汽車超載監(jiān)測系統(tǒng)

江詩明+徐偉+吳智量+林樹雄

摘 要： 為了實時識別各種車型的超載車輛，該系統(tǒng)基于開源計算機視覺庫（OpenCV），先根據(jù)車輛照片庫建立車型分類器，然后使用數(shù)字攝像機拍攝進入監(jiān)控區(qū)域的車輛，在視頻中使用分類器識別車型，根據(jù)所識別得到的車型去查詢數(shù)據(jù)庫獲得該車型的核載，再通過動態(tài)稱重技術獲得車輛的實際載重，及時判別車輛是否超載。此方法可避免過去使用統(tǒng)一重量衡量不同車型是否超載的弊端，并可同時免線圈測量車速。測試結(jié)果表明系統(tǒng)能快速準確地識別出車型。配合動態(tài)稱重系統(tǒng)，就能實時得出所通過的車輛是否超載，對公路養(yǎng)護和道路交通安全有相當大的實用意義。

關鍵詞： 超載監(jiān)測； 視頻識別； OpenCV； 動態(tài)稱重

中圖分類號： TN98?34； TP277 文獻標識碼： A 文章編號： 1004?373X（2014）04?0049?04

Monitoring system for overload vehicles

JIANG Shi?ming， XU Wei， WU Zhi?liang， LIN Shu?xiong

（School of Physics & Electronic Engineering， Guangzhou University， Guangzhou 510006， China）

Abstract： This system based on the open source computer vision library （OpenCV） is used to execute the real?time identification of overloading vehicles with different vehicle models. A vehicle model classifier is established according to the vehicle photo library， and then the vehicles entering the monitored area are recorded by a digital camera. The vehicle models are identified in video recognition by the classifier. The rated load of a vehicle model is obtained by querying the database， and then the actual load of the vehicle running across the monitoring area is measured by the dynamic weighing technology for judging if the vehicle is overloaded immediately. This approach can avoid the demerit of the previous one that uses the unified weight to estimate whether vehicles with different models are overloaded or not. In addition， it can also avoid the coil measurement of speed. Testing results show that the system can quickly and accurately identify a vehicle model， and can promptly determine whether the vehicle is overloaded by means of dynamic weighing system. It has considerable practical value for road maintenance and road traffic safety.

Keywords： overload monitoring； video identification； OpenCV； dynamic weighing

超載車輛的危害很大，主要表現(xiàn)在加速道路損壞和危害道路交通安全，人們都深知其危害性，所以治理超載一直是公路監(jiān)管部門的工作重點。傳統(tǒng)的自動超載信息系統(tǒng)都是使用統(tǒng)一標準，對所有車輛都應用同一個整車重量劃分是否超載，這樣會遺漏部分實際上已經(jīng)超過該車型核載的超載車輛。實際上，這部分車輛對道路交通同樣造成嚴重影響。鑒于此，本系統(tǒng)首先識別出車輛的車型，再查詢得到該車型的核載重量，對比實測重量，便得知是否超載。理論上能夠適用于所有車型。

利用攝像機較長的視域，附加設計了一個測速系統(tǒng)，能方便地得出超速數(shù)據(jù)，以便作為超速監(jiān)測和供給動態(tài)稱重系統(tǒng)作參考。

1 系統(tǒng)構成

1.1 系統(tǒng)方案

系統(tǒng)主要工作過程為：車輛駛?cè)霐z像機監(jiān)視范圍，視頻流通過以太網(wǎng)傳輸?shù)胶笈_處理系統(tǒng)，處理系統(tǒng)通過處理視頻識別出車輛的車型，然后根據(jù)車型從數(shù)據(jù)庫中查出相應的核載重量；同時，安裝在地面的動態(tài)稱重設備測出車輛的實際載重。兩個數(shù)據(jù)對比即可得出車輛是否超載。系統(tǒng)流程如圖1所示。

