CN103150908B - 一种基于视频的平均车速检测方法 - Google Patents

Abstract

本发明提供了一种基于视频的平均车速检测方法，通过划分多个块，获得目标车辆的特征点，根据映射表得出每一帧图像中特征点在实际道路上的实际距离，最后得到平均车速，本发明的方法主要用于交通监管部门对道路交通状况、交通流量等信息的判断依据，可以满足有关部门对数据的实时性、准确性和检测精度的要求。本发明的方法与现有的平均车速检测方法相比，不受环境限制，能够对视频范围内所有车辆的平均速度进行实时、可靠的检测、易于实现以及准确性较高，很适合于实时检测车辆的平均速度，具有广阔的应用前景。

Description

一种基于视频的平均车速检测方法

技术领域

本发明属于视频检测领域，具体涉及一种基于视频的平均车速检测方法。

背景技术

随着社会主义市场经济的发展,人们的生活水平得到了极大的提高，机动车辆的数量也随之迅速增加。由此带来了交通拥堵、交通事故频发、交通环境恶化、收费制式混乱、交通管理落后等交通问题,从而一种大范围、全方位发挥作用的实时、准确、高效的综合交通运输管理系统就应运而生。智能化交通系统（Intell igent Transportation System，简称ITS）正是在这种条件下产生的。平均车速检测，作为ITS中的一个重要分支,在规范交通秩序、完成车辆管理的自动化与智能化，确保道路交通系统的安全与畅通、以及人民生命财产安全方面具有广阔的应用前景。目前，实时检测车辆平均速度仍是一个较新的课题，人们在不断探索着简单、方便、快速而准确的识别方法。

到目前为上,已形成了以利用红外线、环形线圈和雷达等传感器为手段的一系列平均车速检测方法。其中，红外线检测方法虽然性价比比较高，但是激光检测中的激光束对人体主要是人眼的伤害是极为严重的问题；环形线圈检测方法受到线圈必须固定的限制，如果道路改造需要重新铺设线圈，不够灵活；雷达检测方法不能克服雷达器本身的不足，如易受无线电波的干扰导致的读数不稳定等。

由此可见，以上方法虽然原理简单，物理概念清晰明确，实现起来较容易。但也存在硬件系统较复杂,系统的环境适应能力较差、安装灵活性不高，故具有故障率较高、维修不便等缺陷，在实际使用中难以推广。

发明内容

针对现有技术的不足和缺陷，同时随着智能交通系统和计算机图形图像处理的研究技术越来越成熟，本发明的目的在于，提供一种基于视频的平均车速检测方法，该方法可以对视频范围内所有行驶车辆的平均速度实现安全实时、稳定可靠的检测。

为了实现上述任务，本发明采用如下技术方案予以实现：

一种基于视频的平均车速检测方法，该方法按照以下步骤进行：

步骤一，获取一段交通道路视频图像序列；通过视频采集设备获取交通道路视频，并将其处理为720×288像素大小的只含有像素点灰度值信息的视频图像序列；

步骤二，获得目标车辆的特征点，利用基于特征的目标车辆跟踪方法，跟踪连续N帧视频图像，所述的N≥100，并记下特征点在每一帧图像中的位置，其中：

所述的基于特征的目标车辆跟踪方法的具体过程为：采用基于像素块的帧间差分法检测运动车辆，对检测出的运动图像利用Moravec算法提取相应的特征点作为目标位置，并对相应的特征点进行匹配跟踪；

步骤三，获取每一帧图像中特征点像素到距离的映射关系：得到图像像素行和实际距离之间的映射关系，即映射表，从而可以得出每一帧图像中特征点在实际道路上的实际距离；

步骤四，求取平均车速：建立直角坐标系，其中，横坐标为特征点所在的每一帧图像所对应的时间，纵坐标为特征点所对应的实际道路上的距离，得到所有特征点的分布图，记：开始跟踪的第一帧视频图像中的特征点为A₁，其横坐标为X₁，纵坐标为Y₁；最后一帧中的特征点为A_n，其横坐标为X_n，纵坐标为Y_n，连接特征点A₁和A_n，得到直线L，然后分别测量其余各特征点A₂,A₃,……A_n-1到L的距离，记为dn；

步骤五，当所有特征点都在一条直线L上，此时直线L的斜率即是该车辆的平均速度，即平均速度

步骤六，当所有特征点不都在一条直线L上，找出到直线L距离最远的特征点，记为A_m0，分别连接A₁与A_m0点以及A_m0与A_n点，将原来的特征点分成了两段，测量A_m0到直线L的距离，记为d_m0；

