occluding vehicles may be grouped t

occluding vehicles may be grouped together as one object under heavy congested traffic conditions. A Hidden Markov Model is used in [7] to detect cars under congested conditions, where occlusion is frequent. A different approach, presented in [13], does not require the background estimation, but instead it detects information about the corners of the vehicles. Both [9] and [17] present a good survey of other vehicle detection algorithms, in which the latter proposes a way to combine several of these methods.Another common task is shadow removal, with several benefits. In fact, the shadow of a moving object is also moving and hence could be considered a moving object. If the shadow of a car is considered together with the car, it may seem that the car is bigger than it really is. Another situation to bear in mind is when the shadow of a car connects to other cars, causing not optimized algorithm to merge both cars into one single object. A solution to remove shadows from images is then presented in [10], which uses top-hat transformations and morphological operators. In [6], a solution to remove shadows based on a single Gaussian shadow model is presented, whereas [18] describes other alternatives with references and further information about them.Estimating the speed of vehicles is an important task be- cause it can be used as a source of information for most of the traffic monitoring applications. This task is challenging owing to the difficulty in acquiring, lack of precision of means used and highly sensible data. Not even humans, observing attentively videos with good quality, can precisely tell which pixels belong to one car or another. Also, blur from cars moving at high speeds makes this even more difficult. Indeed, the exact position of the camera is not known (and cannot be calculated very precisely) besides vibrations and movement of the camera that cause unpredictable variations. All these difficulties together cause enormous noise when geometrical information that relies on the position of the camera and observed cars is required. This happens because the applied methods are highly sensible. In other words, small changes in one variable may induce into big differences in the final estimated velocity. In [9], authors estimate speed based on the point of contact of a car with the road, whereas [10] uses a geometrical equation to accomplish that.Tracking is also one important application, being vehicle tracking the most common type. Nonetheless, it is also pos- sible to track other features of an image. For a comprehen- sive discussion on tracking algorithms, the interested reader is referred to [12], which also suggests a methodology to track vehicles using a scale invariant feature transform. This algorithm, applied to each vehicle, will describe its features such as pixel values, key point locations and orientations into a 128 dimensional vector, which can be tracked in the following frames. In [13], instead, the suggested technique detects corners of vehicles, tracks them using Kalman filtering and groups the corners into vehicles.

結果 (繁體中文) 1:

閉塞車輛可重擁擠的交通條件下被分組在一起作為一個對象。隱馬爾可夫模型被在[7]用於檢測擁塞條件，其中閉塞頻繁下的汽車。一種不同的方法，在[13]提出，不需要背景估計，而是它檢測關於車輛的角信息。既[9]和[17]呈現其他車輛檢測算法的好調查，其中後者提出了一種方法來組合使用這些中的幾種方法。
另一個常見的任務是陰影去除，有幾個好處。事實上，一個移動物體的陰影也移動，並因此可以被認為是一個移動物體。如果一輛車的影子與汽車結合起來考慮，它可能看起來，這輛車是大於它確實是。考慮另一種情況，以熊是當車的影子連接到其他車輛，造成不優化算法來兩輛賽車都合併到一個單一的對象。從圖像以去除陰影中的溶液，然後在[10]中提出的，它使用頂帽變換和形態學算子。在[6]，以基於單個高斯陰影模型移除的陰影中的溶液被呈現，而[18]描述了具有引用以及關於它們的進一步信息的其他替代方案。
估計車輛的速度正變得原因它可以被用來作為信息對於大部分流量監測應用的源的一項重要任務。這個任務是由於在獲取困難挑戰，缺乏的使用的手段和高度敏感數據的精度。甚至沒有人類，觀察以優良的品質用心的視頻，可以準確判斷哪些像素屬於一個汽車或其他。此外，從汽車在高速移動的模糊使得這種更加困難。實際上，照相機的精確位置是未知的（並且不能非常精確地計算）除了導致不可預測的變化攝像機的振動和運動。所有這些困難一起造成巨大的噪聲時，需要依賴於照相機和觀察到的汽車的位置的幾何信息。這是因為採用的方法是非常明智的。換言之，在一個可變的小變化可能引起成在最終的估計的速度大的差異。[9]中，作者估計基於與所述道路汽車的接觸點的速度，而[10]使用一個幾何方程來實現這一目標。
跟踪也是一個重要的應用，是車輛跟踪最常見的類型。儘管如此，也POS-錫布爾赫丁跟踪圖像的其他功能。有關跟踪算法綜合性的討論中，有興趣的讀者可以參考文獻[12]，這也提出了一種方法，以使用尺度不變特徵變換軌道車輛。此算法中，施加到每個車輛，將描述其功能，如像素值，關鍵點位置和取向成128維向量，其可以在隨後的幀進行跟踪。在[13]，相反，所建議的技術檢測車輛的角部，它們使用卡爾曼濾波和組的角部到車輛中的軌道。

結果 (繁體中文) 2:

