CN105427619A - 车辆跟车距离自动记录系统及方法 - Google Patents

Abstract

本发明提供一种车辆跟车距离自动记录系统及方法，包括若干个跟车距离记录单元，各个所述跟车距离记录单元按预设距离分布在被监控道路；每个所述跟车距离记录单元均包括：支撑竖杆，在支撑竖杆的顶端固定安装有支撑横杆，所述支撑横杆安装有雷达、至少一台摄像机、补光灯和控制器。本发明提供的车辆跟车距离自动记录系统及方法具有以下优点：(1)采用雷达和摄像机结合的监测记录系统，可自动记录违法车辆位置信息和相应车速信息等行车信息，并可将违法车辆位置信息和相应车速信息等行车信息标注到抓拍得到的图像上，从而直观、准确地反映车辆违法状态，为违法车辆的取证、处罚提供充足的法律依据。

Description

车辆跟车距离自动记录系统及方法

技术领域

本发明属于智能交通技术领域，具体涉及一种车辆跟车距离自动记录系统及方法。

背景技术

对于公路上行驶的车辆，在车速较快的情况下，如果后车与前车距离小于安全车距，甚至紧跟前车行驶，当前车遇到紧急情况刹车时，后车没有足够的反应时间和距离进行处理，就必然会造成重大的安全事故。因此，《中华人民共和国道路交通安全法实施条例》第八十条规定：机动车在高速公路上行驶，车速超过每小时100公里时，应当与同车道前车保持100米以上的距离，车速低于每小时100公里时，与同车道前车距离可以适当缩短，但最小距离不得少于50米。

现有技术中，交通管理部门在公路建设上，通常每隔一段路程设立车距确认标识，如，安装0m、50m、100m等标识牌。然而，采用安装标识牌的方式只能用以帮助司机确认与前车的距离情况，但是，无法对违反车距规定的违法车辆进行记录和取证，从而不利于实现智能交通管理。如何对车辆跟车距离进行高效记录，方便对违反车距规定的违法车辆进行记录和取证，具有重要意义，目前未见有效解决方案。

发明内容

针对现有技术存在的缺陷，本发明提供一种车辆跟车距离自动记录系统及方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种车辆跟车距离自动记录系统，包括若干个跟车距离记录单元，各个所述跟车距离记录单元按预设距离分布在被监控道路；每个所述跟车距离记录单元均包括：支撑竖杆，在支撑竖杆的顶端固定安装有支撑横杆，所述支撑横杆安装有雷达、至少一台摄像机、补光灯和控制器；另外，所述雷达还安装有第1俯仰驱动机构和第1水平转动机构；每台所述摄像机还安装有第2俯仰驱动机构和第2水平转动机构；所述雷达、所述摄像机、所述补光灯、所述第1俯仰驱动机构、所述第1水平转动机构、所述第2俯仰驱动机构、所述第2水平转动机构均连接到所述控制器；所述控制器通过通信网络与远程服务器连接。

优选的，所述雷达为窄波雷达或者多目标雷达；所述摄像机为高清摄像机。

优选的，所述摄像机的设置数量为两台，分别用于采集不同车道的行车信息。

优选的，所述通信网络为以太网络。

本发明提供一种车辆跟车距离自动记录方法，包括以下步骤：

步骤1，控制器对每个跟车距离记录单元的摄像机和雷达的俯仰角和水平指向角进行调整控制，使雷达和摄像机朝向同一监控区域；

步骤2，控制器配置有两种跟车距离自动记录模式：

第一种模式为：当车辆行驶到雷达检测触发区域内时，雷达的相应标志位置位或者复位，同时，雷达根据测速基本原理，同时测得雷达检测触发区域内每个车辆的行驶速度值，以及，同时检测到雷达检测触发区域内每个车辆的实际地理坐标值；

在雷达检测到雷达检测触发区域内同一时刻下每个车辆的行驶速度值和实际地理坐标值后，雷达对同一时刻下雷达检测触发区域内每个车辆的实际地理坐标值进行分析，获得每个车辆所属的车道；然后，对于雷达检测触发区域内每个车辆，计算出该车辆与前车的距离值；

