基于光流的运动车辆检测和跟踪方法和免疫粒子滤波在复杂的交通环境

文摘

基于视频的运动车辆检测和跟踪是一个重要的复杂的交通环境下车辆计数的先决条件。然而,在复杂的自然风光,传统的光流法不能准确检测的边界移动的车辆由于阴影的生成。此外,传统的车辆跟踪算法通常是由树木阻挡,建筑,等,也容易受到粒子退化和粒子过滤器。为了解决这个问题,本文提出了一种基于光流运动车辆检测和跟踪方法和免疫粒子滤波算法。该方法首先使用光流方法大致检测运动车辆,然后使用阴影检测算法基于HSV颜色空间阈值分割后标出阴影的位置,进一步结合区域标识算法实现阴影去除、准确地检测运动车辆。提出了改进的亲和力计算和抗体的变异函数的粒子滤波算法具有一定的自适应性和鲁棒性场景干扰。实验是在复杂交通场景阴影和遮挡干扰。实验结果表明,该算法可以解决阴影和遮挡的干扰,实现精确的检测和健壮的跟踪移动车辆在复杂的交通环境下,它有潜力成为云计算平台上处理。

1。介绍

近年来,汽车的普及造成了严重的交通事故和交通堵塞1),它已成为必要的缓解高峰时期交通压力。因此,在复杂的交通环境,检测行驶车辆,计数可以用来合理调节某一路段的交通流或迅速安排交通警察处理交通问题。对于许多公共场所的人2),如公交车站、火车站、机场,如果发生恐怖事件,它将产生难以想象的影响。为了防止危险事件的发生,如车辆侵入,突然加速,超速,需要探测和跟踪的车辆异常行为在这些公共场所和传输数据信息存储到云平台和物联网的进一步分析3- - - - - -5]。

一般来说,主要有四种方法来检测行驶车辆,即。,我nterframe difference method, background subtraction method, loop detectors, and optical flow method [6]。

帧间差分法,马Yongjie,车辆等人利用帧间差分法检测(7]。这种方法的关键是选择一个合适的阈值对图像的二进制。如果阈值选择不当,则会严重影响测试结果。如果太大,它不能检测到移动的车辆,如果它太小了,它不能有效地抑制图像中的噪声。这是其中一个帧间差分法的缺点,即。,它对噪声十分敏感。另外,在移动的过程中车辆检测、帧间差分法也将造成“空腔”现象。所谓的“空腔”的原因是,移动车辆的速度太慢或者检测到车辆不动。

虽然帧间差分法的计算复杂度很低在实现和对光照变化,只有对移动目标敏感。因此,它往往是结合其他方法如背景减法的方法来达到理想的检测效果。背景减法的方法仍然需要一个图像作为对比图像,然后实现不同操作之间的静态图像,随后每一帧的图像来获取不同的形象,从而从图像中检测运动车辆。高道等人使用背景减法的方法来检测行驶车辆(8]。背景建模和更新是关键的背景减法的方法(9,10]。背景减法实现方法简单,并可以根据实际设置的阈值条件。此外,该方法的检测结果可以反映出移动目标的各种情况,如方向和大小。然而,这种方法容易受到外部环境和光照敏感,风,背景运动,和相机抖动,这将导致不准确的检测结果。此外,不同操作需要人工设定阈值,没有统一的方法对每一个特定的设置。因此,这也是一个缺点的背景减法的方法。

For循环探测器(11真正的循环),检测关闭在视觉同步定位和映射(vSLAM)可以帮助relocalization登记和映射算法,提高了地图的准确性和获得更准确和一致的结果。然而,关闭循环检测(12- - - - - -14可能受到许多因素的影响,包括照明条件、季节,不同的观点,和移动对象。

所谓的光流是指像素的移动速度移动物体的灰度图像。假设在图像序列中,每个像素的前一帧的图像移动到当前帧图像的同一位置与一定的速度矢量,也就是说,每一帧图像上每个像素有一个速度矢量。理想情况下,背景是恒定的;因此,其像素的光流是零,非零像素的部分是被检测到的运动目标。光流法具有检测精度高,能够准确地分析移动目标(15,16]。同时,光流法可以检测移动目标在背景中运动。与上述三种方法相比,光流法可以获得更多关于移动目标的信息。然而,尽管光流方法具有较高的检测精度,它不能获得运动目标的精确轮廓由于一代的一个影子。

