第24卷 第12期2007年12月
公 路 交 通 科 技
Journal of Highway and Transportation Research and Development
Vol .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 @https://www.doczj.com/doc/3c4527100.html, )
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:A
Vehicle D etection and Tracking Based on Monocular Vision
HU 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 are
discussed .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 g
0 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]。
2.3 基于模型的方法
这种方法的核心是建立的已知车辆对象的精细三维或二维模型与待检测图像之间的匹配操作。较常用的是基于Hausdorff距离的匹配方法。基于模型的方法经常和基于特征的方法相结合,首先基于特征找到车辆的大致区域位置,然后再用模型进行匹配。
在ARGO试验车中,文献[17]采用了基于对称性检测R OI,然后利用建立的矩形二维模型进行匹配的方法。模型的匹配是通过搜索矩形的四个角的方法进行的,并利用透视和尺寸作为约束条件。文献[8]建立了较为精细的车辆二维几何模型,利用构造能量函数的方法进行匹配操作,能量函数中包括了对称性、形状和阴影的信息,并利用遗传算法进行搜索匹配。在文献[19]中,采用了两种车辆模型,近距离车辆的矩形模型和远距离车辆的U形模型。在德国慕尼黑大学的VaMoRs试验车中[20],采用了三维模型匹配的车辆检测方法。在文献[21]中,提出了建立交互式三维模型进行跟踪的方法。
基于模型的方法缺点是对车辆模型的过分依赖,由于车型的多样性,一种模型往往不能适用于所有的车辆,车辆姿态的变化也是固定模型难以适应的。为每种车辆和姿态都建立精细的模型势必造成计算量的成倍增加。特别是采用三维模型时,不利于实时处理。
3 验证方法
验证是为了提高检测识别率的一种补充步骤。前面提到的检测方法往往有一定的误检率,采用验证方法实际上是把检测的任务转化成了模式识别,利用检测方法得到的可能含有车辆的图像区域作为模式分类器的输入,利用已经训练好的分类器进行分类,将误检的不包含车辆的区域识别出来,进一步提高检测的正确率。如果检测方法正确检测率很高的话,则可以省略验证(HV)步骤。
在文献[22]中,首先在多尺度空间利用边缘图像在垂直和水平方向的投影得到含有垂直和水平边缘的图像区域作为ROI,利用Haar小波分解系数作为特征,使用大量的车辆和非车辆图像对SVM进行训练,然后用训练好的支持向量机SVM对ROI进行验证分类,得到含有车辆的区域。在文献[10]中利用阴影和对称性检测ROI,用SVM进行分类。而在文献[23]中采用的是近几年流行的AdaBoost算法作为分类器。
4 跟踪方法
4.1 基于区域相关的方法
基于区域的跟踪方法就是在时域上跟踪车辆检测模块检测出的一个个像素连通块,这些块区域表示检测出的车辆。模板匹配是最常用的基于像素区域相关性的跟踪方法。由于车辆行驶过程中光照条件的变化、相对距离引起车辆成像大小变化、车辆之间的遮挡等原因,选择合适的模板更新策略是跟踪成功的关键。
现有的模板更新策略,大体上可归结为3大类[24]:第1类,单纯地将当前目标图像的最佳匹配位置处的图像作为目标模板进行下一帧图像的匹配;第2类,按照一个固定的权值对当前目标图像最佳匹配位置的图像和旧模板加权来生成新模板;第3类,
129
第12期 胡 铟,等:基于单目视觉的路面车辆检测及跟踪方法综述
根据当前帧跟踪的跟踪质量产生一个权值,对当前目标图像最佳匹配位置的图像和旧模板加权来产生新模板。前两类的更新策略没有考虑到跟踪效果的好坏,显然是不合理的。因为若前一帧图像质量较差,或者前一帧跟踪质量不佳,势必影响后续帧的跟踪,造成跟踪误差累积,从而导致跟踪失败,或者跟踪错误。第3类的更新策略在碰到上述情况时,同样也会或多或少给当前更新的目标模板带来误差。在文献[24]中,采用了保存跟踪过程中的多个历史模板,利用匹配的相关值作为权值,对旧模板和目标图像最佳匹配位置的图像进行加权,获得新模板更新历史模板,然后从历史模板中选取相关系数值最大的模板作为下一帧跟踪的目标模板的方法,取得了较好的跟踪效果。
4.2 基于活动轮廓的方法
活动轮廓模型中最有代表性的是由文献[25]提出的,称为snake的主动轮廓模型(active contour mod-el)。在这个方法中,构造了能量函数由以下3种力的组合来控制和约束:(1)控制平滑度的轮廓内部能量;(2)吸引轮廓到特定特征的图像力量;(3)外部约束力。一条snake可以弹性变形,但是任何变化将增加内部能量而产生将它拉回原来位置的力。同时snake处于一个能量场(由图像产生)中,它产生的外力作用在snake上。先给定一个合适的初始化轮廓,在这两种力作用下,snake通过梯度下降法收敛到最近的局部极小值。但这个方法非常依赖于局部信息,最初实现的snake模型对它的初始位置和图像噪声是非常敏感的,轮廓经常会收敛到能量函数的某个局部极小值。
活动轮廓模型跟踪方法的主要思想是先初始勾勒出跟踪目标的轮廓并且不断地在后续帧更新轮廓而达到跟踪的目的[26～29]。由于在复杂的背景下,Snake易受到背景中的一些强边缘和噪声的影响,使之脱离跟踪目标,使用活动轮廓的跟踪方法一般都是在较简单的背景下实现的。另外基于活动轮廓的方法计算量一般都比较大,实时性是一个问题。基于活动轮廓的跟踪方法还没有达到实用阶段,而在医学图像分割等方面得到了较成功的应用。
4.3 基于特征的方法
基于特征的方法则是将车辆的特征作为最小跟踪单元。常用的特征有角点、边缘、线段、小面或局部能量等。首先要进行特征提取,然后对相邻两帧图像的特征进行匹配,达到跟踪的目的。特征匹配即在提取特征后,对特征属性矢量作相关度计算,相关系数的峰值即为匹配位置。
采用基于特征的方法计算量明显小于基于相关和活动轮廓的方法,较适用于实时系统中。但在跟踪过程中,存在遮挡和噪声等原因造成的特征消失或出现虚假特征以及消失的特征再现等问题。另外需要进行特征聚类,从众多的特征中分析出哪些是属于同一辆车的。
4.4 MeanShift快速跟踪算法
MeanShift是近几年较为流行的跟踪算法。具体的算法可以参考文献[30、31、32]。在这里有一点要注意。在灰度图像中,MeanShift跟踪算法中的目标模式退化成灰度直方图,由于直方图特征里不含有目标的结构信息(不同图像可以有相同的直方图),虽然采用MeanShift算法的收敛速度较快,但鲁棒性不强。MeanShift算法实际上只是一种梯度向上的搜索加速的方法。如果要提高跟踪的鲁棒性,应该从选取更好的目标模式出发。
5 结论
本文分析了基于单目视觉的车辆检测常用的一些检测和跟踪方法。车辆检测算法是智能车辆的核心算法之一,目前还处于研究阶段。
车辆检测的关键是将车辆从背景中分割出来,这就需要利用车辆不同与背景的一些空间的或时间的显著特征。从目前的检测方法来看,基于特征和模型的方法对于检测前方的车辆较为成功,光流法较适用于检测从旁边超越的车辆。基于特征的方法的关键是寻找稳定可靠的车辆特征,多种特征的融合算法是提高检测精度的一种途径。建立正确的车辆模型是基于模型的方法的基础。固定的模型往往不能适应车辆姿态的变化,建立自适应的模型算法和采用三维模型是将来的研究方向。
跟踪方法中较常用的是基于区域相关和特征匹配的方法。使用模板匹配跟踪需要采用合适的模板更新策略,特征提取和匹配是基于特征匹配的跟踪方法的关键。实际上检测和跟踪的界限并不明显,跟踪实际上就是根据目标当前信息在下一帧图像中检测目标的位置。很多检测方法都可以用于跟踪,如基于光流、特征、模型的方法等。
采用立体视觉以及多传感器融合的方法也是车辆检测的常用方法,但是由于采用单目视觉具有算法成熟、实时性高等优点,因此目前多数车辆检测方法都是基于单目视觉的。但是立体视觉以及多传感器融合的方法有着不可替代的优点,因此是将来车辆检测算法的发展方向。
130
公 路 交 通 科 技 第24卷
参考文献:
[1] 汤淑明,王坤峰,李元涛.基于视频的交通事件自动检测技术
综述[J].公路交通科技,2006,23(8):116-121.
