【摘要】：該采集器采用物聯(lián)網(wǎng)技術(shù)來(lái)實(shí)現(xiàn)視頻設(shè)備、微處理器、WIFI網(wǎng)絡(luò)模塊和信號(hào)燈獲取模塊的連接,利用Adaboost算法和Mean Shift算法實(shí)現(xiàn)視頻圖像中機(jī)動(dòng)車目標(biāo)的識(shí)別與跟蹤,記錄車輛的行駛軌跡,利用軌跡來(lái)判斷車輛的多種違章類型,利用WIFI網(wǎng)絡(luò)實(shí)現(xiàn)違章信息上傳。該采集器無(wú)需額外輔助設(shè)備,可靠性高,安裝方便。
【圖文】：

控制器、ＮＡＮＤＦｌａｓｈ控制器、ＳＤＲＡＭ控制器、系統(tǒng)片選邏輯以及一些常用的通訊接口等資源。在該芯片上嵌入裁剪后的Ｌｉｎｕｘ操作系統(tǒng)，為視頻分析和處理的算法程序植入提供了保證。該裝置工作流程如圖２所示。圖２裝置的工作流程３主要模塊交通違章信息采集器主要模塊包括視頻流中機(jī)動(dòng)車目標(biāo)的識(shí)別、機(jī)動(dòng)車目標(biāo)的跟蹤、記錄機(jī)動(dòng)車目標(biāo)的行駛軌跡并判斷違章類型、違章車輛信息處理及上傳。下面分別介紹幾個(gè)模塊的具體實(shí)現(xiàn)過(guò)程及主要算法原理。３．１利用Ａｄａｂｏｏｓｔ算法實(shí)現(xiàn)機(jī)動(dòng)車目標(biāo)識(shí)別Ａｄａｂｏｏｓｔ算法是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練特征集訓(xùn)練不同的弱分類器，然后把這些弱分類器采用一定方式集合起來(lái)，構(gòu)成一個(gè)強(qiáng)大的強(qiáng)分類器。該裝置中的機(jī)動(dòng)車識(shí)別過(guò)程是在視頻圖像中提取機(jī)動(dòng)車的Ｈａｒｒ－ｌｉｋｅ特征，采用ＡｄａＢｏｏｓｔ算法訓(xùn)練出機(jī)動(dòng)車的多個(gè)特征模型，即所謂的機(jī)動(dòng)車模板分類器，將訓(xùn)練的多個(gè)分類器組成級(jí)聯(lián)方式，構(gòu)成強(qiáng)分類器。在該采集器中判斷攝像頭獲取的視頻流中圖像幀是否含有機(jī)動(dòng)車，，如果有，則返回機(jī)動(dòng)車的位置和大小等參數(shù)，并繼續(xù)搜索下一幀圖像鄭機(jī)動(dòng)車識(shí)別算法主要包括訓(xùn)練機(jī)動(dòng)車樣本生成分類器、機(jī)動(dòng)車識(shí)別２個(gè)過(guò)程。３．１．１訓(xùn)練機(jī)動(dòng)車樣本及特征計(jì)算ＡｄａＢｏｏｓｔ檢測(cè)訓(xùn)練算法主要包含特征值選取和特征計(jì)算兩個(gè)方面。機(jī)動(dòng)車識(shí)別選取的特征是Ｈａｒｒ－ｌｉｋｅ特征，采用的計(jì)算方法是積分圖像計(jì)算。如圖３所示，ａ部分列舉了Ｈａｒｒ－ｌｉｋｅ特征的５種特征；ｂ部分為本裝置用到的機(jī)動(dòng)車訓(xùn)練特征模板。圖３Ｈａｒｒ－ｌｉｋｅ特征及機(jī)動(dòng)車特征模板機(jī)動(dòng)車的特征定義為：黑色區(qū)域的所有像

