车流量检测
一.智能交通技術概述
智能交通系統(tǒng)(Intelligence Transport System ,ITS)是目前世界交通運輸領域的前沿研究課題,它融合了電子信息技術，通信技術，自動控制理論，計算機技術和傳統(tǒng)的交通工程學理論等多個學科的理論，并將其應用于現(xiàn)代的交通運輸管理體系中，從而實現(xiàn)交通運輸服務和管理智能化。
交通監(jiān)視系統(tǒng)是智能交通系統(tǒng)中的一個重要環(huán)節(jié)，這一子系統(tǒng)主要負責采集有關道路交通流量的各種參數(shù)，例如車流量，車速，車型，排隊時間和長度等。目前，道路參數(shù)檢測的方法很多，主要有超聲波檢測，紅外檢測，感應圈檢測和基于視頻的檢測等等。超聲波檢測精度不高，容易受車輛遮擋和行人的影響，檢測的距離短；紅外線檢測受車輛本身熱源的影響，并且抗噪聲的能力不強，因而檢測精度不高；雖然地感線圈檢測精度相對較高，但要求設置于路面結構中，并有對路面有損壞，施工和安裝相對不便，使用壽命比較短，容易損壞等缺點。
近年來，基于視頻檢測的方法隨著計算機技術，圖像處理，人工智能和模式識別等技術的不斷發(fā)展，在交通流檢測中得到了越來越廣泛的應用，相對于其它交通流量檢測技術而言，它具有以下的優(yōu)勢：
二．相關技術的介紹和說明
圖像的預處理–背景提取
采用背景差分方法進行車輛檢測，一般而言，不對視頻卡采集的整幅視頻圖像進行處理。這里，有目的地根據(jù)車道的情況，在整幅圖像中選擇了幾個感興趣的區(qū)域（也稱作虛擬線圈），并對這些區(qū)域進行實時處理，檢測車輛并獲得相關的交通流量參數(shù)。
提取若干楨連續(xù)的視頻圖像，并把在虛擬線圈中的像素灰度值按幀的序號順序存儲在數(shù)組中，對虛擬線圈中的每個像素逐點求其灰度值的直方圖，選擇出現(xiàn)次數(shù)最多的灰度值作為背景圖像中當前像素的灰度值。
一般而言，選擇每個像素最常出現(xiàn)的灰度值作為背景圖像對應像素點的灰度值是十分合理的，如果碰到車輛較密集的情況，可以適當增加采集的幀數(shù)，以得到較好的效果。
背景提取需要一個初始化的過程，在背景提取的過程中，不對讀入的視頻圖像進行車輛檢測。
背景更新采用了每隔一段時間進行背景提取并進行背景更新的方法：程序中設置一定時器，每隔一段時間，程序就開始進行新一輪背景提取，在此背景的提取過程中，程序進行車輛的檢測。
不過此時所用的背景為上一次提取的背景，當當前背景提取完后，用當前背景覆蓋上一次的背景，圖像下一幀的車輛檢測就使用更新后的背景，即當前背景，進行檢測。
此方法能夠有效抑制光線和自然條件的緩慢變化，并能夠提高背景差分算法檢測車輛的效果。當車輛經(jīng)過虛擬線圈，虛擬線圈內(nèi)所有像素當前灰度值和背景對應像素的灰度值之間的絕對值差的總和會有一個變化的過程，并把線圈內(nèi)所有像素的當前圖像的灰度值與背景圖像的灰度值之間的絕對值差的總和用變量。
在虛擬線圈沒有車輛經(jīng)過的情況下，虛擬線圈內(nèi)當前圖像信息保持相對恒定，線圈內(nèi)像素點的灰度值變化很小。然后，當有車輛開始進入虛擬線圈的區(qū)域時，由于背景和車輛像素的灰度值之間巨大的差異，會導致值逐漸增大；車輛離開虛擬線圈區(qū)域時值也將隨之逐漸減少。當車輛完全離開時值又變得很小。
這種方法可能具有的缺點和不足：
