CN104159088B - 一种远程智能车辆监控系统及方法 - Google Patents

Abstract

本发明提供一种远程智能车辆监控系统和方法。该远程智能车辆监控系统包括实现检测参数的调整和场景标定的规则设置模块；在设定的车辆检测区域内采集视频数据的数据采集模块；对车辆目标进行检测和跟踪，并完成报警和计数功能的数据分析模块；将报警信息和视频图片传输到远端查询模块的网络通信模块；为系统提供独立电源的电源供应模块。相对于现有技术，本发明提升了车辆目标判别、大小识别和跟踪的精确度，可应用于户外或偏远地区需要实时监控车辆状况的场景。

Description

一种远程智能车辆监控系统及方法

技术领域

本发明涉及图像处理和视频智能监控领域，具体涉及一种可应用于偏僻地区，具有车辆检测、跟踪以及统计功能的远程智能监控系统及方法。

背景技术

在海量监控视频数据泛滥的今天，传统监控系统已经不能满足监控的需求，有针对性的视频数据智能分析处理技术开始出现，然而，很多视频智能监控系统都是运行在电脑上，这对于一些特殊应用场景，其成本较高且可能存在不便。例如在偏僻地区的监控场景中，由于地理位置较偏僻无法通过市电供应电源，即便能够解决电源问题，在当前通信条件下将大量的视频数据通过无线传输到远端进行处理仍然无法完成，且安排人员管理相关设备和查看监控视频的成本较高，因此建立一种远程的基于微型处理器的实时视频智能监控系统显得十分重要。

目前，许多监管部门都提出了在偏远地区针对车辆监控的需求，例如针对采沙场的监管，为了防止过度开采，其采沙量必须得到控制，由于沙石都是通过车辆运输，可以将问题转化为针对车辆的监控。对于该类需求，需要解决的问题有硬件处理平台的搭建、智能监控算法、车辆大小及运行方向判断、远程传输方式等。

中国专利公开号CN 102646309A，发明名称：一种智能视频周界围栏系统及其控制方法中，公开了一种智能视频周界围栏系统，该系统属于一种智能的可实现入侵检测的视频监控系统，其报警装置的核心处理器采用“ARM+DSP”双核架构模式，前端则采用了内嵌智能分析模块的数字摄像机，该系统采用的跟踪算法采用的目标模型基于局部二元模式(LBP)特征和颜色特征，其采用模板匹配的方法实现跟踪，但这种跟踪方法存在一个重大缺陷，即无法对目标的大小变换进行更新，而在车辆监控场景中，车辆从远处驶向摄像机镜头其在图片中的尺寸会发生很大变化，采用该专利中的跟踪方法无法有效跟踪车辆目标。该系统没有对运动目标进行识别的功能，若应用于上面提到的应用场景，可能会将人群或单独的人判别为车辆目标而进行误报。该系统也缺乏运动状态分析的机制，而在许多应用中，需要对跟踪目标的运动情况进行分析，例如当仅需要统计从左到右运动的车辆目标。该系统采用内嵌智能分析模块的数字摄像机，其应用范围受到摄像机限制。且该系统无法自主供应电源，因此无法应用于偏僻无电源的环境中。

发明内容

针对现有技术存在的问题，本发明的目的是提供一种解决跟踪车辆目标尺寸变化的问题和车辆目标大小识别的问题，对于车辆目标运动的监控可分析其运动轨迹和方向的远程智能车辆监控系统和方法。

本发明提供一种远程智能车辆监控系统，包括实现检测参数的调整和场景标定的规则设置模块；在设定的车辆检测区域内采集视频数据的数据采集模块；利用Vibe运动检测模型提取运动的前景点，当车辆检测区域内运动前景点的个数大于检测阈值，通过基于运动矩阵块的车辆分析方法判断车辆检测区域中是否存在车辆，若存在车辆，则提取车辆检测区域中存在的车辆目标，对提取的车辆目标建立外观模型，并将该车辆目标加入跟踪队列中，对跟踪队列中的车辆目标进行自适应动态跟踪，分析跟踪队列中各个车辆目标的运动轨迹，当有车辆目标触及设定的拍照线，则抓取当前触及拍照线车辆目标的视频帧数据并进行数据压缩的数据分析模块；将压缩后的视频帧数据传送到远端查询模块的网络通信模块；为系统提供独立电源的电源供应模块。