虽然对运动车辆检测的研究在国内外引起了极大的兴趣,现有方法仍然无法解决如何准确地检测行驶车辆的问题。主要原因是现实世界的环境是复杂的,如闪电的变化,路边的栏杆,摇树,会严重影响检测结果。此外,在一个开放的环境,因为复杂的目标和背景,大多数算法不能满足实时性和准确性的要求。

车辆跟踪,许多研究人员进行了深入的研究,提出了多目标跟踪算法,如传统的卡尔曼滤波算法(17),深度学习18],Meanshift算法[19),聚类算法(20.],Camshift算法[21)、聚合算法(22),和粒子滤波算法(23]。近年来,随着深度学习计算机视觉技术已经照在社区,尤其是自2015年以来,gpu已经普及,深入学习算法也被引入到目标跟踪。尽管许多车辆跟踪算法取得了良好的效果,还有各种挑战的闭塞和变化的车辆规模和复杂交通环境下照明。

云计算(24,25是分布式计算的一种,指的是将庞大的数据计算处理程序分解为无数个小程序通过网络(26“云”然后处理和分析这些早期阶段的云计算通过多个服务器的系统(27]。通过这项技术,我们可以完成的处理成千上万的数据在短时间内,从而实现强大的网络服务28,29日]。云计算不仅是一种分布式计算,还可以提供效用计算的设备,负载平衡、并行计算,协同过滤(30.)、网络存储、热备份冗余和虚拟化的结果(31日]。

应对上述挑战,我们提出一个新的基于光流的运动车辆检测和跟踪方法和免疫粒子滤波在复杂的交通环境。首先,移动车辆大概是被光流方法,然后基于HSV颜色空间的阴影检测算法用于检测阈值分割的阴影位置。然后,根据检测到的阴影区域,实现准确的运动车辆检测通过消除阴影区域。最后,免疫粒子滤波作为算法框架(32)实现自适应运动车辆跟踪(33]。基于该方法,我们可以做大数据分析34- - - - - -37车辆监控和交通管理。算法流程图如图1。

这项工作的主要贡献总结如下:(我)提出了一种基于光流运动车辆检测方法和阴影去除方法,可以改善运动车辆检测的准确性。(2)新车型基于免疫粒子滤波跟踪框架,提出了改善车辆跟踪的可靠性和健壮性的改善粒子重采样过程。

本文组织如下。部分2介绍了基于光流运动车辆检测方法。部分3解释提出了基于阴影去除运动车辆检测。部分4讨论了改进免疫粒子滤波车辆跟踪。最后,部分5和6提出一个结论和一些实验结果。

2。基于光流运动车辆检测方法

有很多方法来计算光流。根据光流场理论和数学计算方法,巴伦,等人划分成四种类型:gradient-based方法,matching-based方法、能源为基础方法和分阶段方法(38]。考虑到该算法是基于古典Horn-Schunck (HS)算法,介绍了HS算法。HS算法的流程图如图2。

HS方法有四个假设:(i)图像的灰度值是恒定;(2)光流的变化满足一定约束;(3)图像中像素的变化缓慢或者不变,也就是说,光流的变化在图像平滑;及(iv)的重叠图像中的对象将被忽略。

基于上述假设,光流方程可以得到如下: 在哪里 , , , ,和 。

接下来介绍速度平稳状态,见以下方程:

基于光流约束方程(1)和速度平滑状态,建立了最小化方程: 在哪里代表了平滑权重系数(39),指速度平滑项的比例。

然后,使用变分计算[40拉普拉斯算符),可以得到大约通过区别一个像素点的速度和其周围像素点的平均速度。因此,我们可以用迭代法求解光流方程(1),n代表的迭代次数。

但在解决方程(1),我们需要确定两个参数,和 。9分的两个参数可以计算出不同算法(41]。然后,计算灰度梯度值, , ,和 :

