摘 要：隨著我國汽車數(shù)量的迅速增加，交通擁堵，環(huán)境污染，霧霾天氣等問題相繼出現(xiàn)，對人們的生產(chǎn)生活產(chǎn)生了不同程度的影響。針對這些問題，文中采用視頻檢測技術(shù)設(shè)計了一種城市道路車流速度檢測方法。該方法通過一系列的視頻檢測算法，從最原始的視頻信號中提取出道路上的所有車輛，并通過SURF-Kalman算法對車輛進行跟蹤定位，分別根據(jù)基于變長參照物的運動車輛速度計算方法對車輛的速度進行計算，最終實現(xiàn)對道路上車流速度的估算。

關(guān)鍵詞：視頻檢測；車速檢測；SURF-Kalman算法；交通流

中圖法分類號:TP311.52 文獻標(biāo)識碼:A 文章編號：2095-1302(2014)06-0022-02

0引言

在智能交通系統(tǒng)（ITS）中，交通參數(shù)的檢測一直是交通領(lǐng)域的重點研究內(nèi)容之一，現(xiàn)階段應(yīng)用比較廣泛的有地感線圈測速、雷達測速、紅外測速和激光測速等方法。但這些方法都存在安裝、使用的復(fù)雜性以及受天氣因素制約等多方面的局限性。美國加州帕薩迪納市噴氣式實驗室最先提出了基于計算機視覺的交通流檢測的想法。世界上第一個基于視頻的交通檢測系統(tǒng)由美國明尼蘇達大學(xué)運輸研究中心研制成功[1]?，F(xiàn)階段的視頻檢測技術(shù)很多都存在魯棒性差、計算復(fù)雜度高等問題[2]。本文根據(jù)以上問題采用基于視頻圖像檢測技術(shù)，通過SURF-Kalman算法實現(xiàn)運動車輛的跟蹤，增加運動車輛跟蹤的魯棒性。在車速計算方面采用基于變長參照物的車速計算方法，使得車速的計算更加簡便。

1運動車輛跟蹤

利用計算機、模式識別、數(shù)字圖像處理等技術(shù)可以實現(xiàn)與運動目標(biāo)存在一定相似度的車輛建立關(guān)聯(lián)。常用的跟蹤方法可分為：光流法、輪廓跟蹤法、3-D模型匹配法、區(qū)域法和特征跟蹤法[3]。為實現(xiàn)對多目標(biāo)的跟蹤，同時保持算法的高效性、魯棒性，本文采用了SURF算法和Kalman算法相結(jié)合的方法，將運動目標(biāo)的質(zhì)心作為特征點，預(yù)測特征點位置，并在該位置的附近進行特征匹配，從而實現(xiàn)對運動目標(biāo)的跟蹤。

1.1車輛跟蹤算法

（1）在檢測到運動目標(biāo)質(zhì)心位置后，首先檢查以該目標(biāo)為中心的檢測范圍內(nèi)是否為被標(biāo)記的目標(biāo)，若是，則該目標(biāo)為正在被跟蹤的車輛，轉(zhuǎn)（2），否則為即將新檢測的車輛，同時轉(zhuǎn)（3）；標(biāo)記矩陣時：首先設(shè)置一個與視頻幀相同的二維矩陣，并初始化該矩陣的所有元素為0。如圖1所示，當(dāng)某一運動車輛被標(biāo)記時，該車輛的質(zhì)心附近車輛大小的范圍內(nèi)的元素將被設(shè)置為該車的序列號，如圖2所示。

圖1標(biāo)記之前的初始化矩陣圖2標(biāo)記之后的矩陣

（2）初始化運動目標(biāo)狀態(tài)方程，利用此濾波器來預(yù)測運動目標(biāo)質(zhì)心在下一幀可能出現(xiàn)的位置，并將質(zhì)心位置附近一定范圍作為檢測范圍，利用SURF算法提取該范圍內(nèi)的特征點；

（3）相同序列號的車輛在特征庫中的特征點與（2）中所提取出的特征點通過閾值法進行匹配，若匹配成功，則轉(zhuǎn)（4），否則匹配失敗， 車輛跟蹤失?。?/p>

（4）更新特征庫，更新標(biāo)記矩陣，更新Kalman濾波器；

（5）檢查是否有下一幀圖像，若有則轉(zhuǎn)（1），否則算法執(zhí)行結(jié)束。

1.2實驗結(jié)果分析

圖3所示是一個車輛跟蹤示意圖，圖中對73-77號車進行跟蹤實驗，跟蹤結(jié)果表明，在沒有任何遮擋的情況下，74、75、77號車跟蹤情況良好，73、76號車在運動過程中被樹木遮擋住，圖3（b）中76號車的前半部分被遮住，則只有后半部分的特征點可以與特征庫中的特征點進行匹配，并更新特征庫，在圖3（c）中，當(dāng)該運動目標(biāo)駛離遮擋物，該目標(biāo)繼續(xù)以76號車被跟蹤，說明該車未跟蹤失敗，因此，本文說采用的運動車輛跟蹤的方法對遮擋物有很強的魯棒性。

