关于汽车的科技论文3000字

汽车产业对促进国民经济发展和社会进步具有重要的战略意义，下面是小编为大家精心推荐的关于汽车的科技论文3000字，希望能够对您有所帮助。

关于汽车的科技论文3000字篇一

汽车液压助力系统

摘 要：目前汽车助力装置的主流是真空助力和气压助力。真空助力结构小巧，但存在安全隐患;气压助力安全性好，但结构庞大。高液压存储仓的目的是提供一种小巧且安全性兼顾的装置。高液压存储仓的基本工作原理是利用制冷剂的压力特性，用制冷剂充当储压剂来储存压力液的能量。使整罐压力液能够以高达20～25 MPa的准恒压向外作功。讨论了液压仓的基本结构和工作原理、储压剂选择的难题、抑制泄漏的措施、超临界CO2的特性，在此基础上，提出了存储高液压的超临界CO2液压仓的设计思路，用超临界CO2和温控相配合，得到了准恒高压压力液，实现了小巧且安全性兼顾，由此产生新型的制动、转向、离合助力器。

关键词：助力系统;真空制动;气压制动;转向助力;液压仓

中图分类号：U463.52+1文献标文献标识码：A文献标DOI：10.3969/j.issn.2095-1469.2013.02.12

根据助力的原理不同可以将其分为四大类：真空助力、气压助力、液压助力以及电动助力。

真空助力装置的优势是简单紧凑，几乎所有的小型汽车都采用了真空助力器，并且为了加强其安全性还建立了国家标准[1]。但是真空助力的安全性还是有很大的漏洞，因为真空助力都要取决于发动机的状态，只有发动机工作时才会产生真空助力，发动机熄火后不再产生真空。轿车因为空间小，通常难以安装真空罐，所以已经形成的真空助力只能完成一次制动助力[2]，随后就是助力消失，其后果是引起制动乏力、转向很重，存在安全隐患。

气压助力装置的优势是安全可靠，如果能像大型车一样采用气压助力就不用担心发动机熄火。根据国家标准[3]，发动机熄火后仍可保证连续5次踩到底全行程制动助力，所以气压助力可以保证行车安全。但是气压助力并不适合小型车，其主要缺点是必须有空气压缩机、贮气罐、制动阀等装置，使结构复杂、笨重、成本高。另外，其管路工作压力低，一般为0.5～0.7 MPa，因而制动气室的直径必须设计得大些，且只能置于制动器外部，再通过杆件和凸轮或楔块驱动制动蹄，这就增加了簧下质量，并且制动气室排气还有很大噪声。液压控制―气压助力器本质上还是气压助力器。

电动助力是采用电动机作为动力源，优点是可靠、体积适中。缺点主要包括：(1)需要大大加强发电和储电能力。(2)经过发电机和电动机两次能量转换，效率损失大。(3)目前只能用于方向助力，制动助力要另建一套系统。

采用液压助力是很好的方案，液压助力的优点是：作用滞后时间较短(0.1～0.3 s);工作压力高(可达10～25 MPa)，使助力装置结构简单，质量小;机械效率较高(液压系统有自润滑作用)。但是因为液体的不可压缩性，所以液压无法直接储存，在没有压力液存储的情况下，当需要用到液压驱动时，需要启动液泵，反应不会很及时，并且需要一个功率较大的泵，才能迅速产生足够的液压。如果像储气筒一样有一个储液罐储存了高压液体，使整罐压力液能够以高达10～25 MPa的压力迅速向外作功，那么液压助力必定是最优方案。

直接用压缩液体的办法去储存液压是不可能的，本文提出的是一种间接储存液压的装置――液压仓。

1 液压仓的基本工作原理

液压仓的基本工作原理是通过制冷剂的压力特性来储存压力液的能量。液压仓对于制冷剂的选用仅关心其压力值，即只关心其压力、温度和密度之间的关系和储存压力的特性，并不关心其制冷特性，所以在液压仓中将制冷剂改称储压剂。以R717(氨)为例分析其储压特性，临界温度为132.25 ℃，临界压力为11.333 MPa。当温度高于凝固点-77.65 ℃低于临界温度132.25 ℃时，R717处于气液汽共存的状态，该状态的每个温度值都唯一对应着一个压力值(即饱和蒸汽压)，比如将液压仓温度控制在125 ℃，R717的饱和蒸汽压就维持在9.97 MPa，将这个饱和蒸汽压变为压力液的压力，这就是液压仓的思路。

