張俊峰 尚振宏 劉輝

摘 要：為了對道路上行駛的車輛速度進行有效估計，提出了一種基于Harris Stephen角點檢測算法和歸一化互相關（Normalized Cross Correlation method，NCC）匹配算法的視頻車輛檢測系統(tǒng)。該系統(tǒng)對車輛進行跟蹤，并測算車輛在干道和高速公路上的速度。通過使用Harris Stephen角點檢測興趣點，利用歸一化互相關算法匹配對應角點，利用點對應關系確定車輛行駛的像素位移。根據(jù)車輛在連續(xù)視頻幀中所有角點的總位移計算車輛的平均位移，結合幀率估計車速。實驗結果表明，系統(tǒng)測速精度高，能實時估計出車輛行進的速度。

關鍵詞：車輛檢測；Harris算法；歸一化互相關；角點匹配；像素位移；車速估計

DOI：10.11907/rjdk.172419

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2018）004-0127-04

Abstract：In order to estimate the vehicle speed on the road effectively， this paper proposes an efficient video vehicle speed measurement system based on Harris-Stephen corner detector algorithm and Normalized Cross Correlation method. The proposed system was used to track vehicle and determine vehicle speed at arterial road-ways and freeways. Harris-Stephens corner detection algorithm was used to determine interest points in the image. The normalized cross-correlation method was used to match the corresponding corner points. The displacement shift was determined in pixels corresponding to the vehicle travel. The average displacement of the vehicle was calculated according to the total displacement of the vehicle in all the corners of the continuous video frame， and the vehicle speed in the road is estimated by using the frame rate. The experimental result showed that the vehicle speed accuracy of the system is high， and the vehicle speed can be estimated in real timethe system had high vehicle speed accuracy to estimate vehicle speed in real time.

Key Words：vehicle detection； Harris algorithm； normalized cross correlation method； corner matching； pixel shift； vehicle speed estimation

0 引言

車輛速度測量是交通管理關鍵內容之一，車輛行駛速度估計對于交通管理系統(tǒng)、超速車輛的確定具有重要意義。車輛測速系統(tǒng)的合理使用和管理能夠減少道路擁堵，減少道路交通事故和人員財產(chǎn)損失。

在交通系統(tǒng)應用中，感應線圈傳感器、磁傳感器、雷達、微波傳感器等用于探測車輛速度的傳感器，這些設備對安裝和維護要求較高，需要運用專業(yè)知識進行配置和校準。基于視頻的方法由于其靈活性，已逐漸取代傳統(tǒng)的傳感器應用。圖像和視頻處理廣泛用于解決城市交通問題，這將更好地利用現(xiàn)有道路監(jiān)控系統(tǒng)?；谝曨l的運動檢測和跟蹤在視頻監(jiān)控系統(tǒng)、交通系統(tǒng)、軍事、游戲等方面都發(fā)揮著基礎性作用。

基于視頻的測速系統(tǒng)[1]采用一種新的方法檢測車輛速度，不需要復雜和昂貴的硬件，只使用視頻信息進行速度測量，易于安裝和維護。該方法通過連續(xù)的視頻幀和道路系統(tǒng)的幾何信息提取車輛運動的位移[2]，從而估計出過往車輛的速度。

1 系統(tǒng)設計

1.1 硬件安裝與視頻采集

通常攝像機安裝在道路上方或道路一側，視覺范圍覆蓋道路中的某一個或多個車道區(qū)域，如圖1所示。

1.2 系統(tǒng)體系結構

車輛檢測采用Harris Stephen 角點檢測跟蹤算法確定車輛的角點，角點在每個連續(xù)幀中的位置隨著車輛的行進而改變，利用歸一化互相關（Normalized Cross Correlation method，NCC）匹配算法對應角點。當車輛進入測速區(qū)后，根據(jù)角點的位置和位移實時計算車速，系統(tǒng)體系結構如圖2所示。

2 點特征檢測

2.1 Harris基本原理

Harris基本原理[3]：假設在圖像的每個方向上移動一個窗口，如果窗口區(qū)域在灰度的各個方向上沒有顯著變化，如圖3（a）所示，則對應圖像的平滑區(qū)域；如果窗口區(qū)域內在灰度的某個方向上移動有較大變化，如圖3（b）所示，則窗口區(qū)域對應圖像邊緣；如果窗口區(qū)域內在灰度的多個方向上有明顯變化，如圖3（c）所示，則認為窗口內包含角點。

