基于机器视觉的高速公路车辆测速研究
|
摘要
国家物联网战略的提出给智能交通行业的发展带来了契机。随着传感器技术、网络技术、计算机技术、图像处理技术和机器视觉技术的发展,使现代智能交通系统能够代替人眼实现对交通场景的监管。本文主要研究利用机器视觉技术对高速公路场景图像进行分析和处理,从而实现对运动车辆进行测速(以下简称视觉测速),为智能交通系统(ITS)提供必要的交通监管数据。
视觉测速的核心是如何从实时监控图像中准确、快速地提取出指定时间段内车辆实际位移信息。由于同一场景内可能包含多辆运动车辆,因而视觉测速的关键问题转化为如何对运动目标(车辆)进行检测、锁定跟踪、并基于图像定位计算出指定时间段内车辆的实际位移。针对以上问题,本论文的主要工作和取得的成果如下:
(一)建立了运动目标的精确检测算法。分析比较了三种常用的运动检测方法,并将基于背景差的目标检测方法作为本文的目标检测方法;应用高斯混合模型对背景进行自适应重建和更新,并提出了合理的改进;开发了基于过渡区提取的目标检测改进算法,能够更准确地获得运动目标的区域;针对高速公路经常出现的雾天情况,开发了适用于高速公路的图像自动去雾算法;
(二)改进了适合于高速公路场景的目标跟踪算法。在目标跟踪步骤中针对目标尺度和运动方向的变化分别提出了带宽向下调节策略和目标向前搜索策略,使目标跟踪算法能够对高速公路特定场景的运动目标实现快速自适应跟踪。
(三)实现和改进了图像定位算法。研究并实现了基于标定的图像定位方法,同时提出了基于测量的几何定位方法和完全几何定位方法,并提出了一种可行的硬件安装方案,丰富了图像定位理论,使得图像定位方法更全面适应性更强。
(四)通过模拟实验和现场实验,对本文提出的目标检测、目标跟踪和图像定位算法进行了验证。根据目标检测与跟踪的结果获得运动目标每一时刻的空间位置,得到目标在监控时段内的运动轨迹,结合图像定位计算得到车辆在公路场景中真实的运动距离,通过帧计时法获得车辆的运动时间,从而计算出车辆在相应时间内的速度。
最后提出了一种可行的基于机器视觉的高速公路车辆测速系统设计方案。实验结果表明,本文提出的目标检测方法能够有效提高检测准确度13.9%,测速平均误差控制在2%以内,证明基于机器视觉的高速公路车辆测速理论是可行的,是能够满足实际测速系统要求的。
The raise of the Internet of things (IOT) brings the intelligent traffic industry a brighter future prospect. The development of sensor technology, network technology, image processing and machine vision technology makes it possible for modern intelligent transportation systems to substitute human eye in the procedure of traffic monitoring. This paper studies the use of machine vision technology to monitor the scene on the highway, and the scene image analysis and processing speed of moving vehicles to extract the information technology, and attempted to provide the necessary traffic control data for the intelligent transportation systems (ITS).
The key point of visually vehicle speed measurement lies in the way of abstracting the practical displacement of vehicles during the specific time scale promptly and accurately. Since there could be numbers of moving vehicles in the same circumstances, the author simplify the problem of the vehicle speed measurement into a key question of the measuring of moving vehicles distance, which include three key steps: vehicle target detection, target tracking and image positioning. Towards this problem the author obtain the conclusion by several steps as follows.
(1) Established the accurate detection algorithm of the moving target. The authors compared three commonly used methods of motion detection and object detection based on background difference as a target detection method in this dissertation; application of Gaussian mixture model to adapt reconstruct and update the background and made a reasonable improvement. Taking the fog into account, this paper put forward an automatically Anti-Haze algorithm applicable to the high-way fog scene.
(2) The author improved the target tracking algorithm being used in highway scenes. In the steps of tracking the direction of movement for the target scale and bandwidth of proposed changes in regulation strategy and goals down forward search strategy had been proposed, which made the target tracking algorithm adaptive to track fast moving targets in the specific scene on the highway.
(3) Realized and improved the calibration orientated image localization method. Therefore proposed location method based on geometric measurements and full geometric positioning method. The author also proposed a hardware installation program with reliable feasibility which enriched the image positioning theory and the all-situation adaptability of the image localization.
(4) In this dissertation, through simulation and field test, the proposed target detection, target tracking and image positioning algorithm had been implemented. According to the results of target detection and tracking of moving targets the author obtained the spatial location of each moment and the target trajectory in the monitoring period, combined with image positioning algorithm can the author obtain the real distance that the vehicle went through in the road scene. Calculating the real time of moving away from the scene, obtained the frame timing of the speed of vehicles. Through the frame timing method the author obtained the vehicle’s moving time thus calculate the vehicle speed in the corresponding period. Finally a practical machine vision-based highway vehicle speed system design. Experimental results show that the proposed target detection method can effectively improve the detection accuracy by 13.9%, and the average error can be controlled within 2%, these results proved that machine vision-based highway vehicle velocity measurement theory is feasible, is able to meet the system requirements for the actual velocity measurement.
