视频测速

视频测速姓名：杨艳明导师姓名：刘立忠车身热成形方向近一年来，在智能交通领域，有一个名词似乎一直都有着很高的热度，那便是“视频测速”。“视频测速”是指不使用专用的测速设备(如线圈、雷达、激光等)，仅仅通过对车辆视频监控信号进行分析而获得机动车辆行驶速度的一种方法。可以设想一下，不用雷达，不用传感器，仅仅安装一个视频摄像头，便可获知监控对象的实际运动速度，这实在足一件十分简单实用的技术。这一测速方法作为一种新型的测速方式已逐渐引起交通行业的重视，因为其具有目前使用的车辆速度测定方法所没有的很多优点。一交通系统常见的测速方式目前交通系统工程中常见的测速方式包括以下几种:1.用多普勒雷达所谓多普勒雷达就是利用多普勒效应获取目标物的速度。奥地利科学家多普勒最早发现，当声音，光和无线电波等振动源与观测者以相对速度V相对运动时，观测者所收到的振动频率与振动源所发出的频率有所不同，称之为多普勒效应。脉冲多普勒雷达的工作原理可表述如下:当雷达发射一固定频率的脉冲波对空扫描时，如遇到活动目标，回波的频率与发射波的频率出现频率差，称为多普勒频率。根据多普勒频率的大小，可测出目标时雷达的径向相对运动速度;根据发射脉冲和接收的时间差，可以测出目标的距离。同时用频率过滤方法检测目标的多普勒频率讲线，滤除干扰杂波的谱线，可使雷达从强杂波中分辨出目标信号。所以脉冲多普勒雷达比普通雷达的抗杂波干扰能力强，能探测出隐蔽在背景中的活动目标。以往的多普勒雷达由于脉冲信号发射角大，达到一定距离后会散射为一个较大范围的扇形区域，因此在使用时容易受到相邻车道车辆的干扰，造成速度测量的偏差。目前新推出的多普勒雷达大多为被称作“窄幅”的型号，即脉冲发射扇形角很小，以使在一定测量距离内能将脉冲的发射和接收限制在一个较小的局部范围内，以尽可能地避免相邻车道的干扰。2.采用激光雷达测速由于激光具有极好的方向性以及极小的散射角，因此有些高档雷达采用激光脉冲进行测速，通过发射激光脉冲并接收反射回来的脉冲以计算出目标速度。这种雷达测速精度高，准确度好，能实现“定点测速”，能在较远的距离范围内完成小目标范围内的物体测速，杭干扰能力强，缺点是成本较高，且因仪器精密，工作德定性稍差。3.采用双传感器触发计算速度双传感器方式指通过检测车辆经过两个传感器(最常见的为地感线圈或红外、压感触发装置)的时间差，由于传感器为固定安装方式，二者之间的距离是已知且确定不变的，使用速度公式便可计算出车辆的行驶速度。这种测速方式测速精度高，成本低，不足之处是需要固定埋设传感器。这种不足导致了三个方面的缺陷:无法自由移动使用，只能在固定点进行，由于需要安装传感器，有可能需要破坏路面，降低路面承载能力;传感器的安装维护调试以及使用寿命也限制了这种测速方式的普及。因此，在某些应用场合该方式使用起来并不方便。二视频测速视频测速原理：不存在可以直接测定速度的装置,所有的测速设备或者装置都是依靠下式来实现的,v=Δd/Δt=(d1-d0)/(t1-t0)(1)但在大多数情况下,可以方便地获得Δt和Δd中某一个变量的值,而利用其他手段测量或计算出另一个变量的值。在视频测速中,通过视频信号的固定帧间时间可直接得到Δt,而通过其他的方法间接地计算出Δd,此时并不是采用方程式(1)进行速度的计算,而是采用下式v=Δd/Δt=(d1-d0)/(t1-t0)=(f(S1)-f(S0))/(t1-t0)(2)其中,f(S)是一个单映射函数(通常也是递增或递减函数),S值表示位置,是一个在实际应用系统中比较容易获得的值。假定预先知道函数f(S)的表达式,则通过f(S),可以由S1和S0计算得到d1和d0两个变量的值,相减即可得到Δd,而实际测量中又能直接获得t1和t0的值,从而可以由式(2)计算出v值。视频测速的原理即基于此。图1是在车辆监控视频标准信号中连续采集到的两帧图像由两帧图像中可以看到车辆朝摄像机方向由远至近行驶时,视野中的车辆是由上向下运动的。