【文章內(nèi)容簡介】 測速的干擾 ， 而且能夠?qū)崿F(xiàn)多 輛機動車同時測速 ， 機動車視頻測速模型中場景視頻圖像的標(biāo)定方法也具有簡單直觀的優(yōu)點 。 機動車視頻測速模型 針對通過視頻檢測機動車行駛速度的問題統(tǒng)一建立 ， 其模型如下 ： (1)視頻測速計時方案 ， 即如何準(zhǔn)確地計算車輛在視頻圖像上從一處行駛到另一處所經(jīng)歷的時間 ； (2)交通場景圖像標(biāo)定 ， 即建立實際場景位置與視頻圖像位置的映射關(guān)系 ； (3)行駛車輛定位跟蹤 ， 即在交通場景視頻圖像上準(zhǔn)確 ， 快速地定位 ， 跟蹤行駛車輛 。 為了避免將不必要的復(fù)雜因素引入視頻測速模型中 ， 這里對交通場景機動車和攝像機作幾點假設(shè) ： 路面是平坦的 ， 可以認(rèn)作或近似地看作平面 ， 復(fù)雜的路面通常無法從圖像上對車輛進行有效定位 ； ， 不會突然轉(zhuǎn)彎 ，故車輛行駛速度在垂直于道路伸展方向上的分量較小 ， 可以忽略不計 ； 面是靜止的 ， 攝像機移位將使車輛在圖像上的位置發(fā)生偏移 ， 從而導(dǎo)致車輛定位偏差甚至錯誤 。 XXX 基于視頻圖像的車速檢測技術(shù) 6 視頻測速計時方案 軟件計時方法依賴于處理器的處理能力 ， 其計時精度無法得到保證 。 為了保證計時精度同時在不添加額外硬件的條件下 ， 視頻測速模型采用了一種通過計算圖像采集卡采集圖像的幀數(shù)進行硬件計時的方案 。 計 時方案中的時間 （ 幀數(shù)時 ） 和最小計時單位定義為 ： 幀數(shù)時是指圖像采集卡采集到某幀圖像所對應(yīng)的時刻 ， 記作 Tf； 最小計時單位為圖像采集卡采集一幀圖像所需要的時間記 ， 作⊿ Tm。 交通場景圖像標(biāo)定 交通場景圖像標(biāo)定 ， 也就是在交通場景視頻圖像上加入人工參照信息 。 按照輸入人工參照信息的復(fù)雜程度 ， 可將現(xiàn)有交通場景圖像標(biāo)定方法分為兩種 ： 人工計算標(biāo)定法和視覺直接標(biāo)定法 。 一種典型的人工計算標(biāo)定方法利用攝像機視角 ， 攝像機離地面的高度攝像機光軸與垂直路面方向的夾角和攝像機視野在路面上的覆蓋長度等參數(shù) ， 將路面上感興趣窗口映 射到交通場景視頻圖像上 。 由于后兩個參數(shù)的獲取直接或間接地涉及到實際交通場景 ， 然而川流不息的交通環(huán)境往往限制了獲取這 3 個參數(shù)的條件 。 相反 ， 一種通過肉眼觀察交通場景視頻圖像在視頻圖像上對路面上的標(biāo)志或位置進行直接標(biāo)定的方法體現(xiàn)出簡單 ， 直觀 ， 易于操作的優(yōu)點 。 如圖 1 所示 ， 圖中用 L1 和 L2 兩條標(biāo)定線在交通場景圖像上對視頻測速區(qū)域進行了標(biāo)定 。 圖 測速場景示意圖 車速計算公式 通過 ： 1221 ffLL TT DDv ? （ ） XXXXX 大學(xué)畢業(yè)設(shè)計 7 1LD 和 2LD 分別為 L1 和 L2 到基準(zhǔn)線 (見圖 )的距離 ， 1fT 和 2fT 分別為車輛行駛到 L1 和 L2 的幀數(shù)時 。 由式 ()可知 ， 若已知 L1 和 L2 在路面上的實際距離和車輛駛過 L1 和 L2 的幀數(shù)時之差便可計算出車輛在駛過視頻 測速區(qū)域時 的平均速度 。 