连续帧间差分与背景差分相融合的运动目标检测方法

连续帧间差分与背景差分相融合的运动目标检测方法一、本文概述本文旨在探讨一种结合连续帧间差分与背景差分技术的运动目标检测方法。该方法结合了两种经典的运动目标检测算法的优点，旨在提高运动目标检测的准确性和鲁棒性。在视频监控、人机交互、自动驾驶等领域，运动目标检测是关键的技术之一，能够实现对动态物体的有效跟踪和识别。由于环境光照变化、目标遮挡、背景干扰等因素的影响，传统的运动目标检测方法往往难以取得理想的效果。本文提出了一种新的融合算法，以期在复杂环境下实现更可靠的运动目标检测。本文将详细介绍连续帧间差分法和背景差分法的基本原理和实现过程。这两种方法各有优缺点，连续帧间差分法对于快速运动的物体检测效果较好，但容易受到噪声和光照变化的影响；而背景差分法则能够较好地处理背景干扰，但对于缓慢运动的物体检测效果不佳。本文提出了将两种算法相融合的方案，以期取长补短，提高整体性能。本文将重点介绍融合算法的设计和实现。融合算法将采用一种加权融合的策略，根据具体情况动态调整连续帧间差分和背景差分在融合结果中的权重。本文还将探讨如何结合其他技术，如图像预处理、后处理等，来进一步提高融合算法的性能。本文将通过实验验证融合算法的有效性。实验将采用公开数据集进行，包括不同场景下的视频序列，以评估融合算法在各种复杂环境下的性能表现。通过与传统的运动目标检测方法进行比较，本文将展示融合算法在准确率、鲁棒性等方面的优势，并讨论未来可能的改进方向。本文旨在为运动目标检测领域的研究者和从业者提供一种新颖、有效的算法，以应对复杂环境下的运动目标检测问题。通过深入研究和实验验证，本文期望为相关领域的技术进步做出贡献。二、运动目标检测的背景与意义随着计算机视觉技术的飞速发展，运动目标检测成为了该领域中的一项重要任务。运动目标检测旨在从视频序列中准确识别并提取出动态变化的目标对象，这对于许多实际应用，如智能监控、人机交互、自动驾驶等都具有重要意义。传统的运动目标检测方法主要依赖于背景差分法或帧间差分法。背景差分法通过构建背景模型，将当前帧与背景模型进行差分运算，从而提取出运动目标。这种方法对于背景稳定、目标运动明显的场景效果较好，但在背景复杂多变或目标运动缓慢时，往往难以取得理想的结果。帧间差分法则通过计算连续帧之间的像素差异来检测运动目标，这种方法对于快速运动的目标检测效果较好，但在目标运动缓慢或存在摄像头抖动时，可能会产生误检或漏检。为了克服单一方法的局限性，提高运动目标检测的准确性和鲁棒性，本文提出了一种将连续帧间差分与背景差分相融合的运动目标检测方法。该方法结合了两种方法的优点，既能够处理背景复杂多变的情况，又能够准确检测缓慢运动的目标。通过融合两种差分结果，可以有效减少误检和漏检，提高检测精度。运动目标检测在智能监控领域具有广泛的应用前景。通过实时监测和分析视频中的运动目标，可以实现异常行为的检测与预警，提高监控系统的智能化水平。运动目标检测还可以应用于人机交互、自动驾驶等领域，为人机交互提供更为自然、直观的方式，为自动驾驶提供更为准确、可靠的环境感知能力。运动目标检测技术的研究不仅具有重要的理论意义，而且具有广泛的应用价值。通过不断深入研究，可以推动计算机视觉领域的发展，为智能监控、人机交互、自动驾驶等领域提供更为先进、可靠的技术支持。三、连续帧间差分法原理及优缺点分析连续帧间差分法是一种常用的运动目标检测方法，其基本原理是通过对连续的视频帧进行差分运算，提取出运动目标的轮廓信息。具体实现时，首先选取视频序列中的连续两帧或多帧图像，然后计算这些帧之间的像素差异，得到差分图像。在差分图像中，运动目标的像素值会发生显著变化，而非运动区域的像素值则相对稳定。通过设置合适的阈值，可以将差分图像二值化，从而提取出运动目标的轮廓。连续帧间差分法的优点在于计算简单、实时性好，且对光照变化和场景中的动态背景具有一定的鲁棒性。该方法对于摄像机抖动等引起的全局运动干扰也具有一定的抑制能力。连续帧间差分法也存在一些明显的缺点。该方法对于运动目标的内部信息提取能力较弱，难以获得完整的运动目标区域。