确定所有参数后,我们可以解决基于当前帧的速度场和前一帧灰度图像。

3所示。基于阴影去除运动车辆检测

变化以外的车辆在复杂的交通环境会影响行驶车辆的检测,例如,风吹树叶,导致背景的变化。虽然光流法适用于所有移动对象在一个图像序列的检测,这是对噪声敏感和光源,如车辆阴影,影响行驶车辆的准确检测。因此,如何有效地消除阴影光学流检测是一个重要的因素。大量的实验表明,阴影可以检测到在HSV颜色空间(42]。因此,本文结合了光流的阴影去除方法消除阴影的干扰,使运动车辆检测更准确。详细的步骤如下:(我)读的视频车辆检测,确定阴影区域转换视频的每一帧图像后两次在HSV颜色空间中,然后将获得的图像转换为灰度图像。(2)计算光流场矢量并添加光流场的视频帧。(3)计算光流矢量的平均振幅值获取速度阈值;然后,提取移动对象根据速度阈值;最后,由中值滤波去除噪声。(iv)删除车辆在移动的阴影区域根据阴影区域检测到的阴影检测算法。(v)删除道路区域形态侵蚀算法,然后填满的“空腔”区域车辆通过形态学关闭操作。下一帧重复以上过程,直到所有帧完成。

改进算法的流程图如图3。

3.1。阴影检测基于HSV颜色空间

为了获得准确的运动车辆检测、阴影需要被删除。通常,有两种类型的阴影检测方法,一是基于阴影特征,另一个是基于几何模型。本文利用阴影的颜色特征在HSV颜色空间中检测阴影。

阴影检测的管道在HSV颜色空间如下:首先,输入一帧的图像和RGB图像转换成灰度图像的颜色空间转换;第二,使用大津阈值检测方法获取图像和binarize图像的阈值;第三,通过过滤去除噪声;第四,阴影区域检测。流程图如图4。

3.1.1。HSV颜色模型

HSV颜色模型类似于一个倒置的六角金字塔模型(43),V、H和S代表亮度,颜色,分别和饱和度。从RGB转换到HSV方程所示(5)- (7):

3.1.2。阴影检测

HSV颜色空间更接近人类的视觉,可以准确地反映目标的信息。移动车辆的阴影检测到背景上的各种参数的本质的影子在HSV颜色空间中。检测的V组件将变得更小和改变很多相对于背景区域,并将识别的一个重要参数的影子。为年代组件,影子有一个较低的值和背景的区别是负的。的H组件通常不会改变(39]。基于这一特性,可以检测出阴影。具体的算法如下: 在哪里和代表亮度的阈值;和分别代表了饱和阈值和颜色;和 。 , , ,和是由许多实验,在报纸上他们的价值观是15日,23日,0.15,和0.47,分别。

3.1.3。基于大津阈值自动测定

大津算法(43]在HSV颜色空间中用于阴影检测(44),这是一种自适应阈值确定方法。更大的前景和背景之间的差异,他们之间的差别就越大。假设是一组阈值,图像的灰度是什么 ;然后遍历从0到 ;如果 ,前景和背景之间的差异成为最大的,然后被认为是所需的阈值,方差在哪里计算如下: 在哪里 , 是移动目标像素的比例的总图像像素,是移动目标像素的平均灰度值,的比例是背景像素的图像像素,背景像素的平均灰度值,然后呢B是总平均灰度值的图像。

3.2。阴影去除

删除的影子移动车辆基于阴影区域检测和获得准确的车辆检测。然后,使用形态学操作(45]删除区域的道路。最后,获得完整、准确的检测区域移动车辆通过填写“空腔”通过关闭操作(46]。

4所示。改善免疫粒子滤波的车辆跟踪

本研究基于粒子滤波跟踪车辆目标框架在复杂的交通环境。减少粒子退化的发生和保持尽可能多的粒子的多样性,受文献[32),车辆提出了基于免疫粒子滤波跟踪框架,使车辆跟踪的可靠性和健壮性改善粒子重采样过程。

在车辆跟踪过程中,目标是一个刚性的对象。因此,该算法使用一个常数比的矩形的宽度和高度来表示目标状态,也就是说, ,在哪里 , , , ,和点横坐标代表中心,中心点纵坐标,矩形宽度,矩形的高度,分别和矩形的比例因子。

4.1。粒子滤波

粒子滤波是一种计算方法,离散逼近贝叶斯后验概率密度(33]。粒子滤波是指估计目标的当前状态之前确定。当前的目标计算后验概率的基础上,检测数据和前一时刻的后验概率。粒子滤波跟踪首先扩散粒子重采样粒子的分布。然后,重新检测目标,最后更新状态正常化(33]。粒子滤波跟踪的优点是,它跑得快,可以解决部分遮挡的问题。因此,我们使用粒子滤波跟踪的车辆。

