交通流视频检测中车辆的检测与跟踪
交通视频监控中车辆检测与跟踪的研究
发 ，中后期 的检测方法则越来越 复杂 ，在一个系统 中往往使用 了多种车
配操作 。其缺点是对车辆模 型的过分依赖 ， 而很明显的是不可能为公路 上行驶的每种车辆都建立精 细的模型。此外这种方法的计算量较大 ， 不
利 于 实 时处 理 。
辆检测方法来提高检测的准确率， 同时采用 了更多新技术如 Ｋ ａ Ｉ ｍ ａ ｎ 滤波
视频检测器与传统检测器相比有其明显的优势 ，近年来在智能交通 系统中得到 了越来越广泛 的应用。虽然视频检测器有着诸多优点 ，但仍 然存在许 多需要解决的问题 。一个 可以投入实际使用的基于视频 图像的 交通监测系统应该具备处理时间短 、 计算量低和可靠性高的特点。 而且 ， 这种系统所采用的方法必须对重建 ３ Ｄ场景的误差、 车辆运动所引起 的图 像噪声、视频检测器的偏移等干扰有足够的稳健性 。实际情况是视频检 测器的检测精度是随着光照情况的变化而变化的 ，当光照 良 好时如正午
３ ． ２ 基 于区域 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。这种方法在车辆稀少 时
够高的检测准确率 ， 需要更多的空 间一 时间信息 。 而通过设置多个检测器
就可以给检测系统提供更多的信息 。另外 ，与基于视频图像车辆检测紧 密联 系的相关研究领域 ，交通视频 图像的压缩和多媒体数据挖掘 ，也是 未来研究的热点 。在 Ｉ Ｔ Ｓ中，车辆检测是将摄像头实时拍摄到的视频图
造成的阴影 。阴影问题 的解决好坏直接关系到检测结果的正确性 。同时 车辆在道路场景中的相互遮挡也是必须要考虑的问题 。
的空 间位置、焦距等信息 ；车辆模型则描述了车辆 的先验知识。 ３ 、 车 辆跟 踪 模 块
智能交通系统中的车辆目标检测与追踪算法
智能交通系统中的车辆目标检测与追踪算法智能交通系统是利用先进的信息技术和通信技术对交通进行全方位的监控、调度和管理的系统。
而车辆目标检测与追踪算法则是智能交通系统中至关重要的一环，它负责自动识别交通场景中的车辆目标，并对其进行准确追踪。
车辆目标检测是指通过智能感知技术，从视频或图像中提取出所有车辆目标的过程。
在智能交通系统中，车辆目标检测算法可以分为传统的基于特征的方法和近年来兴起的基于深度学习的方法。
传统的基于特征的车辆目标检测方法通常使用Haar特征、HOG（Histogram of Oriented Gradient）特征和SIFT（Scale-Invariant Feature Transform）特征等来表示图像中的车辆目标。
然后利用机器学习算法如支持向量机（SVM）、AdaBoost等进行目标分类和检测。
这类方法在车辆目标检测方面取得了一定的成果，但其性能受到特征提取的限制，对光照、视角等因素较为敏感。
近年来，随着深度学习的兴起，基于深度学习的车辆目标检测算法取得了突破性的进展。
这类方法通常使用卷积神经网络（CNN）作为主要的特征提取器，并结合目标检测算法来实现车辆目标的检测和定位。
著名的深度学习目标检测算法包括FasterR-CNN、YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）等。
这些算法具有更高的准确率和鲁棒性，能够在不同场景和复杂背景下实现精确的车辆目标检测。
在车辆目标检测的基础上，车辆目标追踪算法负责对目标进行连续追踪和更新。
在智能交通系统中，车辆目标追踪算法需要解决车辆在跟踪过程中的尺度变化、外观变化、遮挡和漂移等问题。
传统的车辆目标追踪方法主要基于相关滤波器、粒子滤波器和卡尔曼滤波器等技术。
这些方法利用车辆目标的运动模型或外观模型进行预测和更新，以实现连续追踪。
