，

(交通運(yùn)輸部天津水運(yùn)工程科學(xué)研究院 信息化中心，天津 300456)

0 引言

基于Cesium平臺(tái)的車輛碰撞識(shí)別跟蹤方法，最常用的是基于模型和特征的方法，具有較好魯棒性和實(shí)時(shí)性，并且以JavaScript庫(kù)中的3D繪圖協(xié)議(WebGL)地圖作為引擎，如果前方車輛與攝像機(jī)相對(duì)運(yùn)動(dòng)距離較小時(shí)，那么利用該引擎可將車輛與背景區(qū)域區(qū)分開(kāi)來(lái)[1]。利用車輛某些顯著的特征，比如陰影和邊緣可將車輛從背景中分割出來(lái)，雖然受到周圍環(huán)境噪聲影響，但是從單一特征信息中提取車輛碰撞地理位置信息是相對(duì)容易的[2]。結(jié)合陰影特征采用小波包技術(shù)對(duì)車輛碰撞進(jìn)行識(shí)別與跟蹤，缺乏實(shí)時(shí)性；利用邊緣對(duì)稱性對(duì)車輛碰撞進(jìn)行識(shí)別與跟蹤，只能應(yīng)用于形變較小的車輛，對(duì)于大型車輛并不適用。采用傳統(tǒng)方法進(jìn)行識(shí)別與跟蹤，效果較差，無(wú)法得到精準(zhǔn)車輛數(shù)據(jù)[3]。

針對(duì)上述存在的問(wèn)題，提出了基于Cesium平臺(tái)中車輛的碰撞識(shí)別與跟蹤。結(jié)合多種車輛碰撞信息，采用區(qū)域性假設(shè)驗(yàn)證方法對(duì)車輛底部陰影部分進(jìn)行檢測(cè)，提取車輛區(qū)域邊緣特征和序列圖像不可屏蔽中斷(NMI)特征來(lái)實(shí)現(xiàn)車輛碰撞目標(biāo)的識(shí)別與跟蹤，通過(guò)實(shí)驗(yàn)驗(yàn)證結(jié)果可知，該方法識(shí)別與跟蹤效果較好。

1 基于Cesium平臺(tái)車輛碰撞識(shí)別與跟蹤

Cesium平臺(tái)指的是在一個(gè)不需要任何插件的瀏覽器上構(gòu)建的3D虛擬平臺(tái)，利用JavaScript庫(kù)中的3D繪圖協(xié)議(WebGL)進(jìn)行硬件圖像加速處理，適應(yīng)于動(dòng)態(tài)數(shù)據(jù)的可視化管理。該平臺(tái)是基于Web服務(wù)器軟件(Apache)許可的開(kāi)源程序基礎(chǔ)上進(jìn)行研發(fā)的，可免費(fèi)用于商業(yè)和非商業(yè)用途[4]。Cesium平臺(tái)是一個(gè)基于JavaScript庫(kù)編寫而使用3D繪圖協(xié)議(WebGL)地圖引擎，可用于交互車輛碰撞識(shí)別在移動(dòng)設(shè)備上展現(xiàn)的3D內(nèi)容，充分支持使用圖像加速標(biāo)準(zhǔn)來(lái)規(guī)定車輛的碰撞識(shí)別與跟蹤。

1.1 車輛的碰撞識(shí)別

車輛碰撞識(shí)別流程主要包括對(duì)樣本進(jìn)行訓(xùn)練，需提取出正、負(fù)兩種樣本特征，利用離線訓(xùn)練出來(lái)的車輛碰撞識(shí)別分類器識(shí)別出多尺度模塊，并將識(shí)別圖像進(jìn)行處理，由此獲得到的識(shí)別結(jié)果需進(jìn)行標(biāo)記[5]。在Cesium平臺(tái)下車輛碰撞識(shí)別具體流程如下所示：首先選取正樣本和負(fù)樣本，計(jì)算積分圖，將積分圖中的矩形特征進(jìn)行提??；然后使用單個(gè)弱分類器進(jìn)行訓(xùn)練，選擇最優(yōu)弱分類器組成強(qiáng)分類器，強(qiáng)分類器可連城級(jí)聯(lián)分類器。同時(shí)，將待檢測(cè)的圖像也進(jìn)行積分圖計(jì)算，采用多尺度掃描方式獲得窗口，再次提取特征，利用分類器再次進(jìn)行識(shí)別。最后，將兩者識(shí)別結(jié)果同時(shí)顯示出來(lái)。