為了加快處理速率，在程序設計過程中多處使用了多線程并行處理。

1.2 OpenCV及其分類器介紹

傳統(tǒng)的圖像處理軟件大多為Matlab，用于開發(fā)算法最為快捷，但是其處理速度慢，難以跟上視頻處理的需求，所以選用了Intel牽頭開發(fā)的開源計算機視覺庫（OpenCV）。新版的OpenCV已經(jīng)在易用性上已經(jīng)接近Matlab，再加上其開源性，很多算法均已公開，加快了開發(fā)進程。另外，目前OpenCV已經(jīng)提供C，C++，Python等語言接口，且支持Windows，Linux，Android和IOS等主流平臺，資源相當豐富。對于計算機平臺，OpenCV支持多線程并行計算和圖形處理器（GPU）計算，這將能大大加快計算速率，用其開發(fā)本系統(tǒng)的demo是首選。

圖1 系統(tǒng)流程圖

為了從視頻流中識別出車型，需要使用分類器[1]。所謂分類器，是利用樣本的特征進行訓練，得到一個級聯(lián)分類器。分類器訓練完成后，就可以應用于目標檢測。分類器的級聯(lián)是指最終的分類器是有幾個簡單分類器級聯(lián)組成。每個特定的分類器所使用的特征用形狀、感興趣區(qū)域中的位置以及比例系數(shù)來定義（如圖2所示）。

圖2 特征分類

首先使用弱分類器分出貨車和客車等車型，然后再分出大中小型貨車，最后再精確分類，獲得準確的車型。新版本的OpenCV已經(jīng)支持多種特征的分類器，如SVM，LBP，PBM等。因為系統(tǒng)實時性要求較高，這里選取訓練和分類速率都較高的LBP特征分類器。

1.3 訓練分類器

使用分類器的需要首先訓練，即讓分類器“認識”目標，為了訓練分類器，需要準備樣本，樣本包括正樣本和負樣本。正樣本即包含目標的灰度圖片，而且每張圖片都要歸一化大小，負樣本則不要求歸一化，只需要比正樣本大即可（使得可以在負樣本中滑動窗口檢索）。

OpenCV提供了專門的工具opencv_createsample.exe用以整理訓練樣本的原始數(shù)據(jù)，只需準備好正、負樣本，歸一化然后轉(zhuǎn)成灰度圖，再使用兩個描述文件分別記錄這些樣本集合，然后輸入opencv_createsample.exe程序即可整理出原始數(shù)據(jù)。為了準備正樣本，借助OpenCV提供的HighGUI模塊，在此專門編寫了一個GUI截圖工具，界面如圖3所示。為了能從不同角度識別車輛，準本正樣本時需要準備從一定角度范圍描述車輛的樣本。

圖3 GUI截圖工具界面

接下來就是訓練分類器，這部分工作直接關系到系統(tǒng)的魯棒性。同樣，OpenCV提供了專門工具訓練分類器，既有舊版也有新版，為了有更多特性，在此選擇新版本的訓練程序opencv_traincascades.exe。

由于這是基于統(tǒng)計的方法，要對大量數(shù)據(jù)進行處理，如果選擇Haar特性，訓練周期會比較長，不利于系統(tǒng)的搭建，所以選擇用LBP特性訓練分類器。從機器性能方面考慮訓練時間，使用英特爾線程構建模塊（TBB）重新編譯OpenCV，就能得到多核加速，且有利于接下來的程序性能。分類器分為三級，分別為：貨車、客車分類器，大、中、小型貨車分類器和具體車型分類器。由于客車按載客數(shù)區(qū)分是否超載，車輛總重不會對公路造成嚴重損壞，所以本系統(tǒng)無需對客車作出具體車型區(qū)分。但若然具體管理部門需要統(tǒng)計車型信息，可以進一步加上客車車型分類器。實際使用時，由于要應對車輛車身的噴漆變化或者小范圍合法改裝等情況，分類器的分類除了在系統(tǒng)籌建的時候大規(guī)模訓練外，在系統(tǒng)運行時也應繼續(xù)訓練分類器，增加統(tǒng)計數(shù)據(jù)，使得識別結(jié)果更加精確。

