基于車輛之間實際距離的快速交通狀況檢測算法

宋俊芳　王衛星　陳　艷　薛世焦　宋煥生,3

1(長安大學信息工程學院　陜西 西安 710064)2(西藏民族學院信息工程學院　陜西 咸陽712082)3(陜西省道路交通智能檢測與裝備工程技術研究中心　陜西 西安 710064)

?

基于車輛之間實際距離的快速交通狀況檢測算法

宋俊芳1,2王衛星1陳艷1薛世焦1宋煥生1,3

1(長安大學信息工程學院陜西 西安 710064)2(西藏民族學院信息工程學院陜西 咸陽712082)3(陜西省道路交通智能檢測與裝備工程技術研究中心陜西 西安 710064)

交通狀況檢測與預警是交通信息檢測系統中一個很重要的組成部分，它對城市交通管控和誘導有著重要的指導意義。基于視頻圖像的灰度和邊緣特征，首先采用差分算法計算出各車道中軸線上像素點的灰度梯度，并對梯度函數結合“像素-距離”的映射關系，按距離聚類分析法完成其對應曲線上脈沖的合并與數值量化；然后根據量化結果，對各車道的有車區域和無車區域做出標識，并對有車區域的分布密度做出統計；最后，結合對車道中軸線上像素點的灰度幀差處理結果，對交通狀況做出精確判斷。經實驗驗證，該算法能對道路的交通狀況做出準確、實時的判斷，且算法簡單穩定，具有很好的實用價值。

交通狀況檢測灰度差分幀差像素-距離映射關系

0　引　言

早期的道路交通管理部門主要依靠人工方式觀察道路上交通流的交通狀況，由于當時的路網規模較小、交通需求與供給的矛盾尚未激化，常發性交通擁擠狀況較少。因此，這種依據人工方法發現道路交通運行效率的交通管理模式在很長時間內能夠維持道路交通的正常運轉[1]。后來，隨著道路上的車輛逐漸增多，車輛的擁堵和排隊已然成為一個常發性問題，靠以前傳統的人工觀察方法已不能滿足交通管理對數據的要求。因此，如果能夠通過技術手段實時獲取道路上的動態交通狀況,為交通誘導提供可靠的數據支持,則可以有效地緩解交通擁擠,提高道路使用效率，而對于這方面的技術研究，最早始于國外。如二十世紀80、90年代歐美國家和日本大力推行的智能交通系統就是：以電子設備為手段將采集到的交通流信息用于交通控制信號的配時和交通事件的自動檢測。它把智能檢測技術集成到交通監控系統中，以提高交通管理部門檢測、清理交通事故和疏導交通擁堵的能力[2]。最初，在此智能系統中針對交通狀態的判斷算法都是以發現道路上的突發交通事件為目的而設計的。如加利福尼亞算法[1，3，4]，這種算法開發于1965年—1970年之間，最初用于洛杉磯公路管理控制中心。加州算法通過比較鄰近監測站之間的交通參數數據，主要是比較環行線圈檢測器獲得到的占有率數據，對可能存在的突發交通事件進行判別。再如1974年，Cook開發的一種雙指數平滑(DES)算法[1，4]。這種方法以交通參數數據的雙指數平滑值作為預測值，通過比較交通參數數據的預測值和實測值來構造一個跟蹤信號，當該跟蹤信號超過預定的閾值時，可觸發突發交通事件警報。而獨立的針對交通狀態自動判別ACI(AutomaticCongestionIdentification)方法的研究真正始于1988年，Persaud[4]等人根據突變理論開發了McMaster算法,使用大量的擁擠和非擁擠交通狀態下的流量占有率歷史數據，開發了一個流量占有率分布關系模板。通過將觀測數據之間的關系與模板進行兩次比較，判斷是否發生了交通擁擠以及發生的是偶發性擁擠還是常發性擁擠。這種算法第一次將大交通需求引起的常發性擁擠作為了分析判斷的對象，并進行了深入的研究。在此之后的一段時間，學者們針對這一問題展開了大量研究，但大部分都是以感應線圈采集的交通流量、道路占有率和車輛速度等交通數據為指標對交通狀態進行判別的。直到1993年，伴隨圖像處理和計算機視覺技術的成熟，Perrin等發現使用視頻圖像處理技術進行交通狀態的判別比基于感應線圈的判別算法有很多獨特的優點[5]。感應線圈只能采集某一地點的交通流數據，且對安裝的要求比較高，施工量也大，維修成本也較高。而視頻圖像處理技術在傳統電視監視系統的基礎上，將計算機視覺引入到交通信息檢測系統中，運用圖像處理技術可以獲取所需的各種數據信息，且安裝簡單、操作容易、維護也方便。之后，基于視頻分析的以交通流量、道路占有率和車輛速度等交通指標為特征的交通狀況檢測算法頻頻出現。在國內，具有代表性的有：莊斌等人提出的城市道路路段上交通擁擠的平均占有率自動檢測算法[6]；李曉斌等人提出的基于RBF神經網絡的高速公路交通狀況判別方法[7]；肖永來提出的基于SCATS采集數據的城市道路交通狀態判別技術[8]等。他們都是以固定或者移動檢測器所探測到的道路流量密度、道路占有率、車輛速度等作為交通狀況判斷的聯合依據，根據實際的路網通行能力，設定流量、占有率和速度的極限值或者以他們為輸入數據，預測出一個輸出值來劃分交通處于哪一個狀態。采用這類方法雖然在準確度上有明顯的優勢，但實時性都較差。在提高實時性上，楊媛等人提出了一種以平均車輛速度為特征的交通狀況檢測方法[9]，但是其準確度還是依賴于對速度的預測，算法不夠獨立，且先檢測速度，后判斷交通狀況，起不到對交通參數檢測和交通事件檢測的提前預測。本文以算法簡單，功能實現獨立為目的，針對圖像中車輛的灰度和邊緣特征進行深入分析，并結合“像素-距離”的映射關系，提出一種基于車輛之間實際距離的快速交通狀況檢測算法。該算法簡單穩定，可靠性強，具有很好的應用前景。

