贾特人gydF4y2Ba 《先进的交通工具gydF4y2Ba 2042 - 3195gydF4y2Ba 0197 - 6729gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/7669438gydF4y2Ba 7669438gydF4y2Ba 研究文章gydF4y2Ba 检测危险货物车辆的高速公路服务站基于监控视频gydF4y2Ba https://orcid.org/0000 - 0001 - 7587 - 0367gydF4y2Ba 黄gydF4y2Ba 凯gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0002 - 1765 - 1171gydF4y2Ba 赵gydF4y2Ba QinpeigydF4y2Ba 2gydF4y2Ba 陈gydF4y2Ba XinqianggydF4y2Ba 1gydF4y2Ba 中国通信建设有限公司gydF4y2Ba 北京gydF4y2Ba 中国gydF4y2Ba 2gydF4y2Ba 同济大学gydF4y2Ba 上海gydF4y2Ba 中国gydF4y2Ba tongji.edu.cngydF4y2Ba 2021年gydF4y2Ba 8gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 12gydF4y2Ba 7gydF4y2Ba 2021年gydF4y2Ba 20.gydF4y2Ba 8gydF4y2Ba 2021年gydF4y2Ba 18gydF4y2Ba 9gydF4y2Ba 2021年gydF4y2Ba 8gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021 Kai黄和Qinpei赵。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

改善高速公路加油站的安全功能,本研究提出了一种方法来检测危险货物车辆基于监控视频。在这个方法中使用的信息收集设备已经存在在加油站的监控摄像头,它允许对危险货物车辆的检测和位置自动识别而不改变安装监控设备。这个方法的过程如下。首先,我们画一个加油站的鸟瞰图图像作为背景模型。然后,我们使用逆透视映射来处理每个监控录像和针这些视频的背景模型来构建一个鸟瞰图加油站的监控模型。接下来,我们用卷积神经网络检测危险货物车辆从原始图像。最后,我们的检测结果的鸟瞰图监测模型,然后使用该模型实时监控加油站。实验表明,我们的鸟瞰图监测模型可以实现危险货物车辆的实时检测的主要地区的加油站,从而有效地减少监控人员的工作负载。gydF4y2Ba

 上海市科技重大项目gydF4y2Ba 2021年shzdzx0100gydF4y2Ba 中央大学基础研究基金gydF4y2Ba 1。介绍gydF4y2Ba

建立一个高速公路服务站是一个地区,沿着高速公路作为乘客的地方休息和加油。服务站通常包括一个停车场,服务区域和加油站(gydF4y2Ba 1gydF4y2Ba]。高速公路服务站最初建立公共服务,但随着国家高速公路的发展,交通流量的增加需要服务站改善管理和服务功能,提供更好的服务,确保顾客和人员的安全。gydF4y2Ba

加油站作为物流节点在高速公路货运车辆提供服务。因此,许多危险货物(DG)车辆进入和离开加油站。根据GB 6944 - 2012危险货物分类和代码,一个标准的中国交通运输部提出的gydF4y2Ba 2gydF4y2Ba),“危险物品”指的是化工产品具有危险特性、和“DG工具”是指特定的车辆运输危险货物的道路。当DG车辆在事故中涉及服务站,二次事故,如有毒气体泄漏和化学爆炸,可以在周围的设施和人员造成重大的伤害。因此,提高风险控制能力对DG车辆可以显著提高加油站的安全。gydF4y2Ba

服务站需要引导车辆进入车站,车站监控局势和采取一些应对事故发生时,或确定造成事故的风险gydF4y2Ba 3gydF4y2Ba]。因此,监控录像系统通常安装在服务站监控车站的情况(gydF4y2Ba 4gydF4y2Ba]。通常情况下,多个监控视频玩在一个屏幕上监控人员观察。然而,监控视频是通过摄像头设置在加油站内的不同位置,和每个视频之间不存在连续性,降低了监控管理的效率和有效性。因为监控人员需要同时从不同的角度观看监视录像,跟踪相关的目标在他们疲劳的人员;此外,这可以增加他们的可能性失去跟踪目标时目标帧之间的两个监控摄像头。提高加油站的安全管理的效率,需要一种新的方法来减少监测人员的工作量。gydF4y2Ba

计算机视觉技术常被用来减少工作负载在交通监控领域(gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 6gydF4y2Ba)和站监控(gydF4y2Ba 7gydF4y2Ba]。这种技术可以识别和定位图像中的一些目标。由于识别成功率高,定位精度高,它有很多应用在交通监控gydF4y2Ba 8gydF4y2Ba)和工业测量(gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

与车辆传感器网络(gydF4y2Ba 10gydF4y2Ba)和原位技术(gydF4y2Ba 11gydF4y2Ba),计算机视觉反应更迅速,易于安装和操作gydF4y2Ba 12gydF4y2Ba]。然而,计算机视觉在交通监视有其局限性。看到相机通常对角线上每个相机之间的道路和安装是不一样的,所以很难用一个统一的方法来定位目标在不同的监控视频(gydF4y2Ba 13gydF4y2Ba]。还有一个很大的区别加油站的监控区域和交通监控。服务区域需要覆盖面积大;然后,它需要更多的摄像头的盲区最小化。但是交通监视的监视区通常是路,狭窄,长,它不需要太多的相机。两人的任务也不同。一方面,服务区域需要指导和调整DG车辆的位置,并确保其停车位置符合安全要求;然后,定位的要求。另一方面,交通监控只需要记录事故,并不是定位需求(道路段就足够了)。根据这个,需要一个方法结合不同相机的信息,实现车辆的定位功能的加油站。gydF4y2Ba