楨間差分比較常用的是連續(xù)三楨作兩兩差分，這種方法雖然具有很強的自適應性，但是對進行差分的連續(xù)楨的選擇時機要求較高，而且有賴于運動物體的運動速度，如果運動速度較快，且選取的時間間隔過長，就會造成兩楨之間無覆蓋區(qū)域，從而無法分割出運動物體；而如果運動速度過慢，且選取的時間過小，則會造成過度重疊，最壞的情況是物體幾乎完全重疊，根本檢測不到物體。
圖像的預處理–前景提取：
前景提取的基本思想是通過將當前幀與當前的背景幀相減，門限后得到運動的前景點。在進行操作之前，首先對當前幀進行平滑濾波以降低噪聲的影響。在這里使用3*3大小的高斯模板。由于平滑的同時也造成了圖像邊緣信息的損失，因此此時我們還需要對濾波后的圖像進行邊緣增強。考慮到G通道對噪聲的不敏感性，這里我們僅在G通道對當前幀和背景幀用Sobel算子進行邊緣增強。在選取門限時，為了適應背景的變化，取：
其中，.C=R、G、B
由于背景圖像的直方圖在R、G、B通道都呈現(xiàn)出明顯的單峰特性，因此這樣的門限是合理的。之后，定義任一點(x,y)上當前幀與背景幀的差值為
當DBt(x,y)≥TL時，認為該點為前景的運動點，否則認為它是背景點，將被更新入背景。即PFore={(x,y)| DBt(x,y)≥TL}。
經(jīng)過上述操作后，包括陰影在內(nèi)的運動前景已經(jīng)基本被提取出來，但是由于噪聲的影響，可能使被檢區(qū)域不完整，甚至出現(xiàn)一個區(qū)域被斷裂成兩個或兩個以上區(qū)域的情況，因此還需要對檢測到的點集進行若干形態(tài)學操作以保證運動前景的完整性。
圖像的預處理–濾波處理
成像系統(tǒng)獲取的原始圖像由于種種條件限制和隨機干擾，例如視覺成像系統(tǒng)鏡頭的臟污，地面凹凸不平引起圖像模糊等，不能直接使用，必須對原始圖像進行預處理。對于視覺系統(tǒng)來說!所用的圖像預處理方法并不需要考慮圖像降質(zhì)的原因，將圖像中感興趣的特征能有選擇地突出，衰減其不需要的特征。
計算機圖像的濾波處理主要采用兩大類方法：
一類方法是在空間域中處理：即在圖像空間中對圖像進行各種處理；另一類方法是把空間圖像經(jīng)過變化，如經(jīng)過傅立葉變換，使之在頻率域內(nèi)進行各種處理，然后再變回到圖像的空間域，形成處理后的圖像。
目前頻率域處理方法有傅立葉正變換和逆變換，各種小波變換和逆小波變換。這些方法使用的計算機內(nèi)存和計算時間的開銷很大，不適于智能車輛這樣的實時系統(tǒng)。
因此，采用空間域中的中值濾波處理方法，該種方法是一種局部平均的平滑技術，對脈沖干擾和椒鹽噪聲的抑制效果好。在一定條件下可克服線性濾波器如最小均方濾波均值濾波等帶來的圖像細節(jié)模糊，有效保護圖像的邊緣。由于在實際運算中不需要圖像的統(tǒng)計特征，因此這為圖像的預處理帶來很大的方便。
圖像的預處理–邊緣增強
根據(jù)視覺理論可知：識別一個對象是從其邊緣開始的，一幅圖像不同部分的邊緣往往是模式識別最重要的特征。邊緣是其周圍像素灰度有階躍變化或屋頂變化的像素的集合，它廣泛存在于物體與物體，物體與背景之間，基元與基元之間，
在機器視覺系統(tǒng)采集的圖像中，車道的邊緣信息湮沒在背景之間。
邊緣增強的目的在于突出道路的邊緣信息，以利于道路邊界識別。另外，邊緣增強算法還有助于克服道路光照不均的影響作用。
常用邊緣增強算子有Robert算子，Sobel算子，Krisch算子，Prewitt算子，Laplace算子等。這里，邊緣檢測采用了Sobel算子，它其實是一種一階差分算子，它可以有效地消除道路圖象中大部分無用信息。
離散-BCDF 算法定義為下式$