式（3）中，M是2*2的矩陣，它是關于x和y的二階函數(shù)，因此E（x，y，u，v）是一個橢圓方程。橢圓的尺寸由M的特征值決定，它表征了灰度變化最快和最慢的兩個方向；橢圓的方程由M的特征矢量決定，如圖4所示。

二次項函數(shù)的特征值與圖像中的角點、直線和平面之間的關系可分為以下3類：

（1）圖像中的邊緣。一個特征值大，另一個特征值小，自相關函數(shù)在某一方向大，其它方向小，對應圖像的邊緣或直線。

（2）圖像中的平面。兩個特征值都很小，自相關函數(shù)在各方向較小，對應圖像的平面區(qū)域。

（3）圖像中的角點。兩個特征值都很大，自相關函數(shù)在所有方向增大，對應圖像的角點。

由于求解矩陣M的特征值需要較大的計算量，而兩個特征值的和等于矩陣M的積，兩個特征值的積等于M的行列式，所以Harris使用一個角點響應值來判定角點質量：

2.2 Harris算法流程

2.3 Harris角點性質

Harris角點有以下4點性質[4]：

由式（9）可以看出，增加敏感因子k將減小角點的響應值，降低角點檢測的靈敏度，減少被檢測角點的數(shù)量。

（2）Harris算子具有灰度不變性。由于Harris在進行Harris角點檢測時，使用了微分算子，因此對圖像的亮度和對比度進行仿射變換并不改變Harris響應R的極值，只是由于閾值的選擇可能會影響檢測角點的數(shù)量。

（3）算子具有旋轉不變性。二階矩陣M可以表示為一個橢圓。當橢圓旋轉時，特征值并不隨其變化，判斷角點的值也不發(fā)生變化。因此，Harris算子具有選擇不變性。當然，平移更不會引起Harris算子的變化。

（4）算子不具有尺度不變性。如圖5所示，左圖縮小，當檢測窗口尺度不變時，窗口內所包含的圖像完全不同，左圖可能被檢測為邊緣，而右圖則可能被檢測為角點。

3 圖像匹配

3.1 基于特征匹配

基于特征的圖像匹配[5-7]是常見的方法，對于不同特性圖像，選擇圖像中容易提取并能在一定程度上代表待匹配圖像相似性的特征作為匹配依據(jù)，可以克服利用圖像灰度信息進行圖像配準的缺點。特征匹配有速度快、匹配效率高的特點。特征的提取可以到亞像素級別，精確度較高；匹配元素為物體的幾何特征，對光照變化不敏感。

基于特征的匹配以圖像的特征集合為分析對象，其基本思想是：首先根據(jù)特定應用要求處理待匹配圖像，提取特征集合；然后將特征集合進行匹配對應，生成一組匹配特征對集合。

3.2 歸一化互相關算法

對提取的角點進行匹配，找出兩幀圖像角點之間的對應關系，采用歸一化互相關算法NCC來匹配角點[8-9]。使用NCC算法計算圖像特征點的相關性，計算結果越趨于1相關性越強，從而獲得成對的相關角點。歸一化相關系數(shù)定義為：

采用歸一化互相關算法進行角點匹配，尋找前后兩幀所有可能的對應角點。

4 車速計算

Harris-Stephens角點檢測用于確定興趣點，采用點匹配方法進行跟蹤。設dr表示第j幀角點（x1，y1）到第j+k幀對應角點（x2，y2）的像素位移[10]：

5 系統(tǒng)實現(xiàn)

車輛檢測和跟蹤過程中采用Harris檢測算法確定角點，提取特征向量，利用NCC算法匹配連續(xù)幀的前后角點，計算所有角點的位移量。根據(jù)平均位移量、幀率估算車輛速度[11-12]。

Harris角點檢測算法和NCC匹配算法[13]只執(zhí)行在測速區(qū)內，以減少該系統(tǒng)的處理時間。具體步驟如下：①通過連續(xù)的前N幀圖像建立背景區(qū)域；②設置測速區(qū)；③在測速區(qū)檢測第j幀圖像Harris角點，提取角點的特征向量；④在測速區(qū)檢測第j+k幀圖像Harris角點，提取角點的特征向量；⑤利用NCC算法匹配第j幀和第j+k幀角點，更新角點和特征向量，計算所有角點的總位移和平均位移；⑥計算和顯示車速。

