CN105844666A - 一种基于单摄像头视频序列匹配的车辆测速方法及其系统 - Google Patents

Abstract

本发明提供了一种基于单摄像头视频序列匹配的车辆测速方法，包括：建立数据采集环境，并开始采集和读取数据；根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标；计算同一车辆目标的车速。本发明还提供一种基于单摄像头视频序列匹配的车辆测速系统。本发明提供的技术方案极大地降低了车辆目标匹配技术中的算法复杂度，进而提高了计算效率。

Description

一种基于单摄像头视频序列匹配的车辆测速方法及其系统

技术领域

本发明涉及图像视频处理技术领域，尤其涉及一种基于单摄像头视频序列匹配的车辆测速方法及其系统。

背景技术

随着经济的发展，人民生活水平的提高，汽车数量的增长速度远远超过道路基础设施建设的速度，车路矛盾日益突出，出现道路交通拥挤、事故频繁等问题。而事故发生的主要原因有超速和酒驾。因此，对车辆实行是否超速的检测是刻不容缓的。如何解决车辆是否超速的问题，保障交通安全，已成为智能交通系统中热门的研究课题之一。

实时车速的检测和采集方法很多，目前较为成熟的有环形线圈测速、雷达测速等。而基于视频的车辆运行速度检测方法，具有安装简便、设置灵活、覆盖区域广等优点。近几年，基于视频的实时测速系统得到了很大发展，已成为一种具有良好前景的检测手段，对城市道路和高速公路的交通智能管理具有一定的理论意义和实用价值。

基于视频的车速检测方法研究，需要知道目标车辆的位移信息和行走时间，因此需要进行运动车辆的检测与提取，然后根据目标车辆的特征进行跟踪，最后通过获得的车辆的位置信息来实现车辆速度的测量。车辆目标匹配在车辆测速中是一个重要的研究内容。车辆测速之前，常常需要检测和识别车辆目标。目标匹配就是通过特定的算法在待测视频图像中寻找目标图像的过程。

传统的目标匹配方法主要是图像匹配，即在两帧图像中，从一帧图像中寻找与另一帧中具有相同目标的过程。

现有技术提出针对两帧图像之间目标的匹配最常用方法是基于特征的匹配，该方法首先在匹配的图像中提取特征，这些特征可以是颜色特征、兴趣点特征、梯度特征、边缘特征等，用相似性度量和一些约束条件确定几何变换，最后将该变换作用于待匹配图像。为了得到较精确的匹配，一般不会只用一个特征进行目标匹配，而更多的是采取对以上特征中多个特征进行融合来完成目标匹配。还有一种做法是寻找兴趣点特征进行目标匹配，例如常用的SIFT特征，SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关,匹配精度高。但是SIFT算法也存在不足之处，如特征向量的维数高达128维，匹配时计算数据量大、耗时长，并且使用的是图像灰度信息，忽略了彩色信息，故图像信息未能得到充分利用。

由此可见，现有技术利用两帧图像之间进行目标的匹配方法中，一种是提取多个特征进行融合作为目标匹配的基础。这种方法，在提取多个特征进行融合的中间过程，计算量比较大，算法也比较复杂。而另一种是以兴趣点特征作为目标匹配的基础。这种方法同样存在着信息量大，计算量大的问题。

综上所述，现有技术两帧图像之间进行目标的匹配的方法存在算法复杂度高、计算效率低的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于单摄像头视频序列匹配的车辆测速方法及其系统，旨在解决现有技术中车辆目标匹配技术的算法复杂度高以及计算效率低的问题。

本发明提出一种基于单摄像头视频序列匹配的车辆测速方法，所述方法包括：

建立数据采集环境，并开始采集和读取数据；

根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标；

计算同一车辆目标的车速。

优选的，所述建立数据采集环境，并开始采集和读取数据的步骤具体包括：

建立录制视频的环境；

设置捕捉车辆目标的窗口，并开始采集视频数据；

读取采集到的视频数据，分别获得车辆目标视频序列和待匹配的视频序列。

优选的，所述根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标的步骤具体包括：

分别对所述车辆目标视频序列和待匹配的视频序列这两个视频序列进行预处理，以实现前景目标和背景的分割、阴影去除；

提取特征值，计算两个视频序列对应的前景目标中每一帧的颜色直方图，以分别得到特征矩阵M和矩阵N；

根据得到的特征矩阵M和矩阵N，采用动态滑窗匹配定理进行匹配，得到一组相关系数值，将最大的相关系数值与设定阈值进行比较，得到匹配结果，并根据匹配结果寻找不同窗口中出现的同一车辆目标。