至此，雷达检测到雷达检测触发区域内同一时刻下每个车辆的行驶速度值、实际地理坐标值以及与前车的距离值；

控制器实时检测雷达的标志位，如果检测到雷达的标志位发生变化，即得出有车辆经过的结论；然后，控制器接收雷达上传的雷达检测触发区域内同一时刻下每个车辆的行驶速度值、实际地理坐标值以及与前车的距离值；控制器分析同一车道中后车与前车的距离值是否小于法律规定值，如果存在小于法律规定值的车辆，表明已发生违法行为，控制摄像机连续抓拍两张车辆车尾图片；如果不小于，则表明未发生违法行为，控制摄像机抓拍一张车辆车尾图片；对于抓拍到的车辆车尾图片，控制器通过现实_场景映射技术或神经网络分析技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息；

第二种模式为：控制器启动摄像机进行视频检测，当车辆行驶到检测区域内的触发抓拍区域时，摄像机的采集视线朝向触发抓拍区域，并拍摄得到与触发抓拍区域对应的行车图片；同时，控制器启动雷达，雷达根据自身的测速基本原理，测得触发抓拍区域中每个车辆的行驶速度信息以及地理位置信息；摄像机结合每个车辆的行驶速度信息和地理位置信息，采用摄像机自身算法，对行车图片进行分析，计算得到车距信息；

然后，摄像机将车距信息、雷达将每个车辆的行驶速度信息和地理位置信息均上传给控制器；

控制器分析同一车道中后车与前车的距离值是否小于法律规定值，如果存在小于法律规定值的车辆，表明已发生违法行为，控制摄像机连续抓拍两张车辆车尾图片；如果不小于，则表明未发生违法行为，控制摄像机抓拍一张车辆车尾图片；对于抓拍到的车辆车尾图片，控制器通过现实_场景映射技术或神经网络分析技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息。

优选的，所述车辆属性信息包括抓拍地点信息、车道信息、车牌信息、车型信息、车速信息和/或车距信息。

优选的，还包括：

控制器接收到车距信息、车辆行驶速度信息和地理位置信息后，判断是否发生车辆低速、车辆超速、车辆逆行、车辆压线、车辆不按规定变道和/或大型车占用小型车道违法行为；如果存在违法行为，则控制器控制摄像机抓拍车头信息和/或对监控区域进行录像，实现车辆卡口功能。

优选的，还包括：

控制器将同一地点抓拍到的同一车牌号的车辆图片合成到一张图片上。

优选的，对于抓拍到的车辆车尾图片，控制器通过现实_场景映射技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息，具体为：

控制器预建立实际路面现实监测区域与摄像机监控场景图像的一套映射关系，根据所述映射关系，可实现现实路面某个车辆真实地理位置信息和摄像机场景图像上对应车辆像素点图像坐标之间的映射，因此，基于所述映射，可将车辆属性信息叠加到车辆车尾图片的对应车辆位置。

优选的，控制器通过神经网络分析技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息，具体为：

所抓拍得到的车辆车尾图片为二维图像，利用雷达给出的以地面为Z＝0平面的各个目标车辆的实际地理位置坐标，采用以下神经网络分析技术，得到各目标车辆在二维图像中对应的图像坐标，从而将各目标车辆的车辆属性信息叠加到二维图像的相应位置上；

其中，所采用的神经网络分析技术为：

(1)构建得到含有一个隐含层的两层MLP神经元网络架构，其中，输入层为两个输入单元，分别为归一化的实际地理位置坐标x,y两个分量，输出层为目标在二维图像中的位置坐标X,Y分量；网络隐含层的节点数设置为4；

神经元激励函数设定为：

$f\left(x\right)=\frac{1}{1+e^{-x}};$

权值调整策略为：依据权值调整量公式为：

Δw_ij＝ηδ_jo_i+βΔw'_ij

其中，Δw'_ij为同一层中第i个输入分量到第j个神经元的上一次的权值调整量，β为冲量系数，选为0.6；学习步长η选为0.4；δ_j为同一层中第j个神经元的广义方差；ο_i为同一层中第i个输入分量对各神经元的激励输出；

