基于變長參照物的車速檢測算法

摘 要：隨著我國汽車數(shù)量的迅速增加，交通擁堵，環(huán)境污染，霧霾天氣等問題相繼出現(xiàn)，對人們的生產(chǎn)生活產(chǎn)生了不同程度的影響。針對這些問題，文中采用視頻檢測技術(shù)設(shè)計了一種城市道路車流速度檢測方法。該方法通過一系列的視頻檢測算法，從最原始的視頻信號中提取出道路上的所有車輛，并通過SURF-Kalman算法對車輛進(jìn)行跟蹤定位，分別根據(jù)基于變長參照物的運(yùn)動車輛速度計算方法對車輛的速度進(jìn)行計算，最終實(shí)現(xiàn)對道路上車流速度的估算。

關(guān)鍵詞：視頻檢測；車速檢測；SURF-Kalman算法；交通流

中圖法分類號:TP311.52 文獻(xiàn)標(biāo)識碼:A 文章編號：2095-1302(2014)06-0022-02

0引言

在智能交通系統(tǒng)（ITS）中，交通參數(shù)的檢測一直是交通領(lǐng)域的重點(diǎn)研究內(nèi)容之一，現(xiàn)階段應(yīng)用比較廣泛的有地感線圈測速、雷達(dá)測速、紅外測速和激光測速等方法。但這些方法都存在安裝、使用的復(fù)雜性以及受天氣因素制約等多方面的局限性。美國加州帕薩迪納市噴氣式實(shí)驗(yàn)室最先提出了基于計算機(jī)視覺的交通流檢測的想法。世界上第一個基于視頻的交通檢測系統(tǒng)由美國明尼蘇達(dá)大學(xué)運(yùn)輸研究中心研制成功[1]?，F(xiàn)階段的視頻檢測技術(shù)很多都存在魯棒性差、計算復(fù)雜度高等問題[2]。本文根據(jù)以上問題采用基于視頻圖像檢測技術(shù)，通過SURF-Kalman算法實(shí)現(xiàn)運(yùn)動車輛的跟蹤，增加運(yùn)動車輛跟蹤的魯棒性。在車速計算方面采用基于變長參照物的車速計算方法，使得車速的計算更加簡便。

1運(yùn)動車輛跟蹤

利用計算機(jī)、模式識別、數(shù)字圖像處理等技術(shù)可以實(shí)現(xiàn)與運(yùn)動目標(biāo)存在一定相似度的車輛建立關(guān)聯(lián)。常用的跟蹤方法可分為：光流法、輪廓跟蹤法、3-D模型匹配法、區(qū)域法和特征跟蹤法[3]。為實(shí)現(xiàn)對多目標(biāo)的跟蹤，同時保持算法的高效性、魯棒性，本文采用了SURF算法和Kalman算法相結(jié)合的方法，將運(yùn)動目標(biāo)的質(zhì)心作為特征點(diǎn)，預(yù)測特征點(diǎn)位置，并在該位置的附近進(jìn)行特征匹配，從而實(shí)現(xiàn)對運(yùn)動目標(biāo)的跟蹤。

1.1車輛跟蹤算法

（1）在檢測到運(yùn)動目標(biāo)質(zhì)心位置后，首先檢查以該目標(biāo)為中心的檢測范圍內(nèi)是否為被標(biāo)記的目標(biāo)，若是，則該目標(biāo)為正在被跟蹤的車輛，轉(zhuǎn)（2），否則為即將新檢測的車輛，同時轉(zhuǎn)（3）；標(biāo)記矩陣時：首先設(shè)置一個與視頻幀相同的二維矩陣，并初始化該矩陣的所有元素為0。如圖1所示，當(dāng)某一運(yùn)動車輛被標(biāo)記時，該車輛的質(zhì)心附近車輛大小的范圍內(nèi)的元素將被設(shè)置為該車的序列號，如圖2所示。

圖1標(biāo)記之前的初始化矩陣圖2標(biāo)記之后的矩陣

（2）初始化運(yùn)動目標(biāo)狀態(tài)方程，利用此濾波器來預(yù)測運(yùn)動目標(biāo)質(zhì)心在下一幀可能出現(xiàn)的位置，并將質(zhì)心位置附近一定范圍作為檢測范圍，利用SURF算法提取該范圍內(nèi)的特征點(diǎn)；

（3）相同序列號的車輛在特征庫中的特征點(diǎn)與（2）中所提取出的特征點(diǎn)通過閾值法進(jìn)行匹配，若匹配成功，則轉(zhuǎn)（4），否則匹配失敗， 車輛跟蹤失敗；

（4）更新特征庫，更新標(biāo)記矩陣，更新Kalman濾波器；

（5）檢查是否有下一幀圖像，若有則轉(zhuǎn)（1），否則算法執(zhí)行結(jié)束。

1.2實(shí)驗(yàn)結(jié)果分析

圖3所示是一個車輛跟蹤示意圖，圖中對73-77號車進(jìn)行跟蹤實(shí)驗(yàn)，跟蹤結(jié)果表明，在沒有任何遮擋的情況下，74、75、77號車跟蹤情況良好，73、76號車在運(yùn)動過程中被樹木遮擋住，圖3（b）中76號車的前半部分被遮住，則只有后半部分的特征點(diǎn)可以與特征庫中的特征點(diǎn)進(jìn)行匹配，并更新特征庫，在圖3（c）中，當(dāng)該運(yùn)動目標(biāo)駛離遮擋物，該目標(biāo)繼續(xù)以76號車被跟蹤，說明該車未跟蹤失敗，因此，本文說采用的運(yùn)動車輛跟蹤的方法對遮擋物有很強(qiáng)的魯棒性。