1　算法總流程

本文主要針對正常的道路場景進行了大量的分析研究，進而開發了一套適用于正常道路場景(非斑馬線，非減速帶)的交通狀況自動檢測算法。

圖1為交通數據庫中某路段視頻序列中隨機的一幀圖像。從圖中看出，每個車道路面上的無車區域在灰度圖像中較為光滑，且近鄰區域的灰度較為接近(如圖片近端)，而有車區域則有明顯的灰度跳變和邊緣存在(如圖片遠端)。介于這樣的交通圖像特點，本文提出分車道分析各車道中軸線上像素點在鄰域范圍和序列幀之間的灰度變化。并通過對這種變化的量化表示，結合“像素-距離”的映射關系描述出各車道車輛的分布情況。最后將車輛分布情況按其預示的不同交通狀況進行聚類，并對擁堵狀態做出預警顯示。

圖1　正常道路場景

其算法的流程如圖2所示，算法的核心主要集中在“像素-距離”映射關系的建立以及車輛的存在性檢測和有車區域的運動判斷。

圖2　交通狀況檢測算法流程

2　車道預處理與映射關系建立

2.1車道劃分與距離標注

車輛在正常情況下(無變道、逆行發生)，都是以車道隔離線為邊界，沿車道按秩序順序行駛的。本文結合這一實際情況，提出了分車道對交通狀況進行判斷的思路。在現實交通場景里，那些顯著的白色等間隔短線就是交管部門為了對車輛的運行軌道進行隔離而設立的。在這部分車道劃分就是在視頻圖像上，如何通過在白色短線上取點，進而擬合出能代表實際車道隔離線的直線，作為圖像中車道的分界線。本文以車輛離開方向的道路場景為例，用最小二乘法對選取點擬合的結果如圖3所示，道路場景的右邊按車道被分成了兩個檢測區域，分別標記為1車道和2車道。

為進一步計算圖像中“像素-距離”的映射關系，首先需要對車道進行簡單的距離標注，其標注方法如圖4所示。分別選取車道隔離線上對應的等距離映射點，其中點N,點M和點F代表車道中間線上的三個代表性的映射點。以這三個點為基準將整個道路分成了四段，并用箭頭指示出每段映射關系求取時的方向，然后由攝像機架設位置和角度以及幾何透視原理[9]便可推導出各段內任意點所對應的實際路面距離。假設中間兩段的像素距離用n和m表示，在選點時，要保證n和m所代表的實際路面距離要相等。

