陳宇峰，向鄭濤，陳 利，潘正清

（湖北汽車工業(yè)學(xué)院 電氣與信息工程學(xué)院，湖北 十堰442002）

20世紀(jì)90年代以來，智能交通系統(tǒng)（Intelligent Transportation System，ITS）得到了飛速發(fā)展，并日益成為提高運輸效率、改善行車安全、減少空氣污染的重要途徑［1］。實時、準(zhǔn)確的交通信息采集是實現(xiàn)交通控制與管理，以及交通流誘導(dǎo)等應(yīng)用的前提和關(guān)鍵。交通信息分為2種：靜態(tài)交通信息和動態(tài)交通信息［1－2］。 其中，靜態(tài)交通信息是指相對固定不變的交通信息，如路網(wǎng)信息、交通基礎(chǔ)設(shè)施信息等；動態(tài)交通信息是指隨時間變化的交通信息，如交通流信息、交通事故信息、交通管制信息等。交通信息采集主要關(guān)注的是動態(tài)交通信息中的交通流信息，如車流量、平均車速、車輛類型、車輛定位、行程時間等。

對于上述不同類型的交通信息，采集技術(shù)種類很多，根據(jù)被采集車輛是否與采集系統(tǒng)進行交互，即是否獨立于采集系統(tǒng)，交通信息采集技術(shù)分為2大類：獨立式采集技術(shù)和協(xié)作式采集技術(shù)。獨立式采集技術(shù)主要包括：感應(yīng)線圈檢測、地磁檢測、微波檢測、紅外線檢測、視頻檢測。在獨立式采集技術(shù)中，被檢測車輛不會向采集系統(tǒng)發(fā)送和接收任何信息，完全由采集系統(tǒng)自主實現(xiàn)信息采集。協(xié)作式采集技術(shù)主要包括基于GPS定位的采集技術(shù)、基于RFID的采集技術(shù)和基于蜂窩網(wǎng)絡(luò)的采集技術(shù)。在協(xié)作式采集技術(shù)中，被檢測車輛上會有相應(yīng)的車載設(shè)備，如GPS終端，通過它與整個采集系統(tǒng)的其他部分進行信息交換，以實現(xiàn)信息采集。

1 獨立式采集技術(shù)

獨立式采集技術(shù)又稱車輛檢測技術(shù)，目前具有代表性的分類方法是按檢測器的工作方式及工作時的電磁波波長范圍，分為3類［1］：磁頻檢測、波頻檢測和視頻檢測。

1.1 磁頻檢測

常用的磁頻檢測技術(shù)包括感應(yīng)線圈檢測和地磁檢測。

感應(yīng)線圈檢測器是一種基于電磁感應(yīng)原理的車輛檢測器，它的傳感器是埋在地面下通有一定工作電流的環(huán)形線圈，通過檢測線圈電感量的變化達到檢測車輛存在的目的［3］，進而可實現(xiàn)車流量、平均車速、車道占有率、平均車長、平均車間距等交通信息的檢測。文獻［4］采用微型線圈，有效降低了安裝工程量，提高了線圈的使用壽命。文獻［5］利用相鄰車道線圈檢測器之間的數(shù)據(jù)交換，提出了一種基于分段時間序列模式匹配的騎線車輛檢測方法。文獻［6］采用貝葉斯方法，提出了基于單線圈檢測器實現(xiàn)車速和車長的估計方法。為了提高檢測精確，文獻［7］采用貝葉斯方法，提出了基于雙線圈檢測器實現(xiàn)車速和車長的估計方法。

地磁檢測器的檢測原理［8］是利用鐵質(zhì)物體通過時，會引起地磁場的擾動，從而通過檢測地磁場的異常來判斷車輛的出現(xiàn)。文獻［9］提出了一種采用高精度微磁傳感器的自動檢測系統(tǒng)，能可靠實現(xiàn)車輛弱磁信號的檢測。文獻［8］采用2個各向異性磁阻傳感器組成三軸測試電路進行車輛檢測，實驗表明，該方法能可靠地檢測出特定車位上車輛的到位情況。文獻［10］指出，基于 MEMS（Microelectromechanical system）的磁檢測器成本低、功耗低、體積小、重量輕，并提出了基于MEMS磁檢測器的車輛檢測系統(tǒng)結(jié)構(gòu)。文獻［11］提出了基于嵌入式無線磁傳感器的車輛分類方法，能自動實現(xiàn)4種車輛的分類：摩托車、小汽車、皮卡車和貨車，其中摩托車的識別率在95%左右，另3種車的識別率在70%～80%左右。