1.1.1 正、負(fù)樣本特征提取

正樣本集特征的提取應(yīng)包含車輛圖像共2000張，圖片需經(jīng)過(guò)預(yù)處理。負(fù)樣本集特征的提取不包含正樣本中的圖像共4300張，此時(shí)圖片是不需要經(jīng)過(guò)預(yù)處理的[6]。

1.1.2 Cesium平臺(tái)積分圖

積分圖是對(duì)樣本特征集子區(qū)域進(jìn)行提取，并加速求和的數(shù)學(xué)方法，將任意矩形區(qū)域內(nèi)像素和相機(jī)可獲取圖形加速特征的計(jì)算，如圖1所示。

圖1 Cesium平臺(tái)積分圖

由圖1可知：積分圖中點(diǎn)(a，b，c)大小取決于其內(nèi)部矩形區(qū)域的所有圖像像素值大小。內(nèi)部矩形特征即為分類的矩形特征，指的是圖像中長(zhǎng)方體特征，針對(duì)車輛碰撞，需考慮其正面輪廓特征和安全停車距離。

1.1.3 分類器

針對(duì)車輛碰撞識(shí)別的分類器的構(gòu)建，首先需對(duì)正、負(fù)樣本特征進(jìn)行提取，由此獲得提取樣本矩形特征，然后對(duì)特征進(jìn)行訓(xùn)練可得到單一的弱分類器，使用權(quán)值系數(shù)線性組合方式可獲取強(qiáng)分類器，最后將所有分類器級(jí)聯(lián)。其中，每一個(gè)弱分類器都對(duì)應(yīng)一個(gè)矩形特征，將具有合理特征值的數(shù)據(jù)作為閾值，可降低弱分類器進(jìn)行車輛碰撞樣本識(shí)別數(shù)據(jù)分類錯(cuò)誤現(xiàn)象的發(fā)生。針對(duì)強(qiáng)分類器在Cesium平臺(tái)下進(jìn)行構(gòu)建，通過(guò)迭代方式可獲取特征樣本的分布情況，強(qiáng)大的分類器可包含所有的弱分類器，其主要原理為：將車輛碰撞圖像輸入，在所有的單一弱分類器中進(jìn)行車輛有無(wú)碰撞(即1或0)的投票，對(duì)投票結(jié)果進(jìn)行統(tǒng)計(jì)可獲得車輛碰撞樣本識(shí)別數(shù)據(jù)分類錯(cuò)誤率，經(jīng)過(guò)加權(quán)、求和后可得到分類結(jié)果[7]。從簡(jiǎn)單到復(fù)雜對(duì)所有單一弱分類器集合的強(qiáng)分類器進(jìn)行逐級(jí)串聯(lián)，可最終獲取級(jí)聯(lián)分類器，其中包含所有車輛碰撞的圖像子窗口，通過(guò)層層選拔，可得到最優(yōu)強(qiáng)分類器，并最終被識(shí)別，如圖2所示。

圖2 分類器識(shí)別過(guò)程

1.2 車輛碰撞跟蹤

車輛碰撞跟蹤處理流程可分成兩條主線：一條是從灰度圖像中提取出陰影特征進(jìn)行檢測(cè)，排除噪聲影響，生成車輛假設(shè)區(qū)域，定位區(qū)域內(nèi)車輛；另一條是從灰度圖像中提取相關(guān)車輛碰撞的特征，并進(jìn)行跟蹤檢測(cè)，產(chǎn)生預(yù)測(cè)車輛區(qū)域，并進(jìn)行車輛不可屏蔽中斷驗(yàn)證，如果驗(yàn)證成功可輸入到擴(kuò)展預(yù)測(cè)區(qū)域，并進(jìn)行區(qū)域內(nèi)車輛定位。如果驗(yàn)證失敗，那么需要放棄跟蹤。

1.2.1 陰影檢測(cè)