圖3　車道劃分

圖4　距離標注

2.2映射關系建立

在以往的交通狀況判斷算法中，僅局限在二維圖像中所反映出的特征信息，對于還原真實三維空間中的交通場景并未考慮。其實，在判斷交通狀況時，如果能夠從車輛之間的實際距離出發，這將是最直觀、最簡單的判據。要想得到車輛位置之間的實際距離，首先要求出圖像中像素點對應的路面實際距離。我們把求取圖像中每個像素點所代表的路面實際距離的過程稱之為“像素-距離”映射。在映射關系建立過程中，針對我們的研究對象(車道中軸線)，在這里只需考慮縱向實際距離，對橫向距離可以忽略不計。因此在推導實際距離時，可以假設路面實際距離只隨像素行的遞增而變化，即認為同一像素行上的所有像素點其對應的路面實際距離是相等的，這樣用一個一維數組MappedDis[y]就可以表示圖像上每個像素點對應的實際距離。具體幾何推導過程如示意圖5所示，O點相當于攝像機的焦點，DC代表的是中間車道線，EF為攝像機鏡頭，也就是視頻圖像上所顯示的平面。

圖5　透視關系幾何推導示意圖

其中N、M、F所對應的實際道路路面點為A、B、C，且AB=BC。在視頻上找一個點E(圖中所示為第一種情況，E點位于N點左側的分段)，E點所對應的路面上的點為D，所以，關鍵問題就是要找出視頻圖像中像素距離EN所對應的實際距離DA。首先做兩條輔助線，DH和AG，平行于EF。

則已知條件分別為：

AB=BC，并且AB和BC都已知；

NM和MF的像素距離已知；

EN的像素距離已知；

EF//DH//AG(//表示平行，Δ表示三角形)。

求：DA的實際距離用已知參數表示。

求解方法如下：

將DP、QH、AK代入下面兩式：

(1)

同理，求出其他幾種情況的結果：

第二種情況，E點在NM之間:

(2)

第三種情況，E點在MF之間：

(3)

第四種情況，E點在F點右邊：

(4)

以上關系式由攝像機位置和角度根據光學原理推導而來，具有準確性和科學性。根據這四個關系式，可以計算出圖4中1、2、3、4段內所有像素點對應的實際距離。在計算過程中，可以將上述關系式簡化為如下公式：

(5)

(6)

(7)

(8)

其中t1、t2、t3和t4分別表示1、2、3、4段內像素點對應的實際距離，a為m、n所代表的實際空間距離，一般是6米。l表示各段內某像素點到其基準像素點的絕對像素距離。圖像中其余部分的實際距離可以循環利用上述公式得到。最后將所有像素行[0，287]的實際距離存儲到數組MappedDis[y]中，我們把這個一維數組稱作像素到距離的映射表，通過查找表，可以求出任意兩行上像素點之間的實際距離。如表中MappedDis[268]=9116cm，MappedDis[120]=1800cm，則可以得出圖像中第120行上任意像素點到268行上任意像素點之間的實際距離為：MappedDis[268]-MappedDis[120]= 7316cm。

為了驗證此映射關系的準確性，將表中對應的數據變化關系用函數曲線描述如圖6所示，隨著像素行的增大，其實際距離呈拋物線遞增趨勢。在映射過程中，為了方便計算，將所有的距離都轉化為以圖片底端為基準點的實際距離。因此從圖中可以看到，圖片最底端像素對應的實際距離為0，且在圖片近端，實際距離變化趨勢較緩，而在圖片遠端像素點所代表的實際距離迅速增加，這正好符合幾何透視原理。在攝像機視野近處，圖像中目標較大，像素點之間的實際距離較小，但在遠處，雖然目標很小，像素點之間的實際距離卻很大。

圖6　像素-距離映射關系變化曲線

通過上述車道劃分和映射關系的建立，我們不僅將圖片按照實際車道分成了幾個相似的檢測區域，同時建立了一個像素到距離的映射關系表，為交通狀況的判斷奠定了基礎。

3　交通狀況檢測與預警顯示

為了很好地描述道路的擁擠情況，將交通狀況從總體上劃分為三級：暢通、飽和和擁堵。它們之間是相互關聯的，且狀態之間當達到一定條件時，會相互轉換，基本上都符合從暢通到飽和再到擁堵或者從擁堵到飽和再到暢通這樣的規律。