1.2 波頻檢測

常用的波頻檢測技術(shù)包括微波檢測和紅外線檢測。

微波檢測器利用雷達線性調(diào)頻技術(shù)原理，對檢測路面發(fā)射微波，通過對反射回來的微波信號進行檢測，實現(xiàn)車速、車身長度、車流量、車道占有率等交通信息的采集［1］。文獻［12］根據(jù)微波檢測器檢測到的各車道車輛數(shù)，實現(xiàn)對十字路口交通燈指示的切換和持續(xù)時間的智能控制。文獻［13］提出了采用連續(xù)波雷達進行車輛分類的方法，該方法采用時頻分析和霍夫變換得到多普勒特征，進而得到車輛散射中心的空間分布，從而實現(xiàn)車輛的分類，實驗表明：該方法對小汽車、貨車和卡車這3種車輛的識別率達到了94.8%。文獻［14］提出在車流量檢測雷達信號去噪處理中，小波變換閾值法去噪效果較好，計算速度最快；平移不變量法去噪效果略優(yōu)于小波變換閾值法，但計算速度較慢；小波變換模極大值法去噪效果最好，但計算速度最慢。

紅外線檢測器分為主動式和被動式2種［1］。主動式紅外線檢測器向檢測區(qū)域發(fā)射低能紅外線，通過對反射回來的紅外線進行檢測，實現(xiàn)車速、車流量、道路占有率等交通信息的采集。被動式紅外線檢測器本身不發(fā)射紅外線，而是通過接收來自車輛和道路環(huán)境發(fā)射的紅外線實現(xiàn)車輛的檢測。文獻［15］提出了采用紅外熱像實現(xiàn)實時車輛檢測的方法，實驗表明，該方法在白天和晚上都能很好地實現(xiàn)車輛檢測。文獻［16］提出了一種結(jié)合紅外檢測和壓力傳感器檢測的車型自動分類系統(tǒng)，其中，紅外檢測實現(xiàn)車輛二維形狀、車頭高、行車方向和底盤方向的檢測，壓力傳感器實現(xiàn)車輪數(shù)和車軸數(shù)的檢測，從而提高檢測精度。文獻［17］提出了基于神經(jīng)網(wǎng)絡(luò)的紅外圖像行人檢測方法，實驗表明，識別率和虛警率分別為93.75%和4.25%。

1.3 視頻檢測

在智能交通系統(tǒng)中，視頻檢測技術(shù)應(yīng)用比較廣泛，主要包括運動車輛提取、陰影檢測等。

運動車輛提取的目的是將運動車輛從背景圖像中分割出來。目前主要包括幀間差分法［18］、背景差分法［19］和光流法［20］。幀間差分法利用前后兩幀圖像的差分實現(xiàn)運動物體的檢測，實現(xiàn)簡單，運算速度快，對動態(tài)環(huán)境的適應(yīng)性很強，但是不適合檢測速度過慢或靜止的車輛。文獻［21］提出了一種基于幀間差分和邊緣檢測相結(jié)合的移動目標(biāo)檢測方法。文獻［22］提出了一種基于幀間差分法的夜間車輛檢測方法，該方法能夠有效地抑制夜間的車燈光暈。背景差分法利用當(dāng)前幀與背景圖像的差分實現(xiàn)運動物體的檢測，該方法能夠比較精確地提取運動目標(biāo)，與車輛的運動速度無關(guān)，但對動態(tài)場景的變化很敏感。背景差分法的關(guān)鍵是背景提取與動態(tài)更新，典型的算法包括高斯分布模型［23］和卡爾曼濾波［24］。 文獻［25］采用混合高斯模型，利用針對梯度圖像的幀間差分實現(xiàn)變化區(qū)域的檢測，利用背景差分實現(xiàn)運動物體的檢測。當(dāng)車輛與背景的灰度接近時，采用傳統(tǒng)的基于灰度的背景差分法會出現(xiàn)空洞或破裂問題，考慮到當(dāng)車輛與背景的灰度接近時，一般顏色不會相同，文獻［26］提出了基于YCbCr彩色空間的背景差分法，提高了檢測精度。為解決混合高斯模型因采用同一更新速率引起的背景模型更新錯誤問題，文獻［27］利用特征點信息對場景中的像素點進行分類，不同類別的像素點采用不同的更新速率，從而實現(xiàn)了背景的自適應(yīng)更新。為解決光照迅速變化對傳統(tǒng)背景差分法的影響，文獻［28］通過對背景圖像和當(dāng)前幀圖像的比較得到光照因素，進而利用該光照因素實現(xiàn)背景圖像的自動更新。光流法利用運動物體隨時間變化的光流特性實現(xiàn)運動物體的檢測，該方法精度較高，但計算量較大。文獻［29］結(jié)合幀間差分法和光流法實現(xiàn)運動目標(biāo)的檢測，該方法利用幀間差分法運算速度快的特點，實現(xiàn)運動區(qū)域的提取；利用光流法檢測準(zhǔn)確度高的特點，對提取的運動區(qū)域進行光流計算。