（a）30幀（b）55幀（c）70幀

圖3車輛跟蹤示意圖

2基于變長參照物的車速計算

2.1基于變長參照物的車速計算方法

對于城市道路的車流量來說，單一車輛的速度并不能反映整個道路車流量的速度，但是道路車流量的速度又是由單一車輛速度組成的。因此，通過計算單一車輛速度，再對所有車輛加以平均，即可估算出道路上車流量的速度。

首先確定單一車輛速度，速度公式如下：

（1）

在式（1）中，代表連續(xù)3幀的時間，該時間為分幀處理時幀與幀之間的時間間隔來計算，本文采用的兩幀的時間間隔為50 ms，代表了這三幀中車輛質(zhì)心的實際位移。其中車輛質(zhì)心的位移轉(zhuǎn)化成車輛的實際位移，則需在視頻圖像中找一參照物。本文將道路上具有一定規(guī)格標(biāo)準(zhǔn)的分車道線作為參照物。

由于在視頻的分幀處理過程中，兩幀之間的時間間隔非常小，在很短的時間內(nèi)，大部分正常行駛的車輛具有很強的規(guī)律性，即方向和速度不會發(fā)生變化，因此，我們可以假設(shè)車輛是以勻速運動，方向與水平方向平行的。

要計算車輛質(zhì)心的位移，首先要確定參照物的長度。分車道線在實際中是固定長度的，但由于攝像機位置的關(guān)系，在視頻圖像中會呈現(xiàn)出不同的長度。在攝像機與道路平行拍攝的情況下，可認(rèn)為在各行像素間參照物的變化是線性的，即可以利用等腰梯形來計算每行像素所對應(yīng)的參照物在視頻圖像中的長度。

圖4所示是實際背景二值圖像中參照物的梯形示意圖。我們可以從背景二值圖像中提取出各行像素中參照物的長度，構(gòu)造一個等腰梯形，如圖5所示，其上邊和下邊分別為提取的實際分道線，4個角的坐標(biāo)分別為（x1，y1），（x2，y2），（x4，y4），（x4，y4），因此，分道線在視頻中的長度di可表示為：

（2）

其中：

（3）

圖4實際背景二值圖像中圖5構(gòu)造的等腰梯形

參照物的梯形示意圖

式（2）中的y1表示運動車輛質(zhì)心的縱坐標(biāo)。由式（2）、（3）便可計算出任意一行像素所在的分道線在視頻中的長度。

我們將梯形所構(gòu)成的范圍作為一個檢測區(qū)域，根據(jù)直線函數(shù)的數(shù)學(xué)特性以及運動車輛質(zhì)心的坐標(biāo)即可檢測出運動目標(biāo)什么時候進入了檢測區(qū)域。檢測原理如圖6所示。

圖6直線函數(shù)

假設(shè)直線為函數(shù)f（x），在直線f（x）上的點可表示為f（x）=0，在f（x）上的所有點如M1可表示為f（M1）>0，在f（x）下的所有點如M2可表示為f（M2）<0，利用此方法，即可判斷運動車輛的質(zhì)心是否在梯形范圍內(nèi)。當(dāng)車輛運動在梯形內(nèi)時，可求出連續(xù)三幀質(zhì)心的位移li（0

2.2實驗結(jié)果分析

為了驗證本文所提出的基于變長參照物的車速計算方法是否與實際車輛的速度一致，進行了多次實際開車通過視頻檢測區(qū)域，記錄當(dāng)時的車輛速度與視頻檢測所得的數(shù)據(jù)進行對比，結(jié)果顯示96%的速度值基本吻合。這說明本文說提出的車輛速度的檢測方法具有一定的有效性。

3結(jié)語

本文圍繞固定攝像機角度拍攝城市道路快速干道交通狀況進行分析與研究。針對車輛跟蹤魯棒性與高效性要求，采用了SURF-Kalman算法進行跟蹤，利用Kalman算法預(yù)測運動目標(biāo)質(zhì)心下一幀可能出現(xiàn)的位置，再利用SURF算法進行匹配運算，保證了跟蹤的有效性和魯棒性。在車速計算方面，提出了一種簡單快捷的計算方法，該方法是以分道線作為參照物來計算車輛質(zhì)心實際的運行距離。最終可計算出車輛的速度，通過對多車的計算可判斷出當(dāng)前整個交通的狀態(tài)。

參 考 文 獻

[1]夏勁，郭紅衛(wèi). 國內(nèi)外城市職能交通系統(tǒng)的發(fā)展概況趨勢及其啟示[J].科技進步與對策，2003.1（2）：177-179.

[2]張志勇，黃愛民，劉建平. 視頻智能交通系統(tǒng)[J].計算機工程與應(yīng)用，2001，27（6）：113-116.

[3]Koguta G，Drymona L，Everetta H R，Target detection，and prosecution from an unmannedground vehicle[C]，Unmanned GroundcVehicle Technology VII，Proceedingsof SPIE，Orlando，F(xiàn)L，USA；2005：560-568

[4]張楠. 城市道路交通流視頻檢測與數(shù)據(jù)處理技術(shù)研究[D].西安：長安大學(xué)，2012.

[5]霍淑麗. 基于視頻流的車速檢測方法研究[D].長春：長春理工大學(xué)，2011.