但是，由于车辆目标在跟踪过程中的外观变化和遮挡问题，这些方法容易出现跟踪失败的情况。
面向智能交通的车辆检测与跟踪算法研究
面向智能交通的车辆检测与跟踪算法研究智能交通系统作为人工智能和物联网技术的结合，正在逐步改变着现代交通的面貌。
而作为智能交通系统中的重要组成部分，车辆检测与跟踪算法是实现智能交通的关键之一。
本文将探讨面向智能交通的车辆检测与跟踪算法的研究。
一、车辆检测算法的研究车辆检测算法旨在从交通视频中准确地提取出车辆的位置和边界框信息。
常见的车辆检测算法包括基于传统图像处理技术的算法和基于深度学习的算法。
1. 基于传统图像处理技术的算法传统的车辆检测算法主要利用图像处理技术进行边缘检测、形状分析和模式匹配等操作来实现车辆的检测。
例如，基于边缘检测的算法可以通过检测图像中车辆的边缘特征来识别出车辆。
然而，这类算法往往对车辆遮挡和光照变化等因素较为敏感，检测效果不够准确。
2. 基于深度学习的算法近年来，深度学习技术的发展为车辆检测带来了新的突破。
基于深度学习的车辆检测算法主要利用卷积神经网络（CNN）和目标检测网络（如Faster R-CNN、YOLO等）来实现对车辆的准确检测。
这类算法具有较高的检测准确率和鲁棒性，能够应对复杂的场景和变化的环境。
然而，基于深度学习的算法需要大量的标注数据和计算资源，模型的训练和推理时间较长。
二、车辆跟踪算法的研究车辆跟踪算法旨在实现对检测到的车辆目标的连续跟踪和运动轨迹的估计。
常见的车辆跟踪算法包括基于传统特征的算法和基于深度学习的算法。
1. 基于传统特征的算法基于传统特征的车辆跟踪算法主要利用目标在连续帧中的位置信息和外观特征来进行匹配和跟踪。
例如，卡尔曼滤波器可以通过预测目标的位置和速度来实现对目标的连续跟踪。
然而，这类算法往往对目标的外观变化和遮挡比较敏感，跟踪的准确性较差。
2. 基于深度学习的算法基于深度学习的车辆跟踪算法主要利用卷积神经网络和循环神经网络等模型来学习目标的运动特征和空间关系，实现对目标的准确跟踪。
这类算法具有较高的跟踪准确率和鲁棒性，能够应对目标的形变、遮挡和运动模式的变化。
智能交通系统中基于视频的车辆检测方法
智能交通系统中基于视频的车辆检测方法智能交通系统的快速发展和应用，改变了我们对城市交通的认识和管理方式。
在这个系统中，车辆检测是一个关键的环节，它对实现智能交通管理、提高交通效率和安全性起着至关重要的作用。
视频技术作为智能交通系统中最常用的一种检测方法之一，以其高效、准确和实时性成为了车辆检测的首选方法之一。
基于视频的车辆检测方法可以分为两个主要步骤：前景提取和车辆检测与跟踪。
前景提取通过对视频图像的对比度、颜色、运动等特征进行分析，将前景目标与背景进行区分。
常见的前景提取算法包括帧差法、背景减除法和光流法等。
其中，背景减除法是最常用的一种方法，它通过建立背景模型来动态地更新背景图像，从而准确地提取前景目标。
在前景提取的基础上，车辆检测与跟踪是接下来的关键步骤。
车辆检测与跟踪的目标是在前景目标中准确地识别和跟踪车辆，并将其与其他非车辆目标进行区分。
传统的车辆检测方法主要依赖于图像处理技术，如边缘检测、灰度变换和形态学处理等。
然而，由于车辆的形状和外观的多样性，传统方法往往存在一定的局限性和缺陷。
为了克服传统方法的局限性，近年来，基于深度学习的车辆检测与跟踪方法得到了广泛的应用。
深度学习技术以其强大的特征学习能力和自适应性在图像处理领域取得了巨大的成功。
基于深度学习的车辆检测方法主要包括两个关键步骤：特征学习和目标检测。
特征学习利用深度神经网络自动地学习和提取图像中的有用特征，将其转化为高级语义特征。
目标检测利用训练好的深度神经网络对特征图进行目标识别和位置定位，实现对车辆的准确检测与跟踪。