在運動車輛提取過程中，與車輛同步運動的陰影也會與車輛一起被提取，所以必須進行陰影去除。陰影分為自身陰影和投射陰影2種［30］，自身陰影是目標(biāo)物體自身沒有被光線直接照射到的部分，投射陰影指的是由于目標(biāo)物體的遮擋而在場景中形成的陰影區(qū)域。陰影去除的目標(biāo)是消除投射陰影。陰影檢測的方法主要包括兩大類：基于陰影顏色特征的方法［31－32］和基于運動物體幾何信息的方法［33］。在基于陰影顏色特征的方法中，主要包括基于RGB空間的方法和基于HSV空間的方法，文獻［34］對這2種方法進行了仿真實驗比較，結(jié)果表明：在陰影檢測率和實時性方面，基于RGB空間的陰影檢測法占優(yōu)，而在陰影識別率和復(fù)雜性方面，基于HSV空間檢測法占優(yōu)。文獻 ［35］采用基于YUV彩色空間的方法實現(xiàn)了運動車輛投射陰影的檢測和消除。文獻［36］利用基于RGB和HSV空間的陰影檢測結(jié)果得到光照的估計方向，并結(jié)合邊緣信息檢測算法實現(xiàn)運動目標(biāo)陰影的準(zhǔn)確檢測。文獻［37－38］提出了基于紋理特性的陰影消除方法。考慮到利用陰影的單一特性不能很好地檢測陰影，文獻［39］綜合利用陰影的光照、色度、紋理和區(qū)域統(tǒng)計特性實現(xiàn)陰影檢測。

獨立式采集技術(shù)應(yīng)用時間較早，應(yīng)用范圍較廣，美國休斯測試中心對以上檢測技術(shù)進行了測試，并給出了相應(yīng)的比較報告［40］。這些檢測技術(shù)各有優(yōu)勢和不足，適用于不同的場合。感應(yīng)線圈檢測技術(shù)成熟、計數(shù)精確，廣泛應(yīng)用于普通道路；微波檢測安裝方便、直接檢測速度、可檢測多條車道，適應(yīng)于高速公路等場合；視頻檢測安裝方便、可提供交通圖像等大量交通信息，隨著檢測算法穩(wěn)定性和可靠性的不斷提高，視頻檢測將會在智能交通中發(fā)揮越來越重要的作用。

2 協(xié)作式采集技術(shù)

在協(xié)作式采集技術(shù)中，通過被檢測車輛上相應(yīng)的車載設(shè)備與整個采集系統(tǒng)的其他部分進行信息交換，以實現(xiàn)信息采集。主要包括三大類：基于GPS定位的采集技術(shù)、基于RFID的采集技術(shù)和基于蜂窩網(wǎng)絡(luò)的采集技術(shù)。

2.1 基于GPS定位的采集技術(shù)

該類技術(shù)通過安裝在車輛上的GPS接收模塊接收GPS衛(wèi)星信號，從而得到車輛的相關(guān)實時信息，包括經(jīng)度、緯度、時刻、速度等，進而實現(xiàn)車輛的定位、跟蹤等功能。如果在多個車輛上安裝GPS接收模塊，通過這些車輛反饋回來的GPS信息，可實現(xiàn)路網(wǎng)交通流信息的采集。這些車輛被稱為浮動車（Float Car）或探測車（Probe Car），一般利用出租車來充當(dāng)。這種方法的缺點是GPS衛(wèi)星信號容易受到樓群等建筑物的影響，定位精度會降低，甚至出現(xiàn)沒有信號的情況。文獻［41］利用大量出租車GPS數(shù)據(jù)實現(xiàn)路段平均行程時間的估計，并將估計結(jié)果與感應(yīng)線圈方法比較，結(jié)果相差很小。文獻［42］提出了利用大量歷史出租車GPS數(shù)據(jù)實現(xiàn)未來交通阻塞點的預(yù)測方法。文獻［43］利用GPS信息得到車輛的位置，實現(xiàn)公交車的自動報站功能，同時，利用GPRS上傳公交車的實時狀態(tài)信息，實現(xiàn)對所有公交車的實時監(jiān)控和調(diào)度。文獻［44］利用大規(guī)模車輛GPS信息實現(xiàn)道路網(wǎng)絡(luò)圖的自動生成，解決了道路網(wǎng)絡(luò)圖的時效性問題。