[2] ZEHANG SUN,BEBIS G,M ILLER R.On-Road Vehicle D etection:A
Review[J].IEEE Transactions on Pattern Analys is and Machine Intel-
li gence,2006,28(5):694-711.
[3] LIU T,ZHENG N,ZHAO L,et al.Learning based Symmetric Fea-
tures Selection for Vehicl e Detection[C]IEEE Proceedings of Intelli-
gent Vehicl es Symposi um.IEEE,2005:124-129.
[4] SCHWAR ZINGER M,ZIELKE T,NOLL D,e t al.Vision-Based Car-
Following:Detection,Tracking,and Identification[C]Proceedings
of the Intelligent Vehicles'92Symposium.1992:24-29.
[5] CHAR KARI N M,MORI H.A Ne w Approach for Real Time M oving Ve-
hicl e Detection[C]Proceedings of the IEEE RSJ International Con-
ference on Intelligent Robots and Sys tems.1993,1:273-278.
[6] ALI A,AFGHANI S.Shadow Bas ed On-Road Vehicle Detection and
Verification Using HA AR Wavelet Packet Transform[C]First Inter-
national Conference on Information and Communication Technolo-
gies.2005:346-346.
[7] KUTSUMA Y,YA GU CHI H,HAM AMOTO T.R eal-ti me Lane Line
and Forward Vehicle Detection by Smart Image Sens or[C]IEEE In-
ternational Symposium on Communications and Information
Technology.IEEE,2004,2:957-962.
[8] SR INIVA SA N.Vis ion-bas ed Vehicle Detection and Tracking Method for
Forward Collision Warning in Automobiles[C]Intelligent Vehicle
Sympos ium.2002,2:626-631.
[9] HOFF MAN C,DAN G T,STILLER C.Vehicle detection fus ing2D vi-
s ual features[C]IEEE Proceedings of Intelligent Vehicl es Sympos-
ium.IEEE,2004:280-285.
[10]CLADY X,COLL ANGE F,J URIE F,et al.Cars detection and track-
ing with a vision sens or[C]IEEE Proceedings of Intelligent Vehicles
Sympos ium.IEEE,2003:593-598.
[11]HU ANG S S,CHEN C J,HSIAO P Y,et al.On-Board Vision System
for Lane Recognition and Front-Vehicle Detection t o Enhance Driver's
A wareness[C]IEEE Proceedings of International Conference on Ro-
botics and Automation.IEEE,2004,3:2456-2461.
[12]李斌,王荣本,郭克友.基于机器视觉的智能车辆障碍物检测
方法研究[J].公路交通科技,2002,19(4):126-129. [13]FLETCHER L,PETER SSO N L,ZEL IN SKY A.Driver Assis tance Sys-
te ms based on Vision In and Out of Vehicles[C]IEEE Proceedings of
Intelligent Vehicles Sympos ium.IEEE,2003:322-327.
[14]JU NXIAN WAN G,BEBIS G,MIL LER R.Overtaking Vehicl e Detection
Us ing Dynamic and Quasi-Static Background Modeling[C]IEEE
Computer Society Conference on Computer Vision and Pattern
Recognition.IEEE,2005,3:64-64.
[15]GILLNERW J.M otion based vehicl e detection on motorways[C]Pro-
ceedings of the Intelligent Vehicles'95Sympos ium.1995:483-487. [16]BAT AVIA P H,POMERLEAU D E,THOR PE C E.Overtaking Vehicle
Detection Using Impl icit Optical Fl ow[C]IEEE Conference on Intel-
li gent Trans portation System.IEEE,1997:729-734.[17]BEN S R HAIR A,BERTO ZZI M,BRO GGI A,et al.Cooperative Ap-
proach to Vision-bas ed Vehicl e Detecti on[C]IEEE Proceedings of
Intelligent Transportati on Systems.IEEE,2001:207-212.
[18]COLLAD O J M,HIL AR IO C,DE L A ESCALERA A,et al.Model
Bas ed Vehicl e Detection for Intelli gent Vehicles[C]IEEE Proceed-
ings of Intelligent Vehicles Sympos ium.IEEE,2004:572-577. [19]曾智洪.高速公路中的行车道检测和车辆跟踪[J].自动化学
报,2003,29(3):450-456.
[20]SCHMID M.An Approach to Model-Bas ed3-D Recognition of Vehicles in
Real time by Machine Vision[C] Proceedings of the IEEE R SJ GI In-
ternational Conference on Intelli gent R obots and Sys tems'94.'Advanced
Robotic Systems and the Real World',IRO S'94.1994,3:2064-
2071.
[21]GARD NER W F,LA WT ON D T.Interactive Model-Based Vehicle T rack-
ing[J].IEEE Trans actions on Pattern Analysis and M achine Intelli-
gence,1996,18(11):1115-1121.
[22]ZEHANG SU N,MILLER R,BEBIS G,et al.A Real-ti me Precrash
Vehicle Detection System[C]Proceedings of Sixth IEEE Workshop
on Applications of Computer Visi on.IEEE,2002:171-176.