交通狀況檢測可分為兩步，車輛存在檢測和車輛運動檢測。近些年有很多學者對車輛存在檢測和運動檢測進行了研究[10-13]。也有部分學者將這兩者結合起來實現車輛排隊長度的檢測[14,15]。本文也是基于這樣的思路，結合車輛存在檢測和運動檢測對道路交通狀況進行實時判斷與預警，但在車輛存在檢測和運動檢測方面，算法比以往簡單、新穎，且效果直觀，有利于交通狀況更加形象準確地判斷。

3.1車輛存在檢測

按照交通規則，車輛在道路上正常行駛是不允許跨越車道隔離線和隔離帶的。因此大部分車輛都是壓著車道中軸線行駛的，介于這樣的考慮，本文提出通過計算車道中軸線上灰度的變化來進行車輛存在檢測并確認運動區域。車輛存在檢測分為關鍵兩步：(1) 求取灰度差分函數；(2) 聚類分析與量化處理。

首先假設車道中軸線上像素點的行坐標x與車道序列y組成一個表示灰度信息的二維函數f(x,y)，則f(x,1)、f(x,2)分別為1車道和2車道中軸線上像素位置x所對應的灰度，其函數關系如圖7所示。從圖中看出，灰度曲線在有車輛的位置處，存在明顯的脈沖序列，這些序列的形成始于目標邊緣的突變，如果從圖中可以明顯地分辨出突變位置，則就可以準確地定位出車輛的頭部和尾部像素位置。

圖7　車道中軸線上灰度分布曲線圖

接下來為了放大函數的這種突變，進而方便檢測車頭和車尾，引入梯度運算分別對f(x,1)、f(x,2)這兩個函數進行求導，具體公式如式(9)所示。通過計算相鄰像素點之間的灰度差來反應梯度變化。

(9)

為了減小函數的噪聲干擾，在計算中，如果只考慮車道中軸線上一個像素點的灰度值是不夠的，所以，對每個像素點我們都以車道中軸線為中心，像兩邊延生出一定范圍并求取其均值作為該像素點對應的灰度值進行差分運算。對差分結果我們進一步通過平滑去噪得到其對應的函數關系，如圖8所示。

圖8　車道中軸線上灰度差分曲線圖

從圖8中對比發現，經過對車道中軸線上像素點的梯度運算，不僅消除了無車路段的噪聲脈沖，還使有車路段的脈沖邊緣更加顯著，依據這樣的函數曲線所描述的信息，可以對有車區域和無車區域做出初步判斷。為進一步根據車輛區域的分布密度判斷當前的交通狀況，本文將差分結果中相鄰的脈沖按像素距離和路面實際距離進行聚類分析并量化。其操作流程如圖9所示。

圖9　差分函數合并、量化流程圖

首先通過相鄰脈沖的像素位置查表求出其對應的實際路面距離。設上一個脈沖結束的位置坐標為x1，第二個脈沖起始的位置坐標為x2，第一個脈沖結束位置對應的路面實際距離為s1，第二個脈沖起始位置對應的路面實際距離為s2，則對于滿足條件：x2-x1

圖10　差分函數合并量化結

3.2運動檢測

運動檢測是用來區分車輛飽和和擁堵狀態的，將各車道中軸線對應像素點的灰度值與相鄰幀相減，得到幀差結果f(x)，

并通過分析f(x)函數曲線，如圖11所示，判斷出運動車輛區域。其計算公式如下：

f(x)=|f1(x)-f2(x)|

(10)

圖11　車道中軸線上灰度幀差曲線圖

其中，f1(x)為當前幀x點對應的灰度值，f2(x)為前一幀x點對應的灰度值。同樣，對幀差函數f(x)按3.1節聚類分析方法進行平滑，合并及二值量化處理，得到如圖12所示的方波脈沖函數F(x)。

圖12　幀差函數合并量化結果

從圖中看出，方波脈沖函數將車道上存在運動的區域清晰地分割了出來。如：1車道合并之后的車輛區域在圖12中運動分布所占比例接近一半，2車道合并之后的左側區域在圖12中運動分布比例達到100%，而右側區域在圖12中出現兩個方波，中間存在一段無運動的區域，這些數據信息，是飽和、擁堵狀況區分的關鍵。