视觉测速的核心是如何从实时监控图像中准确、快速地提取出指定时间段内车辆实际位移信息。由于同一场景内可能包含多辆运动车辆,因而视觉测速的关键问题转化为如何对运动目标(车辆)进行检测、锁定跟踪、并基于图像定位计算出指定时间段内车辆的实际位移。针对以上问题,本论文的主要工作和取得的成果如下:
(一)建立了运动目标的精确检测算法。分析比较了三种常用的运动检测方法,并将基于背景差的目标检测方法作为本文的目标检测方法;应用高斯混合模型对背景进行自适应重建和更新,并提出了合理的改进;开发了基于过渡区提取的目标检测改进算法,能够更准确地获得运动目标的区域;针对高速公路经常出现的雾天情况,开发了适用于高速公路的图像自动去雾算法;
(二)改进了适合于高速公路场景的目标跟踪算法。在目标跟踪步骤中针对目标尺度和运动方向的变化分别提出了带宽向下调节策略和目标向前搜索策略,使目标跟踪算法能够对高速公路特定场景的运动目标实现快速自适应跟踪。
(三)实现和改进了图像定位算法。研究并实现了基于标定的图像定位方法,同时提出了基于测量的几何定位方法和完全几何定位方法,并提出了一种可行的硬件安装方案,丰富了图像定位理论,使得图像定位方法更全面适应性更强。
(四)通过模拟实验和现场实验,对本文提出的目标检测、目标跟踪和图像定位算法进行了验证。根据目标检测与跟踪的结果获得运动目标每一时刻的空间位置,得到目标在监控时段内的运动轨迹,结合图像定位计算得到车辆在公路场景中真实的运动距离,通过帧计时法获得车辆的运动时间,从而计算出车辆在相应时间内的速度。
最后提出了一种可行的基于机器视觉的高速公路车辆测速系统设计方案。实验结果表明,本文提出的目标检测方法能够有效提高检测准确度13.9%,测速平均误差控制在2%以内,证明基于机器视觉的高速公路车辆测速理论是可行的,是能够满足实际测速系统要求的。
The raise of the Internet of things (IOT) brings the intelligent traffic industry a brighter future prospect. The development of sensor technology, network technology, image processing and machine vision technology makes it possible for modern intelligent transportation systems to substitute human eye in the procedure of traffic monitoring. This paper studies the use of machine vision technology to monitor the scene on the highway, and the scene image analysis and processing speed of moving vehicles to extract the information technology, and attempted to provide the necessary traffic control data for the intelligent transportation systems (ITS).
The key point of visually vehicle speed measurement lies in the way of abstracting the practical displacement of vehicles during the specific time scale promptly and accurately. Since there could be numbers of moving vehicles in the same circumstances, the author simplify the problem of the vehicle speed measurement into a key question of the measuring of moving vehicles distance, which include three key steps: vehicle target detection, target tracking and image positioning. Towards this problem the author obtain the conclusion by several steps as follows.
(1) Established the accurate detection algorithm of the moving target. The authors compared three commonly used methods of motion detection and object detection based on background difference as a target detection method in this dissertation; application of Gaussian mixture model to adapt reconstruct and update the background and made a reasonable improvement. Taking the fog into account, this paper put forward an automatically Anti-Haze algorithm applicable to the high-way fog scene.
(2) The author improved the target tracking algorithm being used in highway scenes. In the steps of tracking the direction of movement for the target scale and bandwidth of proposed changes in regulation strategy and goals down forward search strategy had been proposed, which made the target tracking algorithm adaptive to track fast moving targets in the specific scene on the highway.
(3) Realized and improved the calibration orientated image localization method. Therefore proposed location method based on geometric measurements and full geometric positioning method. The author also proposed a hardware installation program with reliable feasibility which enriched the image positioning theory and the all-situation adaptability of the image localization.
(4) In this dissertation, through simulation and field test, the proposed target detection, target tracking and image positioning algorithm had been implemented. According to the results of target detection and tracking of moving targets the author obtained the spatial location of each moment and the target trajectory in the monitoring period, combined with image positioning algorithm can the author obtain the real distance that the vehicle went through in the road scene. Calculating the real time of moving away from the scene, obtained the frame timing of the speed of vehicles. Through the frame timing method the author obtained the vehicle’s moving time thus calculate the vehicle speed in the corresponding period. Finally a practical machine vision-based highway vehicle speed system design. Experimental results show that the proposed target detection method can effectively improve the detection accuracy by 13.9%, and the average error can be controlled within 2%, these results proved that machine vision-based highway vehicle velocity measurement theory is feasible, is able to meet the system requirements for the actual velocity measurement.
引文
[1]高富荣,方强.机动车地感线圈测速监测系统性能和检测方法研究[J].上海计量测试,2008,35(2).
[2]郝宪锋,刘广孚.机动车地感线圈测速仪校准系统的设计与实现[J].科学技术与工程,2009,9(13).
[3]蔡常青,孙桥等.机动车激光测速仪校准技术的研究[J].计量学报,2008,29(4).
[4]杜锡勇,张弘等.光遮挡式激光测速方法的研究[J].激光杂志,2009,30(4).
[5]李胜立.雷达测速在21世纪城市建设中的重要作用[J].数字技术与应用,2009,8.
[6]孙朝云,阳红,高怀刚.交通雷达测速仪误差分析与改进[J].仪器仪表学报,2003,24(4).
[7]杨春生,江东等.机动车远程视频雷达测速系统[J].微计算机信息,2009,25(18).
[8]安福东.机动车的几种测速方式原理及性能的分析比较[J].警察技术,2003,(3).
[9]江东,曾亚光.机动车视频测速系统及主要问题分析[J].中国测试技术,2007,33(5).
[10] 8H2童剑军.说说视频测速[J].9H2中国交通信息产业,0H32006,9.
[11]王海燕.视频违章超速监测系统技术分析[J].32H中国交通信息产业,33H2006,8.
[12]王大鹏.区间测速系统的框架结构与功能设计[D].中山大学,2008.
[13]王健.视频测速系统中的测距和摄像机标定研究[D].南昌大学,2008.
[14]邢霄飞,李永宁,林木华.一种基于纹理分析的视频车辆测速方法[J].计算机应用,2005,25(12).
[15]童剑军,邹明福.基于监控视频图像的车辆测速[J].中国图象图形学报,2005,10(2).
[16]鲜海滢,李晓峰,李在铭.基于摄像机的车辆测速仪[J].电子测量与仪器学报,2008,22(3).
[17]林雨,方守恩.基于视频技术的地点车速测定新方法[J].中国安全科学学报,2007,17(2).
[18]高浩军,杜宇人.基于视频序列图像的车辆测速研究[J].电子测量技术,2007,30(2).
[19]孙玲玲,靖固,张科.视频测速技术的研究与仿真[J].科技信息,2009,1.
[20]刘亚,艾海舟,徐光佑.一种基于背景模型的运动目标检测与跟踪算法[J].信息与控制,2002,31(4).