[23]KHAM MAR I A,NASHASHIBI F,ABRA MSON Y,et al.Vehicle de-
tection combining gradient analys is and AdaBoost classification[C]
IEEE Proceedings of Intelli gent Transportation Systems.IEEE,2005:66
-71.
[24]朱永松,国澄明.基于相关系数的相关跟踪算法研究[J].中
国图像图形学报,2004,9(8):963-967.
[25]M KASS,A WITKIN,D TER ZOP OULO S.Snakes:Active contour mode-
ls[J].International Journal of Co mputer Vision,1988,1(4):321-
331.
[26]LEY MAR IE F,LEVINE M D.Tracking Defor mable Objects in the Plane
Us ing an Active Contour Model[J].IEEE Transactions on Pattern
Anal ys is and Machine Intelligence,1993,15(6):617-634. [27]PER EZ P,GIDAS B.M otion Detection and Tracking Us ing Deformable
Templates[C]IEEE Proceedings of International Conference on Image
Process ing.IEEE,1994,2:272-276.
[28]PARA GIOS N,DER ICHE R.Geodesic Active Cont ours and Level Sets
for the Detection and Tracking of Moving Objects[J].IEEE Transac-
tions on Pattern Analysis and Machine Intelligence,2000,22(3): 266-280.
[29]ZHONG YU,J AIN A K,D UBUISSON-J OLLY M-P.Object Tracking
Us ing Deformable Templates[J].IEEE Transacti ons on Pattern Analys-
is and Machine Intelligence,2000,22(5):544-549.
[30]CO MANICIU D,RA MESH V,MEER P.Kernel-Based Object Tracking
[J].IEEE Trans actions on Pattern Analysis and Machine Intelligence,
2003,25(5):564-577.
[31]CO MANICIU D,MEER P.Mean Shift:A R obus t Approach To ward Fea-
ture Space Analysis[J].IEEE Trans actions on Pattern Analysis and
M achine Intell igence,2002,24(5):603-619.
[32]Y IZONG CHEN G.Mean Shift,Mode Seeking,and Clustering[J].IEEE
T ransactions on Pattern Analysis and M achine Intelli genc e,1995,17
(8):790-799.
131
第12期 胡 铟,等:基于单目视觉的路面车辆检测及跟踪方法综述
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2015, 4(3), 17-22 Published Online August 2015 in Hans. https://www.doczj.com/doc/3c4527100.html,/journal/airr https://www.doczj.com/doc/3c4527100.html,/10.12677/airr.2015.43003 A Survey on Object Tracking Jialong Xu Aviation Military Affairs Deputy Office of PLA Navy in Nanjing Zone, Nanjing Jiangsu Email: pugongying_0532@https://www.doczj.com/doc/3c4527100.html, Received: Aug. 1st, 2015; accepted: Aug. 17th, 2015; published: Aug. 20th, 2015 Copyright ? 2015 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.doczj.com/doc/3c4527100.html,/licenses/by/4.0/ Abstract Object tracking is a process to locate an interested object in a series of image, so as to reconstruct the moving object’s track. This paper presents a summary of related works and analyzes the cha-racteristics of the algorithm. At last, some future directions are suggested. Keywords Object Tracking, Track Alignment, Object Detection 目标跟踪相关研究综述 徐佳龙 海军驻南京地区航空军事代表室，江苏南京 Email: pugongying_0532@https://www.doczj.com/doc/3c4527100.html, 收稿日期：2015年8月1日；录用日期：2015年8月17日；发布日期：2015年8月20日 摘要 目标跟踪就是在视频序列的每幅图像中找到所感兴趣的运动目标的位置，建立起运动目标在各幅图像中的联系。本文分类总结了目标跟踪的相关工作，并进行了分析和展望。
第24卷 第12期2007年12月 公 路 交 通 科 技 Journal of Highway and Transportation Research and Development Vol .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 @https://www.doczj.com/doc/3c4527100.html, ) 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:A Vehicle D etection and Tracking Based on Monocular Vision HU 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 are discussed .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 g 0 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;