除了基于深度学习的方法，基于视频的车辆检测还可以结合其他传感器和技术，如雷达、红外传感器和激光雷达等。
这些传感器可以提供关于车辆位置、速度、方向等更详细和全面的信息，从而提高车辆检测的准确性和鲁棒性。
例如，激光雷达可以通过测量反射激光束的时间和强度来准确地检测车辆及其周围环境，同时还可以避免遮挡和光照条件的影响。
智能交通系统中的车辆识别与跟踪算法
智能交通系统中的车辆识别与跟踪算法智能交通系统是一种利用先进的技术手段来改善交通流量、提高交通效率的系统。
在这个系统中，车辆识别与跟踪算法是一个关键的环节，它能够帮助系统准确定位和追踪车辆，实现实时监控和智能交通管理。
本文将探讨智能交通系统中常用的车辆识别与跟踪算法，并讨论它们的应用和发展前景。
一、目标检测与识别算法在智能交通系统中，准确地检测和识别车辆是实现车辆跟踪的第一步。
目标检测与识别算法主要包括传统的基于特征的方法和现代的深度学习方法。
1.1 基于特征的方法基于特征的方法是目标检测与识别算法中的经典方法，它主要是通过提取图像的特征来区分不同的目标。
常用的特征包括颜色、纹理和形状等。
然后，利用分类器对提取的特征进行训练和识别。
然而，基于特征的方法在复杂的交通场景下容易受到光照变化、遮挡和视角变化的影响，识别率不稳定。
因此，近年来，深度学习方法逐渐成为目标检测与识别的主流。
1.2 深度学习方法深度学习方法是一种基于神经网络的学习方法，它通过多层次的网络结构来提取和学习图像的高级特征。
卷积神经网络（CNN）和循环神经网络（RNN）是深度学习方法中最常用的模型。
通过在大规模的数据集上进行训练，深度学习方法能够自动学习图像的特征，具有较高的识别准确率和稳定性。
在智能交通系统中，深度学习方法已经广泛应用于车辆识别与跟踪领域，并取得了显著的成果。
二、车辆跟踪算法车辆识别是智能交通系统中的第一步，而车辆跟踪则是对车辆进行实时追踪和定位，为交通管理和决策提供准确的信息。
车辆跟踪算法根据不同的需求和条件，可以分为基于图像和基于视频的跟踪算法。
2.1 基于图像的跟踪算法基于图像的跟踪算法是利用连续图像之间的相关性来实现车辆的跟踪。
其中，最常用的算法是卡尔曼滤波器和粒子滤波器。
卡尔曼滤波器通过状态方程和观测方程来估计车辆的位置和速度，具有较高的跟踪精度和建模能力，但对运动模式的预测较为简单。
粒子滤波器则通过粒子集合来表示车辆的状态，并利用重要性采样和重采样来更新粒子的权重，从而实现车辆的跟踪。
智能交通中的车辆检测与跟踪技术研究
智能交通中的车辆检测与跟踪技术研究智能交通时代已经到来，人工智能技术也在逐渐地渗透进交通领域，其中最为关键的技术之一便是车辆检测与跟踪技术。
这种技术可以通过对车辆行驶路线、速度、车型等进行自动化监控和分析，以提高交通管理的效率和实时安全性。
本文将从定义、技术实现、应用现状等方面对车辆检测与跟踪技术进行探究。
一、定义车辆检测与跟踪技术是一种计算机视觉的技术，利用计算机算法实现对路面上车辆的检测、跟踪、分类及统计分析。
它可以在实时性的基础上，对路面交通车流进行全面的监控和自动分析。
通过精准的提取和识别，掌握路面车辆流量变化规律，提高交通管理决策的科学性和灵活性。
二、技术实现车辆检测与跟踪技术是复杂的计算机视觉技术，其实现需要依赖运动目标检测、运动目标跟踪和车辆分类等核心技术。
其中，运动目标检测是指通过图像处理技术，自动从监控视频中检测出车辆运动的物体，并确定它的位置，速度等特征；运动目标跟踪是指在车辆运动过程中，将车辆的运动轨迹进行比对和追踪，确定每个目标车辆的运动状态；而车辆分类则是根据目标车辆的大小、形状、颜色等特征，将它们分为不同的车型。
这种技术的具体实现方法有很多种，如采用基于深度学习的方法，使用卷积神经网络（CNN）进行特征提取和分类。