1.4 識別車型及獲得核定載重

訓練好分類器后，最直觀的測試方法是直接輸入測試視頻，檢查識別效果。新版本OpenCV提供一個C++類CascadeClassifier，該類封裝了基本的目標識別操作，使得只需要使用該類的實例加載訓練好的XML文件，然后逐幀檢測即可。若發(fā)現(xiàn)目標，結(jié)果將會存放在C++標準模板庫（STL）容器vector中。但直接對每幀圖像使用CascadeClassifier：：detectMultiScale方法將會大大加重系統(tǒng)的工作量并且在多車輛的情況下無法區(qū)分開各車輛，為此，首先需要發(fā)現(xiàn)車輛，然后區(qū)分不同的車輛目標，再對每一個目標單獨進行分類識別。

具體的主要操作的順序為：

（1） 系列的圖像預處理操作，降低圖像噪音。

（2） 圖像差分，發(fā)現(xiàn)車輛輪廓[2]，得到運動掩碼。圖像差分有兩種主要方式，分別是幀間差分和背景差分。幀間差分速度快，但容易產(chǎn)生空洞，且無法分離出緩慢運動的車輛；背景差分速度慢，但分離效果好?？紤]到如果車輛是緩慢進入測速區(qū)，則稱重數(shù)據(jù)可靠性高，而且沒有超速，進入識別點的效果好，所以選擇幀間差分，這里使用能有效減小前景空洞的三幀差分算法[2]。

（3） 結(jié)合運動掩碼更新歷史運動圖像、計算歷史運動圖像的梯度。

（4） 分割運動目標，得到一輛一輛的車，并跟蹤。為區(qū)分開圖像中的每一輛車，需要對其進行標記，這里使用的方法為：

[Mkx，y=ID ifMk-1x，y≠0&k-1≠10 ifMk-1x，y=0 ]

式中：Mk（x，y）為分割出來的單獨車輛目標的第k幀感興趣區(qū)域矩形。這種方法雖然魯棒性較好，但是因為重復計算量大，運算速度有限，所以在確定每輛車的ID后，使用OpenCV提供的更為快速的Camshift算法[3]繼續(xù)跟蹤。

（5） 計算每輛車的運動方向。這部分關系到運動目標篩選，在部分場合，攝像機的視野可能會涉及逆向車道。在這種情況下，可以通過篩選符合主要行駛方向的車輛來排除其他車輛或無關運動目標的干擾。

（6） 車輛進入測速區(qū)，開始測速。

（7） 車輛離開測速區(qū)，結(jié)束測速并計算速度。使用TBB進行并行分類識別車型。由于OpenCV新版矩陣結(jié)構Mat的所有操作使用原子操作，大大減輕了多線程編程的工作量，所以這里使用多線程并行操作是最佳選擇。

（8） 根據(jù)所安裝動態(tài)稱重系統(tǒng)的車速要求，判斷是否需要引導車輛到檢測站進行檢查。

1.5 獲得實際載重

在視頻分析中發(fā)現(xiàn)車輛后，對比動態(tài)測重模塊中測得的實際載重。這里需要把應用場合分為兩種情況：高速測重和低速測重，至于高低速的閥值，這根據(jù)不同動態(tài)稱重系統(tǒng)的性能而定[4]，在系統(tǒng)安裝時根據(jù)動態(tài)稱重系統(tǒng)參數(shù)設置即可。由于目前高速測重技術的精度未達到作為證據(jù)的要求，所以在高速測重的場合，所得車重數(shù)據(jù)只能作為初步判斷，若初步發(fā)現(xiàn)車輛超載，需要進一步引導車輛到大型地磅再次靜態(tài)測量，并作其他處理。在低速測重場合，測得的動態(tài)數(shù)據(jù)可靠，可直接作為證據(jù)使用。所以系統(tǒng)的運行需要測速模塊的配合。

無論高速場合與低速場合，本系統(tǒng)都能實現(xiàn)視頻測速功能，可以直接用作超速抓拍系統(tǒng)，降低了公路部門的重復投入成本。

1.6 測速方法

測速測量車輛通過測速區(qū)所用的時間，然后用測速區(qū)長度除以時間而粗略估計得到?？紤]到攝像機視域限制，設定的測速區(qū)域并不長，只有20 m左右，而且速度是用于參考載重信息是否有效的，所以無需太精確，因而可認為車輛是直線經(jīng)過測速區(qū)域的。測速區(qū)的長度需在系統(tǒng)安裝時手工進行長度映射。另外，確定通過測速區(qū)域的時間差使用幀率和幀計數(shù)得出，這樣在多線程處理的情況下，可以排除系統(tǒng)時鐘和處理速率的干擾，得出準確時間差。