优选的，所述计算同一车辆目标的车速的步骤具体包括：

获取目标车辆分别经过不同窗口时在车辆目标视频序列和待匹配的视频序列中各自的帧数；

计算帧与帧之间的实际距离；

根据所述实际距离计算目标车辆的车速。

另一方面，本发明还提供一种基于单摄像头视频序列匹配的车辆测速系统，所述系统包括：

预处理模块，用于建立数据采集环境，并开始采集和读取数据；

目标匹配模块，用于根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标；

目标测速模块，用于计算同一车辆目标的车速。

优选的，所述预处理包括：

环境建立子模块，用于建立录制视频的环境；

窗口设置子模块，用于设置捕捉车辆目标的窗口，并开始采集视频数据；

视频读取子模块，用于读取采集到的视频数据，分别获得车辆目标视频序列和待匹配的视频序列。

优选的，所述目标匹配模块包括：

前景目标子模块，用于分别对所述车辆目标视频序列和待匹配的视频序列这两个视频序列进行预处理，以实现前景目标和背景的分割、阴影去除；

特征提取子模块，用于提取特征值，计算两个视频序列对应的前景目标中每一帧的颜色直方图，以分别得到特征矩阵M和矩阵N；

特征比较子模块，用于根据得到的特征矩阵M和矩阵N，采用动态滑窗匹配定理进行匹配，得到一组相关系数值，将最大的相关系数值与设定阈值进行比较，得到匹配结果，并根据匹配结果寻找不同窗口中出现的同一车辆目标。

优选的，所述目标测速模块包括：

帧数获取子模块，用于获取目标车辆分别经过不同窗口时在车辆目标视频序列和待匹配的视频序列中各自的帧数；

第一计算子模块，用于计算帧与帧之间的实际距离；

第二计算子模块，用于根据所述实际距离计算目标车辆的车速。

本发明提供的技术方案极大地降低了车辆目标匹配技术中的算法复杂度，进而提高了计算效率。

附图说明

图1为本发明一实施方式中基于单摄像头视频序列匹配的车辆测速方法流程图；

图2为本发明一实施方式中图1所示的步骤S11的详细流程图；

图3为本发明一实施方式中视频数据采集的环境图；

图4为本发明一实施方式中实际道路平面图和视频图像道路图的对比图；

图5为本发明一实施方式中动态滑窗匹配定理图；

图6为本发明一实施方式中图1所示的步骤S12的详细流程图；

图7为本发明一实施方式中图6所示的步骤S123的详细流程图；

图8为本发明一实施方式中图1所示的步骤S13的详细流程图；

图9为本发明一实施方式中基于单摄像头视频序列匹配的车辆测速系统10的内部结构示意图；

图10为本发明一实施方式中图9所示的预处理模块11的内部结构示意图；

图11为本发明一实施方式中图9所示的目标匹配模块12的内部结构示意图；

图12为本发明一实施方式中图9所示的目标测速模块13的内部结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明具体实施方式提供了一种基于单摄像头视频序列匹配的车辆测速方法，所述方法主要包括如下步骤：

