CN101059529A - 一种视频测量车流平均速率的方法 - Google Patents

Abstract

本发明属于视频测量技术领域，具体公开一种视频测量车流平均速率的方法。该方法通过对一段马路上沿着马路方向不同的两点获取的视频数据进行相关性分析，实时计算车流通过这两点的时间，从而得到车流速率。相比传统的电磁感应线圈测车速的方法，本发明使用的方法更能够反映一段马路上的车“流”速率，以得到该路段的正确的拥塞情况，而不仅仅得到信息量较少的瞬时车速。

Description

一种视频测量车流平均速率的方法

技术领域

本发明涉属于视频测量技术领域，具体涉及一种视频测量车流平均速率的方法。

背景技术

目前流行的测量车速的方法有雷达测速、地埋磁感应线圈测速等等。两者都是测量车辆经过时的瞬时速率。这种方法虽然测量瞬时速率快速准确，却难以对一段路段上的整体车流速做出很正确的判断。本发明涉及的一种视频测量车流速率方法，将交通作为一种“流”来看待，采用数字视频处理的方法，对一段路段上的车流速率进行实时分析，从而得到该路段的拥塞情况。

发明内容

本发明的目的在于提供一种能够实时分析路段上车流速率，从而能够对路段上整体车流速做出正确判断的车流平均速率测量方法。

下面简述其原理。互相关是一种通过对应点信号相乘然后平均来比较两个信号的方法。其公式如下：

$R_{12}\left(m\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_2\left(n\right)x_1(n-m)\·\·\·\·\·\·\left(1\right)$

其中R₁₂(m)为相关系数，N为序列长度，x₂和x₁为作互相关的两个信号序列，即x₂为摄像头B采集的信号，x₁为摄像头A采集的信号，n为信号位置，m为偏移量。时域互相关函数显示了以时间移动为参数的互相关系数曲线。该曲线度量了两个信号的相似程度。m的变化表示了序列x₁的移动，随着序列的移动，上述计算结果的多个R₁₂(m)形成一个向量

另一方面为了对整个视频数据进行运算处理，序列x₂也在进行移动，从而很多个

形成了一个相关系数矩阵R₁₂。

时域互相关检测马路轴向上两个数据采集点采集的数据流。采集的数据理论上可以有多种，比如压力、电量、声强等等，只要能反映流的某种特性，本发明采用的是视频数据。互相关函数最大值的时间延迟即为交通流通过这两个采集点的时间。图1为系统测试示意图，两个摄像头A，B采集马路轴向两个不同点的数据，采集到的时域信号signal A和signalB如图2所示。

将摄像头A和摄像头B采集的信号序列x₁和x₂按照(1)式求互相关系数，其结果如图3，即最大值出现在延时为m的地方，并意味着交通流从A到B需要的时间为m。

根据上述原理，本发明提出的视频测量车流平均速率的步骤如下：

(1)使用两个摄像头拍摄马路车流情况；

(2)对两个摄像头A和B采集的数据进行相关性分析；

(3)利用相关运算结果，得到车流经过两点的平均速率。

其中对步骤(1)所使用的两个摄像头有如下要求：

①两个摄像头放置在延马路轴向的两个不同点上；

②两摄像头分别拍摄马路上的车流情况；

③两摄像头所处的姿势要一致；

④两摄像头硬件须相同，并采取相同的软件设置；

⑤两摄像头相对于路面的位置须相同；

⑥两摄像头相对于路面须采取相同的拍摄角度。

步骤(2)所述的对两个摄像头A和B采集的数据进行相关性分析，包括如下步骤：

(1)分别获取两摄像头头A和B拍摄的视频流数据：x₁和x₂；

(2)根据公式(1)，将两段视频流在时域内做互相关运算，求取互相关系数，找到最佳匹配点。

$R_{12}\left(m\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_2\left(n\right)x_1(n-m)---\left(1\right)$

其中R₁₂(m)为互相关系数，N为序列长度，x₂和x₁为作互相关的两个信号，即x₂为摄像头B采集的信号，x₁为摄像头A采集的信号，n为信号位置，m为偏移量，表征时域信号相隔的时间，m的变化表示序列x₁的移动，随着序列的移动，由上述计算结果得到多个R₁₂(m)，形成一个向量

另一方面对整个视频数据进行运算处理，序列x₂也在进行移动，从而得到很多个

形成一个相关系数矩阵R₁₂；

步骤(3)所述的利用相关运算结果得到车流经过两点的平均速率，包括如下步骤：对互相关运算结果m采用中值滤波器进行滤波，再根据摄像机帧率和两个摄像头视野间距得到车流经过两点的平均速率。其计算公式为：(假设帧率为p，两个摄像头视野间距为S，平均速率为v)

$v=\frac{\mathrm{Sp}}{m}---\left(2\right)$

(1)(2)两式各个参数取值范围如下：

N作为序列长度，取值范围

其中v_max为该道路最高限速。

而对摄像头采集的数据x₂和x₁没有特别要求。

摄像头间距和帧率也无特别要求。

附图说明

图1、实验系统示意图。

图2、信号时域波形。

图3、互相关函数。

图4、测量结果示意图。

图5、处理流程图。

具体实施方式

下面结合附图进一步介绍本发明方法：

在一段马路上，延马路轴向的两个不同点上以相同姿势安装两个摄像头A和B(参见图1)，拍摄道路车流情况。将拍摄到的视频数据传输至计算中心(可以是本地或者远程的计算中心，系统可以为嵌入式系统或者其它系统，本发明实验中采用PC机)，准备进行互相关系数的计算。在计算之前，须对视频流数据进行一些预处理，步骤如下：

