精准安全:将视频监控与周边环境变化相结合

抽象的

视频监控对于维护社会安全起到了至关重要的作用，但到目前为止，人们对危险的认识和识别仍然存在很大的不确定性，这在一定程度上归因于背景环境的棘手变化。本文提出了一种基于过程的认知模型，通过引入比值值来计算周围环境变化的注意值所涉欧共体问题。对通用视频识别效率的ec暗示警告水平计算的理论模型(量化为暗示比率变化的时间成本到 那 )进一步建立。将所提出的模型嵌入在线算法中，作为关键应用的精度安全的未来研究重点，并初步讨论了这种集成的实际实现方案。

1.介绍

监督在维护国家社会安全和保护基础设施方面发挥着至关重要的作用[1那2］．但到目前为止，仍有相当大的不确定性与危险的理解和认可有关，特别是对于工程关键申请[3.-5.]，这可部分归因于环境条件对监察系统视频识别效率的影响。已有研究表明，在线算法中合适的模型参数和不同环境下目标检测任务的难度水平可能有很大的不同[6.］．

由于背景的特定变化，周围环境变化也是对象识别和跟踪中的一些重要但仍未解决的问题7.］．因为背景不能在不受控制的环境中表征变化，因此监控视频识别变得更加难以解决[8.］．动态环境下的物体、事故和行为识别仍然是视频监控的一大挑战[9.]，通过目标检测、运动跟踪和分析，以及对其他细节的理解和识别，采用稳健高效的算法。环境变化是如此的丰富多彩，需要一种具有普遍意义的在线算法来有效地检测和预警动态环境变化中的危险[10.-17.］．

已经开发了许多算法来解决不同环境下的视频识别挑战;然而，要充分理解环境对视频识别效率的影响，需要具有普遍意义的学习模型(忽略真实场景中不受控制的差异)[18.-27.］．这就是为什么当前的在线算法，即使是最新的算法，例如针对高维、大规模异常检测的人群分割的最新模型，仍然会遇到相当大的不确定性[23.那24.］．如何评估和计算周围环境变化影响下的调节注意，以及如何定义ec影响对视频识别效率的警告级别，应是智能监控中精度安全研究的重点[21.-27.］．

已普遍认识到，视频监控应考虑周围环境对视频监控的影响，但到目前为止，仍然没有普遍评估对视频识别效率的普遍评估的模型[4.那12.-27.］．为了解决与不受控制的EC影响相关的未解决问题，提出了各种新颖的优化模型，并进一步应用于当前的学习系统[13.-15.］．一些在线算法在特殊情景中解决特殊EC影响的在线算法的鲁棒性和效率在一系列先前的研究中验证，尽管直到现在，普遍模型用于计算对视频识别效率的EC引起的关注值和警告水平仍然是未分支的因此，紧急问题正在改善当前监测系统[16.那17.］．

本研究的目的是展示脑激发的警告水平的警告水平，对周围环境的影响变为视频识别效率，模拟脑认知过程并建立精确计算EC的精确计算理论模型，突显了在关键应用中引入提出建模的必要性。

2.初步制定

与EC集成视频监控的精确安全概念框架如图所示1．由于特征多样性，EC造成的危险检测具有很大的复杂性。精确安全旨在更好地了解EC引起的敏感区域对危险检测效率，并不仅考虑“谁是危险的”，而且“谁是危险的”，并减少不受控制和复杂的实际情况的不确定性[28.-31.］．

脑认知可以通过数据获取、分类、计算和推理四个过程来实现。在整篇论文中，原始数据、分类数据、计算数据和推断数据分别用EC表示₁,电子商务₂,电子商务_3.,电子商务_4.．很明显,生成欧洲委员会_{我+ 1} ．为了减少不确定性，假设只有EC_3.和欧共体_4.有助于消除EC影响并产生受调节的关注有效数据（由），由EC的测定产生_4.（有贡献）和EC的一部分_3.（有贡献)．