路基压实度测定方法及其操作规程 灌砂法 1 目的和适用范围 1.1 本试验法适用于在现场测定基层（或底基层）、砂石路面及路基土的各种材料压实层的密度和压实度检测，但不适用于填石路堤等有大孔洞或大孔隙的材料压实层的压实度检测。 1.2 用挖坑灌砂法测定密度和压实度时，应符合下列规定： （1）当集料的最大粒径小于13.2mm、测定层的厚度不超过150mm时，宜采用φ100mm的小型灌砂筒测试。 （2）当集料的最大粒径等于或大于13.2mm，但不大于31.5mm，测定层的厚度不超过200mm时，应用φ150mm的大型灌砂筒测试。 2 仪具与材料技术要求 本试验需要下列仪具与材料： （1）灌砂筒：有大小两种，根据需要采用。型式和主要尺寸见图1及表1。当尺寸与表中不一致，但不影响使用时，亦可使用。储砂筒筒底中心有一个圆孔，下部装一倒置的圆锥形漏斗，漏斗上端面开口，直径与储砂筒底中心有一个圆孔，漏斗焊接在一块铁板上，铁板中心有一圆孔与漏斗上开口相接。在储砂筒筒底与漏斗顶端铁板之间设有开关。开关为一薄铁板，一端与筒底及漏斗铁板铰接在一起，另一端伸出筒身外，开关铁板上也有一个相同直径的圆孔。
图1 灌砂筒和标定罐（尺寸单位：mm）（2）金属标定罐：用薄铁板制作的金属罐，上端周围有一罐缘。 （3）基板：用薄铁板制作的金属方盘，盘的中心有一圆孔。 （4）玻璃板：边长约500--600mm的方形板。 （5）试样盘：小筒挖出的试样可用饭盒存放。大筒挖出的试样可用300mm×500mm×400mm的搪瓷盘存放。 （6）天平或台秤：称量10--15kg，感量不大于1g。用于含水量测定的天平精度，对细粒土、中粒土、粗粒土宜分别为0.01g、0.1g、1.0g。 （7）含水量测定器具：如铝盒、烘箱等。
一、机器视觉与图像采集的研究的意义 “作为一项关键性的自动化技术，机器视觉在发展中国家中对经济的现代化非常重要。为了在世界市场中进行竞争，发展中经济不能无限期的依赖于廉价劳动力。“AIA市场分析员Kellett说。同样地，现代化必须实现高效率、高生产率以及高质量。这也是机器视觉的作用所在，”对机器视觉长期需求这样的趋势是发展中国家实现经济现代化的基础。因此，机器视觉对于世界经济的发展将越来越重要。” 二、机器视觉与图像采集的研究的现状 国外机器视觉发展的起点难以准确考证，其大致的发展历程是：在机器视觉发展的历程中，有3个明显的标志点，一是机器视觉最先的应用来自“机器人”的研制，也就是说，机器视觉首先是在机器人的研究中发展起来的；二是20世纪70年代CCD图像传感器的出现，CCD摄像机替代硅靶摄像是机器视觉发展历程中的一个重要转折点；三是20世纪80年代CPU、DSP等图像处理硬件技术的飞速进步，为机器视觉飞速发展提供了基础条件。 国内机器视觉发展的大致历程：中国正在成为世界机器视觉发展最活跃的地区之一，其中最主要的原因是中国已经成为全球的加工中心，许许多多先进生产线己经或正在迁移至中国，伴随这些先进生产线的迁移，许多具有国际先进水平的机器视觉系统也进入中国。对这些机器视觉系统的维护和提升而产生的市场需求也将国际机器视觉企业吸引而至，国内的机器视觉企业在与国际机器视觉企业的学习与竞争中不断成长。 三、机器视觉与图像采集技术在各个领域的应用 视觉技术的最大优点是与被观测对象无接触,因此,对观测与被观测者都不会产生任何损伤,十分安全可靠,这是其它感觉方式无法比拟的. 理论上,人眼观察不到的范围机器视觉也可以观察,例如红外线、微波、超声波等,而机器视觉则可以利用这方面的传感器件形成红外线、微波、超声波等图像. 另外,人无法长时间地观察对象,机器视觉则无时间限制,而且具有很高的分辨精度和速度. 所以,机器视觉应用领域十分广泛,可分为工业、科学研究、军事和民用4 大领域. 3. 1 工业领域 工业领域是机器视觉应用中比重最大的领域,按照功能又可以分成4 类:产品质量检测、产品分类、产品包装、机器人定位. 其应用行业包括印刷包装、汽车工业、半导体材料/ 元器件/ 连接器生产、药品/ 食品生产、烟草行业、纺织行业等.下面以纺织行业为例具体阐述机器视觉在工业领域的应用[9 ] .在纺织企业中,视觉检测是工业应用中质量控制的主要组成部分,用机器视觉代替人的视觉可以克服人工检测所造成的各种误差,大大提高检测精度和效率. 正是由于视觉系统的高效率和非接触性,机器视觉在纺织检测中的应用越来越广泛[10 - 12 ] ,在许多方面已取得了成效.机器视觉可用于检测与纺织材料表面有关的性能指标见表4. 目前主要的研究内容可分为3 大类: 纤维、纱线、织物. 由于织物疵点检测(在线检测) 需要很高的计算速度,因此,设备费用比较昂贵. 目前国内在线检测的应用比较少,主要应用是离线检主要的检测有纺织布料识别与质量评定、织物表面绒毛鉴定、织物的反射特性、合成纱线横截面分析、纱线结构分析等. 此外还可用于织物组织设计、花型纹板、棉粒检测、分析纱线表面摩擦。 3. 2 民用领域 机器视觉技术可用在智能交通、安全防范、文字识别、身份验证、医疗设备等方面. 在医学领域,机器视觉用于辅助医生进行医学影像的分析,主要利用数字图像处理技术、信息融合技术对x 射线透视图、核磁共振图像、CT 图像进行适当叠加,然后进行综合分析,以及对其它医学影像数据进行统计和分析。 3. 3 科学研究领域 在科学研究领域可以利用机器视觉进行材料分析、生物分析、化学分析和生命科学,如
压实度检测方法 第一节压实度试验检测方法 路基、路面压实质量是道路工程施工质量管理最重要的内在指标之一，只有对路基、路面结构层进行充分压实，才能保证路基、路面的强度。刚度及路面的平整度，并可以保证及 延长路基、路面工程的使用寿命。 现场压实质量用压实度表示，对于路基土及路面基层，压实度是指工地实际达到的干密度与室内标准击实试验所得的最大于密度的比值；对沥青路面，压实度是指现场实际达到的 密度与室内标准密度的比值。 一、标准密度（最大干密度）和最佳含水量的确定方法 由于筑路材料结构层次等因素的不同，确定室内标准密度的方法也多样化，有些方法需在实践中进一步完善。最大干密度是指在标准击实曲线（驼峰曲线）上最大的干密度值，该 值对应的含水量即为最佳含水量。 （一）路基土的最大干密度和最佳含水量确定方法 路基受到的荷载应力，随深度而迅速减少，所以路基上部的压实度应高一些；另外，公路等级高，其路面等级也高，对路基强度的要求则相应提高，所以对路基压实度的要求也应高一些。因此，高速、一级公路路基的压实度标准，对于路床0～80cm应不小于95%，路堤80～150cm应不小于93％，150cm以下应不小于90%；对于零填及路堑、路槽底面以 0～30cm应不小于95%。 在平均年降雨量少于150mm且地下水位低的特殊干旱地区（相当于潮湿系数≤0.25地区）的压实度标准可降低2％～3％。因为这些地区雨量稀少，地下水位低，天然土的含水量大大低于最佳含水量，要加水到最佳含水量情况下进行压实确有很大困难，压实度标准适当降低也不致影响路基的强度和稳定性。