視頻測速模型精度分析 為了說明視頻測速模型的在精度上的有效性 ， 這里對其 精度作一 分析 。 由式 (1)可知 ，視頻測速模型是通過對行駛車輛在 L1 和 L2 兩處進行定位 ， 并計算出車輛駛過 L1 和 L2 的幀數(shù)時 ， 從而計算出車輛行駛的速度 ， 故速度誤差主要來自于車輛經(jīng)過 L1 或 L2 時車速較快而 ⊿ Tm 不 夠小所致的車輛定位誤差 。 在大多數(shù)情況下 ， 定位誤差在車輛經(jīng)過 L1 和L2 后在總體上得到部分抵消 。 圖 2 描繪了機動車視頻測速模型達到最大誤差的兩種情況 。 在前一種情況中當(dāng)車輛剛剛駛到 L1 時就被 檢測到 ； 當(dāng)車輛行駛到 L2 時由于在前一幀圖像未在 L2 處檢測到車輛 ， 在下一幀檢測到車輛時發(fā)現(xiàn)車輛已有部分駛過 L2 從而產(chǎn)生 v?⊿ Tm 大小的路程誤差 ,這種情況下測得的車速為最大負(fù)誤差 。 另一種情況恰好相反 ,其測得的車速將達到最大正誤差 。 通過上述分析可以得出機動車視頻測速模型的最大相對誤差計算公式： 21vLLmDD T????? () 對于一輛時速 150km/h 高速行駛的車輛 ， 以 50fps 的頻率采集圖像 ， 并且設(shè) L1 和L2 在路面上的實際距離為 50m， 則最大相對誤差 ε= % ， 測速精度達到 % 。 這不僅達到了人們對測速精度的要求 ， 而且可實現(xiàn)高精度機動車行駛速度檢測。 圖 測速誤差達到最大的兩種情況 視覺運動物體檢測 在視頻圖像中檢測行駛機動車的問題 ， 即視覺運動物體 (Visual Moving Object, MVO)檢測 ， 常見的視覺運動物體檢測方法有光流算法，幀間差分算法，雙重幀差分算法和背景扣 除算法 。 光流算法能夠為圖像上的每個像素計算運動量級和運動方向 ， 但計算量大 。 幀間差分算法通過相繼的兩幀圖像中像素的灰度變化情況來提取圖像中 MVO， 但無法生成完整的 MVO。 雙重幀差分是從幀差分算法中衍生出來的一種 MVO 檢測算法 ， 它通過對XXX 基于視頻圖像的車速檢測技術(shù) 8 相繼的 3 幀圖像進行差分 ， 可以得出較為完整的 MVO 背景扣除算法既繼承了幀間差分計算量小的優(yōu)點 ， 同時又具備生成完整 MVO 的能力 。 因此 ， 機動車視頻測速模型采用了背景扣除算法用于檢測交通場景中的行駛車輛 。 圖像處理算法 高視覺分辨力的圖像差分算子 通常圖像差分是基 于灰度圖像的 ， 而通過普通的彩色圖像采集設(shè)備能夠獲得高質(zhì)量的彩色圖像 ， 并且彩色圖像較灰度圖像具有更高的視覺分辨能力 。 這里對原圖像差分算子進行了改進 ， 改進后的圖像差分算子如式 (3)所示。 ??? ?? 0 1),( c其他情況當(dāng) TIIyxD r () 式 (3)中 Ic 和 Ir 分別表示輸入圖像和參照圖像 (x, y)處像素的灰度值 T 為閾值。 ??? ???? 0 31),( c 其他情況當(dāng) TBBGGRRyxD bcbcb () 式 (4)中 Rc， Gc 和 Bc 分別表示輸入圖像 (x, y)處像素的 RGB 顏色值 ， T 為閾值 ， Rr ，Gr 和 Br 分別表示參照圖像 (x, y)處像素的 RGB 顏色值 ， T 為閾值 。 自適應(yīng)圖像差分閾值選取算法 由于交通場景中的光照情況是不斷變化的 ， 將式 (4)中設(shè)定為一個固定的閾值 T， 在實際應(yīng)用時往往會影響 MVO 檢測的效果 。 