当运动目标的速度较慢或场景中存在大量相似纹理时，连续帧间差分法容易产生误检。该方法对于运动目标的颜色、纹理等特征信息利用不足，导致在复杂场景下的检测性能受限。为了克服连续帧间差分法的缺点，一些研究者提出了将连续帧间差分法与背景差分法相结合的方法。通过结合两种方法的优点，可以在一定程度上提高运动目标检测的准确性和鲁棒性。如何有效地融合这两种方法并处理可能出现的冲突信息仍然是一个值得研究的问题。连续帧间差分法作为一种简单而有效的运动目标检测方法，在实际应用中具有一定的价值。为了进一步提高检测性能，需要深入研究其与其他方法的融合策略，并处理可能出现的冲突信息。四、背景差分法原理及优缺点分析背景差分法是一种常用的运动目标检测方法，其核心思想是将当前帧与背景帧进行差分运算，从而提取出运动目标的轮廓。背景差分法主要包括静态背景建模和动态背景更新两个步骤。静态背景建模是指在视频序列开始时，选择一帧或若干帧作为背景模型。这些背景帧通常选择在没有运动目标出现的场景，例如摄像头刚开启时拍摄的场景。通过计算这些背景帧的平均值或中值，可以得到一个相对稳定的背景模型。动态背景更新是指在视频序列播放过程中，根据当前帧与背景模型的差异，实时更新背景模型。这是为了应对光照变化、背景干扰等因素导致的背景变化。动态背景更新可以通过计算当前帧与背景模型的差分，将差分结果作为背景更新的依据，逐步调整背景模型。背景差分法的优点在于其算法简单，运算速度快，对于静态或缓慢变化的背景具有较好的适应性。背景差分法还可以结合其他图像处理技术，如形态学滤波、阈值分割等，进一步提高运动目标检测的准确性和鲁棒性。背景差分法也存在一些明显的缺点。背景差分法对于快速变化的背景或复杂场景的处理能力较弱。当背景发生快速变化时，背景模型可能无法及时更新，导致运动目标检测失败。背景差分法对于光照变化、阴影等干扰因素较为敏感，容易受到这些因素的干扰而产生误检。背景差分法还需要预先设定合适的阈值进行差分运算，阈值的选择对于运动目标检测的效果具有重要影响。背景差分法在运动目标检测中具有一定的优势和应用价值，但也存在一些局限性和挑战。为了进一步提高运动目标检测的准确性和鲁棒性，可以考虑将背景差分法与其他方法相结合，如连续帧间差分法、光流法等，以充分利用各自的优点并弥补彼此的不足。五、连续帧间差分与背景差分相融合的方法运动目标检测是计算机视觉领域的一个重要任务，旨在从视频序列中准确地提取出运动物体的位置和轨迹。近年来，随着计算机视觉技术的快速发展，各种运动目标检测方法层出不穷。连续帧间差分法和背景差分法是最为常见的两种方法。这两种方法各有优缺点，单独使用时往往难以取得理想的检测效果。本文提出了一种将连续帧间差分与背景差分相融合的运动目标检测方法，旨在充分发挥两种方法的优势，提高检测精度和鲁棒性。背景建模：利用背景差分法对视频序列进行预处理，建立背景模型。背景模型可以采用高斯模型、混合高斯模型等统计模型，也可以采用深度学习等方法进行建模。通过背景建模，可以获取到视频序列中的静态背景信息，为后续的运动目标检测提供基础数据。连续帧间差分：对连续的视频帧进行差分运算，得到帧间差分图像。帧间差分法可以快速地提取出视频中的运动区域，但容易受到噪声和光照变化的影响。在实际应用中，需要对帧间差分图像进行适当的滤波和平滑处理，以减少噪声干扰。融合处理：将经过处理的帧间差分图像与背景差分图像进行融合。融合过程中，可以采用加权平均、最大值滤波等方法，将两种方法的检测结果进行有机结合。通过融合处理，可以充分利用连续帧间差分法和背景差分法的优点，弥补各自的不足，提高运动目标检测的准确性和鲁棒性。实验结果表明，本文提出的连续帧间差分与背景差分相融合的运动目标检测方法在多种场景下均取得了良好的检测效果。与单独使用连续帧间差分法或背景差分法相比，本文的融合方法在检测精度、鲁棒性等方面均有所提高。该方法对于实际应用中的运动目标检测任务具有一定的参考价值和实际意义。未来，我们将进一步优化融合算法，提高运动目标检测的实时性和准确性。