步骤七，比较d_m0与阈值D的大小,所述的阈值D的取值为2cm，再分别判断分段后每段内的特征点数量是否少于25个，得到如下判据：

（A）当A_m0到直线L的距离d_m0≤D时，则停止分段；

（B）当A_m0到直线L的距离d_m0＞D时，则继续按步骤六的方法进行分段；

（C）当两段的特征点数量都大于等于25个时，则将两段都留下作为稳定的特征点；

（D）当有一段的特征点数量小于25个时，则将满足条件的一段留下作为稳定的特征点；

经过上述四个判据重复判断后得到满足条件的稳定特征点组成的线段，分别计算每条线段的斜率，所有斜率的算数平均值即为平均车速，检测完毕。

本发明的方法主要用于交通监管部门对道路交通状况、交通流量等信息的判断依据，可以满足有关部门对数据的实时性、准确性和检测精度的要求。本发明的方法与现有的平均车速检测方法相比，不受环境限制，能够对视频范围内所有车辆的平均速度进行实时、可靠的检测、易于实现以及准确性较高，很适合于实时检测车辆的平均速度，具有广阔的应用前景。

附图说明

图1是基于视频的平均车速检测流程图。

图2是不同行驶速度的车辆经过同一路段。

图3是车辆特征点示意图。

图4是所有特征点在一条直线上的情形的特征点分布示意图。

图5是分为两段的情形下的特征点分布示意图。

图6是分为四段的情形下的特征点分布示意图。

以下结合附图和实施例对本发明的内容作进一步详细说明。

具体实施方式

本实施例给出一种基于视频的平均车速检测方法，通过图像预处理，获得目标车辆的特征点，获取每一帧图像中特征点像素到距离的映射关系，最后得到平均车速。

需要说明的是本实施例中的映射表采用发明专利“一种线性模型下的摄像机几何标定方法”（公开(公告)号:CN102222332A）中所述的摄像机几何标定方法得到。

如图1至图6所示，本实施例的方法具体采用以下步骤实现：

步骤一，获取一段交通道路视频图像序列：通过视频采集设备获取交通道路视频，并将其处理为720×288像素大小的只含有像素点灰度值信息的视频图像序列；

步骤二，获得目标车辆的特征点：利用基于特征的目标车辆跟踪方法，跟踪连续N帧视频图像，所述的N≥100，并记下特征点在每一帧图像中的位置，其中：

所述的基于特征的目标车辆跟踪方法的具体过程为：采用基于像素块的帧间差分法检测运动车辆，对检测出的运动图像利用Moravec算法提取相应的特征点作为目标位置，并对相应的特征点进行匹配跟踪；

步骤三，获取每一帧图像中特征点像素到距离的映射关系：得到图像像素行和实际距离之间的映射关系，即映射表，从而可以得出每一帧图像中特征点在实际道路上的实际距离；

步骤四，求取平均车速：建立直角坐标系，其中，横坐标为特征点所在的每一帧图像所对应的时间，纵坐标为特征点所对应的实际道路上的距离，得到所有特征点的分布图，记：开始跟踪的第一帧视频图像中的特征点为A₁，其横坐标为X₁，纵坐标为Y₁；最后一帧中的特征点为A_n，其横坐标为X_n，纵坐标为Y_n，连接特征点A₁和A_n，得到直线L，然后分别测量其余各特征点A₂,A₃,……A_n-1到L的距离，记为dn；

步骤五，当所有特征点都在一条直线L上，此时直线L的斜率即是该车辆的平均速度，即平均速度

步骤六，当所有特征点不都在一条直线L上，找出到直线L距离最远的特征点，记为A_m0，分别连接A₁与A_m0点以及A_m0与A_n点，将原来的特征点分成了两段，测量A_m0到直线L的距离，记为d_m0；