由于在跟蹤過(guò)程中，容易受到各種干擾因素的影響，使得車輛在行駛時(shí)，容易出現(xiàn)遠(yuǎn)近區(qū)域灰度差距過(guò)大的現(xiàn)象，在Cesium平臺(tái)下對(duì)車輛碰撞進(jìn)行3D模擬，模擬圖像底部與路面消失交界點(diǎn)時(shí)像素灰度變化最大值的地方，從遠(yuǎn)處看，車輛碰撞陰影區(qū)域與圖像底部像素灰度值相差較小。為此采用統(tǒng)計(jì)數(shù)據(jù)方式在Cesium平臺(tái)下確定路面閾值大小，雖然該方法容易受到路線和車輛等因素的干擾，但是由于獲取的閾值誤差時(shí)可忽略的，能夠?qū)崟r(shí)反映出路面灰度變化情況[7]。為此，采用梯度陰影檢測(cè)方法，將路面上的像素灰度分布情況由近及遠(yuǎn)依次進(jìn)行分析，可發(fā)現(xiàn)該分部是具有連續(xù)性的，并且在碰撞車輛底部處像素灰度值與周圍其他像素灰度值相比明顯較低，對(duì)于像素灰度的分布情況可發(fā)現(xiàn)車輛碰撞圖像是存在較大落差的。通常情況下，在車道實(shí)線路上，像素灰度值的分布情況總體是具有連續(xù)性的，而在車輛底部陰影部分的像素灰度值與之相比卻較低，該種情況使得碰撞車輛的車身像素灰度分布情況與前方路面像素灰度分布情況相比較混亂，該現(xiàn)象被稱為車輛碰撞像素灰度低谷期[8]。針對(duì)在實(shí)線列上出現(xiàn)的像素梯度問(wèn)題，需在車輛碰撞陰影處對(duì)其特征進(jìn)行提取，該部分的特征是在低谷值前和高峰值后，為此可根據(jù)獲取的梯度分布情況作為車輛碰撞陰影檢測(cè)基礎(chǔ)，可完成車輛碰撞跟蹤的初步定位，這樣可以減少因路面受到干擾因素影響造成的灰度變化誤差，也可以排除因車輛碰撞跟蹤誤差出現(xiàn)車道線干擾問(wèn)題。

針對(duì)上述分析，可對(duì)陰影部分進(jìn)行檢測(cè)，具體步驟如下所示：

1)從左至右，自獲取圖像底部至頂部依次對(duì)圖像像素梯度值進(jìn)行計(jì)算，如下所示：

G(a，b)=G(a-1，b)-G(a+1，b)

(1)

其中:G(a，b)表示車輛碰撞獲取圖像的第a行、第b列像素點(diǎn)梯度值。

2)對(duì)每列梯度數(shù)據(jù)進(jìn)行掃描時(shí)，需采用自下向上的方式記錄相鄰點(diǎn)的極大值和極小值。

3)針對(duì)兩個(gè)極值點(diǎn)序列問(wèn)題，采用從左向右掃描方式對(duì)連續(xù)出現(xiàn)極點(diǎn)進(jìn)行掃描，如果連續(xù)出現(xiàn)極點(diǎn)個(gè)數(shù)能夠在兩個(gè)極值點(diǎn)列上共同存在，那么需對(duì)同種陰影區(qū)域進(jìn)行標(biāo)記，由此可證明極值點(diǎn)是可以同時(shí)存在的。

將獲取的同類陰影區(qū)域進(jìn)行標(biāo)記，并對(duì)平均值、極小值和陰影邊界的起始和終止位置作為左右邊界的陰影區(qū)域。

1.2.2 排除非車輛碰撞陰影區(qū)

根據(jù)上述獲得的陰影區(qū)，可知會(huì)存在一些誤差，因?yàn)樵讷@取過(guò)程中會(huì)受到路面雜質(zhì)等各種暗色區(qū)域的影響，促使后續(xù)對(duì)車輛碰撞跟蹤研究不支持。針對(duì)不同方法獲取的目標(biāo)區(qū)域分?jǐn)?shù)維度，計(jì)算圖像邊緣維數(shù)時(shí)，需構(gòu)建一個(gè)虛擬的以陰影頂部為底邊界的圖形，一般情況下，選取的陰影寬度不大于目標(biāo)區(qū)域?qū)挾?。進(jìn)行測(cè)試的車輛碰撞區(qū)域分形維度與非車輛碰撞區(qū)域的相比較大，剔除分形維度小于設(shè)置閾值的區(qū)域，即為對(duì)應(yīng)的陰影。

1.2.3 車輛定位與驗(yàn)證

車輛碰撞一旦經(jīng)過(guò)透視變化就會(huì)發(fā)生形變，但是車輛區(qū)域的水平邊緣數(shù)據(jù)會(huì)被保存下來(lái)，比如車輛碰撞的地盤和擋風(fēng)玻璃等，利用該特征可實(shí)現(xiàn)車輛碰撞區(qū)域的定位，具體步驟如下所示：