也将探索将该方法应用于更广泛的场景，如智能交通、智能监控等领域，为实际应用提供更多有力的技术支持。六、实验验证与结果分析为了验证本文提出的连续帧间差分与背景差分相融合的运动目标检测方法的有效性，我们设计了一系列实验。实验的目标是在不同场景下，测试算法对于运动目标的准确检测能力以及其在复杂背景中的鲁棒性。实验在标准的计算机视觉库OpenCV上进行，采用了多种不同分辨率和背景复杂度的视频序列进行测试。我们设置了不同的阈值参数，以评估其对检测结果的影响。同时，为了更全面地评估算法性能，我们选择了多种不同的运动目标检测算法作为对比实验。实验结果显示，本文提出的融合方法在各种场景下均表现出较高的准确性和鲁棒性。具体来说，在背景较为简单的场景下，连续帧间差分法可以有效地检测出运动目标，而在背景复杂或光照变化较大的场景下，背景差分法则能够更好地分离出运动目标与背景。通过将两种方法相融合，我们的算法能够在不同场景下都取得较好的检测效果。对比实验的结果进一步验证了本文算法的有效性。与传统的单一方法相比，融合方法在运动目标的完整性、背景抑制以及噪声抑制等方面均表现出优势。我们还发现，通过合理设置阈值参数，可以进一步提高算法的检测精度和鲁棒性。实验结果表明，本文提出的连续帧间差分与背景差分相融合的运动目标检测方法是一种有效且鲁棒性强的方法，适用于各种复杂场景下的运动目标检测任务。七、结论与展望本文提出的连续帧间差分与背景差分相融合的运动目标检测方法，通过结合两种方法的优势，有效地提高了运动目标检测的准确性和稳定性。实验结果表明，该方法能够准确提取出运动目标的轮廓，并在复杂背景下实现有效的目标跟踪。结论部分，本文对连续帧间差分与背景差分相融合的运动目标检测方法进行了全面分析。该方法首先利用连续帧间差分法提取出运动目标的初步轮廓，然后通过背景差分法对初步轮廓进行优化，以消除背景干扰和噪声。通过形态学处理和连通域分析，实现对运动目标的精确提取和跟踪。实验结果表明，该方法在运动目标检测方面具有较高的准确性和稳定性，特别是在复杂背景下，能够有效地提取出运动目标的轮廓并实现目标跟踪。展望未来，我们将继续优化该方法，以提高其适应性和鲁棒性。一方面，我们将进一步改进背景模型的更新策略，以适应更复杂多变的背景环境。另一方面，我们将研究如何将该方法应用于实际场景中的运动目标检测与跟踪任务，例如智能交通、视频监控等领域。我们还将探索将深度学习等先进技术引入该方法，以提高运动目标检测的准确性和效率。连续帧间差分与背景差分相融合的运动目标检测方法在运动目标检测领域具有广阔的应用前景。未来，我们将继续深入研究该方法，并将其应用于更多实际场景中，为智能视频监控、智能交通等领域的发展做出贡献。参考资料：差分相移键控常称为二相相对调相，记作2DPSK。它不是利用载波相位的绝对数值传送数字信息，而是用前后码元的相对载波相位值传送数字信息。所谓相对载波相位是指本码元初相与前一码元初相之差。差分相移键控信号的波形如概述图所示。假设相对载波相位值用相位偏移表示，并规定数字信息序列与之间的关系为则按照该规定可画出2DPSK信号的波形如图1所示。由于初始参考相位有两种可能，因此2DPSK信号的波形可以有两种（另一种相位完全相反，图中未画出）。为便于比较，图中还给出了2PSK信号的波形。由图1可以看出：（1）与2PSK的波形不同，2DPSK波形的同一相位并不对应相同的数字信息符号，而前后码元的相对相位才能唯一确定信息符号。这说明解调2DPSK信号时，并不依赖于某一固定的载波相位参考值，只要前后码元的相对相位关系不破坏，则鉴别这个相位关系就可正确恢复数字信息。这就避免了2PSK方式中的“倒π”现象发生。由于相对移相调制无“反问工作”问题，因此得到广泛的应用。（2）单从波形上看，2DPSK与2PSK是无法分辨的，比如图1中2DPSK也可以是另一符号序列（见图中下部的序列，称为相对码，而将原符号序列称为绝对码）经绝对移相而形成的。这说明，一方面，只有已知移相键控方式是绝对的还是相对的，才能正确判定原信息；另一方面，相对移相信号可以看作是把数字信息序列（绝对码）变换成相对码，然后再根据相对码进行绝对移相而形成。