如果可以找到两帧图像中的对应点、对应线或者对应块,并且保证使用的摄像机是固定架设不动的(包括空间位置不动和摄像角度不动,这在工程中完全可以做到),则两帧图像中的像素点即有了对应可比性,分别定位到对应点或对应块在两幅图像中的位置S1(t1时刻帧图像中)和S0(t0时刻帧图像中),相减可以得到对应点或者对应在t1-t0(即Δt)时间内移动的像素距离(S1-S0)(如图2所示)。根据速度公式,自然可以求得该块在图像中的移动速度,单位为“像素/秒”。然而,我们的目的是为了获得车辆的实际速度,而不是车辆在图像中的移动速度,速度单位也不是像素/时间,而应该是公里/小时。因此,必须找到ΔS与实际距离Δd的函数关系。从计算机视觉角度来看,S坐标(x,y,z)与d坐标(X,Y,Z)之间为矩阵关系[1],即（3）由于是测速精度的主要影响因素是图像中车灯的定位精度,而不是车灯在图像中坐标与实际坐标间的换算精度,因此,在运算中无需过于精确地进行坐标值的矩阵参数求值和换算,而可以采用近似换算,这种近似换算产生的精度误差对于最后的测速精度的影响并不大,但却可以大大减少算法的运算量,其测速精度仍然可以达到实际系统的应用要求。Fig.2Twoframes(images)att0andt1在图2中,考虑到摄像设备安装的安全性和效果较好的视觉俯仰角度,θ一般不小于60°,此时视距c和监测点距摄像机的距离d一般比较大(通常c13m,d10m),当Δt很小时,Δd与d相比很小,可以忽略图2中θ的变化Δθ,而仅考虑由θ产生的透视,此时,可以认为视野范围内所有点相对于摄像头的仰角均为θ。设视频信号中截取到的图像,其高宽分别为576像素和768像素(此为标准视频信号分辨率)[2],对于车辆监控视频,可以选择视频视野宽刚好为一个车道宽(约3.5m,在安装摄像机时可利用路面分道线方便地调节镜头焦距后固定),如图3所示。Fig.3Ablockmovesintwoframes设视野范围内可以看到xm的路面长度,即视频高度所代表的路面实际距离为xm,此时有由于前述不考虑视觉透视效果,可认为在图像中的距离相等(垂直方向),其对应的实际距离亦相等ΔS∶576=Δd∶x因此假设ΔS为110像素(图1中实测像素距离),摄像机架设角为θ=60°(与垂直方向夹角,实验中常用的摄像头安装角度),则Δd=110×3.5/768cos60=1.0026(m)设Δt为两幅图像的时间差,图1中为Δt=40ms(即间隔帧),则此时的车辆速度为v=Δd/Δt=1.0026m/40ms=1.0026km/1000×1000×60×60/40h=90.2344(km/h)三实时测速需解决的问题实现以上视频测速方法,需解决以下问题:(1)找到两幅车辆图像准确的对应块或对应点找到对应块(或对应线、对应点)才能准确地得到ΔS,计算出车速。对于车辆来说,作为对应块的区域包括车灯、车牌和车轮。对于以车牌作为对应块的定位研究已很多[3~5],但由于算法的复杂性,其计算速度很难满足视频测速的要求。为此,本文以车灯作为对应块定位。(2)在尽可能短的时间内定位到该对应块。由于视野范围的限制,当车辆速度非常高时,车辆在视野范围出现的时间可能也就是40~60ms,为保证有更多的视频采样截图能捕捉到清晰的车辆图像,可以采用逐行扫描视频信号(帧频率50Hz,每次截取完整一帧)或电视制式信号(帧频率25Hz,即50场/秒,每次截取一场,采用单场插值放大形式)。本文采用后者获得50张/秒的图像序列,笼统地称之为50fps,即每帧时间间隔仅为20ms,因此可能仅有2~3帧图像中可以监测到车辆通过视野范围。要实现高速情况下的测速,必须在极短的时间内迅速定位到对应块(即车灯块),这就要求有高速而准确的车灯定位算法。(3)准确地获得图像间的时间差。从视频监控信号中获得多帧图像时可以利用逐行扫描视频信号帧间时距固定(20ms)的特点,因此余下的就是确定两幅图像相隔几帧了。