表示新生成的有效数据的数量大脑学习期，= 1, 2, 3， ．表示作为金额在- 框架和让 那 是在开始和结束时- 分别为期，= 1,2,3,4，= 1, 2, 3， ．假设数据开发的平均效率为并使用一个函数 估计欧洲委员会₁损失。让是程度的重要性和是电子商务_一世贡献 那 ；很明显 ．在此期间- 学习期（长度)，将ec影响的注意值的理论量化定义为并定义 在哪里可以解释为EC的注意时间比th学习期间, ．

基于快速DL（深学习）方法的性能，YOLO，这是对象检测，分类和跟踪最有效的算法之一[32.-36.]， EC对视频监控的影响以及注意值和警告级别如图所示2．

显然，EC的注意力时间比例减少了受调节的关注和EC警告水平（表示α）通过相应的时间成本来测量。在本文中，计算α被制定为评估含义比例的时间成本到 那 = 1, 2， ....

3.理论分析

确认非线性功能分析，适用于解决实际情况分析，恰好，多级方法已广泛采用模拟灾难响应[37.-42.］．但是，为了消除ec的影响，利用确定的ec注意值和对此类影响的警告级别，对理解和识别精度安全方面的危险值得重新考虑。回想一下，大脑对ec含义的认知在理论上可以通过四个过程来实现，因此，相应的，提出的问题应该通过四个阶段的方法来解决[40-46.］．

3.1。EC的注意价值

EC的脑引发的注意力和警告水平的脑卒中方法如图所示3.，其中ec的影响表现为注意价值和警报水平的演变。该方法独立于ec类型，具有普遍意义。通过整个视频采样、训练和识别过程，可以对行为、事故和情感理解进行脑启发数据挖掘方法中的调节注意[47那48］．

首先，我们有 这意味着 假设EC._3.可以完全转换为EC_4.；我们获得

让 那 ．从(2） - （4.）和初步制定，我们有 因此，理论量化(即ec影响的注意价值)是

3.2。确定的警告水平

它仍然可以确定EC含义的警告水平。为了降低学习期的时间复杂性，因为EC普遍意义，分析可以分为两种情况：不同学习阶段的时间成本是独立的或考虑周期是相互依赖的。

在单个学习期内，如果EC进化率是固定的（表示)，然后我们有

让 ；我们有

考虑到的变化在此期间，例如，让 ；我们有 因此

一个关于学习时间,让 ；我们有

解决(11.)是

同样,我们有

简化（13.)，定义如下:

时间参数矩阵

原始状态矩阵

动态功能矩阵 得到(13.）：

进一步考虑监视视频之间的关系，让 ；然后

（17.)是

定义 那 那 ,我们获得 在哪里关联函数是什么- 考虑安全系统中的视频， ．

最后，以时间代价计算EC-warning级别到 那 ．在Multidata Fusion，学习和建模中理论上可以在理论上实施监管。利益区域（ROI）或兴趣行人（POI）对应于GIS数据，包括时间，地点和EC，通过适用于实际场景的东西，如图所示4.．值得注意的是，从2D视频序列产生的3D立体声是有利的，突出显示EC演化，因此确定学习周期的长度也是有利的。

4.仿真和讨论

我们在本研究中提出的模型是具有普遍意义的学习模型(忽略了真实情景下的不可控差异)，旨在建立环境对视频识别效率影响的理论框架。它将有助于普遍评价ec对视频识别效率的影响。为了解决不同环境下的视频识别问题，已经开发了许多算法，但仍然难以描述学习周期的时间复杂度。这在很大程度上归因于视频识别问题的复杂性。即使对于给定的问题，也不容易确定不同ec场景的学习周期。一般情况下，EC的注意时间比在调节注意时降低，EC预警水平可通过降低EC注意时间比的相应时间代价来衡量。我们用公式表示参数α随着含义比率的时间成本变化到 那 ．为了对时间复杂度进行详细分析，图中给出了不同监控场景下视频检测与跟踪的学习周期示例5.．处理时间复杂度的一个可能解决方案是在关键应用中的在线算法中被建立到在线算法中，利用这些新添加的示例和证据。

