车辆检测是车辆识别和跟踪的重要前提。为解决传统车辆检测算法无法兼顾检测的准确性与实时性的问题, 本文提出一种基于实时交通状况和自适应像素分割的运动车辆检测算法。该算法采用多帧间隔图像建立初始背景模型, 提出基于时-空变化度的背景区域变化评价方法, 并基于时-空变化度制订了自适应的学习率更新策略。通过设置一个信任区间, 并根据当前交通状况和像素点是否处于信任区间内来判断当前的背景模型是否需要更新, 进而实现对运动车辆的准确、快速检测。改进后的像素自适应分割算法在不同场景中检测的性能指标Recall、Precision和F-measure分别达到0.929, 0.864, 0.888, 均高于传统像素自适应分割算法, 且算法的处理时间为88.37 ms, 比传统像素自适应分割算法的运算速度快近10 ms, 基本满足车辆检测所需的速度快、精度高、鲁棒性高等要求。

在大视场交通监控摄像机的标定中, 由于不便于放置大尺寸标定靶标, 常采用交通标线构成的特定几何图形替代标定靶标, 但许多交通场景仅有一组平行的车道分界交通标线, 难以获得传统标定方法所需的标定约束条件。针对此类交通场景, 选取两平行交通标线和其中一条线上的三点作为标定参考物, 依靠其中一条线上三点在单幅图像中的像素坐标、三点间的两个距离值及平行线间距作为约束条件来完成摄像机的标定。建立了图像坐标系与世界坐标系之间新的换算关系, 推导出了摄像机内外参数的求解公式, 探讨了旋转角对测量误差的影响。实验结果表明, 在约束条件不足的情况下能够获得较好的摄像机参数近似解, 沿道路方向上的测距精度优于对比文献的结果, 具有标定参考物选取容易、操作简便、几何约束条件少等优点, 适用于交通监控系统中大视场摄像机的快速标定场合。

为缓解交通阻塞、提高路网通过能力、减少交通事故、降低能源消耗以及减轻环境污染, 可基于无线传感网络和ZigBee协议构建一种大范围、全方位、实时、准确、高效的综合运输和管理系统——智能交通系统。通过布置传感器节点构建无线网络, 可收集道路上的物理参数和环境信息, 如车辆速度、车流量、环境温度、路面噪音和震动等, 达到车辆交通监测的目的。使用OPNET仿真软件对该系统进行仿真, 讨论了网络在不同拓扑、不同车流量以及节点失效情况下的仿真结果, 并对网络性能进行了评估, 给网络规划及系统构建提供了可靠的定量依据和启发。

在智能交通系统中,以往的常规摄像机是对所有通过该地点的机动车辆的车牌进行拍摄、记录与处理。由于受到图像采集设备分辨率的制约,图片仅能反映出车型、车身颜色、车牌号码等简单信息。公安执法部门对部分治安案件、交通肇事案件的取证要求上,希望能掌握更详细更清楚的资料,如驾驶员的面貌特征、车内驾驶室的情况、清晰的车辆信息、货车的装载情况。文章采用TMS320DM642芯片设计了一种新的高清晰摄像机,所抓拍的图像中可以用肉眼清楚地分辨:车辆的颜色、特征、车牌的号码、车牌颜色、司乘人员的面部特征。

为向驾驶者提供有效的车辆位置信息,提高驾驶安全性,提出了一种融合多种目标特征的单目视觉车辆检测与跟踪方法。首先,利用车辆尾部的结构对称性提取出感兴趣区域,减少搜索范围。再利用车辆底部的阴影特征,在感兴趣区域中搜寻车辆可能出现的位置,找出假设目标。然后,利用亮度和轮廓信息对假设目标进行对称性验证,排除虚假目标。同时,融合颜色和梯度方向建立目标特征模型,利用均值平移算法在随后的图像序列中对目标进行快速跟踪定位。检测与跟踪联合工作在一种互动机制下,大幅改善了算法的有效性和实时性。实验结果显示,提出方法的正确识别率为96.34％,平均处理速度达24.27 frame/s,能够满足车辆驾驶安全性和实时性要求。

基于计算机图像处理技术的汽车牌照自动识别系统,要求能够将运动中汽车的牌照从复杂背景中准确地提取并识别出来.介绍了所研制的汽车牌照自动识别系统和关键技术(图像分割与车牌定位、图像二值化和字符提取、车牌字符识别等).试验结果显示,系统在Celeron Ⅱ 633+ 128M的PC机上,对图像尺寸为768×574的311幅试验图片的识别准确率达到90%,识别时间≤1.5s.