2.2 基于RFID的采集技術(shù)

RFID（Radio Frequency Identification）技術(shù)是一種利用無線射頻原理實現(xiàn)非接觸式自動識別的技術(shù)。它利用安裝在車輛上的射頻標(biāo)簽存儲相應(yīng)的車輛信息，如車牌號、發(fā)動機ID、駕駛員ID等，射頻標(biāo)簽分為有源標(biāo)簽和無源標(biāo)簽兩種，通過讀寫器讀取射頻標(biāo)簽中的信息，實現(xiàn)對車輛的自動識別。RFID技術(shù)廣泛應(yīng)用于智能交通中，如高速公路和停車場收費、貨物自動跟蹤和識別等。文獻［45］結(jié)合RFID技術(shù)和GIS技術(shù)，實現(xiàn)郵運車輛在Internet網(wǎng)上的跟蹤管理。文獻［46］為解決傳統(tǒng)車牌容易偽造和遮擋問題，將車牌號碼等車輛信息存儲在RFID標(biāo)簽中，形成“電子車牌”，并與傳統(tǒng)車牌一起使用，增加了仿制難度和識別率。文獻［47］采用RFID技術(shù)實現(xiàn)了智能交通管理專家系統(tǒng)，該系統(tǒng)通過綜合各街區(qū)子系統(tǒng)基于RFID技術(shù)采集的交通流信息（車速、流量等）實現(xiàn)動態(tài)導(dǎo)航功能，同時，還可實現(xiàn)被盜車輛或逃稅車輛的跟蹤功能。

2.3 基于蜂窩網(wǎng)絡(luò)的采集技術(shù)

1996年，美國通信委員會發(fā)布了E－911法案，要求移動網(wǎng)絡(luò)運營商必須通過手機信號知道用戶的位置，從而促進了手機定位服務(wù)的發(fā)展［48］?；诜涓C網(wǎng)絡(luò)的定位方法主要有［49］：信號到達角度AOA （Arrival Of Angle）、蜂窩小區(qū)（Cell－ID）、信號場強SA （Signal Attenuation）、信號到達時間TOA（Time Of Arrival）/時間差 TDOA （Time Difference of Arrival）定位等。文獻［50］結(jié)合TOA和TDOA方法，提出了基于蜂窩網(wǎng)絡(luò)的移動車輛動態(tài)定位方法。文獻［51］結(jié)合GPS定位和蜂窩網(wǎng)絡(luò)定位，在GPS信號不好時采用蜂窩網(wǎng)絡(luò)定位方法，提高了系統(tǒng)定位的可靠性。文獻［52］結(jié)合GPS和蜂窩網(wǎng)絡(luò)，實現(xiàn)車輛在高速公路上的速度估計。文獻［53］利用蜂窩網(wǎng)絡(luò)得到車輛的位置和速度信息，進而用于進行交通阻塞估計。

相對于獨立式采集技術(shù)而言，協(xié)作式采集技術(shù)起步較晚，但發(fā)展很快?；贕PS定位的采集技術(shù)在車輛定位的精確性和實時性方面具有優(yōu)勢，廣泛應(yīng)用于車輛的定位、跟蹤等方面；基于RFID的采集技術(shù)利用射頻標(biāo)簽存儲車輛的個性化信息，廣泛應(yīng)用于高速公路和停車場收費、貨物自動跟蹤和識別等方面；基于蜂窩網(wǎng)絡(luò)的采集技術(shù)充分利用移動通信網(wǎng)絡(luò)廣泛覆蓋的優(yōu)勢，在大范圍車輛交通信息采集方面具有廣泛的應(yīng)用前景。