由于学习期的时间复杂性，我们提供了仿真的EC注意值，10个视频，具有表中具有给定的EC注意值的视频1．方程(17.） - （20.）用于模拟对应的EC警告水平的脑启发计算。

忽略十个监视视频之间的关联，来自（17.） 和 （18.），EC警告水平来自到是= 0.8868,= 0.1363，= 1.5691，和分别= 0.9220， ．考虑到十个监视视频之间的关联，利用（19.） 和 （20.),让 那 并找到合适的关联功能（这里 )， ec警告级别到是= 0.4096，= 0.0984，= 0.6314，和分别= 0.9220， ．

描述ec预警级别和隐含危险有助于了解视频监控在不断变化的环境中如何检测潜在危险，特别是在无人驾驶中，其中一个主要的瓶颈是寻找有效和高效的危险检测和谨慎算法，主要是由于在使用的学习系统中缺乏适应性注意[49-51］．许多问题仍未解决，其中一部分是由于对ec的影响了解不足[52-58］．本研究中的这种影响的脑激发建模方法主要取决于注意数据和注意时间的长度，忽略了实际情况的差异。因此，拟议的模型对其关键应用具有普遍意义。因此，有必要考虑将建议模型与在线监控算法相结合到精密安全性[59-61］．这种精确安全可能是一个巨大的挑战，因为在以前的一些研究中已经证明了关键环境中的视频识别效率的性能下降[6.那17.那21.那35.］．

对于EC且EC引起的特殊方案不显着，不需要将模型与在线算法的集成。在特殊应用中可以很大程度上简化计算。以车道检测为例，生物学原理是检测和识别一条线，即使车道部分丢失，也可以很好地工作[62-64]，如图所示6.．

然而，对于复杂的应用，需要嵌入当前安全系统中的建议模型，例如对稀疏跟踪的压缩感测[18.]（可以改善ROI内的局部压缩感测），来自移动摄像机的实时对象检测的vibe算法[19.[ROI中的噪声检测Adaboost算法[20.]，用于机器人的光流量的环境的识别[21.]，支持向量机聚类以进行意外分类[22.]，用于异常检测、乌鸦分析和ROI层次跟踪的深度学习算法[23.-27.］．动态环境变化下的目标理解与检测通常基于自适应背景减法等目标识别方法[17.那21.那35.那65-68］．图中给出了将所提模型与这些算法实际集成的初步方案7.，其中烟雾作为全球环境变化对视频行为的显着意义，在两个人的徘徊期内对视频行为识别和游荡检测;检测到悬停行为的一半;只有一个人被红色突出显示，另一个人始终处于绿色矩形中，表明在任何真正的具有挑战性的情况下考虑在考虑的时间内的视频监控效率的降低。值得注意的是，所提出的模型具有分析解决方案，每次迭代的时间成本远远短于任何视频识别算法的时间成本。因此，嵌入了当前安全系统中所提出的模型，不仅是必需的，而且是可行的;建议的模型可以很好地与任何在线算法都很好，没有监视效率的巨大损失。

结论

尽管以前对各种环境中的视频监控算法进行了研究，但对象检测，分类和跟踪仍有相当大的不确定性。理解和认识到周围环境对监测效率的变化的影响仍然非常有限。本研究中这种影响的脑激发建模方法主要取决于注意数据和注意时间，忽略了实际情况的差异。因此，提出的模型代表了计算智能的生物学原理，对其与在线算法的实际集成具有普遍意义。然而，仍然需要充分了解不同EC场景的学习期的复杂性。这也是对普遍评估周围环境对视频识别效率的影响的下一个研究优先权。

