《车辆运行速度检测系统的研究与实现.doc》由会员分享，可在线阅读，更多相关《车辆运行速度检测系统的研究与实现.doc（42页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流车辆运行速度检测系统的研究与实现.精品文档.车辆运行速度检测系统的研究与实现摘 要基于视频图像处理的交通信息检测系统因其简单、方便、实时性好等各种独特优势越来越受到重视，近年来成为国内外研究的一个热点，在交通监控系统己被广泛使用，成为现代智能交通(ITS)系统的发展方向和趋势，现在多数大城市中闯红灯系统己经由地感线圈等作方式过渡到视频处理方式，并取得了良好效果。流量、速度监控系统也逐渐用了视频处理方式，视频图像检测己成为TS的关键核心技术之一。有着广阔的应用前景。车辆速度检测是交通信息检测的一个重要组成部分。本文对车辆速度检测所涉及的摄像机标
2、定和基于图像匹配的测速算法进行了研究。主要内容包括:(l)摄像机标定。在传统的线性模型基础上，介绍了一种新的摄像机标定方法。首先通过线性透视关系，用几何推导的方法对一维坐标进行标定，然后将其扩展至二维以提高标定精度，为了解决二维标定计算量大的问题，经过对二维标定的简化得到一个计算量小、稳定的标定算法。(2)基于图像匹配的测速算法。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，根据线圈位置选取合适的模板，在预先设定的范围内，按照最佳匹配准则进行滑动匹配，得出车辆像素位移，以模板波形谷值点为特征点，得到匹配前后车辆绝对像素位置。本文设计出一种实用的车速检测方法，能够实现车辆瞬时速度的实时检
3、测。隧道实测数据的实验表明:能够比较准确地检测出车辆经过时的瞬时速度，在实际应用中的测量精度达到95%以上。初步应用表明:本设计可以满足实际应用的要求，可应用于隧道中的速度检测、车速调查等方面。关键词：智能交通系统；交通参数检测；车辆速度检测；摄像机标定；数字图像处理Research And Implementation On Vehicle Speed Detection SystemABSTRACTTraffic information surveillance system based on video image processing is becoming more and more
4、 important because of its simple and convenient. And in recent years, a lot of researches focus on it and has been widely used in traffic surveillance and control system. It also becomes a Developing direction and trend in ITS (intelligent transportation system). Most of the Red light system has bec
5、ome the Video treatment from Coils to, and achieved good results. Flow, speed monitoring system also gradually uses the Video treatment; Video treatments have become one of the key technologies of TS, and have a broad application prospect. Vehicle speed detection is a very important part in the traf
6、fic information surveillance system.In this paper, camera calibration and image-based matching algorithms are studied. Main contents are included:(1) Camera calibration. It proposes a new method of camera calibration based on the traditional Pin-hole Model. Firstly, one-dimensional algorithm is geom
