视频测速Word文档格式.docx
- 文档编号:18259642
- 上传时间:2022-12-14
- 格式:DOCX
- 页数:15
- 大小:370.81KB
视频测速Word文档格式.docx
《视频测速Word文档格式.docx》由会员分享,可在线阅读,更多相关《视频测速Word文档格式.docx(15页珍藏版)》请在冰豆网上搜索。
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.2 Twoframes(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c>
13m,d>
10m),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.3 Ablockmovesintwoframes
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
Table1 Resultdataandtheremark
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
指车灯完全在视野范围内,且没有明显转弯行为的车辆
车灯定位正确数
154辆(72.3%)
指连续两次定位都准确找到车灯块
其他测速可用定位数
28辆(13.15%)
指连续两次定位都没找到车灯块,但找到了同一块,可以作为对应块进行测速
测速可用定位数
182辆(85.45%)
可以利用对应块进行测速的记录
定位平均耗时
13ms
奔腾III500CPU计算机上的计算时间
对该课题进行长时间的研究,取得了一定的进展(指快速定位算法),平均对应块定位时间为13ms,经进行室外驱车模拟试验,速度测量误差<
8%(以司机口头报告即时车速为准),已初步具备了开发视频测速产品的技术基础。
本文使用的是车灯定位,而不是常见的以车牌作为对应块的定位,目前其定位正确率尚低于车牌定位率,离实用化仍有一段距离,但车灯定位方式具有算法简单、快速的特点,其为使本系统在嵌入式硬件平台上实现提供了可能。
下一步的研究将主要集中在提高定位速度和定位精度两个方面。
五车牌行定位
通过车牌行定位确定车辆的位置,用车牌在帧间移动的像素行数确定车辆帧间实际位移。
车牌定位方法有很多,其中的一些方法只针对特殊图像,受光照影响,鲁棒性较差;
还有一些方法计算复杂,难以实时运用。
笔者在参考现有方法的基础上,设计了一种能准确提取车牌字符纹理特征,同时减弱其他特征的局部自适应阈值化算法。
1.1车牌字符的特征抽取
基于车牌字符的纹理特征进行车牌定位,同时辅以颜色特征对特殊车牌进行2次定位。
采集的车辆近景图像为彩色图像;
基于字符特征的车牌定位,采集的图像为灰度图像;
基于颜色的定位车牌,采集的图像是彩色图像。
在进行基于车牌字符的车牌定位时,应将彩色图像转化为灰度图像。
在车辆近景图像中,图像内容主要包括车辆、车道和阴影。
车道整体特征单一,局部灰度差较小;
阴影整体的灰度特征单一,同一阴影区域灰度差很小;
车辆(主要指车头部分)整体的灰度特征相对复杂,某些局部灰度差异较大。
为了获取车牌字符的纹理特征,同时减少数据量及干扰信息,笔者设计了一种局部自适应阈值化方法,对灰度图像进行二值化处理。
局部自适应阈值化方法的思想是通过点和近邻点平均加权后再和该点比较,若该点灰度值大于均值,置为1;
若小于均值则置为0。
在车牌图像二值化时,根据车牌字符的纹理基元,选取1×
(2N+1)的模板获取平均值,即