Sobel算子具有較強抑制噪聲的能力，實際上Sobel算子的本質(zhì)是反映相鄰或相距一定距離的像素點的灰度差異特征。對于道路而言，正常路面上由于物理性質(zhì)接近，且光照一般是均勻的。在這種情況下，鄰近的像素點的灰度值相差不大，經(jīng)過Sobel算子，就把這種接近程度轉化成一定值，該值通常接近值。論文研究的道路邊界與道路其它部分具有一定的灰度差異，Sobel算子能突出邊界處像素值的差異，相對于其它路面部分，得到的值較大。同時還可得到邊緣的梯度方向信息，而且該算法計算簡單，易于實現(xiàn)。
經(jīng)過Sobel算子運算后的圖象，邊界從整幅圖象中被突顯出來。
圖像的預處理–二值化
對圖像進行二值化處理的關鍵是閾值的合理選取，閾值設置過小易產(chǎn)生噪聲"閾值設置過大會降低分辨率，使非噪聲信號被視為噪聲而濾掉，考慮到一般在光線較為均勻或在光線不發(fā)生強烈變化的條件下試驗，因此選取了整體最優(yōu)閾值法進行圖像二值化處理。
整體最優(yōu)閾值原理是統(tǒng)計每幅圖像灰度的分布特性，利用類別方差作為判據(jù)，選取使類間方差最大值作為選定的閾值.
使用最優(yōu)閾值算法的二值化圖像進一步減少了噪聲，為后續(xù)的Hough變換提供了較為干凈的圖像數(shù)據(jù)。
圖像的預處理–攝像機定標和設置
視頻攝像機可以安裝在過街天橋上，高層大樓上，或者一個足夠高的桿子上。圖1描繪出了視頻攝像機的配置情況，有一些配置參數(shù)包括傾斜的角度 ，轉動的角度 ，幅度的角度 和攝像機高度h。我們假設轉動角度 等于0，而參數(shù) ，h，和攝像機的焦距f事先已知。至于攝像機的視角 將在校準的時候確定。
圖1. 攝像機的配置
建立從二維空間到三維空間圖像的映射關系
實際采集的三維圖像是三維空間坐標在二維攝像頭像平面上的映射，需要對采集的圖像先進性映射后再進行實際幾何關系的計算。通常攝像頭和公路坐標系的位置關系。
檢測和追蹤–車輛的檢測
如何檢測運動目標的軌跡
背景的方法能夠檢測到運動的和靜止的車輛，運動區(qū)域可以用差分背景和差分楨間來分成運動目標和靜止目標。用濾波的預測信息作為聚類初始化信息，大大減少迭代次數(shù)，增強了實時性。在楨間的軌跡對應中，根據(jù)單位時間內(nèi)目標運動的滯后性即運動目標在單位時間內(nèi)位移不大，速度近似等他點，把相鄰楨間的聚類結果進行匹配，從而獲取運動目標的軌跡。
如何處理噪聲
一般情況下，如果檢測到的點跡是運動目標點跡，在相鄰的幾個楨周期內(nèi)也能檢測到該目標的點跡，根據(jù)軌跡起始準則來建立軌跡，這樣解決了跟蹤的初始化問題。如果某點跡是由隨機噪聲產(chǎn)生的，則在相鄰的幾個楨周期內(nèi)，不可能在某處連續(xù)出現(xiàn)此造成點跡，即噪聲點跡無法建立軌跡，這樣有效解決了跟蹤過程中的虛警問題。
自適應背景的優(yōu)點
用自適應背景模型來代替固定背景在魯棒性上得到了增強，但建立自適應背景圖像由于時空信息的融合從而增加了計算量，對實時性方面有一定影響，在環(huán)境發(fā)生突變時，如天氣的突然發(fā)生變化，自適應背景圖像的初始化需要一定時間。
局限性
外界環(huán)境變化給車輛的運動分割和檢測帶來了極大的挑戰(zhàn)，建立適應任何變化的車輛分割和魯棒檢測還需要做出極大的努力。由于道路復雜多變，很多種情況時不可以事先預測的，因此單純靠楨間差分和差分背景來進行建模檢測車輛已很難達到正確檢測的目的。基于多目視覺的系統(tǒng)在同一時間從不同角度拍攝到的圖像進行信息融合方法將是一種方法，但必須解決其信息融合影響實時性的問題。