7、etric method, and then extends it to two-dimensional in order to calculated out with the enhance calibration. Finally the two-dimensional calibration algorithm is simplified for reducing the computational complexity. (2) Image-based matching algorithm. Firstly, the position of template is fixed acco
8、rding to the position of Virtual Loop. Then matches the template with optimal rule in near area of the next frame. Finally, the minimum in templates wave is selected as feature point to calculate out the vehicles absolute position in pixel.A practical vehicle speed detection algorithm is designed in
9、 this paper, it can detect vehicles instantaneous speed in real-time. The results of experiment in tunnel show that: it can detect vehicles instantaneous speed accurately, in practice, the accuracy of measurement is more than 95%. Early applications indicate that: the algorithms can reach the requir
10、ements of practical applications, it can be used in tunnel in vehicle speed detection, speed survey etc.Keywords: intelligent transport system; traffic information surveillance; vehicle speed detection; camera calibration; digital image processing目 录第一章 绪论11.1研究背景11.1.1国内外典型的车辆测速系统11.1.2 常用的视频检测方法21
11、.2常用车速检测方法3第二章 视频测速系统52.1视频测速方法概述52.2 机动车视频测速模型52.2.1 视频测速计时方案62.2.2 交通场景图像标定62.2.3 车速计算公式62.3 视频测速模型精度分析72.3.1视觉运动物体检测72.4 图像处理算法82.4.1高视觉分辨力的图像差分算子82.4.2 自适应图像差分阈值选取算法82.4.3 无影背景初始化算法82.4.4 选择性背景更新算法92.4.5 运动物体阴影消除算法92.4.6 视觉运动物体检测算法102.5多目标跟踪102.5.1 模板匹配102.5.2 模板更新102.6 机动车视频测速系统工作流程及其关键技术10第三章
12、摄像机标定123.1传统的标定方法123.2本文提出的标定方法143.2.1基于线性模型的一维标定算法143.2.2由一维扩展至二维的标定算法163.2.3二维标定算法的简化183.3标定算法实现及结果203.3.1标定参数设置203.3.2标定结果21第四章 其他视频测速方法274.1光流方程法274.2 相位相关法284.3视频测速原理284.3.1视频测速前提294.3.2 视频测速算法304.4视频测速应用324.4.1视频测速流程图324.4.2采用牌照边框上下边缘测速334.4.3 采用牌照字符上下边缘测速344.4.4 动态闭值354.5 性能分析36第五章 结论及展望37参考文