液压仓包括动密封和静密封两大类[4]，每大类又包括基本型液压仓、超临界流体高压型液压仓和增压缸高压型液压仓3种。

图1所示是基于饱和蒸汽压的基本型活塞式液压仓，简称基本型活塞式液压仓，是3种动密封型液压仓的基础。活塞HS将缸筒腔GT隔离成液压腔YYQ和储压腔CYQ两个子腔，假定储压腔中充注了气液共存的R717充当储压剂，液压仓温度控制在125 ℃，这时，储压腔压力恒等于R717的饱和蒸汽压9.97 MPa，其压力不会因活塞HS的移动而变化。由于液压腔与储压腔之间是一个活塞，所以两个腔压力相等，即液压腔中的压力液都储存了相当的能量，压力大小等于储压腔的压力9.97 MPa。当对外作功时，储压剂推动活塞挤压压力液，压力液以等于9.97 MPa压力值向外作功，压力液从满腔直至流完，压力都会自动维持在9.97 MPa附近。

图1中，液压腔端部有注液口ZYK和排液口PYK，可以注入或排出压力液。当补液液泵的压力大于储压剂的饱和蒸汽压时，压力液注入液压腔并挤推活塞向储压腔方向移动，将气态储压剂压缩成液态储压剂，进行储压。WZC为储压腔位置开关，当活塞触碰到它时补液液泵停机。WZY为“缺压力液”的报警传感器。QCJ为储压剂漏完报警传感器。BCK为储压剂补充口。

根据国家标准[5]，汽车液压按最高工作液压分为10 MPa、15 MPa、20 MPa、25 MPa 4个压力级，对于这么高的压力级，液压仓有两大疑点需要分析，一是储压剂的密封问题，二是有无合适的储压剂。

2 储压剂的密封问题

活塞处无疑是储压剂的泄漏源，动密封是无法做到完全密封的，在这么高的压力下，如何保证储压剂的密封，要分以下两种情况分析。

(1)液压仓处于正常工作状态。这时，压力液腔中或多或少存储着压力液，压力液腔与储压剂腔是压力平衡的，所以储压剂向压力液腔方向泄漏是一种无压差的渗漏，这是很微弱的泄漏。为了进一步减小渗漏，可以采用夹心层式活塞(图2)，活塞HS由上下两个“半活塞”HSx和HSy夹一个油封腔YFQ组成。HSx和HSy通过滑动柱HDZ和滑动套HDT相结合，可以滑动而改变两者的距离(即夹心层油封腔YFQ的厚度)，油封腔中充满压力液，所以是增加了一级无压差密封，在油封腔中的压力液泄漏完之前，储压剂的泄漏可以忽略，从而使密封更加可靠。油封腔中的压力液也存在泄漏问题，泄漏后需要补充，半活塞HSx上有一个单向阀DXF，当液压腔压力大于油封腔压力时，允许液压腔中的压力液进入油封腔，反之不行。所以，油封腔中的压力液只要有泄漏，就总会得到补充。 (2)液压仓处于长时间停止工作的状态。液压腔中压力液会慢慢泄漏完毕，活塞一边是储压腔的高压力，一边是大气压，形成了大压差泄漏，这种泄漏比无压差泄漏严重得多，所以要设法抑制。方案之一是采用橡胶密封垫MFD(图1)进行密封，压力液泄漏完毕后，活塞会将密封垫压紧，达到密封效果，同时，油封腔也能协助密封。

3 储压剂的讨论

储压剂的选用，重点是需在合理的温控下具有足够高的饱和蒸汽压。目前资料表明[6]，储压剂的选用是一个大难题――没有合适的储压剂。现将几种有充当储压剂潜力的制冷剂列表如下(表1)。

