張輝 龔文森 陳靜萍 林軍記

（1.中山大學(xué)，智能交通研究中心；2.廣東省智能交通系統(tǒng)重點實驗室，廣州 510006）

基于雙目圖像匹配的車載測速測向方法研究＊

張輝 龔文森 陳靜萍 林軍記

（1.中山大學(xué)，智能交通研究中心；2.廣東省智能交通系統(tǒng)重點實驗室，廣州 510006）

為實現(xiàn)車輛對自身車速與方向的準(zhǔn)確檢測，提出了一種根據(jù)2個并列車載成像設(shè)備拍攝的路面信息圖像完成速度與方向檢測的方法。通過精確控制2個成像設(shè)備間的拍攝時間間隔，獲得相互重疊的路面信息圖像，利用圖像匹配技術(shù)計算圖像的相對運(yùn)動距離與方向，并結(jié)合標(biāo)定參數(shù)和間隔時間，計算獲得準(zhǔn)確的車速與方向。試驗結(jié)果表明，該方法具有較高的可信度和精度。

1 前言

實現(xiàn)無人駕駛和車路協(xié)同的重要前提之一是車輛精確檢測自身車速與方向等運(yùn)動狀態(tài)。目前，車輛實現(xiàn)自身車速檢測的方法主要有車輪轉(zhuǎn)速檢測方法和GPS檢測方法，這些方法屬于車載檢測方法，具有簡單直接的特點。車輪轉(zhuǎn)速檢測方法通過檢測驅(qū)動輪轉(zhuǎn)速和測量車輪半徑來計算車速，該速度在車輪與地面剛性純滾動時可以認(rèn)為與實際速度相同[1]，但由于車輪的氣壓變化導(dǎo)致車輪半徑的變化以及車輪與地面的滑移現(xiàn)象，計算得到的車速往往不是真實車速。GPS檢測方法利用車載GPS終端進(jìn)行檢測，依賴GPS衛(wèi)星定位與測速系統(tǒng)，由于受電離層、對流層天氣狀況及附近建筑物的影響，精度較低、延遲較大[2]。

為了更為準(zhǔn)確地檢測車輛自身的運(yùn)動速度與方向，一些學(xué)者依據(jù)道路表面存在的隨機(jī)分布的顆粒與紋理，利用車載成像設(shè)備采集路面紋理圖像序列，當(dāng)路面紋理圖像之間存在重疊部分，就可以利用圖像匹配技術(shù)檢測圖像序列中紋理的重疊與變化，實現(xiàn)車輛速度與方向的連續(xù)檢測[3～5]。這類方法存在一定的局限性，例如車輛運(yùn)動速度較快時，由于單個成像設(shè)備的幀頻較低或者視場較小，導(dǎo)致圖像沒有重疊部分供匹配，無法通過圖像匹配技術(shù)檢測車輛運(yùn)動速度與方向，對成像設(shè)備的要求與成本較高。為了解決這一問題，本文提出了一種基于雙目圖像匹配的車載測速測向方法，通過精確控制2個并列的成像設(shè)備之間的拍攝時間差，獲得具有精確間隔時間的圖像對，利用圖像匹配技術(shù)計算圖像對之間的像素偏移，結(jié)合標(biāo)定參數(shù)和間隔時間，獲得車輛自身的運(yùn)動速度和運(yùn)動方向，這種方法能夠適應(yīng)較快的車輛運(yùn)動速度。

2 車載測速系統(tǒng)原理

本文研究的車載測速系統(tǒng)基本結(jié)構(gòu)如圖1所示。不同的成像設(shè)備存在各自獨立的時鐘信號源，當(dāng)時鐘信號源的頻率不相同時，不同成像設(shè)備的幀信號時間會產(chǎn)生相對漂移，因此需要將2個成像設(shè)備連接至同一時鐘信號源，并在其中一個成像設(shè)備的電源連接處加入延時電路模塊使其延遲啟動，使2個成像設(shè)備啟動及其啟動后的每次拍攝都存在相同的間隔時間，從而達(dá)到精確控制并穩(wěn)定拍攝間隔時間的目的。成像設(shè)備將圖像和幀同步信號時間等數(shù)據(jù)傳送至處理器保存和處理，處理器利用匹配算法計算圖像的相對距離與相對方向，同時檢測成像設(shè)備拍攝圖像時輸出的幀同步信號[6]時間差來獲取拍攝間隔時間，計算出車輛運(yùn)動速度與方向。