[21]谭晓军,沈伟,郭志豪.一种基于视频的道路交通流量监测方法[J].计算机应用,2005,25(5).
[22]姜永林,孙国栋.交通车辆视频测速技术[J].仪表技术与传感器,2007,9.
[23]王健,王命延等.一种基于行车区域改进的高速公路车辆检测法[J].计算机与现代化,2008,10.
[24]江东,曾亚光.机动车视频测速系统及主要问题分析[J].中国测试技术,2007,33(5).
[25]何骥,虞海龙.基于高速公路联网收费系统的区间测速系统[J].智能交通系统与技术.
[26]刘大海,卢朝阳.视频技术在智能交通系统中的应用[J].计算机工程,2003,29(17).
[27]胡兴林.一种运动目标的高精度测量算法[D].武汉科技大学,2005.
[28]张天序.成像自动目标识别.湖北科学技术出版社[M].2003
[29]张森悦,李一波.复杂条件下的运动目标检测方法研究综述[J].沈阳航空工业学院学报,2008,25(3):59-63.
[30]裴继红,卢宗庆,谢维信.基于图像梯度场序列的双向GDIM光流计算方法[J].电子学报,2007,(7):1301-1305.
[31]刘光宇,刘国栋.基于混合高斯模型的运动目标检测方法[J].计算机工程与应用, 2009,45(24):180-182.
[32]孙吉花.背景减除的算法研究[D].国防科学技术大学,2006.
[33]单勇.复杂条件下视频运动目标检测和跟踪[D].国防科学技术大学,2006.
[34]陈焕钟.基于混合高斯模型的视频运动目标检测算法研究[D].华南师范大学,2008.
[35]曹洁,白艳红.基于Kalman滤波和阴影消除的运动目标检测[J].兰州理工大学学报,2009,35(4):5.
[36]强振平,陈旭,刘鑫.基于颜色和纹理特征背景模型的多层差分运动目标检测算法[J].计算机应用,2009,29(1):227-230.
[37]代科学,李国辉,涂丹.监控视频运动目标检测减背景技术的研究现状和展望[J].中国图象图形学报,2006,11(7):919-925.
[38]涂铮铮.视频分割和运动目标提取方法研究[D].安徽大学,2007.
[39]师改梅,周建雄,张笑微.一种改进的运动目标检测算法[J].西南科技大学学报,2009,24(1):68-73.
[40] Srinivasa G. Narasimhan and Shree K. Nayar.Chromatic Framework for Vision in Bad Weather. IEEE Conference on 34HComputer Vision and PatternRecognition, 2000, Page(s): 598 - 605 vol.1.
[41] Yishu Zhai, Yong Zhang.Contrast Restoration for Fog-Degraded Images[C]. International Conference on Computational Intelligence and Security, 2009,Page(s):619-623.
[42] Yang Wei, Xiao Zhitao, Wang Qingjie, Liu Xuan.A method for improving the definition of scene in fog image[C]. International Conference on Computational Intelligence and Software Engineering,2009,Page(s):1-4.
[43]芮义斌,李鹏,孙锦涛,谢仁宏.一种交互式图像去雾方法[J].计算机应用.2006年11月,第26卷第11期,2733-2735.
[44]王欣威,李颖,董慧颖,陈海波.基于大气模型的天气退化图像复原方法及应用[J].沈阳理工大学学报.2005年3月,第24卷第1期:32-35.
[45]葛君伟,谢祥华,方义秋.雾天图像清晰化方法及应用[J].重庆邮电大学学报(自然科学版).2010年4月,第22卷第2期:223-226.
[46]祝培,朱虹,钱学明,李晗.一种有雾天气图像景物影像的清晰化方法[J].中国图象图形学报.2004年1月,第9卷第1期:124-128.
[47] S.G. Narasimhan and S.K. Nayar. Vision and the atmosphere[C].IJCV, August 2002,48(3):233-254.
[48]葛君伟,谢祥华,方义秋.雾天图像清晰化方法及应用[J].重庆邮电大学学报(自然科学版).2010年4月,第22卷第2期:223-226.
[49]陈从平,秦武,王建.基于清晰度评价的图像运动模糊方向鉴别[J].三峡大学学报(自然科学版).2010年4月,第32卷,第2期:89-91.
[50]曙光,洪炳镕,梁冰.一种对光照变化鲁棒性的彩色目标检测方法[J].电子学报,2003,(12A):2210-2212.
[51]高俊祥,杜海清,刘勇.采用光照不变特征的椭球法运动阴影检测[J].北京邮电大学学报,2009,32(5):109-112.
[52]彭可,唐宜清.室内照明条件对于运动目标检测算法影响的分析[J].照明工程学报,2007,18(3):12-15.
[53]单勇,王润生.适应灰度和光照变化的运动目标跟踪方法[J].计算机辅助设计与图形学学报,2006,18(2):283-288.
[54]裴立志,王润生.基于主成分分析的运动阴影检测算法[J].计算机应用,2009,29(10):2687-2689.
[55]都广涛,胡步发.基于DDGVFSnake和Gamma方法处理人脸光照不均[J].计算机用,2007,27(4):925-928.
[56]叶丽燕,赵建民,朱信忠.基于梯度特征的阴影检测方法[J].计算机技术与发展,2009,19(10):70-76.
[57]李忠武,高广珠,余理富.图像序列目标检测中阴影的消除[J].计算机应用研究,2004,(5):205-206.
[58]陈铁民,李勇敢.一种阴影图像边缘检测的新方法[J].计算机技术,2006,(9):33-35.
[59] Zhang Y J, Gerbrands J J. Transition Region Determination Based Thresholding [J]. Pattern Recognition Letters (ISSN: 0167-8655), 1991, 12 (1):13-23.
[60]闫成新,桑农,张天序,曾坤.基于局部复杂度的图像过渡区提取与分割[J].红外与毫米波学报,2005,24(4):312-316.
[61]闫成新.基于局部复杂度的遥感图像分割[J].武汉理工大学学报,2009,31(18):160-163.
[62]韩涛,闫成新.一种基于局部复杂度的水下图像增强方法[J].现代制造工程,2009, (12):101-104.