（a）30幀（b）55幀（c）70幀

圖3車輛跟蹤示意圖

2基于變長參照物的車速計算

2.1基于變長參照物的車速計算方法

對于城市道路的車流量來說，單一車輛的速度并不能反映整個道路車流量的速度，但是道路車流量的速度又是由單一車輛速度組成的。因此，通過計算單一車輛速度，再對所有車輛加以平均，即可估算出道路上車流量的速度。

首先確定單一車輛速度，速度公式如下：

（1）

在式（1）中，代表連續(xù)3幀的時間，該時間為分幀處理時幀與幀之間的時間間隔來計算，本文采用的兩幀的時間間隔為50 ms，代表了這三幀中車輛質(zhì)心的實(shí)際位移。其中車輛質(zhì)心的位移轉(zhuǎn)化成車輛的實(shí)際位移，則需在視頻圖像中找一參照物。本文將道路上具有一定規(guī)格標(biāo)準(zhǔn)的分車道線作為參照物。

由于在視頻的分幀處理過程中，兩幀之間的時間間隔非常小，在很短的時間內(nèi)，大部分正常行駛的車輛具有很強(qiáng)的規(guī)律性，即方向和速度不會發(fā)生變化，因此，我們可以假設(shè)車輛是以勻速運(yùn)動，方向與水平方向平行的。

要計算車輛質(zhì)心的位移，首先要確定參照物的長度。分車道線在實(shí)際中是固定長度的，但由于攝像機(jī)位置的關(guān)系，在視頻圖像中會呈現(xiàn)出不同的長度。在攝像機(jī)與道路平行拍攝的情況下，可認(rèn)為在各行像素間參照物的變化是線性的，即可以利用等腰梯形來計算每行像素所對應(yīng)的參照物在視頻圖像中的長度。

圖4所示是實(shí)際背景二值圖像中參照物的梯形示意圖。我們可以從背景二值圖像中提取出各行像素中參照物的長度，構(gòu)造一個等腰梯形，如圖5所示，其上邊和下邊分別為提取的實(shí)際分道線，4個角的坐標(biāo)分別為（x1，y1），（x2，y2），（x4，y4），（x4，y4），因此，分道線在視頻中的長度di可表示為：

（2）

其中：

（3）

圖4實(shí)際背景二值圖像中圖5構(gòu)造的等腰梯形

參照物的梯形示意圖

式（2）中的y1表示運(yùn)動車輛質(zhì)心的縱坐標(biāo)。由式（2）、（3）便可計算出任意一行像素所在的分道線在視頻中的長度。

我們將梯形所構(gòu)成的范圍作為一個檢測區(qū)域，根據(jù)直線函數(shù)的數(shù)學(xué)特性以及運(yùn)動車輛質(zhì)心的坐標(biāo)即可檢測出運(yùn)動目標(biāo)什么時候進(jìn)入了檢測區(qū)域。檢測原理如圖6所示。

圖6直線函數(shù)

假設(shè)直線為函數(shù)f（x），在直線f（x）上的點(diǎn)可表示為f（x）=0，在f（x）上的所有點(diǎn)如M1可表示為f（M1）>0，在f（x）下的所有點(diǎn)如M2可表示為f（M2）<0，利用此方法，即可判斷運(yùn)動車輛的質(zhì)心是否在梯形范圍內(nèi)。當(dāng)車輛運(yùn)動在梯形內(nèi)時，可求出連續(xù)三幀質(zhì)心的位移li（0

2.2實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文所提出的基于變長參照物的車速計算方法是否與實(shí)際車輛的速度一致，進(jìn)行了多次實(shí)際開車通過視頻檢測區(qū)域，記錄當(dāng)時的車輛速度與視頻檢測所得的數(shù)據(jù)進(jìn)行對比，結(jié)果顯示96%的速度值基本吻合。這說明本文說提出的車輛速度的檢測方法具有一定的有效性。

3結(jié)語

本文圍繞固定攝像機(jī)角度拍攝城市道路快速干道交通狀況進(jìn)行分析與研究。針對車輛跟蹤魯棒性與高效性要求，采用了SURF-Kalman算法進(jìn)行跟蹤，利用Kalman算法預(yù)測運(yùn)動目標(biāo)質(zhì)心下一幀可能出現(xiàn)的位置，再利用SURF算法進(jìn)行匹配運(yùn)算，保證了跟蹤的有效性和魯棒性。在車速計算方面，提出了一種簡單快捷的計算方法，該方法是以分道線作為參照物來計算車輛質(zhì)心實(shí)際的運(yùn)行距離。最終可計算出車輛的速度，通過對多車的計算可判斷出當(dāng)前整個交通的狀態(tài)。

參 考 文 獻(xiàn)

[1]夏勁，郭紅衛(wèi). 國內(nèi)外城市職能交通系統(tǒng)的發(fā)展概況趨勢及其啟示[J].科技進(jìn)步與對策，2003.1（2）：177-179.

[2]張志勇，黃愛民，劉建平. 視頻智能交通系統(tǒng)[J].計算機(jī)工程與應(yīng)用，2001，27（6）：113-116.

[3]Koguta G，Drymona L，Everetta H R，Target detection，and prosecution from an unmannedground vehicle[C]，Unmanned GroundcVehicle Technology VII，Proceedingsof SPIE，Orlando，F(xiàn)L，USA；2005：560-568

[4]張楠. 城市道路交通流視頻檢測與數(shù)據(jù)處理技術(shù)研究[D].西安：長安大學(xué)，2012.

[5]霍淑麗. 基于視頻流的車速檢測方法研究[D].長春：長春理工大學(xué)，2011.