3 交通信息采集技術(shù)的發(fā)展趨勢

目前的交通信息采集方法主要是把車輛作為一個整體，通過相應(yīng)的采集技術(shù)得到車輛的位置、速度等信息。實際上，車輛自身就能提供該車的交通信息，并通過儀表板進行顯示。因此，未來車輛交通信息采集技術(shù)的發(fā)展趨勢之一是車輛內(nèi)部信息的直接獲取。通過這種方式獲取的信息不僅要比通過其他技術(shù)間接得到的要準(zhǔn)確（如車速信息），而且有些信息是其他采集技術(shù)很難得到的（如發(fā)動機狀態(tài)信息）。如果能直接利用這些信息，將大大提高智能交通系統(tǒng)的信息采集精度和范圍。但是，由于技術(shù)保密的原因，汽車生產(chǎn)商不愿意提供相應(yīng)的接口，從而使得第三方很難獲取這些信息。筆者［54］提出采用車載診斷技術(shù) （OBD，On－Board Diagnostics），利用車輛自帶的通用診斷接口實現(xiàn)車輛信息的采集。目前OBD系統(tǒng)的主流標(biāo)準(zhǔn)是OBD－II，從OBD－II接口中不僅可以獲取車輛實時狀態(tài)信息（如發(fā)動機轉(zhuǎn)速、車輛運行速度、水溫和氧傳感器等），還可以獲取車輛的故障碼。采用OBD－II來獲取車輛速度信息不僅具有很強的通用性，而且由于車輛自帶OBD接口，因此，可以避免改動車輛電氣線路。

在實際環(huán)境中，當(dāng)車輛需要獲取遠距離地點的信息時，如前方路口擁堵情況，由于車輛不能直接采集遠距離地點的信息，此時，可以和其他車輛或者路邊節(jié)點進行數(shù)據(jù)交換，以獲取所需信息。因此，未來車輛交通信息采集技術(shù)的發(fā)展趨勢之二是交換式信息采集。該類采集方法依賴于車輛間、車輛和路邊節(jié)點間的自動組網(wǎng)技術(shù)；可以分為基于廣播/多播和基于單播的組網(wǎng)技術(shù)?；趶V播/多播的組網(wǎng)技術(shù)重點在于解決廣播風(fēng)暴問題，從而能夠使信息得到有效傳播。基于單播的組網(wǎng)技術(shù)重點在于路由發(fā)現(xiàn)，根據(jù)所發(fā)現(xiàn)的路徑數(shù)量，又可以分為單徑路由和多徑路由技術(shù)。在交換式信息采集技術(shù)的支持下，車輛間可以直接交換信息，即V2V（Vehicle－to－Vehicle）；同時，車輛也可以通過路邊節(jié)點交換信息，即 V2RV（Vehicle－to－Roadside－Vehicle）。

每種采集技術(shù)都有它的優(yōu)勢和不足，適用于不同應(yīng)用要求的場合。以基于GPS定位的采集技術(shù)為例，相對于其他采集技術(shù)，它的優(yōu)勢是能夠方便、實時、準(zhǔn)確地得到車輛的位置和速度等信息；它的不足在于：對車輛的形狀信息無能為力、車輛必須安裝相應(yīng)的GPS車載設(shè)備、GPS衛(wèi)星信號受樓群等建筑物的影響導(dǎo)致定位精度降低等，而這些不足卻分別是視頻檢測、感應(yīng)線圈檢測和基于蜂窩網(wǎng)絡(luò)的采集技術(shù)的優(yōu)勢。因此，未來車輛交通信息采集技術(shù)的發(fā)展趨勢之三是多種采集技術(shù)的融合。根據(jù)應(yīng)用需求，結(jié)合各種采集技術(shù)的優(yōu)點，對多種采集技術(shù)進行融合，從而為決策提供更好的支持。文獻［55］融合感應(yīng)線圈和浮動車數(shù)據(jù)，建立了路段出行時間估計模型，提高了預(yù)測精度。文獻［56］以感應(yīng)線圈、浮動車和人工報告為信息源，提出了基于vague集的多源交通信息融合模型，以實現(xiàn)路網(wǎng)的交通狀態(tài)判別。