合理的温控，就汽车而言，将液压仓温度控制在60～110 ℃是合理的选择，因为发动机的冷却液最高温度约110 ℃。假如要控制在60 ℃以下，夏天的温度加上汽车的温度，很快就突破60 ℃，还要提供制冷才可以到60 ℃，显然不合理。难题是，温度定在60～110 ℃时，就只有硫化氢和氨的饱和蒸汽压较高，硫化氢剧毒，不予考虑，而氨(即R717)，当温度为110 ℃时，饱和蒸汽压为7.578 MPa，如果要(勉强及格)达到10 MPa，温度要控制在125 ℃，无法利用已有的发动机冷却系统加热，需要单独设置一套125 ℃的加热恒温系统，这就比较麻烦。更不利的是氨的臭气，稍有泄漏就会引起反感。

综上所述，目前储压剂压力范围可达到5～10 MPa，但难以达到10 MPa，借此界定5～10 MPa为次高压，10～25 MPa为高压，高压也就是国标规定的压力级范围[4]。基本型液压仓只能形成次高压，要产生高压压力液，只能是另辟蹊径。有3种办法，一是增压缸高压型液压仓，这在结构上将有较复杂的变化，拟另专题讨论;二是研究新的高压储压剂;三就是下文将讨论的超临界流体CO2(类似的有NO2)的液压仓。

4 基于超临界CO2的液压仓可行性研究

作为储压剂，CO2的主要优点是[7-8]：环境友好，并且在60～110 ℃之间作为超临界流体储压剂使用的压力正好可以满足要求。缺点就是因为临界温度偏低而无法作为饱和蒸汽压型的储压剂使用。

超临界CO2的压力不但随温度上升而增加，而且还随CO2密度增加而增加，而活塞的运动必定使CO2密度改变，所以，要像饱和蒸汽压那样维持压力恒定是不可能的，只能考虑让压力维持在可接受的变化范围。为简化叙述，下面均以压力范围在20～25 MPa为例进行分析。

超临界CO2高压液压仓(图3)的结构实际上就是在前述的“基本型活塞式液压仓”基础上增加了一个储压剂辅助腔FZQ(辅助罐FZG)。该辅助腔与储压主腔CYQ连通，加大了储压腔的总容积，以减小储压剂密度变化率，从而减小压力的波动。所以，超临界CO2液压仓的设计要复杂些，需要进行许多计算，包括压力、温度、CO2密度、辅助腔容积与储压主腔容积之比。

现已知，压力设定在20～25 MPa，温度设定在60～110 ℃比较合理，而且分析图4得知，超临界CO2正好在这个温区的压力非常理想[7-8]。根据图4估算得到表2中的密度值，根据表2 ，通过对60 ℃和110 ℃的两组数据的计算和对比来看趋势，确定相对合理的温度、密度、辅助腔的大小等参数。

对超临界CO2高压液压仓结构，设：储压主腔容积VC与液压腔容积VY之和为VCY，即VC+VY=VCY;温控在110℃;所需的辅助腔容积为V110;储压剂总质量为M。

根据超临界CO2高压液压仓结构可知：VCY为固定值，由于活塞的运动，VC在0～VCY之间变化。

当活塞移动到最顶部时，储压腔总容积达到最大值Vmax= VCY+V110，储压剂密度达到最小值M/(V110+VCY)，由表2得知，20 MPa对应着CO2的最小密度为430 kg/m3，所以得到

当活塞到最底部时，储压主腔容积VC等于0，储压腔总容积达到最小值Vmin= V110，储压剂密度达到最大值M/V110。由表2得知，25 MPa对应着CO2的最大密度为550 kg/m3，所以得到

同理，当温控为100 ℃时，辅助腔为储压主腔的5倍;当温控为60 ℃时，得到辅助腔应该为储压主腔最大值的12.33倍。

根据以上分析可知，在20～25 MPa的压力区间，作为储压剂的CO2，温度越高则密度变化范围越宽松，辅助腔就不需要太大，温控为100～110 ℃时的综合特性较理想。根据压力反馈调节温度，当压力小于23 MPa时提高温度使压力上升，当压力大于25 MPa时降低温度使压力下降，将压力控制在23～25 MPa范围内。

