基于视频检测的车辆测速方法(1)

∑ Dif ( i + p , j + q) · (2)
- 1 ≤p ≤1 , - 1 ≤q ≤1
S2 ( p + 1 , q + 1) |
E( i , j) = E1 ( i , j) + E2 ( i , j)
选取适当阈值 t hresh 对该边缘图像进行二值化 处理 :
B I( i , j) = 255 , if E( i , j) > t hresh (3)
可以看出 ,通过分别统计帧差边缘二值图像中 R上 , R下 内的边缘像素点 ,即可获得当前车辆位于检测 区域的位置 。 1. 3 车尾位置检测
当检测到车辆状态为“车尾进入”的状态 ,分析对应 的二值图像 ,如图 2 (c) ,从子区域 R上 底部向上检测到 丰富边沿开始的位置 ,即为车尾位置 。
图 2 车尾检测与图像匹配
图 1 运动图像序列
图 1 (a) 为车辆刚进入检测区域 ,图 1 ( b) 为车辆在 检测 区 域 内 行 驶 , 图 1 ( c ) 为 车 辆 离 开 检 测 区 域 , 图 1 (d) 、图 1 (e) 、图 1 (f ) 分别为与图 1 ( a) 、图 1 ( b) 、 图 1 (c) 相对应的帧差图像二值图像 。
车头进入 , S下n- 1 = 无运动
&S
n上
1
= 无运动
车辆状态 =
&S
n 下
= 运动
车身进入 , S下n- 1 = 运动
&S
n 下
= 运动
车尾进入 , S下n- 1 = 运动
&S
n 下
= 无运动
(5) 即在检测区域内 ,当拍摄车辆尾牌时 ,车辆应满足 从该区域下端进入 ,上端离开的条件 ,如图 1 所示 。
《现代电子技术》2009 年第 23 期总第 310 期
1. 4 基于灰度的图像匹配 由于拍摄范围较小 ,在两帧间 ,忽略车辆因远离相
机产生的几何变化 ,根据图像块间的灰度差平方和作为 匹配判定依据 。
∑ E = [ Is ( i , j) - It ( i , j) ]
(6)
式中 : Is ( i , j) 是 第 n 帧 中 车 尾 处 图 像 块 ; It ( i , j) 为 第 n + 1 帧中 ,从对应于第 n 帧的车尾位置开始 , 向上 依次搜索到的图像块 。
(1. Institute of Image and Grap hics ,Department of Comp uter Science ,Sichuan University ,Chengdu ,610065 ,China ; 2. Key L abo rato ry of Fundamental Synt hetic Vision Grap hics and Image Science fo r National Defense ,Sichuan University ,Chengdu ,610065 ,China)
关键词 :视频检测 ;车辆测速 ;图像匹配 ;坐标转换 中图分类号 : TP391 文献标识码 :A 文章编号 :10042373X(2009) 232185204
Vehicle Speed Measurement Method Based on Video Detection
C H EN Yuanyuan1 ,2 ,C HA I Zhi1 ,2
-1 0 1
S1 = 0 0 0 , S2 = - 2 0 2
121
-1 0 1
计算出 Dif 的边缘图像 :
E1 ( i , j) = |
∑ Dif ( i + p , j + q) ·
- 1 ≤p ≤1 , - 1 ≤q ≤1
S1 ( p + 1 , q + 1) |
E2 ( i , j) = |
法将摄像机安装在车道上方 ,拍摄车辆运动图像序列 , 运用图像处理与模式识别方法对接收到的图像序列进 行分析 ,获取图像中车辆在两帧间的位移 ,从而得到车 辆的行驶速度 。
在基于视频的测速方法中 ,主要需解决的问题是从 图像序列中获得车辆移动的距离 ,即找到两张图像中车 辆位置的匹配关系 。常用的方法有角点检测[4] 、纹理分 析[5 ] 、视频跟踪[6] 等 ,以上方法尽管能够很好地在两张 图像中找到相应车辆的匹配位置 ,但较大的计算量则无 法满足实时测速的要求 。另外 ,用车身的不同位置进行 匹配 ,对车辆实际移动距离的计算也有影响 。本文中 , 通过对视频序列中车尾位置的检测 ,利用图像匹配方法 获得车辆在图像上移动的像素差 ,结合相机坐标与世界 坐标转换 ,能够在实时条件下对车辆进行精确测速 。
Abstract :Vehicle speed measurement plays an important role in Intelligent Transpo rtation System ( ITS) . It co ntains of met hods based on loop ,laser ,radar and video . Fo r convenience of hardware installing and lower co st ,video2based met hod has a wide application p ro spect if it has better accuracy. Detecting t he rear of vehicle in video image ,finding t he distance in image co2 ordinate of which in two adjacent f rames by image matching ,t hen it can calculate t he act ual distance of t he movement of vehicle by coo rdinate conversion between image coo rdinate and wo rld coo rdinate. After testing ,the met hod can accurately mea2sure t he speed of vehicles in 0～140 km / h ,and the average error is ±2 %. Dealing wit h 800 0002pixel video image ,each f rame takes a2 bo ut 10ms to meet t he requirement s of real2time co nditions.