随着图像处理技术的发展,图像拼接技术已广泛应用于视频监控应用程序(gydF4y2Ba 14gydF4y2Ba]。图像拼接的方法用于针多个图像从不同的角度为一个图像(gydF4y2Ba 15gydF4y2Ba]。由一些监控摄像头,将提要缝合在一起来防止这种技术可以显著降低监测人员的工作量。然而,传统的图像拼接算法是基于图像之间的匹配特征点,如筛选[gydF4y2Ba 16gydF4y2Ba],[冲浪gydF4y2Ba 17gydF4y2Ba],ORB (gydF4y2Ba 18gydF4y2Ba]。这些方法适用于一些图像重叠区域大但没有监控录像系统通常发现在服务站。这是因为交通监控录像设备更关心最大化使用有限数量的摄像机视觉区域,因此,安装摄像头的位置更分散。因此,缺乏不同的视频图像之间的重叠区域。这些原因使它很难使用传统针服务站监控视频图像拼接算法。gydF4y2Ba

相机成像的基本原理是一个过程,使用世界坐标系统图像信息映射到图像坐标系统视角转换后,可能会导致一些变形的形象。这个过程称为角度映射(PM)的形象。点的一个典型的例子是,如果你把两个假想对象相同的大小,一个接近摄像机将会出现比其他图像中。gydF4y2Ba

最常见的方法来消除图像的透视效果是逆透视映射(IPM) [gydF4y2Ba 19gydF4y2Ba),这是下午的逆过程。通过计算相机的变换矩阵,IPM地图信息从图像坐标系到世界坐标系。在道路交通领域,IPM常被用来获得鸟瞰图的形象从监控视频监控区域,如车道检测方法提出了奥利维拉et al。gydF4y2Ba 20.gydF4y2Ba)和城市道路标记检测方法提出了李et al。gydF4y2Ba 21gydF4y2Ba]。此外,由于航拍图像保留目标的水平位置信息,它通常用于定位和跟踪目标,如车辆轨迹提取方法基于航拍视频(gydF4y2Ba 22gydF4y2Ba基于无人机[]和交通监控gydF4y2Ba 23gydF4y2Ba]。因为安装监控摄像头在服务站类似于他们的安装在交通领域,它可能是可行的在加油站使用IPM过程监控视频。gydF4y2Ba

此外,卷积神经网络(CNN)技术的发展大大提高了应用的功能目标探测技术(gydF4y2Ba 24gydF4y2Ba]。利用深层的图像信息提取的卷积网络,CNN检测可以快速提取和分类复杂特性在一个图像,然后使用这些功能来识别特定的目标。CNN检测在交通检测也有许多应用,如车辆检测方法(gydF4y2Ba 25gydF4y2Ba,gydF4y2Ba 26gydF4y2Ba]。因为有大量的图像信息中包含的监控视频,在这些视频使用CNN检测来检测车辆是一种监视管理效率的提高。gydF4y2Ba

总之,本研究提出了一种基于IPM的监控视频处理算法和CNN检测。这种方法是最好的用于高速公路服务站,它是理想的减少监测人员的工作量,从而提高加油站的安全管理的效率。缝合监控视频的系统功能和自动化检测危险货物车辆服务站。本文的组织如下。部分gydF4y2Ba 2gydF4y2Ba描述了定位模型的方法建立基于监控录像以及危险货物车辆的检测方法。部分gydF4y2Ba 3gydF4y2Ba介绍了实验和结果的细节,并部分gydF4y2Ba 4gydF4y2Ba给出了结论。gydF4y2Ba

 2。材料和方法gydF4y2Ba 2.1。加油站的监控摄像头gydF4y2Ba

本文中的方法使用现有的监控摄像头获取图像信息的相关领域。常见的表示安装监控摄像头在一个加油站如图gydF4y2Ba 1gydF4y2Ba,其中有几个闭路电视(CCTV)塔安装在加油站,每一种都装有监控摄像头用不同的姿势,如图gydF4y2Ba 2gydF4y2Ba。以确保这些摄像机的视线完全可以捕获服务站的主要区域,每个区域通常是被几个摄像头,如图gydF4y2Ba 3gydF4y2Ba。不可避免的会有一些重叠的地区之间的视野相机,因为这些重叠的区域提供先决条件确保监控视频的连续性。gydF4y2Ba

安装CCTV大楼的加油站。gydF4y2Ba

安装监控摄像头的央视大楼。gydF4y2Ba

重叠的区域不同的相机。gydF4y2Ba

 2.2。IPM转换的监控录像gydF4y2Ba

应用IPM的透视效果从监控录像和重新映射其形象到鸟瞰图的形象。我们使用了基于单应性矩阵(IPM方法gydF4y2Ba 27gydF4y2Ba),它使用四个对应点在每个图像获取IPM的变换矩阵,并具有良好的可操作性,不需要相机的姿态参数的测量。gydF4y2Ba