进一步地，该数据采集模块为摄像机，该数据分析模块由DSP数字信号处理器、数字视频解码器及其周边电路组成。

更进一步地，该的网络通信模块由3G数据卡和工业3G路由器组成，DSP数字信号处理器的RJ45接口与工业3G路由器的RJ45接口连接，图片和数据信息按照http-post协议封装发送。

更进一步地，该的远端查询模块由WCF服务器和Web页面管理系统组成，WCF服务器提供基础数据读取与写入服务，Web页面管理系统所需要的数据从WCF服务器获取，WCF服务器与Web页面管理系统通过http soap进行数据交互，为远端操作人员提供页面访问。

更进一步地，该电源供应模块由太阳能光伏板、电源控制器、铅酸蓄电池组成，电源供应模块为3G路由器、DSP数字信号处理器和摄像机供电。

本发明还提供一种远程智能车辆监控方法，在设定的车辆检测区域内采集视频数据，其特征在于，该远程智能车辆监控方法还包括如下步骤(1)至步骤(8)：

(1)利用Vibe运动检测模型提取运动的前景点；

(2)判断车辆检测区域内运动前景点的个数是否大于检测阈值，当车辆检测区域内运动前景点的个数大于检测阈值，进入步骤(3)；

(3)通过基于运动矩阵块的车辆分析方法判断车辆检测区域中是否存在车辆，若存在车辆，则进入步骤(4)；

(4)提取车辆检测区域中存在的车辆目标，对提取的车辆目标建立外观模型，并将该车辆目标加入跟踪队列中；

(5)对跟踪队列中的车辆目标进行自适应动态跟踪；

(6)分析跟踪队列中各个车辆目标的运动轨迹，判断是否有车辆目标触及设定的拍照线，若有，则进入步骤(7)；

(7)抓取当前触及拍照线车辆目标的视频帧数据并进行数据压缩；

(8)通过通信接口将压缩后的视频帧数据传送到远端查询模块。

进一步地，该步骤(2)当车辆检测区域内运动前景点的个数不大于检测阈值时，则进入步骤(5)对跟踪队列中的车辆目标进行自适应动态跟踪。

更进一步地，当该步骤(3)通过基于运动矩阵块的车辆分析方法判断车辆检测区域中是否存在车辆，若不存在车辆，则进入步骤(5)对跟踪队列中的车辆目标进行自适应动态跟踪。

更进一步地，该步骤(3)通过基于运动矩阵块的车辆分析方法判断车辆检测区域中是否存在车辆包括如下步骤(3.1)至步骤(3.4)：

(3.1)在指定的车辆检测矩形区域内，等间距设定若干个依次排列的运动感知方块；

(3.2)计算各运动感知方块的运动矢量，找出具有相似运动矢量的运动感知方块进行标记；

(3.3)计算各具有相似运动矢量运动感知方块的最大连通域；

(3.4)对该最大连通域进行分析，根据最大连通域的面积判断是否为车辆及车辆的大小。

更进一步地，该步骤(5)对跟踪队列中的车辆目标进行自适应动态跟踪包括如下步骤(5.1)至步骤(5.3)：

(5.1)提取跟踪车辆目标的Haar-like特征并对目标分类器进行训练生成目标模型；

(5.2)通过在周围点进行扫描分类的方式进行跟踪计算，并在线训练分类器；

(5.3)在后续跟踪中，如果由运动前景检测得到的前景框与当前目标的全局特征相似且尺寸接近，则对目标模型进行更新。

相对于现有技术，首先，本发明提升了车辆目标判别、大小识别和跟踪的精确度，可应用于户外或偏远地区需要实时监控车辆状况的场景；其次，包含的电源供应模块可解决偏僻地区无法供电的问题，使系统能够在偏远地区独立运行；再次，解决了传统监控系统中需要传输的数据量过大，降低了进行车辆监控的成本。