13、献38谢 辞39附录A：外文翻译-原文部分40附录B：外文翻译-译文部分47第一章 绪论1.1研究背景国外智能交通系统(ITS)的发展始于20世纪60年代，目前国外ITS的研究、开发和利用主要集中在城市交通和高速公路两个方面。ITS总的发展趋势和竞争领域主要集中在一下几个方面:一是美日欧竞相开发智能交通系统体系结构。它是历届ITS世界大会的一个主题。美国国家ITS体系结构的研究始于1992年，采取自上而下的模式推进ITS体系结构的开发。二是美日欧日益重视智能交通系统标准化研究。ITS是先进的信息技术、通信技术、电子技术和交通运输管理系统相接合的大系统，其最基本的特征是“集成”，而标准化是系统集
14、成的重要基础。目前，美日欧正在竞相向国际标准化组织提出ITS的系统方案，以便使之成为标准，从而在争夺ITS国际市场中占据有力位置。三是智能交通系统出现了从单一的道路运输智能化向综合运输智能化发展的趋势。目前世界TIS的发展主流是道路运输的智能化，但是，要从根本上解决交通运输问题，必定要实现整个综合运输系统的智能化。良好的智能交通系统需要大量准确的反馈信息，因此离不开高质量的交通信息的检测，否则，该控制系统不可能具备良好的性能。我国己有成套的动态车速信息采集设备，对于安装GPS定位设备和车载计算机的车辆，可以实时监视车辆的运行状况，动态记录下车辆在各个路段的行驶速度。然而，国内在基于视频图像处理
15、技术的交通信息采集方面的研究起步较晚，在交通迅猛发展的今天，随着经济的发展和科技的进步，越来越多的科研机构和公司开始进行这方面的研究，并取得了一些成绩。目前，我国对于实时车速采集算法和实时交通数据检测的研究还比较少，实时交通数据的扩展应用和相关软硬件的开发还比较薄弱，随着我国交通工程智能化水平的不断提高和道路交管部门的自动化水平的不断改善，基于视频图像处理的实时交通流信息采集系统必将有广阔的前景。视频交通信息采集技术是一种便于使用、信息量大，功能全面的新型检测手段，代表了交通流信息采集技术的发展方向，随着人们对它认识的进一步增加和它本身技术的不断完善，视频交通信息采集技术将逐步取代现有的其他方
16、法，起到交通信息采集技术主体的作用。1.1.1国内外典型的车辆测速系统（1）“速刻一维杂”道路超速录像系统俄罗斯“速刻一维杂”道路超速录像综合安全监测系统，是“速刻”系列测速系统中的一种。该系统是测量动态路线的测速监视器，信息直接保存在计算机上，工作系统运用专门的程序和方便的图表，通过计算机录像监控部分路段，方便测量人员利用键盘控制测量速度等信息。例如:日期，时间，街名，监查人。（2）交通流量视频分析仪北京华恒信息系统有限公司的交通流量视频监测仪，是在工智能和图像处理基础上通过分析移动矢量，实时地分析录像中的交通流动情况，并提取交通状况的主要信息，然后再将分析结果数字化，以非常友好直观形式表达
17、出来。这些结果包括:平均速度，最低速度，最高速度，车流密度等。1.1.2 常用的视频检测方法目前实践上已经有不少视频检测产品VIPS(video Image Processing System)，按工作原理可分为两类:虚拟线圈法 (tripwire systems)(或虚拟检测线法)和车辆跟踪法，下面介绍这两种方法的工作原理。 1.虚拟线圈法 早期大部分视频检测技术是采用是虚拟线圈法,如AUTOSCOPE, CCATS, TAS,IM-PACTS, Traffic Cam等，其工作原理类似于地埋式线圈检测器。用户在图像上定义检测线位置(以一条或多条直线代表道路断面)，系统通过计算检测线变化强度
18、来判断车辆的经过，从而计算交通参数。该方法的优点是大大减少了数据处理时间(只需一行或几行的图像数据)，在满足实时要求的前提下完成流量、速度的检测。由于交通场景象素值与路面(背景)象素值作差分比较仅仅可得到有无车辆通过采样线位置这一唯一的特征值，而丢失了包括车辆长度、宽度和运动轨迹等特征，所以降低了系统的可靠性，同时也未能充分利用图像信息。2.车辆跟踪法通过识别出交通场景图像中符合车辆特征的象素，进行图像分割，并依据提取出的特征来匹配前后帧中车辆，从而计算交通参数。CMS Mobilizes. Eliop EVA, PEEK Video Trak. Nestor Traffic Vision都属