檢測和追蹤–車輛跟蹤過程
（1）將第一幀的各個區(qū)域當作不同的目標，對各個目標區(qū)域啟動目標鏈。
（2）根據(jù)判決準則，如果某目標鏈中的區(qū)域在當前幀找到了匹配區(qū)域，則用找到的匹配區(qū)域特征更新該目標鏈中的區(qū)域特征。
（3）如果在形心預測值所在位置，當前幀區(qū)域和目標鏈中區(qū)域面積相差很大，則可以認為發(fā)生了合并或者分裂現(xiàn)象。對目標鏈中的區(qū)域包圍矩形，在本幀查找該矩形覆蓋了幾個區(qū)域，如果多于一個區(qū)域，則認為發(fā)生了分裂現(xiàn)象。對分裂現(xiàn)象出現(xiàn)的新區(qū)域，啟動新的目標鏈。同理，對于本幀區(qū)域的包圍矩形，查找該矩形覆蓋了幾個目標鏈中的區(qū)域，如果多于一個，則認為發(fā)生了合并現(xiàn)象，利用合并區(qū)域啟動新的目標鏈，同時終止那些被合并區(qū)域的目標鏈。
（4）對于目標鏈中的區(qū)域，如果在本幀沒有與之相匹配的區(qū)域存在，則認為發(fā)生了消失現(xiàn)象。目標鏈并不立即終止，只有在經(jīng)過數(shù)幀仍沒有找到匹配之后，才終止該目標鏈。
（5）查找本幀是否還存在新進入的區(qū)域，如果存在，則啟動新的目標鏈。采用這種方法可以快速跟蹤圖像序列中的目標，同時得到車輛在監(jiān)視范圍的平均速度。在計數(shù)時，只有目標在連續(xù)數(shù)幀里出現(xiàn)才認為是一個真正的目標區(qū)域，只有目標在連續(xù)數(shù)幀都沒有出現(xiàn)才認為消失，因此可以消除那些暫時消失引起的計數(shù)錯誤。
檢測和追蹤–車流量和車速等參數(shù)的測量：
一 根據(jù)車輛的行車路徑：
多人決策制定技術(MPDM) 假設有m個獨立的屬性特點來描述車輛，相應的，在多人決策過程中也有m個決策制定者。我們也建設分別從視頻圖像 和 中檢測出 和 個車輛。然后每個決策者i ，基于某一屬性特點，確定圖像 和 中的車輛的對應關系。
這些相對應的車輛將根據(jù)相應車輛之間的差異進行進一步的排序，這n對排序的結果表示成 。接下來，根據(jù)如下順序s，我們來給每對車輛定義了值D來表示他們之間的相似水平：
(13)
這里 表示高度，N是車輛對的數(shù)量。
在實踐中，我們按照順序 1，也就是D(n,1)，來選擇相應的車輛對，其數(shù)值必須大于某一個門限值， ，這樣來控制由于車輛移出監(jiān)控范圍而造成的誤匹配的發(fā)生。即使車輛彼此之間是遮擋的，他們讓再可以通過多人決策過程來進行追蹤。在這種情況下，我們要進一步計算D(n,2)的值，更大的D(n,2)意味著兩個遮擋的車輛彼此之間分隔開了。
從追蹤的結果來看，車輛的數(shù)量和車速都可以被確定。車輛的數(shù)量可以通過數(shù)車輛的行車路線來獲得，同時把道路平面上的車輛的移動距離除以追蹤的周期就得到了車輛的行車速度。這里，車輛的移動距離可以通過它行車路線的長度和道路平面和圖像平面之間的關系計算出來。
二 根據(jù)跨過某條虛擬線來判斷過線的車輛數(shù)
除了具體的追蹤某一個車輛的具體運行軌跡外，如果單單只要得到某一路段單位時間內(nèi)的車流量，而不需要定位某輛車，可以在某方向去一條線，通過檢測圖像中跨過這條線的車數(shù)，也可以得到車流量。對于雙向道路，上行和下行路段各取一條虛擬的線，線的位置不能太遠，否則車輛重疊的很厲害，也不能太近，由于系統(tǒng)處理能力的限制，每秒鐘取的楨數(shù)不宜太多，而近處車輛位移較明顯，容易造成漏檢。
