1、對交通路況進行實時監(jiān)控，前提是能夠及時、準確的采集各種交通參數(shù)。攝像裝置拍攝的圖像和視頻，通過道路監(jiān)控系統(tǒng)的處理和分析，可以對交通對象進行檢測、識別等處理，對交通事件進行分析和判斷。通過視頻的方式進行檢測，與傳統(tǒng)的檢測方式相比，可以獲得更多的交通信息，為提高交通管理的智能化水平提供了更多的依據(jù)。
　　隨著技術的發(fā)展，道路監(jiān)控系統(tǒng)需要處理的數(shù)據(jù)量急劇增長，計算復雜度不斷增加，通用型CPU的計算能力已經(jīng)無法滿足系統(tǒng)的計算需求。與此同時

2、，圖形處理器(GPU)的計算能力卻以遠超摩爾定律的速度高速發(fā)展，可編程性的也在不斷提升，CPU/GPU協(xié)同計算引起了越來越多的研究機構(gòu)和研究者的關注。
　　圍繞著如何加快道路監(jiān)控系統(tǒng)中處理速度，提升系統(tǒng)的數(shù)據(jù)吞吐率，提高系統(tǒng)的可靠性，本文對CPU/GPU協(xié)同計算下道路監(jiān)控系統(tǒng)中涉及的若干問題進行了有益的探索和研究。主要的研究工作和創(chuàng)新點如下:
　　(1)提出了基于光照模型及像素當量的車型快速識別算法，可以消除日照陰影對目標檢

3、測的影響，并根據(jù)目標所占的像素數(shù)，應用像素當量，快速的識別車輛的類別。
　　(2)提出了基于GPU的JPEG區(qū)域解碼算法。針對JPEG標準中無法實現(xiàn)感興趣區(qū)域(ROI)解碼的缺陷，在JPEG文件解碼過程中，就將ROI外的數(shù)據(jù)舍棄，通過GPU對解碼過程中的運算量最大的IDCT進行加速，通過大量的實驗證明，采用該方法根據(jù)ROI的尺寸大小不同，能夠達到幾倍到幾百倍的加速比。最后，在實驗數(shù)據(jù)基礎上，對加速比與圖像及ROI尺寸大小的關系進行

4、了討論。
　　(3)提出了基于R-ELM的牌照字符識別方法。應用人工神經(jīng)網(wǎng)絡中的SLFN與R-ELM算法，對牌照字符分類器進行訓練，實驗證明，該方法可以在較小的訓練集的基礎上，快速達到滿意的識別效果，并與BP算法及SVM算法的訓練效果進行了比較，結(jié)果顯示，可以取得1到3個數(shù)量級的速度提升。為了提高字符識別速度，還提出了采用彈性隊列和動態(tài)負荷調(diào)整結(jié)合的方法，將字符數(shù)據(jù)組合成數(shù)據(jù)包，保證GPU識別過程中，運算效率最大化。實驗顯示，較之