5 体积估算

根据制动和转向助力的能量需求，计算液压仓体积。

根据国家标准[3]，产生最大制动作用时的踏板力，对于座位数小于或等于9的小型载客汽车应不大于500 N，踏板行程不得超过120 mm;对于其它车辆踏板力应不大于700 N，踏板行程不得超过150 mm。也就是说，驾驶员制动作功的上限Amax为

国家标准要求储存的能量可以提供连续5次踩到底全行程制动，而0.6 L容积的液压仓储存的能量即可提供18次踩到底全行程制动。当然，这些储存的能量还要用于转向助力，考虑到还有液压泵的后续支持，这么大的能量储存已经足够用于大货车的助力。

6 结论和展望

液压仓只需0.6 L容积即可储存足够用于大货车助力的能量，所以在结构上比真空助力装置更小巧紧凑。液压仓的液压是目前气压助力压力的40倍，液压的可靠性和被密封性都要优于气压，所以液压仓在安全性上超过气压助力装置。即，液压仓集中并超过了真空助力和气压助力两者的优点而避免了两者的缺点。

超临界流体液压仓可以得到25 MPa甚至更高压力的液压，由于利用活塞两边压力平衡原理设计的夹心层式活塞的结构，使储压剂的泄漏问题基本解决。

要形成25 MPa级的恒定液压，除了上述的超流体CO2方案外，还可以进行其它方案的研究，有以下几种研究方向。

(1)研究出在60～100 ℃时饱和蒸汽压处于20～25 MPa区间的储压剂，将使液压仓更加小巧简单。

(2)目前水的饱和蒸汽压最高，365 ℃时饱和蒸汽压为20 MPa，374 ℃时临界饱和蒸汽压为22 MPa，如果解决这么高的温控并且解决高温状态下的密封问题，同样可以使液压仓更加小巧简单。

(3)采用增压缸提高压力和采用封闭式液压仓结构，这两个问题都已经解决，但还有进一步研究的空间。

关于汽车的科技论文3000字篇二

汽车超载监测系统

摘 要： 为了实时识别各种车型的超载车辆，该系统基于开源计算机视觉库(OpenCV)，先根据车辆照片库建立车型分类器，然后使用数字摄像机拍摄进入监控区域的车辆，在视频中使用分类器识别车型，根据所识别得到的车型去查询数据库获得该车型的核载，再通过动态称重技术获得车辆的实际载重，及时判别车辆是否超载。此方法可避免过去使用统一重量衡量不同车型是否超载的弊端，并可同时免线圈测量车速。测试结果表明系统能快速准确地识别出车型。配合动态称重系统，就能实时得出所通过的车辆是否超载，对公路养护和道路交通安全有相当大的实用意义。

关键词： 超载监测; 视频识别; OpenCV; 动态称重

中图分类号： TN98?34; TP277 文献标识码： A 文章编号： 1004?373X(2014)04?0049?04

Monitoring system for overload vehicles

JIANG Shi?ming， XU Wei， WU Zhi?liang， LIN Shu?xiong

(School of Physics & Electronic Engineering， Guangzhou University， Guangzhou 510006， China)

Abstract： This system based on the open source computer vision library (OpenCV) is used to execute the real?time identification of overloading vehicles with different vehicle models. A vehicle model classifier is established according to the vehicle photo library， and then the vehicles entering the monitored area are recorded by a digital camera. The vehicle models are identified in video recognition by the classifier. The rated load of a vehicle model is obtained by querying the database， and then the actual load of the vehicle running across the monitoring area is measured by the dynamic weighing technology for judging if the vehicle is overloaded immediately. This approach can avoid the demerit of the previous one that uses the unified weight to estimate whether vehicles with different models are overloaded or not. In addition， it can also avoid the coil measurement of speed. Testing results show that the system can quickly and accurately identify a vehicle model， and can promptly determine whether the vehicle is overloaded by means of dynamic weighing system. It has considerable practical value for road maintenance and road traffic safety.