4 結(jié)束語

實時、準(zhǔn)確的交通信息采集是實現(xiàn)交通控制與管理，以及交通流誘導(dǎo)等應(yīng)用的前提和關(guān)鍵。根據(jù)被采集車輛是否與采集系統(tǒng)進行交互，即是否獨立于采集系統(tǒng)，交通信息采集技術(shù)分為兩大類：獨立式采集技術(shù)和協(xié)作式采集技術(shù)。在獨立式采集技術(shù)中，被檢測車輛不會向采集系統(tǒng)發(fā)送和接收任何信息，完全由采集系統(tǒng)自主實現(xiàn)信息采集。在協(xié)作式采集技術(shù)中，通過被檢測車輛上的車載設(shè)備與采集系統(tǒng)的其他設(shè)備進行信息交換，以實現(xiàn)信息采集。獨立式采集技術(shù)將被采集車輛看作一個“黑盒子”，從車輛外部通過相應(yīng)的技術(shù)得到車輛的相關(guān)交通信息，車輛不主動參與采集過程，甚至感覺不到采集系統(tǒng)的存在，這種采集技術(shù)對車輛沒有特殊要求，適用范圍廣，但采集的車輛信息往往比較固定和單一，尤其是缺少車輛個性化信息。在協(xié)作式采集技術(shù)中，車輛通過車載終端實現(xiàn)與整個采集系統(tǒng)的交互，車載終端的使用使采集種類更加豐富，采集方式更加靈活，不僅能夠?qū)崿F(xiàn)車輛個性化信息的采集，而且為被采集車輛通過交互模式主動獲取交通信息提供了可能，但這種模式需要被采集車輛安裝相應(yīng)的車載設(shè)備，目前來說，適用范圍比獨立式采集技術(shù)要小一些。隨著技術(shù)的發(fā)展，未來的采集技術(shù)呈現(xiàn)以下趨勢：車輛內(nèi)部信息的直接獲取、交換式信息采集、多種采集技術(shù)的融合等。

［1］ 楊兆升.城市交通流誘導(dǎo)系統(tǒng)［M］.北京：中國鐵道出版社，2004.

［2］ 皮曉亮.ITS數(shù)據(jù)采集處理技術(shù)分析與系統(tǒng)框架流程設(shè)計［J］.公路交通科技，2008，25（7）：136－140.

［3］ 趙艷秋，劉桂香，王廣義.環(huán)形線圈車輛檢測器的研究［J］.微計算機信息，2007，23（20）：266－268.

［4］ 林 凌，韓曉斌，丁 茹，等.微型感應(yīng)線圈車輛傳感器［J］.傳感技術(shù)學(xué)報，2006，19（4）：994－996，1000.

［5］ 梁俊斌，徐建閩.基于感應(yīng)線圈的騎線車輛檢測方法［J］.華南理工大學(xué)學(xué)報：自然科學(xué)版，2007，35（7）：20－24.

［6］ B.B.Li.On the recursive estimation of vehicular speed using data from a single inductance loop detector:A Bayesian approach ［J］.Transportation Research Part B：Methodological， 2009，43（4）：391－402.

［7］ B.B.Li.Bayesian inference for vehicle speed and vehicle length using dual－loop detector data［J］.Transportation Research Part B：Methodological，2010，44（1）：108－119.

［8］ 沈冬萍，繆傳杰，徐欣歌，等.各向異性磁傳感器在車輛檢測中的應(yīng)用 ［J］.廈門大學(xué)學(xué)報：自然科學(xué)版，2009，48（6）：827－829.

［9］ 婁文忠，徐祥紅，郝建偉，等.基于坡莫合金的微磁傳感器系統(tǒng)在機動車輛流量檢測系統(tǒng)中的應(yīng)用［J］.功能材料與器件學(xué)報，2008，14（1）：5－8.

［10］ J.H.Lan，Y.Q.Shi.Vehicle detection and recognition based on a MEMS magnetic sensor ［C］//Proc.of 4th IEEE International Conference on Nano/Micro Engineered and Molecular Systems，2009：404－408.

［11］ S.Kaewkamnerd，R.Pongthornseri，J.Chinrungrueng，et al.Automatic vehicle classification using wireless magnetic sensor ［C］//Proc.of the 5th IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems：Technology and Applications，2009：420－424.

［12］李 明.基于微波檢測器交通燈智能控制系統(tǒng)的研究與設(shè)計［J］.西南民族大學(xué)學(xué)報：自然科學(xué)版，2007，33（4）： 984－986.

［13］ J.X.Fang，H.D.Meng，H.Zhang,et al.A ground vehicle classification approach using unmodulated continu-ous－wave radar［C］//Proc.of the Institution of Engineering and Technology International Conference on Radar Systems，2007.