圖1 車載測速系統(tǒng)結(jié)構(gòu)

車載測速系統(tǒng)中2個并列成像設(shè)備安裝在車輛外部可以觀察到路面的位置，同時使成像設(shè)備的光軸與地面垂直。假設(shè)2個成像設(shè)備采集的路面圖像分別為圖像A與圖像B，取圖像A與圖像B的重合區(qū)域C作為分析區(qū)域，分析區(qū)域的坐標(biāo)系與車輛的坐標(biāo)系重合，如圖2所示。假設(shè)t1時刻圖像A中地面上某一特征點位于C內(nèi)的坐標(biāo)為(x1，y1)，t2時刻圖像B中對應(yīng)點位于C內(nèi)的坐標(biāo)為(x2，y2)，由此可得路面相對車輛（成像設(shè)備）從(x1，y1)運(yùn)動到(x2，y2)，車輛（成像設(shè)備）運(yùn)動方向則與之相反。

圖2 車載測速系統(tǒng)原理

圖像坐標(biāo)點和地面坐標(biāo)點的對應(yīng)關(guān)系是成像設(shè)備對地面現(xiàn)實圖像的攝影變換的結(jié)果。地面坐標(biāo)點在成像的過程中需要經(jīng)過線性成像模型和非線性成像模型變換。線性成像模型為理想的小孔成像模型[7]，非線性成像模型為成像設(shè)備鏡頭產(chǎn)生的畸變誤差，包括偏心畸變、薄棱鏡畸變和徑向畸變[8]。假設(shè)圖像坐標(biāo)點(x1，y1)對應(yīng)地面坐標(biāo)點(X1，Y1)，點(x2，y2)對應(yīng)點(X2，Y2)，則有：

式中，f(x1,y1)是成像系統(tǒng)的變換函數(shù)，通過對成像設(shè)備的分辨率和視場等內(nèi)部參數(shù)進(jìn)行標(biāo)定，結(jié)合其外部參數(shù)獲得[7～8]。

因此，車輛（成像設(shè)備）的實際運(yùn)動距離為：

此時，車輛運(yùn)動方向與車身縱軸的夾角為：

成像設(shè)備的拍攝間隔時間為Δt=t2-t1，則車輛的實際運(yùn)動速度為：

車載測速系統(tǒng)在將車輛運(yùn)動速度與方向檢測問題轉(zhuǎn)化為圖像獲取和匹配問題的同時，克服了基于單一成像設(shè)備的測速方法中車輛運(yùn)動速度較快而成像設(shè)備幀頻較低、圖像之間間隔時間較大的缺點，有效提高速度和方向檢測精度。

3 圖像匹配算法

圖像匹配算法根據(jù)原理的不同主要可以分為基于灰度的匹配、基于模板的匹配、基于變換域的匹配和基于特征的匹配[9]4種。

其中，基于特征的匹配是目前最常用的匹配算法之一，該算法提取圖像中的點、線、輪廓等特征信息集合，再將特征集合進(jìn)行匹配對應(yīng)，在減少計算量、提高效率的同時，對圖像的灰度變化具有一定的魯棒性[10]。但是，該算法只采用了圖像小部分的特征信息，所以其對特征提取和特征匹配的精度與準(zhǔn)確性要求非常高。由于車載測速系統(tǒng)相對路面運(yùn)動導(dǎo)致路面圖像受到運(yùn)動模糊而產(chǎn)生退化，基于特征的匹配方法錯誤率急劇增大。而基于模板的匹配具有簡單直接的特點，模板范圍較大，采用了較多圖像信息，因此對圖像運(yùn)動模糊有一定的魯棒性。但是基于模板的匹配算法需要預(yù)先在一幅圖像中提取模板，然后在另一幅圖像中進(jìn)行一系列的滑動匹配，提取和匹配重復(fù)進(jìn)行，計算量較大，匹配速度較慢。

為了充分利用這兩種算法的優(yōu)點并克服它們的缺點，車載測速系統(tǒng)利用上述方法進(jìn)行協(xié)同匹配，利用特征匹配算法為模板匹配算法提供依據(jù)，提高匹配速度，利用模板匹配算法提高匹配精度。

