论车速基于视频车速检测算法

论文导读：
摘 要： 对视频图像处理中车辆速度检测所涉及的摄像机标定和基于图像匹配的测速算法进行了研究。首先经几何推导得出二维标定算法，得到一个精度满足需要、计算量小的标定算法。然后在图像匹配的基础上，将虚拟线圈和图像匹配算法结合起来，得到匹配前后车辆绝对像素位置。经实地验证，能源于：论文开题报告www.7ctime.com
够比较准确地检测出车辆经过时的瞬时速度，满足实际应用的要求。
关键词： 交通参数检测； 车辆速度检测； 摄像机标定； 图像匹配
1004?373X（2013）03?0158?04
0 引 言
近年来，基于视频技术的车辆监测技术由于其维护方便，易于实施的特点广受关注，其方法也开始广泛应用于车速检测，视频车辆检测技术将是未来实时交通信息采集和处理技术的发展方向。
测量车辆速度步骤为：
选定一个时间间隔n帧，检测出n帧前后车辆绝对位置（单位：像素）。
把图像坐标系映射到世界坐标系，得出n帧前后车辆实际位移（单位：m）。
实际位移（单位：m）除以n帧时间，得出速度结果。
1 摄像机标定
摄像机标定的目的就是求出图像坐标（单位：像素）和世界坐标（单位：cm）的转换关系式。摄像机标定之前需要先在图像上标出左中右三个车道线[1?3]。
本文利用摄相机的关系，几何推导出了摄像机的图像坐标与世界坐标系的转换关系式[4?5]。
中间车道线的白色虚线间隔是等距的，通过实际测量得到其距离为6 m，选定这个等距的白线作为参照物。用鼠标在6 m等距的地方分别进行点击，并且至少要点出三个点。几何推导方法如下：
关系几何推导图如图1所示，O点为摄像机的焦点，NC代表的是中间车道线，MF为摄像头镜头投影面，也就是视频图像上所显示的面。由摄像机镜头的成像原理可知，M靠近图像下方，F靠近图像上方。
根据这几个关系式，可以得到中间车道线上288行像素中任意一行到第0行的实际距离，如MappedDis[120]=708是指中间车道线上从第0行到120行的实际距离为708 cm，即MappedDis[120]?MappedDis[0]= 708。由此可以得出中间车道线任意两点像素之间的实际距离。
实际应用中，摄像机安装在道路一侧，偏离中间车道线。如图2所示，两条斜线之间，EF的实际距离应该等于AB的实际距离。所以说在摄像头的标定中，需要根据不同的场景给予一定的角度补偿，把关系式从中间车道线扩展到整幅图。把中间车道线上的点扩展成一条直线，使之成为二维的。
图2中，每条直线上的值都是相等的，直线S与中间车道线相交于O点，以这条线作为基准零点，也就是说这条线上关系值都为0，直线S下方这一部分的值未处理，也都为0。直线H上的值都等于MappedDis[M]，直线T上的值都等于MappedDis[N]。由此可以得出，点M和点N所在的两条直线上任意两点的距离为M和N的距离，即等于MappedDis[M]? MappedDis[N]。
近似地，把图2中的直线间看做平行，只需要知道一个斜率，就可以得出一个补偿关系。假设直线FM和直线EN平行，直线EN和水平线之间的夹角α是已知的。通过对E、F两点做一个角度为α的投影，就可以得到M、N两点的坐标，以及M、N两点的关系，从而达到对偏离中间车道线的车辆在关系上的一个补偿效果。
2 车速检测方法
虚拟线圈检测法是视频测速的一个基本方法，有代替物理检测线圈的功能。虚拟线圈水平放置于图像的中下部，可以避免前车挡后车的问题。通常，检测区域的高度为普通车长，宽度为车道的宽度。这种检测方法比较适用于摄像头架设位置较高、车辆较小的情况。

2.1 基于图像匹配的测速算法[6?7]

基于图像匹配的算法是指找到车身上某部分特征比较明显的块或者面，在后续帧按照某种准则进行对比匹配，找到此块在后续帧的位置，然后依次进行跟踪匹配，判断出此块的运动轨迹，从而得出车辆的像素位移[8]。
为了便于处理，720×288的图像被分割成90×48个块，每块大小8×6像素。本研究中使用了一条高度为1块，长90块的虚拟线圈。
隧道光线相对比较稳定，当车辆刚好经过线圈位置时开始测速。从图像顶部往下纵向看，首先是车身，然后是车尾，最后是比较稳定的路面。所论文导读：车辆的横向位置，以这个位置为横坐标，再综合线圈位置为纵坐标这项因素，从而得出匹配模板的中间点坐标。2.1.2模板的表示经过对不同场景、不同时间段的多次测量、实验发现：模板应该比车身窄，即模板的上半部分全为车身，下半部分是路面。由于关系，车辆的像素宽度是上窄下宽。并且在隧道交通中，转弯的情况也比较多，所
以匹配模板[9]要包括一部分车身、车尾以及一定的路面，这样找出来的模板特征比较丰富。
2.

1.1 模板位置的确定

已知匹配模板包括部分车身、车尾、路面，即纵向上车尾位于这个模板面的中间位置。而接收到车辆结束信号时，车尾的位置刚好经过线圈，所以取线圈的纵坐标作为模板的纵坐标。
时间上，每帧车辆经过时虚拟线圈内二值化块都有一个中心位置，记录下这些序列的中心位置横坐标，经过一个加权平均，得出车辆的横向位置，以这个位置为横坐标，再综合线圈位置为纵坐标这项因素，从而得出匹配模板的中间点坐标。
2.

1.2 模板的表示

经过对不同场景、不同时间段的多次测量、实验发现：模板应该比车身窄，即模板的上半部分全为车身，下半部分是路面。由于关系，车辆的像素宽度是上窄下宽。并且在隧道交通中，转弯的情况也比较多，所以车道线走势并非直线。所以本文的模版是一个不规则的“四边”形，上边和下边都是直线，左右斜边随车道走势而变化，如图3所示。
O点为模板中心位置，模板纵向高8个块。横向上，O点左右各3个块。三条车道线的坐标已知。通过A、E、F三点的比例关系，计算出左右斜边上任意一点X的横坐标，且坐标随着车道线的走势而变化。从而得到随着车道线走向而变化的不规则四边形作为匹配模板。摘自：本科生毕业论文www.7ctime.com