也可以在目标跟踪过程中，采用多目标跟踪和滤波等技术，结合先验知识提高目标的跟踪精度。
三、应用现状目前，车辆检测与跟踪技术在智能交通领域的应用已经非常普及。
在交通认知、智能导航、交通管理和绿色出行等方面都有广泛的应用。
例如，利用车辆检测与跟踪技术进行交通拥堵检测，可以实现路况预测，为车辆提供最佳路径，缓解拥堵问题，提高交通效率和安全性。
同时，它还可以在智能交通系统中，结合先进的自动化控制技术，实现高速公路自动驾驶等功能。
除此之外，车辆检测与跟踪技术还可以用于安全检测等方面。
例如，在一些高速公路上，利用这种技术实现车辆超限检测、重点车辆实时管控等功能。
通过对超限车辆的自动化识别和监测，可以最大限度地避免交通事故，保障公路行车安全。
智能交通系统中车辆跟踪算法的使用教程
智能交通系统中车辆跟踪算法的使用教程智能交通系统是一种通过利用先进的技术手段来提高道路交通管理和安全性的系统。
其中一个重要的组成部分就是车辆跟踪算法。
车辆跟踪算法可以通过分析和处理交通监控视频数据，实时追踪道路上的车辆位置和动态信息。
本文将介绍智能交通系统中车辆跟踪算法的使用教程，让读者能够了解如何使用这一算法来实现车辆跟踪和监测。
1. 引言智能交通系统中的车辆跟踪算法可以应用于各个方面，如交通流量监测、交通事故预警和交通管理等。
通过实时追踪车辆的位置和运行状态，可以提供实时的交通信息，帮助交通部门做出更加准确和迅速的决策。
下面将介绍车辆跟踪算法的使用步骤和关键技术。
2. 数据采集在进行车辆跟踪前，首先需要收集道路交通监控视频数据。
这些数据可以通过交通监控摄像头进行实时采集，也可以通过历史记录进行离线分析。
为了获得更好的跟踪效果，建议选择高清晰度的视频数据，并保证视频的帧率足够高。
3. 预处理在进行车辆跟踪前，需要对采集到的视频数据进行预处理。
预处理包括去除视频中的噪声、图像增强和运动检测等操作。
这些处理操作能够提高后续跟踪算法的准确性和鲁棒性。
4. 目标检测和跟踪目标检测是指在视频帧中准确定位并识别出车辆。
常用的目标检测算法包括基于特征提取的方法、机器学习方法和深度学习方法等。
选择适合的目标检测算法是车辆跟踪的关键。
在检测到目标后，可以使用跟踪算法进行目标的连续追踪。
常用的跟踪算法包括卡尔曼滤波、粒子滤波和相关滤波等。
这些算法能够通过预测和更新目标的状态，实现准确的目标跟踪。
5. 跟踪评估经过跟踪算法的处理，得到的是一系列车辆的位置和动态信息。
为了评估跟踪算法的准确性和稳定性，需要进行跟踪结果的评估和分析。
常用的评估指标包括跟踪的准确度、漏检率和误检率等。
通过评估结果，可以对跟踪算法进行改进和优化，提高算法的性能。
6. 数据分析和应用跟踪算法得到的车辆位置和动态信息可以被应用于各个方面。
比如，可以通过对车辆轨迹的分析，预测交通流量和拥堵情况，为交通管理提供决策支持。
智能交通系统中的车辆跟踪算法
智能交通系统中的车辆跟踪算法智能交通系统（Intelligent Transportation System，简称ITS）是运用现代通信、计算、控制和电子技术，以及现代交通管理理论和方法进行交通管理和服务的系统。
在智能交通系统中，车辆跟踪算法扮演着重要的角色，可以对道路上的车辆进行实时定位和跟踪，提供大量的交通数据用于实时交通监测和管理。
本文将重点介绍智能交通系统中常用的车辆跟踪算法。
一、基于视频的车辆跟踪算法基于视频的车辆跟踪算法是通过对交通监控摄像头拍摄的视频进行处理，提取视频中的车辆信息，并对车辆进行跟踪。
这种算法通常包括以下几个步骤：1. 车辆检测：通过图像处理和目标检测技术，对视频中的车辆进行检测和定位。
常用的车辆检测算法包括基于颜色、纹理和形状等特征的检测方法。
2. 车辆特征提取：在车辆检测的基础上，对检测到的车辆进行特征提取。