考虑到有一个点gydF4y2Ba PgydF4y2Ba =gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 的形象和gydF4y2Ba 问gydF4y2Ba =gydF4y2Ba XgydF4y2Ba ”gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba ”gydF4y2Ba 是世界上对应点坐标系统(假设世界上所有点都在同一平面坐标系统)。然后,计算这些点的变换,如方程所示gydF4y2Ba 1gydF4y2Ba),(gydF4y2Ba 2gydF4y2Ba)和(gydF4y2Ba 3gydF4y2Ba)。3×3的矩阵gydF4y2Ba HgydF4y2Ba代表单应性矩阵,这种转变称为单应性:gydF4y2Ba (1)gydF4y2Ba XgydF4y2Ba 一个gydF4y2Ba YgydF4y2Ba 一个gydF4y2Ba ZgydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba HgydF4y2Ba 3gydF4y2Ba ×gydF4y2Ba 3gydF4y2Ba ⋅gydF4y2Ba XgydF4y2Ba YgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba (2)gydF4y2Ba HgydF4y2Ba =gydF4y2Ba hgydF4y2Ba 11gydF4y2Ba hgydF4y2Ba 21gydF4y2Ba hgydF4y2Ba 31日gydF4y2Ba hgydF4y2Ba 12gydF4y2Ba hgydF4y2Ba 22gydF4y2Ba hgydF4y2Ba 32gydF4y2Ba hgydF4y2Ba 13gydF4y2Ba hgydF4y2Ba 23gydF4y2Ba hgydF4y2Ba 33gydF4y2Ba ,gydF4y2Ba (3)gydF4y2Ba XgydF4y2Ba ”gydF4y2Ba YgydF4y2Ba ”gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ZgydF4y2Ba 一个gydF4y2Ba ⋅gydF4y2Ba XgydF4y2Ba 一个gydF4y2Ba YgydF4y2Ba 一个gydF4y2Ba ZgydF4y2Ba 一个gydF4y2Ba 。gydF4y2Ba

所示的单应性矩阵的计算方程(gydF4y2Ba 4gydF4y2Ba),gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 是点gydF4y2Ba 我gydF4y2Ba在图像坐标系和gydF4y2Ba xgydF4y2Ba ”gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ”gydF4y2Ba 我gydF4y2Ba 点的对应点吗gydF4y2Ba 我gydF4y2Ba在世界坐标系统。单应性矩阵gydF4y2Ba HgydF4y2Ba可以计算通过计算gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 在方程:gydF4y2Ba (4)gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 1gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 2gydF4y2Ba xgydF4y2Ba 3gydF4y2Ba ygydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 3gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 3gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 3gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 3gydF4y2Ba xgydF4y2Ba 4gydF4y2Ba ygydF4y2Ba 4gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 4gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 4gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 4gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 4gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba xgydF4y2Ba 3gydF4y2Ba ygydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 3gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 3gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 3gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 3gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba xgydF4y2Ba 4gydF4y2Ba ygydF4y2Ba 4gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 4gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 4gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 4gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 4gydF4y2Ba hgydF4y2Ba 11gydF4y2Ba hgydF4y2Ba 12gydF4y2Ba hgydF4y2Ba 13gydF4y2Ba hgydF4y2Ba 21gydF4y2Ba hgydF4y2Ba 22gydF4y2Ba hgydF4y2Ba 23gydF4y2Ba hgydF4y2Ba 31日gydF4y2Ba hgydF4y2Ba 32gydF4y2Ba =gydF4y2Ba hgydF4y2Ba 33gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 1gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 2gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 3gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 4gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 1gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 2gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 3gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba 4gydF4y2Ba 。gydF4y2Ba

转换后的图像如图gydF4y2Ba 4gydF4y2Ba。因为转换后的图像标记图像扭曲的形象,只有部分加油站(如道路面积和停车场)需要监控,我们裁剪转换后的图像,只留下必要的目标区域。gydF4y2Ba

IPM监控图像的变换。(一)原始图像。(b)空中图像。gydF4y2Ba

 2.3。鸟瞰图目标区域的图像拼接gydF4y2Ba

生成一个加油站监测模型,有必要建立一个标准的参考系统基于服务站的结构。因为转换后的图像有一个对应的区域在加油站,这些图像拼接成一个背景图像,包括服务站的结构信息(如鸟瞰图图像或一个结构地图)可以提供一个定位参考图像中检测目标。我们使用了一个无人机(UAV)采取鸟瞰图整个加油站使用的图像作为背景图像,它提供了一个参考位置监测模型。gydF4y2Ba

IPM转换后的目标区域在每个监控录像,我们缝鸟瞰图图像目标区域的背景图像,如图gydF4y2Ba 5gydF4y2Ba。不同颜色的区域图gydF4y2Ba 5gydF4y2Ba代表转换由不同的监控摄像头,拍摄的图像和背景模型是通过航空摄影服务领域。因为通常没有统一标准的安装提出了相机,有必要在缝合过程中手动调整目标区域的大小,以确保它符合相应的区域背景模型。gydF4y2Ba

缝鸟瞰图服务站的形象。gydF4y2Ba

 3所示。危险货物车辆检测基于SSDgydF4y2Ba

根据GB 6944 - 2012危险货物分类和代码,“危险货物通常被定义为与危险化工产品属性。这些产品应该使用坦克公路运输的容器(gydF4y2Ba 28gydF4y2Ba]。因此,我们建议的方法检测图像上的DG车辆通过检测水箱容器,如图gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

罐容器和检测功能区域。gydF4y2Ba

一声枪响MultiBox检测器(SSD) [gydF4y2Ba 29日gydF4y2Ba)是一个单程检测CNN模型,使用锚箱不同尺度和比例均匀样本图像,然后使用CNN层提取的特征分类和回归。这种设计提高了计算速度,SSD与传统的两阶段方法相比,如快速R-CNN [gydF4y2Ba 30.gydF4y2Ba]。SSD的损失函数结合的信心丧失和本地化损失,见以下方程:gydF4y2Ba (5)gydF4y2Ba lgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba lgydF4y2Ba 相依gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba +gydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba 疯狂的gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 。gydF4y2Ba