3.1 SURF匹配算法

加速魯棒特征（SpeededUpRobustFeature，SURF）匹配算法由Herbert Bay等人[11]在2006年首次提出，在此之前較為常用的方法是尺度不變特征變換（Scale Invariant Feature Transform，SIFT）匹配算法。SURF算法由SIFT算法改進(jìn)而來，在保證魯棒性的同時大幅提高了程序的運(yùn)行速度。

Hessian矩陣是SURF匹配算法的核心，其判別式可用于判定圖像中的某一點是否為圖像灰度值的極值點。假設(shè)圖像中的某一點為P（x，y），其灰度值為I（P），則點P（x，y）的Hessian矩陣為：

式中，Lxx(P,σ)為該點灰度值I（P）在特定尺度σ下，標(biāo)準(zhǔn)高斯函數(shù)g（x，y，σ）的二階偏導(dǎo)數(shù)在點P（x，y）處與圖像（IP）的卷積結(jié)果：

式中，⊙為卷積運(yùn)算符。

此時，該點的Hessian矩陣的判別式為：

通過這種方法可以利用圖像中每個像素點的灰度值為其計算Hessian矩陣及其判別式，判定該像素點是否為圖像灰度值的極值點[12]。

為了在圖像的不同尺度中定位最佳特征點，需對檢測到的極值點進(jìn)行優(yōu)選，首先設(shè)定一個預(yù)設(shè)極值點，所有小于預(yù)設(shè)極值的取值都被舍棄，使檢測到的特征點數(shù)量減少，達(dá)到檢測出較強(qiáng)特征點的目的[13]。

以特征點為中心，取8像素×8像素的圖像區(qū)域，劃分成為4×4個子塊，計算每個像素點及其鄰域內(nèi)的像素點在x方向和y方向的Haar小波響應(yīng)值，記為dx和dy[11]。統(tǒng)計上述每個子塊中共4個像素點的x方向和y方向的Haar小波響應(yīng)值及其絕對值累加值，分別記為∑dx、∑|dx|、∑dy、∑|dy|，形成一個四維分量的矢量，特征向量的提取過程如圖3所示。綜上所述，每個特征點及其選取的圖像區(qū)域可用4×（4×4）=64維的向量進(jìn)行描述[14]。

圖3 特征向量提取

對需要匹配的圖像按照上述方法進(jìn)行特征點提取和特征向量描述，將這些特征向量進(jìn)行匹配，以特征向量間的歐氏距離作為相似性度量結(jié)果。首先根據(jù)實際情況設(shè)定預(yù)設(shè)值，當(dāng)相似性度量結(jié)果小于預(yù)設(shè)值時認(rèn)為特征點匹配結(jié)果較好。

3.2 模板匹配算法

利用SURF匹配算法進(jìn)行特征提取和特征描述后，仍有可能出現(xiàn)錯誤，尤其是車載測速系統(tǒng)在車輛以較高運(yùn)動速度行駛時，運(yùn)動狀態(tài)下所采集的路面信息圖像經(jīng)運(yùn)動模糊而產(chǎn)生退化，出現(xiàn)誤判點的幾率增大。因此，需要將匹配結(jié)果較好的特征點作為關(guān)鍵點，由于關(guān)鍵點是圖像灰度值的極值點，故其周圍的灰度變化一般比較明顯。假設(shè)其中一幅圖像為模板，在模板的關(guān)鍵點周圍截取一定范圍的圖像獲得模板圖像集合，假設(shè)另一幅圖像為待匹配圖像，將獲取的模板圖像集合逐一與待匹配圖像進(jìn)行滑動匹配[15]，即可得到模板匹配結(jié)果集合。

基于模板的匹配常用的匹配算法有平方差匹配（SQDIFF）、相關(guān)匹配（CCORR）和相關(guān)系數(shù)匹配（CCOEFF）[16]3種。

假設(shè)I（x，y）為待匹配圖像，T（x′，y′）為模板圖像，R（x，y）為該點匹配結(jié)果，則

a.平方差匹配（SQDIFF）：

b.相關(guān)匹配（CCORR）：

c.相關(guān)系數(shù)匹配（CCOEFF）：

式中，T′、I′分別為T、I對其均值的差值：

通常，從平方差匹配到相關(guān)系數(shù)匹配的匹配結(jié)果精度是逐步提高的，相應(yīng)的計算量也逐步增加，因此需要根據(jù)實際應(yīng)用選擇精度與速度兼顧的最佳匹配方案。車載測速系統(tǒng)經(jīng)過SURF匹配算法對圖像中的關(guān)鍵點進(jìn)行初選后，模板匹配算法產(chǎn)生的計算量對整體匹配速度的影響變得相對較小，因此這里選擇使用相關(guān)系數(shù)匹配的方法，能有效提高車載測速系統(tǒng)的圖像匹配精度。