的利益冲突

作者声明他们没有利益冲突。

致谢

深圳市基础研究发展计划项目(no . JCYJ201506 30114942260);国家自然科学基金项目(no . 41571299);中国科学院“西部之光”资助项目(no . XBBS-2014-16);

参考文献

1. A. Bekhouch, I. Bouchrika，和N. Doghmane，“通过提高多视图视频编码的层次层次来改善视图随机访问”，消费电子产品的IEEE交易，卷。62，没有。4，pp。437-445,2016。查看在：出版商网站|谷歌学术
2. R.BHATT和R. DATTA，“基于无线多媒体传感器的优先考虑的关键事件监视的双层战略”无线网络，卷。22，没有。1，pp。267-284,2016。查看在：出版商网站|谷歌学术
3. J. Rajeshwari, K. Karibasappa，和M. T. Gopalkrishna，“Adaboost模量局部保留投影:使用Adaboost模量局部保留投影的视频中的人脸检测”，IET计算机愿景，第10卷，第5期。7，pp。670-678,2016。查看在：出版商网站|谷歌学术
4. Y.张，Q.-z.李，和f.-n.ZANG，“船舶检测非静止平台的视觉海上监控”，“海洋工程， vol. 141, pp. 53-63, 2017。查看在：出版商网站|谷歌学术
5. A. Abrardo, M. Martalò，和G. Ferrari，“大规模监视无线传感器网络中有效目标检测的信息融合”，信息融合，卷。38，pp。55-64,2017。查看在：出版商网站|谷歌学术
6. S.Murayama和M. Haseyama，“关于交通监测视频的交通流量测量说明：在各种环境中降低性能下降，”北美的传染病诊所，卷。23，不。2，pp。209-214，2009。查看在：谷歌学术
7. A. E. Maadi和X. Maldague，“户外红外视频监控：一种新型动态技术，用于减去IR图像变化的背景”红外物理与技术，第49卷，第49期。3，pp。261-265,2007。查看在：谷歌学术
8. K. Srinivasan，K.Porkumaran和G. Sainarayanan，“室内视频监测中的人体细分的背景减法技术”科学与工业研究杂志，第73卷，第2期5，pp。342-345,2014。查看在：谷歌学术
9. H. Sun和T. Tan，“视频监控的时空分割”，IEEE电子字母，卷。37，不。1，pp。20-21,2001。查看在：出版商网站|谷歌学术
10. M. A. A. Dewan，M. J. Hossain和O. Chae，“视频监控的背景独立的移动对象分割”《通讯汇刊》，卷E92-B, no。2, pp. 585-598, 2009。查看在：出版商网站|谷歌学术
11. A. N. Taeki和M. H. Kim，《情境感知视频监控系统》，电气工程技术学报，卷。7，不。1，pp。115-123,2012。查看在：谷歌学术
12. A.Milosavljević，A.Dimitrijević和D.Rančić，“GIS-Augmented视频监控”，国际地理信息科学杂志，卷。24，不。9，PP。1415-1433，2010。查看在：出版商网站|谷歌学术
13. J.S.Kim，D. H. Yeom和Y.Hao，“智能视频监控系统的多个移动物体的快速和强大算法”，消费电子产品的IEEE交易，卷。57，没有。3，pp。1165-1170，2011。查看在：出版商网站|谷歌学术
14. Z.张，M.王和X.Geng，“人群在标签分销学习中的公共视频监控，”神经古脑，卷。166，PP。151-163,2015。查看在：出版商网站|谷歌学术
15. H. Yoon, Y. Jung, S. Lee，“无线视频监控系统中的图像序列传输方法”，无线个人通信，第82卷，第2期3, pp. 1225-1238, 2015。查看在：出版商网站|谷歌学术
