菜單導航

卡爾曼汽車(卡爾曼汽車價格)

回答

電動汽車soc什麽意思?指電池的荷電量卡爾曼汽車,電池的電量好比水桶中的水,在某一時刻電池中含有多少可用電量即稱爲該時刻電池的SOC.在完全放電完畢的情況下SOC爲0,完全充滿電的情況下SOC爲1。

電池的SOC(荷電狀態)反映了電池的實際可用電量,它是電動汽車運行過程中非常重要的一個指標。准確合理的SOC估算有許多益處,比如:能延長電池的使用壽命,防止電池出現過充過放現象,提高電池的性能,減少電池的成本。但是電池的SOC不能通過傳感原件准確度測量,它只能通過電池其他的一些因素間接地測量,比如電池的開路電壓、電流或者溫度。

SOC主要估算方法解析:

1、內阻法,內阻測量法是用不同頻率的交流電激勵電池,測量電池內部交流電阻,並通過建立的計算模型得到 SOC 估計值。該方法測量得到的電池荷電狀態反映了電池在某特定恒流放電條件下的SOC值。

2、線性模型法,線性模型法原理是基于 SOC 的變化量、 電流、 電壓和上一個時間點 SOC 值, 建立的線性模型,這種 模型適用于低電流、 SOC 緩變的情況,對測量誤差和錯誤的初 始條件,有很高的魯棒性。

3、卡爾曼濾波法,卡爾曼濾波法是建立在安時積分法的基礎之上的。卡爾曼濾波法的主要思想,是對動力系統的狀態做出最小方差意義上的最優估計。該方法應用于電池SOC估計,電池被視爲一動力系統,荷電狀態爲系統的一個內部狀態。

如果不亮或長亮不滅應立即檢查發電機及電路

蓄電池 SOC 什麽意思

蓄電池S O C的意思是蓄電池的目前的品質如果是裏面打開還是藍光就是正常的

回答

親您好!

電動汽車soc就是汽車電池剩余電量的意思。SOC,全稱是State of Charge,電池荷電狀態,也叫剩余電量,代表的是電池使用一段時間或長期擱置不用後的剩余可放電電量與其完全充電狀態的電量的比值,常用百分數表示。歡迎您再次咨詢我

提問

出現S O C是電池質量問題吧。

回答

是的 親,需要檢查電池

運動目標跟蹤檢測論文怎麽寫呢?