19、于这一类型，也称为“第三代VIPS。理论上，车辆跟踪法比虚拟线圈法更为严谨，所以更能代表发展的趋势。但是该方法的难度在于特征的提取和特征的跟踪:首先，特征必须有代表性，图像中的车辆都具备该特征且各不相同:其次同一车辆在不同帧图像中特征应该具有相关性，能够有较好的对应关系。根据跟踪方法的不同可以分为以下几类;(1)3D模型跟踪:用3D车辆模型来匹配图像中车辆,该方法的实现有赖于大量几何数据和实际车辆外形尺寸相似的汽车模型，事实上很难保证。(2)区域跟踪:图像二值化后，寻找连通区域，实现跟踪。由于一段时间内拍摄图像所处环境光线条件变化很小，相邻帧的图像可以认为与背景几乎相同，所以对比相减后结果，可
20、以反映出车辆运动的轨迹。该方法的特点是较好地解决了气候、光线和周围环境条件对视频图像的影响这一难题。其缺点在于二值化后车辆图像经常并不连通，而是分为不连续的几块，导致检测错误，同时确定二值化闭值、动态更新背景和寻找连通区域过程中算法复杂，计算量大。(3)动态轮廓跟踪:该方法基本思想是通过滤除图像中的静止物体，而仅保留运动物体来实现跟踪。该方法计算量相对区域跟踪较小，但是无法检测静止车辆，而且其检测效果受车辆运动速度的影响，过快或过慢的车速都可能导致检测错误。(4)特征跟踪:为解决不同车辆图像重合的难题，该方法着眼于车辆的局部特征，如较亮的点或线，以此实现车辆跟踪。该理论相信即使图像部分重合，车
21、辆的另外一些特征仍然存在。问题在于由于图像受周围环境(如建筑阴影、路灯)的影响，车辆在路段不同位置的特征不能保证相同。可以看出，各国研究者对视频检测技术做了很多有意义的工作并取得了相当的成果。但是由于利用视频图像获取实时交通参数的特殊复杂性，以及图像工程用于交通领域历史不长，目前该技术仍处于不断完善中。本论文是基于视频交的通事件和交通参数检测系统的一个模块，重点研究实时车速检测算法以及涉及到的如摄像机标定等相关内容和算法，其目的是改进实时车辆速度的检测方法，为交通管理提供更为有效的依据，提高交通管理的智能化、自动化水平。系统的结构采用DSP处理器为软件实现平台，利用软件技术实现了交通信息的实时
22、检测。除了能应用于实时车速的检测之外，本论文的研究将为图像处理技术的其他应用开发积累经验。2.1常用车速检测方法目前，国内外常用的车速检测技术有雷达、红外、激光、超声波、磁性测速等。其中，以形状感应为检测对象的超声波式和光电管式车辆检测技术，以电磁感应为检测对象的环型线圈式和地磁式车辆检测技术，以及由多普勒雷达发展起来的微波车辆检测技术，这三大技术已逐渐成为交通信息采集的主要手段。近年来，随着视频处理技术的发展和成熟，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。1.雷达检测技术这是最早接触和使用的检测技术，检测设备称为雷达测速器(或多普勒雷达)
23、。雷达测速利用多普勒效应，通过雷达反射波相对于发射波的频移计算出运物体的速度。雷达测速系统对于测量角度要求较高，测速系统需正对物体运动方向，测量偏差角度应小于10度。雷达测速多应用于移动式车载超速监控系统，也应用于固定场合。一般雷达测速仪的测速范围大约在(24-199)km/h，测速范围比较大，精确度也相当高，固定测速误差为，运动时测误差为。2.红外检测技术红外检测技术有两种类型:第一种是主动式红外检测器。原理和微波雷达检测器一样，但是发射频率更高(较短的波长)，它可以检测车辆存在、车速、流量、占有率和车型信息，适用于白天和黑夜的情况;它易受到天气条件的影响而发生散射。第二种是被动红外检测器，
24、它本身不发射能量，而是检测目标发射的能量;通过检测道路和车辆发射能量之差，可以确定车辆存在;还可以测量流量、占有率和车辆存在信息等，但一般不用于车速测量，而且天气对测量有负面影响。3.激光检测技术激光测速原理同雷达测速一样，只是性能更好。利用激光测量仪可测量物体的线速度，常用的激光测速仪主要有参考光束型和脉冲半导体型两种。由于激光为点测量行为，无论是通过多普勒效应还是激光高速测距来实现车辆的检测，从理论上讲是可行的并且检测精度过程都相当高，但激光检测中的激光束对人体主要是人眼的伤害是极为严重的问题。鉴于激光测速的原理,激光检测器应用中有一些要求:激光光束必须要瞄准垂直与激光光束的平面反射点;激
