车辆运行速度检测系统的研究与实现毕业设计(编辑修改稿)

车辆运行速度检测系统的研究与实现毕业设计(编辑修改稿)内容摘要：

测速的干扰 ， 而且能够实现多 辆机动车同时测速 ， 机动车视频测速模型中场景视频图像的标定方法也具有简单直观的优点。 机动车视频测速模型 针对通过视频检测机动车行驶速度的问题统一建立 ， 其模型如下 ： (1)视频测速计时方案 ， 即如何准确地计算车辆在视频图像上从一处行驶到另一处所经历的时间 ； (2)交通场景图像标定 ， 即建立实际场景位置与视频图像位置的映射关系 ； (3)行驶车辆定位跟踪 ， 即在交通场景视频图像上准确 ， 快速地定位 ， 跟踪行驶车辆。 为了避免将不必要的复杂因素引入视频测速模型中 ， 这里对交通场景机动车和摄像机作几点假设 ： 路面是平坦的 ， 可以认作或近似地看作平面 ， 复杂的路面通常无法从图像上对车辆进行有效定位 ； ， 不会突然转弯 ，故车辆行驶速度在垂直于道路伸展方向上的分量较小 ， 可以忽略不计 ； 面是静止的 ， 摄像机移位将使车辆在图像上的位置发生偏移 ， 从而导致车辆定位偏差甚至错误。 XXX 基于视频图像的车速检测技术 6 视频测速计时方案 软件计时方法依赖于处理器的处理能力 ， 其计时精度无法得到保证。 为了保证计时精度同时在不添加额外硬件的条件下 ， 视频测速模型采用了一种通过计算图像采集卡采集图像的帧数进行硬件计时的方案。 计 时方案中的时间 （ 帧数时 ） 和最小计时单位定义为 ： 帧数时是指图像采集卡采集到某帧图像所对应的时刻 ， 记作 Tf； 最小计时单位为图像采集卡采集一帧图像所需要的时间记 ， 作⊿ Tm。 交通场景图像标定 交通场景图像标定 ， 也就是在交通场景视频图像上加入人工参照信息。 按照输入人工参照信息的复杂程度 ， 可将现有交通场景图像标定方法分为两种 ： 人工计算标定法和视觉直接标定法。 一种典型的人工计算标定方法利用摄像机视角 ， 摄像机离地面的高度摄像机光轴与垂直路面方向的夹角和摄像机视野在路面上的覆盖长度等参数 ， 将路面上感兴趣窗口映 射到交通场景视频图像上。 由于后两个参数的获取直接或间接地涉及到实际交通场景 ， 然而川流不息的交通环境往往限制了获取这 3 个参数的条件。 相反 ， 一种通过肉眼观察交通场景视频图像在视频图像上对路面上的标志或位置进行直接标定的方法体现出简单 ， 直观 ， 易于操作的优点。 如图 1 所示 ， 图中用 L1 和 L2 两条标定线在交通场景图像上对视频测速区域进行了标定。 图 测速场景示意图 车速计算公式 通过 ： 1221 ffLL TT DDv  （ ） XXXXX 大学毕业设计 7 1LD 和 2LD 分别为 L1 和 L2 到基准线 (见图 )的距离 ， 1fT 和 2fT 分别为车辆行驶到 L1 和 L2 的帧数时。 由式 ()可知 ， 若已知 L1 和 L2 在路面上的实际距离和车辆驶过 L1 和 L2 的帧数时之差便可计算出车辆在驶过视频 测速区域时 的平均速度。 视频测速模型精度分析 为了说明视频测速模型的在精度上的有效性 ， 这里对其 精度作一 分析。 由式 (1)可知 ，视频测速模型是通过对行驶车辆在 L1 和 L2 两处进行定位 ， 并计算出车辆驶过 L1 和 L2 的帧数时 ， 从而计算出车辆行驶的速度 ， 故速度误差主要来自于车辆经过 L1 或 L2 时车速较快而 ⊿ Tm 不 够小所致的车辆定位误差。 在大多数情况下 ， 定位误差在车辆经过 L1 和L2 后在总体上得到部分抵消。 图 2 描绘了机动车视频测速模型达到最大误差的两种情况。 在前一种情况中当车辆刚刚驶到 L1 时就被 检测到 ； 当车辆行驶到 L2 时由于在前一帧图像未在 L2 处检测到车辆 ， 在下一帧检测到车辆时发现车辆已有部分驶过 L2 从而产生 v⊿ Tm 大小的路程误差 ,这种情况下测得的车速为最大负误差。 另一种情况恰好相反 ,其测得的车速将达到最大正误差。 