1．3 OpenCV简介 OpenCV是Intel回开源计算机视觉库。它由一系列C函数和少量C++类 构成，实现了图像处理和计算机视觉方面的很多通用算法。 其重要重要特性包括： 拥有包括300多个C函数的跨平台的中、高层API。它不依赖于其它 的外部库——尽管也可以使用某些外部库。 对非商业应用和商业应用都是免费(FREE)的。 (细节参考license)。 为Intel@Integrated Performance Primitives(IPP)提供了透明接口。 这意 味着如果有为特定处理器优化的的IPP库，OpenCV将在运行时自动加载这 些库。 在过去的十年，随着处理器速度和内存容量以摩尔定律增长，计算机视 觉的研究和应用也得到了迅速的发展。以往传统的开发方法要求工程人员在 完成的硬件设计的同时，自己编码实现所有底层的算法，所有的图像处理函 数都要从头编写，既造成时间和精力上的浪费，又难以保证稳定性、实用性 和通用性，越来越难以满足现实的需求。为了解决理论到应用的难题，出现 了众多的计算机视觉和图像处理软件包。大多数软件包是用C／C++编写的。 例如，TargetJr及其后续版本VXLl2u(the Vision something Libraries)就是这样 一个C++库的集合，在满足的小型、快速和稳固的系统的开发要求的同时提 供了多平台移植性。Gandalf提供了计算机视觉和数值计算库，适合于可移植 平台的视觉应用软件的开发。Delft科学图像处理库DIPlib是另一个科学图像 处理C程序库．包含了许多图像数据多维分析和处理函数。同时许多商用图 像处理和计算机视觉软件包也得到相应开发。MVTec公司开发的HALCON 是其中之一，它包含了C／C++代码的图像处理库。LabView在Nl图像处理硬 件的支持下能加速图像处理。由微软公司开发的SDK是一个底层的图像操作 分析的C++库。在Matlab中的图像处理工具包以及在Mathematica中的数字 图像处理软件包都是较为强大的图像处理工具，同时这两个软件包兼有许多 高级数学计算功能。由Aurora公司开发的LEADTOOLS是一套商用化计算 机视觉包，它包括了图像处理服务器开发工具。允许用户创建各种基于网络 的图像处理服务程序。 这些软件包为计算机图像分析和机器视觉提供了极大的便利。但也存在 3

矿用车辆电液行走控制系统是一种将可编程控制器用于煤矿井下车辆电液行走控制的系统,解决煤矿井下车辆行走控制的静液压系统控制模块产品单一的问题,用于煤矿井下车辆的行走控制。采集板通过总线隔离模块与可编程控制器相连接,防爆电比例阀与可编程控制器相连接。矿用车辆的行走速度随液压马达转速的升高而升高,而液压马达的转速随矿用隔爆型比例阀控制电流的增大而升高,反之亦然。

针对煤矿用特种防爆柴油机车辆全液压驱动车辆行走系统采用液控闭式系统所存在的弊端,在研究了非煤矿用车辆用全液压驱动闭式行走系统电液控制技术的基础上,设计出了适合于煤矿用特种防爆柴油机车辆用全液压驱动车辆防爆电控闭式行走控制系统并在矿用特种防爆全液压驱动车辆行走控制系统中得以应用。经过1年来的推广试验,结果表明该系统能实现防爆发动机与液压系统的自动匹配,能提高发动机的功率利用率,可获得比现有液控闭式行走系统更好的综合性能(爬坡能力提高10%以上,油耗降低5%以上)。

GB15084-2013机动车辆间接视野装置性能和安装要求

为克服传统电传动车辆驱动防滑仿真只侧重机械或者电气特性的缺点，提出了跨平台机电联合建模与仿真的方法。以某型8×8车辆为研究列象，在ADAMS中建立车辆模型，在Matlab中建立基于滑转率PI控制的防滑控制器模型，采用低附着路面加速行驶和过垂直障碍2种仿真工况进行防滑控制联合仿真试验，试验结果验证了该方法的有效性，从而为研究电传动轮式车辆的防滑控制提供了一条新的思路。

基于三维激光雷达的自动驾驶车辆高精度地图构建.caj

基于北斗/GPS双星和GSM/GPRS通信的车辆监控调度系统，袁敏，王远飞，车辆监控调度系统意在提高车辆运行计划的完成率，避免因事后调度而导致的生产效率低下。本文阐述了车辆监控调度系统利用北斗、GPS

整个项目源码： 整个项目数据集：、 引言 本次分享主要介绍，如何对道路上的汽车进行识别与跟踪。这里我们实现一个简单的demo。后续我们还会对前面的代码及功能进行重构，从而进一步丰富我们的功能。 项目软件框架 下图是车辆检测的实现流程图： 具体内容如下： 在有标签的训练数据集上进行Histogram of Oriented Gradients(HOG)特征提取 Normalize 这些特征，并随机化数据集 训练线性SVM分类器 实现一个滑动窗口技术，并使用训练好的分类器在图片中寻找车辆 实现一个流处理机制，并通过一帧一帧地创建循环检测的热图来去除异常值及跟踪车辆 为检测到的车辆估计一个边界框 Features 本项目，我们使用一些有标签的训练数据：汽车图片、无汽车图片，训练数据在all文件夹中可以找到 有汽车地图片标签为1，无汽车的图片标签为0 我们先读取数据，看下数据的分布 # impor

车辆和车道线检测与跟踪 固态硬盘 Yolo3 神经网络 概述 将车道发现和车辆检测项目结合在一起。 添加汽车类别以跟踪检测到的车辆的位置（边界框）和历史记录。 沿摄像机方向覆盖车道的鸟瞰图的透视变换用于测量摄像机的x和y位移。 给出了使用SSD，Yolo3和Mask R-CNN模型的结果。 以米为单位的相对距离（dx，dy）显示在检测到的汽车的边界框上方。 边界框下方显示了以公里/小时为单位的相对速度（vx，vy）。 视频的左上方还提供了缩略图以及检测到的车辆的距离/速度。 车辆按照边框的大小按降序排序。 数据集 项目数据集由Udacity提供。 它分为和。 该数据集是KITTI视觉基准套件和GTI车辆图像数据库的组合。 GTI车辆图像分为远，左，右，中间关闭。 这些是汽车和非汽车的示例： 奇蒂 GTI远 GTI关闭 GTI左 GTI权利 非汽车1 非汽车2 非汽车3

本标准规定了道路运输车辆卫星定位系统车载终端(以下简称终端)与监管/监控平台（以下简称平台）之间的通讯协议与数据格式，包括协议基础、通信连接、消息处理、协议分类与说明及数据格式。 本标准适用于道路运输车辆卫星定位系统车载终端和平台之间的通信。