[63]袁胜智,李洪周,杨利斌.基于过渡区的红外目标图像分割与压缩研究[J].35H激光与红外,2009,39(3):327-329.
[64]李洪周,袁胜智,陈榕,高义侠.复杂背景的红外图像过渡区提取与分割[J].36H激光与红外,2009,39(2):217-219.
[65]代凯乾.单目图像序列的目标跟踪算法研究[D].国防科学技术大学,2006.
[66]刘涛.基于机器视觉的车辆跟踪方法研究[D].东南大学,2007.
[67]张伟.基于视觉的运动车辆检测与跟踪[D].上海交通大学,2007.
[68]张良春.基于视频的高速公路事件检测[D].中南大学,2008.
[69]唐凤山.基于子空间的视觉跟踪算法研究与应用[D].上海交通大学,2009.
[70]张继平,刘直芳.视频中运动目标的实时检测和跟踪[J].计算机测量与控制, 2004,12(11):1036-1039.
[71]刘亚,艾海舟,徐光佑.一种基于背景模型的运动目标检测与跟踪算法[J].信息与控制,2002,31(4):316-319.
[72]王鲲鹏,杨夏,张恒.用梯度LOG算子实现小目标实时跟踪[J].光电工程,2009,36(9):23-28.
[73]耿蕊.运动目标的检测和跟踪算法研究[D].中山大学,2009.
[74]张俨娜.运动目标检测与跟踪相关算法研究[D].河南大学,2009.
[75]邵晓倩.运动目标实时检测和跟踪技术应用研究与实现[D].南京理工大学,2009.
[76]查宇飞,毕笃彦.一种基于粒子滤波的自适应运动目标跟踪方法[J].电子与信息学报,2007,29(1):92-95.
[77]唐润鸿,唐建,弓志峰,Runhong Tang,Jian Tang,Zhifeng Gong.嵌入Kalman滤波的Camshift人体跟踪研究[J].电子技术,2010,37(11).
[78]黎立宏.CAMShift算法优化与带分类功能的人脸跟踪方法[D].中山大学,2009.
[79]宁纪锋,姜光,吴成柯.CAMSHIFT与基于核的目标跟踪算法的比较与分析[J].计算机工程与应用,2009,45(28):177-179.
[80]沈娟,杜宇人,高浩军.复杂背景下运动目标跟踪技术[J].电子工程师,2007,33(5):49-51.
[81]张宏志,张金换,岳卉.基于CamShift的目标跟踪算法[J].计算机工程与设计,2007,(11):2012-2014.
[82]郭世龙.基于Camshift算法的移动机器人视觉跟踪[D].武汉理工大学,2008.
[83]陈彬.基于CamShift算法的足球机器人目标跟踪算法研究[D].合肥工业大学,2008.
[84]杨振兴.基于DM642的camshift目标跟踪算法研究[D].南京理工大学,2010.
[85]赵春晖,包玉刚,姚冰,基于Kim与Camshift结合的运动目标跟踪算法[J].黑龙江大学自然科学学报,2010,27(1):126-130.
[86]徐琨,贺昱曜,王卫亚.基于CamShift的自适应颜色空间目标跟踪算法[J].计算机应用,2009,29(3):757-760.
[87]顾凤嫱.基于Mean Shift的视频跟踪算法研究[D].西安电子科技大学,2009.
[88]连洁,韩传久.基于边缘检测和改进Mean Shift算法的红外目标自动跟踪方法[J].电子技术应用,2007,(8):76-79.
[89]左军毅,梁彦,潘泉.基于多个颜色分布模型的Camshift跟踪算法[J].自动化学报,2008,34(7):736-739.
[90]刘曼华,朱秀丽.基于改进CAMShift的多目标自动跟踪[J].河南大学学报(自然科学版),2010,40(5):225-528.
[91]刘涛.基于机器视觉的车辆跟踪方法研究[D].东南大学,2007.
[92]朱铮涛,曾江翔,王志萍.基于卡尔曼滤波的背景估计及其算法实现[J].软件天地,2007,10(1):291-293.
[93]刘冬冬.基于双目视觉和CamShift算法的目标检测与跟踪][D].山东大学,2006.
[94]赵青.基于纹理信息的CamShift跟踪算法研究[D].南开大学,2009.
[95]钱永青,谢勤岚.结合Camshift和Kalman预测的运动目标跟踪[J].计算机工程与科学,2010,32(8):81-83.
[96]李洪海.一种改进的CAMShift目标跟踪算法[J].现代电子技术,2010,(16):106-108.
[97]陈莹,韩崇昭.基于扩展卡尔曼滤波的车道融合跟踪[J].公路交通科技,2004,21(12):50-53.
[98]郭丽丽.交通事故现场相机标定及测距技术研究[D].山东师范大学,2009.
[99]胡华科,郑春燕.数码相机标定方法的优化研究[J].五邑大学学报(自然科学版),2004,18(2):4.
[100]胡楠,鲁光泉,荔涛,李一兵.基于分步标定法的交通事故现场摄影测量精度实验分析[J].汽车工程,2008,30(7):5.
[101]黄涛,王继军,周苏婷,刘潘梅,孙容海.基于标定物的相机标定及三维重建[J].电脑知识与技术,2008,2(11):4.
[102]贾静,姜光,吴成柯.圆球标定中相机外参数的几何解释和应用[J].模式识别与人工智能,2010,23(2).
[103]姜大志,孙闵,刘淼,姜梅,丁秋林.数码相机标定方法研究[J].南京航空航天大学学报,2001,33(1):5.
[104]李益民,刘岩俊,何昕,魏仲慧.高精度CCD拼接相机标定方法研究[J].半导体光电,2008,29(5):4.
[105]刘涛,陈国柱,李元宗. I.亚像素角点定位提高相机标定精度[J].机械工程与自动化,2007(4):3.
[106]刘旭宏,谭瑛,马骏.一种改进的相机标定方法[J].计算机工程与应用,2008,44(29):4.