根据蒙特卡罗算法(47),数学期望可以获得,预期值是用来表达估计重量的粒子。此外,在计算过程中,粒子的权重通常是来自一个近似后验概率密度。根据贝叶斯公式,我们就得到了概率密度 ;让 ;然后,粒子样本 可以获得。

4.2。颜色分布模型

观察模型粒子滤波过程中基于颜色特征。HSV颜色直方图的维数统计计算设置为(48), , ,和代表的尺寸H组件,年代组件,V组件,分别。方法基于其他颜色空间相比,基于HSV颜色直方图的方法可以减少照明变化对跟踪精度的影响。另一方面,由于经常发生车辆跟踪过程中的遮挡,HSV颜色直方图计算块的统计方法的算法,可有效降低目标的概率损失的帮助下在这种情况下可能的计算方法。基于块的颜色直方图方法可以被定义为 在哪里代表每个街区的HSV直方图的维数;和 ,这代表目标矩形同样分为相同的块;代表像素的块的数量我th行和jth列属于区间对应的颜色 ;和代表每个块的像素总数。因此,提出了基于块的直方图的方法可以被视为一系列的规范化subhistograms。

4.3。人工免疫算法

虽然经典的免疫重采样算法整体优化粒子滤波算法框架,使粒子保持多样性在一定程度上,它不考虑场景的变化和干扰在实际应用中类似的对象。算法使用抗干扰抗体的亲和力计算和改进的变异函数的粒子滤波算法具有一定的自适应性和鲁棒性场景干扰车辆跟踪过程中。

4.3.1。亲和力计算

亲和力是用来测量该地区由粒子的概率t伴随着目标,定义为 在哪里代表方差的高斯分布代表的距离函数。减少部分阻塞引起的跟踪误差,研究进一步的距离函数进行了改进 。 更新如下: 在哪里表示的数块对象被阻挡;表示给定的阈值(通常,让 );和的平均值是阻挡块之间的距离值和相应的目标模板, ,在这Bhattacharyya直方图之间的距离吗每一个阻挡块和相应的目标模板(49), 。

4.3.2。抗体变异函数的改进

在车辆跟踪,不需要执行抗体变异操作对较高的权重的粒子,和抗体变异操作仅为轻量级的粒子根据执行的U(-u,u)分布。在这里,我们采用一种新的抗体变异函数 ,这是定义如下: 在哪里代表了关联函数,代表会议的重要关联权重阈值条件下,代表了动态调整因素, , 代表粒子的状态,表示粒子重量,是一组粒子权重阈值。请注意,在报纸上,这是由许多实验。

4.4。算法流程

(我)初始化:计算的对象的颜色直方图模板由方程(10)。以目标的中心为原点,选择N基于高斯分布的随机抽样粒子的抗体和分配每个抗体的亲和力值1 /N。(2)选择:N样品是随机选择的N输入样本根据样本的权重。粒子的选择概率高权重高,重量和小粒子的概率很小。(3)克隆:亲和力从方程(每个抗体的计算11)。克隆的目的是促进高亲和力的抗体,抑制抗体亲和力较低。因此,该算法能快速收敛到全局最优的解决方案通过克隆操作。(iv)变异:突变计算执行所有抗体根据方程(14),通过方程计算(13)。 (v)成熟:计算所有抗体的亲和突变后操作。根据亲和度排名后,重新选择N抗体作为一种新的抗体内存集进行进一步优化。(vi)估计:计算的权重的总和N抗体在内存集获得一个新的更新目标价值。接下来,判断程序结束条件是否满足,如果满足,则结束;否则,转到步骤(2)。

5。实验

实验是在计算机上实现与英特尔(R)的核心(TM) i5 - 2410 m CPU 2.30 GHz和4.00 G内存。图像大小为320×240像素,而2013年Matlab软件编程。实验结果如下。

5.1。阴影检测结果

行驶车辆捕获的视频摄像头固定在一个天桥上。AVI格式的视频的帧率15帧/ s。行驶车辆的数量足够的实验。阴影检测的实验结果如图所示5,左列是原始图像和右列是阴影区域的检测结果。