来匹配不同的物体,SSD集多个锚箱在每个功能层,如方程所示(gydF4y2Ba 6gydF4y2Ba),gydF4y2Ba 年代gydF4y2Ba 马克斯gydF4y2Ba 和gydF4y2Ba 年代gydF4y2Ba 最小值gydF4y2Ba 代表规模最大和最小规模比例锚箱的图片,分别gydF4y2Ba 米gydF4y2Ba是功能层的数量:gydF4y2Ba (6)gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba 最小值gydF4y2Ba +gydF4y2Ba 年代gydF4y2Ba 马克斯gydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba 最小值gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

此外,通过设置纵横比SSD匹配特性。锚箱与特定的宽高比gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba 规模下gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba ,宽度和高度可以使用以下公式计算:gydF4y2Ba (7)gydF4y2Ba wgydF4y2Ba kgydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ,gydF4y2Ba hgydF4y2Ba kgydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba 。gydF4y2Ba

考虑到检测到图像不同的相机,捕捉到这些摄像机安装在不同的位置和姿势,和这些图像的特性有不同的大小和比例;变量锚设计使用SSD可以有效地匹配等功能。我们设置不同的锚纵横比的图像从不同的摄像头捕捉到的。的图像序列gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba 相机捕捉到gydF4y2Ba 我gydF4y2Ba 比率,我们选择几个方面gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba 形成了比序列gydF4y2Ba RgydF4y2Ba 我gydF4y2Ba 样品在不同的图像序列,见以下方程:gydF4y2Ba (8)gydF4y2Ba RgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

DG车辆的检测过程如图gydF4y2Ba 7gydF4y2Ba。因为IPM变换后的图像会产生严重的图像失真,降低了DG车辆检测的成功率,我们设计了车辆检测过程发生在IPM之前转换过程。然而,由于IPM转换后的图像出现,只需要检测领域包括裁剪的目标区域,这相当于大约30 - 60%的原始图像。因此,对于每一个相机gydF4y2Ba 我gydF4y2Ba ,检测区域gydF4y2Ba ROIgydF4y2Ba 我gydF4y2Ba 划分,以减少计算时间。该部门的gydF4y2Ba ROIgydF4y2Ba 我gydF4y2Ba 如图gydF4y2Ba 8gydF4y2Ba,其中的大小gydF4y2Ba ROIgydF4y2Ba 我gydF4y2Ba 应尽可能减少,它应该包括整个监测区域。gydF4y2Ba

检测过程。gydF4y2Ba

ROI区域划分。gydF4y2Ba

需要注意的是,SSD的坐标IPM转换所需的检测结果也符合的坐标系统转换后的图像。图像中类似于IPM单应性,假设检测结果的中心点gydF4y2Ba DgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba XgydF4y2Ba dgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba dgydF4y2Ba 0gydF4y2Ba 计算的转变点gydF4y2Ba DgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba XgydF4y2Ba dgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba dgydF4y2Ba 1gydF4y2Ba 所示如下方程:gydF4y2Ba (9)gydF4y2Ba 1gydF4y2Ba hgydF4y2Ba 31日gydF4y2Ba hgydF4y2Ba 32gydF4y2Ba hgydF4y2Ba 33gydF4y2Ba ⋅gydF4y2Ba XgydF4y2Ba dgydF4y2Ba 1gydF4y2Ba YgydF4y2Ba dgydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba hgydF4y2Ba 11gydF4y2Ba hgydF4y2Ba 21gydF4y2Ba hgydF4y2Ba 31日gydF4y2Ba hgydF4y2Ba 12gydF4y2Ba hgydF4y2Ba 22gydF4y2Ba hgydF4y2Ba 32gydF4y2Ba hgydF4y2Ba 13gydF4y2Ba hgydF4y2Ba 23gydF4y2Ba hgydF4y2Ba 33gydF4y2Ba ⋅gydF4y2Ba XgydF4y2Ba dgydF4y2Ba 0gydF4y2Ba YgydF4y2Ba dgydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

4所示。实验和讨论gydF4y2Ba 4.1。监测模型gydF4y2Ba

验证监测模型建立方法的可行性,我们使用了监测数据的高速公路服务区建设基于统一的监测模型,如图gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

监视模型。gydF4y2Ba

监测模型是由几个监控录像组件和一个背景模型。每个监控录像组件是一个鸟瞰图形象从监控录像,被航空摄影和背景模型。图中不同的颜色点在图gydF4y2Ba 9gydF4y2Ba央视大楼,每个盒子的颜色代表了区域的监控录像捕捉到相同颜色的央视大楼。图gydF4y2Ba 10gydF4y2Ba显示了DG监测模型的车辆检测结果。gydF4y2Ba

检测结果的监测模型。gydF4y2Ba

根据方程(gydF4y2Ba 10gydF4y2Ba)和(gydF4y2Ba 11gydF4y2Ba),我们计算出重叠区域的停车区域的监控模型,和重叠区域的覆盖区域停车场和道路监控模型(每个部分的面积除以交通指数线)。其结果是,gydF4y2Ba 一个gydF4y2Ba spgydF4y2Ba 达到93%,gydF4y2Ba 一个gydF4y2Ba sprgydF4y2Ba 达到71%:gydF4y2Ba (10)gydF4y2Ba 一个gydF4y2Ba spgydF4y2Ba =gydF4y2Ba 区域监测模型gydF4y2Ba 停车场gydF4y2Ba ,gydF4y2Ba (11)gydF4y2Ba 一个gydF4y2Ba sprgydF4y2Ba =gydF4y2Ba 区域监测模型gydF4y2Ba 停车场gydF4y2Ba +gydF4y2Ba 道路面积gydF4y2Ba 。gydF4y2Ba