附图说明

图1是本发明远程智能车辆监控系统实施例的示意图。

图2是本发明DSP数字信号处理器电路示意图。

图3是本发明远程智能车辆监控方法实施例的流程图。

图4是本发明运动感知方块分布示意图。

图5是本发明规则设置模块的设置界面示意图。

图6是本发明通过远端查询模块进行Web页面访问示意图。

具体实施方式

下面结合附图，详细说明本发明的具体实施方式。

如图1所示，本实施例的远程智能车辆监控系统包括数据采集分析模块、网络通信模块、规则设置模块、远端查询模块和电源供应模块。

(1)本实施例中，数据采集分析模块实现视频数据的采集和分析，数据采集分析模块由摄像机、DSP数字信号处理器、数字视频解码器及其周边电路组成，视频数据通过摄像机捕获，经过数字视频解码器解码后传送到DSP数字信号处理器上进行分析处理。数据采集分析模块包括数据采集模块和数据分析模块。

数据采集模块在设定的车辆检测区域内采集视频数据，该数据采集模块为摄像机。

数据分析模块由DSP数字信号处理器、数字视频解码器及其周边电路组成。对车辆目标进行检测和跟踪，并完成报警和计数功能，报警信息和视频图片通过网络通信模块传输到远端查询模块供操作人员查询。其中DSP数字信号处理器对应的电路如图2所示，DSP数字信号处理芯片选用的是TMS320DM6437数字信号处理器，数字视频解码器为TVP5146视频解码器。视频信息由模拟摄像头采集后传输到视频解码器中进行硬件解码，然后传入DSP数字信号处理器中进行处理。

数据分析模块处理步骤如下：利用Vibe运动检测模型提取运动的前景点，当在设定的车辆检测区域内出现大面积运动前景点，即当车辆检测区域内运动前景点的个数大于检测阈值，通过基于运动矩阵块的车辆分析方法判断车辆检测区域，即运动像素中是否存在车辆以及判断车辆的大小，运动矩阵块如图4所示，运动矩阵块是用于感知运动的方块所构成的矩阵，若存在车辆，则提取车辆检测区域中存在的车辆目标，对提取的车辆目标建立外观模型，并将该车辆目标加入跟踪队列中，对跟踪队列中的车辆目标进行自适应动态跟踪，分析跟踪队列中各个车辆目标的运动轨迹，当有车辆目标触及设定的拍照线，即到达设定的拍照区时，则对车辆目标进行计数，抓取当前触及拍照线车辆目标的视频帧数据并进行Jpeg数据压缩。

(2)本实施例中，由网络通信模块通过通信接口将压缩后的视频帧数据传送到远端服务器，即远端查询模块。该网络通信模块由3G数据卡和工业3G路由器组成，DSP数字信号处理器的RJ45接口与工业3G路由器的RJ45接口连接，图片和数据信息按照http-post协议封装发送。

(3)本实施例中，规则设置模块实现检测参数的调整和场景的标定。规则设置模块包括上位机规则设置程序。主要用于设定视频场景中的车辆检测区域，以及设定车辆拍照线，以及车辆的最小尺寸，只有当目标进入车辆检测区域，并满足尺寸规则时才能被识别出，当车辆目标触碰拍照线时，进行视频抓拍并将数据传出。实施例中的规则设置界面如图5所示。

(4)本实施例中，电源供应模块为系统提供独立电源。电源供应模块由太阳能光伏板、电源控制器、铅酸蓄电池组成，电源供应系统为3G路由器、DSP数字信号处理器和摄像机供电。各设备均采用12V直流供电，各设备的电压电流计算值如下：

	摄像机	3G路由器	DSP数字信号处理器	总计
					电压(V)	12	12	12	12
电流(A)	0.08	0.11	0.17	0.36
					功率(W)	0.96	1.32	2.04	4.32