16. M.K.ILIM，S. Tang和C. S. Chan，“Isurveillance：在监控视频中进行多次事件检测智能框架”，具有应用的专家系统，卷。41，没有。10，pp。4704-4715，2014。查看在：出版商网站|谷歌学术
17. K.A.NIRANJIL和C. SURESHKUMAR，“基于改进的自适应GMM的动态环境减法，具有用于移动物体检测的TTD，”电气工程技术学报，第10卷，第5期。1, pp. 372-378, 2015。查看在：谷歌学术
18. 李力，“基于压缩感知的核稀疏跟踪”，IET计算机愿景，卷。8，不。4，pp。305-315,2014。查看在：出版商网站|谷歌学术
19. T. Kryjak，M. Komorkiewicz和M. Gorgon，“使用Vibe算法从移动相机实时实现前景对象检测”，计算机科学与信息系统，第11卷，第5期。4, pp. 1617-1637, 2014。查看在：谷歌学术
20. J. Cao, S. Kwong, R. Wang，“基于噪声检测的错误标记数据AdaBoost算法”，模式识别第45卷第5期12, pp. 4451-4465, 2012。查看在：出版商网站|谷歌学术
21. M.Kimura和M. Shibata，“环境识别在自主移动机器人中使用光流”帕金森主义和相关疾病，卷。14，不。8，pp。S63-S64，2008。查看在：谷歌学术
22. A. Temko和C. Nadeu，“使用基于svm的聚类方案对声学事件进行分类”，模式识别，卷。39，没有。4，pp。682-694,2006。查看在：出版商网站|谷歌学术
23. S. M. Erfani, S. Rajasegarar, S. Karunasekera，和C. Leckie，“使用深度学习的线性单类支持向量机的高维大规模异常检测”，模式识别，卷。58，pp。121-134,2016。查看在：出版商网站|谷歌学术
24. 康康，“基于全卷积神经网络的人群分割”，计算机科学，第49卷，第49期。1，pp。25-30,2014。查看在：谷歌学术
25. 徐敏，“基于深度学习的层次跟踪”，《计算机科学与技术》，中国计算信息系统，第10卷，第5期。15，pp。6331-6338,2014。查看在：谷歌学术
26. J. Hu，J. Lu和Y.P. Tan，“深度度量学习视觉跟踪”IEEE视频技术电路与系统汇刊第26卷第2期11, pp. 2056-2068, 2016。查看在：谷歌学术
27. J.Kuen，K.Mile和C. P. Lee，“通过时间缓慢原则自学了解视觉跟踪的深度不变的表示”，“模式识别，卷。48，不。10，pp。2964-2982,2015。查看在：出版商网站|谷歌学术
28. B.-G.KIM，“智能监控应用中高效视频编码（HEVC）的”快编码单元（CU）确定算法“超级计算杂志，第73卷，第2期3，第1063-1084页，2017。查看在：出版商网站|谷歌学术
29. R. Steen，“一种便携式数字视频监控系统，用于监控猛禽巢穴中的猎物运送情况，”猛禽研究杂志号，第43卷。1，第69-74页，2009。查看在：出版商网站|谷歌学术
30. L. Chen，D.朱，J. Tian和J. Liu，“使用运动奇点分析的交通监测视频中的粉尘粒子检测”数字信号处理，卷。58，pp。127-133,2016。查看在：出版商网站|谷歌学术
31. M. de-la-Torre，E.Granger，R. Sabourin和D. O.Gorodnichy，“适应性歪斜敏感的集合，用于视频监控，”人脸识别“模式识别，卷。48，不。11，pp。3385-3406,2015。查看在：出版商网站|谷歌学术
32. S. AFAQ ALI SHAH，M. BENNAMOUN和F. Boussaid，“基于形象集的面部和物体识别的迭代深入学习”，神经古脑，第174卷，第866-874页，2016。查看在：出版商网站|谷歌学术
33. I. Lenz, H. Lee和A. Saxena，“探测机器人抓取的深度学习”，国际机器人研究杂志，卷。34，不。4-5，pp。705-724,2015。查看在：出版商网站|谷歌学术