[107]唐大江,熊汉伟,张湘伟.一种快速的相机标定方法[J].汕头大学学报(自然科学版),2001,16(2):4.
[108]王靖韬,侯振杰.传统相机标定方式的自动标定方法[J].计算机工程与应用,2010,46(35).
[109]王力超,熊超,王晨毅,陆起涌.基于双摄像头的计算机立体视觉开发平台[J].实验室研究与探索,2007,26(3):3.
[110]王立中,薛河儒,王靖韬.一种改进的相机标定方法[J].内蒙古大学学报(自然科学版),2010,41(2):6.
[111]王涛,吕乃光,杨剑.基于一维标定物的高精度标定[J].北京信息科技大学学报(自然科学版),2010,25(1):5.
[112]王玉宝,付丽琴.基于相机标定的交汇测量系统精度分析[J].国外电子测量技术,2009,28(5):4.
[113]吴婷,徐科军.摄像机畸变模型下线性标定方法的改进[J].仪器仪表学报,2005,26(8):3.
[114]夏仁波,刘伟军,赵吉宾,徐金亭.基于圆形标志点的全自动相机标定方法[J].仪器仪表学报,2009,30(2):6.
[115]鲜海滢,李晓峰,李在铭.基于摄像机的车辆测速仪[J].电子测量与仪器学报,2008,22(3):6.
[116]肖相国,王忠厚,孙传东,白加光.基于光场摄像技术的对焦测距方法的研[J]究.光子学报,2008,37(12):5.
[117]谢文寒,张祖勋,张剑清.基于灭点标定相机的理论与实践[C].长春:2004.
[118]杨冬,王哲斌,刘永刚,彭晓世,蒋小华,朱托,李志超,张小丁,王丽伟,李三伟,刘慎业,丁永坤.基于非线性最小二乘法的条纹相机标定数据处理方法[J].强激光与粒子束,2009,21(5):5.
[119]杨化超,张书毕,刘超.基于灭点理论和平面控制场的相机标定方法研究[J].中国图象图形学报A,2010,15(8).
[120]杨秀丽,窦燕,孔令富.一种无相机标定的极线校正新方法[J].计算机工程,2008,34(20):3.
[121] G,Yan DOU,Ling-fu KONG.一种无相机标定的极线校正新方法[J].计算机工程,2008,34(20):3.
[122]曾吉勇,苏显渝.一种无相机标定的立体图像对校正新方法[J].光学学报,2004,24(5):5.
[123]张金玲,孙汉旭,贾庆轩,刘亚辉.基于相机标定的图像拼接算法[J].中北大学学报,2008,29(6):5.
[124]张灵飞,陈刚,叶东,车仁生.基于一维标定物和改进进化策略的相机标定[J].光学学报,2009,29(11).
[125]徐刚锋,李飚,沈振康.基于双目视觉模型的运动参数测量[J].红外与激光工程,2003,32(2):199-202.
[126]王荣本,李斌,储江伟,纪寿文.公路上基于车载单目机器视觉的前方车距测量方法的研究[J].公路交通科技,2001,(12):95-98.
[127]刘茜.基于MATLAB的单目视觉车辆测距技术研究[D].长安大学,2008.
[128]田炳香.基于单目视觉的车道识别与车辆识别技术研究[D].北京工业大学,2008.
[129]王展青,陈顺云.基于单目视觉的车距测量方法综述[J].科技资讯,2010,(27):33-36.
[130]周欣,黄席,樾黎昱.基于单目视觉的高速公路车道保持与距离测量[J].中国图象图形学报,2003,8(5):590-595.
[131]郭磊,徐友春,李克强.基于单目视觉的实时测距方法研究[J].中国蚓象图形学报,2006,11(1):74-79.
[132]周俊杰.基于单目视觉的夜间车辆和车距检测[D].南京理工大学,2007.
[133]刘威,魏存伟,赵逢.基于单目视觉的自车运动参数鲁棒估计[J].机器人,2009,31(1):20-24.
[134]严天峰,陈俊凯.基于改进的圆Hough变换在图像测距中的实现[J].信息技术,2009,(4):52-54.
[135]武毅,李仰军,刘建勋.基于机器视觉的安全车距测量技术研究[J].机械工程与自动化,2010,(3):67-69.
[136]王青.基于机器视觉的车辆距离测量技术[D].南京理工大学,2008.
[137]杨志,杜晓丽.基于视觉信息的高速公路运行车速预测模型[J].同济大学学报(自然科学版),2007,35(7):929-934.
[138]沈志熙,黄席樾.基于数据回归建模的单日视觉测距算法[J].计算机工程与应用,207,43(24):15-18.
[139]龙丹,许勇.基于数字图像处理的汽车测距算法研究[J].信息技术,2008,(01):36-38.
[140]阎莹,朱彤,曹林涛.面向交通安全的车辆间距测试技术研究[J].交通与计算机,2007,25(3):106-109.
[141]刘文学,方漪.智能车辆测距技术[J].科技信息,2006,(4):11-12.
[2]郝宪锋,刘广孚.机动车地感线圈测速仪校准系统的设计与实现[J].科学技术与工程,2009,9(13).
[3]蔡常青,孙桥等.机动车激光测速仪校准技术的研究[J].计量学报,2008,29(4).
[4]杜锡勇,张弘等.光遮挡式激光测速方法的研究[J].激光杂志,2009,30(4).
[5]李胜立.雷达测速在21世纪城市建设中的重要作用[J].数字技术与应用,2009,8.
[6]孙朝云,阳红,高怀刚.交通雷达测速仪误差分析与改进[J].仪器仪表学报,2003,24(4).
[7]杨春生,江东等.机动车远程视频雷达测速系统[J].微计算机信息,2009,25(18).
[8]安福东.机动车的几种测速方式原理及性能的分析比较[J].警察技术,2003,(3).
[9]江东,曾亚光.机动车视频测速系统及主要问题分析[J].中国测试技术,2007,33(5).
[10] 8H2童剑军.说说视频测速[J].9H2中国交通信息产业,0H32006,9.
[11]王海燕.视频违章超速监测系统技术分析[J].32H中国交通信息产业,33H2006,8.