在这种情况下,我们结合6监视视频1监测模型。这意味着停车场,要求6屏幕显示,现在只需要1屏幕,可以观察到车辆的位置更直观地监测模型。即使识别函数不是补充道,这极大地提高了效率的监控操作。gydF4y2Ba

然而,由于图像的失真在监视模型中,定位不能达到较高的定位精度。但这取决于交通指数的停车场,可以找到近似区域的车辆。gydF4y2Ba

 4.2。DG车辆检测gydF4y2Ba

培训所需的SSD 2000图像作为训练样本,从监控摄像头捕获中提到的部分gydF4y2Ba 4.1gydF4y2Ba。这些图像包含视图的罐式集装箱卡车从不同的角度拍摄。gydF4y2Ba

测试过程中,我们使用的设备配置,如表所示gydF4y2Ba 1gydF4y2Ba测试SSD的性能检测。gydF4y2Ba

DG车辆检测设备用于测试。gydF4y2Ba

操作系统gydF4y2Ba 机器学习库gydF4y2Ba CPUgydF4y2Ba GPUgydF4y2Ba
Ubuntu 18.04gydF4y2Ba 1.3.0 Pytorch版本gydF4y2Ba 英特尔i7 - 6700gydF4y2Ba 英伟达GTX970gydF4y2Ba

SSD检测评估,我们使用200白天图像捕获和200晚上图像捕获。这些图像的原始分辨率为2560×1440,但由于图像裁剪,测试图片有几个较小的决议。我们使用十字路口在联盟(借据)作为成功的标准检测,及其计算方程所示(gydF4y2Ba 12gydF4y2Ba)。在此方法中,考虑到定位操作不需要定位精度高,借据值超过50%的时候,我们确定了检测成功。美联社是主要的参数对象的检测算法。它的计算方程所示(gydF4y2Ba 13gydF4y2Ba)。并给出了评价结果表gydF4y2Ba 2gydF4y2Ba:gydF4y2Ba (12)gydF4y2Ba 借据gydF4y2Ba =gydF4y2Ba 重叠的区域gydF4y2Ba 区域联盟gydF4y2Ba ,gydF4y2Ba (13)gydF4y2Ba 精度gydF4y2Ba =gydF4y2Ba NgydF4y2Ba 真正PositiversgydF4y2Ba NgydF4y2Ba 总对象gydF4y2Ba ,gydF4y2Ba 美联社gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 精度gydF4y2Ba NgydF4y2Ba 总图像gydF4y2Ba 。gydF4y2Ba

日间和夜间检测结果。gydF4y2Ba

时间gydF4y2Ba 美联社gydF4y2Ba 成功率(%)gydF4y2Ba 误警率(%)gydF4y2Ba 失踪报警率(%)gydF4y2Ba 速度(女士)gydF4y2Ba 平均图像大小gydF4y2Ba
一天gydF4y2Ba 0.892gydF4y2Ba 97.8gydF4y2Ba 0gydF4y2Ba 2。2gydF4y2Ba 20.3gydF4y2Ba 1354年gydF4y2Ba ∗gydF4y2Ba 965年gydF4y2Ba
晚上gydF4y2Ba 0.753gydF4y2Ba 84.5gydF4y2Ba 1.5gydF4y2Ba 14gydF4y2Ba

与白天的样品的检测结果相比,夜间样本的检测结果是大大减少。主要原因是光线不足引起的图像失真。gydF4y2Ba

 4.3。讨论gydF4y2Ba

监视模型的实验结果表明,合理选择目标区域的每一个监控录像,缝合监测模型可以包括主要功能区域(例如,道路和停车区域)的加油站。此外,多个监控视频成功拼接成一个视频,大大减少监测人员的工作量。然而,一个重要的问题是监测模型中观察到。当车辆通过的两个部分之间的目标区域,它的外观是严重变形,如图gydF4y2Ba 11gydF4y2Ba从框架,或者车辆暂时消失了。这是由于不同的安装位置和摄像机之间的拍摄角度,它并不是压倒性的关注,因为汽车的形象完全恢复正常,当它进入另一个摄像机的观察范围。gydF4y2Ba

车辆图像变形的样品。gydF4y2Ba

SSD检测实验表明,SSD DG车辆检测可以有效地检测视频中,在大多数情况下。然而,由于摄像机安装位置和姿势的限制,很难探测阻挡目标在特定位置。图gydF4y2Ba 12gydF4y2Ba显示了一个示例中有四个DG车辆图像,但只有一个检测到的绿色框架,因为它不是阻挡,发现车辆红框所示。在这种情况下,摄像机捕获图像的停车场,和一些车辆停在停车场的时候,一些车辆被其他车辆堵塞。那些阻挡车辆将很难被检测到的SSD探测器,如左边的图所示gydF4y2Ba 12gydF4y2Ba。另外,一辆卡车的负责人可以挡住罐式集装箱的特性,如右所示图gydF4y2Ba 12gydF4y2Ba。gydF4y2Ba

检测故障样本。gydF4y2Ba

 5。结论gydF4y2Ba

提出了一种基于图像拼接方法和SSD检测自动检测DG的车辆在一个高速公路服务站。检测数据是基于现有的监控摄像头数据从一个加油站。我们的实验表明,使用监控摄像头安装在一个典型的方式,缝合监测模型可以覆盖主要的交通地区加油站,从而大大降低监测人员的工作量。SSD检测也减少了DG车辆识别和定位的难度和提高了效率的监控工作。gydF4y2Ba