中判斷攝像頭獲取的視頻流中圖像幀是否含有機(jī)動(dòng)車，如果有，則返回機(jī)動(dòng)車的位置和大小等參數(shù)，并繼續(xù)搜索下一幀圖像鄭機(jī)動(dòng)車識(shí)別算法主要包括訓(xùn)練機(jī)動(dòng)車樣本生成分類器、機(jī)動(dòng)車識(shí)別２個(gè)過(guò)程。３．１．１訓(xùn)練機(jī)動(dòng)車樣本及特征計(jì)算ＡｄａＢｏｏｓｔ檢測(cè)訓(xùn)練算法主要包含特征值選取和特征計(jì)算兩個(gè)方面。機(jī)動(dòng)車識(shí)別選取的特征是Ｈａｒｒ－ｌｉｋｅ特征，采用的計(jì)算方法是積分圖像計(jì)算。如圖３所示，ａ部分列舉了Ｈａｒｒ－ｌｉｋｅ特征的５種特征；ｂ部分為本裝置用到的機(jī)動(dòng)車訓(xùn)練特征模板。圖３Ｈａｒｒ－ｌｉｋｅ特征及機(jī)動(dòng)車特征模板機(jī)動(dòng)車的特征定義為：黑色區(qū)域的所有像素之和減去白色區(qū)域的所有像素之和，所以整個(gè)特征模板的特征值為所有這些黑色矩形的像素減去所有白色矩形的像素。通過(guò)積分圖像［３］可以獲得圖３中ｂ部分所示的特征模板的Ｈａｒｒ－ｌｉｋｅ特征。圖４示出演示特征的計(jì)算，ｓ１點(diǎn)的值為區(qū)域ａ的灰度級(jí)總和，記為ａ；ｓ２點(diǎn)的值為ａ＋ｂ；ｓ３點(diǎn)的值為ａ＋ｃ；ｓ４點(diǎn)的值為ａ＋ｂ＋ｃ＋ｄ；于是由ｓ１、ｓ２、ｓ３、ｓ４圍成的矩形區(qū)域ｄ的灰度級(jí)總和可以表示為ｓ１＋ｓ２＋ｓ３＋ｓ４。對(duì)于每個(gè)特征可表示為：ｆｅａｔｕｒｅＩ＝∑ｉ∈Ｉ＝｛１，２，３，…，Ｎ｝ωｉＲｅｃｓｕｍ（ｒｉ）（１）式中，ωｉ為矩形的權(quán)，Ｒｅｃｓｕｍ（ｒｉ）為矩形所圍圖像的灰度積分，Ｎ是組成ｆｅａｔｕｒｅＩ的矩形個(gè)數(shù)。圖４４個(gè)分割區(qū)域３．１．２Ａｄａｂｏｏｓｔ算法訓(xùn)練分類器Ａｄａｂｏｏｓｔ算法［１－３］的
【作者單位】： 江蘇信息職業(yè)技術(shù)學(xué)院物聯(lián)網(wǎng)工程系;江蘇信息職業(yè)技術(shù)學(xué)院電氣工程系;
【基金】：幾何問(wèn)題幾何化及計(jì)算穩(wěn)定性研究(61073086)資助
【分類號(hào)】：TP391.44;TN929.5;TP274.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 孫長(zhǎng)江;隨順科;滕春陽(yáng);;基于DSP和MSP430雙核交通監(jiān)控終端的設(shè)計(jì)[J];信息安全與技術(shù);2011年07期

2 熊銳;周純杰;劉樝;;基于ARM9的交通違章抓拍系統(tǒng)的開(kāi)發(fā)[J];計(jì)算機(jī)工程與應(yīng)用;2006年27期

3 張愛(ài)科;黃力;;基于模式匹配的道路違章自動(dòng)監(jiān)測(cè)系統(tǒng)[J];制造業(yè)自動(dòng)化;2009年04期

4 溫雯;高歌;;基于RFID射頻識(shí)別技術(shù)的道路交通管理系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)[J];制造業(yè)自動(dòng)化;2011年08期

5 佟守愚,程三偉,李江,付萍;基于視頻技術(shù)的交通違章處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)測(cè)量與控制;2005年10期

6 王夏黎,朱曉冬,周明全,魏軍;交通違章視頻檢測(cè)管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年02期

【共引文獻(xiàn)】

相關(guān)期刊論文 前7條

1 王殿海;胡宏宇;李志慧;曲昭偉;;違章停車檢測(cè)與識(shí)別算法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2010年01期

2 唐佳林;李熙瑩;羅東華;佘永業(yè);鄧榮峰;;一種基于幀差法的夜間車輛檢測(cè)方法[J];計(jì)算機(jī)測(cè)量與控制;2008年12期

3 孫棣華;陳虹穎;趙敏;;基于視頻檢測(cè)技術(shù)的隧道停車檢測(cè)與識(shí)別算法[J];計(jì)算機(jī)測(cè)量與控制;2013年12期

4 周國(guó)棟;張墩利;;以太網(wǎng)RFID在汽車起動(dòng)機(jī)生產(chǎn)線的應(yīng)用設(shè)計(jì)[J];佳木斯大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

5 趙海峰;郭燕;;基于RFID的校園智能路障系統(tǒng)設(shè)計(jì)[J];中北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

6 耿乙U

本文編號(hào)：2538401