考虑连续5天阴雨，要求系统都能正常工作，每天工作24小时，所以选择50AH，12V型蓄电池。南方光照时间较短，假设每天的有效光照时间为3.5小时，经计算，本实施例选择250W型太阳能电池板。

(5)本实施例中，远端查询模块由WCF服务器和Web页面管理系统组成，WCF服务器提供基础数据读取与写入服务，Web页面管理系统所需要的数据从WCF服务器获取，WCF服务器与Web页面管理系统通过http soap进行数据交互，为远端操作人员提供页面访问。本实施例中的Web访问系统效果如图6所示，在该Web页面中，操作人员可以查看多台远程设备系统的信息，例如型号、位置等，能查看相应监控系统的监控信息，如图6所示，车辆目标在抓取照片中被框出，画出了相应的运动轨迹，并能得到车辆触碰拍照线的时间。

如图3所示，本发明提供一种对视频中车辆目标进行检测和跟踪分析的方法，该远程智能车辆监控方法实施例的流程图包括如下步骤S1至步骤S9：

S1、在设定的车辆检测区域内采集视频数据，考虑到处理速度和昼夜监控一致的需求，将被采集的YUV格式图像转换为灰度图；

S2、利用Vibe运动检测模型提取运动的前景点。在本实施例中具体为：采用Vibe算法对视频场景的背景进行建模；在得到Vibe背景模型后通过与当前处理视频图像的比对得到初步的运动前景二值图像，通过1次腐蚀和5次膨胀对前景图像进行优化，即对该二值图像进行1次腐蚀操作消除孤立的噪声点，然后进行5次膨胀操作填补其中的孔洞；在Vibe算法中采用10个图像背景模板，当前图像中的像素匹配其中的3个模板相应位置像素时，将其视为前景运动点，当一个像素位置连续120帧都为前景运动点时，则将其更新为背景点；

S3、判断车辆检测区域内运动前景点的个数是否大于检测阈值，当车辆检测区域内运动前景点的个数大于检测阈值，进入步骤S4，当车辆检测区域内运动前景点的个数不大于检测阈值时，则进入步骤S6对跟踪队列中的车辆目标进行自适应动态跟踪。阈值跟设定的车辆检测区域的矩形区域大小有关，一般为设定车辆检测区域的1/3。在本实施例中，具体为统计设定的长为w、宽为h的矩形车辆检测区域内运动前景点的个数，当前景点的个数大于时，进入步骤S4，否则，进入步骤S6；

S4、通过基于运动矩阵块的车辆分析方法对车辆检测区域内的各方块进行运动矢量分析，判断车辆检测区域中是否存在车辆，若存在车辆，则进入步骤S5；若不存在车辆，则进入步骤S6对跟踪队列中的车辆目标进行自适应动态跟踪。这里运动矩阵块是指在指定车辆检测矩形区域内，等间距设定的若干个依次排列的5*5像素方块，每个方块都用于感知3帧间其所在区域的运动矢量，这里的3帧是指相邻的连续3帧，t-1，t，t+1，主要用t+1和t-1的位置差计算运动矢量。目标分析的方式如下：计算运动矩阵块中各像素方块(运动感知方块)的运动矢量，找出具有相似运动矢量的运动感知方块进行标记，然后求最大连通域，分析该连通域，根据其面积判断是否可能为车辆以及其可能的大小。具有相似运动矢量的运动感知方块查找方法为：运动矢量计算得到相应的方向和距离幅值，方向共8个值，距离幅值根据设定分为，短、中、远，当两个运动矢量对应的方向相同且距离幅值相同时，认为他们是相似的。具体包括如下步骤S41至步骤S44：

S41、在指定的车辆检测矩形区域内，等间距设定若干个依次排列的运动感知方块。本实施例中考虑到车辆目标通常是刚体运动目标，在指定的长为w、宽为h的车辆检测矩形区域内(车辆检测矩形区域应该比最大的车辆长宽稍大)，布置K*M个等间距排列的5*5运动感知方块，如图4所示，这里各个运动感知方块间的间距设为3，每个运动感知方块用于计算其对应像素块在3帧间的运动矢量，每个感知方块的运动矢量通过步骤S42中的运动模型进行计算。