在嚴重擁擠的交通狀況下，遮擋車輛可以組合為一個物件。隱藏瑪律科夫模型在 [7] 中使用來檢測在擁擠條件下（經常遮擋）下的汽車。[13] 仲介紹的不同方法不需要背景估計，而是檢測有關車輛角落的資訊。[9] 和 [17] 都很好地調查了其他車輛檢測演算法，後者提出了一種將這些方法組合起來的方法。
另一個常見的任務是刪除陰影，有幾個好處。事實上，移動物體的陰影也在移動，因此可以被視為移動物體。如果把汽車的陰影和汽車一起考慮，那車看起來可能比它實際上更大。另一種情況需要記住的是，當汽車的陰影連接到其他汽車，導致沒有優化的演算法合併兩輛車到一個物件。然後，在 [10] 中提供了從圖像中刪除陰影的解決方案，該解決方案使用頂帽變換和形態運算子。在 [6] 中，給出了一種基於單個高斯陰影模型移除陰影的解決方案，而 [18] 則使用引用和有關它們的詳細資訊來描述其他替代方法。
估計車輛速度是一項重要任務，因為它可以用作大多數交通監控應用的資訊來源。由於難以獲取，使用的手段缺乏精確性，而且資料非常合理，因此這項任務具有挑戰性。即使是人類，觀察高品質的視頻，也無法精確判斷哪些圖元屬於一輛車或另一輛車。此外，由於汽車高速行駛的模糊，這更加困難。事實上，除了引起不可預知變化的攝像機振動和移動之外，相機的確切位置還不得而知（而且無法非常精確地計算）。當需要依賴于攝像頭和觀察車輛位置的幾何資訊時，所有這些困難一起會導致巨大的噪音。這是因為應用的方法非常合理。換句話說，一個變數中的小變化可能會導致最終估計速度的巨大差異。在[9]中，作者根據汽車與道路的接觸點來估計速度，而[10]則使用幾何方程來完成。
跟蹤也是一個重要的應用，是車輛跟蹤最常見的類型。儘管如此，跟蹤圖像的其他特徵也是有可能的。對於有關跟蹤演算法的一次性討論，感興趣的讀者將參考 [12]，這也建議了一種使用比例不變特徵轉換來跟蹤車輛的方法。該演算法應用於每輛車，將描述其特徵，如圖元值、關鍵點位置和方向，並將其描述為 128 維向量，可在以下幀中跟蹤。相反，在[13]中，建議的技術可以檢測車輛的角落，使用卡爾曼濾波跟蹤它們，並將這些角落分組到車輛中。

結果 (繁體中文) 3:

在擁擠的交通條件下，阻塞的車輛可以被組合成一個物體。文獻[7]中使用隱瑪律可夫模型來檢測阻塞頻繁的擁擠條件下的車輛。文獻[13]中提出的另一種方法不需要背景估計，而是檢測車輛拐角的資訊。文獻[9]和[17]都對其他車輛檢測算灋進行了很好的綜述，其中後者提出了一種組合這些方法的方法。
另一個常見的任務是陰影消除，有幾個好處。事實上，運動物體的陰影也在運動，囙此可以認為是運動物體。如果把汽車的影子和汽車放在一起考慮的話，汽車看起來可能比實際的要大。另一個需要記住的情况是，當一輛車的陰影連接到其他車時，會導致未優化的算灋將兩輛車合併為一個對象。[10]中提出了一種從影像中去除陰影的方法，該方法使用了top-hat變換和形態學運算元。在文獻[6]中，我們提出了一種基於單一高斯陰影模型的陰影去除方法，而文獻[18]則用參考文獻和進一步的資訊描述了其他的陰影去除方法。
估計車輛速度是一項重要的任務，因為它可以作為大多數交通監控應用的信息源。這項任務具有挑戰性，因為難以獲取、所用手段缺乏精確性和高度敏感的數據。即使是人類，仔細觀察高品質的視頻，也無法準確地分辨出哪些點數屬於一輛車或另一輛車。此外，高速行駛的汽車模糊使這一點更加困難。事實上，除了引起不可預測變化的相機振動和運動之外，相機的確切位置還不知道（也無法非常精確地計算）。當需要依賴於攝像機和被觀察車輛的位置的幾何資訊時，所有這些困難共同導致巨大的雜訊。這是因為應用的方法非常合理。換言之，一個變數的微小變化可能導致最終估計速度的巨大差异。在[9]中，作者根據汽車與道路的接觸點估計速度，而[10]則使用幾何方程來實現這一點。
跟踪也是一個重要的應用，是車輛跟踪中最常見的類型。儘管如此，也可以跟踪影像的其他特徵。對於跟踪算灋的全面討論，感興趣的讀者參見[12]，其中還提出了一種使用尺度不變特徵變換跟踪車輛的方法。該算灋應用於每輛車，將其點數值、關鍵點位置和方向等特徵描述為128維向量，可在以下幀中跟踪。在[13]中，相反，建議的科技檢測車輛的角點，使用卡爾曼濾波跟踪它們，並將角點分組到車輛中。