[12]王大鹏.区间测速系统的框架结构与功能设计[D].中山大学,2008.
[13]王健.视频测速系统中的测距和摄像机标定研究[D].南昌大学,2008.
[14]邢霄飞,李永宁,林木华.一种基于纹理分析的视频车辆测速方法[J].计算机应用,2005,25(12).
[15]童剑军,邹明福.基于监控视频图像的车辆测速[J].中国图象图形学报,2005,10(2).
[16]鲜海滢,李晓峰,李在铭.基于摄像机的车辆测速仪[J].电子测量与仪器学报,2008,22(3).
[17]林雨,方守恩.基于视频技术的地点车速测定新方法[J].中国安全科学学报,2007,17(2).
[18]高浩军,杜宇人.基于视频序列图像的车辆测速研究[J].电子测量技术,2007,30(2).
[19]孙玲玲,靖固,张科.视频测速技术的研究与仿真[J].科技信息,2009,1.
[20]刘亚,艾海舟,徐光佑.一种基于背景模型的运动目标检测与跟踪算法[J].信息与控制,2002,31(4).
[21]谭晓军,沈伟,郭志豪.一种基于视频的道路交通流量监测方法[J].计算机应用,2005,25(5).
[22]姜永林,孙国栋.交通车辆视频测速技术[J].仪表技术与传感器,2007,9.
[23]王健,王命延等.一种基于行车区域改进的高速公路车辆检测法[J].计算机与现代化,2008,10.
[24]江东,曾亚光.机动车视频测速系统及主要问题分析[J].中国测试技术,2007,33(5).
[25]何骥,虞海龙.基于高速公路联网收费系统的区间测速系统[J].智能交通系统与技术.
[26]刘大海,卢朝阳.视频技术在智能交通系统中的应用[J].计算机工程,2003,29(17).
[27]胡兴林.一种运动目标的高精度测量算法[D].武汉科技大学,2005.
[28]张天序.成像自动目标识别.湖北科学技术出版社[M].2003
[29]张森悦,李一波.复杂条件下的运动目标检测方法研究综述[J].沈阳航空工业学院学报,2008,25(3):59-63.
[30]裴继红,卢宗庆,谢维信.基于图像梯度场序列的双向GDIM光流计算方法[J].电子学报,2007,(7):1301-1305.
[31]刘光宇,刘国栋.基于混合高斯模型的运动目标检测方法[J].计算机工程与应用, 2009,45(24):180-182.
[32]孙吉花.背景减除的算法研究[D].国防科学技术大学,2006.
[33]单勇.复杂条件下视频运动目标检测和跟踪[D].国防科学技术大学,2006.
[34]陈焕钟.基于混合高斯模型的视频运动目标检测算法研究[D].华南师范大学,2008.
[35]曹洁,白艳红.基于Kalman滤波和阴影消除的运动目标检测[J].兰州理工大学学报,2009,35(4):5.
[36]强振平,陈旭,刘鑫.基于颜色和纹理特征背景模型的多层差分运动目标检测算法[J].计算机应用,2009,29(1):227-230.
[37]代科学,李国辉,涂丹.监控视频运动目标检测减背景技术的研究现状和展望[J].中国图象图形学报,2006,11(7):919-925.
[38]涂铮铮.视频分割和运动目标提取方法研究[D].安徽大学,2007.
[39]师改梅,周建雄,张笑微.一种改进的运动目标检测算法[J].西南科技大学学报,2009,24(1):68-73.
[40] Srinivasa G. Narasimhan and Shree K. Nayar.Chromatic Framework for Vision in Bad Weather. IEEE Conference on 34HComputer Vision and PatternRecognition, 2000, Page(s): 598 - 605 vol.1.
[41] Yishu Zhai, Yong Zhang.Contrast Restoration for Fog-Degraded Images[C]. International Conference on Computational Intelligence and Security, 2009,Page(s):619-623.
[42] Yang Wei, Xiao Zhitao, Wang Qingjie, Liu Xuan.A method for improving the definition of scene in fog image[C]. International Conference on Computational Intelligence and Software Engineering,2009,Page(s):1-4.
[43]芮义斌,李鹏,孙锦涛,谢仁宏.一种交互式图像去雾方法[J].计算机应用.2006年11月,第26卷第11期,2733-2735.
[44]王欣威,李颖,董慧颖,陈海波.基于大气模型的天气退化图像复原方法及应用[J].沈阳理工大学学报.2005年3月,第24卷第1期:32-35.
[45]葛君伟,谢祥华,方义秋.雾天图像清晰化方法及应用[J].重庆邮电大学学报(自然科学版).2010年4月,第22卷第2期:223-226.
[46]祝培,朱虹,钱学明,李晗.一种有雾天气图像景物影像的清晰化方法[J].中国图象图形学报.2004年1月,第9卷第1期:124-128.
[47] S.G. Narasimhan and S.K. Nayar. Vision and the atmosphere[C].IJCV, August 2002,48(3):233-254.
[48]葛君伟,谢祥华,方义秋.雾天图像清晰化方法及应用[J].重庆邮电大学学报(自然科学版).2010年4月,第22卷第2期:223-226.
[49]陈从平,秦武,王建.基于清晰度评价的图像运动模糊方向鉴别[J].三峡大学学报(自然科学版).2010年4月,第32卷,第2期:89-91.
[50]曙光,洪炳镕,梁冰.一种对光照变化鲁棒性的彩色目标检测方法[J].电子学报,2003,(12A):2210-2212.
[51]高俊祥,杜海清,刘勇.采用光照不变特征的椭球法运动阴影检测[J].北京邮电大学学报,2009,32(5):109-112.
[52]彭可,唐宜清.室内照明条件对于运动目标检测算法影响的分析[J].照明工程学报,2007,18(3):12-15.
[53]单勇,王润生.适应灰度和光照变化的运动目标跟踪方法[J].计算机辅助设计与图形学学报,2006,18(2):283-288.
[54]裴立志,王润生.基于主成分分析的运动阴影检测算法[J].计算机应用,2009,29(10):2687-2689.