S11、建立数据采集环境，并开始采集和读取数据；

S12、根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标；

S13、计算同一车辆目标的车速。

本发明提供的一种基于单摄像头视频序列匹配的车辆测速方法能极大地降低车辆目标匹配技术中的算法复杂度，进而提高了计算效率。

以下将对本发明所提供的一种基于单摄像头视频序列匹配的车辆测速方法进行详细说明。

请参阅图1，为本发明一实施方式中基于单摄像头视频序列匹配的车辆测速方法流程图。

在步骤S11中，建立数据采集环境，并开始采集和读取数据。

在本实施方式中，建立数据采集环境，并开始采集和读取数据的步骤S11具体包括S111—S113，如图2所示。

请参阅图2，为本发明一实施方式中图1所示的步骤S11的详细流程图。

在步骤S111中，建立录制视频的环境。

在本实施方式中，采集数据的准备工作，建立录制视频的环境，例如如图3所示，在本实施例中，摄像头假设被固定在天桥上，沿着车辆前进的方向向下俯拍公路。

在步骤S112中，设置捕捉车辆目标的窗口，并开始采集视频数据。

在本实施方式中，在视场中选择一条通道，相隔一段距离分别设置两个窗口。假设车辆短时间内都是在同一车道上直线行驶，在不同时刻经过窗口1和窗口2。在本实施例中，窗口设置为长方形，窗口根据视觉远近，自适应调整比例，如图4所示。

其中，从图4左图可以看到，实际道路平面的马路线条是平行的，线与线之间的距离是相等的，即图中P1与P3的距离等于P2与P4的距离。而实际拍摄的视频，由于摄像机是正对车辆运行方向，俯视向前成一个固定的角度，所以拍摄得到的道路平面是图4右图的样子。可以看到，离摄像机近的P2，P4点之间的距离比较大，较远处的P1，P3点之间的距离较小，而且越远处，两条线之间的距离成比例缩小。

由于运动车辆在视频中从近处运动到远处也会随之缩小，因此在设置窗口的时候，也要根据比例进行缩放，才能保证得到的数据具有稳定性以及可行性。所以现在的关键是找到实际道路平面与视频图像平面之间的映射关系。

假如设上图4右图P1坐标为(x1，y1)，P2坐标为(x2，y2)，P3坐标为(x3，y1)，P4坐标为(x4，y2)。因为缩放主要是由于Y轴坐标位置不同而不同，因此决定比例的主要因素是y坐标。

在y1处，设P1与P3之间的距离为d1，

在y2处，设P2与P4之间的距离为d2。

窗口大小的比例应该满足：

$\mathrm{\φ}=\frac{d1}{d2}=\frac{h1}{h2}$

φ也就是我们要求的映射关系。不同y坐标值，φ是变化的。

由于车辆在车道上为直线行驶，可以在设置窗口的时候，先把窗口的宽取设置为车道的两条线之间的距离，这样在不同的y坐标值处就固定了宽度d，例如y1处宽为d1，y2处宽为d2。

确定宽度值之后，接下来就用自适应的方式来确定窗口的高h。

我们要保证窗口能够容纳下车身，根据经验值，可以设置

这样一来，窗口高度h始终是宽度d的只要确定了d，h也就确定了。所以只要我们画出窗口的宽度d，h就自动生成，得到一个合理窗口。

在步骤S113中，读取采集到的视频数据，分别获得车辆目标视频序列和待匹配的视频序列。

其中，车辆目标视频序列1是某一车辆经过窗口1拍摄到的连续帧序列，在本实施例中车辆目标视频序列1大概只有10～20帧。而待匹配的视频序列2有很多车经过窗口2的连续帧序列，在本实施例中待匹配的视频序列2是1000帧。

为了解决现有技术存在的问题，本发明提出的目标匹配方法不再是以单帧图像为匹配基础，而是通过视频的连续帧序列作为匹配的基础，也就是说，完成目标的匹配，是通过两个序列之间的关系获得匹配的结果，称之为动态滑窗匹配定理。首先，获取两个视频序列，一个是目标车辆出现摄像头区域窗口的车辆目标视频序列1，另一个是待匹配的视频序列2，目的是要在待匹配的视频序列2中寻找是否存在车辆目标视频序列1的同一目标，若存在，则找出目标车辆在待匹配的视频序列2中出现的相关帧数。接下来，是匹配这两段视频序列的基本思想。