2 測量結(jié)果

為快速測試系統(tǒng)性能，直接使用測試視頻替代攝像機輸入。使用微軟Visual Studio 2010 MFC + OpenCV 2.44 編寫一個即時處理程序，界面如圖4所示。

圖4 運行在Windows平臺上的系統(tǒng)

測試使用一臺Intel Core i5M處理器（主頻2.3 GHz+智能變頻技術）、6 GB內(nèi)存、操作系統(tǒng)為Windows 7 64 b的普通筆記本計算機，測試代碼尚未使用圖形處理器（GPU）計算，但代碼在識別部分應用了TBB進行多核并行加速計算。

測試視頻共兩段，分別在兩個不同的場景拍攝，第一段只有一輛公交車，場景較為簡單；第二段則是多車多人環(huán)境，并且有車輛并行的情況，場景較為復雜，干擾較多。

第一段視頻主要用于測試系統(tǒng)的極限性能，在測試開始前，先用轉(zhuǎn)碼工具把同一段視頻轉(zhuǎn)成不同幀率和分辨率的幾段視頻，其中視頻的寬高比不變。輸入視頻測試后的結(jié)果如表1所示。

視頻原始長度為6 s，雙斜線為該場景的稱重和測速區(qū)域。

測試結(jié)果表明：系統(tǒng)能實時處理標清視頻流，但對高清視頻還需進一步優(yōu)化。

第二段視頻主要測試系統(tǒng)的車型識別能力，測試數(shù)據(jù)如圖5所示。

表1 輸入視頻測試后結(jié)果

圖5 多車并行時能夠準確區(qū)分

第二段視頻夾雜較多無關目標，如行人、抖動的樹枝橫向行駛的車輛等，其中雙白線之間區(qū)域為本場景的稱重測速區(qū)域。

通過測試，可以看出無關目標能被全部排除，體現(xiàn)了車輛篩選很好的魯棒性。視頻中共通過9輛汽車，所有車輛均本正確識別車型。

3 結(jié) 語

通過測試數(shù)據(jù)可以看出，本系統(tǒng)提出的車型識別算法能適應不同場景和一定的環(huán)境變化，具有較高的效率和魯棒性。隨著計算機及其他數(shù)字信號處理（DSP）設備的信息處理能力不斷提高，應用實時視頻處理技術促進智能交通的能力將更大更穩(wěn)定。若本系統(tǒng)能真正應用在智能交通系統(tǒng)上，有望對遏制道路超載超速現(xiàn)象做出貢獻。

參考文獻

[1] LIENHART Rainer， MAYDT Jochen. An extended set of Haar?like features for rapid object detection [J]. IEEE ICIP， 2002 （1）： 900?903.

[2] 徐衛(wèi)星，王蘭英，李秀娟.一種基于OpenCV實現(xiàn)的三幀差分運動目標檢測算法研究[J].計算機與數(shù)字工程，2011（11）：141?144.

[3] BRADSKI G R. Computer vision face tracking for use in a perceptual user interface [EB/OL]. [2010?12?02]. http：// www.wenku.baidu.com/view/f442b24be45c3b3567ec8b2b.

[4] 張波，魯新光，鄧鐵六，等.動態(tài)車輛稱重物理模型與提高動態(tài)稱重準確度研究[J].計量學報，2009（5）：426?430.

[5] 唐雙發(fā).基于OpenCV的車輛視頻檢測技術研究[D].武漢：華中科技大學，2009.

[6] 詹群峰.基于OpenCV的視頻道路車輛檢測與跟蹤[D].廈門：廈門大學，2009.

[7] 郭旭，張麗杰.運動目標檢測視頻監(jiān)控軟件的設計與實現(xiàn)[J]. 計算機技術與發(fā)展，2010，20（8）：200?207.

