基于变长参照物的车速检测算法

引言

在智能交通系统(ITS)中，交通参数的检测一直是交通领域的重点研究内容之一，现阶段应用比较广泛的有地感线圈测速、雷达测速、红外测速和激光测速等方法。但这些方法都存在安装、使用的复杂性以及受天气因素制约等多方面的局限性。美国加州帕萨迪纳市喷气式实验室最先提出了基于计算机视觉的交通流检测的想法。世界上第一个基于视频的交通检测系统由美国明尼苏达大学运输研究中心研制成功。现阶段的视频检测技术很多都存在鲁棒性差、计算复杂度高等问题。本文根据以上问题采用基于视频图像检测技术，通过SURF-Kalman算法实现运动车辆的跟踪，增加运动车辆跟踪的鲁棒性。在车速计算方面采用基于变长参照物的车速计算方法，使得车速的计算更加简便。

1运动车辆跟踪

利用计算机、模式识别、数字图像处理等技术可以实现与运动目标存在一定相似度的车辆建立关联。常用的跟踪方法可分为：光流法、轮廓跟踪法、3-D模型匹配法、区域法和特征跟踪法叫为实现对多目标的跟踪，同时保持算法的高效性、鲁棒性，本文采用了SURF算法和Kalman算法相结合的方法,将运动目标的质心作为特征点，预测特征点位置，并在该位置的附近进行特征匹配，从而实现对运动目标的跟踪。

1.1车辆跟踪算法

(1)在检测到运动目标质心位置后，首先检查以该目标为中心的检测范围内是否为被标记的目标，若是，则该目标为正在被跟踪的车辆，转(2)，否则为即将新检测的车辆，同时转(3)；标记矩阵时：首先设置一个与视频帧相同的二维矩阵,并初始化该矩阵的所有元素为0。如图1所示，当某一运动车辆被标记时，该车辆的质心附近车辆大小的范围内的元素将被设置为该车的序列号，如图2所示。

初始化运动目标状态方程&=(pxo,办,0,0,0,0,),，利用此滤波器来预测运动目标质心在下一帧可能出现的位置,并将质心位置附近一定范围作为检测范围，利用SURF算法提取该范围内的特征点；

相同序列号的车辆在特征库中的特征点与(2)中所提取出的特征点通过阈值法进行匹配，若匹配成功，则转(4)，否则匹配失败，车辆跟踪失败；

更新特征库，更新标记矩阵，更新Kalman滤波器；

检查是否有下一帧图像，若有则转(1)，否则算法执行结束。

1.2实验结果分析

图3所示是一个车辆跟踪示意图，图中对73-77号车进行跟踪实验，跟踪结果表明，在没有任何遮挡的情况下，74、75、77号车跟踪情况良好，73、76号车在运动过程中被树木遮挡住，图3(b)中76号车的前半部分被遮住，则只有后半部分的特征点可以与特征库中的特征点进行匹配，并更新特征库，在图3(c)中，当该运动目标驶离遮挡物，该目标继续以76号车被跟踪，说明该车未跟踪失败，因此，本文说采用的运动车辆跟踪的方法对遮挡物有很强的鲁棒性。

2基于变长参照物的车速计算

2.1基于变长参照物的车速计算方法

对于城市道路的车流量来说，单一车辆的速度并不能反映整个道路车流量的速度，但是道路车流量的速度又是由单一车辆速度组成的。因此，通过计算单一车辆速度，再对所有车辆加以平均，即可估算出道路上车流量的速度。

首先确定单一车辆速度，速度公式如下：

在式（1）中，Tt代表连续3帧的时间，该时间为分帧处理时帧与帧之间的时间间隔来计算，本文采用的两帧的时间间隔为50ms，Td代表了这三帧中车辆质心的实际位移。其中车辆质心的位移转化成车辆的实际位移，则需在视频图像中找一参照物。本文将道路上具有一定规格标准的分车道线作为参照物。

由于在视频的分帧处理过程中，两帧之间的时间间隔非常小，在很短的时间内，大部分正常行驶的车辆具有很强的规律性，即方向和速度不会发生变化，因此，我们可以假设车辆是以匀速运动，方向与水平方向平行的。

要计算车辆质心的位移，首先要确定参照物的长度。分车道线在实际中是固定长度的，但由于摄像机位置的关系，在视频图像中会呈现出不同的长度。在摄像机与道路平行拍摄的情况下，可认为在各行像素间参照物的变化是线性的，即可以利用等腰梯形来计算每行像素所对应的参照物在视频图像中的长度。

图4所示是实际背景二值图像中参照物的梯形示意图。我们可以从背景二值图像中提取出各行像素中参照物的长度,构造一个等腰梯形，如图5所示，其上边和下边分别为提取的实际分道线，4个角的坐标分别为（旳5）,（改,乃），（和凹），（和球，因此，分道线在视频中的长度d可表示为：

其中：

式（2）中的yi表示运动车辆质心的纵坐标。由式（2）、（3）便可计算出任意一行像素所在的分道线在视频中的长度。

我们将梯形所构成的范围作为一个检测区域，根据直线函数的数学特性以及运动车辆质心的坐标即可检测出运动目标什么时候进入了检测区域。检测原理如图 6 所示。

假设直线为函数（，在直线（上的点可表示为（=0,在（上的所有点如Mi可表示为/（Mi）>0,在（下的所有点如M2可表示为f（M2）<0,利用此方法，即可判断运动车辆的质心是否在梯形范围内。当车辆运动在梯形内时，可求出连续三帧质心的位移l（0<i<288）,设连续三帧的时间为Tt，分道线的实际长度为S，则运动目标实际的速度为V=（°1i1288），其中j表示所跟踪车辆的车号。

2.2实验结果分析

为了验证本文所提出的基于变长参照物的车速计算方法是否与实际车辆的速度一致，进行了多次实际开车通过视频检测区域，记录当时的车辆速度与视频检测所得的数据进行对比，结果显示96%的速度值基本吻合。这说明本文说提出的车辆速度的检测方法具有一定的有效性。

3结语

本文围绕固定摄像机角度拍摄城市道路快速干道交通状况进行分析与研究。针对车辆跟踪鲁棒性与高效性要求，采用了SURF-Kalman算法进行跟踪，利用Kalman算法预测运动目标质心下一帧可能出现的位置，再利用SURF算法进行匹配运算，保证了跟踪的有效性和鲁棒性。在车速计算方面，提岀了一种简单快捷的计算方法，该方法是以分道线作为参照物来计算车辆质心实际的运行距离。最终可计算出车辆的速度,通过对多车的计算可判断出当前整个交通的状态。

20211121_619a2a3f4271e__基于DS18B20的温度测控系统设计