［14］薛 偉，陳良章，孫曉瑋.小波變換在車流量檢測雷達信號去噪中的應(yīng)用 ［J］.計算機測量與控制，2008，16（4）：564－566.

［15］ Y.Iwasaki.A method of robust moving vehicle detection for bad weather using an infrared thermography camera［C］.Proc.of 2008 International Conference on Wavelet Analysis and Pattern Recognition，2008：86－90.

［16］李光輝.基于紅外檢測和壓力傳感器相結(jié)合的車型自動分類系統(tǒng)［J］.中國科技信息，2009（5）：125－126.

［17］郭永彩，胡瑞光，高 潮.紅外圖像中的行人檢測［J］.重慶大學(xué)學(xué)報，2009，32（9）：1070－1073.

［18］ R.Cucchiara，C.Grana,M.Piccardi，et al.Statistic and knowledge－based moving object detection in traffic scenes ［C］//Proc.of 2000 IEEE Intelligent Transportation Systems Proceedings，2000：27－32.

［19］ S.S.Cheung，C.Kamath.Robust techniques for background subtraction in urban traffic video ［C］//Proc.of SPIE－The International Society for Optical Engineering，2004：881－892.

［20］ S.Gali， S.Lon ari.Spatio－temporal image segmentation using optical flow and clustering algorithm ［C］//Proc.of First International Workshop on Image and Signal Processing and Analysis，2000：63－68.

［21］ C.H.Zhan，X.H.Duan，S.Y.Xu，et al.An improved moving object detection algorithm based on frame difference and edge detection ［C］//Proc.of 4th International Conference on Image and Graphics，2007：519－523.

［22］唐佳林，李熙瑩，羅東華，等.一種基于幀差法的夜間車輛檢測方法 ［J］.計算機測量與控制，2008，16（12）：1811－1813.

［23］ Z.W.He,J.L.Liu,P.H.Li.New method of background update for video－based vehicle detection ［C］//Proc.of 7th International IEEE Conference on Intelligent Transportation Systems，2004：580－584.

［24］ C.P.Lin,J.C.Tai，K.T.Song.Traffic monitoring based on real－time image tracking［C］//Proc.of IEEE International Conference on Robotics and Automation，2003：2091－2096.

［25］潘翔鶴，趙曙光，柳宗浦，等.一種基于梯度圖像幀間差分和背景差分的運動目標(biāo)檢測新方法［J］.光電子技術(shù)，2009，29（1）：34－36，41.

［26］于萬霞，杜太行.基于彩色空間的背景幀差法視頻車輛檢測［J］.計算機仿真，2010，27（1）：285－287，308.

［27］張 彥，周 忠，吳 威.一種用于運動物體檢測的自適應(yīng)更新背景模型 ［J］.計算機輔助設(shè)計與圖形學(xué)學(xué)報，2008,20（10）：1316－1324.

［28］ Y.L.Guo，B.Yang，Y.Y.Ming,et al.An Effective Background Subtraction under the Mixture of Multiple Varying Illuminations［C］//Proc.of Second International Conferenceon ComputerModelingand Simulation，2010：202－206.

［29］鄧輝斌，熊邦書，歐巧鳳.基于隔幀差分區(qū)域光流法的運動目標(biāo)檢測 ［J］. 半導(dǎo)體光電，2009，30 （2）：300－304，307.

［30］ E.Salvador，A.Cavallaro，T.Ebrahimi.Shadow identification and classification using invariant color models［C］//Proc.of 2001 IEEE Interntional Conference on Acoustics， Speech，and Signal Processing，2001：1545－1548.

［31］ R.Cucchiara，C.Grana，M.Piccardi,et al.Detecting moving objects，ghosts，and shadows in video streams［C］//Proc.of IEEE Transactions on Pattern Analysis and Machine Intelligence，2003：1337－1342.

［32］ R.Cucchiara，C.Grana，M.Piccardi，et al.Improving shadow suppression in moving object detection with HSV color information ［C］//Proc.of 2001 IEEE Intelligent Transportation Systems Proceedings，2001:334－339.

［33］ A.Yoneyama，C.H.Yeh，C. －C.J.Kuo.Moving cast shadow elimination for robust vehicle extraction based on 2D joint vehicle/shadow models ［C］//Proc.of the IEEE Conference on Advanced Video and SignalBased Surveillance，2003:229－236.

［34］ 高 嵐，董慧穎，蘭利寶.自適應(yīng)背景下運動目標(biāo)陰影檢測算法研究［J］.現(xiàn)代電子技術(shù)，2007（6）：59－61.