实验这个方法,也提出了一些问题,这些问题在未来的研究需要解决。因为限制在监控摄像头的位置和姿势,这种方法不能产生一个完整的实时鸟瞰图加油站的监控模型。相反,它只能容纳部分加油站的监控功能。此外,DG车辆通常相当大;因此容易挡住其他DG车辆,导致检测失败。然而,由于车辆不阻挡的全部时间当他们在加油站,在未来的工作中,我们计划增加一个目标跟踪算法不同框架之间连接车辆的信息预测阻挡DG车辆的位置。gydF4y2Ba

 数据可用性gydF4y2Ba

不开源的数据监控视频是不允许自由分配。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

支持的工作部分上海市科技重大项目(2021 shzdzx0100)和中央大学的基础研究基金。gydF4y2Ba

 DekungydF4y2Ba Z Z。gydF4y2Ba 规划和设计的高速公路服务站gydF4y2Ba 新架构gydF4y2Ba 2004年gydF4y2Ba 2gydF4y2Ba GB 6944 - 2012,危险货物分类和代码gydF4y2Ba 锅gydF4y2Ba lgydF4y2Ba 评价危险货物车辆的适应性高速公路服务站gydF4y2Ba 广东高速公路通信gydF4y2Ba 2014年gydF4y2Ba 2014年gydF4y2Ba 4gydF4y2Ba 101年gydF4y2Ba 106年gydF4y2Ba 傅gydF4y2Ba Z。gydF4y2Ba 应用研究的智能监控系统在高速公路服务区的出入口gydF4y2Ba 2015年gydF4y2Ba 西安gydF4y2Ba 长安大学gydF4y2Ba IdreesgydF4y2Ba H。gydF4y2Ba 沙阿gydF4y2Ba M。gydF4y2Ba 瑟特gydF4y2Ba R。gydF4y2Ba 提高使用计算机视觉相机监测:研究报告gydF4y2Ba 警察:国际期刊gydF4y2Ba 2018年gydF4y2Ba 41gydF4y2Ba 2gydF4y2Ba 292年gydF4y2Ba 307年gydF4y2Ba 10.1108 / pijpsm - 11 - 2016 - 0158gydF4y2Ba 2 - s2.0 - 85044238533gydF4y2Ba 何gydF4y2Ba g·t·S。gydF4y2Ba 曾荫权gydF4y2Ba y . P。gydF4y2Ba 吴gydF4y2Ba c . H。gydF4y2Ba 黄gydF4y2Ba w·H。gydF4y2Ba 白菜gydF4y2Ba k . L。gydF4y2Ba 计算机应用路边占领智能城市的智能交通监控系统gydF4y2Ba 传感器gydF4y2Ba 2019年gydF4y2Ba 19gydF4y2Ba 8gydF4y2Ba 1796年gydF4y2Ba 10.3390 / s19081796gydF4y2Ba 2 - s2.0 - 85064970645gydF4y2Ba XiaokuigydF4y2Ba W。gydF4y2Ba 安全监控的高速公路收费站的前景gydF4y2Ba 中国日报gydF4y2Ba 2011年gydF4y2Ba 2011年gydF4y2Ba 7gydF4y2Ba One hundred.gydF4y2Ba 101年gydF4y2Ba 谢长廷gydF4y2Ba J.-W。gydF4y2Ba 余gydF4y2Ba 工程学系。gydF4y2Ba 陈gydF4y2Ba Y.-S。gydF4y2Ba 胡gydF4y2Ba W.-F。gydF4y2Ba 自动流量监测系统车辆跟踪和分类gydF4y2Ba IEEE智能交通系统gydF4y2Ba 2006年gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 175年gydF4y2Ba 187年gydF4y2Ba 10.1109 / TITS.2006.874722gydF4y2Ba 2 - s2.0 - 85008040387gydF4y2Ba 心肌梗死gydF4y2Ba C。gydF4y2Ba 黄gydF4y2Ba Y。gydF4y2Ba 傅gydF4y2Ba C。gydF4y2Ba 张gydF4y2Ba Z。gydF4y2Ba Postolache博士gydF4y2Ba O。gydF4y2Ba 建立测量:自动化集装箱码头的现状和发展趋势gydF4y2Ba IEEE仪表和测量》杂志gydF4y2Ba 2021年gydF4y2Ba 24gydF4y2Ba 4gydF4y2Ba 65年gydF4y2Ba 76年gydF4y2Ba 10.1109 / mim.2021.9448257gydF4y2Ba BiswasgydF4y2Ba s P。gydF4y2Ba 罗伊gydF4y2Ba P。gydF4y2Ba 智利的gydF4y2Ba N。gydF4y2Ba 穆克吉gydF4y2Ba 一个。gydF4y2Ba 戴伊gydF4y2Ba N。gydF4y2Ba 智能交通监控系统gydF4y2Ba 《第二国际会议上计算机和通信技术gydF4y2Ba 2016年gydF4y2Ba 新德里gydF4y2Ba 施普林格gydF4y2Ba 535年gydF4y2Ba 545年gydF4y2Ba KafigydF4y2Ba m·A。gydF4y2Ba ChallalgydF4y2Ba Y。gydF4y2Ba DjenourigydF4y2Ba D。gydF4y2Ba 豆豆gydF4y2Ba M。gydF4y2Ba BouabdallahgydF4y2Ba 一个。gydF4y2Ba BadachegydF4y2Ba N。gydF4y2Ba 无线传感器网络的研究城市交通监控:应用程序和体系结构gydF4y2Ba Procedia计算机科学gydF4y2Ba 2013年gydF4y2Ba 19gydF4y2Ba 617年gydF4y2Ba 626年gydF4y2Ba 10.1016 / j.procs.2013.06.082gydF4y2Ba 2 - s2.0 - 84896957883gydF4y2Ba 耆那教徒的gydF4y2Ba n K。