(15)
式中:
X(i,j)为灰度图像的像素值;
N为与该点相邻的列数。
为了减少图像中孤立干扰点的影响,准确地获取车牌字符,需对平均值进行加权,获得局部阈值,即
T(i,j)=(1+α)Taver(i,j)(16)
α为权系数,是通过先验知识获取的。
在各种光照条件下的灰度图像中,统计车牌字符与车牌背景的灰度差、灰度差与背景的比值,其统计范围主要限制在人眼可区分车牌字符的范围内。
综合考虑字符和背景灰度对比、光照条件和车牌背景之后,选择合适权系数。
获得点的阈值之后,将该点二值化得到
(17)
X′(i,j)为二值图像的像素值;
T(i,j)为该点的灰度阈值。
在二值图像中,在保留车牌字符、车标、车灯和车辆边缘等信息的同时,也出现了部分噪声信息,如图5(a)所示。
为了减少图像中的孤立干扰点,同时保留车牌字符边缘,选用M×
1的模板对二值图像进行中值滤波。
滤波后二值图像如图5(b)所示。
图5二值图像滤波
由图5可以看出,当图像中只有一辆车时,车牌以下的区域没有和车牌字符的纹理特征类似的区域,车牌字符总长和高的比值在固定范围内,车牌字符在图像中成水平排列,且车牌字符附近背景单一,车牌字符以一条条小竖线的形式被保留下来,在进行逐行搜索时,车牌区域的特征主要表现为连续数行出现峰谷相间的纹理特征,这为车牌行定位提供了良好的条件。
1.2车牌行粗定位
将车牌行定位分为车牌行粗定位和车牌行精确定位。
车牌行定位的总体流程如图6所示。
图6车牌行定位流程图
从二值图像底部向上进行跳行搜索。
比较当前行的纹理特征与车牌区域的纹理特征,若特征不相似,则跳跃数行继续搜索;
若相似,转入行精确定位,行精确定位成功,车牌行定位结束,如果不成功,则跳跃数行继续搜索。
为了加快车牌定位速度,利用车牌区域的位置特征,从二值图像的底部向上跳行搜索。
跳行的距离根据图像中车牌字符高度来确定,通常取小于车牌字符高度的1/2为宜。
行粗定位流程如图7所示。
图7行粗定位流程图
在图7中,BW(i,j)为二值图像,M为间距,S1为边缘数量,Mf为车牌字符间距阈值,是对二值图像中相邻车牌字符之间像素距离的统计后得到的,通常取相邻字符最大间距的1~2倍。
运用上述方法对二值图像进行行粗定位的效果,如图8所示。
图8行粗定位后的车牌图像
在图8中,白色横线是行粗定位时搜索得到的目标行,利用统计车牌字符得到的高度范围扩展目标行,得到行粗定位的二值图像。
1.3车牌行精确定位
车牌行精确定位的流程如图9所示。
图9行精确定位算法流程图
图10行精确定位后的车牌图
在图9中,L为与车牌纹理特征相似的连续行数量,RB为连续行的起始行,RE为连续行的结束坐标。
Lf为车牌最小连续行。
行精确定位得到车牌字符区域的二值图像,如图10所示。
由图10可知,横向定位上下边缘都很精确。
为后续的车速检测奠定了良好的基础。
六展望与总结
(1)使用视频测速技术具有几个明显的优点:
1)无需使用专用测速设备,可大大降低测速系统的成本;
2)减少了测速设备,系统简单化使系统的工作稳定性提高;
不使用专用的刚速设备,自然使系统的组成简单化,从系统的角度来看气拓扑结构越简单,设备数目越少,系统工作的稳定性越高,故障率也越低。
3)用于车辆测速的摄像头同时可作为固定安装的监控摄像头使用,一机两用,提高设备使用效率。
4)从理论上来说,视频测速技术可达到很高的测速精度,能满足实际交通工程的精度要求。
(2)视频测速技术应用现状原因分析
然而,为何视频测速技术直到目前为止仍无法得到较大的发展和广泛的应用,“光叫好不叫座”呢?