常用的特征包括车辆的尺寸、形状、运动特征等。
3. 车辆跟踪：利用车辆的特征，在不同的视频帧中进行车辆的跟踪。
常见的跟踪算法包括基于卡尔曼滤波器的跟踪方法、基于粒子滤波器的跟踪方法等。
基于视频的车辆跟踪算法具有较高的准确性和可靠性，但对计算资源和算法实时性要求较高。
二、基于全球定位系统（GPS）的车辆跟踪算法基于全球定位系统的车辆跟踪算法通过车辆携带的GPS设备获取车辆的位置信息，实现对车辆的实时跟踪。
这种算法的主要步骤包括：1. GPS数据采集：通过车辆上的GPS设备，获取车辆的位置信息。
GPS设备通常以一定的频率采集车辆的位置数据。
2. 数据处理：对采集到的GPS数据进行预处理，包括数据过滤、噪声处理等。
此外，还可以采用数据插值等方法提高数据的时空分辨率。
3. 轨迹重建与跟踪：通过GPS数据，重建车辆的轨迹，并进行车辆的跟踪。
常用的方法包括基于卡尔曼滤波器的轨迹预测和滤波算法、基于历史轨迹匹配的车辆跟踪方法等。
基于全球定位系统的车辆跟踪算法可以实现对车辆的实时跟踪，但受GPS精度和设备更新速率等因素的限制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
－1582－0引言在交通流的视频检测中，运动车辆的检测和跟踪是一个重要的研究领域，跟踪的过程其实就是在图像序列中目标匹配的过程，通常的匹配准则包括图像的轮廓、重心、面积、不变矩、Hausdorff距离等形态特征和数学特征[1-2]。由于系统实时性和鲁棒性的要求，一般都采用运动车辆的特征匹配进行跟踪，在获得好的目标特征前，必须精确的提取出运动车辆。由于背景图像的动态变化，如天气、光照等干扰因素的影响，使得运动车辆的检测变得非常复杂。前人已经对背景模型的建立作了大量的研究，提出了许多背景消除算法：其中有基于统计模型的方法，如高斯分布模型[3-4]、混合高斯分布模型[5,7]、非参数化模型[6]等；基于预测的方法，如卡尔曼滤波[8]方法等。由于实际场景的复杂性，这些算法都存在一些问题，为了适用于本系统实时性的要求，减少算法的计算量，本文只采集背景的亮度空间进行背景建模，描述像素点的统计特征，对背景模型及时进行更新。1背景建模和车辆特征采集1.1混合高斯分布模型原理本文使用混合高斯分布模型来表征图像帧中每一个像素点的特征，为了克服特征跟踪中图像受周围环境(如建筑阴影、路灯)，路面的反射、阴影，下雨、下雪等天气变化的影响，提供一种实时性强、处理速度快、适应环境变化的改进的自适应混合高斯模型，仅使用协方差矩阵中的亮度分量，因为噪声的干扰对色度信息影响比较大，而对亮度信息影响比较小，牺牲色度信息，整个交通流信息检测系统的实时性大大提高，却对目标提取的影响不大。1.2建模过程以下所叙述的每一个像素处理都是在一系列固定摄像机下，从高分辨率CCD摄像机取得R、G、B颜色空间图像序列(当然包括噪声信号)，用中值滤波对图像滤波除噪。对处理过
的图像序列进行颜色空间的转化，将R、G、B颜色空间转化成亮度空间，即＋／３。输入视频图像序列{1,2,…,Ö¡ÊÓƵͼÏñÖУ¬´¦ÀíµÚ的值，其中第－1583－
,=121/2
当前像素点
，１，
(决定了背景分布模型个数)一般取经验值
一般取范围[0.01,0.001]之间，我们这里取的一般取值范围[3,5]，=4，初始化权重=0.05。读取图像的亮度空间，将第一帧图像每一个像素点的亮度值作为混合高斯的均值，方差给一个较
=,1+=1如果∣=0其它可能(2)式中：取值比较大，适应环境变化的能力比较强，改变的背景很快的融入到背景模型中，但容易受噪声影响。如果
，则其面积=ÄÚµÄËùÓе㣬¿ÉÒÔͨ¹ý¼ÆËãÔ˶¯ÇøÓò