34. B. Kamsu-Foguem和D.Noyes，“基于图的工业维护的知识管理中的基于图的推理”工业中的计算机号，第64卷。8, pp. 998-1013, 2013。查看在：出版商网站|谷歌学术
35. A. Ess, K. Schindler, B. Leibe，和L. Van Gool，“动态环境中自主导航的目标检测和跟踪”，国际机器人研究杂志，卷。29，不。14，pp.1707-1725,2010。查看在：出版商网站|谷歌学术
36. J. Redmon, S. Divvala, R. Girshick和A. Farhadi，“你只看一次:统一的，实时的目标检测”计算机愿景和模式识别的IEEE会议的诉讼程序，pp.779-788,2015。查看在：谷歌学术
37. 王学平，陈凤生，“基于平衡模糊聚类的应急医疗物资多式联运优化方法”，国际生产研究杂志，卷。54，没有。14，pp。4368-4386,2016。查看在：出版商网站|谷歌学术
38. J. ruj和Y. Shi，“利用情景分析和区间数方法监测和评估基于物联网的电子商务配送中的水果新鲜度”，信息科学， vol. 373, pp. 557 - 570,2015。查看在：出版商网站|谷歌学术
39. Z. Lu, S. Réhman, M. S. L. Khan，和H. Li，“基于基本矩阵的2D视频的浮雕三维立体可视化”，在2013年国际虚拟现实和可视化会议的会议记录，ICVRV 2013，PP。中国305-308，2013年9月。查看在：出版商网站|谷歌学术
40. J. H. Ruan，X. P. Wang和Y. Shi，“医疗用品的两阶段方法在大规模灾难响应中的多式联运，”国际环境研究与公共卫生杂志，第11卷，第5期。11，pp。11081-11109,2014。查看在：谷歌学术
41. H. Jiang和J. H. Ruan，“基于隶属度转换新算法的网络安全模糊评估 - M（1,2,3），”网络杂志，卷。4，不。5，pp。324-331,2009。查看在：谷歌学术
42. 阮建中，石鹏，陈建中。“基于区间和模糊数方法的救灾物资分配与优化”，信息科学，卷。303，pp。15-32,2015。查看在：出版商网站|谷歌学术|MathSciNet
43. W. Otjacques, F. De Laender，和P. Kestemont，“识别普通欧洲鱼类——蟑螂数量下降的原因:一种建模方法，”生态模型，第322卷，第92-100页，2016。查看在：出版商网站|谷歌学术
44. C. J. Littles，S.S.Pilleugin和T.K. Frazer，“促进佛罗里达州牛奶群人口趋势的综合反法和多元化方法”海洋哺乳动物科学，卷。32，不。1，pp。122-140,2016。查看在：出版商网站|谷歌学术
45. S. Santoro, a . J. Green和J. Figuerola，“移民促进了新建立的人口来源的快速增长”，生态，卷。97，没有。4，pp。1048-1057,2016。查看在：谷歌学术
46. J. D. H. Smith和C. Zhang，“广义洛特卡稳定性”，人口生物学理论，第103卷，第38-43页，2015。查看在：出版商网站|谷歌学术
47. R. Velik，“一种大脑启发的多模式数据挖掘方法，用于养老院的人类活动识别，”环境智能与智能环境杂志，第6卷，第2期4, pp. 447-468, 2014。查看在：谷歌学术
48. J. J. Wong和S. Y. Cho，“一个脑激发情感认可框架，”磁共振成像，卷。32，不。9，pp。1139-1155，2006。查看在：谷歌学术
49. N.Ovcharova和F. Gauterin，“基于驾驶员注意力检测的自适应预测碰撞警告系统评估”，“临床及实验转移，卷。8，不。2，pp。215-224,2012。查看在：谷歌学术
50. A. Finn和K. Rogers，“无人驾驶飞行车的声学大气断层扫描的准确性要求”美国声学学会，第139卷，第139期4, pp. 2097-2097, 2016。查看在：谷歌学术