運動目標檢測與跟蹤算法研究 視覺是人類感知自身周圍複雜環境最直接有效的手段之一, 而在現實生活中 大量有意義的視覺信息都包含在運動中,人眼對運動的物體和目標也更敏感,能 夠快速的發現運動目標, 並對目標的運動軌迹進行預測和描繪。 隨著計算機技術、 通信技術、圖像處理技術的不斷發展,計算機視覺己成爲目前的熱點研究問題之 一。 而運動目標檢測與跟蹤是計算機視覺研究的核心課題之一, 融合了圖像處理、 模式識別、人工智能、自動控制、計算機等衆多領域的先進技術,在軍事制導、 視覺導航、視頻監控、智能交通、醫療診斷、工業産品檢測等方面有著重要的實 用價值和廣闊的發展前景。 1、國內外研究現狀 1.1 運動目標檢測 運動目標檢測是指從序列圖像中將運動的前景目標從背景圖像中提取出來。 根據運動目標與攝像機之間的關系, 運動目標檢測分爲靜態背景下的運動目標檢 測和動態背景下的運動目標檢測。 靜態背景下的運動目標檢測是指攝像機在整個 監視過程中不發生移動; 動態背景下的運動目標檢測是指攝像機在監視過程中發 生了移動,如平動、旋轉或多自由度運動等。 靜態背景 靜態背景下的運動目標檢測方法主要有以下幾種: (1)背景差分法 背景差分法是目前最常用的一種目標檢測方法, 其基本思想就是首先獲得一個 背景模型,然後將當前幀與背景模型相減,如果像素差值大于某一阈值,則判斷 此像素屬于運動目標,否則屬于背景圖像。利用當前圖像與背景圖像的差分來檢 測運動區域,一般能夠提供比較完整的特征數據,但對于動態場景的變化,如光 照和外來無關事件的幹擾等特別敏感。 很多研究人員目前都致力于開發不同的背 景模型,以減少動態場景變化對運動目標檢測的影響。背景模型的建立與更新、 陰影的去除等對跟蹤結果的好壞至關重要。 背景差分法的實現簡單,在固定背景下能夠完整地精確、快速地分割出運動 對象。不足之處是易受環境光線變化的影響,需要加入背景圖像更新機制,且只 對背景已知的運動對象檢測比較有效, 不適用于攝像頭運動或者背景灰度變化很 大的情況。 (2)幀間差分法 幀間差分法是在連續的圖像序列中兩個或叁個相鄰幀間, 采用基于像素的時 間差分並阈值化來提取圖像中的運動區域。 幀間差分法對動態環境具有較強的自 適應性,但一般不能完全提取出所有相關的特征像素點,在運動實體內部容易産 生空洞現象。因此在相鄰幀間差分法的基礎上提出了對稱差分法,它是對圖像序 列中每連續叁幀圖像進行對稱差分,檢測出目標的運動範圍,同時利用上一幀分 割出來的模板對檢測出來的目標運動範圍進行修正, 從而能較好地檢測出中間幀 運動目標的形狀輪廓。 幀間差分法非常適合于動態變化的環境,因爲它只對運動物體敏感。實際上 它只檢測相對運動的物體,而且因兩幅圖像的時間間隔較短,差分圖像受光線 變化影響小,檢測有效而穩定。該算法簡單、速度快,已得到廣泛應用。雖然該 方法不能夠完整地分割運動對象,只能檢測出物體運動變化的區域,但所檢測出 的物體運動信息仍可用于進一步的目標分割。 (3)光流法 光流法就充分的利用了圖像自身所攜帶的信息。在空間中,運動可以用運動 場描述,而在一個圖像平面上,物體的運動往往是通過圖像序列中圖像灰度分布 的不同來體現,從而使空間中的運動場轉移到圖像上就表示爲光流場。所謂光流 是指空間中物體被觀測面上的像素點運動産生的瞬時速度場, 包含了物體表面結 構和動態行爲等重要信息。 基于光流法的運動目標檢測采用了運動目標隨時間變 化的光流特性,由于光流不僅包含了被觀測物體的運動信息,還攜帶了物體運動 和景物叁位結構的豐富信息。 在比較理想的情況下,它能夠檢測獨立運動的對象, 不需要預先知道場景的任何信息,可以很精確地計算出運動物體的速度,並且可 用于動態場景的情況。 但是大多數光流方法的計算相當複雜,對硬件要求比較高, 不適于實時處理,而且對噪聲比較敏感,抗噪性差。並且由于遮擋、多光源、透明 性及噪聲等原因,使得光流場基本方程――灰度守恒的假設條件無法滿足,不能 正確求出光流場,計算方也相當複雜,計算量巨大,不能滿足實時的要求。 動態背景 動態背景下的運動目標檢測由于存在著目標與攝像機之間複雜的相對運動, 檢測方法要比靜態背景下的運動目標檢測方法複雜。常用的檢測方法有匹配法、 光流法以及全局運動估計法等。 