在平均年降雨量超过2000mm，潮湿系数>2的过湿地区和不能晾晒的多雨地区，天然土的含水量超过最佳含水量5％时，要达到上述的要求 极为困难，应进行稳定处理后再压实。 由于上的性质、颗粒的差别，确定最大干密度的方法也有区别，除了一般上的“击实法”以外，还有粗粒上和巨粒上最大干密度的确定方法。由于击实功的不同，可分为重型和轻型击实，两个试验的原理和基本规律相似，但重型击实试验的击实功提高了4.5倍。击实试验中按采集土样的含水量，分湿土法和干土，法；按土能杏重复使用，也分为两种，即土能重复使用和不能重复使用。选择时应根据下列原则进行：根据工程的具体要求，按击实试验方法种类中规定选择轻型或重型试验方法；根据土的性质选用于土法或湿土法，对于高含水量上宜选用湿土法；对于非高含水量土则选用于土法；除易击碎的试样外）试样可以重复使用。 振动台法与表面振动压实仪法均是采用振动方法测定土的最大干密度。前者是整个土样同时受到垂直方向的振动作用，而后者是振动作用自上体表面垂直向下传递的。研究结果表明，对于元粘聚性自由排水上这两种方法最大干密度试验的测定结果基本一致，但前者试验设备及操作较复杂，后者相对容易，且更接近于现场振动碾压的实际状况。因此，使用时可根据试验设备拥有情况择其一即可，但推荐优先采用表面振动压实仪法。已有的国内外研究结果表明，对于砂、卵、漂石及堆石料等无粘聚性自由排水上而言，一致公认采用振动方法而不是普通击实法。因此，建议采用振动方法测定无粘聚性自由排水土的最大干密度。 各试验方法的仪器设备、试验步骤等详见《公路土工试验规程》（JTJI051-93）。 （二）路面基层混合料最大干密度及最佳含水量确定方法 常见的路面基层材料有半刚性基层及粒料类基层，粒料类基层最大干密度的确定可参照粗粒土和巨粒土的振动法。半刚性基层材料按照《公路工程元机结合料稳定材料试验规程》（JTJ057-94）执行，用标准击实法求得，但当粒料含量高时（50％以上），由于击实筒空间
压实度检测的常规方法及注意点 一、压实度检测原理 压实度是控制土料、无机结合料、砂砾混合料及沥青混合料等压实质量的主要指标之一。压实度反应了现场压实后填筑材料的密实状况。压实度越高，密度越大，材料整体性能越好。例如：在道路施工中，对路基、路面结构层进行充分碾压后，才能保证其强度和刚度，投入使用后不致出现路面下沉、凹陷、裂缝。在房屋建筑工程中，为使浇筑的地坪不致下沉出现开裂，对基础回填也有压实度要求。 所谓压实度是指在施工现场抽取的样土经烘干至恒重测得的干密度与室内标准击实所得的最大干密度的比值。例如：10%灰土层现场取样的干密度为1.61g/cm3,设计压实度指标为≥97%，标准击实的最大干密度为1.67g/cm3取样的压实度为1.61/1.67=96.4%,不符合设计要求。 二、击实实验 土样的密度与含水量的关系如下图所示： 密度 最大干密度 含水量 最佳含水量 密度随含水量的不断增大而增大，当达到最大值时，随含水量的不断增大而减小。标准击实试验就是获得土样的干密度与含水量的关系曲线，然后求得最大干密度下的含水量即最佳含水量。 标准击实试验根据击实功的不同分为重型击实和轻型击实二种。实验室试验一般是通过调整击实锤重量及落距、样土体积来转换轻型或重型试验。选择何种试验方法应根据施工技术要求及施工工艺来确定。在实际操作中采用选择何种试验方法必须要明确。因为二者由于击实功的不同，所得的干密度相差甚远，对以此为基准计算得出的压实度结果截然不同。通常是道路、场地等按市政道路设计要求的应采用重型击实；一般的房屋建筑工程回填以轻型击实为多。
标准击实的作用：一是取得的最佳含水量可为实际施工中提供材料含水量的控制指标；二是为以后的压实度检测提供最大干密度标准值。 （一）、试样制备的注意点 1、试样含水量的确定 标准击实的试件一般制备6个，其中5个是用作正常实验，一个备用。在制备试件时应注意控制试件的预估最佳含水量。通常是土样的塑性指标，若不知塑性指标时可根据经验来确定。即：素土为：14%左右、5%灰土为：14%左右、7%灰土为：16%左右、9%灰土为：18%左右、砂石混合料为：5%左右、二灰碎石为：8%左右。其中灰土混合料的含灰量与含水量是成正比的，含灰量高预估最佳含水量就相应提高；砂石混合料中砂的比例大，预估最佳含水量应相应增大；同理二灰碎石的二灰比例大，预估最佳含水量应相应增大。确定预估最佳含水量后，根据预估最佳含水量按一定等距确定5个试件的含水量。例如：素土的5个试件含水量分别为：10%、12%、14%、16%、18%。 2、试样土的搅拌与浸润 盛放试样的容器需保证不吸水，甚至可用湿布将容器擦拭一遍。加水可用洒水壶均匀喷洒。加水后，试样土必须反复搅拌均匀，否则会导致平行含水量测定的不准确或数据作废。试样土搅拌均匀后应放入密封容器中浸润24小时，浸润时间不能过短以保证水分充分均匀扩散。 （二）、试件制作的注意点 在试件的制作中应注意控制试件的高度，试件高度控制在高于试样筒3mm，不宜过高或过低，否则会影响击实功及试件不容易削平。对于无经验的初试者可尝试以下方法：若分5层击实的，将试样土平均分成5份，逐份加入击实。同理分3层的将试样土平均分成3份，逐份加入击实。每层击实完毕后应将样土表面刨毛，后再加入第二份样土进行击实，这样可使层间能充分结合。 当一个试样击实完毕后，对高出试样筒的余土沿筒口削除，尽量与试样筒口平齐，否则会影响试件密度的准确性。因为计算试件的湿密度是以试样筒的容积作为试件的体积，以试件质量除以试样筒的容积得出试件湿密度。如果试件高出试样筒，则湿密度会偏大，反之则偏小。 在试件中取含水量测定样品时注意取样需具有代表性，取样部位宜分别在试
1引言 目标跟踪可分为主动跟踪和被动跟踪。视频目标跟踪属于被动跟踪。与无线电跟踪测量相比，视频目标跟踪测量具有精度高、隐蔽性好和直观性强的优点。这些优点使得视频目标跟踪测量在靶场光电测量、天文观测设备、武器控制系统、激光通信系统、交通监控、场景分析、人群分析、行人计数、步态识别、动作识别等领域得到了广泛的应用[1-2]。 根据被跟踪目标信息使用情况的不同，可将视觉跟踪算法分为基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪。基于对比度分析的跟踪算法主要利用目标和背景的对比度差异，实现目标的检测和跟踪。基于匹配的跟踪主要通过前后帧之间的特征匹配实现目标的定位。基于运动检测的跟踪主要根据目标运动和背景运动之间的差异实现目标的检测和跟踪。前两类方法都是对单帧图像进行处理，基于匹配的跟踪方法需要在帧与帧之间传递目标信息，对比度跟踪不需要在帧与帧之间传递目标信息。基于运动检测的跟踪需要对多帧图像进行处理。除此之外，还有一些算法不易归类到以上3类，如工程中的弹转机跟踪算法、多目标跟踪算法或其他一些综合算法。2基于对比度分析的目标跟踪算法基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。这类算法按照跟踪参考点的不同可以分为边缘跟踪、形心跟踪和质心跟踪等。这类算法不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。边缘跟踪的优点是脱靶量计算简单、响应快，在某些场合（如要求跟踪目标的左上角或右下角等）有其独到之处。缺点是跟踪点易受干扰，跟踪随机误差大。重心跟踪算法计算简便，精度较高，但容易受到目标的剧烈运动或目标被遮挡的影响。