[55]都广涛,胡步发.基于DDGVFSnake和Gamma方法处理人脸光照不均[J].计算机用,2007,27(4):925-928.
[56]叶丽燕,赵建民,朱信忠.基于梯度特征的阴影检测方法[J].计算机技术与发展,2009,19(10):70-76.
[57]李忠武,高广珠,余理富.图像序列目标检测中阴影的消除[J].计算机应用研究,2004,(5):205-206.
[58]陈铁民,李勇敢.一种阴影图像边缘检测的新方法[J].计算机技术,2006,(9):33-35.
[59] Zhang Y J, Gerbrands J J. Transition Region Determination Based Thresholding [J]. Pattern Recognition Letters (ISSN: 0167-8655), 1991, 12 (1):13-23.
[60]闫成新,桑农,张天序,曾坤.基于局部复杂度的图像过渡区提取与分割[J].红外与毫米波学报,2005,24(4):312-316.
[61]闫成新.基于局部复杂度的遥感图像分割[J].武汉理工大学学报,2009,31(18):160-163.
[62]韩涛,闫成新.一种基于局部复杂度的水下图像增强方法[J].现代制造工程,2009, (12):101-104.
[63]袁胜智,李洪周,杨利斌.基于过渡区的红外目标图像分割与压缩研究[J].35H激光与红外,2009,39(3):327-329.
[64]李洪周,袁胜智,陈榕,高义侠.复杂背景的红外图像过渡区提取与分割[J].36H激光与红外,2009,39(2):217-219.
[65]代凯乾.单目图像序列的目标跟踪算法研究[D].国防科学技术大学,2006.
[66]刘涛.基于机器视觉的车辆跟踪方法研究[D].东南大学,2007.
[67]张伟.基于视觉的运动车辆检测与跟踪[D].上海交通大学,2007.
[68]张良春.基于视频的高速公路事件检测[D].中南大学,2008.
[69]唐凤山.基于子空间的视觉跟踪算法研究与应用[D].上海交通大学,2009.
[70]张继平,刘直芳.视频中运动目标的实时检测和跟踪[J].计算机测量与控制, 2004,12(11):1036-1039.
[71]刘亚,艾海舟,徐光佑.一种基于背景模型的运动目标检测与跟踪算法[J].信息与控制,2002,31(4):316-319.
[72]王鲲鹏,杨夏,张恒.用梯度LOG算子实现小目标实时跟踪[J].光电工程,2009,36(9):23-28.
[73]耿蕊.运动目标的检测和跟踪算法研究[D].中山大学,2009.
[74]张俨娜.运动目标检测与跟踪相关算法研究[D].河南大学,2009.
[75]邵晓倩.运动目标实时检测和跟踪技术应用研究与实现[D].南京理工大学,2009.
[76]查宇飞,毕笃彦.一种基于粒子滤波的自适应运动目标跟踪方法[J].电子与信息学报,2007,29(1):92-95.
[77]唐润鸿,唐建,弓志峰,Runhong Tang,Jian Tang,Zhifeng Gong.嵌入Kalman滤波的Camshift人体跟踪研究[J].电子技术,2010,37(11).
[78]黎立宏.CAMShift算法优化与带分类功能的人脸跟踪方法[D].中山大学,2009.
[79]宁纪锋,姜光,吴成柯.CAMSHIFT与基于核的目标跟踪算法的比较与分析[J].计算机工程与应用,2009,45(28):177-179.
[80]沈娟,杜宇人,高浩军.复杂背景下运动目标跟踪技术[J].电子工程师,2007,33(5):49-51.
[81]张宏志,张金换,岳卉.基于CamShift的目标跟踪算法[J].计算机工程与设计,2007,(11):2012-2014.
[82]郭世龙.基于Camshift算法的移动机器人视觉跟踪[D].武汉理工大学,2008.
[83]陈彬.基于CamShift算法的足球机器人目标跟踪算法研究[D].合肥工业大学,2008.
[84]杨振兴.基于DM642的camshift目标跟踪算法研究[D].南京理工大学,2010.
[85]赵春晖,包玉刚,姚冰,基于Kim与Camshift结合的运动目标跟踪算法[J].黑龙江大学自然科学学报,2010,27(1):126-130.
[86]徐琨,贺昱曜,王卫亚.基于CamShift的自适应颜色空间目标跟踪算法[J].计算机应用,2009,29(3):757-760.
[87]顾凤嫱.基于Mean Shift的视频跟踪算法研究[D].西安电子科技大学,2009.
[88]连洁,韩传久.基于边缘检测和改进Mean Shift算法的红外目标自动跟踪方法[J].电子技术应用,2007,(8):76-79.
[89]左军毅,梁彦,潘泉.基于多个颜色分布模型的Camshift跟踪算法[J].自动化学报,2008,34(7):736-739.
[90]刘曼华,朱秀丽.基于改进CAMShift的多目标自动跟踪[J].河南大学学报(自然科学版),2010,40(5):225-528.
[91]刘涛.基于机器视觉的车辆跟踪方法研究[D].东南大学,2007.
[92]朱铮涛,曾江翔,王志萍.基于卡尔曼滤波的背景估计及其算法实现[J].软件天地,2007,10(1):291-293.
[93]刘冬冬.基于双目视觉和CamShift算法的目标检测与跟踪][D].山东大学,2006.
[94]赵青.基于纹理信息的CamShift跟踪算法研究[D].南开大学,2009.
[95]钱永青,谢勤岚.结合Camshift和Kalman预测的运动目标跟踪[J].计算机工程与科学,2010,32(8):81-83.
[96]李洪海.一种改进的CAMShift目标跟踪算法[J].现代电子技术,2010,(16):106-108.
[97]陈莹,韩崇昭.基于扩展卡尔曼滤波的车道融合跟踪[J].公路交通科技,2004,21(12):50-53.
[98]郭丽丽.交通事故现场相机标定及测距技术研究[D].山东师范大学,2009.
[99]胡华科,郑春燕.数码相机标定方法的优化研究[J].五邑大学学报(自然科学版),2004,18(2):4.