S42、计算各运动感知方块的运动矢量，找出具有相似运动矢量的运动感知方块进行标记。本实施例中具体为：根据模型 计算各个运动感知方块的运动矢量其中，x_t为目标在t帧的坐标(x，y)，y_t为第t帧的观测信息，p(y_t|x_t)为关于x_t的释然函数，描述运动感知方块的相似度分布，N为设定的粒子个数，粒子可理解为描述运动感知方块的一个状态单位，表示在间隔两帧后从设定的运动感知方块移动到状态粒子的概率，的第一分量表示运动感知方块在水平方向上的位移，第二分量表示运动感知方块在垂直方向上的位移。通过上面描述的运动模型求出后，根据计算相应的方向d_t和幅值l_t，由计算得到运动感知方块的运动方向d_t，由得到运动感知方块的运动幅值。将方向d_t在360度范围内进行离散化，按每45度设定一个方向，总共8个方向，将l_t离散化为3个值分别表示近距离、中距离和远距离(本实施例中，近距离一般指0-3个像素，中距离表示4-6个像素，6个像素以上表示远距离)，根据离散化后得到的方向和幅值(d_t，l_t)空间范围为24，即可以用一个取值范围为[1,24]的数值γ_t标识运动感知方块的运动状态。当两个运动矢量对应的方向相同且距离幅值相同时，认为他们是相似的。

S43、计算各具有相似运动矢量运动感知方块的最大连通域。本实施例中具体为：计算出所有运动感知方块对应的状态标识后，将它们的状态值依排列顺序无间隔放入K*M矩阵中，按照矩阵中数据的标记值找出各个连通域，并分析最大的连通域。

S44、对该最大连通域进行分析，根据最大连通域的面积判断是否为车辆及车辆的大小。本实施例中具体为：若最大连通域的面积大于设定的车辆最小尺寸，则认为该连通区域对应的位置为车辆目标。

S5、以矩形的方式提取车辆检测区域中存在的车辆目标，在跟踪过程中，考虑目标外接矩形框的变化，采用基于前景分割的自适应目标跟踪策略更新目标模型，即对提取的车辆目标进行基于前景分割的跟踪建模，建立外观模型，其外观模型采用Haar-like特征进行描述，初始化跟踪目标分类器，并将该车辆目标加入跟踪队列中。在本实施例中，外观模型的建立具体是指，随机从目标区域内生成100个Haar-Like特征，并记录其在区域内的相对位置和形式，对于每一个Haar-Like特征对应生成一个阈值分类器每个C_i对应于一个权值w_i，在初始化目标时，选取目标当前矩形区域作为正样本，选取随机偏离其中心位置四到六个像素的矩形区域作为负样本对特征分类器进行训练，并初始化w_i＝1/100。

S6、对跟踪队列中的车辆目标进行自适应动态跟踪，自适应动态跟踪是指在基于特征分类器的跟踪基础上结合前景信息对目标模型进行更新，并进行跟踪。在本实施例中，对跟踪队列中的跟踪车辆目标分别进行跟踪处理，在后续帧中进行跟踪时，采用在上一帧目标中心位置周边扫描方式搜索目标的新位置，即对每一个跟踪目标以其前一帧所在位置为中心进行区域扫描，在每一处扫描位置提取其对应的Haar-Like特征值输入分类器中进行分类判别，根据公式进行计算，其中h^strong(x)为强分类器，为弱分类器，w_i为弱分类器的权值，找出上一帧目标位置附近分类计算值最大的位置作为跟踪目标的新位置，若h^strong(x)值过小或者目标新位置位于图像的边缘地区，则从跟踪队列中删除该目标，否则在新的目标位置按上一步中的方法取正负样本，训练更新分类器；对跟踪目标队列中的目标进行自适应更新，具体地，选取各目标新的位置的中心区域作为参考像素，进行前景分割得到前景对象，若该对象的尺寸与原目标的尺寸相差不是特别大，例如此实施例中尺寸差小于阈值10，则将目标的尺寸调整为前景对象的尺寸，并用前景对象重新为目标生成外观模型。