gydF4y2Ba 赛gydF4y2Ba r·K。gydF4y2Ba 米塔尔gydF4y2Ba P。gydF4y2Ba 回顾交通监控系统技术gydF4y2Ba 先进的智能系统和计算gydF4y2Ba 2019年gydF4y2Ba 742年gydF4y2Ba 施普林格gydF4y2Ba 569年gydF4y2Ba 577年gydF4y2Ba 10.1007 / 978 - 981 - 13 - 0589 - 4 - _53gydF4y2Ba 2 - s2.0 - 85053873978gydF4y2Ba DatondjigydF4y2Ba s . r . E。gydF4y2Ba DupuisgydF4y2Ba Y。gydF4y2Ba SubiratsgydF4y2Ba P。gydF4y2Ba VasseurgydF4y2Ba P。gydF4y2Ba 建立交通的调查监测道路十字路口gydF4y2Ba IEEE智能交通系统gydF4y2Ba 2016年gydF4y2Ba 17gydF4y2Ba 10gydF4y2Ba 2681年gydF4y2Ba 2698年gydF4y2Ba 10.1109 / TITS.2016.2530146gydF4y2Ba 2 - s2.0 - 84992291782gydF4y2Ba 冯gydF4y2Ba X。gydF4y2Ba 魏gydF4y2Ba l . I。gydF4y2Ba 魏gydF4y2Ba T。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 曹gydF4y2Ba lgydF4y2Ba 校准和缝合的方法查看监控系统的铰接混装道路智能交通的工具gydF4y2Ba 2019年gydF4y2Ba SAE技术论文gydF4y2Ba 林gydF4y2Ba C . C。gydF4y2Ba PankantigydF4y2Ba 美国U。gydF4y2Ba Natesan需要gydF4y2Ba K。gydF4y2Ba AravkingydF4y2Ba a . Y。gydF4y2Ba 自适应尽量自然图像缝合gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2015年6月gydF4y2Ba 波士顿,美国gydF4y2Ba 1155年gydF4y2Ba 1163年gydF4y2Ba 10.1109 / cvpr.2015.7298719gydF4y2Ba 2 - s2.0 - 84959217000gydF4y2Ba 汉堡gydF4y2Ba W。gydF4y2Ba 伯吉斯gydF4y2Ba m·J。gydF4y2Ba 尺度不变特征变换(SIFT)gydF4y2Ba 数字图像处理:文本在计算机科学gydF4y2Ba 2016年gydF4y2Ba 英国伦敦gydF4y2Ba 施普林格gydF4y2Ba 609年gydF4y2Ba 664年gydF4y2Ba 10.1007 / 978 - 1 - 4471 - 6684 - 9 - _25gydF4y2Ba 湾gydF4y2Ba H。gydF4y2Ba EssgydF4y2Ba 一个。gydF4y2Ba TuytelaarsgydF4y2Ba T。gydF4y2Ba 范干傻事gydF4y2Ba lgydF4y2Ba 日后健壮的特性(冲浪)gydF4y2Ba 计算机视觉和图像理解gydF4y2Ba 2008年gydF4y2Ba 110年gydF4y2Ba 3gydF4y2Ba 346年gydF4y2Ba 359年gydF4y2Ba 10.1016 / j.cviu.2007.09.014gydF4y2Ba 2 - s2.0 - 43049174575gydF4y2Ba RubleegydF4y2Ba E。gydF4y2Ba RabaudgydF4y2Ba V。gydF4y2Ba KonoligegydF4y2Ba K。gydF4y2Ba BradskigydF4y2Ba G。gydF4y2Ba ORB:一个有效的替代筛选或冲浪gydF4y2Ba 2011年国际会议上计算机视觉学报》上gydF4y2Ba 2011年11月gydF4y2Ba 西班牙巴塞罗那gydF4y2Ba IEEEgydF4y2Ba 2564年gydF4y2Ba 2571年gydF4y2Ba 10.1109 / iccv.2011.6126544gydF4y2Ba 2 - s2.0 - 84856627527gydF4y2Ba 爵gydF4y2Ba 年代。gydF4y2Ba O 'CualaingydF4y2Ba D。gydF4y2Ba 琼斯gydF4y2Ba E。gydF4y2Ba GlavingydF4y2Ba M。gydF4y2Ba 距离测定汽车环境使用逆透视映射OpenCVgydF4y2Ba 爱尔兰信号与系统专业研讨会论文集(ISSC 2010)gydF4y2Ba 2010年6月gydF4y2Ba 爱尔兰的科克,gydF4y2Ba 10.1049 / cp.2010.0495gydF4y2Ba 2 - s2.0 - 78649551284gydF4y2Ba 奥利维拉gydF4y2Ba M。gydF4y2Ba 桑托斯gydF4y2Ba V。gydF4y2Ba SappagydF4y2Ba 答:D。gydF4y2Ba 多通道逆透视映射gydF4y2Ba 信息融合gydF4y2Ba 2015年gydF4y2Ba 24gydF4y2Ba 108年gydF4y2Ba 121年gydF4y2Ba 10.1016 / j.inffus.2014.09.003gydF4y2Ba 2 - s2.0 - 85027949320gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 冯gydF4y2Ba M。