[8] 周品，李曉東.Matlab數(shù)字圖像處理[M].北京：清華大學出版社，2012.

[9] 陳勝勇，劉盛.基于OpenCV的計算機視覺技術實現(xiàn)[M].北京：科學出版社，2008.

[10] 劉瑞禎，于仕琪.OpenCV教程基礎篇[M].北京：北京航空航天大學出版社，2007.

[11] 范伊紅，彭海云，張元.基于SVM 的車型識別系統(tǒng)的設計與實現(xiàn)[J].微計算機信息，2007，23（5）：296?297.

[12] 李慶忠，陳顯華，王立紅.一種視頻運動目標的檢測與識別方法[J].模式識別與人工智能，2006，19（2）：238?243.

[13] [美]REINDERS J， 聶雪軍. Intel Threading Building Blocks編程指南[M].北京：機械工業(yè)出版社，2009.

[14] 劉慧英，王小波.基于OpenCV的車輛輪廓檢測[J].科學技術與工程，2010，10（12）：2987?2991.

無論高速場合與低速場合，本系統(tǒng)都能實現(xiàn)視頻測速功能，可以直接用作超速抓拍系統(tǒng)，降低了公路部門的重復投入成本。

1.6 測速方法

測速測量車輛通過測速區(qū)所用的時間，然后用測速區(qū)長度除以時間而粗略估計得到?？紤]到攝像機視域限制，設定的測速區(qū)域并不長，只有20 m左右，而且速度是用于參考載重信息是否有效的，所以無需太精確，因而可認為車輛是直線經(jīng)過測速區(qū)域的。測速區(qū)的長度需在系統(tǒng)安裝時手工進行長度映射。另外，確定通過測速區(qū)域的時間差使用幀率和幀計數(shù)得出，這樣在多線程處理的情況下，可以排除系統(tǒng)時鐘和處理速率的干擾，得出準確時間差。

2 測量結(jié)果

為快速測試系統(tǒng)性能，直接使用測試視頻替代攝像機輸入。使用微軟Visual Studio 2010 MFC + OpenCV 2.44 編寫一個即時處理程序，界面如圖4所示。

圖4 運行在Windows平臺上的系統(tǒng)

測試使用一臺Intel Core i5M處理器（主頻2.3 GHz+智能變頻技術）、6 GB內(nèi)存、操作系統(tǒng)為Windows 7 64 b的普通筆記本計算機，測試代碼尚未使用圖形處理器（GPU）計算，但代碼在識別部分應用了TBB進行多核并行加速計算。

測試視頻共兩段，分別在兩個不同的場景拍攝，第一段只有一輛公交車，場景較為簡單；第二段則是多車多人環(huán)境，并且有車輛并行的情況，場景較為復雜，干擾較多。

第一段視頻主要用于測試系統(tǒng)的極限性能，在測試開始前，先用轉(zhuǎn)碼工具把同一段視頻轉(zhuǎn)成不同幀率和分辨率的幾段視頻，其中視頻的寬高比不變。輸入視頻測試后的結(jié)果如表1所示。

視頻原始長度為6 s，雙斜線為該場景的稱重和測速區(qū)域。

測試結(jié)果表明：系統(tǒng)能實時處理標清視頻流，但對高清視頻還需進一步優(yōu)化。

第二段視頻主要測試系統(tǒng)的車型識別能力，測試數(shù)據(jù)如圖5所示。

表1 輸入視頻測試后結(jié)果

圖5 多車并行時能夠準確區(qū)分

第二段視頻夾雜較多無關目標，如行人、抖動的樹枝橫向行駛的車輛等，其中雙白線之間區(qū)域為本場景的稱重測速區(qū)域。

通過測試，可以看出無關目標能被全部排除，體現(xiàn)了車輛篩選很好的魯棒性。視頻中共通過9輛汽車，所有車輛均本正確識別車型。

3 結(jié) 語

通過測試數(shù)據(jù)可以看出，本系統(tǒng)提出的車型識別算法能適應不同場景和一定的環(huán)境變化，具有較高的效率和魯棒性。隨著計算機及其他數(shù)字信號處理（DSP）設備的信息處理能力不斷提高，應用實時視頻處理技術促進智能交通的能力將更大更穩(wěn)定。若本系統(tǒng)能真正應用在智能交通系統(tǒng)上，有望對遏制道路超載超速現(xiàn)象做出貢獻。

參考文獻

[1] LIENHART Rainer， MAYDT Jochen. An extended set of Haar?like features for rapid object detection [J]. IEEE ICIP， 2002 （1）： 900?903.