(2)选取一组实际地理位置坐标以及所对应的图像坐标，利用步骤1设定的神经元网络架构进行训练，神经网络训练好后，向神经网络输入雷达给出的目标车辆的实际位置坐标x,y两个分量，即可得到目标车辆在图像中对应的图像坐标X,Y分量。

本发明提供的车辆跟车距离自动记录系统及方法具有以下优点：

(1)采用雷达和摄像机结合的监测记录系统，可自动记录违法车辆位置信息和相应车速信息等行车信息，并可将违法车辆位置信息和相应车速信息等行车信息标注到抓拍得到的图像上，从而直观、准确地反映车辆违法状态，为违法车辆的取证、处罚提供充足的法律依据。

(2)将行车信息标注到抓拍得到的图像时，所采用的算法简单，标注效率高以及准确度高。

附图说明

图1为本发明提供的车辆跟车距离自动记录系统的结构示意图；

图2为本发明采用的神经网络结构示意图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

结合图1，本发明提供一种车辆跟车距离自动记录系统，包括若干个跟车距离记录单元，各个跟车距离记录单元按预设距离分布在被监控道路；每个跟车距离记录单元均包括：支撑竖杆，在支撑竖杆的顶端固定安装有支撑横杆，支撑横杆安装有雷达、至少一台摄像机、补光灯和控制器；另外，雷达还安装有第1俯仰驱动机构和第1水平转动机构；每台摄像机还安装有第2俯仰驱动机构和第2水平转动机构；雷达、摄像机、补光灯、第1俯仰驱动机构、第1水平转动机构、第2俯仰驱动机构、第2水平转动机构均连接到控制器；控制器通过通信网络与远程服务器连接，通信网络可采用以太网络。因此，控制器可灵活调整每台摄像机和雷达的视角，实现对不同车道信息的采集。

实际应用中，雷达采用窄波雷达或者多目标雷达；摄像机采用高清摄像机。另外，雷达和摄像机的设置数量，可根据实际需要灵活调整。

以单向四车道为例，可以采用一只多目标雷达、一只能够抓拍四条车道的高清摄像机来实现自动检测、记录，也可采用一只多目标雷达、两只高清摄像机(每只摄像机抓拍两条车道)来实现自动检测、记录……方式很多，在此不再赘述。

基于目前道路交通对于车辆跟车距离智能化管理的空白，本发明提供了一种公路车辆跟车距离自动记录系统。主要思想为：

该系统根据检测方式的不同，分为两种模式：一种模式是采用新体制的多目标雷达进行检测，由该雷达对检测区域内的通行车辆进行多目标跟踪、测速，进而测定出后车与前车的距离，然后通过解析控制软件分析出后车与前车的车距是否小于法律规定值；另一种模式是采用高清摄像机进行视频检测，通过摄像机算法，结合窄波雷达或者多目标雷达测得的速度等信息，测定出后车与前车的距离，然后通过解析控制软件分析出后车与前车的车距是否小于法律规定值。若车距小于规定值，则控制摄像机连拍两张图片；若符合规定值以上，摄像机则抓拍一张图片。同时，本套系统还具备对车辆低速、超速、逆行、压线、不按规定变道、大型车占用小型车道等违法行为抓拍取证功能；还可通过抓拍车头的摄像机，实现车辆卡口功能；具备号牌识别及录像功能，并能根据实际需要对录像进行截取、存储等。若采用多目标雷达进行检测，则其检测到的区域内所有车辆速度值均标注在抓拍到的图片上。系统可将同一地点抓拍到的同一车牌号的车辆所有图片合成到一张图片上；可将车辆所处地点、车道、车牌、车型、车速、车距等信息按现场实际需要叠加到图片上。系统还可通过以太网将所获得的信息上传到智能管理平台。