1)將剔除掉的非車輛碰撞陰影剩余的陰影區(qū)水平中線作為底邊界 ，向左或向右進(jìn)行延伸5～8個(gè)像素作為車輛碰撞區(qū)域?qū)挾龋瑢挾仍O(shè)置為高度的2/3倍，構(gòu)建車輛碰撞的候選區(qū)域。

2)將水平邊緣作為檢測(cè)處理的車輛候選區(qū)域，在原始灰度圖像數(shù)據(jù)中進(jìn)行二值化處理，由此可獲得候選區(qū)域的二值圖像數(shù)據(jù)。

3)統(tǒng)計(jì)二值圖像中連續(xù)水平邊緣位置信息來(lái)確定車輛區(qū)域精確位置。

定位車輛碰撞區(qū)域準(zhǔn)確位置后，采用基于Cesium平臺(tái)的JavaScript庫(kù)編寫程序來(lái)對(duì)車輛碰撞進(jìn)行驗(yàn)證，即使用序列圖像不可屏蔽中斷(NMI)特征方法來(lái)實(shí)現(xiàn)車輛區(qū)域是否真的存在碰撞車輛[9]。將慣量進(jìn)行歸一化轉(zhuǎn)動(dòng)，具有良好平移、旋轉(zhuǎn)和縮放的特點(diǎn)，可適用車輛運(yùn)動(dòng)實(shí)時(shí)性圖像的形變?；贑esium平臺(tái)的序列圖像不可屏蔽中斷(NMI)特征存在計(jì)算量、誤差小的優(yōu)勢(shì)，可區(qū)分不同物體高度，對(duì)視頻車輛的檢測(cè)具有高標(biāo)準(zhǔn)要求。該特征的基本思路是將圖像中任何一點(diǎn)的像素都看出該點(diǎn)的質(zhì)量，為此，進(jìn)行跟蹤驗(yàn)證時(shí)就可說(shuō)車輛碰撞圖像是有質(zhì)量的物體，因此，該圖像具有圖像轉(zhuǎn)動(dòng)慣性。在位置精確過(guò)程中，計(jì)算車輛區(qū)域不可屏蔽中斷(NMI)特征值，如果該區(qū)域存在車輛碰撞，那么在連續(xù)的幀數(shù)圖像中，車輛碰撞區(qū)域圖像不可屏蔽中斷特征值變化并不顯著；如果該區(qū)域不存在車輛碰撞，那么在連續(xù)的幀數(shù)圖像中，車輛碰撞區(qū)域圖像不可屏蔽中斷特征值變化較大，那么需放棄對(duì)該區(qū)域的跟蹤。

1.2.4 基于Cesium平臺(tái)目標(biāo)跟蹤算法

針對(duì)基于Cesium平臺(tái)目標(biāo)跟蹤算法首先需采集車輛碰撞連續(xù)幀圖像，然后對(duì)圖像進(jìn)行識(shí)別，將首次出現(xiàn)的車輛碰撞目標(biāo)進(jìn)行標(biāo)記，將此圖像作為初始幀，并將標(biāo)記的矩形窗口作為目標(biāo)窗口。利用Cesium平臺(tái)下的基于顏色-紋理模型的跟蹤算法對(duì)車輛進(jìn)行3D實(shí)時(shí)跟蹤[10]。針對(duì)對(duì)初始幀與其他連續(xù)幀圖像進(jìn)行處理時(shí)，需先標(biāo)記目標(biāo)窗口作為中心窗口，進(jìn)而確定車輛碰撞行駛軌跡，具體目標(biāo)跟蹤算法實(shí)現(xiàn)過(guò)程如下所示：1)迭代次數(shù)，讀取初始幀；2)計(jì)算當(dāng)前幀數(shù)以核心為目標(biāo)的窗口中心顏色-紋理模型直方圖，由此可獲得目標(biāo)模型；3)讀取下一幀，計(jì)算目標(biāo)候選區(qū)域中心的顏色-紋理模型直方圖，由此可獲得候選模型；4)計(jì)算權(quán)值；5)按照迭代算法獲取實(shí)際候選窗口中心；6)如果進(jìn)行迭代次數(shù)達(dá)到最大值時(shí)，需返回到第2)階段；如果進(jìn)行迭代次數(shù)超過(guò)或者位于兩個(gè)窗口間距離時(shí)，可進(jìn)行下一步；7)當(dāng)前幀是最后一幀，進(jìn)行收斂，那么對(duì)目標(biāo)車輛跟蹤即為成功。