[2] 徐衛(wèi)星，王蘭英，李秀娟.一種基于OpenCV實現(xiàn)的三幀差分運動目標檢測算法研究[J].計算機與數(shù)字工程，2011（11）：141?144.

[3] BRADSKI G R. Computer vision face tracking for use in a perceptual user interface [EB/OL]. [2010?12?02]. http：// www.wenku.baidu.com/view/f442b24be45c3b3567ec8b2b.

[4] 張波，魯新光，鄧鐵六，等.動態(tài)車輛稱重物理模型與提高動態(tài)稱重準確度研究[J].計量學報，2009（5）：426?430.

[5] 唐雙發(fā).基于OpenCV的車輛視頻檢測技術研究[D].武漢：華中科技大學，2009.

[6] 詹群峰.基于OpenCV的視頻道路車輛檢測與跟蹤[D].廈門：廈門大學，2009.

[7] 郭旭，張麗杰.運動目標檢測視頻監(jiān)控軟件的設計與實現(xiàn)[J]. 計算機技術與發(fā)展，2010，20（8）：200?207.

[8] 周品，李曉東.Matlab數(shù)字圖像處理[M].北京：清華大學出版社，2012.

[9] 陳勝勇，劉盛.基于OpenCV的計算機視覺技術實現(xiàn)[M].北京：科學出版社，2008.

[10] 劉瑞禎，于仕琪.OpenCV教程基礎篇[M].北京：北京航空航天大學出版社，2007.

[11] 范伊紅，彭海云，張元.基于SVM 的車型識別系統(tǒng)的設計與實現(xiàn)[J].微計算機信息，2007，23（5）：296?297.

[12] 李慶忠，陳顯華，王立紅.一種視頻運動目標的檢測與識別方法[J].模式識別與人工智能，2006，19（2）：238?243.

[13] [美]REINDERS J， 聶雪軍. Intel Threading Building Blocks編程指南[M].北京：機械工業(yè)出版社，2009.

[14] 劉慧英，王小波.基于OpenCV的車輛輪廓檢測[J].科學技術與工程，2010，10（12）：2987?2991.

無論高速場合與低速場合，本系統(tǒng)都能實現(xiàn)視頻測速功能，可以直接用作超速抓拍系統(tǒng)，降低了公路部門的重復投入成本。

1.6 測速方法

測速測量車輛通過測速區(qū)所用的時間，然后用測速區(qū)長度除以時間而粗略估計得到?？紤]到攝像機視域限制，設定的測速區(qū)域并不長，只有20 m左右，而且速度是用于參考載重信息是否有效的，所以無需太精確，因而可認為車輛是直線經(jīng)過測速區(qū)域的。測速區(qū)的長度需在系統(tǒng)安裝時手工進行長度映射。另外，確定通過測速區(qū)域的時間差使用幀率和幀計數(shù)得出，這樣在多線程處理的情況下，可以排除系統(tǒng)時鐘和處理速率的干擾，得出準確時間差。

2 測量結(jié)果

為快速測試系統(tǒng)性能，直接使用測試視頻替代攝像機輸入。使用微軟Visual Studio 2010 MFC + OpenCV 2.44 編寫一個即時處理程序，界面如圖4所示。

圖4 運行在Windows平臺上的系統(tǒng)

測試使用一臺Intel Core i5M處理器（主頻2.3 GHz+智能變頻技術）、6 GB內(nèi)存、操作系統(tǒng)為Windows 7 64 b的普通筆記本計算機，測試代碼尚未使用圖形處理器（GPU）計算，但代碼在識別部分應用了TBB進行多核并行加速計算。