µÄÃæ»ýãÐÖµ£¬À´ÅжÏÔ˶¯Ä¿±êÊÇ·ñÊǷdzµÁ¾µÈ¸ÉÈÅÒòËØ£¬Í¨¹ýÅжÏÔ˶¯³µÁ¾µÄ¿í¶È£¬¼ì²âÖصþ³µÁ¾¡£
2基于相似性算子的跟踪2.1联合的相似性算子当车辆重叠或者运动速度过快的时候，对目标的数学特征进行匹配，能有效的提高跟踪的精度。相邻两帧+1帧，第个目标的重心位置相似度为，＝＋１
=1/,=1/,
+1=1/,+1
+1=1/,+1
+1+1+1
ºÍ¸öÄ¿±êºÍµÚ,=,1,+,1
,=,2,+,2
,+1,1,1+1,1,1+1,1,+1,2,2+1,2,2+1,2,是目标左上角的相似度，，是
目标右下角的相似度，g,2是正的参数，当两个目标有相
同的最小外接矩形时，分别达到大值1/g,2。
相邻两帧+1，第个目标的灰度和方差的相似度为，＝，+,=+1+1是一个正的常数，当两个目标有相同的灰度均值和方差的时候，达到其最大值1/g,
,,,,,2.2多运动车辆的匹配匹配情况：对于个目标，如果能搜索到使相似度算子取得最大值的，，≥(是相似度算子门限值)，则目标i和j是同一个目标。目标驶出：对于个目标，如果能搜索到使相似度算子取得最大值的，，＜，则在
+1帧中出现的目标帧中没有出现的话，即出现了新目标，采集如上部分内容所介绍的各种参数，保存在结构体中。如图2所示，是目标跟踪和匹配的过程。图2(a)中出现两个新目标，建立两个特征向量组和。图2(b)中又出现了一个新目标，建立3个特征向量组、、，使用相似性算子对图2(a)和(b)目标的特征
图1混合高斯背景建模和绝对值差分实验(a)灰度原图(b)静态背景(c)两帧差分－1584－
向量进行匹配，可以发现是新出现的目标，计数器加1，并根据两帧的间隔时间和实际距离计算速度，并用特征向量、分别代替、。图2(c)中，已经有一个目标消失在监控视频范围之内，找不到其匹配的特征值。
如果图像序列中出现如行人、垃圾三轮车(如马路出现的环卫工人)，一个很简单的办法就是采用面积阈值算法，设定一个面积阈值，面积小于此阈值的区域将会被过滤掉，只有面积大于此阈值的区域才被认为是运动目标区域(一般来说，城市交通中出现的非车辆目标不会大于车辆的面积阈值)。
3结束语本算法在西湖隧道光照变化剧烈和龙井之路下雨的情况下进行检测，车辆的检测精度达90%左右，如果没有这些干扰，在天气良好的状况下，试验显示本算法检测的精度能达到92%以上。两个路段检测结果与实际结果的对比如图3所示。本算法在英特尔公司的开源计算机视觉库OpenCV上实现，可以轻松实现物体轮廓跟踪、背景消除等。由于OpenCV是基于Intel处理器指令集开发的优化代码，在奔腾42.4G的PC机上运行本检测算法，每秒种可处理17帧的灰度图像，大大提高了算法的实时性，得到良好的处理结果。
参考文献:[1]翁木云,何明一.图像综合特征及其在图像检测与匹配中的应用[J].中国图象图形学报,2007,12(1):121-126.[2]艾金慰,刘克.视频序列中运动目标跟踪新方法[J].北京科技大学学报,2006,28(2):195-198.[3]HuwerS,NiemannH.Adaptivechangedetectionforreal-timesurveillanceapplicatications[C].Proceedings3rdIEEEInterna-tionalWorkshoponVisualSurveillance.Dublin:IEEEComputerSocietyPress,2000:37-46.[4]HarvilleM,GordonG,WoodfillJ.Foregroundsegmentationusingadaptivemixturemodelsincoloranddepth[C].Procee-dingsoftheIEEEWorkshoponDetectionandRecognitionofEventsinVideo.Vancouver:Canadu,2001:3-11.