考虑到车辆高速通过时可能仅有2~3帧图像中可以看到车辆,为实现高速测速,其被处理的帧间隔数越小越好,考虑到计算机图像采集卡的采集速度(采集一次需10ms左右),试验中采用“每两帧定位一次”的方式进行比较来计算车速。由上面的分析可知,在实时应用条件下,必须在20~30ms之内完成车辆图像的采集和车灯准确定位。四车灯定位视频测速的关键在于对应块(本文指车灯)定位算法的快速性,最好仅在20ms之内完成车灯的准确定位,考虑到在交通系统中,目前实际系统使用的工控机很难达到当前流行的CPU运算速度超过1G的微机,而模式识别传统算法的计算量太大,很难保证能在如此短的时间内完成车灯的准确定位,因此本文算法均在“灰度实域”范围内完成,而不进行任何信号频域变换方式。根据对大量样本图像的分析,车灯区域有如下特点:(1)两个车灯区域一般是对称的,其灰度变化基本一致;(2)两个区域基本处于一条水平线上;(3)相对于车身和路面,车灯部分亮度比较大(不论白天晚上);(4)灰度变化较为频繁(尤其在白天,这是车灯的反光罩杯造成的);(5)车灯下方为保险杠和路面,背景比较单一;(6)对应块在视野中是上下运动,对竖直方向偏斜比较小(高速时不会处于转弯状态)利用这些特征制定的算法规则有利于提高对对应块搜索的准确率和速度。为克服由于摄像或倾斜引起的偏差,保证梯度检测的准确性,对图像梯度的运算可采用下式计算:ΔG(x,y)=max(|G(x+1,y-1)-G(x,y)|,|G(x+1,y)-G(x,y)|,|G(x+1,y+1)-G(x,y)|)(4)其中,G为图像各像素点灰度,ΔG(x,y)为点(x,y)的灰度差。4.1车灯带位置候选区域获取将各像素点灰度差值对水平方向叠加投影:(5)其中,BY为像素沿水平方向在Y轴上的叠加投影值的存储数组,i为投影对应的行位置。车灯区域应该位于水平投影方向的鼓形区域,根据摄像机架设的位置和抓拍图像的角度,可以设定一个车灯带在图像中的高为H(经验值),由下式获得车灯带鼓形的平均值和方差:(7)(8)BY[k]和δYk指以第k行为起始位置、高为H的水平带状区域所求得的水平叠加投影的平均值和方差。由分析可知,需要找到灰度集中且方差较小的水平带状区域,因此其判断函数按下式取值:φYk=(BY[k])2/δYk(8)对应的鼓形区域起始位置为(9)n为候选水平区域的个数,且各候选区域不相交或者重合,一般取2~3个水平区域即可,记录找到的水平区域的起始位置kY1、kY2、kY3(以3个候选水平带为例),其值为候选水平带所对应的起始行位置。4.2竖直投影判断是否为真正的车灯带利用车灯的对称性,可判断某一候选带是否为真正的车灯带。对某一候选水平带区域(设起始行位置为k)进行竖直方向的梯度和投影计算,同样有(10)其中,BX为该水平带的竖直叠加投影(在X轴上的投影)的存储数组,j为叠加投影的列位置。（11）（12）和δXk为以列位置k为起始点的竖直叠加投影的平均值和方差(此处假设车灯宽与车灯高之比为2)。由分析可知,需要找到灰度集中且均匀的水平带状区域,因此其判别函数为（13）（14）当候选水平区域满足|φi,j-1|0.15(φi,j=kXi/kXj(i≠j)时,认为此水平区域存在两块灰度特征相似的鼓形区域,判断其为车灯,该水平带即判断为所要找的车灯带,即是进行视频测速计算时所参照的对应块。由此可以排除其他可疑候选块。事实上,由于视频测速并不要求对车辆进行车牌或车型识别,因此只需找到对应块即可,即使不是真正的车灯块,只要其在相邻的图像中能定位到同一个区域(如两次都定位在出租车的车顶标志灯上),也可以实现视频测速。5实验结果与结论表1是对录像视频源处理的结果,由于进行室内测试时无法获知车辆的实际车速,因此表中仅列出了对车灯定位环节的定位效果及时间。表1实验结果数据和说明Table1Resultdataandtheremark类目值说明测试时间23′45″即录像上从开始测试至结束的时间,手工计时人工计量车辆数278辆人工计数有效测试目标车辆数213辆