6 實驗結果

為驗證系統(tǒng)檢測結果，在配置為CPU：i5-4210H、主頻2.90Hz、內存4GB 的Matlab2014a平臺上對車輛進行測速，從道路攝像頭獲取視頻圖像，圖7顯示了系統(tǒng)運行時的部分測量結果， 其中黑色“+”為檢測出的車輛角點。

從圖7得到部分速度測量值分別為：（a）38.7km/h；（b）39.9km/h；（c）38.3km/h；（d）33.3km/h。

為評估算法性能，使用帶有GPS功能的車載行車記錄儀記錄了車輛運動的實際速度，并收集了測速系統(tǒng)測量數(shù)據(jù)和變化范圍，如表1所示。

從表1可以看出，測量值接近于真實車速，具有較高精度。

7 結語

本文介紹了一種基于視頻圖像處理技術的車輛速度測量系統(tǒng)，通過在連續(xù)視頻幀中提取車輛的Harris角點，歸一化互相關算法NCC匹配對應角點，結合道路幾何信息計算車輛的位移，實時估計出車輛速度，幫助確定車輛是否超速。該系統(tǒng)僅由一個道路監(jiān)控攝像機和一臺計算機構成，安裝維護方便。隨著道路交通的快速發(fā)展，該系統(tǒng)可不過多增加成本和預算，利用現(xiàn)有道路監(jiān)控設施進行改造，通過進一步提高測速精度并結合車牌檢測對超速違章車輛進行車牌抓拍識別，對道路交通進行有效管控，減少交通事故，具有良好的經(jīng)濟和社會效益。

參考文獻：

[1] LINS R G， GIVIG S N， KURKA P R G. Velocity estimation for autonomous vehicles based on image analysis[J].IEEE Transactions on Instrumentation & Measurement，2015，65（1）：1-2.

[2] KASSEM W， KOSBA A E. RF-based vehicle detection and speed estimation[J].Vehicular Technology Conference，2012（1）：1-5.

[3] HARRIS C， STEPHENS M. A combined corner and edge detector[C].In Proceedings Fourth Alvey Vision Conference，Manchester， UK，1988：147-151.

[4] ATKOCIUNAS1 E， BLAKE R， JUOZAPAVICIUS A. Image processing in road traffic analysis[J].Nonlinear Analysis：Modelling and Control，2005，10（4）：315-332.

[5] BENSRHAIR A， BERTOZZI M， BROGGI A. A cooperative approach to vision-based vehicle detection[J].IEEE Intelligent Transportation Systems， August 2001（2）：207- 212.

[6] LIU M， WU C， ZHANG Y Z. Motion vehicle tracking based on multi-resolution optical flow and multi-scale harris corner detection[J] .In Proceedings of the 2007 IEEE. International Conference on Robotics and Biomimetics. Sanya，2007，29（9）：2032-2036.

[7] 張勇，余建平，孫軍偉，等.基于Harris的角點匹配算法研究[J].計算機與現(xiàn)代化，2011（11）：78-81.

[8] 李冬梅，王延杰.一種基于特征點匹配的圖像拼接技術[J].微計算機信息，2008，24（15）：296-298.

[9] STEFANO L D， MATTCOCIA S， MOLA M.An efficient algorithm for exhaustive template matching based on normalized cross correlation[C].In Proceedings of the 12th International Conference on Image Analysis and Processing，Los Atamitos CA，2003：322-327.

[10] 蘇恒強，馮雪，于合龍，等.基于Harris角點檢測的位移測量算法[J].實驗力學，2012，27（1）：45-53.

[11] KATSUKI T， MORIMURA T， INOUE M. Traffic velocity estimation from vehicle count sequences[J]. IEEE Transactions on Intelligent Transportation Systems，2016（99）：1-13.

[12] SRINIVASA N. A vision-based vehicle detection and tracking method for forward collision warning[C]. Proc. IEEE Intelligent Vehicle Symposium， Malibu： the IEEE Intelligent Transportation Systems Council and INRETS，2002（2）：626-631.

[13] MOAVENI B， ABAD MKR， NASIRI S.Vehicle longitudinal velocity estimation during the braking process using unknown input Kalman filter[J].Vehicle System Dynamics，2015，53（10）：245-256.

（責任編輯：杜能鋼）