通过上述分析可以得出机动车视频测速模型的最大相对误差计算公式： 21vLLmDD T () 对于一辆时速 150km/h 高速行驶的车辆 ， 以 50fps 的频率采集图像 ， 并且设 L1 和L2 在路面上的实际距离为 50m， 则最大相对误差 ε= % ， 测速精度达到 %。 这不仅达到了人们对测速精度的要求 ， 而且可实现高精度机动车行驶速度检测。 图 测速误差达到最大的两种情况 视觉运动物体检测 在视频图像中检测行驶机动车的问题 ， 即视觉运动物体 (Visual Moving Object, MVO)检测 ， 常见的视觉运动物体检测方法有光流算法，帧间差分算法，双重帧差分算法和背景扣 除算法。 光流算法能够为图像上的每个像素计算运动量级和运动方向 ， 但计算量大。 帧间差分算法通过相继的两帧图像中像素的灰度变化情况来提取图像中 MVO， 但无法生成完整的 MVO。 双重帧差分是从帧差分算法中衍生出来的一种 MVO 检测算法 ， 它通过对XXX 基于视频图像的车速检测技术 8 相继的 3 帧图像进行差分 ， 可以得出较为完整的 MVO 背景扣除算法既继承了帧间差分计算量小的优点 ， 同时又具备生成完整 MVO 的能力。 因此 ， 机动车视频测速模型采用了背景扣除算法用于检测交通场景中的行驶车辆。 图像处理算法 高视觉分辨力的图像差分算子 通常图像差分是基 于灰度图像的 ， 而通过普通的彩色图像采集设备能够获得高质量的彩色图像 ， 并且彩色图像较灰度图像具有更高的视觉分辨能力。 这里对原图像差分算子进行了改进 ， 改进后的图像差分算子如式 (3)所示。   0 1),( c其他情况当 TIIyxD r () 式 (3)中 Ic 和 Ir 分别表示输入图像和参照图像 (x, y)处像素的灰度值 T 为阈值。   0 31),( c 其他情况当 TBBGGRRyxD bcbcb () 式 (4)中 Rc， Gc 和 Bc 分别表示输入图像 (x, y)处像素的 RGB 颜色值 ， T 为阈值 ， Rr ，Gr 和 Br 分别表示参照图像 (x, y)处像素的 RGB 颜色值 ， T 为阈值。 自适应图像差分阈值选取算法 由于交通场景中的光照情况是不断变化的 ， 将式 (4)中设定为一个固定的阈值 T， 在实际应用时往往会影响 MVO 检测的效果。 为此 ， 机动车视频测速模型中设计了一种启发式的自适应图像差分阈值选取算法。 对于一幅彩色背景图像或当前图像 ， 可以将其看作是其 RGB 颜色分量上的灰度图像的叠加。 对 于任何一个颜色分量上的当前灰度图像和背景灰度图像 ， 它们大部分像素的灰度都相同 ， 仅当遇到 MVO 像素及 MVO 阴影像素时才表现出较大差异。 因而将任何一个颜色分量上的当前灰度图像和背景灰度图像作相减运算 ， 所得到图像 （ 称之为颜色分量差分图像 ） 的直方图总是呈现出从高密度低亮度区域向低密度高亮度区域过渡的情况。 根据上述规律 ， 利用启发式搜索策略在各颜色分量差分图像的直方图上找出从高亮度区域向低亮度区域过渡的临界亮度值 ， 并将这些值的和作为背景扣除算法中的阈值。 无影背景初始化算法 为了执行背景更新算法 ， 首先必 须建立初始的背景图像。 一种简单的方法是将一幅不包含 MVO 的图像作为背景图像 ， 对于繁忙拥挤的交通场景而言该方法的可行性较小 ，另一种常见的方法是对若干帧交通场景图像求平均值 ， 这样计算出的背景图像通常带有许多已经驶离视频监视区域车辆的影子 (Ghosts)， 并且背景图像上的影子将直接影响到MVO 检测效果。 针对上述问题 ， 机动车视频测速模型中设计了一种基于统计的无影背景初始化算法 ， 算法将交通场景图像中显露出来的背景区域拼合起来组成一幅完整的背景图XXXXX 大学毕业设计 9 像 ， 这样得到的背景图像不包含影响 MVO 检测的影子像素。 算法基于这样 的事实 ： 无论在如何繁忙拥挤的交通环境中 ， 交通场景中的任何一块背景区域 （ 包括停放有车辆或放有静止物体的区域 ） 在某段时间内总是能够从视频图像上显露出来。 