陰影抑制和遮擋–車輛陰影的抑制
運動的物體造成的陰影會隨著物體的運動而運動，所以，經(jīng)過HSV方法分割出的物體會受到陰影的影響，這樣分割出來物體會比實際的物體大，甚至造成兩個分割出來的物體連接子在一起，影響計數(shù)的準確性。
陰影檢測的關鍵算法是 基于HSV空間的陰影檢測算法，因為HSV空間更接近人的視覺反應，而且更能精確的反映一些灰度信息和色彩信息，特別是對于圖像中極亮和極暗的物體業(yè)能很好的反映出相應信息，經(jīng)過處理后，就可以將圖像像素分成兩個部分：背景和運動物體。這里運動物體包括陰影，通常將陰影的像素值和背景的該點像素值作比較，如果其包含的相應色彩值和灰度值都在一定的閥值范圍內(nèi)，那么就認為這個點是陰影
陰影抑制和遮擋–車輛的遮擋
由于攝像機的位置和車輛的行駛，有時會產(chǎn)生車輛的遮擋問題，解決這種問題有幾種辦法：
（1）根據(jù)車輛行駛的路徑，來判斷此時刻產(chǎn)生遮擋的車是否在前一時刻分開過；
（2）根據(jù)遮擋的車輛之間的差異，使用運動區(qū)域分析的辦法；
我們可以通過計算楨-背景和楨與楨之間的差值，來得到某一關注區(qū)域的運動物體的位移量，由于車輛的軌跡和車速的連續(xù)性，如果發(fā)現(xiàn)這一區(qū)域的位移不是始終一致的，當它超過某一門限的時候，我們就可以判定發(fā)生了遮擋。
除此之外，我還設想了幾種其他的辦法：根據(jù)車輛占有車道的寬度，來判斷是否有兩輛車產(chǎn)生遮擋；根據(jù)車的自身特性來判點，例如在HSV空間中，我們檢測車輛主要依靠其V灰度特性，在無法判斷是否有遮擋時，我們可以根據(jù)其H和S的特性，判斷車身的主體顏色是否一致，或者判斷其色飽和度的差異，如果某車在較大區(qū)域內(nèi)顏色基本保持一致等(這會受到車自身的涂裝的影響，但是與人眼的識別過程相符合)。
檢測區(qū)域內(nèi)，兩個運動的車輛的速度會有差異，這就決定了不同楨之間，這個區(qū)域的位移量不同，通過設定門限，我們可以將遮擋的物體識別出來。
另外還可以根據(jù)外形，輪廓等兩個不同的運動區(qū)域特征“標記”兩個不同的車輛，然后通過形態(tài)學上的擴張技術，擴大每個車的標記區(qū)域，產(chǎn)生彼此重疊的部分，這個部分叫做“切割區(qū)”，這樣可以分處兩個獨立的車輛。
行人干擾
根據(jù)車輛的長度和寬度，調(diào)整攝像機的位置，將車輛的數(shù)據(jù)從二維圖像空間換算成三維真實空間的數(shù)值，這樣通過恰當?shù)剡x擇一定的閾值，就可以在檢測到的車型的基礎上，將行人區(qū)分開來。在計數(shù)的時候就可以消除行人的影響。
檢測隊列長度
根據(jù)映射關系，我們可以根據(jù)圖像上車的隊列長度來推算出實際車的長度。
這里檢測排隊長度的算法，主要包括兩個部分分：
一種是車輛總排隊長度----在可視范圍內(nèi)所有的車輛長度，包括停止和運動的車輛
先用Sobel邊緣算子得到被監(jiān)控道路上的車輛的邊緣圖像，再將得到的邊緣映射到圖像中道路的中軸線，統(tǒng)計其上的亮點個數(shù)(二值化后，值等于1的像素點個數(shù))，得到二維圖像上的車隊長度，然后通過公式換算成實際的車輛排隊長度。
但是這種方法得到的事車隊整體排隊長度，無法區(qū)分運動車輛和靜止排隊車輛的長度。