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 逆透视映射基于城市道路标记检测gydF4y2Ba 学报2012年IEEE 2云计算国际会议和情报系统gydF4y2Ba 2012年10月gydF4y2Ba 杭州,中国gydF4y2Ba IEEEgydF4y2Ba 1178年gydF4y2Ba 1182年gydF4y2Ba 10.1109 / ccis.2012.6664569gydF4y2Ba 2 - s2.0 - 84890392680gydF4y2Ba 陈gydF4y2Ba X。gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 气gydF4y2Ba lgydF4y2Ba 柯gydF4y2Ba R。gydF4y2Ba 高分辨率的车辆轨迹提取,从空中视频去噪gydF4y2Ba IEEE智能交通系统gydF4y2Ba 2020年gydF4y2Ba 22gydF4y2Ba 5gydF4y2Ba 3190年gydF4y2Ba 3202年gydF4y2Ba 10.1109 / tits.2020.3003782gydF4y2Ba KanistrasgydF4y2Ba K。gydF4y2Ba 马丁斯gydF4y2Ba G。gydF4y2Ba 卢瑟福gydF4y2Ba m·J。gydF4y2Ba ValavanisgydF4y2Ba k P。gydF4y2Ba 无人机(uav)的调查交通监控gydF4y2Ba 《2013年国际会议上无人机系统(ICUAS)gydF4y2Ba 2013年5月gydF4y2Ba 亚特兰大,乔治亚州,美国gydF4y2Ba IEEEgydF4y2Ba 221年gydF4y2Ba 234年gydF4y2Ba 10.1109 / icuas.2013.6564694gydF4y2Ba 2 - s2.0 - 84883131001gydF4y2Ba 江gydF4y2Ba H。gydF4y2Ba Learned-MillergydF4y2Ba E。gydF4y2Ba 人脸检测与R-CNN越快gydF4y2Ba 学报》2017年第12 IEEE国际会议自动脸上&手势识别(FG 2017)gydF4y2Ba 2017年5月gydF4y2Ba 美国华盛顿特区gydF4y2Ba IEEEgydF4y2Ba 650年gydF4y2Ba 657年gydF4y2Ba 10.1109 / fg.2017.82gydF4y2Ba 2 - s2.0 - 85026321959gydF4y2Ba 风扇gydF4y2Ba Q。gydF4y2Ba 布朗gydF4y2Ba lgydF4y2Ba 史密斯gydF4y2Ba J。gydF4y2Ba 仔细看看快R-CNN车辆检测gydF4y2Ba 学报2016年IEEE智能车辆研讨会(IV)gydF4y2Ba 2016年6月gydF4y2Ba 瑞典哥德堡gydF4y2Ba IEEEgydF4y2Ba 124年gydF4y2Ba 129年gydF4y2Ba 10.1109 / ivs.2016.7535375gydF4y2Ba 2 - s2.0 - 84983246764gydF4y2Ba SeenouvonggydF4y2Ba N。gydF4y2Ba WatchareeruetaigydF4y2Ba U。gydF4y2Ba NuthonggydF4y2Ba C。gydF4y2Ba KhongsomboongydF4y2Ba K。gydF4y2Ba 吴建gydF4y2Ba N。gydF4y2Ba 基于计算机视觉的车辆检测和计数系统gydF4y2Ba 学报》2016年第八届国际会议上知识和智能技术(自主)gydF4y2Ba 2016年2月gydF4y2Ba 泰国清迈gydF4y2Ba IEEEgydF4y2Ba 224年gydF4y2Ba 227年gydF4y2Ba 10.1109 / kst.2016.7440510gydF4y2Ba 2 - s2.0 - 84966558997gydF4y2Ba BradskigydF4y2Ba G。gydF4y2Ba 学习OpenCVgydF4y2Ba 2008年gydF4y2Ba 麻萨诸塞州,美国gydF4y2Ba O ' reillygydF4y2Ba 卡里gydF4y2Ba 我一个。gydF4y2Ba SharafaligydF4y2Ba M。gydF4y2Ba MahalingamgydF4y2Ba H。gydF4y2Ba 化学物流调度罐式集装箱运动gydF4y2Ba AICHE杂志gydF4y2Ba 2005年gydF4y2Ba 51gydF4y2Ba 1gydF4y2Ba 178年gydF4y2Ba 197年gydF4y2Ba 10.1002 / aic.10295gydF4y2Ba 2 - s2.0 - 12244255094gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba AnguelovgydF4y2Ba D。gydF4y2Ba ErhangydF4y2Ba D。gydF4y2Ba SzegedygydF4y2Ba C。gydF4y2Ba 里德gydF4y2Ba 年代。gydF4y2Ba 傅gydF4y2Ba 彭译葶。gydF4y2Ba 伯格gydF4y2Ba a . C。gydF4y2Ba SSD:单发射击multibox探测器gydF4y2Ba 欧洲计算机视觉的诉讼gydF4y2Ba 2016年gydF4y2Ba 可汗、瑞士gydF4y2Ba 施普林格gydF4y2Ba 21gydF4y2Ba 37gydF4y2Ba 10.1007 / 978 - 3 - 319 - 46448 - 0 - _2gydF4y2Ba 2 - s2.0 - 84990068627gydF4y2Ba GirshickgydF4y2Ba R。gydF4y2Ba 快R-CNNgydF4y2Ba 《IEEE计算机视觉国际会议(ICCV)gydF4y2Ba 2015年2月gydF4y2Ba 圣地亚哥,智利gydF4y2Ba 1440年gydF4y2Ba 1448年gydF4y2Ba 10.1109 / iccv.2015.169gydF4y2Ba 2 - s2.0 - 84964588182gydF4y2Ba