陳佳 庫鵬森 玉振明

摘要：針對道路中行駛車輛速度測量的問題.利用運動車輛所產(chǎn)生的單幅運動模糊圖像可獲取車輛在曝光時間內(nèi)的運動信息，從中提取其運動參數(shù)，進而實現(xiàn)行駛車輛的速度測量。在分析運動模糊成像機理和車速測量模型的基礎(chǔ)上，構(gòu)建道路交通場景實驗環(huán)境，用ccD相機以多種快門速度對車速在25～130 km/h之間的行駛車輛進行多次抓拍；通過定位單幅模糊圖像中車輛輪轂的邊界，并計算輪轂運動方向和非運動方向上的直徑差來估算車輛的運動參數(shù)，完成車速測量實驗。實驗數(shù)據(jù)表明：不同曝光時間和不同車速情況下，車速測量的誤差絕對值都在8%以內(nèi)。結(jié)果表明該算法對成像環(huán)境要求不高，且適用于不同車型。

關(guān)鍵詞：道路交通；車輛速度測量；單幅運動模糊圖像；運動參數(shù)；車輛輪轂；直徑差

0引言

隨著國民生活水平不斷提高，機動車保有量保持較快增長，車輛帶給人們方便快捷的同時，也帶來不容忽視的安全隱患。在智能交通系統(tǒng)中，交通運輸安全是一個重要的組成部分，其中超速駕駛是導(dǎo)致道路交通事故的主要原因之一。因此，對車速測量的研究具有重要意義?，F(xiàn)有車速測量有雷達、感應(yīng)線圈、超聲波、紅外線檢測和視頻檢測等多種方法，以視頻測速為代表的基于計算機視覺的車速測量方法，既具有安裝簡便和設(shè)置靈活等優(yōu)點，又能用于收集更多道路交通信息，因而得到更多關(guān)注。但目前基于計算機視覺的車速測量的研究主要集中在通過視頻或圖像序列完成車速測量，而基于單幅車輛圖像進行車速測量的研究較少。

道路交通中，車輛運動形成的模糊圖像包含著車輛在曝光時間內(nèi)的運動信息，故單幅運動模糊圖像也可用于車速測量。文獻[9]根據(jù)圖像的亮度曲線估算運動模糊參數(shù)，通過復(fù)原確定最優(yōu)模糊參數(shù)，再結(jié)合幾何模型和相關(guān)參數(shù)計算出車輛速度。文獻[10]分析了局部運動模糊原理進而提出一種車輛測速方法；該方法的局限性表現(xiàn)在當(dāng)目標(biāo)與背景的對比度較小時，效果容易弱化，故算法需要人為選定對比度較好的區(qū)域。文獻[11]指出了文獻[9]中車輛測速方法存在的不足，并提出了基于摳圖的改進方法。文獻[12]基于局部運動模糊與透明度之間的關(guān)系，通過摳圖獲得車輛的透明圖，進而估算車輛的運動參數(shù)：但在成像條件不佳的情況下，例如陰雨或霧霾天氣，采集到的車輛模糊圖像無法采用該方法進行車速估算。

針對上述問題，本文提出一種利用單幅運動模糊圖像中車輛輪轂所呈現(xiàn)的模糊現(xiàn)象進行車速測量的算法，可適用于成像時光照不夠好或車身顏色與背景對比不明顯等情況。

1成像機理和車速測量模型

1.1運動模糊成像機理

運動目標(biāo)引起成像模糊，是由于曝光時間內(nèi)目標(biāo)運動導(dǎo)致成像平面上一個像素點對應(yīng)了多個物點的像。例如，在一幅水平運動模糊長度為10像素的模糊圖像中，模糊區(qū)域內(nèi)每個像素均是同一行相鄰10個物點成像內(nèi)容的疊加。這種有規(guī)律的模糊就包含了目標(biāo)的運動信息。

1.2車速測量模型

本文針對運動方向所在平面與相機成像平面平行的車輛水平運動進行研究。車速測量模型如圖1所示。

在三維空間中，當(dāng)車輛的運動平面與相機成像平面平行時，車輛在曝光時間T內(nèi)，以運動速度u從A運動到B，運動距離為d，車輛與鏡頭距離為z，焦距為f，在像面上由A移動到B，間距為k，對應(yīng)到圖像上的模糊像素個數(shù)為N。設(shè)像素大小為S，則基于針孔成像原理和物像對應(yīng)關(guān)系，可得：

從式（4）可知，曝光時間T、焦距f和像素大小s都可從采集的圖像中直接獲得，車輛與鏡頭距離z也可通過標(biāo)記獲得，因此車速估算的關(guān)鍵就在于如何從模糊圖像中獲得模糊像素個數(shù)N。