1、解压缩：

一般由摄像机驱动程序自动完成。

2、去背景：

I₁＝I₀-I_background

其中I₀为读取的原始图像，I_background为背景图像，I₁为去背景之后的图像。

3、去噪声：

I₂＝f_m(I₁)

其中f_m()为形态学滤波算子，I₂为形态学滤波后的去噪声图像。

4、选择感兴趣区域：

是在上述去噪声后的图像上选定一块区域用做计算，一般选取图像中的道路部分。

预处理完毕之后，根据选择的时域信号窗宽度，将两段视频数据根据(1)式作互相关运算(注意此时的时域信号本身是二维)。得到计算结果后，进行一定的非线性滤波，产生两段视频的匹配结果。利用这匹配结果和摄像头帧率的关系，就能得到车流在经过A、B两摄像头所用的时间，并由此计算出车流经过这一路段的平均速率(参见图4)。具体步骤如下：

1、决定用作互相关运算的序列的长度N：

合适的序列长度范围如下：

$(\frac{\mathrm{Sp}}{v_{\max }},\mathrm{Sp})$

其中帧率为p，两个摄像头视野间距为S，v_max为道路最高限速。

2、把长度为N的图像序列中的每一帧二维图像数据展开成一列，并把它们连接起来构成一向量：

${\stackrel{\→}{x}}_{1v}=({\stackrel{\→}{x}}_{1v}^1,{\stackrel{\→}{x}}_{1v}^2,\·\·\·\·\·\·,{\stackrel{\→}{x}}_{1v}^N)$

${\stackrel{\→}{x}}_{2v}=({\stackrel{\→}{x}}_{2v}^1,{\stackrel{\→}{x}}_{2v}^2,\·\·\·\·\·\·,{\stackrel{\→}{x}}_{2v}^N)$

和

分别为

和

首尾连接而成的向量， ${\stackrel{\→}{x}}_{1v}^i(i\∈[1,N\left]\right)$ 和 ${\stackrel{\→}{x}}_{2v}^i(i\∈[1,N\left]\right)$ 分别为摄像头A和摄像头B采集的数据中的某一帧图像展开成的向量。

3、将上述结果代入公式(1)，即得

$R_{12}\left(m\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{\stackrel{\→}{x}}_{2v}\left(n\right){\stackrel{\→}{x}}_{1v}(n-m)$

并且移动序列x_2v和序列x_1v计算各个相关系数，形成相关系数矩阵R₁₂。

4、对于上述结果的相关系数矩阵R₁₂，取出矩阵R₁₂每一行中的相关系数最大值所处的位置：

$\stackrel{\→}{M}=f_{\max }\left(R_{12}\right)$

其中R₁₂为前面提到的相关系数矩阵，f_max为最大值滤波器，表示求出矩阵R₁₂中每一行最大值所处的位置的序号，

为最大值滤波结果。实际上 就是由许多偏移量m组成的向量。

5、对

采用中值滤波进行平滑：

${\stackrel{\→}{M}}_{\mathrm{refine}}=f_{\mathrm{median}}\left(\stackrel{\→}{M}\right)$

结果向量

由多个经过滤波的m组成，f_median为中值滤波器。至此，均属于对两摄像头A和B采集的数据进行相关性分析。

6、计算车流速率

利用上述结果向量，代入公式(2)计算车流速率：

${\stackrel{\→}{v}}_i=\frac{\mathrm{Sp}}{m_i}$

其中m_i(i∈[1，N])为

中的元素，

为计算结果。多个

画成的图如图4所示。

操作流程图如图5。

实验在多条道路上进行，实验摄像头A，B均采用“现代”SN9C120，分辨率320×240，图像每个象素为24位RGB数据，帧率为30帧/秒。实验在道路X上进行，两摄像头画面中心相距295米，视频长度为20秒，选取序列长度为150帧，测量结果示意图样例如图4所示。由图可见，所提出的方法能够稳定准确地测量一个路段上的车流速率。

Claims (1)

1、一种视频测量车流平均速率方法，其特征在于具体步骤如下：

(1)使用摄像头A和摄像头B拍摄马路车流情况；

(2)对两个摄像头采集的数据进行相关性分析；

(3)利用相关运算结果，得到车流经过两点的平均速率；

其中对步骤(1)所使用的两个摄像头有如下要求：

①两个摄像头放置在延马路轴向的两个不同点上；

②两摄像头分别拍摄马路上的车流情况；

③两摄像头所处的姿势一致；

④两摄像头硬件须相同，并采取相同的软件设置；

⑤两摄像头相对于路面的位置须相同；

⑥两摄像头相对于路面须采取相同的拍摄角度；

步骤(2)所述的对两个摄像头采集的数据进行相关性分析的步骤为：

(1)分别获取摄像头A和摄像头B拍摄的视频流数据：x₁和x₂；

(2)根据公式(1)，将两段视频流数据在时域内做互相关运算，求取互相关系数，找到最佳匹配点：

$R_{12}\left(m\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_2\left(n\right)x_1(n-m)---\left(1\right)$

其中R₁₂(m)为相关系数，N为序列长度，n为信号位置，m为偏移量，表征时域信号相隔的时间，m的变化表示序列x₁的移动，随着序列的移动，由上述计算结果得到多个R₁₂(m)，形成一个向量 另一方面对整个视频数据进行运算处理，序列x₂也在进行移动，从而得到很多个

形成一个相关系数矩阵R₁₂；

步骤(3)所述的利用相关运算结果，得到车流经过两点的平均速率的具体步骤入下：对互相运算结果的采用中值滤波器进行滤波，再根据摄像机帧率P和两个摄像头视野间距S，得到车流经过两点的平均速率V：

$v=\frac{\mathrm{Sp}}{m}---\left(2\right)$

N作为序列长度，取值范围为

其中v_max为该道路最高限速。

Images