[5]StaufferC,GrimsonWEL.Adaptivebackgroundmixturemo-delsforreal-timetracking[C].IEEEConfonCVPR,1999:246-252.[6]ElgammalA,HarwoodD,Davis.Nonparametricmodelforback-groundsubtraction[C].DublinIreland:Proceedingsofthe6thEuropeanConferenceonComputerVision,2000:751-767.[7]GordonG,DarrelT,HarvilleM,etal.Backgroundestimationandremovalbasedonrangeandcolor[C].IEEEConfonCVPR,1999:459-464.[8]CorveeE,VelastinS,JonesGA.Occlusiontolerenttrackingusinghybridpredictionschemes[J].ACTAAutomaticaSINICA,
2003,29:356-368.
(上接第1581页)
图2多运动目标的检测与跟踪(a)目标出现(b)目标匹配(c)目标消失
图3两个路段的检测结果对比
时刻检测结果A;实际值A检测结果B;实际值B
0:000:100:200:300:400:500:60
200150100500车
辆
数/辆
------
最终形成钢种为Q235B，规格为16mm的CEQ在0.235%~0.259%范围内专家知识库。
3结束语(1)本文研究采用MAS开发中厚钢板质量评估与改进专
家系统，建立包含由2层、3个协同Agent组成的开发模型，并且各个Agent均具有感知→推理→响应的功能，能自动地感知环境变化，给出合理的决策。(2)系统采用B/S开发，在某钢铁集团现场应用表明，该系
统指导现场生产，及时帮助分析中厚钢板质量问题。
参考文献:[1]毛新军,赵建民,王怀民.多Agent系统的抽象合作模型[J].计算
机研究与发展,2004,41(5):787-795.[2]毛新军,陈火旺,刘凤歧.Muti-Agent系统中Agent知识获取的
合作模型[J].软件学报,2001,12(1):256-262.[3]向郑涛,缪育平,鲁东明.面向Agent的软件分析和设计方法[J].
计算机科学,2004,31(6):127-131.[4]毛新军,闫琪,王怀民,等.面向Agent的软件开发方法[J].计算
机科学,2003,27(5):94-96.[5]WangHuaimin,WuQuanyuan.Aformalframeworkofmuti-
agentsystemwithrequirementservicecooperativestyle[J].Jour-nalofComputerScienceandTechnology,2000,15(2):106-115.[6]ZambonelLiF,OmiciniA.Challengesandresearchdirectionsin
agent-orientedsoftwareengineering[J].AutonomousAgentsandMuti-AgentSystem,2004,9(3):253-283.[7]许云,樊孝忠.在专家系统中利用关系数据库来表达知识[J].计
算机机工程与应用,2003,39(22):91-94.[8]王忠祥,郭宝恩.基于数据库的知识表达与推理研究[J].机械设
计与制造,2005,34(9):152-154.