[100]胡楠,鲁光泉,荔涛,李一兵.基于分步标定法的交通事故现场摄影测量精度实验分析[J].汽车工程,2008,30(7):5.
[101]黄涛,王继军,周苏婷,刘潘梅,孙容海.基于标定物的相机标定及三维重建[J].电脑知识与技术,2008,2(11):4.
[102]贾静,姜光,吴成柯.圆球标定中相机外参数的几何解释和应用[J].模式识别与人工智能,2010,23(2).
[103]姜大志,孙闵,刘淼,姜梅,丁秋林.数码相机标定方法研究[J].南京航空航天大学学报,2001,33(1):5.
[104]李益民,刘岩俊,何昕,魏仲慧.高精度CCD拼接相机标定方法研究[J].半导体光电,2008,29(5):4.
[105]刘涛,陈国柱,李元宗. I.亚像素角点定位提高相机标定精度[J].机械工程与自动化,2007(4):3.
[106]刘旭宏,谭瑛,马骏.一种改进的相机标定方法[J].计算机工程与应用,2008,44(29):4.
[107]唐大江,熊汉伟,张湘伟.一种快速的相机标定方法[J].汕头大学学报(自然科学版),2001,16(2):4.
[108]王靖韬,侯振杰.传统相机标定方式的自动标定方法[J].计算机工程与应用,2010,46(35).
[109]王力超,熊超,王晨毅,陆起涌.基于双摄像头的计算机立体视觉开发平台[J].实验室研究与探索,2007,26(3):3.
[110]王立中,薛河儒,王靖韬.一种改进的相机标定方法[J].内蒙古大学学报(自然科学版),2010,41(2):6.
[111]王涛,吕乃光,杨剑.基于一维标定物的高精度标定[J].北京信息科技大学学报(自然科学版),2010,25(1):5.
[112]王玉宝,付丽琴.基于相机标定的交汇测量系统精度分析[J].国外电子测量技术,2009,28(5):4.
[113]吴婷,徐科军.摄像机畸变模型下线性标定方法的改进[J].仪器仪表学报,2005,26(8):3.
[114]夏仁波,刘伟军,赵吉宾,徐金亭.基于圆形标志点的全自动相机标定方法[J].仪器仪表学报,2009,30(2):6.
[115]鲜海滢,李晓峰,李在铭.基于摄像机的车辆测速仪[J].电子测量与仪器学报,2008,22(3):6.
[116]肖相国,王忠厚,孙传东,白加光.基于光场摄像技术的对焦测距方法的研[J]究.光子学报,2008,37(12):5.
[117]谢文寒,张祖勋,张剑清.基于灭点标定相机的理论与实践[C].长春:2004.
[118]杨冬,王哲斌,刘永刚,彭晓世,蒋小华,朱托,李志超,张小丁,王丽伟,李三伟,刘慎业,丁永坤.基于非线性最小二乘法的条纹相机标定数据处理方法[J].强激光与粒子束,2009,21(5):5.
[119]杨化超,张书毕,刘超.基于灭点理论和平面控制场的相机标定方法研究[J].中国图象图形学报A,2010,15(8).
[120]杨秀丽,窦燕,孔令富.一种无相机标定的极线校正新方法[J].计算机工程,2008,34(20):3.
[121] G,Yan DOU,Ling-fu KONG.一种无相机标定的极线校正新方法[J].计算机工程,2008,34(20):3.
[122]曾吉勇,苏显渝.一种无相机标定的立体图像对校正新方法[J].光学学报,2004,24(5):5.
[123]张金玲,孙汉旭,贾庆轩,刘亚辉.基于相机标定的图像拼接算法[J].中北大学学报,2008,29(6):5.
[124]张灵飞,陈刚,叶东,车仁生.基于一维标定物和改进进化策略的相机标定[J].光学学报,2009,29(11).
[125]徐刚锋,李飚,沈振康.基于双目视觉模型的运动参数测量[J].红外与激光工程,2003,32(2):199-202.
[126]王荣本,李斌,储江伟,纪寿文.公路上基于车载单目机器视觉的前方车距测量方法的研究[J].公路交通科技,2001,(12):95-98.
[127]刘茜.基于MATLAB的单目视觉车辆测距技术研究[D].长安大学,2008.
[128]田炳香.基于单目视觉的车道识别与车辆识别技术研究[D].北京工业大学,2008.
[129]王展青,陈顺云.基于单目视觉的车距测量方法综述[J].科技资讯,2010,(27):33-36.
[130]周欣,黄席,樾黎昱.基于单目视觉的高速公路车道保持与距离测量[J].中国图象图形学报,2003,8(5):590-595.
[131]郭磊,徐友春,李克强.基于单目视觉的实时测距方法研究[J].中国蚓象图形学报,2006,11(1):74-79.
[132]周俊杰.基于单目视觉的夜间车辆和车距检测[D].南京理工大学,2007.
[133]刘威,魏存伟,赵逢.基于单目视觉的自车运动参数鲁棒估计[J].机器人,2009,31(1):20-24.
[134]严天峰,陈俊凯.基于改进的圆Hough变换在图像测距中的实现[J].信息技术,2009,(4):52-54.
[135]武毅,李仰军,刘建勋.基于机器视觉的安全车距测量技术研究[J].机械工程与自动化,2010,(3):67-69.
[136]王青.基于机器视觉的车辆距离测量技术[D].南京理工大学,2008.
[137]杨志,杜晓丽.基于视觉信息的高速公路运行车速预测模型[J].同济大学学报(自然科学版),2007,35(7):929-934.
[138]沈志熙,黄席樾.基于数据回归建模的单日视觉测距算法[J].计算机工程与应用,207,43(24):15-18.
[139]龙丹,许勇.基于数字图像处理的汽车测距算法研究[J].信息技术,2008,(01):36-38.
[140]阎莹,朱彤,曹林涛.面向交通安全的车辆间距测试技术研究[J].交通与计算机,2007,25(3):106-109.
[141]刘文学,方漪.智能车辆测距技术[J].科技信息,2006,(4):11-12.