25、光测速器不可能具备在运动中使用，只能在静止状态下应用;激光测速仪的取证能力远远大于雷达测速仪，因而受到全世界广泛的认可和推广。4.超声检测技术超声波测速测距的基本原理是利用其反射特性。超声波发生器发射一定频率的超声波遇到障碍物后产生反射波，超声波接收器接收到反射波信号，并将其转换成电信号，测量发射波与回波之间的时间间隔，并根据公式R=(*v)/2计算距离(v为超声波传播速度)，再根据距离变化量与两次测量时间间隔之比计算车辆运动速度。超声波的特点是:方向性好;功率大;对雨、雾、雪的穿透能力强，可以在恶劣气候条件下工作，系统制作简便，成本低。因此，可应用于车速测量中。其主要缺点是测量反应时间长，误
26、差大，波束发散角大，分辨率低，衰减快，有效测量距离小。5.地磁式检测技术地磁式检测技术是在地面埋设感应线圈(或感应棒)，通过感应车辆的电磁信号来换算出其速度。这种方法比较经典，检测效果也不错。该检测方法的缺点是在于地面埋设感应线圈的施工量大，路面变更后亦需重埋线圈。以电磁感应为检测对象的方法还有环型线圈式车辆检测技术。采用地感线圈作为车速检测的基本原理;速度的计算公式为v=s/，其中s为两个线圈之间的距离，为车辆通过两个线圈的时间差。由于两个线圈之间的距离S在埋设线圈时已经确定，所以通过测量车辆离开两个线圈的时间差，即可测得车速。地感线圈检测具有以下优点:使用简单;灵敏度高;可靠性高;成本低。
27、与雷达检测、超声波检测、红外线检测相比有成本低的优势。6.视频检测技术该方法是通过闭路电视系统或数字照相机、摄像机来进行现场数据采集，采用视频识别技术和数字化技术分析交通数据，利用车辆图像中车辆的二维位置以及预先测定的一些参数算出车辆的实际三维位置，若在一个固定时间间隔内拍摄两幅图像，则可以根两幅图像计算出的车辆实际三维位置得到车辆在此固定时间间隔内的位移，从进一步确定车辆速度。通过对连续视频图像的分析，跟踪超速车辆行为过程。此种检测方法对检测路口的光线变化较敏感，因此图像的算法优略是影响检测效果好坏的根本。一些成熟产品的检测效果是相当不错的，其性能价格比也较好，因此国内外应用此种检测方法的系
28、统占主流。按照是否需要输入人工参照信息，可将现有视频检测车速的方法划分成两类:需要对视频图像进行标定的测速方法和无须对视频图像进行标定的测速方法。另外，基于视频的检测技术包括线式检测法和面式检测法。所谓线式检测法，即在图像要检测的车道上选定一条线作为检测线，利用这条检测线的灰度变化(只要有车辆经过，检测线的灰度就会发生某种程度的变化)，来检测是否有车辆通过。线式检测法数据运算量小，噪声干扰少，因此运算速度快，实时性强，识别精度较为稳定，成为近期较多采用的算法。但是线式检测法在提高检测线的自适应性和系统对光线变化的鲁棒性等方面，均受到较大的限制。面式检测法是在图像上设置一定的区域作为检测依据的方
29、法。这种算法能够有效地克服线式检测方法的不足，具有良好的应用前景。本文结合了线式检测法和面式检测法两种方法来进行车辆速度检测。第二章 视频测速系统2.1视频测速方法概述按照是否需要输入人工参照信息，可将现有通过视频检测机动车行驶速度的方法划分成两类：需要对视频图像进行标定的测速方法和无须对视频图像进行标定的测速方法。目前大部分方法属于前者，后者具有代表性的是美国华盛顿大学研究的一种使用不带刻度的摄像机对车速进行估计的方法。前类方法是基于视频图像处理的道路交通参数检测方法， 方法要求将CCD 安装在路面正上方，迎着车辆行驶的方向拍摄，并沿道路方向将道路分割成若干个感兴趣窗口(Area of In
30、terest, AOI) ，为了将待处理的信息量减少到必需的最小值，车辆检测仅限于感兴趣窗口；方法通过车辆模型和阴影模型来实现车辆的检测和部分地排除阴影的干扰，分析车辆区域的长度和经过某AOI 的时间可得出车辆行驶的速度；当车速大于20km/h 时，测速误差明显增加，系统可靠性大幅下降。美国华盛顿大学研究了一种使用不带刻度的摄像机对车辆速度进行估计的方法，该方法是将摄像机安装在道路上方，迎着车辆行驶方向拍摄以330ms 的时间间隔采集视频图像，对采集到的单帧图像进行预处理，移动边缘检测，形态学操作，凸面外壳和外包矩形提取；然后，对得到的凸面外壳图像进行几何分析，并利用已知的车长分布统计信息和车