步骤七，比较d_m0与阈值D的大小,所述的阈值D的取值为2cm，再分别判断分段后每段内的特征点数量是否少于25个，得到如下判据：

（A）当A_m0到直线L的距离d_m0≤D时，则停止分段；

（B）当A_m0到直线L的距离d_m0＞D时，则继续按步骤六的方法进行分段；

（C）当两段的特征点数量都大于等于25个时，则将两段都留下作为稳定的特征点；

（D）当有一段的特征点数量小于25个时，则将满足条件的一段留下作为稳定的特征点；

经过上述四个判据重复判断后得到满足条件的稳定特征点组成的线段，分别计算每条线段的斜率，所有斜率的算数平均值即为平均车速，检测完毕。

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

实施例：

在视频序列中，利用基于特征点的目标车辆跟踪方法对所求车辆跟踪了100帧，并记下特征点在每一帧图像中的位置。根据映射表，可得到每一帧图像中特征点在实际道路上的实际距离。建立特征点的分布图后，连接起点A₁和A_n，得到直线L，计算其余各特征点到L的距离，并设定阈值D=2cm。其中，A_m0（A_m0为第42个特征点）距离L最远，其距离为d_m0＝3.0cm；A_m0将特征点分成了两段，即A₁A_m0和A_m0A_n，这两段所包含的特征点个数分别为40个和60个，均大于25个。由于d_m0＞D，所以要继续进行分段，在A₁A_m0段内距离L最远的特征点为A_m1（A_m1为第10个特征点），其距离直线L的距离为d_m1=1.0cm；在A_m0A_n段内距离L最远的特征点为A_m2（A_m1为第82个特征点），其距离直线L的距离为d_m2=1.4cm；由于d_m1<D且d_m2<D，所以不再进行分段。

此时，所有特征点被分成了4段，第一段为A₁A_m1，其包含的特征点个数为10个；第二段为A_m1A_m0，其包含的特征点个数为30个；第三段为A_m0A_m2，其包含的特征点个数为42个；第四段为A_m2A_n，其包含的特征点个数为18个。因此，根据判据将第二段和第三段留下作为稳定特征点。经计算可得，第二段特征点所对应的时间为1.2s，所对应的实际距离为62cm，因而其斜率为51.67；第三段特征点所对应的时间为1.68s，所对应的实际距离为80cm，因而其斜率为47.62；所以这两段线段斜率的算术平均为49.65，即平均车速为49.65cm/s,即44.69km/h。

Claims (1)

1.一种基于视频的平均车速检测方法，其特征在于，该方法按照以下步骤进行：

步骤一，获取一段交通道路视频图像序列：通过视频采集设备获取交通道路视频，并将其处理为720×288像素大小的只含有像素点灰度值信息的视频图像序列；

步骤二，获得目标车辆的特征点：利用基于特征的目标车辆跟踪方法，跟踪连续N帧视频图像，所述的N≥100，并记下特征点在每一帧图像中的位置，其中：

所述的基于特征的目标车辆跟踪方法的具体过程为：采用基于像素块的帧间差分法检测运动车辆，对检测出的运动图像利用Moravec算法提取相应的特征点作为目标位置，并对相应的特征点进行匹配跟踪；

步骤三，获取每一帧图像中特征点像素到距离的映射关系：得到图像像素行和实际距离之间的映射关系，即映射表，从而可以得出每一帧图像中特征点在实际道路上的实际距离；

步骤四，求取平均车速：建立直角坐标系，其中，横坐标为特征点所在的每一帧图像所对应的时间，纵坐标为特征点所对应的实际道路上的距离，得到所有特征点的分布图，记：开始跟踪的第一帧视频图像中的特征点为A₁，其横坐标为X₁，纵坐标为Y₁；最后一帧中的特征点为A_n，其横坐标为X_n，纵坐标为Y_n，连接特征点A₁和A_n，得到直线L，然后分别测量其余各特征点A₂,A₃,……A_n-1到L的距离，记为dn；

步骤五，当所有特征点都在一条直线L上，此时直线L的斜率即是该车辆的平均速度，即平均速度

步骤六，当所有特征点不都在一条直线L上，找出到直线L距离最远的特征点，记为A_m0，分别连接A₁与A_m0点以及A_m0与A_n点，将原来的特征点分成了两段，测量A_m0到直线L的距离，记为d_m0；

步骤七，比较d_m0与阈值D的大小,所述的阈值D的取值为2cm，再分别判断分段后每段内的特征点数量是否少于25个，得到如下判据：

（A）当A_m0到直线L的距离d_m0≤D时，则停止分段；

（B）当A_m0到直线L的距离d_m0＞D时，则继续按步骤六的方法进行分段；

（C）当两段的特征点数量都大于等于25个时，则将两段都留下作为稳定的特征点；

（D）当有一段的特征点数量小于25个时，则将满足条件的一段留下作为稳定的特征点；

经过上述四个判据重复判断后得到满足条件的稳定特征点组成的线段，分别计算每条线段的斜率，所有斜率的算数平均值即为平均车速，检测完毕。