以下对本发明提供的车辆跟车距离自动记录方法，进行详细介绍：

本发明提供一种车辆跟车距离自动记录方法，包括以下步骤：

步骤1，控制器对每个跟车距离记录单元的摄像机和雷达的俯仰角和水平指向角进行调整控制，使雷达和摄像机朝向同一监控区域；

步骤2，控制器配置有两种跟车距离自动记录模式：

第一种模式为：当车辆行驶到雷达检测触发区域内时，雷达的相应标志位置位或者复位，此时，每条车道的检测触发区域，可以根据现场实际情况分别进行设置，也就是可以设置成不同的位置。同时，雷达根据测速基本原理，同时测得雷达检测触发区域内每个车辆的行驶速度值，以及，同时检测到雷达检测触发区域内每个车辆的实际地理坐标值；

在雷达检测到雷达检测触发区域内同一时刻下每个车辆的行驶速度值和实际地理坐标值后，雷达对同一时刻下雷达检测触发区域内每个车辆的实际地理坐标值进行分析，获得每个车辆所属的车道；然后，对于雷达检测触发区域内每个车辆，计算出该车辆与前车的距离值；

至此，雷达检测到雷达检测触发区域内同一时刻下每个车辆的行驶速度值、实际地理坐标值以及与前车的距离值；

控制器实时检测雷达的标志位，如果检测到雷达的标志位发生变化，即得出有车辆经过的结论；然后，控制器接收雷达上传的雷达检测触发区域内同一时刻下每个车辆的行驶速度值、实际地理坐标值以及与前车的距离值；控制器分析同一车道中后车与前车的距离值是否小于法律规定值，如果存在小于法律规定值的车辆，表明已发生违法行为，控制摄像机连续抓拍两张车辆车尾图片；如果不小于，则表明未发生违法行为，控制摄像机抓拍一张车辆车尾图片；对于抓拍到的车辆车尾图片，控制器通过现实_场景映射技术或神经网络分析技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息。其中，车辆属性信息包括但不限于抓拍地点信息、车道信息、车牌信息、车型信息、车速信息和/或车距信息。

以下对所采用的现实_场景映射技术和神经网络分析技术分别详细介绍：

(1)现实_场景映射技术

对于抓拍到的车辆车尾图片，控制器通过现实_场景映射技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息，具体为：

控制器预建立实际路面现实监测区域与摄像机监控场景图像的一套映射关系，根据映射关系，可实现现实路面某个车辆真实地理位置信息和摄像机场景图像上对应车辆像素点图像坐标之间的映射，因此，基于映射，可将车辆属性信息叠加到车辆车尾图片的对应车辆位置，从而大大加强了法律取证效果。

更具体的，本发明利用计算机视觉技术，采用创新的图像校正方法及摄像机标定方法，建立起实际的路面现实监测区域与摄像机监控场景图像的一套映射关系，即：现实_场景映射。通过此现实_场景映射，当检测到现实路面上任意一真实点的位置坐标，就可以计算出该点对应到摄像机场景图像上的对应点像素坐标；反之，当检测到摄像机场景图像上的路面任意一点的像素坐标，还可以计算出该像素点对应到现实路面上真实点的位置坐标。

采用多目标雷达进行检测时，通过现实_场景映射技术，从雷达得到的路面监测区域内的多个车辆位置信息和相应车速信息，可以直接反映到抓拍图像上，从而直观、准确地反映车辆违法状态，为违法车辆的取证、处罚提供充足的法律依据。

(2)神经网络分析技术

控制器通过神经网络分析技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息，具体为：

所抓拍得到的车辆车尾图片为二维图像，利用雷达给出的以地面为Z＝0平面的各个目标车辆的实际地理位置坐标，采用以下神经网络分析技术，得到各目标车辆在二维图像中对应的图像坐标，从而将各目标车辆的车辆属性信息叠加到二维图像的相应位置上；

其中，所采用的神经网络分析技术为：

(1)构建得到含有一个隐含层的两层MLP神经元网络架构，其中，输入层为两个输入单元，分别为归一化的实际地理位置坐标x,y两个分量，输出层为目标在二维图像中的位置坐标X,Y分量；网络隐含层的节点数设置为4；