31、辆在图像中的像素长度计算一段时间内车辆在路面上实际行驶的路程。该方法不足之处在于当阴影面积达到车辆面积的2/3时，车速估计值与实际值将出现较大偏差。在前面提到的两种方法中，前者的场景图像标定过程较为复杂，在实际应用中的可操作性较低，其测速精度和系统可靠性都得不到保证，并且未考虑多车道同时测速的情况。后者尽管省去了场景图像坐标标定的过程，但是该测速方法易受车辆阴影的干扰，精度较低。下面将介绍一种高精度机动车视频测速模型，利用该模型不仅能够排除阴影对机动车视频测速的干扰，而且能够实现多辆机动车同时测速，机动车视频测速模型中场景视频图像的标定方法也具有简单直观的优点。2.2 机动车视频测速模型针对通
32、过视频检测机动车行驶速度的问题统一建立，其模型如下：(1)视频测速计时方案，即如何准确地计算车辆在视频图像上从一处行驶到另一处所经历的时间；(2)交通场景图像标定，即建立实际场景位置与视频图像位置的映射关系；(3)行驶车辆定位跟踪，即在交通场景视频图像上准确，快速地定位，跟踪行驶车辆。为了避免将不必要的复杂因素引入视频测速模型中，这里对交通场景机动车和摄像机作几点假设：1.视频监视的路面是平坦的，可以认作或近似地看作平面，复杂的路面通常无法从图像上对车辆进行有效定位；2.车辆基本沿道路伸展的方向行驶，不会突然转弯，故车辆行驶速度在垂直于道路伸展方向上的分量较小，可以忽略不计；3.摄像机相对于路
33、面是静止的，摄像机移位将使车辆在图像上的位置发生偏移，从而导致车辆定位偏差甚至错误。2.2.1 视频测速计时方案软件计时方法依赖于处理器的处理能力，其计时精度无法得到保证。为了保证计时精度同时在不添加额外硬件的条件下，视频测速模型采用了一种通过计算图像采集卡采集图像的帧数进行硬件计时的方案。计时方案中的时间（帧数时）和最小计时单位定义为：帧数时是指图像采集卡采集到某帧图像所对应的时刻，记作Tf； 最小计时单位为图像采集卡采集一帧图像所需要的时间记，作Tm。2.2.2 交通场景图像标定交通场景图像标定，也就是在交通场景视频图像上加入人工参照信息。按照输入人工参照信息的复杂程度，可将现有交通场景图
34、像标定方法分为两种：人工计算标定法和视觉直接标定法。一种典型的人工计算标定方法利用摄像机视角，摄像机离地面的高度摄像机光轴与垂直路面方向的夹角和摄像机视野在路面上的覆盖长度等参数，将路面上感兴趣窗口映射到交通场景视频图像上。由于后两个参数的获取直接或间接地涉及到实际交通场景，然而川流不息的交通环境往往限制了获取这3 个参数的条件。相反，一种通过肉眼观察交通场景视频图像在视频图像上对路面上的标志或位置进行直接标定的方法体现出简单，直观，易于操作的优点。如图1 所示，图中用L1 和L2 两条标定线在交通场景图像上对视频测速区域进行了标定。图2.1 测速场景示意图2.2.3 车速计算公式通过 2.1
35、.1和2.1.2的分析可得出机动车视频测速模型中的车速计算公式： （2.1）和分别为L1 和L2 到基准线(见图2.1)的距离，和分别为车辆行驶到L1 和L2 的帧数时。由式(2.1)可知，若已知L1 和L2 在路面上的实际距离和车辆驶过L1 和L2 的帧数时之差便可计算出车辆在驶过视频测速区域时的平均速度。2.3 视频测速模型精度分析为了说明视频测速模型的在精度上的有效性，这里对其精度作一分析。由式(1)可知，视频测速模型是通过对行驶车辆在L1 和L2 两处进行定位，并计算出车辆驶过L1 和L2 的帧数时，从而计算出车辆行驶的速度，故速度误差主要来自于车辆经过L1 或L2 时车速较快而Tm
36、不够小所致的车辆定位误差。在大多数情况下，定位误差在车辆经过L1 和L2 后在总体上得到部分抵消。图2 描绘了机动车视频测速模型达到最大误差的两种情况。在前一种情况中当车辆刚刚驶到L1 时就被检测到；当车辆行驶到L2 时由于在前一帧图像未在L2 处检测到车辆，在下一帧检测到车辆时发现车辆已有部分驶过L2 从而产生vTm 大小的路程误差,这种情况下测得的车速为最大负误差。另一种情况恰好相反,其测得的车速将达到最大正误差。通过上述分析可以得出机动车视频测速模型的最大相对误差计算公式： (2.2)对于一辆时速150km/h 高速行驶的车辆，以50fps 的频率采集图像，并且设L1 和L2 在路面上的