右边一列,白色区域表示阴影区域检测到的阴影检测算法基于HSV颜色空间。为了获得完整的阴影区域,形态学关闭操作(46)后执行二进制基于阈值分割的图像。

5.2。比较该方法与传统光流的方法

为了验证该方法的影响,我们比较该方法与传统的光流法。图6显示了检测结果基于传统光流方法。图6(一)显示了原始图像,图6 (b)显示了灰色后的灰度图像处理,数字6 (c)显示了光流计算,之后的光流矢量图6 (d)给出了图像通过形态学滤波和图6 (e)显示了运动车辆的检测结果。

数据7和8基于该方法的检测结果,图7显示帧# 40和图的结果8显示帧# 100的结果。数据7(一)和8(一个)显示原始图像,数字7 (b)和8 (b)显示灰色处理后的灰度图像,数字7 (c)和8 (c)显示后的光流矢量光流计算,数据7 (d)和8 (d)显示图像通过形态学滤波和数字7 (e)和8 (e)显示移动车辆的检测结果。

如图6,阴影区域包含检测盒移动车辆检测基于传统的光流法。然而,从数据7和8删除,阴影区域检测盒运动车辆检测的基于该方法。因此,该方法可以更精确地检测移动车辆比传统的光流法。

我们进行广泛的实验视频共有30辆基于该方法和传统的光流法。阴影去除的方法可以准确地检测行驶车辆,给正确的行驶车辆的数量。然而,传统的方法不能正确检测行驶车辆的数量在视频。原因是一辆黑色轿车在左车道框架的# 70不正确地检测到,如图9,汽车被一个影子因为照度差,和车本身的颜色也是黑色的。因此,该方法具有较强的鲁棒性的影子和影子对象相比,传统的光流法。

表1显示了该方法的性能比较,背景减法的方法,传统帧间差分法、光流法的平均计算时间和准确性。如表所示1虽然背景减法的方法,帧间差分法,和传统光流方法检测速度快,他们比该方法精度较低。

5.3。跟踪结果

基于提出的跟踪算法,我们执行车辆跟踪实验。实验结果如图10- - - - - -12。数据10- - - - - -12显示的跟踪结果2^nd,10^th,20^th分别在捕获的视频帧。红点数据10- - - - - -12表明基于光流法的检测结果,和蓝色的点数据11和12显示的轨迹跟踪移动的车辆。

的视频跟踪实验包括车辆在高速公路上的正常行驶状态和异常条件诸如照明变化、邻近对象相似,闭塞,和规模的变化。来验证提出的跟踪算法的有效性,实验在相同的条件下,执行和跟踪结果与两种典型的目标跟踪算法相比,即。卡尔曼滤波算法和Camshift算法。

的参数设置,粒子滤波的粒子数量设置为100,和其他相应的参数,如系统噪声和观测噪声,选择尽可能一致的三个算法。自跟踪结果的测试视频手动标记,我们称他们为地面真理和定义两个评估标准比较跟踪结果,即重心误差和目标域覆盖精度。重心误差和目标域覆盖率单帧图像表达的准确性E_rr和一个_cc,如方程所示15)和(16),分别为: 在哪里x和y显示的水平和垂直坐标跟踪目标车辆的中心,分别;和表示地面的水平和垂直坐标真理;和表达之间的重叠区域R由该算法和区域R_G由地面真理。

基于这两个评估标准,我们选择200帧的跟踪结果连续车辆图像对该方法的性能进行评估。首先,执行的跟踪实验与良好的能见度在阳光灿烂的日子。重心该方法的误差的平均值为2.1,平均价值目标域覆盖的准确性为93.6%。然而,重心错误的平均值Camshift算法和卡尔曼滤波算法的4.2和3.8,分别和的平均价值目标域覆盖率两个算法的准确性69.1%,和71.3%,分别。实验结果表明,在简单的情况下,该算法可以适应车辆变化并具有较高的跟踪精度比其他两种算法。