二是得到停下來的車輛的排隊長度。
在路口監(jiān)控系統(tǒng)中，有些情況（如控制信號燈的變化）需要得到已經(jīng)停止的車輛的長度，利用邊緣信息得到總體排隊長度的基礎上：
實際在統(tǒng)計亮點個數(shù)的時候，并不是逐行的進行掃描，而是一次掃描n行，n為實際中略小于一輛車的長度映射到二維圖像上得到的像素數(shù)。
假設司機會自動并道停車，即使用所有可用的行車道（這是符合實際情況的）。
在統(tǒng)計中，如果發(fā)現(xiàn)統(tǒng)計區(qū)域(實現(xiàn)設定的車的長度)亮點個數(shù)少于一半時，就假定此區(qū)域可能是停止車輛排隊的終點，然后啟動角點檢測程序，如果該區(qū)域的角點小于一定的閾值（可以根據(jù)實際需要來選去，通常選擇一輛車平均角點的倍數(shù)），就認為當前掃描行為車輛排隊的終點，如果大于相應的閾值，就繼續(xù)掃描。
DSP技術
數(shù)字信號處理（Digital Signal Processing，簡稱DSP）是一門涉及許多學科而又廣泛應用于許多領域的新興學科。20世紀60年代以來，隨著計算機和信息技術的飛速發(fā)展，數(shù)字信號處理技術應運而生并得到迅速的發(fā)展。在過去的二十多年時間里，數(shù)字信號處理已經(jīng)在通信等領域得到極為廣泛的應用。數(shù)字信號處理是利用計算機或專用處理設備，以數(shù)字形式對信號進行采集、變換、濾波、估值、增強、壓縮、識別等處理，以得到符合人們需要的信號形式。
DSP芯片，也稱數(shù)字信號處理器，是一種特別適合于進行數(shù)字信號處理運算的微處理器，其主要應用是實時快速地實現(xiàn)各種數(shù)字信號處理算法。根據(jù)數(shù)字信號處理的要求，DSP芯片一般具有如下主要特點：
(1) 在一個指令周期內(nèi)可完成一次乘法和一次加法；
(2) 程序和數(shù)據(jù)空間分開，可以同時訪問指令和數(shù)據(jù)；
(3) 片內(nèi)具有快速 RAM，通常可通過獨立的數(shù)據(jù)總線在兩塊中同時訪問；
(4) 具有低開銷或無開銷循環(huán)及跳轉的硬件支持；
(5) 快速的中斷處理和硬件I/O支持；
(6) 具有在單周期內(nèi)操作的多個硬件地址產(chǎn)生器；
(7) 可以并行執(zhí)行多個操作；
(8) 支持流水線操作，使取指、譯碼和執(zhí)行等操作可以重疊執(zhí)行。
當然，與通用微處理器相比，DSP芯片的其他通用功能相對較弱些。
世界上第一個單片 DSP 芯片應當是1978年 AMI公司發(fā)布的 S2811，1979年美國Intel公司發(fā)布的商用可編程器件2920是DSP芯片的一個主要里程碑。這兩種芯片內(nèi)部都沒有現(xiàn)代DSP芯片所必須有的單周期乘法器。1980 年，日本 NEC 公司推出的PD7720是第一個具有乘法器的商用 DSP 芯片。在這之后，最成功的DSP 芯片當數(shù)美國德州儀器公司（Texas Instruments，簡稱TI）的一系列產(chǎn)品。
如果前幾步的實驗成功，打算進一步在DSP平臺下實現(xiàn)檢測功能。設計使用的芯片為：TMS320VC5402。該芯片是TI公司于1996年后推出的DSP。其特點是：1.圍繞8條總線構成的增強型哈佛結構；2.高度并行和帶有專用硬件邏輯的CPU設計；3.高度專業(yè)化的指令系統(tǒng)；4.模塊化結構設計；5.先進的IC工藝.