37、实际距离为50m，则最大相对误差=1.67% ，测速精度达到98.33% 。这不仅达到了人们对测速精度的要求，而且可实现高精度机动车行驶速度检测。图2.2 测速误差达到最大的两种情况2.3.1视觉运动物体检测在视频图像中检测行驶机动车的问题，即视觉运动物体(Visual Moving Object, MVO)检测，常见的视觉运动物体检测方法有光流算法，帧间差分算法，双重帧差分算法和背景扣除算法。光流算法能够为图像上的每个像素计算运动量级和运动方向，但计算量大。帧间差分算法通过相继的两帧图像中像素的灰度变化情况来提取图像中MVO，但无法生成完整的MVO。双重帧差分是从帧差分算法中衍生出来的一种M
38、VO检测算法，它通过对相继的3 帧图像进行差分，可以得出较为完整的MVO 背景扣除算法既继承了帧间差分计算量小的优点，同时又具备生成完整MVO 的能力。因此，机动车视频测速模型采用了背景扣除算法用于检测交通场景中的行驶车辆。2.4 图像处理算法2.4.1高视觉分辨力的图像差分算子通常图像差分是基于灰度图像的，而通过普通的彩色图像采集设备能够获得高质量的彩色图像，并且彩色图像较灰度图像具有更高的视觉分辨能力。这里对原图像差分算子进行了改进，改进后的图像差分算子如式(3)所示。 (2.3)式(3)中Ic 和Ir 分别表示输入图像和参照图像(x, y)处像素的灰度值T 为阈值。 (2.4)式(4)中
39、Rc，Gc 和Bc分别表示输入图像(x, y)处像素的RGB颜色值，T 为阈值，Rr ，Gr 和Br 分别表示参照图像(x, y)处像素的RGB颜色值，T为阈值。2.4.2 自适应图像差分阈值选取算法由于交通场景中的光照情况是不断变化的，将式(4)中设定为一个固定的阈值T， 在实际应用时往往会影响MVO 检测的效果。为此，机动车视频测速模型中设计了一种启发式的自适应图像差分阈值选取算法。对于一幅彩色背景图像或当前图像，可以将其看作是其RGB颜色分量上的灰度图像的叠加。对于任何一个颜色分量上的当前灰度图像和背景灰度图像，它们大部分像素的灰度都相同，仅当遇到MVO 像素及MVO 阴影像素时才表现出
40、较大差异。因而将任何一个颜色分量上的当前灰度图像和背景灰度图像作相减运算，所得到图像（称之为颜色分量差分图像）的直方图总是呈现出从高密度低亮度区域向低密度高亮度区域过渡的情况。根据上述规律，利用启发式搜索策略在各颜色分量差分图像的直方图上找出从高亮度区域向低亮度区域过渡的临界亮度值，并将这些值的和作为背景扣除算法中的阈值。2.4.3 无影背景初始化算法为了执行背景更新算法，首先必须建立初始的背景图像。一种简单的方法是将一幅不包含MVO 的图像作为背景图像，对于繁忙拥挤的交通场景而言该方法的可行性较小，另一种常见的方法是对若干帧交通场景图像求平均值，这样计算出的背景图像通常带有许多已经驶离视频监
41、视区域车辆的影子(Ghosts)， 并且背景图像上的影子将直接影响到MVO 检测效果。针对上述问题，机动车视频测速模型中设计了一种基于统计的无影背景初始化算法，算法将交通场景图像中显露出来的背景区域拼合起来组成一幅完整的背景图像，这样得到的背景图像不包含影响MVO 检测的影子像素。算法基于这样的事实：无论在如何繁忙拥挤的交通环境中，交通场景中的任何一块背景区域（包括停放有车辆或放有静止物体的区域）在某段时间内总是能够从视频图像上显露出来。2.4.4 选择性背景更新算法由于交通场景图像是动态变化的，为了准确地将MVO从当前图像中提取出来，需要同步背景图像与交通场景图像的背景信息。在机动车视频测速
42、模型中采用了一种选择性背景更新算法，算法选择当前图像中的背景区域以一定的速率 对背景图像进行更新（如式5），从得到能够准确反映交通场景背景信息的背景图像。 (2.5)2.4.5 运动物体阴影消除算法现有的运动物体阴影检测方法可分为4 类：基于模型的确定性方法，非基于模型的确定性方法，变参的统计方法和无变参的统计方法。（1）基于模型的确定性方法，该方法通过光照模型将三维物体的轮廓投影到路面上形成虚拟阴影参与模型匹配，从而消除车辆周围的阴影，该方法通用性较低算法效率不高。（2）非基于模型的确定性方法在HSV 颜色空间利用灰度，色调和饱和度等特征识别运动物体周围的阴影，能够取得较好的阴影检测结果，并