首先根據(jù)實際情況設(shè)定預(yù)設(shè)值，相關(guān)系數(shù)算法的匹配結(jié)果R3（x，y）大于預(yù)設(shè)值時，認(rèn)為模板圖像與待匹配圖像中的特定區(qū)域匹配成功。反復(fù)進(jìn)行上述操作，可得2幅圖像中關(guān)鍵點的匹配集合，從而獲得相對運(yùn)動信息。

3.3 匹配可靠性分析

為了保證匹配可靠性、提高匹配精度，本文在現(xiàn)有的圖像匹配過程中增加了誤匹配點剔除算法，在速度檢測過程中增加了誤檢測速度值剔除算法。

在進(jìn)行圖像匹配時，提取的對應(yīng)點中大部分匹配結(jié)果是一致的，只有小部分匹配由于2幅圖像的亮度等差異出現(xiàn)誤匹配。因此在進(jìn)行匹配后，計算匹配結(jié)果集的平均值和標(biāo)準(zhǔn)差，分析各匹配結(jié)果與平均值之差。當(dāng)該值超過標(biāo)準(zhǔn)差的2倍時，認(rèn)為該匹配結(jié)果錯誤，剔除該點。

在速度檢測過程中，由于車輛運(yùn)動速度與方向不會產(chǎn)生突變，因此對檢測速度進(jìn)行統(tǒng)計分析，擬合檢測速度曲線，將誤判的檢測速度剔除，余下的速度即為可靠的檢測速度。試驗結(jié)果顯示，檢測速度誤判率低于3%，且均可通過統(tǒng)計分析剔除。

4 試驗與結(jié)果分析

4.1 靜態(tài)試驗

為了檢驗車載測速系統(tǒng)與方法在基本不受外界因素影響時的性能，本文設(shè)計了靜態(tài)試驗進(jìn)行分析。如圖4所示，將車載測速系統(tǒng)安裝于架設(shè)試驗車道上方的試驗平臺上，嚴(yán)格控制試驗平臺在同一水平高度上沿圖像坐標(biāo)系的x方向和y方向精確移動，記錄移動的距離并拍攝當(dāng)前路面圖像。由于試驗平臺只能精確產(chǎn)生x方向和y方向的位移，而其他方向的距離和角度難以精確控制，因此利用x方向和y方向的距離來計算獲得其他方向的距離和角度。

靜態(tài)距離檢測結(jié)果如表1所示，靜態(tài)角度檢測結(jié)果如表2所示。

由上述結(jié)果可知，在毫米級的運(yùn)動距離下，車載測速系統(tǒng)成像設(shè)備的距離檢測誤差不超過0.5 mm，角度檢測誤差不超過0.6°，說明車載測速系統(tǒng)與方法在不受運(yùn)動影響的情況下具有較高的精度。

圖4 靜態(tài)試驗

表1 靜態(tài)試驗距離檢測結(jié)果 mm

表2 靜態(tài)試驗角度檢測結(jié)果 （°）

4.2 車載試驗

為了檢驗車載測速系統(tǒng)與方法在車輛運(yùn)動狀態(tài)下的檢測精度、有效性和可信度，本文設(shè)計了如圖5所示的車載試驗。在試驗?zāi)Ｐ蛙嚨能囕喩涎b配光電轉(zhuǎn)速傳感器用于采集車輪的轉(zhuǎn)速，結(jié)合車輪直徑計算車輛運(yùn)行速度參考值。令試驗?zāi)Ｐ蛙囍本€行駛以消除車輛側(cè)傾的影響，在計算過程中消除車輪形變的影響，則光電轉(zhuǎn)速傳感器的檢測結(jié)果可用于提供實際車速作為參考速度。

圖5 模型車載試驗

在試驗?zāi)Ｐ蛙嚿习惭b車載測速系統(tǒng)，使系統(tǒng)的成像設(shè)備與車身縱軸形成一定的角度，實現(xiàn)同時檢驗車載測速系統(tǒng)速度檢測和方向檢測兩方面的性能，試驗?zāi)Ｐ蛙囘\(yùn)動速度檢測結(jié)果與參考車速如圖6所示。

