技术路线,以典型的V2X应用场景为例,提出了V2X应用部署初期应仅提供车辆主动安全提醒服务的观点。从公众移动通信网提供V2X应用的角度,提出了V2X运营中所需的功能需求,包括：身份鉴权、通信功能、通信兼容性、与交通系统对接、运行维护等功能,并提出了身份证书发放、运行维护测量消息的具体设想。     

互联网汽车发展及关键技术分析

主要介绍了互联网汽车与智能汽车的定义及区别,并对国内外互联网汽车的发展现状进行了简要介绍,然后对互联网汽车发展过程中牵涉的问题及关键技术进行了分析,最后结合国内现状,对未来互联网汽车的发展提出展望。     

新冠肺炎疫情防控期异地车辆行车智能监控系统设计

在2020年年初爆发的新冠疫情背景下,文章设计了异地车辆行车智能监控系统,主要由目标检测模块、车牌识别模块和目标跟踪模块组成,能够根据行车车牌动态识别和判断车辆归属地,并对外来车辆行车路线和轨迹进行自动跟踪、监视和记录,进而及时反馈车辆和人员流动的详细情况,为疫情防控提供技术支持。     

基于相位信息与边缘投影的车体定位新算法

提出一种基于相位信息与边缘投影的车体定位新算法,先将RGB颜色模型与HSV颜色模型相结合,利用相位一致性检测出汽车图像中的车体边缘,再通过投影处理得到候选车体区域,然后对候选区域进行判别,最终得到车体的精确位置.实验结果表明,该算法鲁棒性强,受图像亮度、对比度和阴影的影响小,而且适用于包含多部车辆的图像,定位准确率高于其他常用算法.     

一种基于竞赛的两轮自平衡小车的设计

介绍一种两轮自平衡智能小车控制系统的实现方案。该系统以MC9S12XS128单片机作为主控芯片,采用一组激光传感器进行路径检测,使用ENC-03MA陀螺仪与MMA7361加速度计进行小车直立自平衡检测,利用BTS7960芯片进行电机驱动,使用增量式编码器进行速度检测,借助滑动电阻器和液晶屏对参数进行调整与观测。在软件方面,结合PWM技术和PID控制技术对小车的两个直流电机的转速进行控制,可以实现两轮小车的动态自平衡快速寻迹运行。实践表明该设计达到了理想效果。     

车载自组织网络中连通概率的预测与建模

近年来,随着车载通信技术的快速发展,作为物联网应用之一的车联网基础应用越来越引起人们的关注.连通概率是车辆通信的基本要素之一.提出了一个基于公路模型的连通概率预测算法,并对高速公路上车辆的联合分布进行了研究,定量地分析出了段的连通概率上下界的计算式,用Rstudio推导出了段连通概率和每个元胞平均车辆数目的关系图,最后根据路径的连通概率,计算路径包含的所有段的连通概率的乘积,得出路径的连通概率计算模型.分析结果表明,可以通过增大通信距离或者车辆密度的方法来提高整个路径的连通概率.     

GPS／GPRS车载监控终端的设计与实现

随着智能交通系统得到广泛重视,对车辆精确监控与调度的需求也越来越迫切。介绍了GPS/GPRS车辆监控系统的总体结构和车载终端的主要功能,利用高性能的ATMEGA64(L)单片机和SIM508通信模块为核心,设计并实现了一款功能强大的监控系统车载终端。经多次测试,系统性能稳定,效果良好。     

基于CNN的车辆目标检测与车型分类研究

车辆检测与分类是智能交通系统的重要任务。解决这些任务的传统方法由于受到车辆图像视角受限的影响从而导致粗粒度的识别结果。近年来深度学习成功应用于图像分类任务,并受其最新成果的启发,本文提出了一种基于卷积神经网络的车辆检测与分类方法,该方法包括车辆区域检测和车型分类两部分。在检测和分类实验中,我们详细对比分析几种典型的网络模型,如R-CNN,Faster R-CNN,AlexNet,VggNet,Googlenet和Resnet。本文提出的算法能够准确,实时地识别车辆类型,品牌等信息。利用构建的原始数据集,该算法在7种车型分类的平均准确率约为89%。     

基于改进HOG特征值的车标检测与识别方法

车标自动识别是智能交通系统中机动车辆信息采集的关键内容。根据车标具有丰富边缘信息的特征,文章应用HOG(梯度方向直方图)的特征值,采用SVM(支持向量机)的分类工具实现了车标的快速检测与识别。并提出一种改进的HOG特征值,在车标检测识别准确率上取得了显著的效果。大量实验数据以及在智能交通系统中的应用表明,该方法具有较强的鲁棒性和实用价值。     

蓝牙智能车载卡的软件实现

介绍一个具有蓝牙通信功能的小型嵌入式系统--蓝牙智能车载卡的软件实现方案.描述了蓝牙智能车载卡在车辆信息化管理系统中的应用,介绍了蓝牙智能车载卡的系统设计方案,重点是软件设计和实现,分析了软件开发中遇到的一些问题及其解决方法,最后给出了实测结果,指出存在的不足之处和改进目标.