43、具有较高的算法效率。（3）变参的统计方法，该方法通过灰度，标准红色和标准蓝色3 个估算子进行迭代运算对像素进行分类来检测图像中的阴影，迭代的过程需要进行大量的运算。（4）文献15中介绍了一种无变参的统计阴影识别方法，该方法利用人眼对颜色不变的特性通过对当前图像和背景图像中像素的亮度分量(Brightness Component)和色度分量(Chromaticity Component)来识别当前图像中的阴影，尽管该方法具有良好的阴影识别效果，但大量统计运算使该方法不适合严格的实时应用视频测速模型，对文献15中算法进行简化使该算法满足机动车视频测速应用对实时性的要求简化后的阴影识别算法描述如下:
44、 (2.6) (2.7) (2.8)这里，i为简化后的亮度分量，CDi 为简化后的色度分量，IR (i)，IG (i)和IB (i)分别表示当前图像中第i 个像素RGB 颜色分量R(i) ，G (i)和B(i)分别表示背景图像中第i 个像素RGB颜色分量，CD， 0 和1 为阈值。2.4.6 视觉运动物体检测算法机动车视频测速模型中采用了一种具备阴影消除能力的快速MVO 检测算法，算法首先以当前图像作为背景初始化算法的输入建立初始背景图像；然后将当前图像用背景图像做背景扣除，所得图像经过阴影消除和开启，闭合操作得到MVO 二值图像；最后将MVO 二值图像与当前图像做与运算得到的图像即为视觉运动
45、物体图像。2.5多目标跟踪现有的机动车视频测速方法未考虑多机动车同时测速的实际需求。为了同时检测多辆行驶机动车的速度，机动车视频测速模型通过多目标跟踪方法建立多辆行驶车辆与车速的一一对应关系。2.5.1 模板匹配考虑到相关跟踪算法与视觉运动物体检测算法结合后能够取得较高的算法效率，机动车视频测速模型将相关跟踪算法用于模板匹配。相关跟踪算法是指将模板图像在MVO图像上进行移位，根据一定的相关性度量对每个位置计算模板和其在MVO 图像上覆盖区域的相关性，从而判断MVO在图像上的位置即找到模板匹配点。为了进一步提高算法效率，机动车视频测速模型引入了金字塔算法对模板匹配过程进行加速。金字塔算法的基本思
46、想是将图像中相邻像素集合为单位，计算出其平均灰度值，并用一个像素表示，重复上述过程直到所得到的分辨率较小且保留了MVO 基本轮廓的图像。通过相关跟踪算法在金字塔算法处理后的图像上能够快速的找到初始匹配点。然后，利用分辨率较大的模板图像和MVO 图像对匹配点进行调整，找到最佳匹配点。2.5.2 模板更新行驶车辆在交通场景视频图像中是在不断变化的，需对模板图像进行更新。在实际交通环境中行驶车辆常有被其它行驶车辆或障碍物遮挡的情况，这可能导致在下次模板匹配时丢失跟踪的机动车。机动车视频测速模型针对车辆部分遮挡的情况设计了一种自适应模板更新算法。首先，算法将上次模板匹配的结果和一定的阈值进行比较，若相
47、关性大于一定的阈值，则对模板进行更新，否则保持原模板无变化；然后，将模板中MVO 图像区域的面积和MVO 图像中的MVO 区域面积进行比较，面积相近则将MVO图像中的MVO 区域提取出来作为新模板，否则提取出MVO图像中MVO 显露出来的部分作为新模版，使下次模板匹配时得到较准确的匹配点。2.6 机动车视频测速系统工作流程及其关键技术依据上述机动车视频测速模型，我们实现了一个实用的机动车视频测速系统LDF 视频测速系统。系统的工作流程如图3所示。图2.3 机动车视频测速系统工作流程为了解决机动车视频测速系统中多个对实时性要求不同的任务在单个处理机上同时执行的问题，系统利用多线程技术将较多的，充足的处理机时间分配给实时任务，而将较少的，适量的处理机时间分配给非实时任务。具体而言，将不同的任务放在优先级不同的线程中执行，实时任务线程设置为高优先级，非实时任务线程设置为低优先级。并且利用缓冲区技术解决执行速度不同的两个线程间数据收发平衡的问题。该系统在实际使用中取得了良好的测速效果，经公安部安全与电子产品检测中心的检测，系统测速误差小于3%。第三章 摄像机标定由于处