这就为2DPSK信号的调制与解调指出了一种借助绝对移相途径实现的方法。这里的相对码，即差分码，其是按相邻符号不变表示原数字信息“0”，相邻符号改变表示原数字信息“1”的规律由绝对码变换而来的。这里,表示模二和。使用模二加法器和延迟器（延迟一个码元宽度）可以实现上述转换，如图3（a）、（b）所示。图（a）是把绝对码变成相对码的方法，称其为差分编码器；图（b）是把相对码变为绝对码的方法，称其为差分译码器。由以上讨论可知，相对相移本质上就是对由绝对码转换而来的差分码的数字信号序列的绝对相移。那么，2DPSK信号的表达式与2PSK的形式应完全相同，所不同的只是此时式中的s(t)信号表示的是差分码数字序列。2DPSK信号的解调有两种解调方式，一种是差分相干解调，另一种是相干解调-码变换法。后者又称为极性比较－码变换法。（1）相干解调-码变换法。此法即是2PSK解调加差分译码，其方框图见图5-27。2PSK解调器将输入的2DPSK信号还原成相对码，再由差分译码器（码反变换器）把相对码转换成绝对码，输出。（2）差分相干解调法。它是直接比较前后码元的相位差而构成的，故也称为相位比较法解调，其原理框图如图6这种方法不需要码变换器，也不需要专门的相干载波发生器，因此设备比较简单、实用。图中延时电路的输出起着参考载波的作用。乘法器起着相位比较（鉴相）的作用。由前讨论可知，无论是2PSK还是2DPSK信号，就波形本身而言，它们都可以等效成双极性基带信号作用下的调幅信号，无非是一对倒相信号的序列。2DPSK和2PSK信号具有相同形式的表达式，所不同的是2PSK表达式中的s(t)是数字基带信号，2DPSK表达式中的s(t)是由数字基带信号变换而来的差分码数字信号。据此，有以下2DPSK信号极性比较-码变换方式解调时的误码率为。当相对码的误码率时，式（5-88）可近似表示为。由此可见，码反变换器器总是使系统误码率增加，通常认为增加一倍。（2）差分相干解调时2DPSK系统的抗噪声性能对2DPSK差分相干检测解调系统误码率的分析，由于存在着带通滤波器输出信号与其延迟的信号相乘的问题，因此需要同时考虑两个相邻的码元，分析过程较为复杂。在此，我们仅给出如下（3）2PSK系统存在“反向工作”问题，而2DPSK系统不存在“反向工作”问题。例用2DPSK在某微波线路上传送二进制数字信息，已知传码率为106波特，接收机输入端的高斯白噪声的双边功率谱密度为=W/Hz，若要求误码率。在视频处理、计算机视觉和监控技术中，背景建模是一个至关重要的环节。一个稳定和有效的背景模型可以帮助我们准确地区分前景目标和背景，从而在各种应用场景中实现更为精准的目标跟踪、行为分析等功能。近年来，混合高斯模型和帧间差分法成为了背景建模领域的两种主流方法，而将这两者相结合形成的自适应背景模型，更是在实际应用中展现出了强大的潜力和优势。混合高斯模型是一种基于统计学的背景建模方法。它通过对每个像素点的颜色或灰度值进行高斯分布建模，将视频帧中的像素点划分为前景和背景两类。这种方法对于背景中的缓慢变化，如光照变化、颜色渐变等，具有较好的适应性。当背景中出现快速变化的物体，如飘动的树叶、快速移动的人群等，混合高斯模型可能会受到干扰，导致背景建模的准确度下降。帧间差分法则是利用连续视频帧之间的像素差异来检测运动物体。这种方法对于快速运动的物体具有较好的检测效果，但对于背景中的缓慢变化则较为敏感。帧间差分法通常用于检测运动目标，而非用于背景建模。为了克服单一方法的局限性，研究人员提出了将混合高斯模型和帧间差分法相结合的自适应背景模型。这种模型结合了两种方法的优点，既能够应对背景中的缓慢变化，又能够准确地检测快速运动的物体。具体来说，该模型首先利用混合高斯模型对背景进行初步建模，然后通过帧间差分法检测运动目标。对于检测到的运动目标，模型会对其进行进一步的分析和处理，以判断其是否属于真正的前景目标。同时，模型还会根据背景的变化情况，动态地调整混合高斯模型的参数，以保证背景建模的准确性和实时性。在实际应用中，这种自适应背景模型已被广泛应用于视频监控、智能交通、人机交互等领域。