如图5所示，假设车辆目标视频序列1为m帧，待匹配的视频序列2为n帧，m>n。首先，选取特定的特征，作为视频序列每一帧的代表值，这样车辆目标视频序列1可以组成一个m列的矩阵M，其中矩阵的每一列为视频序列每一帧的特征值。同理，待匹配的视频序列2可以组成一个n列的矩阵N。矩阵N的首列与矩阵M首列对应，此时，矩阵M与矩阵N的前n帧一一对应，通过计算出矩阵N与矩阵M对应n帧的相关性，得出一个相关度量值。接下来，矩阵N向右开始滑动，每次向右滑动一列，滑动一次，计算得到一个相关度量值。直到滑动m-n次之后停止，此时可以得到的m-n个相关度量值。最后，可以得到m-n个相关度量值的一个分布，其中最高值，最有可能是我们想要得到的匹配结果，即同一个目标。

请继续参阅图1，在步骤S12中，根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标。

在本实施方式中，根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标的步骤S12具体包括S121—S123，如图6所示。

请参阅图6，为本发明一实施方式中图1所示的步骤S12的详细流程图。

在步骤S121中，分别对所述车辆目标视频序列和待匹配的视频序列这两个视频序列进行预处理，以实现前景目标和背景的分割、阴影去除。

在本实施方式中，利用混合高斯背景建模(MOG)对原始视频序列进行背景初始化、背景更新、前景目标检测。因为用混合高斯背景建模检测出来的前景目标带有运动阴影，因此进一步用HSV比值空间法对前景目标进行阴影检测，并去除阴影。

在本实施方式中，步骤S121具体包括以下两个子步骤(1)、(2)。

(1)利用混合高斯背景建模(MOG)对原始视频序列进行背景初始化，背景更新，前景目标检测。

混合高斯背景建模(MOG)是对单像素点在时间序列上建立的统计模型。它假设确定位置背景像素值在时间序列上的概率密度可以用多个高斯密度函数加权表达，当下一帧像素出现，如果它在该统计模型上计算得到的概率密度值小时认为它是目标像素，反之，则认为是背景像素。

(2)利用HSV比值空间法对前景运动目标进行阴影检测，并去除阴影。

本发明实施例中，在(1)中已经提取出视频序列中的前景运动目标，其中前景运动目标包含了两部分的运动因素，即前景目标车辆和运动车辆的阴影。因此，为了得到车辆的前景目标车辆，本发明实例中利用HSV比值空间法对前景目标进行阴影检测，并去除阴影。

HSV比值空间阴影检测法的基本思想是认为阴影区域像素点与其对应位置背景像素点相比，具有亮度变暗、饱和度降低、色度变化较小的特点。根据这一特点，可以通过前景运动目标像素点与背景像素点的亮度比值、色度差值、饱和度差值作阈值判断，符合情况的判为阴影。

在步骤S122中，提取特征值，计算两个视频序列对应的前景目标中每一帧的颜色直方图，以分别得到特征矩阵M和矩阵N。

在图像视频处理中，特别是识别匹配，最关键在于特征的描述及如何提取这些特征，特征的选取也是影响算法好坏的重要因素。所以选择正确的特征在视频图像处理中有着至关重要的作用。图像识别代表性的特征描述一般有以下：颜色、梯度、纹理、形状等。

颜色直方图是图像视频处理中最常用的统计特征。图像的每一个像素可以看作是3维空间的一个点，颜色空间有RGB，Munsell，CIEL*a*b，CIEL*u*v*，HSV等。为了方便验证动态滑窗匹配定理的可行性，本发明实施例中只选用RGB颜色空间的直方图作为统计特征。RGB三维空间包括R、G、B三个坐标轴，每一个坐标轴的值从0到255，将每一帧的R、G、B色彩级数合成一个列向量，作为特征矩阵的一列。

如果每一帧图像用向量表示的话，视频序列1为m帧，视频序列2为n帧，m>n。那么，

for i＝1:m

f_i＝(R_i,G_i,B_i)'

end

车辆目标视频序列1得到的特征矩阵M为：

M＝[f₁ f₂ ...... f_n-1 f_n ...... f_m-1 f_m]；

同理可得待匹配的视频序列2的特征矩阵N：

N＝[g₁ g₂ ...... g_n-1 g_n]。

在步骤S123中，根据得到的特征矩阵M和矩阵N，采用动态滑窗匹配定理进行匹配，得到一组相关系数值，将最大的相关系数值与设定阈值进行比较，得到匹配结果，并根据匹配结果寻找不同窗口中出现的同一车辆目标。