測試視頻共兩段，分別在兩個不同的場景拍攝，第一段只有一輛公交車，場景較為簡單；第二段則是多車多人環(huán)境，并且有車輛并行的情況，場景較為復雜，干擾較多。

第一段視頻主要用于測試系統(tǒng)的極限性能，在測試開始前，先用轉(zhuǎn)碼工具把同一段視頻轉(zhuǎn)成不同幀率和分辨率的幾段視頻，其中視頻的寬高比不變。輸入視頻測試后的結(jié)果如表1所示。

視頻原始長度為6 s，雙斜線為該場景的稱重和測速區(qū)域。

測試結(jié)果表明：系統(tǒng)能實時處理標清視頻流，但對高清視頻還需進一步優(yōu)化。

第二段視頻主要測試系統(tǒng)的車型識別能力，測試數(shù)據(jù)如圖5所示。

表1 輸入視頻測試后結(jié)果

圖5 多車并行時能夠準確區(qū)分

第二段視頻夾雜較多無關目標，如行人、抖動的樹枝橫向行駛的車輛等，其中雙白線之間區(qū)域為本場景的稱重測速區(qū)域。

通過測試，可以看出無關目標能被全部排除，體現(xiàn)了車輛篩選很好的魯棒性。視頻中共通過9輛汽車，所有車輛均本正確識別車型。

3 結(jié) 語

通過測試數(shù)據(jù)可以看出，本系統(tǒng)提出的車型識別算法能適應不同場景和一定的環(huán)境變化，具有較高的效率和魯棒性。隨著計算機及其他數(shù)字信號處理（DSP）設備的信息處理能力不斷提高，應用實時視頻處理技術促進智能交通的能力將更大更穩(wěn)定。若本系統(tǒng)能真正應用在智能交通系統(tǒng)上，有望對遏制道路超載超速現(xiàn)象做出貢獻。

參考文獻

[1] LIENHART Rainer， MAYDT Jochen. An extended set of Haar?like features for rapid object detection [J]. IEEE ICIP， 2002 （1）： 900?903.

[2] 徐衛(wèi)星，王蘭英，李秀娟.一種基于OpenCV實現(xiàn)的三幀差分運動目標檢測算法研究[J].計算機與數(shù)字工程，2011（11）：141?144.

[3] BRADSKI G R. Computer vision face tracking for use in a perceptual user interface [EB/OL]. [2010?12?02]. http：// www.wenku.baidu.com/view/f442b24be45c3b3567ec8b2b.

[4] 張波，魯新光，鄧鐵六，等.動態(tài)車輛稱重物理模型與提高動態(tài)稱重準確度研究[J].計量學報，2009（5）：426?430.

[5] 唐雙發(fā).基于OpenCV的車輛視頻檢測技術研究[D].武漢：華中科技大學，2009.

[6] 詹群峰.基于OpenCV的視頻道路車輛檢測與跟蹤[D].廈門：廈門大學，2009.

[7] 郭旭，張麗杰.運動目標檢測視頻監(jiān)控軟件的設計與實現(xiàn)[J]. 計算機技術與發(fā)展，2010，20（8）：200?207.

[8] 周品，李曉東.Matlab數(shù)字圖像處理[M].北京：清華大學出版社，2012.

[9] 陳勝勇，劉盛.基于OpenCV的計算機視覺技術實現(xiàn)[M].北京：科學出版社，2008.

[10] 劉瑞禎，于仕琪.OpenCV教程基礎篇[M].北京：北京航空航天大學出版社，2007.

[11] 范伊紅，彭海云，張元.基于SVM 的車型識別系統(tǒng)的設計與實現(xiàn)[J].微計算機信息，2007，23（5）：296?297.

[12] 李慶忠，陳顯華，王立紅.一種視頻運動目標的檢測與識別方法[J].模式識別與人工智能，2006，19（2）：238?243.

[13] [美]REINDERS J， 聶雪軍. Intel Threading Building Blocks編程指南[M].北京：機械工業(yè)出版社，2009.

[14] 劉慧英，王小波.基于OpenCV的車輛輪廓檢測[J].科學技術與工程，2010，10（12）：2987?2991.