神经元激励函数设定为：

$f\left(x\right)=\frac{1}{1+e^{-x}};$

权值调整策略为：利用BP算法进行网络训练是沿着误差曲面的斜面向下逼近的，为尽量避免训练过程中陷入局部最小点，本发明采用了附加冲量项法，该方法在本次权值调整时要参考上次权值调整量影响。具体的，依据权值调整量公式为：

Δw_ij＝ηδ_jo_i+βΔw'_ij

其中，Δw'_ij为同一层中第i个输入分量到第j个神经元的上一次的权值调整量，β为冲量系数，选为0.6；学习步长η选为0.4；δ_j为同一层中第j个神经元的广义方差；ο_i为同一层中第i个输入分量对各神经元的激励输出；

实际时，可以取初始权值为在(-0.02,0.02)之间的随机数。使得初始加权后的每个神经元的输出都接近于0.5，以保证每个神经元的权重都能在它们的S型函数变化最大的地方进行调节。

由于增量型学习算法存在学习过程中权值调整只满足逼近最近样本的缺点，为克服此缺点，实际应用中，可采用累积型学习。

上述架构设置的原因为：

申请人经多年研究发现，采用含有一个隐含层的两层MLP神经元网络对目标实际位置进行计算时，即可完成非线性函数的逼近。本发明中，采用的神经网络是具有一个隐含层的多层MLP网络。参考图2，为所采用的神经元网络架构图。

(2)选取一组实际地理位置坐标以及所对应的图像坐标，利用步骤1设定的神经元网络架构进行训练，神经网络训练好后，向神经网络输入雷达给出的目标车辆的实际位置坐标x,y两个分量，即可得到目标车辆在图像中对应的图像坐标X,Y分量。这种方法避免了求取摄像机内外参数的麻烦。

第二种模式为：控制器启动摄像机进行视频检测，当车辆行驶到检测区域内的触发抓拍区域时，摄像机的采集视线朝向触发抓拍区域，并拍摄得到与触发抓拍区域对应的行车图片；同时，控制器启动雷达，雷达根据自身的测速基本原理，测得触发抓拍区域中每个车辆的行驶速度信息以及地理位置信息；摄像机结合每个车辆的行驶速度信息和地理位置信息，采用摄像机自身算法，对行车图片进行分析，计算得到车距信息；

然后，摄像机将车距信息、雷达将每个车辆的行驶速度信息和地理位置信息均上传给控制器；

控制器分析同一车道中后车与前车的距离值是否小于法律规定值，如果存在小于法律规定值的车辆，表明已发生违法行为，控制摄像机连续抓拍两张车辆车尾图片；如果不小于，则表明未发生违法行为，控制摄像机抓拍一张车辆车尾图片；对于抓拍到的车辆车尾图片，控制器通过现实_场景映射技术或神经网络分析技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息。

本发明还具有以下功能：

(1)控制器接收到车距信息、车辆行驶速度信息和地理位置信息后，判断是否发生车辆低速、车辆超速、车辆逆行、车辆压线、车辆不按规定变道和/或大型车占用小型车道违法行为；如果存在违法行为，则控制器控制摄像机抓拍车头信息和/或对监控区域进行录像，实现车辆卡口功能。

(2)控制器将同一地点抓拍到的同一车牌号的车辆图片合成到一张图片上。

(3)可以自动进行车辆号牌识别，可以进行全天候录像及短时录像，可根据实际需要对录像进行截取、存储等。

(4)系统可以根据客户实际需要，将获得的图片、录像、违法数据等信息通过以太网，上传到远程服务器。

(5)另外，本发明中，当断电断网情况发生时，恢复供电后系统新拍摄的图片不会覆盖断电前的图片。

另外，本发明在摄像机结合多目标雷达进行检测的过程中，高清摄像机针对连续采集到的监控场景图像进行视频检测及目标跟踪的同时，还能通过串口获取到多目标雷达针对现实路面监测区域测量得到的车辆位置、速度等信息。通过现实_场景映射，将视频检测跟踪的目标信息与多目标雷达检测跟踪的目标信息完美地结合起来，同时利用信息融合算法，通过点迹关联、航迹关联技术进行了信息融合，提高了系统鲁棒性和精确性，很好地解决了夜间黑暗环境下视频检测效果差的不足以及在大风天由于立杆晃动而使雷达受到干扰的问题。