其中，矩阵M的列数为m，矩阵N的列数为n，m>n。在本实施方式中，步骤S123还包括四个子步骤S1231-S1234，如图7所示。

请参阅图7，为本发明一实施方式中图6所示的步骤S123的详细流程图。

在步骤S1231中，将得到的矩阵M与矩阵N首列对齐，计算矩阵M对齐部分子矩阵M(1)与矩阵N之间的相关系数corr₁，并保存在数组中。

在本实施方式中，将得到的矩阵M与矩阵N首列对齐，即矩阵M对齐部分子矩阵

M(1)＝[f₁ f₂ ...... f_n-1 f_n]

与矩阵N对齐。

利用相关系数公式

$corr=\frac{\underset{i=1}{\overset{n}{\Σ}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}(x_i-\stackrel{\‾}{x})\·\underset{i=1}{\overset{n}{\Σ}}(y_i-\stackrel{\‾}{y})}}$

计算矩阵M对齐部分子矩阵M(1)与矩阵N之间的相关系数corr₁，并保存在数组中。

在步骤S1232中，矩阵N向右滑动滑动一列，矩阵M的第二列与矩阵N首列对齐，计算矩阵M对齐部分子矩阵M(2)与矩阵N之间的相关系数corr₂，并保存在数组中。

在本实施方式中，矩阵N向右滑动滑动一列，矩阵M的第二列与矩阵N首列对齐，即矩阵M的子矩阵

M(2)＝[f₂ f₃ ...... f_n f_n+1]

与矩阵N对齐。利用相关系数公式计算M对齐部分子矩阵M(2)与矩阵N之间的相关系数corr₂，并保存在数组中。

在步骤S1233中，重复步骤S1232，直到滑动m-n次。矩阵N每次向右滑动一列，计算矩阵M对齐部分子矩阵M(i)与矩阵N之间的相关系数corr_i，并保存在数组中。

在步骤S1234中，在数组中找到最大的相关系数值corr_max，将corr_max与一个合适的阈值T比较，若corr_max≥T,则匹配成功。否则匹配失败。

在本实施方式中，在上面步骤中保存的数组中找到最大的相关系数值corr_max，将corr_max与一个合适的阈值T比较，若corr_max≥T,则匹配成功，待匹配的视频序列1中，第max～max+n帧匹配到视频序列2中出现的目标车辆。若corr_max<T,则匹配失败，待匹配的视频序列1中没有视频序列2中出现的目标车辆。其中，T值一般取0.9。

请继续参阅图1，在步骤S13中，计算同一车辆目标的车速。

在本实施方式中，计算同一车辆目标的车速的步骤S13具体包括S131—S133，如图8所示。

请参阅图8，为本发明一实施方式中图1所示的步骤S13的详细流程图。

在步骤S131中，获取目标车辆分别经过不同窗口时在车辆目标视频序列和待匹配的视频序列中各自的帧数。

在本实施方式中，当步骤S1234的结果为车辆目标视频序列1和待匹配的视频序列2匹配同一辆车成功之后，本实施例选取车子分别出现在窗口1和窗口2的两帧，来计算速度。设序列1取到的帧数为第f1帧，序列2取到的帧数第f2帧。因为车辆目标经过窗口时，总有一帧出现在窗口中时，车子占窗口的面积比最大。在本实施例中选取比值最大的那一帧，分别作为f1，f2帧。在本实施例中，利用每一帧图像掩膜为1的像素点个数与窗口总像素个数的比例来判断，选取比值最大的那一帧。

在步骤S132中，计算帧与帧之间的实际距离。

在本实施方式中，为了能够直接获得两个窗口之间的距离，从而能够方便得到成功匹配到同一目标车辆后，计算实际的距离信息。

由于在步骤S112中窗口的大小是根据实际比例进行自适应缩放的，也就是说图像中窗口1和窗口2在实际道路平面是一样的。本发明实施例中选择设置窗口的时候，窗口1和窗口2的下底都设置在马路虚线的下端平行。因为车身的中心大致在窗口的中间，就以正中间点计算，如图4所示。这样窗口2中心与窗口1中心的距离为L1，L1又等于窗口1底边与窗口2底边的距离L2，即只要知道两条马路虚线下端之间的距离L2就可以了。这里L2可以通过公路线规格得到。