总的来说，上述基于前景分割的自适应目标跟踪策略具体是，在提取出车辆目标后，对目标进行外观建模，即随机从目标区域内生成100个Haar-Like特征，并记录其在区域内的相对位置和形式，对于每一个Haar-Like特征对应生成一个阈值分类器每个C_i对应于一个权值w_i，在初始化目标时，选取目标当前区域作为正样本，随机偏离其中心位置四到六个像素的矩形区域作为负样本对特征分类器进行训练，并初始化w_i＝1/100，在后续帧中进行跟踪时，采用在上一帧目标中心位置周边扫描方式搜索目标的新位置，在每一处扫描位置提取其对应的Haar-Like特征值输入分类器中进行分类判别，具体的根据公式进行计算，找出上一帧目标位置附近分类计算值最大的位置作为目标的新位置。由于目标的尺寸外观可能随着在场景中的移动而变化，在得到目标新位置后，根据其中心区域像素进行目标前景分割，当分割出的目标前景区域与目标原区域大小变化不是特别大时，将分割出的区域作为目标区域，并更新目标的外观模型，重新产生100个Haar-like特征。

步骤S6包括如下步骤S61至步骤S63：

S61、提取跟踪车辆目标的Haar-like特征并对目标分类器进行训练生成目标模型；

S62、通过在周围点进行扫描分类的方式进行跟踪计算，并在线训练分类器；

S63、在后续跟踪中，如果由运动前景检测得到的前景框与当前目标的全局特征相似且尺寸接近，则对目标模型进行更新。这里全局特征采用颜色直方图特征，尺寸接近是指宽和高的差值小于某个设定的阈值，这个阈值可根据图像的分辨率不同而进行设置，相似则主要是求颜色直方图的巴氏距离。

S7、分析跟踪队列中各个车辆目标的运动轨迹，判断是否有车辆目标触及设定的拍照线，若有，则进入步骤S8。运动轨迹是指目标运动的线路，如图6所示汽车后的那条线，而方向是指车辆目标运动的方向，如图6中，是向右下运动；

S8、抓取当前触及拍照线车辆目标的视频帧数据并进行数据压缩。本实施例中记录触及拍照线车辆目标的轨迹信息和触碰时间，将该车辆目标在当前图像中框出，并画出其运动轨迹，将视频图像进行JPEG压缩；

S9、通过通信接口将压缩后的视频帧数据传送到远端查询模块。本实施例中触发软件中断，将报警信息和图像通过网络通信模块传至远端服务器，然后返回步骤S1进行下一帧图像的处理。

实施例中的系统效果示意图如图6所示，经测试该系统具有良好的稳定性和实用性。

以上介绍了一种远程智能车辆监控系统及方法。本发明并不限定于以上实施例，任何未脱离本发明技术方案，即仅仅对其进行本领域普通技术人员所知悉的改进或变更，均属于本发明的保护范围之内。

Claims (9)

1.一种远程智能车辆监控系统，包括实现检测参数的调整和场景标定的规则设置模块；在设定的车辆检测区域内采集视频数据的数据采集模块，其特征在于，所述远程智能车辆监控系统还包括：

利用Vibe运动检测模型提取运动的前景点，当车辆检测区域内运动前景点的个数大于检测阈值，通过基于运动矩阵块的车辆分析方法判断车辆检测区域中是否存在车辆，即在指定的车辆检测矩形区域内，等间距设定若干个依次排列的运动感知方块；计算各运动感知方块的运动矢量，找出具有相似运动矢量的运动感知方块进行标记；计算各具有相似运动矢量运动感知方块的最大连通域；对所述最大连通域进行分析，根据最大连通域的面积判断是否为车辆及车辆的大小，若存在车辆，则提取车辆检测区域中存在的车辆目标，对提取的车辆目标建立外观模型，并将该车辆目标加入跟踪队列中，对跟踪队列中的车辆目标进行自适应动态跟踪，分析跟踪队列中各个车辆目标的运动轨迹，当有车辆目标触及设定的拍照线，则抓取当前触及拍照线车辆目标的视频帧数据并进行数据压缩的数据分析模块；