圖6 運(yùn)動速度檢測結(jié)果

試驗結(jié)果表明，消除影響因素后，檢測速度與參考車速保持了良好的一致性和相關(guān)性。

結(jié)合成像設(shè)備的內(nèi)、外部參數(shù)測量，可以得到車載測速系統(tǒng)的成像設(shè)備與車身縱軸的角度為47°，車載測速系統(tǒng)運(yùn)動方向與車身縱軸夾角檢測結(jié)果如圖7所示。

圖7 運(yùn)動角度檢測結(jié)果

由圖7可知，本文提出的車載測速系統(tǒng)角度檢測值與實際值保持了良好的一致性，相對誤差小于5%，具有較高的精度。

綜上所述，本文提出的車載測速系統(tǒng)與方法具有較高的精度、有效性和可信度。

4.3 系統(tǒng)誤差與適用范圍

在試驗過程中，由于數(shù)字圖像存在離散特性，因此在進(jìn)行圖像運(yùn)動距離換算時一般存在系統(tǒng)誤差。假設(shè)路面信息圖像中的一對對應(yīng)點在圖像坐標(biāo)系中處于同一方向上，由于像素點具有一定的大小，假設(shè)對應(yīng)點極小，此時對應(yīng)點可能落在所在像素點內(nèi)的任意位置，進(jìn)一步將圖像距離換算成檢測距離時，檢測距離與實際距離之間存在由對應(yīng)點位置和像素大小共同引起的誤差。假設(shè)檢測距離為Ldet，成像設(shè)備間隔時間為Δt，則車載測速系統(tǒng)的檢測速度vdet為：

式中，L為實際距離；ε為每個像素對應(yīng)的現(xiàn)實距離。

在文本的靜態(tài)試驗和車載試驗中，采用的成像設(shè)備的分辨率為704×576，在以試驗?zāi)Ｐ蛙嚨陌惭b條件進(jìn)行拍攝時，每個像素對應(yīng)的現(xiàn)實距離ε為1/70cm，由此引起系統(tǒng)誤差。由上述分析結(jié)果可知，在相同的視場范圍和安裝條件下，提高成像設(shè)備的分辨率能夠減小每個像素對應(yīng)的現(xiàn)實距離，從而減小車載測速系統(tǒng)在進(jìn)行圖像距離換算時引起的系統(tǒng)誤差。

假設(shè)路面信息圖像對角線對應(yīng)的現(xiàn)實距離為Lmax，則圖像距離可以檢測的范圍為ε～Lmax，即最小測量值為1個像素對應(yīng)的現(xiàn)實距離，最大測量值為圖像對角線對應(yīng)的現(xiàn)實距離。因此，車載測速系統(tǒng)的可測速范圍為ε/Δt～Lmax/Δt。由式（13）可得車載測速系統(tǒng)的相對誤差δ為：

式中，vreal=L/Δt為車輛實際速度。

在實車安裝條件下，調(diào)整成像設(shè)備的安裝高度能夠控制車輛在不同運(yùn)行速度下的匹配區(qū)域。由于車載測速系統(tǒng)成像設(shè)備的間隔時間Δt較常規(guī)單個成像設(shè)備的頻間隔時間更短（可以達(dá)到1～5 ms），能夠保證高速運(yùn)行時有足夠的匹配區(qū)域，但同時導(dǎo)致低速運(yùn)行時產(chǎn)生無法準(zhǔn)確測量車輛速度和方向的情況。單個成像設(shè)備的幀頻較低，圖像間隔時間一般為40 ms，在低速運(yùn)行時能夠提高檢測精度，使車載測速系統(tǒng)能夠適應(yīng)較低的速度。實車檢測相對誤差與速度的關(guān)系如圖8所示，雙目圖像檢測系統(tǒng)能夠檢測較大車速范圍且精度較高，但是在速度較低時精度急劇下降，而單目圖像檢測能夠在速度較低時提供高精度檢測，但是檢測車速范圍較小。

單目圖像檢測在速度為0.7～6.4 m/s范圍內(nèi)誤差不超過1%，在速度為0.3～0.7 m/s范圍內(nèi)誤差不超過2%。車速更低時，可以間隔數(shù)幀，增加幀間隔時間以提高檢測精度。由于車載測速系統(tǒng)無法精確檢測車輛靜止時的圖像匹配結(jié)果，因此當(dāng)車載測速系統(tǒng)連續(xù)測得最低檢測速度時，則可以認(rèn)為車輛靜止。