除了实验在良好的交通场景中,我们也进行车辆跟踪实验在复杂的交通环境和低能见度:给出了干扰目标车辆在雨天。重心该方法的误差的平均值为3.5,平均价值目标域覆盖的准确性为75.3%。然而,重心错误的平均值Camshift算法和卡尔曼滤波算法的7.4和5.9,分别和的平均价值目标域覆盖率两个算法的准确性60.8%,和67.1%,分别。实验结果如图13和14。在30^th帧图像,一个明显的履带式汽车导致跟踪失败的Camshift算法。此外,在76年^th帧图像,卡尔曼滤波算法无法准确跟踪对象车辆由于履带式汽车的突然加速和可怜的照明。此外,在3^{理查德·道金斯}帧的视频,因为对象车辆很小,类似于对象的黑色轿车车辆颜色出现在它的右侧,车辆的Camshift算法无法跟踪对象。然而,由于使用抗干扰抗体的亲和力计算和改进的变异函数,该方法可以使粒子滤波算法具有一定的自适应性和鲁棒性场景干扰。因此,尽管可怜的照明,突然加速的追踪,和相似颜色的干扰,该方法仍能顺利地车辆跟踪对象。

6。结论

本研究提出了一种新的基于光流的运动车辆检测和跟踪方法和免疫粒子滤波在复杂的交通环境。该方法首先使用光流方法大致检测运动车辆,然后使用阴影检测算法基于HSV颜色空间来准确地检测运动车辆最后强劲追踪移动车辆的基础上,提出免疫粒子滤波算法。与阴影干扰复杂交通场景下的实验表明,该方法可以解决影子干扰的影响运动车辆检测,实现准确的检测以及鲁棒跟踪移动的车辆。由于采用阴影消除和改善免疫粒子算法,该方法实现更高精度的车辆检测和跟踪与现有的Camshift算法和卡尔曼滤波。然而,该方法在本文仅限于白天好,可怜的照明;晚上的条件,研究后将进一步通过考虑采用红外图像移动车辆。

在未来,实验结果可以被转移到一个云计算平台通过无线传感器网络和政策制定者可以进一步分析和处理,提高车辆管理水平(25,27,51]。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本研究支持部分由中国国家自然科学基金(61304205和61304205号),江苏省自然科学基金(BK20191401)和创新和创业训练项目的大学生(201910300050 z和201910300050)。