分析起来,其主要原因恐怕还在于这一技术的某些固有的缺陷。
我们从视频测速的实现过程来分析。
视频测速的实现是通过使用软件算法对视频信号进行分析和运算完成的,通常步骤是先从视频信号中获取目标物体在一定时间内运动的像素距离,再将该像素距离与实际距离相对应,以获得在一定时间内目标物体所运动的实际距离,最后根据速度公式求取目标实际运动速度。
虽然从理论上来说这种视频测速技术可以达到很高的测速精度,而且随着摄像头分辨率的提高,这种精度还能随之得到更大的提高,但这只是一种理想状态,即理论上能够达到的最高精度。
而在实际情况中,实际能够达到的精度取决于软件算法的性能。
而软件算法的性能又决定于许多不同的因素,例如不同的研发人员开发出来的算法,便会有很大的不同,包括时于光照的适应性,工作的稳定性以及运算的一致性,都会有很大的差别。
来看视频测速实现过程中的两个步骤:
第一个步骤是获取目标物体运动的像素距离。
这一过程牵涉到在视频信号中对于物体的定位,这种定位是通过软件算法来实现的,而这种软件定位算法在不同光照、不同焦距、不同角度、摄像头不同型号等条件下定位准确度变化比较大,即便是在同等光照条件下,视频信号的微小变化也可能时这种定位精度有很大的影响,而这种微小变化是经常存在的。
我们知道,在很短的时间内对同一物体进行两次拍照,即使照相机的位显绝对不动,物体也没有发生任何移动,照出来的两张照片中也不可能是每个像素的色彩值都完全对应一致,这是由照相曝光的随机性决定的,是照相设备所固有的误差。
时于摄像头送出的视频信号也同样有这种固有的小范围变化,也许这种变化人眼都无法察觉,但却有可能对软件定位算法的精度产生影响。
因此,获取目标物体在一定时间内运动的像素距离这一过程的结果并一定是确定的,而是会产生一定的误差,这种误差与采集设备并没有多大关系,而且是随机产生的,基本上无法预测。
第二个步骤是将物体运动的像素距离与实际距离对应起来,这一过程便涉及到了镜头坐标至世界坐标之间的转换,属于计算机视觉领域的范畴,通常需要首先时摄像头进行参数标定,而且这种标定要求摄像头是固定安装且不动的。
事实上在室外安装的摄像头,由于气候、车辆行进等各种原因,会产生经常性的,不稳定的小幅度震动,这也是不可避免的,但这种震动却很可能在极大程度上造成摄像头标定参数与实际参数的不响合,以至于无法获得准确的镜头坐标到实际坐标之间的转换矩阵,造成像素距离与实际距离对应关系的误差,这种误差也是随机的,不可预测的。
当然,任何测量工具或仪器都会存在测量误差,这是正常现象,但对于具体的物理硬件设备来说(如雷达),它是由特定的若干物理零部件组成,其关键设备中并不包括数字运算的软件,其测量误差是可预测和估计的,只有当这种测量误差能够被预测和量化时,才可能形成标准化的产品。
而时于视频测速来说,获取物体速度过程中的所有工作都是通过软件运算来完成,受视频信号的影响很大,受光照的影响很大,受算法性能的影响更大,这些影响所造成的测量误差也基本上是无法量化和预测的。
换句话说,时于一个在标准化生产线上生产的测速雷达来说,可以根据该产品所使用的电子元器件分析和试验出这种雷达的测速精度,在按规定方法正确使用该产品时,其测速结果都能够确定必定在某个误差范围之内,进一步说,同一批次生产的同一型号的雷达,其误差范围也应该是相同的,至少是很相近的,这种误差不随使用人的变化而改变。
但时于视频测速的产品来说,不同生产厂家生产的产品,由于其核心算法软件性能的不同,其测量误差不同,同一厂家生产的同一种产品,日间夜间的测量误差也不同,在城市用和在乡村用误差也不同,不同的人使用起来误差不同,甚至于同一人使用的情况下,对准不同的地方使用时测速精度也会不同。
举一个更为极端的例子是:
一个人使用同一台视频测速设备(这当然保证了是同一种软件算法,而且是同一种设备硬件),在间隔很短的时间内(光照基本没有变化),设备绝对静止情况下(没有任何抖动造成坐标转换矩阵的偏差),对准同一位置(保证背景完全不动),对经过视野范围内的同一辆车进行测速(由于间隔时间短,车速基本足恒定的),在如此严格的条件下,也许只是因为摄像头固有的原因,采集出来的视频信号的某几个点的像素值差了几个灰度(这种变化人眼常常无法察觉),也有可能造成计算出来的目标车辆移动速度有很大的区别,甚至于也许相差了十公里每秒以上。
从这个极端的例子可以看出,这种测量的误差基本上是属于无法预知和控制的。
正因为这种测量的误差随机性太强,也很难进行规定和标准化,因此基本上无法时其进行一些标准化的规定,不太可能形成一种标准化的产品,而非标准化的产品所获得的速度测量值在一些场合却无法作为一种有效而可靠的法律依据的,换句话说,民警是没办法使用经视频测速技术获知目标车辆的速度为依据来时超速车辆进行处罚的,因为无法知道所有测量出来的车辆速度的测量误差究竟有多大,真实速度值到底是在一个什么样的范围之内。
同时,由上面的分析也可以看出,这种视频测速技术与传统测速
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 视频 测速