0,
el se
最后 ,对二值图像 B I 中等于 255 的像素点个数进 行统计 ,当该统计值大于 T 时 ,判定为检测区域存在 运动 。
186
s =
运动 , sum (B IArea ) > T 无运动 , el se
(4)
1. 2 运动状态判断
为了克服帧间差方法在进行运动检测时存在的不
频序列图像中对运动目标进行检测的方法主要有背景
差 、帧间差 、光流法以及频域法[7] 等 。利用背景差的方
法 ,需要在每一帧或数帧后对背景进行更新 ,以适应场 景变化 ;帧间差法 ,则通过将两帧图像相减获得运动目 标 ,当目标停止运动时 ,会丢失目标 ;光流法和频域法的 计算较为复杂 ,通常不用于实时系统中 。
如图 2 所示 ,在第 87 帧的帧差边缘二值图像中 (c) 检测到车尾时 ,将 86 帧中车尾区域对应图像作为被匹 配图像 (图 2 (a) ) ,在 87 帧中搜索与该图像最匹配的位 置 (图 2 ( b) ) 。图 2 (a) 、(b) 中矩形框在垂直方向上移动 的像素 ,即相机坐标系下车辆移动的距离 。
2. 2 距离测量
考虑摄像机架设位置和角度 ,对两张图像中相匹配
点建立车辆移动距离模型 ,如图 3 所示 。
பைடு நூலகம்
图 3 世界坐标与图像坐标转换
足 ,将整个运动检测区域分为上 、下两个子区域 R上 ,
R下 ,两个子区域的面积可以不相等 ,甚至可以存在重叠
区域 ,如图 1 所示 。根据式 (4) 分别获得两个子区域的运
动状态
S上
,
S下
进行运动状态判断
,令
S
n 上
,
S
n 下
再分别表
示检测区域的两个子区域在第 n 帧的运动状态 ,由此对
车辆状态进行判定 :
1 车尾检测与图像匹配
收稿日期 :2009206212
要获得车辆在路面上实际移动的距离 ,首先需要根 185
智能交通与导航
陈媛媛等 :基于视频检测的车辆测速方法
据图像序列得到车辆在两帧图像中移动的像素点个数 , 即在图像坐标中的位移 。在第 n 帧图像中选取一些特 征点或特征区域 ,在第 n + 1 帧中确定与之相应的特征 点或特征区域在图像中的位置 ,即可获得车辆在图像坐 标中的位移 。
Keywords :video detection ;vehicle speed measurement ;image matching ;coordinate co nversion
0 引 言
目前 ,智能交通系统中对车辆进行测速的方法主要 有线圈测速[1 ,2 ] 、激光测速[2 ] 、雷达测速[3 ] 、视频测速[4 ] 等 。线圈测速多为埋设式 ,车辆通过线圈时 ,会引起线 圈磁场变化 ,检测器依此计算出车辆速度 ,线圈在安装 或维护时必须直接埋入车道 ,容易使路面受损 ,且安装 过程中会暂时阻碍交通 ,线圈也易受到冰冻 、路基下沉 等因素的影响 。当车流拥堵时 ,检测精度会大大降低 。 激光测速的工作原理是建立在光波测距的基础上 ,利用 对运动物体的多次测距与时间之比 ,得出其运动速度 。 雷达测速采用了多普勒雷达体制 ,当发射源和接收者之 间有相对径向运动时 ,接收到的信号频率将发生变化 。 激光测速与雷达测速方法对测速的角度要求都非常高 , 在实际运用中存在一定局限 。基于视频检测的测速方
《现代电子技术》2009 年第 23 期总第 310 期
电子技术应用
基于视频检测的车辆测速方法
陈媛媛1 ,2 ,柴 治1 ,2
(1. 四川大学 计算机学院图像图形研究所 四川 成都 610065 ; 2. 四川大学 视觉合成图形图像技术国防重点学科实验室 四川 成都 610065)
摘 要 :机动车辆的测速是智能交通系统中一个重要的组成 ,主要方法有线圈测速 、激光测速 、雷达测速 、视频测速等 。 视频测速方法由于安装方便 ,成本较低 ,若能有较好的测速精度 ,则有着广泛的应用前景 。通过在视频图像中对车辆尾部的 检测 ,利用图像匹配方法找出车尾在两相邻帧图像中移动的距离 ,再利用图像坐标与世界坐标的相互转换 ,计算出两帧图像 中车辆移动的实际距离 。经测试 ,该方法能够对车辆进行准确测速 ,在车速为 0～140 km/ h 的条件下 ,平均测速误差为 ±2 % ,处理 80 万像素的视频图像 ,每帧测速时间约为 10 ms ,满足了实时条件的要求 。
在本文中 ,对图像序列进行帧间差计算检测车辆运 动 ,再用 sobel 算子计算帧差图像的边缘获得二值图像 , 计算帧差图像的边缘可以去掉大面积阴影造成的影响 。
令两相邻帧图像分别为 I1 和 I2 ,计算帧差图像为 :
Dif = | I1 - I2 |
(1)
用 so bel 算子 :
-1 -2 -1
2 车辆测速方法
2. 1 速度测量
在各种测速方法中 ,所有的测速设备都是依据
式 (7) 得到的 :
v = Δs/Δt
(7)
利用视频检测方法对车辆进行测速时 ,Δt 为两帧
图像之间的时间差 ,可根据摄像机采集帧率计算得到 ,
通常是一个固定值 ,Δs 需要通过图像处理方法在图像
序列中找到被测车辆实际移动的距离 。
从各类机动车外形的观察发现 ,各类机动车车身高 度相差很多 , 但车尾下端距地面的 平均 距离 为 50 ～ 60 cm 。另外 ,大多车辆的车牌悬挂在车辆尾部 ,车牌 区域纹理丰富 ,适合作为特征区域在两帧图像中进行匹 配 。因此 ,以车尾位置作为两帧图像的匹配点 ,更加准 确和通用 。
1. 1 运动检测 对车尾的定位依赖于对车辆运动过程的检测 ,在视