Keywords： overload monitoring; video identification; OpenCV; dynamic weighing

超载车辆的危害很大，主要表现在加速道路损坏和危害道路交通安全，人们都深知其危害性，所以治理超载一直是公路监管部门的工作重点。传统的自动超载信息系统都是使用统一标准，对所有车辆都应用同一个整车重量划分是否超载，这样会遗漏部分实际上已经超过该车型核载的超载车辆。实际上，这部分车辆对道路交通同样造成严重影响。鉴于此，本系统首先识别出车辆的车型，再查询得到该车型的核载重量，对比实测重量，便得知是否超载。理论上能够适用于所有车型。

利用摄像机较长的视域，附加设计了一个测速系统，能方便地得出超速数据，以便作为超速监测和供给动态称重系统作参考。

1 系统构成

1.1 系统方案

系统主要工作过程为：车辆驶入摄像机监视范围，视频流通过以太网传输到后台处理系统，处理系统通过处理视频识别出车辆的车型，然后根据车型从数据库中查出相应的核载重量;同时，安装在地面的动态称重设备测出车辆的实际载重。两个数据对比即可得出车辆是否超载。系统流程如图1所示。

为了加快处理速率，在程序设计过程中多处使用了多线程并行处理。

1.2 OpenCV及其分类器介绍

传统的图像处理软件大多为Matlab，用于开发算法最为快捷，但是其处理速度慢，难以跟上视频处理的需求，所以选用了Intel牵头开发的开源计算机视觉库(OpenCV)。新版的OpenCV已经在易用性上已经接近Matlab，再加上其开源性，很多算法均已公开，加快了开发进程。另外，目前OpenCV已经提供C，C++，Python等语言接口，且支持Windows，Linux，Android和IOS等主流平台，资源相当丰富。对于计算机平台，OpenCV支持多线程并行计算和图形处理器(GPU)计算，这将能大大加快计算速率，用其开发本系统的demo是首选。

图1 系统流程图

为了从视频流中识别出车型，需要使用分类器[1]。所谓分类器，是利用样本的特征进行训练，得到一个级联分类器。分类器训练完成后，就可以应用于目标检测。分类器的级联是指最终的分类器是有几个简单分类器级联组成。每个特定的分类器所使用的特征用形状、感兴趣区域中的位置以及比例系数来定义(如图2所示)。

图2 特征分类

首先使用弱分类器分出货车和客车等车型，然后再分出大中小型货车，最后再精确分类，获得准确的车型。新版本的OpenCV已经支持多种特征的分类器，如SVM，LBP，PBM等。因为系统实时性要求较高，这里选取训练和分类速率都较高的LBP特征分类器。

1.3 训练分类器

使用分类器的需要首先训练，即让分类器“认识”目标，为了训练分类器，需要准备样本，样本包括正样本和负样本。正样本即包含目标的灰度图片，而且每张图片都要归一化大小，负样本则不要求归一化，只需要比正样本大即可(使得可以在负样本中滑动窗口检索)。

OpenCV提供了专门的工具opencv_createsample.exe用以整理训练样本的原始数据，只需准备好正、负样本，归一化然后转成灰度图，再使用两个描述文件分别记录这些样本集合，然后输入opencv_createsample.exe程序即可整理出原始数据。为了准备正样本，借助OpenCV提供的HighGUI模块，在此专门编写了一个GUI截图工具，界面如图3所示。为了能从不同角度识别车辆，准本正样本时需要准备从一定角度范围描述车辆的样本。

图3 GUI截图工具界面

接下来就是训练分类器，这部分工作直接关系到系统的鲁棒性。同样，OpenCV提供了专门工具训练分类器，既有旧版也有新版，为了有更多特性，在此选择新版本的训练程序opencv_traincascades.exe。

由于这是基于统计的方法，要对大量数据进行处理，如果选择Haar特性，训练周期会比较长，不利于系统的搭建，所以选择用LBP特性训练分类器。从机器性能方面考虑训练时间，使用英特尔线程构建模块(TBB)重新编译OpenCV，就能得到多核加速，且有利于接下来的程序性能。分类器分为三级，分别为：货车、客车分类器，大、中、小型货车分类器和具体车型分类器。由于客车按载客数区分是否超载，车辆总重不会对公路造成严重损坏，所以本系统无需对客车作出具体车型区分。但若然具体管理部门需要统计车型信息，可以进一步加上客车车型分类器。实际使用时，由于要应对车辆车身的喷漆变化或者小范围合法改装等情况，分类器的分类除了在系统筹建的时候大规模训练外，在系统运行时也应继续训练分类器，增加统计数据，使得识别结果更加精确。