在步骤S133中，根据所述实际距离计算目标车辆的车速。

获得了两窗口车之间的实际距离为L2(单位米)，车在两窗口出现的帧数又分别为f1和f2。录制的视频是25帧/秒。所以1帧＝1/25秒。

因此，可以计算速度

本发明提供的一种基于单摄像头视频序列匹配的车辆测速方法能极大地降低车辆目标匹配技术中的算法复杂度，进而提高了计算效率。

本发明具体实施方式还提供一种基于单摄像头视频序列匹配的车辆测速系统10，主要包括：

预处理模块11，用于建立数据采集环境，并开始采集和读取数据；

目标匹配模块12，用于根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标；

目标测速模块13，用于计算同一车辆目标的车速。

本发明提供的一种基于单摄像头视频序列匹配的车辆测速系统10，能极大地降低车辆目标匹配技术中的算法复杂度，进而提高了计算效率。

请参阅图9，所示为本发明一实施方式中基于单摄像头视频序列匹配的车辆测速系统10的结构示意图。在本实施方式中，基于单摄像头视频序列匹配的车辆测速系统10主要包括预处理模块11、目标匹配模块12以及目标测速模块13。

预处理模块11，用于建立数据采集环境，并开始采集和读取数据。

在本实施方式中，预处理模块11具体包括环境建立子模块111、窗口设置子模块112以及视频读取子模块113，如图10所示。

请参阅图10，所示为本发明一实施方式中图9所示的预处理模块11的内部结构示意图。

环境建立子模块111，用于建立录制视频的环境。

在本实施方式中，采集数据的准备工作，建立录制视频的环境，例如如图3所示，在本实施例中，摄像头假设被固定在天桥上，沿着车辆前进的方向向下俯拍公路。

窗口设置子模块112，用于设置捕捉车辆目标的窗口，并开始采集视频数据。

在本实施方式中，在视场中选择一条通道，相隔一段距离分别设置两个窗口。假设车辆短时间内都是在同一车道上直线行驶，在不同时刻经过窗口1和窗口2。在本实施例中，窗口设置为长方形，窗口根据视觉远近，自适应调整比例，如图4所示，其中相关的描述详见前述步骤S112中的相关记载，在此不做重复描述。

视频读取子模块113，用于读取采集到的视频数据，分别获得车辆目标视频序列和待匹配的视频序列。

请继续参阅图9，目标匹配模块12，用于根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标。

在本实施方式中，目标匹配模块12具体包括前景目标子模块121、特征提取子模块122以及特征比较子模块123，如图11所示。

请参阅图11，所示为本发明一实施方式中图9所示的目标匹配模块12的内部结构示意图。

前景目标子模块121，用于分别对所述车辆目标视频序列和待匹配的视频序列这两个视频序列进行预处理，以实现前景目标和背景的分割、阴影去除。

在本实施方式中，具体的预处理过程参见前述步骤S121的相关记载，在此不做重复描述。

特征提取子模块122，用于提取特征值，计算两个视频序列对应的前景目标中每一帧的颜色直方图，以分别得到特征矩阵M和矩阵N。

在本实施方式中，具体的提取和计算过程参见前述步骤S122的相关记载，在此不做重复描述。

特征比较子模块123，用于根据得到的特征矩阵M和矩阵N，采用动态滑窗匹配定理进行匹配，得到一组相关系数值，将最大的相关系数值与设定阈值进行比较，得到匹配结果，并根据匹配结果寻找不同窗口中出现的同一车辆目标。