3.3交通狀況判斷

結合灰度差分和幀差方波圖10、圖12，對道路交通狀況進行判斷，其流程如圖13所示。設差分函數方波第j個脈沖的起始位置坐標為x1j，結束位置坐標為x2j，起始位置對應的路面實際距離為s1j，結束位置對應的路面實際距離為s2j。首先依次對差分函數波形中的脈沖判斷其始末像素位置距離和路面實際距離，對于像素距離x2j-x1j>a且路面實際距離s2j-s1j>b的脈沖，我們將之統計記錄在狀態持續長度計數器Cal[y]中，作為交通狀況進一步區分判斷的首要條件，其中a、b為常量。接下來判斷Cal[y]的值，當它為0時，說明車道暢通，沒有出現車輛密集區域；當它大于閾值c時，說明路段出現擁擠，在這種情況下，將前面統計記錄好的差分函數方波脈沖與和其位置相對應的幀差方波脈沖做“與”運算；當車輛存在區域發生運動的比例達到d%時，我們認為車道車輛達到了飽和，否則，當運動比例很小時，認為車輛已處于擁堵排隊狀態。按照此流程分車道對交通狀況做出判斷，并給出相應的預警提示信息。

圖13　交通狀況判斷流程圖

4　測試結果與分析

4.1實驗結果

為測試本文所采用的交通狀況檢測算法的性能,以西安市南二環路口所拍攝的視頻圖像為例進行測試實驗。由攝像頭采集的數據為每秒25幀的視頻流,即播放一幀的時間為40ms,根據路口交通控制的實時性要求，為了較少運算量，我們將原始圖像轉換為分辨率為720 × 288 的灰度圖像進行處理分析。經試驗驗證，本文所論述的車輛交通狀況自動檢測算法是有效可行的，它能夠實時地檢測出道路交通狀況的變化，并做出準確判斷，并且它將車輛之間的實際距離作為判據，效果更為直接，具有很好的應用前景。圖14、圖15分別為道路上出現飽和、擁堵排隊時的預警示意圖，圖中顯示了某一時段內三車道道路交通的實際檢測結果，矩形框區域表示了飽和、擁堵排隊狀態出現時瞬時所延伸的最大距離，這種方法與人為觀察的實際情況相比，得到了理想的效果。

圖14　道路飽和預警

圖15　道路擁堵排隊預警

4.2實驗分析

為了進一步定量分析本文提出算法的優點，從預警準確率、誤警率、漏警率這三個指標出發，對其性能評價如表1所示。表中顯示了針對西安市南二環路視頻數據9293幀中，三個車道Lane1、Lane2、Lane3分別得到的預警結果，以及最后的平均結果。

表1　道路交通狀況預警結果

另外，針對西安市南二環路視頻數據，用文獻[9]提出的算法也進行了驗證。用4GB內存的計算機，在VC++6.0語言環境下運行,得到文獻[9]和本文算法的對比結果，如圖16所示。在圖中，從算法耗時、預警準確率、誤警率和漏警率四個方面可以明顯的看出，本文提出的方法不僅有較高的準確度，且實時性較好，整個算法耗時只有0.0046s，對智能交通檢測系統來說，所占時間甚少，但是卻為交通參數檢測和交通事件檢測奠定了重要基礎。

圖16　算法比較結果

5　結　語

針對道路交通狀況，本文提出了一種基于車輛之間實際距離的檢測算法。運用灰度差分和幀差檢測出車輛的存在位置和運動狀態，并通過距離聚類分析對交通狀況作出判斷。這種方法經測試，在西安市南二環路口視頻數據中，能準確實時地判斷出當前道路的交通狀況，并可以對異常交通狀況進行預警顯示。與其他方法相比，它具有可靠性高、算法簡單、實用性強等優點，因此，該方法可以作為交通管理部門全面實時了解道路交通狀況的一個重要手段。

[1] 於毅.城市道路交通狀態判別方法研究[D].北京：北京交通大學，2006.

[2]TateWL,EllramLM,CarterCR.Theimpactofsupplymanagementonenvironmentalperformanceoutcomes[C]//InternationalSocietyforOpticsandPhotonics,2004: 94-105.

[3] 佘永業.基于光流速度與狀態模型分析的高速公路交通狀態檢測算法研究[D].廣州: 中山大學,2010.

[4] 姜桂艷.道路交通狀態判別技術與應用[M].北京.人民交通出版社,2004:32-109.

[5]PerrinJ,HansenB,KumpR,etal.Incidentdetectionalgorithmevaluation[R].Utah:UniversityofUtah,2001:8-14.

[6] 莊斌,楊曉光,李克平.道路交通擁擠事件判別準則與檢測算法[J].中國公路學報,2006,19(3):82-86.