1.4 识别车型及获得核定载重

训练好分类器后，最直观的测试方法是直接输入测试视频，检查识别效果。新版本OpenCV提供一个C++类CascadeClassifier，该类封装了基本的目标识别操作，使得只需要使用该类的实例加载训练好的XML文件，然后逐帧检测即可。若发现目标，结果将会存放在C++标准模板库(STL)容器vector中。但直接对每帧图像使用CascadeClassifier：：detectMultiScale方法将会大大加重系统的工作量并且在多车辆的情况下无法区分开各车辆，为此，首先需要发现车辆，然后区分不同的车辆目标，再对每一个目标单独进行分类识别。

具体的主要操作的顺序为：

(1) 系列的图像预处理操作，降低图像噪音。

(2) 图像差分，发现车辆轮廓[2]，得到运动掩码。图像差分有两种主要方式，分别是帧间差分和背景差分。帧间差分速度快，但容易产生空洞，且无法分离出缓慢运动的车辆;背景差分速度慢，但分离效果好。考虑到如果车辆是缓慢进入测速区，则称重数据可靠性高，而且没有超速，进入识别点的效果好，所以选择帧间差分，这里使用能有效减小前景空洞的三帧差分算法[2]。

(3) 结合运动掩码更新历史运动图像、计算历史运动图像的梯度。

(4) 分割运动目标，得到一辆一辆的车，并跟踪。为区分开图像中的每一辆车，需要对其进行标记，这里使用的方法为：

[Mkx，y=ID ifMk-1x，y≠0&k-1≠10 ifMk-1x，y=0 ]

式中：Mk(x，y)为分割出来的单独车辆目标的第k帧感兴趣区域矩形。这种方法虽然鲁棒性较好，但是因为重复计算量大，运算速度有限，所以在确定每辆车的ID后，使用OpenCV提供的更为快速的Camshift算法[3]继续跟踪。

(5) 计算每辆车的运动方向。这部分关系到运动目标筛选，在部分场合，摄像机的视野可能会涉及逆向车道。在这种情况下，可以通过筛选符合主要行驶方向的车辆来排除其他车辆或无关运动目标的干扰。

(6) 车辆进入测速区，开始测速。

(7) 车辆离开测速区，结束测速并计算速度。使用TBB进行并行分类识别车型。由于OpenCV新版矩阵结构Mat的所有操作使用原子操作，大大减轻了多线程编程的工作量，所以这里使用多线程并行操作是最佳选择。

(8) 根据所安装动态称重系统的车速要求，判断是否需要引导车辆到检测站进行检查。

1.5 获得实际载重

在视频分析中发现车辆后，对比动态测重模块中测得的实际载重。这里需要把应用场合分为两种情况：高速测重和低速测重，至于高低速的阀值，这根据不同动态称重系统的性能而定[4]，在系统安装时根据动态称重系统参数设置即可。由于目前高速测重技术的精度未达到作为证据的要求，所以在高速测重的场合，所得车重数据只能作为初步判断，若初步发现车辆超载，需要进一步引导车辆到大型地磅再次静态测量，并作其他处理。在低速测重场合，测得的动态数据可靠，可直接作为证据使用。所以系统的运行需要测速模块的配合。 无论高速场合与低速场合，本系统都能实现视频测速功能，可以直接用作超速抓拍系统，降低了公路部门的重复投入成本。

1.6 测速方法

测速测量车辆通过测速区所用的时间，然后用测速区长度除以时间而粗略估计得到。考虑到摄像机视域限制，设定的测速区域并不长，只有20 m左右，而且速度是用于参考载重信息是否有效的，所以无需太精确，因而可认为车辆是直线经过测速区域的。测速区的长度需在系统安装时手工进行长度映射。另外，确定通过测速区域的时间差使用帧率和帧计数得出，这样在多线程处理的情况下，可以排除系统时钟和处理速率的干扰，得出准确时间差。

