对车辆轮廓进行检测。运用一种基于开源计算机视觉库OpenCV的轮廓检测新方法。首先对图像进行形态学去噪、平滑滤波处理和二值化阈值分割等预处理 ，获得二值化黑白图像。然后通过轮廓提取和跟踪检测到车辆外轮廓线在Python环境下，利用 OpenCV编程实现了此方法。 通过提取全景图，在图像场景中由于目标和背景的温差较小，从而导致图像的对比度很低，为了提高图像的对比度，增强图像。虽然图像增强并不能增加图像数据中的信息量，但是它却能够增加所选择特征的动态范围，从而使这些特征更容易地被检测和识别，并进行后期树木消除，并得到相对清晰的原树模型与对比示意，并反馈车辆进行前期预警。 OpenCV提供的视觉处理算法非常丰富，并且以Python语言编写，加上其开源的特性，处理得当，不需要添加新的外部支持也可以完整的编译链接生成执行程序。不同的树木视觉图像是千差万别的，虽然我们可以把树木的主要特征提取出来，但是其视觉图像背景不可避免会出现一些干扰因素。我们可以采用面积法，利用OpenCV强大的数据库，即可计算出整个轮廓或者部分轮廓的面积，进入引导OpenCV进入前期检测与追踪的开展，进而支持智能驾驶。

3D目标检测，车辆检测的立体检测，自动驾驶前沿技术。

针对视频图像中车辆检测问题,提出了一种基于计算机视觉的运动车辆检测方法。首先,选取最佳方差参数并利用双边滤波对图像进行预处理;再利用Surendra背景更新算法实时更新背景图像,采用粒子群(PSO)极大熵法求得背景差分图像的阈值;然后,将得到的二值图像进行形态学处理并检测出运动车辆。实验结果表明,该算法不仅适用于简单背景、车速较慢的环境中,而且在复杂背景、噪声较大、车速较快的情况下,该方法均能够克服外界环境的不利影响,准确地检测出运动车辆,提高检测的准确率。

机器视觉基础 | SVM&YOLO 车辆检测

夜间车辆检测视频，实现基于视频的夜间，光线不稳定因素的道路交通视频检测

基于faster-rcnn的车辆检测识别系统代码大全.doc基于faster-rcnn的车辆检测识别系统代码大全.doc基于faster-rcnn的车辆检测识别系统代码大全.doc

Yolov5_DeepSort车辆检测和跟踪，包含车辆数据集和训练好的YOLOv5车辆检测权重，代码配置好环境后可直接使用

pdf文档，车辆检测 基于快速匹配算法的交通监控系统

夜间车辆监测数据集，已将标注好了包含xml标签文件，包括训练集和测试集，大约10000张。

车辆行人检测数据集persson_car-datase 1、YOLOv5车辆行人检测 2、车辆行人共1万多张标注好的 图片 3、目标类别：person、car 4、标签格式为VOC和YOLO两种格式，即xml和txt格式 5、可直接用于智能驾驶场景的车辆行人检测