重心的计算不需要清楚的轮廓，在均匀背景下可以对整个跟踪窗口进行计算，不影响测量精度。重心跟踪特别适合背景均匀、对比度小的弱小目标跟踪等一些特殊场合。图像二值化之后，按重心公式计算出的是目标图像的形心。一般来说形心与重心略有差别[1-2]。 3基于匹配的目标跟踪算法 3.1特征匹配 特征是目标可区别与其他事物的属性，具有可区分性、可靠性、独立性和稀疏性。基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的 文章编号：1002－8692（2010）12-0135-04 视频目标跟踪算法综述* 蔡荣太1，吴元昊2，王明佳2，吴庆祥1 （1.福建师范大学物理与光电信息科技学院，福建福州350108； 2.中国科学院长春光学精密机械与物理研究所，吉林长春130033） 【摘要】介绍了视频目标跟踪算法及其研究进展，包括基于对比度分析的目标跟踪算法、基于匹配的目标跟踪算法和基于运动检测的目标跟踪算法。重点分析了目标跟踪中特征匹配、贝叶斯滤波、概率图模型和核方法的主要内容及最新进展。此外，还介绍了多特征跟踪、利用上下文信息的目标跟踪和多目标跟踪算法及其进展。 【关键词】目标跟踪；特征匹配；贝叶斯滤波；概率图模型；均值漂移；粒子滤波 【中图分类号】TP391.41；TN911.73【文献标识码】A Survey of Visual Object Tracking Algorithms CAI Rong-tai1,WU Yuan-hao2,WANG Ming-jia2,WU Qing-xiang1 （1.School of Physics,Optics,Electronic Science and Technology,Fujian Normal University,Fuzhou350108,China; 2.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Science,Changchun130033,China）【Abstract】The field of visual object tracking algorithms are introduced,including visual tracking based on contrast analysis,visual tracking based on feature matching and visual tracking based on moving detection.Feature matching,Bayesian filtering,probabilistic graphical models,kernel tracking and their recent developments are analyzed.The development of multiple cues based tracking,contexts based tracking and multi-target tracking are also discussed． 【Key words】visual tracking;feature matching;Bayesian filtering;probabilistic graphical models;mean shift;particle filter ·论文·*国家“863”计划项目（2006AA703405F）；福建省自然科学基金项目（2009J05141）；福建省教育厅科技计划项目（JA09040）
路基压实度 路基压实度【degree of compaction】(原：指的是土或其他筑路材料压实后的干密度与标准最大干密度之比，以百分率表示。）路基压实度是路基路面施工质量检测的关键指标之一，表征现场压实后的密度状况，压实度越高，密度越大，材料整体性能越好。 简介 密度（最大干密度）确定和现场密度试验。 设质量监督总站组织编写）路基压实度是填土工程的质量控制指标。先取压实前的土样送试验室测定其最佳含水量时的干密度，此为试样干密度。再取由实试验后所得的试样最大干密度，用实际干密度除以最大干密度即是土的实际压实度。用此数与标准规定的压实度 路基压实度=试样干密度/最大干密度（100%） 传统压实度检验方法 ①环刀法，是一种破坏性的检测方法，适用于不含骨料的细粒土。优点是设备简单操作方便；缺点是受土质限制，当环刀打入土中时，产生的应力使土松动，壁厚时产生的应力较大，因此干密度有所降低。②灌砂法，是一种破坏性检测方法，适用于各类土。优点是测定值精确；缺点是操作较复杂，须经常测定标准砂的密度和锥体重。③核子密度仪法，是一种非破坏性测定方法。能快速测定湿密度和含水量，满足现场快速、无破损的要求，并具有操作方便，显示直观的优点，但应与灌砂法进行对比标定后方可使用。 灌沙法的检测步骤 首先要在试验地点选一块平坦表面，其面积不得小于基板面积，并将其清扫干净。将基板放在此平坦表面上，沿基板中孔凿洞，洞的直径100毫米，在凿洞过程中应注意不使凿出的试样丢失，并随时将凿松的材料取出，放在已知质量的塑料袋内，密封。试洞的深度应等于碾压层厚度。凿洞毕，称此袋中全部试样质量，准确至1 克。减去已知塑料袋的质量后即为试样的总质量。然后从挖出的全部试样中取有代表性的样品，放入铝盒，用酒精燃烧法测其含水量。最后将灌砂筒直接安放在挖好的试洞上，这时灌砂筒内应放满砂，使灌砂筒的下口对准试洞。打开灌砂筒开关，让砂流入试洞内。直到灌砂筒内的砂不再下流时，关闭开关，取走灌砂筒，称量筒内剩余砂的质量，准确至1克。试洞内砂的质量=砂至满筒时的质量-灌砂完成后筒内剩余砂的质量-锥体的质量。挖出土的总质量除以试洞内砂的质量再乘以标准砂的密度可计算路基土的湿密度。干密度就等于湿密度/(1+0.01*含水量) 压实度就等于土的干密度/土的最大干密度*100% 在路基施工过程中，为控制好路基压实质量，提高现场压实机械的工作效率，需要重点做好四方面工作：一是通过试验准确确定不同种类填土的最大干密度和最佳含水量。二是现场控制填土的含水量。实际施工中，填土的含水量是一个影响压实效果的关键指标，路基施工中当含水量过大时应翻松晾晒或掺灰处理，降低含水量;当含水量过低时，应翻松并洒水闷料，以达到较佳的含水量。三是分层填筑、分层碾压。施工前，要先确定填土分层的压实厚度。
第1题 用摆式仪测定某单点抗滑值，5次读数分别为55、54、56、54、55，则该点抗滑值为（）BPN。 A.54； B.56； C.需重测； D.55。 答案:D 您的答案：D 题目分数：4 此题得分：4.0 批注： 第2题 摆式仪在路面横断面的测点应选择在行车道轮迹处，且据路面边缘不应（）。 A.大于1m； B.大于0.5m； C.小于1m； D.小于0.5m。 答案:C 您的答案：C 题目分数：4 此题得分：4.0 批注： 第3题 摆式摩擦仪调零允许误差为（）BPN。 A.±1； B.±2； C.±3； D.0 答案:A 您的答案：A 题目分数：4 此题得分：4.0 批注： 第4题 在用摆式仪开始进行测试时，（）不做记录。