2、運動目標跟蹤 運動目標跟蹤是確定同一物體在圖像序列的不同幀中的位置的過程。 近年來 出現了大批運動目標跟蹤方法,許多文獻對這些方法進行了分類介紹,可將目標 跟蹤方法分爲四類:基于區域的跟蹤、基于特征的跟蹤、基于活動輪廓的跟蹤、 基于模型的跟蹤,這種分類方法概括了目前大多數跟蹤方法,下面用這種分類方 法對目前的跟蹤方法進行概括介紹。 (1)基于區域的跟蹤 基于區域的跟蹤方法基本思想是: 首先通過圖像分割或預先人爲確定提取包 含目標區域的模板,並設定一個相似性度量,然後在序列圖像中搜索目標,把度 量取極值時對應的區域作爲對應幀中的目標區域。 由于提取的目標模板包含了較 完整的目標信息,該方法在目標未被遮擋時,跟蹤精度非常高,跟蹤非常穩定, 但通常比較耗時,特別是當目標區域較大時,因此一般應用于跟蹤較小的目標或 對比度較差的目標。該方法還可以和多種預測算法結合使用,如卡爾曼預測、粒 子預測等,以估計每幀圖像中目標的位置。近年來,對基于區域的跟蹤方法關注 較多的是如何處理運動目標姿態變化引起的模板變化時的情況以及目標被嚴重 遮擋時的情況。 (2)基于特征的跟蹤 基于特征的跟蹤方法基本思想是:首先提取目標的某個或某些局部特征,然 後利用某種匹配算法在圖像序列中進行特征匹配,從而實現對目標的跟蹤。該方 法的優點是即使目標部分被遮擋,只要還有一部分特征可以被看到,就可以完成 跟蹤任務,另外,該方法還可與卡爾曼濾波器結合使用,實時性較好,因此常用 于複雜場景下對運動目標的實時、 魯棒跟蹤。 用于跟蹤的特征很多, 如角點邊緣、 形狀、紋理、顔色等,如何從衆多的特征中選取最具區分性、最穩定的特征是基 于特征的跟蹤方法的關鍵和難點所在。 (3)基于活動輪廓的跟蹤 基于活動輪廓的跟蹤方法基本思想是:利用封閉的曲線輪廓表達運動目標, 結合圖像特征、曲線輪廓構造能量函數,通過求解極小化能量實現曲線輪廓的自 動連續更新,從而實現對目標的跟蹤。自Kass在1987年提出Snake模型以來,基 于活動輪廓的方法就開始廣泛應用于目標跟蹤領域。相對于基于區域的跟蹤方 法,輪廓表達有減少複雜度的優點,而且在目標被部分遮擋的情況下也能連續的 進行跟蹤,但是該方法的跟蹤結果受初始化影響較大,對噪聲也較爲敏感。 (4)基于模型的跟蹤 基于模型的跟蹤方法基本思想是: 首先通過一定的先驗知識對所跟蹤目標建 立模型,然後通過匹配跟蹤目標,並進行模型的實時更新。通常利用測量、CAD 工具和計算機視覺技術建立模型。主要有叁種形式的模型,即線圖模型、二維輪 廓模型和叁維立體模型口61,應用較多的是運動目標的叁維立體模型,尤其是對 剛體目標如汽車的跟蹤。該方法的優點是可以精確分析目標的運動軌迹,即使在 目標姿態變化和部分遮擋的情況下也能夠可靠的跟蹤, 但跟蹤精度取決于模型的 精度,而在現實生活中要獲得所有運動目標的精確模型是非常困難的。 目標檢測算法,至今已提出了數千種各種類型的算法,而且每年都有上百篇相 關的研究論文或報告發表。盡管人們在目標檢測或圖像分割等方面做了許多研 究,現己提出的分割算法大都是針對具體問題的,並沒有一種適合于所有情況的 通用算法。 目前, 比較經典的運動目標檢測算法有: 雙幀差分法、 叁幀差分法(對 稱差分法)、背景差法、光流法等方法,這些方法之間並不是完全獨立,而是可 以相互交融的。 目標跟蹤的主要目的就是要建立目標運動的時域模型, 其算法的優劣直接影響 著運動目標跟蹤的穩定性和精確度, 雖然對運動目標跟蹤理論的研究已經進行了 很多年,但至今它仍然是計算機視覺等領域的研究熱點問題之一。研究一種魯棒 性好、精確、高性能的運動目標跟蹤方法依然是該研究領域所面臨的一個巨大挑 戰。基于此目的,系統必須對每個獨立的目標進行持續的跟蹤。爲了實現對複雜 環境中運動目標快速、穩定的跟蹤,人們提出了衆多算法,但先前的許多算法都 是針對剛體目標,或是將形變較小的非剛體近似爲剛體目標進行跟蹤,因而這些 算法難以實現對形狀變化較大的非剛體目標的正確跟蹤。 根據跟蹤算法所用的預 測技術來劃分,目前主要的跟蹤算法有:基于均值漂移的方法、基于遺傳算法的 方法、基于Kalman濾波器的方法、基于Monto Carlo的方法以及多假設跟蹤的方 法等。