在本实施方式中，具体的特征匹配过程参见前述步骤S123的相关记载，在此不做重复描述。

请继续参阅图9，目标测速模块13，用于计算同一车辆目标的车速。

在本实施方式中，目标测速模块13具体包括帧数获取子模块131、第一计算子模块132以及第二计算子模块133，如图12所示。

请参阅图12，所示为本发明一实施方式中图9所示的目标测速模块13的内部结构示意图。

帧数获取子模块131，用于获取目标车辆分别经过不同窗口时在车辆目标视频序列和待匹配的视频序列中各自的帧数。

在本实施方式中，具体的帧数获取过程参见前述步骤S131的相关记载，在此不做重复描述。

第一计算子模块132，用于计算帧与帧之间的实际距离。

在本实施方式中，帧与帧之间的实际距离的计算过程参见前述步骤S132的相关记载，在此不做重复描述。

第二计算子模块133，用于根据所述实际距离计算目标车辆的车速。

在本实施方式中，目标车辆的车速的计算过程参见前述步骤S133的相关记载，在此不做重复描述。

本发明提供的一种基于单摄像头视频序列匹配的车辆测速系统10，能极大地降低车辆目标匹配技术中的算法复杂度，进而提高了计算效率。

值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于单摄像头视频序列匹配的车辆测速方法，其特征在于，所述方法包括：

建立数据采集环境，并开始采集和读取数据；

根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标；

计算同一车辆目标的车速。

2.如权利要求1所述的基于单摄像头视频序列匹配的车辆测速方法，其特征在于，所述建立数据采集环境，并开始采集和读取数据的步骤具体包括：

建立录制视频的环境；

设置捕捉车辆目标的窗口，并开始采集视频数据；

读取采集到的视频数据，分别获得车辆目标视频序列和待匹配的视频序列。

3.如权利要求2所述的基于单摄像头视频序列匹配的车辆测速方法，其特征在于，所述根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标的步骤具体包括：

分别对所述车辆目标视频序列和待匹配的视频序列这两个视频序列进行预处理，以实现前景目标和背景的分割、阴影去除；

提取特征值，计算两个视频序列对应的前景目标中每一帧的颜色直方图，以分别得到特征矩阵M和矩阵N；

根据得到的特征矩阵M和矩阵N，采用动态滑窗匹配定理进行匹配，得到一组相关系数值，将最大的相关系数值与设定阈值进行比较，得到匹配结果，并根据匹配结果寻找不同窗口中出现的同一车辆目标。

4.如权利要求3所述的基于单摄像头视频序列匹配的车辆测速方法，其特征在于，所述计算同一车辆目标的车速的步骤具体包括：

获取目标车辆分别经过不同窗口时在车辆目标视频序列和待匹配的视频序列中各自的帧数；

计算帧与帧之间的实际距离；

根据所述实际距离计算目标车辆的车速。

5.一种基于单摄像头视频序列匹配的车辆测速系统，其特征在于，所述系统包括：

预处理模块，用于建立数据采集环境，并开始采集和读取数据；

目标匹配模块，用于根据读取到的数据利用匹配算法寻找不同窗口中出现的同一车辆目标；

目标测速模块，用于计算同一车辆目标的车速。

6.如权利要求5所述的基于单摄像头视频序列匹配的车辆测速系统，其特征在于，所述预处理包括：

环境建立子模块，用于建立录制视频的环境；

窗口设置子模块，用于设置捕捉车辆目标的窗口，并开始采集视频数据；

视频读取子模块，用于读取采集到的视频数据，分别获得车辆目标视频序列和待匹配的视频序列。

7.如权利要求6所述的基于单摄像头视频序列匹配的车辆测速系统，其特征在于，所述目标匹配模块包括：

前景目标子模块，用于分别对所述车辆目标视频序列和待匹配的视频序列这两个视频序列进行预处理，以实现前景目标和背景的分割、阴影去除；

特征提取子模块，用于提取特征值，计算两个视频序列对应的前景目标中每一帧的颜色直方图，以分别得到特征矩阵M和矩阵N；

特征比较子模块，用于根据得到的特征矩阵M和矩阵N，采用动态滑窗匹配定理进行匹配，得到一组相关系数值，将最大的相关系数值与设定阈值进行比较，得到匹配结果，并根据匹配结果寻找不同窗口中出现的同一车辆目标。

8.如权利要求7所述的基于单摄像头视频序列匹配的车辆测速系统，其特征在于，所述目标测速模块包括：

帧数获取子模块，用于获取目标车辆分别经过不同窗口时在车辆目标视频序列和待匹配的视频序列中各自的帧数；

第一计算子模块，用于计算帧与帧之间的实际距离；

第二计算子模块，用于根据所述实际距离计算目标车辆的车速。