A.第一次测定； B.前三次测定； C.最后一次测定； D.第一次和第二次测定。 答案:A 您的答案：A 题目分数：4 此题得分：4.0 批注： 第5题 采用摆式仪测定时，每个单点需测试（）次，且5个值中最大值和最小值的差值不得大于（）。 A.3； B.3,5； C.5,5； D.3,3。 答案:A 您的答案：B 题目分数：4 此题得分：0.0 批注： 第6题 用摆式仪测试路面抗滑性能时，同一处平行测定的次数要求为（）。 A.2次； B.3次； C.5次； D.4次。 答案:B 您的答案：B 题目分数：4 此题得分：4.0 批注： 第7题 人工读值式摆式仪的摆值最小刻度为（）。 A.1 B.2
C.3 D.0.5 答案:B 您的答案：D 题目分数：4 此题得分：0.0 批注： 第8题 采用摆式仪测定时，摆在路面上的滑动长度是（）。 A.126mm； B.125mm； C.126mm±1mm； D.125mm±1mm。 答案:C 您的答案：C 题目分数：4 此题得分：4.0 批注： 第9题 用摆式仪测定路面摩擦系数，所测定的抗滑值用以评定路面或路面材料试件在（）状态下的抗滑能力。 A.干燥； B.中湿； C.潮湿； D.浸泡 答案:D 您的答案：B 题目分数：4 此题得分：0.0 批注： 第10题 摆式仪的结构组成部分有( )。 A.滑溜块； B.透明有机玻璃筒； C.调平螺丝； D.释放开关。
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设f k（x, y）和f（k i）（x, y）分别为图像序列中的第k帧和第k+1帧中象素点（x，y）的象素值,则这两帧图像的差值图像就如公式2-1所示： Diff ki f k（x, y） f（k 1）（x, y）（2-1）2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1式得到第k帧和第k+1帧的差值图像Diff k 1；2、对所得到的差值图像Diff k 1二值化（如 式子2-2示）得到Qk+1 ；3、为消除微小噪声的干扰，使得到的运动目标更准 确，对Q k 1进行必要的滤波和去噪处理，后处理结果为M k 1。 1
压实度检测试验作业指导书 室外试验： 压实度试验检测2人，试验用时25-40分钟。 目的和适用范围 1.1本方法适用于在现场测定基层(或底基层)、砂石路面及路基土的各种材料压实层的密度和压实度检测。但不适用于填石路堤等有大孔洞或大孔隙材料的压实度检测。 1.2用挖坑灌砂法测定密度和压实度时，应符合下列规定： ⑴当集料的最大粒径小于13.2mm、测定层的厚度不超过150mm时，宜采用Φ100mm的小型灌砂筒测试。 ⑵当集料的最大粒径等于或大于13.2mm，但不大于 31.5mm，测定层的厚度不超过200mm,时，应用Φ150mm的大型灌砂筒测试。 2仪具与材料技术要求 本方法需要下列仪具与材料： ⑴灌砂筒：有大小两种，根据需要采用。主要尺寸见表
T 0921。当尺寸与表中不一致，但不影响使用时，亦可使用。上部为储砂筒，筒底中心有一个圆孔。下部装一倒置的圆锥形漏斗，漏斗上端面开口，直径与储砂筒的圆孔相同，漏斗焊接在一块铁板上，铁板中心有一圆孔与漏斗上开口相接。在储砂筒筒底与漏斗顶端铁板之间设有开关。开关为一薄铁板，一端与筒底及漏斗铁板铰接在一起，另一端伸出筒身外，开关铁板上也有一个相同直径的圆孔。 ⑵金属标定罐：用薄铁板制作的金属罐，上端周围有一罐缘。 ⑶基板：用薄铁板制作的金属方盘，盘的中心有一圆孔。 ⑷玻璃板：边长约500~600mm的方形板。 ⑸试样盘：小筒挖出的试样可用饭盒存放，大筒挖出的试样可用300mm×500mm×40mm的搪瓷盘存放。 ⑹天平或台秤：称量10~15kg，感量不大于1g。用于含水率测定的天平精度，对细粒土、中粒土、粗粒土宜分别为 0.01g、0.1g、1.0g。 ⑺含水率测定器具：如铝盒、烘箱等。
万方数据
万方数据
万方数据
万方数据
单目视觉定位方法研究综述 作者：李荣明， 芦利斌， 金国栋 作者单位：第二炮兵工程学院602教研室,西安,710025 刊名： 现代计算机：下半月版 英文刊名：Modem Computer 年，卷(期)：2011(11) 参考文献(29条) 1.R.Horaud;B.Conio;O.Leboullcux An Analytic Solution for the Perspective 4-Point Problem 1989(01) 2.任沁源基于视觉信息的微小型无人直升机地标识别与位姿估计研究 2008 3.徐筱龙;徐国华;陈俊水下机器人的单目视觉定位系统[期刊论文]-传感器与微系统 2010(07) 4.邹伟;喻俊志;徐德基于ARM处理器的单目视觉测距定位系统[期刊论文]-控制工程 2010(04) 5.胡占义;雷成;吴福朝关于P4P问题的一点讨论[期刊论文]-自动化学报 2001(06) 6.Abdel-Aziz Y;Karara H Direct Linear Transformation from Comparator to Object Space Coordinates in Close-Range Ph- togrammetry 1971 7.Fishier M A;Bolles R C Random Sample Consensus:A Paradigm for Model Fitting with Applications to Image Analy-s~s anu Automated tartograpny 1981(06) 8.祝世平;强锡富用于摄像机定位的单目视觉方法研究[期刊论文]-光学学报 2001(03) 9.沈慧杰基于单目视觉的摄像机定位方法的研究 2009 10.任沁源;李平;韩波基于视觉信息的微型无人直升机位姿估计[期刊论文]-浙江大学学报（工学版） 2009(01) 11.刘立基于多尺度特征的图像匹配与目标定位研究[学位论文] 2008 12.张治国基于单目视觉的定位系统研究[学位论文] 2009 13.张广军;周富强基于双圆特征的无人机着陆位置姿态视觉测量方法[期刊论文]-航空学报 2005(03) 14.Zen Chen;JenBin Huang A Vision-Based Method for theCircle Pose Determination with a Direct Geometric Interpre- tation[外文期刊] 1999(06) 15.Safaee-Rad;I.Tchoukanov;K.C.Smith Three-Dimension of Circular Features for Machine Vision 1992 16.S.D.Ma;S.H.Si;Z.Y.Chen Quadric Curve Based Stereo 1992 17.D.A.Forsyth;J.L.Munday;A.Zisserman Projective In- variant Representation Using Implicit Algebraic Curves 1991(02) 18.吴朝福;胡占义PNP问题的线性求解算法[期刊论文]-软件学报 2003(03) 19.降丽娟;胡玉兰;魏英姿一种基于平面四边形的视觉定位算法[期刊论文]-沈阳理工大学学报 2009(02) 20.Sun Fengmei;Wang Weining Pose Determination from a Single Image of a Single Parallelogram[期刊论文]-Acta Automatica Sinica 2006(05) 21.吴福朝;王光辉;胡占义由矩形确定摄像机内参数与位置的线性方法[期刊论文]-软件学报 2003(03) 22.王晓剑;潘顺良;邱力为基于双平行线特征的位姿估计解析算法[期刊论文]-仪器仪表学报 2008(03) 23.刘晓杰基于视觉的微小型四旋翼飞行器位姿估计研究与实现 2009 24.刘士清;胡春华;朱纪洪一种基于灭影线的无人直升机位姿估计方法[期刊论文]-计算机工程与应用 2004(9) 25.Mukundan R;Raghu Narayanan R V;Philip N K A Vision Based Attitude and Position Estimation Algorithm for Rendezvous and Docking 1994(02)