運動檢測與目標跟蹤算法模塊 運動檢測與目標跟蹤算法模塊 與目標跟蹤 一、運動檢測算法 1.算法效果 算法效果總體來說,對比度高的視頻檢測效果要優于對比度低的視頻。 算法可以比較好地去除目標周圍的淺影子,淺影的去除率在 80%以上。去影後目標的 完整性可以得到較好的保持,在 80%以上。在對比度比較高的環境中可以准確地識別較大 的滯留物或盜移物。 從對目標的檢測率上來說,對小目標較難進行檢測。一般目標小于 40 個像素就會被漏 掉。對于對比度不高的目標會檢測不完整。總體上來說,算法在對比度較高的環境中漏檢率 都較低,在 0.1%以下,在對比度不高或有小目標的場景下漏檢率在 6%以下。 精細運動檢測的目的是在較理想的環境下盡量精確地提取目標的輪廓和區域, 以供高層 進行應用。同時在分離距離較近目標和進行其它信息的進一步判斷也具有一定的優勢。 反映算法優缺點的詳細效果如下所示: 去影子和完整性 效果好 公司內視頻 左邊的爲去影前,右邊的 爲去影後的結果,可以看出在 完整 性和去影率上 都有所 突 出。 這兩個視頻的共周特點 城市交通 是,影子都是淺影子,視頻噪 聲不太明顯。目標與背景的對 比度比較高。 效果差 這兩個視頻的特點是影子 都是深影子。雖然影子沒有去 掉,但是物體的完整性是比較 高的。主要原因就是場景的對 路口,上午 十點 比度比較高。 滯留物檢測和穩定性 效果好 會議室盜移 效果好的原因,一是盜移或 滯留目標與背景對比度較大,二 是目標本身尺寸較大。 另外盜移物或滯留物在保持 各自的狀態期間不能受到光照變 化或其它明顯運動目標的幹擾, 要不然有可能會造成判斷的不穩 定。 效果差 會議室 遺留 物 大部分時間內,滯留的判斷 都是較穩定的,但是在後期出現 了不穩定。主要原因是目標太小 的原故。 因此在進行滯留物判斷時, 大目標,對比度較高的環境有利 于判斷的穩定性和准確性。 漏檢率 效果好 城市交通 在對比度高的環境下, 目標相對都較大的情況下 (大于 40 個像素) 可以很 , 穩定的檢測出目標。 在這種 條件下的漏檢率通常都是 非常低的,在 0.1%以下。 效果差 行人-傍晚 和“行人”目錄下 的 其 它 昏 暗 條件 下的視頻 在對 比度較低的 情況 下,會造成檢測結果不穩 定。漏檢率較高。主要原因 是由于去影子造成的。 這種 對比度下的漏檢率一般在 6%以下。 除了 對比度低是 造成 漏檢的原因外, 過小的目標 也會造成漏檢,一般是 40 個像素以下的目標都會被 忽略掉。 1.2 算法效率內存消耗(單位:b) .MD_ISRAM_data .MD_ISRAM_bss .MD_SDRAM_data 0x470 0x24 0x348 .MD_SDRAM_bss .MD_text 0x1a8480 0x6d40 速度 ms 運動區域占 2/3 左右時 CPU 占用率 一幀耗時 Max:57% Min:2.8% Avg:37.5% Max:23 Min:1.14 Avg:15 運動區域占 1/3 左右時 Max:45% Min:2.8% Avg:20% Max:18 Min:1.14 Avg:8 1.3 檢測參數說明 檢測參數說明 檢測到的滯留物或盜走物的消失時間目前分別設定在 200 幀和 100 幀, 可以通過參數來 自行調整。 目前目標與背景的差異是根據局部光照強度所決定的, 範圍在 4 個像素值以上。 目前參 數設置要求目標大小要在 20 個像素以上才能被檢測到,可以通過參數來自行調整。 目標陰影的去除能力是可以調整的, 目前的參數設置可以去除大部分的淺影子和較小的 光照變化。 1.4 適用環境推薦光照條件較好(具有一定的對比度)的室內環境或室外環境。不易用它去檢測過小的目 標,比如小于 40 個像素的目標。室外環境不易太複雜。輸出目標爲精細輪廓目標,可以爲 後面高層應用提供良好的信息。 二、目標跟蹤 2.1 穩定運行環境要求此版本跟蹤算法與運動檢測算法緊密結合, 對相機的架設和視頻的背景環境和運動目標 數量運動方式有一定要求: 背景要求: 由于運動跟蹤是基于運動檢測的結果進行的, 所以對背景的要求和運動檢測一樣, 背景要求: 運動目標相對于背景要有一定反差。 運動目標:由于運動檢測中,對較小的目標可能過濾掉。所以運動目標的大小要符合運動檢 運動目標: 測的要求。運動目標的速度不能太大,要保證前後幀運動目標的重合面積大于 10 個像素。此阈值可修改(建議不要隨意修改,過小,可能把碎片當成原目標分 裂出來的小目標,過大,可能失去跟蹤。當然可試著調節以適應不同場景)。該 算法對由于運動檢測在地面上産生的碎片抗幹擾性比較差, 運動目標和碎片相遇 時,容易發生融合又分離的現象,造成軌迹混亂。消失目標和新生目標很容易當 成同一目標處理,所以可能出現一個新目標繼承新生目標的軌迹。 運動方式: 運動目標的最大數量由外部設定。 但運動跟蹤對運動目標比較稀疏的場景效果比 運動方式: 較好。 算法對由于運動檢測在運動目標上産生的碎片有一定的抗幹擾。 算法沒對 物體的遮擋進行處理。對于兩運動目標之間的遮擋按融合來處理。 拍攝角度: 拍攝角度:拍攝視野比較大,且最好是俯視拍攝。

能不能給我發一份呢?1335875313@qq.com