由此可见，本发明提供的车辆跟车距离自动记录系统及方法，填补了我国道路交通方面对于车辆跟车距离智能化管理的空白，是一种全新的电子违章抓拍取证产品。作为一种全新的发明产品，能够在无人值守的情况下自动进行违章跟车的检测抓拍取证。另外，以往的车辆违章抓拍取证产品，仅仅关注违章车辆本身的状态，而本发明不但关注违章的车辆，还关注区域内检测到的其它车辆的行驶信息。例如，利用多目标雷达进行测速时，每辆车的速度值都可标注在图片上，有力地保证了取证的确凿性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (10)

1.一种车辆跟车距离自动记录系统，其特征在于，包括若干个跟车距离记录单元，各个所述跟车距离记录单元按预设距离分布在被监控道路；每个所述跟车距离记录单元均包括：支撑竖杆，在支撑竖杆的顶端固定安装有支撑横杆，所述支撑横杆安装有雷达、至少一台摄像机、补光灯和控制器；另外，所述雷达还安装有第1俯仰驱动机构和第1水平转动机构；每台所述摄像机还安装有第2俯仰驱动机构和第2水平转动机构；所述雷达、所述摄像机、所述补光灯、所述第1俯仰驱动机构、所述第1水平转动机构、所述第2俯仰驱动机构、所述第2水平转动机构均连接到所述控制器；所述控制器通过通信网络与远程服务器连接。

2.根据权利要求1所述的车辆跟车距离自动记录系统，其特征在于，所述雷达为窄波雷达或者多目标雷达；所述摄像机为高清摄像机。

3.根据权利要求1所述的车辆跟车距离自动记录系统，其特征在于，所述摄像机的设置数量为两台，分别用于采集不同车道的行车信息。

4.根据权利要求1所述的车辆跟车距离自动记录系统，其特征在于，所述通信网络为以太网络。

5.一种车辆跟车距离自动记录方法，其特征在于，包括以下步骤：

步骤1，控制器对每个跟车距离记录单元的摄像机和雷达的俯仰角和水平指向角进行调整控制，使雷达和摄像机朝向同一监控区域；

步骤2，控制器配置有两种跟车距离自动记录模式：

第一种模式为：当车辆行驶到雷达检测触发区域内时，雷达的相应标志位置位或者复位，同时，雷达根据测速基本原理，同时测得雷达检测触发区域内每个车辆的行驶速度值，以及，同时检测到雷达检测触发区域内每个车辆的实际地理坐标值；

在雷达检测到雷达检测触发区域内同一时刻下每个车辆的行驶速度值和实际地理坐标值后，雷达对同一时刻下雷达检测触发区域内每个车辆的实际地理坐标值进行分析，获得每个车辆所属的车道；然后，对于雷达检测触发区域内每个车辆，计算出该车辆与前车的距离值；

至此，雷达检测到雷达检测触发区域内同一时刻下每个车辆的行驶速度值、实际地理坐标值以及与前车的距离值；

控制器实时检测雷达的标志位，如果检测到雷达的标志位发生变化，即得出有车辆经过的结论；然后，控制器接收雷达上传的雷达检测触发区域内同一时刻下每个车辆的行驶速度值、实际地理坐标值以及与前车的距离值；控制器分析同一车道中后车与前车的距离值是否小于法律规定值，如果存在小于法律规定值的车辆，表明已发生违法行为，控制摄像机连续抓拍两张车辆车尾图片；如果不小于，则表明未发生违法行为，控制摄像机抓拍一张车辆车尾图片；对于抓拍到的车辆车尾图片，控制器通过现实_场景映射技术或神经网络分析技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息；