将压缩后的视频帧数据传送到远端查询模块的网络通信模块；

为系统提供独立电源的电源供应模块。

2.如权利要求1所述的远程智能车辆监控系统，其特征在于：所述数据采集模块为摄像机，所述数据分析模块由DSP数字信号处理器、数字视频解码器及其周边电路组成。

3.如权利要求2所述的远程智能车辆监控系统，其特征在于：所述网络通信模块由3G数据卡和工业3G路由器组成，DSP数字信号处理器的RJ45接口与工业3G路由器的RJ45接口连接，图片和数据信息按照http-post协议封装发送。

4.如权利要求3所述的远程智能车辆监控系统，其特征在于：所述远端查询模块由WCF服务器和Web页面管理系统组成，WCF服务器提供基础数据读取与写入服务，Web页面管理系统所需要的数据从WCF服务器获取，WCF服务器与Web页面管理系统通过http soap进行数据交互，为远端操作人员提供页面访问。

5.如权利要求4所述的远程智能车辆监控系统，其特征在于：所述电源供应模块由太阳能光伏板、电源控制器、铅酸蓄电池组成，电源供应模块为3G路由器、DSP数字信号处理器和摄像机供电。

6.一种远程智能车辆监控方法，在设定的车辆检测区域内采集视频数据，其特征在于，该远程智能车辆监控方法还包括如下步骤：

(1)利用Vibe运动检测模型提取运动的前景点；

(2)判断车辆检测区域内运动前景点的个数是否大于检测阈值，当车辆检测区域内运动前景点的个数大于检测阈值，进入步骤(3)；

(3)通过基于运动矩阵块的车辆分析方法判断车辆检测区域中是否存在车辆，若存在车辆，则进入步骤(4)，所述步骤(3)通过基于运动矩阵块的车辆分析方法判断车辆检测区域中是否存在车辆包括如下步骤：(3.1)在指定的车辆检测矩形区域内，等间距设定若干个依次排列的运动感知方块；(3.2)计算各运动感知方块的运动矢量，找出具有相似运动矢量的运动感知方块进行标记；(3.3)计算各具有相似运动矢量运动感知方块的最大连通域；(3.4)对所述最大连通域进行分析，根据最大连通域的面积判断是否为车辆及车辆的大小；

(4)提取车辆检测区域中存在的车辆目标，对提取的车辆目标建立外观模型，并将该车辆目标加入跟踪队列中；

(5)对跟踪队列中的车辆目标进行自适应动态跟踪；

(6)分析跟踪队列中各个车辆目标的运动轨迹，判断是否有车辆目标触及设定的拍照线，若有，则进入步骤(7)；

(7)抓取当前触及拍照线车辆目标的视频帧数据并进行数据压缩；

(8)通过通信接口将压缩后的视频帧数据传送到远端查询模块。

7.如权利要求6所述的远程智能车辆监控方法，其特征在于，所述步骤(2)当车辆检测区域内运动前景点的个数不大于检测阈值时，则进入步骤(5)对跟踪队列中的车辆目标进行自适应动态跟踪。

8.如权利要求7所述的远程智能车辆监控方法，其特征在于，当所述步骤(3)通过基于运动矩阵块的车辆分析方法判断车辆检测区域中是否存在车辆，若不存在车辆，则进入步骤(5)对跟踪队列中的车辆目标进行自适应动态跟踪。

9.如权利要求6～8任一所述的远程智能车辆监控方法，其特征在于，所述步骤(5)对跟踪队列中的车辆目标进行自适应动态跟踪包括如下步骤：

(5.1)提取跟踪车辆目标的Haar-like特征并对目标分类器进行训练生成目标模型；

(5.2)通过在周围点进行扫描分类的方式进行跟踪计算，并在线训练分类器；

(5.3)在后续跟踪中，如果由运动前景检测得到的前景框与当前目标的全局特征相似且尺寸接近，则对目标模型进行更新。