自动跟踪道路上的车辆。

博文：http://blog.csdn.net/zhuangxiaobin/article/details/25476833 这篇文章里所提供的工具和样本训练出来的分类器xml文件，可以使用文中的代码实践一下

作为计算机视觉中的重要主题之一，移动车辆分割引起了研究人员的极大关注。 但是，动态场景中的干扰运动对象阻碍了鲁棒的检测。 在本文中，我们解决了动态场景中移动车辆分割的问题。 基于动态背景和运动车辆的独特运动特性，我们提出了一种用于运动车辆分割的自适应运动直方图。 所提出的算法包括两个过程：自适应背景更新和基于运动直方图的车辆分割。 在自适应背景更新过程中，我们利用了场景的光照变化，并提出了一种新的背景演化方法。 在基于运动直方图的车辆分割过程中，根据场景中的运动信息来维护和更新自适应运动直方图，然后根据所保持的运动直方图来检测运动中的车辆。 典型场景的实验结果证明了该方法的鲁棒性。 定量评估和与现有方法的比较表明，该方法提供了很多改进的结果。

在智能交通系统中，针对车辆目标检测算法可移植性不高、检测速度较慢等问题，提出了一种基于SqueezeNet卷积神经网络的车辆检测方法。通过融合SqueezeNet与SSD（single shot multibox detector）算法的车辆检测方法，在UA-DETRAC数据集上进行训练，实现了车辆目标的快速检测，提升了模型的可移植性，缩短了单帧检测时间。实验结果表明，所提模型在保证准确率的同时，模型单帧检测时间可达22.3 ms，模型大小为16.8 MB，相较于原SSD算法，模型大小减少了约8/9。

基于matlab的图像处理，概述如何应用该软件实现对车辆的监测和识别

KiTTI数据处理和3D CNN用于车辆检测 用于车辆检测的3D CNN 使用PointCloud数据进行车辆检测的3D全卷积网络参考：点云中用于车辆检测的3D全卷积网络 主文件是“ model_01_deconv.py” 数据加载功能为“ input_velodyne.py” 示例（3D边界框：8个顶点）不执行NMS 需求 Python 张量流 ROS Python-PCL（如果不使用pcl，请在input_velodyne.py中注释掉相关代码 KiTTI数据处理 数据集是KITTI 3D对象检测数据集 Velodyne PointCloud 培训标签 校准

资源包含2000千张道路车辆正负样本，正样本均为剪切好的灰度图像。

三七出品--自制国内无人机航拍视角下车辆检测数据集

yolov5夜间车辆检测模型

车辆检测技术和车辆检测器的比较分析(下)分享.pdf