2 實(shí)驗(yàn)

為了驗(yàn)證基于Cesium平臺(tái)中車輛的碰撞識(shí)別跟蹤方式合理性，進(jìn)行了如下實(shí)驗(yàn)。在識(shí)別和跟蹤過(guò)程中在Cesium平臺(tái)下進(jìn)行開(kāi)發(fā)并實(shí)現(xiàn)，對(duì)換道中的場(chǎng)景進(jìn)行重新配置，該場(chǎng)景包括多種模型參數(shù)，在運(yùn)行車輛碰撞識(shí)別和跟蹤實(shí)驗(yàn)驗(yàn)證結(jié)果可進(jìn)行車輛換道等方法進(jìn)行實(shí)時(shí)檢驗(yàn)。實(shí)驗(yàn)采用一臺(tái)安裝在車輛內(nèi)部的CCD攝像機(jī)對(duì)公路路況進(jìn)行實(shí)時(shí)采集，將采集到的食品在Windows8系統(tǒng)下的Cesium平臺(tái)進(jìn)行3D模擬，并呈現(xiàn)。

2.1 實(shí)驗(yàn)結(jié)果與分析

在Cesium平臺(tái)下，構(gòu)建單向雙車道進(jìn)行虛擬3D交通環(huán)境模擬。進(jìn)行換道操作的工況下對(duì)系列幀圖像進(jìn)行采集，結(jié)果如圖3所示。

圖3 換道工況

由圖3可知：車輛在換道過(guò)程中，雖然在圖像幀數(shù)中相對(duì)于車輛角度發(fā)生變化，但是也能及時(shí)被識(shí)別出來(lái)，準(zhǔn)確提取出車輛前輪廓特征和邊緣特征，通過(guò)對(duì)大量數(shù)據(jù)特征樣本訓(xùn)練能夠得到性能較好的分類器，為此，即使從不同角度觀察車輛碰撞情況，也能被準(zhǔn)確識(shí)別出來(lái)。

將初始幀圖像中的車輛碰撞進(jìn)行識(shí)別標(biāo)記，其矩形窗口為車輛跟蹤的初始化窗口，同時(shí)標(biāo)記矩形窗口作為中點(diǎn)，通過(guò)對(duì)車輛碰撞工況進(jìn)行跟蹤驗(yàn)證，采集系列幀圖像，進(jìn)行處理后的效果如圖4所示。

圖4 跟蹤效果

由圖4可知，在車輛碰撞工況下，矩形窗口中心點(diǎn)位置發(fā)生了改變，即為實(shí)驗(yàn)過(guò)程中車輛運(yùn)行軌跡。由于采集到的系列幀圖像矩形窗口中點(diǎn)線可近似當(dāng)作一條直線，與原始車輛發(fā)生碰撞的運(yùn)行軌跡路線和可視化模塊中的顯示效果相符合，為此該方法具有良好跟蹤效果。

為了驗(yàn)證該方法具有可靠性，將傳統(tǒng)方法與改進(jìn)方法在Cesium平臺(tái)上直接讀取每一幀合成的碰撞樣本進(jìn)行判斷以驗(yàn)證不同方法的檢測(cè)率，實(shí)驗(yàn)結(jié)果如表1所示。

表1 兩種系統(tǒng)方法性能驗(yàn)證

由表1可知：在碰撞樣本總數(shù)一定條件下，當(dāng)信噪比為0時(shí)，傳統(tǒng)方法車輛碰撞漏報(bào)數(shù)為2，獲取的檢測(cè)率為84.97%，而改進(jìn)方法車輛碰撞漏報(bào)數(shù)為0，且獲取的檢測(cè)率為100%，相比于傳統(tǒng)方法檢測(cè)率高出15.03%；當(dāng)信噪比為0.3時(shí)，傳統(tǒng)方法車輛碰撞漏報(bào)數(shù)為4，獲取的檢測(cè)率為75.09%，而改進(jìn)方法車輛碰撞漏報(bào)數(shù)為3，且獲取的檢測(cè)率為99.21%，相比于傳統(tǒng)方法檢測(cè)率高出24.12%；當(dāng)信噪比為0.5時(shí)，傳統(tǒng)方法車輛碰撞漏報(bào)數(shù)為15，且獲取的檢測(cè)率為60.04%，而改進(jìn)方法車輛碰撞漏報(bào)數(shù)為11，且獲取的檢測(cè)率為98.05%，相比于傳統(tǒng)方法檢測(cè)率高出38.01%。