压实度检测方法 公司标准化编码 [QQX96QT-XQQB89Q8-NQQJ6Q8-MQM9N]
灌砂法检测压实度方法及步骤 一、现场压实度检测准备工作 1、需要的仪器：灌沙筒、金属标定罐、基板样、天平或台秤、含水率测定器具、量砂（标准砂）。 2、标准击实试验数据：最大干密度，最佳含水量 二、现场灌砂法压实度检测操作步骤： 1、首先要在实验地点选一块平坦表面，其面积不得小于基板面积，并将其清扫干净。 2、将基板放在此平坦表面上，沿基板中孔凿洞，在凿洞过程中应注意不使凿出的试样丢失，并随时将凿松的材料取出，放在已知质量的塑料袋内，密封。 3、试洞的深度应等于碾压层厚度。凿洞毕，称此袋中全部试样质量，准确至1克。减去已知塑料袋的质量后即为试样的总质量。 4、将灌沙筒直接安放在挖好的试洞上，这时灌沙筒内应放满砂，使灌沙筒的下口对准试洞。打开灌沙筒开关，让砂流入试洞内。直到灌沙筒内的砂不再下流时，关闭开关，取走灌沙筒，称量筒内剩余砂的质量，准确至1克。 三、含水率测定和计算： 1、从挖出的全部试样中取有代表性的样品，放入铝盒内，用酒精燃烧法测其含水量。 2、（湿土+铝盒）-（燃烧后的干土+铝盒）=水重 水重除以干土重=含水量
四、压实度计算： 1、试洞内砂的质量=砂至满筒时的质量-灌沙完成后筒内剩余砂的质量-锥体的质量。 2、挖出土的总质量/试洞内砂的质量*标准砂的密度=路基土的湿密度。 3、干密度=湿密度/（1+含水量） 4、压实度=土的干密度/土的最大干密度*100%。 五、注意事项： 1、当填料最大粒径小于15mm、测定层厚度不超过150mm时，宜采用?100mm的小型灌砂筒。 2、当填料粒径等于或者大于15mm、但不大于40mm，测定层超过150mm，但不超过200mm时，应采用?150mm的大型灌砂筒。
信息技术与信息化 计算机技术与应用 63 视觉跟踪技术发展和难点问题的分析 The Tendency of the V isual Tracking and the Analysis of Tr oubles 张 进3 ZHAN G J in 摘 要 本文介绍了计算机视觉领域里的一种新兴技术即视觉跟踪技术。其中,主要介绍了视觉跟踪技术的产生、发展,同时也提到了跟踪技术中难点问题和解决思路。 关键词 视觉跟踪 目标检测 目标识别 目标跟踪 Abstract I n this paper,it describes a new technol ogy which called visual tracking of the computer visi on field .The text intr oduces that the new technol ogy ’s e mergence and devel opment,at the sa me ti m e,it refers s ome p r oble m s of this technol ogy and how t o res olve these p r oble m s. Keywords V isual tracking Object detecti on Object identificati on Object tracking 3山东建筑大学信电学院 250010 在当今的信息化社会中,随着计算机网络、通信以及微电子技术的发展,计算机图像以其直观形象、内容丰富的特点备受人们青睐。然而,在很多应用领域,人类在全部依赖视觉获得信息的同时,也需要付出艰辛的劳动。需要一种智能计算机系统技术,来模拟人眼获取外界信息图像,并模拟人脑进行视觉信息的分析和理解,从而做出相应的响应,这种技术的研究越来越受到诸多学者专家的厚爱,它就是我要介绍的视觉跟踪技术。 视觉跟踪技术用途广泛,目前它已经应用于计算机视觉等许多领域,如:视频监控、视觉用户接口、虚拟现实、智能大楼、基于目标跟踪的视频压缩等。这种技术的研究同时也为高层次的计算机视觉的研究打下基础,如3-D 目标的识别与重建等。 1 研究的主要内容和目的 视觉跟踪技术主要完成的工作有以下三个:目标的检测,目标的识别和目标的跟踪。 1.1 目标检测 目标检测是从图像序列中将前景运动区域从背景中提取出来。目标检测是运动物体的分类与跟踪以及运动人体动作分析与理解的基础,该阶段处理结果直接影响到后续处理的效果,所以运动检测在人体运动分析中的作用非常重要。然而,实时多变的外界条件如天气,光照,运动物体的影子及混乱干扰的影响给运动检测带来了困难。目前几种常用的运动检测方法有:背景减除法,时域差分法和光流法。 1.2 目标识别 目标的识别即目标的分类,一般把检测到的运动目标分为两类:人和非人,其中人体跟踪的目的是从检测的运动区域中将人的运动区域提取出来。常用的分类方法有基于形状特征的分类 (利用检测的运动区域的形状特征进行分类),比如:区域的分散 度,面积,宽高比等作为特征;基于运动特性的分类,比如:利用人的运动具有周期性作为特征。为了得到更准确的分类效果,可以将上述两种方法结合起来使用,还可以考虑运动物体的色彩和运动特征。 1.3 目标跟踪 运动目标的跟踪是指在连续帧的图像间建立基于位置、形状和颜色等有关特征的匹配问题。简单来说,就是在序列图像中,为运动目标定位。目前视频监控系统己经广泛应用到了对安全要求非常敏感的场合和机构,如银行,商场,飞机场等,但是目前的应用并没有发挥它实时主动的监控作用。因为现阶段的视频监控系统大部分只提供视频录像和回放的功能,往往是当异常事件发生后,相关人员才通过记录的结果来观察曾经发生的事,但此时往往为时己晚。人们需要的监控系统是能够实行实时监控,并能自主分析摄像头捕捉的视频信息,若发生异常情况,可以及时报警,从而避免意外发生,同时也减少了雇佣大量监视人员所需要的物力和财力。 2 视觉跟踪技术的发展 近年来,随着运动分析的硬件的发展(包括视频获取设备如摄像头,图像采集卡,处理器和计算机等),基于视频信息的分析迅速渗透到人民生活的各个方面。巨大的商业价值和应用价值使越来越多的公司和学术机构致力于这种技术的研究。美国,英国等国家己经展开了大量相关项目的研究。 1997年,由美国国防高级研究项目署DARP A (Defence Ad 2vanced Research Pr ojects Agency )领头,以美国卡耐基梅隆大学为 首,麻省理工学院等高校参与了视频监控系统项目VS AM [1]的研究开发,并于2000年基本完成.此项目主要研究用于战场及普通民用场景进行监控的自动视频理解技术:分布于各个不同位置的摄像头获取的视频信号通过一个分布式的网络连接汇集到操作 中心,只需要一个操作人员就可以监控一个相当广阔的空间范