例如，在智能监控系统中，该模型可以帮助我们准确地识别出入侵者、遗失物品等异常情况，从而提高监控系统的安全性和效率。在智能交通领域，该模型可以用于检测道路上的车辆、行人等运动目标，为交通管理和规划提供有力支持。在人机交互领域，该模型也可以用于实现更为精准的手势识别、动作捕捉等功能。混合高斯模型和帧间差分相融合的自适应背景模型是一种高效、稳定的背景建模方法。它结合了两种主流方法的优点，能够应对各种复杂场景下的背景建模需求。随着计算机视觉和技术的不断发展，这种自适应背景模型将在更多领域发挥重要作用，为我们的生活和工作带来更多的便利和安全。差分GPS（differentialGPS-DGPS，DGPS）是首先利用已知精确三维坐标的差分GPS基准台，求得伪距修正量或位置修正量，再将这个修正量实时或事后发送给用户（GPS导航仪），对用户的测量数据进行修正，以提高GPS定位精度。差分GPS分为单基准站差分、多基准站的局部区域差分和广域差分三种类型。从差分所用的信号信息，可分为码相位和载波相位。根据差分GPS基准站发送的信息方式可将差分GPS定位分为三类，即：位置差分、伪距差分和相位差分。差分GPS(DGPS)是在正常的GPS外附加(差分)修正信号，此改正信号改善了GPS的精度。这三类差分方式的工作原理是相同的，即都是由基准站发送改正数，由用户站接收并对其测量结果进行改正，以获得精确的定位结果。所不同的是，发送改正数的具体内容不一样，其差分定位精度也不同。这是一种最简单的差分方法，任何一种GPS接收机均可改装和组成这种差分系统。安装在基准站上的GPS接收机观测4颗卫星后便可进行三维定位，解算出基准站的坐标。由于存在着轨道误差、时钟误差、SA影响、大气影响、多径效应以及其他误差，解算出的坐标与基准站的已知坐标是不一样的，存在误差。基准站利用数据链将此改正数发送出去，由用户站接收，并且对其解算的用户站坐标进行改正。最后得到的改正后的用户坐标已消去了基准站和用户站的共同误差，例如卫星轨道误差、SA影响、大气影响等，提高了定位精度。以上先决条件是基准站和用户站观测同一组卫星的情况。位置差分法适用于用户与基准站间距离在100km以内的情况。伪距差分是用途最广的一种技术。几乎所有的商用差分GPS接收机均采用这种技术。国际海事无线电委员会推荐的RTCMSC-104也采用了这种技术。在基准站上的接收机要求得它至可见卫星的距离，并将此计算出的距离与含有误差的测量值加以比较。利用一个α-β滤波器将此差值滤波并求出其偏差。然后将所有卫星的测距误差传输给用户，用户利用此测距误差来改正测量的伪距。用户利用改正后的伪距来解出本身的位置，就可消去公共误差，提高定位精度。与位置差分相似，伪距差分能将两站公共误差抵消，但随着用户到基准站距离的增加又出现了系统误差，这种误差用任何差分法都是不能消除的。用户和基准站之间的距离对精度有决定性影响。测地型接收机利用GPS卫星载波相位进行的静态基线测量获得了很高的精度（10-6～10-8）。但为了可靠地求解出相位模糊度，要求静止观测一两个小时或更长时间。这样就限制了在工程作业中的应用。于是探求快速测量的方法应运而生。例如，采用整周模糊度快速逼近技术（FARA）使基线观测时间缩短到5分钟，采用准动态（stopandgo），往返重复设站（re-occupation）和动态（kinematic）来提高GPS作业效率。这些技术的应用对推动精密GPS测量起了促进作用。上述这些作业方式都是事后进行数据处理，不能实时提交成果和实时评定成果质量，很难避免出现事后检查不合格造成的返工现象。差分GPS的出现，能实时给定载体的位置，精度为米级，满足了引航、水下测量等工程的要求。位置差分、伪距差分、伪距差分相位平滑等技术已成功地用于各种作业中。随之而来的是更加精密的测量技术—载波相位差分技术。载波相位差分技术又称为RTK技术（realtimekinematic），是建立在实时处理两个测站的载波相位基础上的。它能实时提供观测点的三维坐标，并达到厘米级的高精度。