一種基于DSP的視頻車輛識別
本系統(tǒng)完成基于視頻圖像處理技術的交通檢測系統(tǒng)：通過安裝在道路旁邊或者中間隔離帶的支架上的攝像機和圖像采集設備將實時的視頻信息采入，經(jīng)過對視頻圖像的實時處理分析得到各種交通信息如車輛的流量、速度、交通密度、車型分類、車輛排隊長度、轉彎信息等。
該方案由一個以TMS320C6203DSP為核心的嵌入式系統(tǒng)組成。系統(tǒng)主要包括四大硬件模塊：視頻采集模塊，視頻壓縮存儲模塊，系統(tǒng)管理及視頻分析模塊和通訊模塊。見圖1所示。各部分主要實現(xiàn)功能如下：
（1）視頻采集模塊。這是系統(tǒng)的前端信息采集部分。主要的功能是將多個攝像頭傳回來的視頻圖像存入到系統(tǒng)內(nèi)存中；同時輸出到監(jiān)視器，方便交通管理中心的人員進行人工、直觀的交通監(jiān)控和管理。
（2）視頻壓縮存儲模塊。該模塊基于AD公司生產(chǎn)的DSP芯片ADSP2185為控制核心，實現(xiàn)實時壓縮和暫存儲。該模塊能夠做到2路視頻流的實時小波壓縮。
（3）管理和視頻分析模塊。該模塊以TI公司的DSP芯片TMS320C6203為中心構建，作為核心處理部件，完成系統(tǒng)的主要功能。其基本框圖如圖2所示。主要負責系統(tǒng)的各個任務調(diào)度、視頻分析算法的運行、與上層監(jiān)控中心的通訊管理等。
（4）通訊模塊。該模塊負責系統(tǒng)與上層之間、系統(tǒng)與另一系統(tǒng)之間的可靠通信。主要內(nèi)容為上面提及的實時信息輸出、事件觸發(fā)圖像序列輸出以及監(jiān)控指令的傳送。考慮到系統(tǒng)的可擴展性和兼容性，主要采用基于TCP/IP傳輸協(xié)議的通信方式。但對于物理層和數(shù)據(jù)鏈路層的標準，根據(jù)具體情況可以任意選擇，如采用同軸電纜或RJ45接口，或者是RS485接口，都是可以的。而且可以做到與目前某些國外大公司的產(chǎn)品(如Peek等)接口兼容。
TMS320C6203視頻處理主要包含以下幾個關鍵技術：圖像的標定和平面映射；車輛實時檢測；車輛的跟蹤。標定過程是指在一定信息（攝像機高度、與地平面夾角以及鏡頭張角等）的幫助下，從攝像機所拍攝的圖像中，恢復出各車輛在實際交通場景中的位置對應關系，也就是將3維位置關系變換為2維位置關系。車輛檢測的過程中，要解決存在陰影、車輛部分遮擋、車輛與復雜背景的正確分割等問題。車輛的跟蹤主要用來獲取各車輛的速度、轉彎等等信息。
總結
- 上一篇： 前端学习（1662）：前端系列实战课程之
- 下一篇： oracle之单行函数1