2.2 實(shí)驗(yàn)結(jié)論

本文研究的基于Cesium平臺(tái)中車輛的碰撞識(shí)別跟蹤方式具有合理性，與傳統(tǒng)方法相比，該方法車輛發(fā)生碰撞時(shí)運(yùn)行軌跡路線和可視化模塊中顯示效果相符合，該方法具有良好跟蹤效果。在碰撞樣本總數(shù)一定條件下，當(dāng)信噪比為0時(shí)，傳統(tǒng)方法車輛碰撞漏報(bào)數(shù)為2，改進(jìn)方法車輛碰撞漏報(bào)數(shù)為0，且獲取的檢測(cè)率相比傳統(tǒng)方法檢測(cè)率高出15.03%；當(dāng)信噪比為0.3時(shí)，傳統(tǒng)方法車輛碰撞漏報(bào)數(shù)為4，改進(jìn)方法車輛碰撞漏報(bào)數(shù)為3，且獲取的檢測(cè)率比傳統(tǒng)方法檢測(cè)率高出24.12%；

當(dāng)信噪比為0.5時(shí)，傳統(tǒng)方法車輛碰撞漏報(bào)數(shù)為15，改進(jìn)方法車輛碰撞漏報(bào)數(shù)為11，且獲取的檢測(cè)率比傳統(tǒng)方法檢測(cè)率高出38.01%，由此可看出，改進(jìn)研究方法車輛碰撞識(shí)別跟蹤效果較好。

3 結(jié)束語(yǔ)

使用基于Cesium平臺(tái)的積分圖方法加速車輛碰撞特征提取，可減少圖像處理時(shí)間，該算法具有實(shí)效性，利用該特征和分類器結(jié)合方式能夠?qū)囕v碰撞進(jìn)行識(shí)別，具有較高識(shí)別性能。通過(guò)實(shí)驗(yàn)設(shè)計(jì)，得出實(shí)驗(yàn)結(jié)論，由結(jié)果可知，該方法對(duì)車輛碰撞識(shí)別和跟蹤具有良好效果，可為對(duì)車輛碰撞距離測(cè)量和預(yù)警的研究提供參考。

參考文獻(xiàn)：

[1] 張秋霞, 王凌云. 基于GPS/GSM汽車跟蹤定位系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 電子設(shè)計(jì)工程, 2017, 25(7):27-30.

[2] 劉 軍, 高雪婷, 王利明,等. 基于OpenCV的前方車輛檢測(cè)和前撞預(yù)警算法研究[J]. 汽車技術(shù), 2017, 38 (6):11-16.

[3] 王 鑫, 賈慶軒, 高 欣,等. 基于位圖構(gòu)建的RFID自適應(yīng)N樹(shù)防碰撞算法[J]. 上海交通大學(xué)學(xué)報(bào), 2015, 49(2):150-157.

[4] 劉 敏, 熊岳山, 譚 珂,等. 基于改進(jìn)碰撞檢測(cè)算法的肝門靜脈結(jié)扎仿真[J]. 計(jì)算機(jī)工程與科學(xué), 2017, 39(1):151-157.

[5] 張文勝, 解 騫, 鐘 瑾,等. 基于八叉樹(shù)鄰域分析的光線跟蹤加速算法[J]. 圖學(xué)學(xué)報(bào), 2015, 36(3):339-344.

[6] 李志堅(jiān), 肖熠琳. 一種基于二進(jìn)制碼調(diào)制的射頻識(shí)別防碰撞算法[J]. 計(jì)算機(jī)工程, 2015, 41(2):308-312.

[7] 梁秀滿, 付董帥, 牛福生,等. 基于Otsu圖像分割的顆粒與氣泡碰撞檢測(cè)方法[J]. 中國(guó)礦業(yè), 2017, 26(6):127-130.

[8] 張啟彬, 王 鵬, 陳宗海. 基于速度空間的移動(dòng)機(jī)器人同時(shí)避障和軌跡跟蹤方法[J]. 控制與決策, 2017, 32(2):358-362.

[9] 黃于欣. 基于openCV的視頻路徑船舶檢測(cè)與跟蹤[J]. 艦船科學(xué)技術(shù), 2017, 15 (16):28-30.

[10] 馬 飛, 楊皞屾, 顧 青,等. 基于改進(jìn)A*算法的地下無(wú)人鏟運(yùn)機(jī)導(dǎo)航路徑規(guī)劃[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(7):303-309.