2車速估算算法

本算法的重點是依據(jù)車輛輪轂的運動成像特點，獲取車輛運動信息所對應(yīng)的模糊像素個數(shù)Ⅳ，進而結(jié)合其他參數(shù)估算車速?；谲囕v運動平面與相機成像平面平行的前提，輪轂在水平方向上的運動造成圖像在水平方向上出現(xiàn)一個拉長的模糊區(qū)域，而其在垂直方向上沒有位移不會出現(xiàn)模糊。換言之，圖像中輪轂在垂直方向上所對應(yīng)的直徑是輪轂的實際直徑，而其水平方向上所對應(yīng)的直徑是模糊后的直徑，其中包含著車輛運動所對應(yīng)的模糊尺度。因此，分別獲取輪轂垂直方向上的直徑和水平方向上模糊區(qū)域所對應(yīng)的直徑，二者差值即為運動模糊圖像中模糊長度，從而通過式（4）及有關(guān)參數(shù)估算出車輛在水平方向上的運動速度。車速估算算法流程如圖2所示。

本算法中有兩點需要注意：1）考慮到實際應(yīng)用中采集的圖像像素可能較低，故先縮小圖像為原圖的1/m，所以計算出模糊像素后需要再乘以m，才對應(yīng)原圖中實際的模糊像素個數(shù)No 2）由于成像條件有限，有時會同時抓拍到前后兩個車輪，有時卻只能抓拍到一個車輪。如果圖像抓拍到兩個車輪，需要分別計算前后輪轂的直徑差所對應(yīng)的模糊像素個數(shù)，平均后得到模糊像素個數(shù)N：如果圖像只抓拍到一個車輪，只計算一個輪轂的直徑差對應(yīng)的模糊像素個數(shù)就可得到模糊像素個數(shù)N。

3實驗

本文進行了2組戶外實驗，通過一輛吉利博瑞汽車在公路上以25～130km/h之間不同車速行駛，在垂直于車輛行駛方向借助三腳架固定相機采集車輛行駛經(jīng)過指定位置的照片。汽車每次行駛經(jīng)過該采集地點時，由專人在車中同時記錄下該車自帶的速度顯示屏中的瞬時車速u，作為圖像所對應(yīng)的參考車速。

第1組實驗，采用Canon EOS 100D相機，圖像分辨率為5 184x3456，像素大小為4.30μmx4.30μm，焦距設(shè)置為24 mm，曝光時間設(shè)置為1/100 s，云騰VT-888三腳架的工作高度為1.54m，相機鏡頭與車距離為5 m。第2組實驗，采用Nikon D7100相機，圖像分辨率為6 000x4 000，像素大小為3.90 μmx3.90 μm，焦距設(shè)置為18 mm，曝光時間分別設(shè)置為1/100，1/200，1/400s，云騰VT-888三腳架的工作高度為1 m，相機鏡頭與車距離為3.5 m。

本文選用的處理器為Intel（R）Core（TM）i7-4790CPU3.60GHz，8GB RAM，操作系統(tǒng)為64位Win7的微機，使用軟件為MaflabR2014a。

以圖3為例進行車速估算。采集圖像時記錄的參考車速v=16.94m/s，縮小圖像為原圖的1/8，分別計算前輪轂和后輪轂的模糊像素，再求其平均值。

圖4中車輛前輪轂的直徑對應(yīng)像素個數(shù)為：D=64，D=91，則前輪轂的模糊像素個數(shù)為Nr=91-64=27。圖5中車輛后輪轂的直徑對應(yīng)像素個數(shù)為：實驗結(jié)果匯總?cè)绫?所示。

實驗數(shù)據(jù)表明，采用本算法進行車速測量，誤差絕對值均在8%以內(nèi)，與文獻中實驗結(jié)果8%的誤差相當(dāng)，但本算法具有成像條件要求較低的優(yōu)勢。另外，結(jié)合《道路交通安全違法行為記分分值》的規(guī)定和交管部門實際執(zhí)法情況，一般都是對超過規(guī)定時速10%車輛進行處罰。所以從實際應(yīng)用的角度來看，本算法的誤差是可以接受的。

4結(jié)束語

本算法克服了對成像條件的高要求，能夠較準(zhǔn)確地估算道路上行駛車輛的速度，改進之處體現(xiàn)在以下3點：1）對成像條件要求降低，光照條件不理想或者車身顏色和背景對比不明顯，都能采集到可用的輪轂圖像進行車速估算。2）適用于不同車型，本算法是借助輪轂在圖像中非運動方向和運動方向的成像差異進行車速估算，計算過程不需要用到車輛本身的參數(shù)，故可用于不同車型的車速測量。3）采集圖像容易實現(xiàn)，由于本算法利用車輛輪轂的模糊圖像來估算運動參數(shù)，所以不需要抓拍到完整的車身，只要對準(zhǔn)輪轂部分抓拍即可。但經(jīng)過分析發(fā)現(xiàn)，本算法在車速估算中可能會從以下兩個方面引入誤差：1）模糊像素取值存在一定誤差，計算過程中沒有使用原圖而是將其縮小一定倍數(shù)后估算模糊像素，且手動標(biāo)記輪轂邊緣位置也存在一定的人工誤差。2）相機與車輛輪轂之間距離z不夠精確，雖然在道路地面做了標(biāo)識，但無法保證車輛每次都能經(jīng)過該標(biāo)識位置。下一步將研究如何實現(xiàn)從模糊圖像中自動獲取模糊尺度，以及更準(zhǔn)確地獲取相機與車輛輪轂之間的距離。