与伪距差分原理相同，由基准站通过数据链实时将其载波观测量及站坐标信息一同传送给用户站。用户站接收GPS卫星的载波相位与来自基准站的载波相位，并组成相位差分观测值进行实时处理，能实时给出厘米级的定位结果。实现载波相位差分GPS的方法分为两类：修正法和差分法。前者与伪距差分相同，基准站将载波相位修正量发送给用户站，以改正其载波相位，然后求解坐标。后者将基准站采集的载波相位发送给用户台进行求差解算坐标。前者为准RTK技术，后者为真正的RTK技术。GPS定位是利用一组卫星的伪距、星历、卫星发射时间等观测量和用户钟差来实现的。要获得地面的三维坐标，必须对至少4颗卫星进行测量。在这一定位过程中，存在3部分误差：第一部分误差是由卫星钟误差、星历误差、电离层误差、对流层误差等引起的；第三部分为各用户接收机固有的误差，由内部噪声、通道延迟、多路径效应等原因造成。利用差分技术，第一部分误差可以完全消除；第二部分误差大部分可以消除，消除程度主要取决于基准接收机和用户接收机的距离；第三部分误差则无法消除。我们主要介绍消除由于电离层延迟和对流层延迟引起的误差的算法。在算法中使用的时间系统为GPS时，坐标系统为WGS-84坐标系。我们主要通过电离层网格延迟算法来获得实际的电离层延迟值，以消除电离层误差。具体过程如下：解算星历，得出卫星位置→求电离层穿透点位置→求对应网格点→求网格4个顶点的电离层延迟改正数→内插获得穿透点垂直延迟改正数→求穿透点的实际延迟值。从GPSOEM板接收到的是二进制编码的星历数据流，必须按照本文前面部分列出的数据结构解算星历数据，再依据IEEE-754标准将其转换为十进制编码的数据。在这里，需要解算的参数有：轨道长半轴的平方根（sqrta）、平近点角改正（dn）、星历表基准时间（toe）、toe时的平近点角（m0）、偏心率（e）、近地点角距（w）、卫星轨道摄动修正参数（cuscuccisciccrscrc）、轨道倾角（i0）、升交点赤经（omg0）、升交点赤经变化率（odot）。2．工程施工：道路、桥梁、隧道的施工中大量采用GPS设备进行工程测量正在运行的全球卫星定位系统有美国的GPS系统和俄罗斯的GLONASS系统。欧盟1999年初正式推出“伽利略”计划，部署新一代定位卫星。该方案由27颗运行卫星和3颗预备卫星组成，可以覆盖全球，位置精度达几米，亦可与美国的GPS系统兼容，总投资为35亿欧元。该计划预计于2010年投入运行。中国还独立研制了一个区域性的卫星定位系统——北斗导航系统。该系统的覆盖范围限于中国及周边地区，不能在全球范围提供服务，主要用于军事用途。由于GPS技术所具有的全天候、高精度和自动测量的特点，作为先进的测量手段和新的生产力，已经融入了国民经济建设、国防建设和社会发展的各个应用领域。随着冷战结束和全球经济的蓬勃发展，美国政府宣布2000年至2006年期间，在保证美国国家安全不受威胁的前提下，取消SA政策，GPS民用信号精度在全球范围内得到改善，利用C/A码进行单点定位的精度由100米提高到10米，这将进一步推动GPS技术的应用，提高生产力、作业效率、科学水平以及人们的生活质量，刺激GPS市场的增长。据有关专家预测，在美国，单单是汽车GPS导航系统，2000年后的市场将达到30亿美元，而在中国，汽车导航的市场也将达到50亿元人民币。可见，GPS技术市场的应用前景非常可观。车载导航仪作为高科技产品，涉及众多技术领域，一个功能齐全、质量上乘的车载导航产品需要有强大的技术和制造实力支撑。由于市场处于高速成长期，国内做导航产品的厂家大大小小有不下于1000家，但是其中绝大多数是小工厂或手工式作坊，而真正的正规大厂屈指可数，这也是为什么国内生产厂家众多，但质量抽检合格率仅有三成的原因。国内上规模的车载导航产品厂家有拓邦、好帮手、飞歌等少数几家。选择正规大厂另一个原因是因为它们一般比较重视售后服务，有完善的售后服务体系。特别是上市公司，随时要接受公众和证监会的监督，出现问题时往往会勇于担当而不是推卸责任。而小厂因实力有限，根本无法提供完善的售后服务，没有售后的支持，产品一旦出现问题，消费者只能自行承担相应损失