引用

1. 美国Peeta y郭,j . Wang, p . Ch。Anastasopoulos“个人和社会的影响摩托车禁止摩托车手政策”在中国家乡工作早上上班,旅游行为和社会,19卷,第150 - 137页,2020年。视图:出版商的网站|谷歌学术搜索
2. 郭y和美国Peeta住宅位置的选择和个性化的可访问性信息的影响旅游行为,”旅游行为和社会,19卷,第111 - 99页,2020年。视图:出版商的网站|谷歌学术搜索
3. j .周j .太阳,p .丛et al .,“强调安全节能意识任务调度在物联网异构实时MPSoCs”IEEE服务计算(TSC)2019年出版社。视图:出版商的网站|谷歌学术搜索
4. j .周j .太阳x周et al .,“资源管理对提高软件出错和生命周期的可靠性实时MPSoCs,”IEEE计算机辅助设计的集成电路和系统,38卷,不。12日,第2228 - 2215页,2019年。视图:出版商的网站|谷歌学术搜索
5. 张x, x, h .高,y雪,l . Qi和w·窦”成为:blockchain-enabled计算卸载移动边界计算的物联网,”IEEE工业信息,2019年。视图:出版商的网站|谷歌学术搜索
6. x赵、苏c和h·陈,“基于视频图像的目标检测技术的研究,“电子工程设计,21卷,不。16,114 - 116年,2013页。视图:谷歌学术搜索
7. 李x, y, x的歌,和j·刘,“基于嵌入式实时监控算法的研究和实现交通流,”液晶与显示,33卷,不。9日,第792 - 787页,2018年。视图:谷歌学术搜索
8. t高,Z.-g。刘,工程学系。悦,j . Zhang J.-q。梅和观测。高,“健壮的交通视频序列的背景减法,”中南大学的技术杂志》上,17卷,不。1,第195 - 187页,2010。视图:出版商的网站|谷歌学术搜索
9. 方j .徐m . h·杨,在计算机视觉运动检测和跟踪,国防工业出版社,北京,2012。
10. d·福赛斯”,对象检测与区别式模型部分原因,“IEEE模式分析与机器智能,32卷,不。9日,第1645 - 1627页,2014年。视图:谷歌学术搜索
11. j·格雷罗州、美国Zeadally和j . Contreras-Castillo“传感器技术对于智能交通系统,”传感器,18卷,不。4 p。1212年,2018年。视图:谷歌学术搜索
12. d s朱、郭y j . Chen Li和l . Cheng”整合优化异构传感器部署和操作策略叫做动态评估的需求,”传感器,17卷,不。8,1767年,页2017。视图:出版商的网站|谷歌学术搜索
13. 朱,郑h, s . Peeta y郭,l . Cheng和w .太阳,“最佳异构传感器部署策略叫做动态评估的需求,”交通研究记录:《交通研究委员会,卷2567,不。1,18-27,2016页。视图:出版商的网站|谷歌学术搜索
14. 你们p·d·温,“最优流量传感器位置叫做估计使用压缩感知框架,“在智能交通系统中事务,18卷,不。7,1857 - 1866年,2017页。视图:出版商的网站|谷歌学术搜索
15. 哦,美国罗素和美国Sastry“马尔可夫链蒙特卡罗协会多目标跟踪数据,”IEEE自动控制,54卷,不。3、481 - 497年,2009页。视图:谷歌学术搜索
16. g .元,z . Chen, j .锣”一个移动的目标检测算法结合光流法和three-frame差分法,“小型微型计算机系统,34卷,不。3、668 - 671年,2013页。视图:谷歌学术搜索
17. g n .阿里和哈桑,“卡尔曼滤波跟踪”,国际期刊的计算机应用程序,卷89,不。9日,15日,2014页。视图:谷歌学术搜索
18. y, c .阴问:吴et al .,“位置感知的深度服务建议,协同过滤”IEEE系统,人,和控制论:系统,2019年。视图:出版商的网站|谷歌学术搜索
19. j .太阳,“快MEANSHIFT算法目标跟踪系统中,“传感器,12卷,不。6,8218 - 8235年,2012页。视图:出版商的网站|谷歌学术搜索
20. 问:他y, k . Wang et al .,“Covering-based web服务质量预测通过neighborhood-aware矩阵分解,“IEEE服务计算,2019年。视图:出版商的网站|谷歌学术搜索
21. JH。李,HJ。荣格,j . Yoo“实时跟踪算法使用改进的CamShift和深度信息,“电气工程与技术杂志》上,12卷,不。5,2067 - 2078年,2017页。视图:谷歌学术搜索
22. 崔张y, g, s .邓小平et al。”高效查询服务组合的质量相关,”IEEE服务计算, 2018年。视图:出版商的网站|谷歌学术搜索
23. XF。香港,问:陈,GH。顾,k . Ren WX。钱和ZW。刘”,粒子通过猪的特性基于过滤器的车辆跟踪在智能驱动系统图像稳定后,“专业智能运输系统,13卷,不。6,942 - 949年,2018页。视图:谷歌学术搜索
24. x, r·莫f .戴w·林,s .广域网和w .窦,“动态资源配置与容错数据密集型气象工作流在云,“IEEE工业信息,2019年。视图:出版商的网站|谷歌学术搜索
25. x, Cai, g . Zhang et al .,“众包市场与社会福利最大化的激励机制在cloud-edge计算”并发性和计算:实践和经验, 2018年。视图:谷歌学术搜索
26. 黄x, y, t . et al .,”一个节能意识计算卸载方法计算在无线城市网络智能优势,”网络和计算机应用》杂志上卷,133年,第85 - 75页,2019年。视图:出版商的网站|谷歌学术搜索