為此 ， 機動車視頻測速模型中設(shè)計了一種啟發(fā)式的自適應(yīng)圖像差分閾值選取算法 。 對于一幅彩色背景圖像或當(dāng)前圖像 ， 可以將其看作是其 RGB 顏色分量上的灰度圖像的疊加 。 對 于任何一個顏色分量上的當(dāng)前灰度圖像和背景灰度圖像 ， 它們大部分像素的灰度都相同 ， 僅當(dāng)遇到 MVO 像素及 MVO 陰影像素時才表現(xiàn)出較大差異 。 因而將任何一個顏色分量上的當(dāng)前灰度圖像和背景灰度圖像作相減運算 ， 所得到圖像 （ 稱之為顏色分量差分圖像 ） 的直方圖總是呈現(xiàn)出從高密度低亮度區(qū)域向低密度高亮度區(qū)域過渡的情況 。 根據(jù)上述規(guī)律 ， 利用啟發(fā)式搜索策略在各顏色分量差分圖像的直方圖上找出從高亮度區(qū)域向低亮度區(qū)域過渡的臨界亮度值 ， 并將這些值的和作為背景扣除算法中的閾值。 無影背景初始化算法 為了執(zhí)行背景更新算法 ， 首先必 須建立初始的背景圖像 。 一種簡單的方法是將一幅不包含 MVO 的圖像作為背景圖像 ， 對于繁忙擁擠的交通場景而言該方法的可行性較小 ，另一種常見的方法是對若干幀交通場景圖像求平均值 ， 這樣計算出的背景圖像通常帶有許多已經(jīng)駛離視頻監(jiān)視區(qū)域車輛的影子 (Ghosts)， 并且背景圖像上的影子將直接影響到MVO 檢測效果 。 針對上述問題 ， 機動車視頻測速模型中設(shè)計了一種基于統(tǒng)計的無影背景初始化算法 ， 算法將交通場景圖像中顯露出來的背景區(qū)域拼合起來組成一幅完整的背景圖XXXXX 大學(xué)畢業(yè)設(shè)計 9 像 ， 這樣得到的背景圖像不包含影響 MVO 檢測的影子像素 。 算法基于這樣 的事實 ： 無論在如何繁忙擁擠的交通環(huán)境中 ， 交通場景中的任何一塊背景區(qū)域 （ 包括停放有車輛或放有靜止物體的區(qū)域 ） 在某段時間內(nèi)總是能夠從視頻圖像上顯露出來。 選擇性背景更新算法 由于交通場景圖像是動態(tài)變化的 ， 為了準(zhǔn)確地將 MVO 從當(dāng)前圖像中提取出來 ， 需要同步背景圖像與交通場景圖像的背景信息 。 在機動車視頻測速模型中采用了一種選擇性背景更新算法 ， 算法選擇當(dāng)前圖像中的背景區(qū)域以一定的速率 α 對背景圖像進行更新 （ 如式 5） ， 從得到能夠準(zhǔn)確反映交通場景背景信息的背景圖像。 ??? ???? y)(x,f y)(x,f y)(x,y)(x,fay)(x,a)(1),(fcbc是前景像素當(dāng) 不是前景像素當(dāng) cb ffyx () 運動物體陰影消除算法 現(xiàn)有的運動物體陰影檢測方法可分為 4 類 ： 基于模型的確定性方法 ， 非基于模型的確定性方法 ， 變參的統(tǒng)計方法和無變參的統(tǒng)計方法 。 （ 1） 基于模型的確定性方法 ，該 方法通過光照模型將三維物體的輪廓投影到路面上形成虛擬陰影參與模型匹配 ， 從而消除車輛周圍的陰影 ， 該方法通用性較低算法效率不高 。（ 2） 非基于模型的確定性方法在 HSV 顏色空間利用灰度 ， 色調(diào)和飽和度等特征識別運動物體周圍的陰影 ， 能夠取得較好的陰影檢測結(jié)果 ， 并具有較高的算法效率 。