第二种模式为：控制器启动摄像机进行视频检测，当车辆行驶到检测区域内的触发抓拍区域时，摄像机的采集视线朝向触发抓拍区域，并拍摄得到与触发抓拍区域对应的行车图片；同时，控制器启动雷达，雷达根据自身的测速基本原理，测得触发抓拍区域中每个车辆的行驶速度信息以及地理位置信息；摄像机结合每个车辆的行驶速度信息和地理位置信息，采用摄像机自身算法，对行车图片进行分析，计算得到车距信息；

然后，摄像机将车距信息、雷达将每个车辆的行驶速度信息和地理位置信息均上传给控制器；

控制器分析同一车道中后车与前车的距离值是否小于法律规定值，如果存在小于法律规定值的车辆，表明已发生违法行为，控制摄像机连续抓拍两张车辆车尾图片；如果不小于，则表明未发生违法行为，控制摄像机抓拍一张车辆车尾图片；对于抓拍到的车辆车尾图片，控制器通过现实_场景映射技术或神经网络分析技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息。

6.根据权利要求5所述的车辆跟车距离自动记录方法，其特征在于，所述车辆属性信息包括抓拍地点信息、车道信息、车牌信息、车型信息、车速信息和/或车距信息。

7.根据权利要求5所述的车辆跟车距离自动记录方法，其特征在于，还包括：

控制器接收到车距信息、车辆行驶速度信息和地理位置信息后，判断是否发生车辆低速、车辆超速、车辆逆行、车辆压线、车辆不按规定变道和/或大型车占用小型车道违法行为；如果存在违法行为，则控制器控制摄像机抓拍车头信息和/或对监控区域进行录像，实现车辆卡口功能。

8.根据权利要求5所述的车辆跟车距离自动记录方法，其特征在于，还包括：

控制器将同一地点抓拍到的同一车牌号的车辆图片合成到一张图片上。

9.根据权利要求5所述的车辆跟车距离自动记录方法，其特征在于，对于抓拍到的车辆车尾图片，控制器通过现实_场景映射技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息，具体为：

控制器预建立实际路面现实监测区域与摄像机监控场景图像的一套映射关系，根据所述映射关系，可实现现实路面某个车辆真实地理位置信息和摄像机场景图像上对应车辆像素点图像坐标之间的映射，因此，基于所述映射，可将车辆属性信息叠加到车辆车尾图片的对应车辆位置。

10.根据权利要求5所述的车辆跟车距离自动记录方法，其特征在于，控制器通过神经网络分析技术，在车辆车尾图片中每个车辆的上面均叠加车辆属性信息，具体为：

所抓拍得到的车辆车尾图片为二维图像，利用雷达给出的以地面为Z＝0平面的各个目标车辆的实际地理位置坐标，采用以下神经网络分析技术，得到各目标车辆在二维图像中对应的图像坐标，从而将各目标车辆的车辆属性信息叠加到二维图像的相应位置上；

其中，所采用的神经网络分析技术为：

(1)构建得到含有一个隐含层的两层MLP神经元网络架构，其中，输入层为两个输入单元，分别为归一化的实际地理位置坐标x,y两个分量，输出层为目标在二维图像中的位置坐标X,Y分量；网络隐含层的节点数设置为4；

神经元激励函数设定为：

$f\left(x\right)=\frac{1}{1+e^{-x}};$

权值调整策略为：依据权值调整量公式为：

Δw_ij＝ηδ_jo_i+βΔw'_ij

其中，Δw'_ij为同一层中第i个输入分量到第j个神经元的上一次的权值调整量，β为冲量系数，选为0.6；学习步长η选为0.4；δ_j为同一层中第j个神经元的广义方差；ο_i为同一层中第i个输入分量对各神经元的激励输出；

(2)选取一组实际地理位置坐标以及所对应的图像坐标，利用步骤1设定的神经元网络架构进行训练，神经网络训练好后，向神经网络输入雷达给出的目标车辆的实际位置坐标x,y两个分量，即可得到目标车辆在图像中对应的图像坐标X,Y分量。