27. 张x, x m .汗,w .窦,雪,和美国,“一个平衡的虚拟机调度方法能效权衡在cyber-physical云系统中,“未来一代计算机系统,2017年。视图:谷歌学术搜索
28. l .七张x、w .窦和倪,”一个分布式locality-sensitive hashing-based方法从多源数据云服务的建议,“IEEE在选定地区通讯》杂志上,35卷,不。11日,第2624 - 2616页,2017年。视图:出版商的网站|谷歌学术搜索
29. l .七张x, w .窦,c, c·杨和j·陈,“两阶段locality-sensitive基于哈希的方法保护隐私移动服务推荐在跨平台的优势环境,”未来一代计算机系统卷,88年,第643 - 636页,2018年。视图:出版商的网站|谷歌学术搜索
30. l .七张x, s, s .广域网,y,和w·龚“时空数据驱动的服务推荐与隐私保护,”信息科学卷,515年,第102 - 91页,2020年。视图:出版商的网站|谷歌学术搜索
31. j .周x胡,y, j .太阳,t·魏和美国,“提高可用性的多核实时系统遭受永久性和瞬态故障”IEEE计算机,卷68,不。12日,第1801 - 1785页,2019年。视图:出版商的网站|谷歌学术搜索
32. h·汉、y叮和k,“一种新的免疫粒子滤波算法追踪一个移动的目标,”学报2010年第六次国际会议上自然计算烟台,页3248 - 3252年,中国,2010年8月。视图:谷歌学术搜索
33. 朱戴w·刘,x, z,“操纵基于重要性重采样粒子滤波的目标跟踪方法,”江苏科技大学学报,自然科学版,21卷,不。1,37-41,2007页。视图:谷歌学术搜索
34. 李·m·r·m·杨问:Liu j . Wang和y,“矩阵的调查完成推荐系统的方法,”大数据挖掘和分析,1卷,不。4、308 - 323年,2018页。视图:谷歌学术搜索
35. h . h . Liu口,c .严,l .气”链接预测纸引文网络构建关联图,“EURASIP无线通讯和网络》杂志上,卷2019,不。1,2019。视图:出版商的网站|谷歌学术搜索
36. Kumar和m·辛格“大医疗行业数据分析:影响,应用和工具,”大数据挖掘和分析,卷2,不。1,48-57,2019页。视图:出版商的网站|谷歌学术搜索
37. x徐、刘问:y罗et al .,“在大数据计算卸载方法IoT-enabled cloud-edge计算,”未来一代计算机系统卷,95年,第533 - 522页,2019年。视图:出版商的网站|谷歌学术搜索
38. 张,w·张,h .叮”融合的目标检测方法光速度和背景建模、”图象图形学报,16卷,不。2、236 - 243年,2011页。视图:谷歌学术搜索
39. w·龚、l . Qi和y,“Privacy-aware多维移动服务质量predic-tion雾和建议在分布式环境中,“无线通信和移动计算卷,2018篇文章ID 3075849、8页,2018。视图:出版商的网站|谷歌学术搜索
40. 傅j·l·夏l . Chen, j .吴“对称性和变化计算离散哈密顿系统”,中国物理B,23卷,不。7日,2014年。视图:出版商的网站|谷歌学术搜索
41. j·林,美国燕和y . Liu“九分应用无网格差分法在解决海洋污染,”大连海事大学学报,30卷,不。1,第80 - 78页,2004。视图:谷歌学术搜索
42. w·高h .董,l .局域网,“自适应运动目标阴影检测算法研究背景,“现代电子技术没有,卷。31日。6日,59 - 61年,2008页。视图:谷歌学术搜索
43. 江y”三种常用的颜色模型的比较研究”,《湖南科技大学,28卷,不。4,37-38,2007页。视图:谷歌学术搜索
44. 李x高,j . c .田,现代图像分析、西安电子科技大学出版社,西安,中国,2011。
45. z阴、k帽和y,“缺陷点数据重建基于改进形态学操作的过程,”中国科学技术科学,54卷,不。12日,第3179 - 3166页,2011年。视图:出版商的网站|谷歌学术搜索
46. r . Priyadharsini a比乌拉,t . s . Sharmila”视神经盘和杯子在眼底视网膜图像分割使用特征检测和形态学技术,”当前的科学,卷115,不。4、748 - 752年,2008页。视图:出版商的网站|谷歌学术搜索
47. j·李和j·王,图像检测和目标跟踪技术,北京理工大学出版社,北京,中国,2014。
48. p·佩雷斯,c .色调,j . Vermaak和m . Gangnet“基于颜色的概率跟踪”《计算机学报Vision-ECCV 2002丹麦哥本哈根,页661 - 675,,2002年5月。视图:出版商的网站|谷歌学术搜索
49. 施n x Wang Chen, a,“一种改进的相似性测量粒子过滤器健壮的对象跟踪、”《国际国会图像和信号处理,页46-50,杭州,中国,2013年12月。视图:谷歌学术搜索
50. d . Comaniciu诉拉梅什和p·米尔,“基于对象跟踪,”IEEE模式分析与机器智能,25卷,不。5,564 - 577年,2003页。视图:出版商的网站|谷歌学术搜索
51. 美国Peeta y郭,j . Wang, p . c . Anastasopoulos”内部迁移的影响、户籍制度和计划生育政策在中国的交通方式的选择,“旅游行为和社会13卷,第143 - 128页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020魏太阳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。