（ 3） 變參的統(tǒng)計方法 ， 該方法通過灰度 ， 標(biāo)準(zhǔn)紅色和標(biāo)準(zhǔn)藍色 3 個估算子進行迭代運算對像素進行分類來檢測圖像中的陰影 ， 迭代的過程需要進行大量的運算 。（ 4） 文獻 [15]中介紹了一種無變參的統(tǒng)計陰影識別方法 ， 該方法利用人眼對顏色不變的特性通過對當(dāng)前圖像和背景圖像中像素的亮度分量 (Brightness Component)和色度分量 (Chromaticity Component)來識別當(dāng)前圖像中的陰影 ， 盡管該方法具有良好的陰影識別效果 ， 但大量統(tǒng)計運算使該方法不適合嚴(yán)格的實時應(yīng)用視頻測速模型 ，對文獻 [15]中算法進行簡化 使該算法滿足機動車視頻測速應(yīng)用對實時性的要求簡化后的陰影識別算法描述如下 : (i )(i )(i ) (i )(i )I(i )(i )I(i ))i( 2B22 BBGG ??? ???? ?? ??? GRRRI () 222 ))()(())()(())()(( iiIiiIiiICD BiBGiGRiRi ?????? ?????? () ??? ??? ??? )i(1a0CDt0tataCD aCD aCDM V OP ??? ?? 且當(dāng)陰影類 或當(dāng)類 () 這里， αi 為簡化后的亮度分量 ， CDi 為簡化后的色度分量 ， IR (i)， IG (i)和 IB (i)分別表示當(dāng)前圖 像中第 i 個像素 RGB 顏色分量 μR(i) ， μG (i)和 μB(i)分別表示背景圖像中第 i 個像素 RGB 顏色分量 ， τCD， τα0 和 τα1 為閾值。 XXX 基于視頻圖像的車速檢測技術(shù) 10 視覺運動物體檢測算法 機動車視頻測速模型中采用了一種具備陰影消除能力的快速 MVO 檢測算法 ， 算法首先以當(dāng)前圖像作為背景初始化算法的輸入建立初始背景圖像 ； 然后將當(dāng)前圖像用背景圖像做背景扣除 ， 所得圖像經(jīng)過陰影消除和開啟 ， 閉合操作得到 MVO 二值圖像 ； 最后將MVO 二值圖像與當(dāng)前圖像做與運算得到的圖像即為視覺運動物體圖像 。 多目標(biāo)跟蹤 現(xiàn)有的機 動車視頻測速方法未考慮多機動車同時測速的實際需求 。 為了同時檢測多輛行駛機動車的速度 ， 機動車視頻測速模型通過多目標(biāo)跟蹤方法建立多輛行駛車輛與車速的 一一對應(yīng)關(guān)系 。 模板匹配 考慮到相關(guān)跟蹤算法與視覺運動物體檢測算法結(jié)合后能夠取得較高的算法效率 ， 機動車視頻測速模型將相關(guān)跟蹤算法用于模板匹配 。 相關(guān)跟蹤算法是指將模板圖像在 MVO 圖像上進行移位 ， 根據(jù)一定的相關(guān)性度量對每個位置計算模板和其在 MVO 圖像上覆蓋區(qū)域的相關(guān)性 ， 從而判斷 MVO 在圖像上的位置即找到模板匹配點 。 為了進一步提高算法效率 ， 機動車視頻測速 模型引入了金字塔算法對模板匹配過程進行加速 。 金字塔算法的基本思想是將圖像中相鄰像素集合為單位 ， 計算出其平均灰度值 ，并用一個像素表示 ， 重復(fù)上述過程直到所得到的分辨率較小且保留了 MVO 基本輪廓的圖像 。 通過相關(guān)跟蹤算法在金字塔算法處理后的圖像上能夠快速的找到初始匹配點 。 然后 ，利用分辨率較大的模