51. S. Kim, H. Oh和a . Tsourdos，《移动地面车辆的非线性模型预测协调对峙跟踪》，中国指导控制与动态杂志第36卷第2期2, pp. 557-566, 2013。查看在：谷歌学术
52. “障碍物信息共享越多，实时路径规划越有效?”以知识为基础的系统，第114卷，第36-46页，2016。查看在：出版商网站|谷歌学术
53. M. W. whalen，D.辅电器和A. GACEK，“安全车辆的要求和架构”IEEE软件，卷。33，不。4，pp。22-25,2016。查看在：出版商网站|谷歌学术
54. R.Czyba，G. Szafranski和A. Rys，“单倾斜三转子飞行器的设计和控制”，智能与机器人系统学报，卷。84，否。1-4，pp。53-66,2016。查看在：谷歌学术
55. “基于改进约束差分进化算法的无人机全局路径规划”，应用软计算，第26卷，第270-284页，2015。查看在：出版商网站|谷歌学术
56. T. Uppal, S. Raha和S. Srivastava，“在微分代数方程框架下使用无人机路径指定控制的轨迹可行性评估”，航空杂志号，第121卷。1240, pp. 770-789, 2017。查看在：出版商网站|谷歌学术
57. A. V. Savkin和C. Wang，“浮动和稳定障碍中的半自动车辆安全辅助导航的框架”织机第35期5, pp. 981-1005, 2017。查看在：出版商网站|谷歌学术
58. Y. T. Tan，M. Chitre和F. S.悬停，“使用低成本自主水下车辆的合作浴基位，”自主机器人，第40卷，第5期。7, pp. 1187-1205, 2016。查看在：出版商网站|谷歌学术
59. J.L.Crespo，A.Faiña和R. J. Duro，“实时机器人操作的自适应检测/注意机制”神经古脑第72卷第2期4-6页，850 - 860,2009。查看在：出版商网站|谷歌学术
60. W. Barbara，“计算智力：从自然到人工系统”，“连接科学，卷。14，不。2，pp。163-164,2002。查看在：谷歌学术
61. E. Bonabeau和C. Meyer，“计算智慧。一定新的思考业务方式，“哈佛商业评论，卷。79，没有。5，pp。106-114,2001。查看在：谷歌学术
62. Y. Wang，D. Shen和E.K. Teoh，“使用样条模型的车道检测”模式识别字母，卷。21，不。8，pp。677-689,2000。查看在：出版商网站|谷歌学术
63. Z.Kim，“强大的车道检测和追踪在具有挑战性的场景”IEEE智能交通系统汇刊，卷。9，不。1，pp。16-26,2008。查看在：出版商网站|谷歌学术
64. 李强，郑南，程海，“Springrobot:一种自动驾驶汽车原型及其车道检测算法，”IEEE智能交通系统汇刊，卷。5，不。4，pp。300-308,2004。查看在：出版商网站|谷歌学术
65. M. Dorigo，M. Birattari和C. Blum，蚁群优化和计算智能，第49卷，第49期。8日,施普林格,1995年。
66. S. Garnier, J. Gautrais和G. Theraulaz，《计算智能的生物学原理》，计算智能，卷。1，不。1，pp。3-31,2007。查看在：谷歌学术
67. H. P. Liu，D. Guo和F. C. Sun，“使用触觉测量的对象识别：内核稀疏编码方法”IEEE仪器仪表与测量学报，卷。65，不。3，pp。656-665,2016。查看在：谷歌学术
68. Liu H. P. Liu, Yu Y. L. Yu, F. C. Sun, and J. Gu，“视觉-触觉融合在物体识别中的应用”，自动化科学与工程学报，卷。X，没有。99，pp。1-13,2017。查看在：谷歌学术

版权

版权所有©2018王文峰等。这是一篇发布在创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。