［35］鐘 琨，路小波，施 毅，等.一種基于YUV彩色空間的運動車輛陰影消除方法 ［J］.交通與計算機，2007，25（3）：110－113.

［36］林坤杰，萬曉冬.基于邊緣信息及光照方向的陰影檢測算法［J］.計算機工程，2009，35（20）：192－193，196.

［37］ A.Leone，C.Distante,F.Buccolieri.Shadow detection for moving objects based on texture analysis ［J］.Pattern Recognition，2007，40（4）：1222－1233.

［38］祖仲林，李 勃，陳啟美.基于局部紋理特性的運動車輛陰影消除［J］.計算機工程，2009，35（16）：167－169.

［39］熊運余，曾凡光，周 鵬，等.一種新的多特性聯(lián)合陰影檢測方法［J］.光電工程，2009，36（4）：118－122.

［40］美國休斯測試中心.常見交通檢測技術(shù)性能比較報告［R］.美國聯(lián)邦高速道路管理局，1994.

［41］張和生，張 毅，溫慧敏，等.利用GPS數(shù)據(jù)估計路段的平均行程時間 ［J］.吉林大學(xué)學(xué)報： 工學(xué)版，2007，37（3）：533－537.

［42］ M.Li，Y.H.Zhang，W.J.Wang.Analysis of congestion points based on probe car data ［C］//Proc.of 2009 12th International IEEE Conference on Intelligent Transporta-tion Systems，2009:232－236.

［43］張永生，文 科.基于GPS/GPRS的公交車自動報站系統(tǒng)設(shè)計［J］.現(xiàn)代電子技術(shù)，2009（19）：212－214，218.

［44］ W.H.Shi，S.H.Shen,Y.C.Liu.Automatic generation of road network map from massive GPS vehicle trajectories ［C］//Proc.of 2009 12th International IEEE Conference on Intelligent Transportation Systems，2009：48－53.

［45］曹小麗，孔松濤，張長新.基于RFID技術(shù)的郵政車輛管理系統(tǒng)［J］.計算機應(yīng)用，2007，27（S1）：119－120.

［46］周治國，李文印，李 同，等.基于RFID的新型機動車號牌及自動識別系統(tǒng)［J］.吉林大學(xué)學(xué)報：信息科學(xué)版，2008，26（4）： 374－379.

［47］ W.Wen.An intelligent traffic management expert system with RFID technology［J］.Expert Systems with Applications,2010，37（4）：3024－3035.

［48］ J.H.Reed，K.J.Krizman，B.D.Woerner,et al.Overview of the challenges and progress in meeting the E－911 requirement for location service［J］.IEEE Communications Magazine，1998，36（4）：30－37.

［49］胡可剛，王樹勛，劉立宏.移動通信中的無線定位技術(shù)［J］.吉林大學(xué)學(xué)報： 信息科學(xué)版，2005，23 （4）：378－384.

［50］ 姚素芬，朱 誠，張 鵬，等.物流監(jiān)控中的蜂窩無線定位［J］.數(shù)據(jù)采集與處理，2009，24（S1）：269－271.

［51］何 杰，胡如夫，李傳志等.基于無線定位終端的公路事件檢測方法研究 ［J］.系統(tǒng)仿真學(xué)報，2009，21（12）：3828－3832.

［52］ R.R.He,T.Z.Qiu,B.Ran.Comparative study on GPS and cellular probe techniques for freeway travel speed estimations ［C］//Proc.of 14th International Conference on Urban Transport and the Environment in the 21st Century,2008:479－490.

［53］ W.Andreas,W.Shangbo,G.H.Bruck,et al.Traffic congestion estimation service exploiting mobile assisted positioning schemes in GSM networks［J］.Procedia Earth and Planetary Science，2009，1（1）：1385－1392.

［54］ Y.F Chen，Z.T.Xiang，W.Jian，et al.Design and implementation of multi－source vehicular information monitoring system in real time ［C］//Proc.of 2009 IEEE International Conference on Automation and Logistics，2009：1771－1775.

［55］劉紅紅，楊兆升.基于數(shù)據(jù)融合技術(shù)的路段出行時間預(yù)測方法［J］.交通運輸工程學(xué)報，2008，8（6）：88－92.

［56］劉 瀾，戢曉峰.基于Vague集的道路交通狀態(tài)決策信息融合［J］.公路交通科技，2009，26（5）：112－116.