2 测量结果

为快速测试系统性能，直接使用测试视频替代摄像机输入。使用微软Visual Studio 2010 MFC + OpenCV 2.44 编写一个即时处理程序，界面如图4所示。

图4 运行在Windows平台上的系统

测试使用一台Intel Core i5M处理器(主频2.3 GHz+智能变频技术)、6 GB内存、操作系统为Windows 7 64 b的普通笔记本计算机，测试代码尚未使用图形处理器(GPU)计算，但代码在识别部分应用了TBB进行多核并行加速计算。

测试视频共两段，分别在两个不同的场景拍摄，第一段只有一辆公交车，场景较为简单;第二段则是多车多人环境，并且有车辆并行的情况，场景较为复杂，干扰较多。

第一段视频主要用于测试系统的极限性能，在测试开始前，先用转码工具把同一段视频转成不同帧率和分辨率的几段视频，其中视频的宽高比不变。输入视频测试后的结果如表1所示。

视频原始长度为6 s，双斜线为该场景的称重和测速区域。

测试结果表明：系统能实时处理标清视频流，但对高清视频还需进一步优化。

第二段视频主要测试系统的车型识别能力，测试数据如图5所示。

表1 输入视频测试后结果

图5 多车并行时能够准确区分

第二段视频夹杂较多无关目标，如行人、抖动的树枝横向行驶的车辆等，其中双白线之间区域为本场景的称重测速区域。

通过测试，可以看出无关目标能被全部排除，体现了车辆筛选很好的鲁棒性。视频中共通过9辆汽车，所有车辆均本正确识别车型。

3 结 语

通过测试数据可以看出，本系统提出的车型识别算法能适应不同场景和一定的环境变化，具有较高的效率和鲁棒性。随着计算机及其他数字信号处理(DSP)设备的信息处理能力不断提高，应用实时视频处理技术促进智能交通的能力将更大更稳定。若本系统能真正应用在智能交通系统上，有望对遏制道路超载超速现象做出贡献。

参考文献

[1] LIENHART Rainer， MAYDT Jochen. An extended set of Haar?like features for rapid object detection [J]. IEEE ICIP， 2002 (1)： 900?903.

[2] 徐卫星，王兰英，李秀娟.一种基于OpenCV实现的三帧差分运动目标检测算法研究[J].计算机与数字工程，2011(11)：141?144.

[3] BRADSKI G R. Computer vision face tracking for use in a perceptual user interface [EB/OL]. [2010?12?02]. http：// www.wenku.baidu.com/view/f442b24be45c3b3567ec8b2b.

[4] 张波，鲁新光，邓铁六，等.动态车辆称重物理模型与提高动态称重准确度研究[J].计量学报，2009(5)：426?430.

[5] 唐双发.基于OpenCV的车辆视频检测技术研究[D].武汉：华中科技大学，2009.

[6] 詹群峰.基于OpenCV的视频道路车辆检测与跟踪[D].厦门：厦门大学，2009.

[7] 郭旭，张丽杰.运动目标检测视频监控软件的设计与实现[J]. 计算机技术与发展，2010，20(8)：200?207.

[8] 周品，李晓东.Matlab数字图像处理[M].北京：清华大学出版社，2012.

[9] 陈胜勇，刘盛.基于OpenCV的计算机视觉技术实现[M].北京：科学出版社，2008.

[10] 刘瑞祯，于仕琪.OpenCV教程基础篇[M].北京：北京航空航天大学出版社，2007.

[11] 范伊红，彭海云，张元.基于SVM 的车型识别系统的设计与实现[J].微计算机信息，2007，23(5)：296?297.

[12] 李庆忠，陈显华，王立红.一种视频运动目标的检测与识别方法[J].模式识别与人工智能，2006，19(2)：238?243.

[13] [美]REINDERS J， 聂雪军. Intel Threading Building Blocks编程指南[M].北京：机械工业出版社，2009.

[14] 刘慧英，王小波.基于OpenCV的车辆轮廓检测[J].科学技术与工程，2010，10(12)：2987?2991.