圖8 相對誤差與速度關(guān)系

5 結(jié)束語

本文提出的車載測速測向方法簡單快速，克服了單一成像設(shè)備和單一圖像匹配方法的不足，降低設(shè)備成本的同時提高了檢測的精度與速度，在檢測車速大小的同時可有效檢測車速方向，在各類嵌入式車載應(yīng)用中具有一定的研究與應(yīng)用價值。由于本系統(tǒng)需使用2個成像設(shè)備，對成像設(shè)備的要求較高，如何消除2個成像設(shè)備的差異對車載測速系統(tǒng)檢測精度的影響有待進(jìn)一步的研究。

1 姚懷新，陳波.工程機(jī)械底盤及其液壓傳動理論.北京：人民交通出版社，2002：11～20.

2 楊龍，劉焱雄，周興華，等.GPS測速精度分析與應(yīng)用.海洋測繪，2007，27（2）：26～29.

3 Jin S F,Hu Y B.Machine-vision-based Study on Driving Speed of Construction Machinery.Chinese Journal of Construction Machinery,2012，10（4）：446～451.

4 Naeem S,SirajS.A Framework to SelectEdge Detection Method Using Multi-criteria Decision Making.IEEE InternationalConference on Systems,Man and Cybernetics，San Diego，2014.

5 劉紅亮，陳維義，許中勝.基于序列圖像匹配的車載自主測速方法.系統(tǒng)工程與電子技術(shù)，2015，37（4）：964～968.

6 王新成.PAL全電視信號的特征與處理.電視技術(shù)，1997（5）：16～31.

7 張鋮偉，王彪，徐貴力.攝像機(jī)標(biāo)定方法研究.計算機(jī)技術(shù)與發(fā)展，2010，20（11）：174～179.

8 吳開興，段馬麗，張惠民，等.廣角圖像畸變校正算法的研究與實現(xiàn).計算機(jī)應(yīng)用與軟件，2014（11）：237～240.

9 岡薩雷斯，伍茲.數(shù)字圖像處理.北京：電子工業(yè)出版社，2007：259～270.

10 張銳娟，張建奇，楊翠.基于SURF的圖像配準(zhǔn)方法研究.紅外與激光工程，2009，38（1）：160～165.

11 BayH,EssA,TuytelaarsT,etal.Speeded-Up Robust Features(SURF).Computer Vision& Image Understanding,2008，110（3）：346～359.

12 高健，黃心漢，彭剛，等.一種簡化的SIFT圖像特征點提取算法.計算機(jī)應(yīng)用研究，2008，25（7）：2213～2215.

13 Lowe D G.Distinctive Image Features from Scale-Invariant Keypoints.International Journal of Computer Vision.2004，60（2）：91～110.

14 馮亦東，孫躍.基于SURF特征提取和FLANN搜索的圖像匹配算法.圖學(xué)學(xué)報，2015，36（4）：650～654.

15 田娟，鄭郁正.模板匹配技術(shù)在圖像識別中的應(yīng)用，傳感器與微系統(tǒng)，2008，27（1）：112～114.

16 Bradski G R,Kaehler A.Learning OpenCV.Oreilly Media,2008：238～243.

Research on Vehicle-Mounted Speed and Direction Detection Method Based on Binocular Image Matching

Zhang Hui,Gong Wensen,Chen Jingping,Lin Junji
（Research Centre of Intelligent Transportation System,Guangdong Provincial Key Laboratory of Intelligent Transportation System,Sun Yat-sen University,Guangzhou 510006）

To detect vehicle speed and direction accurately,the paper proposed a method based on the road surface information images captured by two parallel vehicle-mounted imaging devices.By controlling imaging interval of two imaging device accurately,the overlapping road surface information images can be obtained.Using image matching technique to calculate the relative motion distance and direction,and in combination of calibration parameters and interval time,the accurate vehicle speed and direction can be calculated.Test results prove that the proposed method has high credibility and accuracy.

Binocular image,Image matching,Vehicle speed,Direction

雙目圖像 圖像匹配 車速 方向

U467.4

A

1000-3703（2017）11-0007-06

廣東省科技計劃項目（2013B010402012）。

（責(zé)任編輯斛 畔）

修改稿收到日期為2017年4月18日。