[7] 李曉斌,徐建閩.基于RBF神經網絡的高速公路交通狀況判別[J].計算機仿真，2011,28(2):350-353.

[8] 肖永來．基于SCATS采集數據的城市道路交通狀態判別技術研究[J].中國交通信息產業，2005，7(6)：39-41.

[9] 楊媛，劉雪琴，彭玲玲.一種基于視頻的交通狀況檢測方法[J].電視技術，2013,37(23):204-206.

[10] 馬頌德,張正友.計算機視覺—計算理論與算法基礎[M]. 北京: 科學出版社,2003.

[11]ShiX,LingH,BlaschE,etal.Context-drivenmovingvehicledetectioninwideareamotionimagery[C]//PatternRecognition(ICPR),2012 21stInternationalConferenceonIEEE,2012: 2512-2515.

[12]ErbsF,BarthA,FrankeU.Movingvehicledetectionbyoptimalsegmentationofthedynamicstixelworld[C]//IntelligentVehiclesSymposium(IV),2011IEEE,2011: 951-956.

[13]HuangDY,ChenCH,HuWC,etal.Reliablemovingvehicledetectionbasedonthefilteringofswingingtreeleavesandraindrops[J].JournalofVisualCommunicationandImageRepresentation,2012,23(4): 648-664.

[14]SongJF,HuangC,XueR.Apracticalupdatingbackgroundmethodinmovingtargetdetection[C]//ConsumerElectronicsCommunicationsandNetworks(CECNet),2012 2ndInternationalConferenceonIEEE,2012:2322-2324.

[15]YaoYJ,WangKF,XiongG.Embeddedtechnologyandalgorithmforvideo-basedvehiclequeuelengthdetection[C]//ServiceOperationsandLogisticsInformatics(SOLI),2013IEEEInternationalConference,2013:45-50.

[16] 楊永輝,黃磊,劉昌平.基于視頻分析的車輛排隊長度檢測[J].計算機應用研究，2011,28(3)：1037-1041.

FASTTRAFFICSITUATIONDETECTIONALGORITHMBASEDONACTUALDISTANCEBETWEENVEHICLES

SongJunfang1,2WangWeixing1ChenYan1XueShijiao1SongHuansheng1,3

1(School of Information Engineering,Chang’an University,Xi’an 710064,Shaanxi,China )2(School of Information Engineering,Tibet Institute for Nationalities,Xianyang 712082,Shaanxi,China )3(Shaanxi Engineering and Technique Research Center for Road and Traffic Detection,Xi ’an 710064,Shaanxi,China)

Trafficsituationdetectionandearlywarningisanimportantpartintrafficinformationdetectionsystem,ithassignificantguidancemeaningtourbantrafficcontrolandinducement.Basedongrayscaleandedgefeaturesofvideoimages,inthearticlewefirstusedifferencealgorithmtocalculatethegrayscalegradientofpixelpointsinmiddlelineofeachlane,andthenforgradientfunction,accordingtodistanceclusteringanalysismethodwecompletetheaggregationofpulsesonitscorrespondingcurvesandthequantificationofnumberincombinationwithmappingrelationshipbetweenpixelanddistance;thenext,accordingtotheresultsofquantificationwemarktheregionswithandwithoutvehiclesoneachlane,andmakethestatisticsonthedistributiondensityoftheregionswithvehicles.Finally,combiningtheprocessingresultsofgrayscaleframedifferencesforpixelpointsonmiddlelineoflane,wegiveprecisejudgementonthetrafficsituations.Itisverifiedbyexperimentthatthealgorithmcanmakeaccurateandreal-timejudgmentfortrafficsituationsonroad,inaddition,thealgorithmissimpleandstable,andhasgoodpracticalvalue.

TrafficsituationdetectionGrayscaledifferenceFramedifferenceMappingrelationshipbetweenpixelanddistance

2014-09-14。國家高技術研究發展計劃課題(2012AA112312)；西藏民族學院校內科研項目(14myY14)；陜西省道路交通智能檢測與裝備工程技術研究中心開放基金(20120205110001)。宋俊芳，講師，主研領域：計算機視覺，圖像處理，智能交通。王衛星，教授。陳艷，碩士生。薛世焦，碩士生。宋煥生，教授。

TP391

ADOI:10.3969/j.issn.1000-386x.2016.03.046