选择性背景更新算法 由于交通场景图像是动态变化的 ， 为了准确地将 MVO 从当前图像中提取出来 ， 需要同步背景图像与交通场景图像的背景信息。 在机动车视频测速模型中采用了一种选择性背景更新算法 ， 算法选择当前图像中的背景区域以一定的速率 α 对背景图像进行更新 （ 如式 5） ， 从得到能够准确反映交通场景背景信息的背景图像。   y)(x,f y)(x,f y)(x,y)(x,fay)(x,a)(1),(fcbc是前景像素当 不是前景像素当 cb ffyx () 运动物体阴影消除算法 现有的运动物体阴影检测方法可分为 4 类 ： 基于模型的确定性方法 ， 非基于模型的确定性方法 ， 变参的统计方法和无变参的统计方法。 （ 1） 基于模型的确定性方法 ，该 方法通过光照模型将三维物体的轮廓投影到路面上形成虚拟阴影参与模型匹配 ， 从而消除车辆周围的阴影 ， 该方法通用性较低算法效率不高。 （ 2） 非基于模型的确定性方法在 HSV 颜色空间利用灰度 ， 色调和饱和度等特征识别运动物体周围的阴影 ， 能够取得较好的阴影检测结果 ， 并具有较高的算法效率。 （ 3） 变参的统计方法 ， 该方法通过灰度 ， 标准红色和标准蓝色 3 个估算子进行迭代运算对像素进行分类来检测图像中的阴影 ， 迭代的过程需要进行大量的运算。 （ 4） 文献 [15]中介绍了一种无变参的统计阴影识别方法 ， 该方法利用人眼对颜色不变的特性通过对当前图像和背景图像中像素的亮度分量 (Brightness Component)和色度分量 (Chromaticity Component)来识别当前图像中的阴影 ， 尽管该方法具有良好的阴影识别效果 ， 但大量统计运算使该方法不适合严格的实时应用视频测速模型 ，对文献 [15]中算法进行简化 使该算法满足机动车视频测速应用对实时性的要求简化后的阴影识别算法描述如下 : (i )(i )(i ) (i )(i )I(i )(i )I(i ))i( 2B22 BBGG     GRRRI () 222 ))()(())()(())()(( iiIiiIiiICD BiBGiGRiRi   ()    )i(1a0CDt0tataCD aCD aCDM V OP   且当阴影类 或当类 () 这里， αi 为简化后的亮度分量 ， CDi 为简化后的色度分量 ， IR (i)， IG (i)和 IB (i)分别表示当前图 像中第 i 个像素 RGB 颜色分量 μR(i) ， μG (i)和 μB(i)分别表示背景图像中第 i 个像素 RGB 颜色分量 ， τCD， τα0 和 τα1 为阈值。 XXX 基于视频图像的车速检测技术 10 视觉运动物体检测算法 机动车视频测速模型中采用了一种具备阴影消除能力的快速 MVO 检测算法 ， 算法首先以当前图像作为背景初始化算法的输入建立初始背景图像 ； 然后将当前图像用背景图像做背景扣除 ， 所得图像经过阴影消除和开启 ， 闭合操作得到 MVO 二值图像 ； 最后将MVO 二值图像与当前图像做与运算得到的图像即为视觉运动物体图像。 多目标跟踪 现有的机 动车视频测速方法未考虑多机动车同时测速的实际需求。 为了同时检测多辆行驶机动车的速度 ， 机动车视频测速模型通过多目标跟踪方法建立多辆行驶车辆与车速的 一一对应关系。 模板匹配 考虑到相关跟踪算法与视觉运动物体检测算法结合后能够取得较高的算法效率 ， 机动车视频测速模型将相关跟踪算法用于模板匹配。 相关跟踪算法是指将模板图像在 MVO 图像上进行移位 ， 根据一定的相关性度量对每个位置计算模板和其在 MVO 图像上覆盖区域的相关性 ， 从而判断 MVO 在图像上的位置即找到模板匹配点。 为了进一步提高算法效率 ， 机动车视频测速 模型引入了金字塔算法对模板匹配过程进行加速。 金字塔算法的基本思想是将图像中相邻像素集合为单位 ， 计算出其平均灰度值 ，并用一个像素表示 ， 重复上述过程直到所得到的分辨率较小且保留了 MVO 基本轮廓的图像。 通过相关跟踪算法在金字塔算法处理后的图像上能够快速的找到初始匹配点。 然后 ，利用分辨率较大的模。