梁建術，賈匯淪，張琳琳

（050018 河北省 石家莊市 河北科技大學 機械工程學院）

0 引言

交通事故車速鑒定的傳統(tǒng)方法是通過事故現(xiàn)場留下的各種痕跡計算車輛發(fā)生事故時的瞬時速度[1-2]，如果事故現(xiàn)場未得到及時保護，這些痕跡可能會被破壞，從而無法利用痕跡進行鑒定。

隨著科技水平的提高，道路監(jiān)控技術在交通管理方面得到廣泛應用，利用監(jiān)控視頻對車輛進行速度鑒定受到了國內外學者的廣泛關注。目前大多數(shù)測速方法僅用于某一種特定場景下的實時測速[3-6]，且算法極其復雜、通用性不強，抵抗周圍環(huán)境的干擾較差。事故車輛測速鑒定屬于后期測速方式，在有關車輛測速研究中，靳慧云[7]等研究了移動目標車輛放入視頻的測速方法，該方法要求高清視頻圖像文件，并對測量方向和高度也有一定的要求，但其通用型不強；丘冉冉[8]應用插值法建立了車速計算的數(shù)學模型，依據(jù)車輛軸距參數(shù)進行測速處理，并研發(fā)了可視化測速平臺。

本文將圖像標定技術、圖像匹配技術應用于后期測速過程，提出了一種實用性強、操作簡單、精確度高的事故車輛視頻測速方法，該方法無需事先知道監(jiān)控視頻系統(tǒng)參數(shù)和云臺安裝信息，對事故車輛在視頻中的位置、方位也沒有任何限制。

1 圖像距離的標定

攝像機采集的信息是丟失三維空間中深度信息的圖像序列，需要將圖像上的二維點信息還原出對應點在三維世界坐標系中的坐標信息。根據(jù)攝像機成像原理，其轉換過程需要世界坐標系、攝像機坐標系、成像平面坐標系和圖像坐標系之間的一系列轉換。圖像坐標與世界坐標存在的對應轉換矩陣，通常應用攝像機標定法和逆透視圖變換標定法來確定該轉換矩陣。

一般來講，在交通事故鑒定中很難得到攝像機的內參數(shù)和其云臺安裝參數(shù)，因此本文結合交通事故勘測的特點，采用逆透視圖變換標定法中的對應點的逆透視變換。

對應點標定法也稱為四點標定法，通過圖像中的4個坐標點和4個世界坐標點建立起對應關系。設世界坐標點為（XW，YW，ZW），其對應于圖像坐標上的點為（u，v），二者之間有如下關系[9]：

式中，矩陣W包含攝像機焦距和主點坐標，R與攝像機安裝角度有關，T與攝像機安裝位置有關。Zc為攝像機主坐標。式（1）也可寫成

式（2）中，消除Zc坐標，可以得到

若像素點位于道路上，或者接近路面情形時，令ZW=0。C34作為一個非零常數(shù)并不會對結果產生影響[3]，可令C34=1，故式（3）可以精簡為

可以看出，式（4）包含8 個未知數(shù)Cij。通過交通事故勘測，可得圖像中（任意）4 個點所對應的世界坐標，利用上述公式可以求解圖像中任意一點對應于世界坐標的位置。

2 改進的NCC 圖像匹配技術

2.1 算法原理

歸一化互相關（Normalized Cross Correlation,NCC）匹配算法[10]最初由ROSENFELD 等人提出，屬于基于區(qū)域的灰度匹配，也是圖像特征匹配中常用的一種方法。在對特征點進行匹配時，它以2 幅圖像的特征點為中心開辟匹配窗口，通過對窗口的灰度值進行計算，建立特征點間一一對應的關系。NCC 算法利用統(tǒng)計學原理把2 個向量的相關性歸結為圖像的相似性，假設有向量和向量，根據(jù)點乘的定義得到公式：

若cosθ的值接近于1，說明的夾角近似于0°，則2 個向量的方向一致，相似[11]。將這一原理推廣到二維圖像中可得：

式（6）對搜索圖像和模板圖像的灰度進行相似度計算，S（s+i，t+j）、T（s，t）分別代表點（s+i，t+j）和點（s，t）在圖像中對應的灰度值。分別表示搜索圖像和模板圖像的灰度均值。

當模板圖像與搜索圖像完全相同時，相關系數(shù)R（i，j）=1。其所搜策略如圖1 所示。若S（M×N），T（m×n）分別為搜索圖像和模板圖像，將圖T與圖S進行重疊，重疊部分為Si，j（m，n）。讓T在S中隨像素點逐一檢測，然后取相關值最大的點，完成一次匹配，其匹配次數(shù)為（M-m+1）×（N-n+1）次。顯然，利用NCC 公式做圖像匹配速度有待提高，計算量比較大。

圖1 搜索圖和模板圖Fig.1 Searched images and template images

2.2 搜索策略的改進

針對傳統(tǒng)的NCC 匹配算法，很多學者利用貓群算法和直方圖特征研究了提高計算速度和魯棒性的策略[12-15]，而本文針對交通監(jiān)控視頻的特點提出了NCC 方法的優(yōu)化策略。

在交通視頻中，由于車輛運動是連續(xù)的，一般普通的視頻監(jiān)控畫面幀率為25 f/s。對于一輛以120 km/h 行駛的車輛來說，在相鄰兩幀中目標不可能出現(xiàn)較大的位移。此時可以考慮使用鄰域搜索的方法，也即在選擇的窗口（模板圖）附近區(qū)域進行搜索，區(qū)域尺度可以定為2m×2n，區(qū)域的中心也就是上一幀中匹配成功的最大相關位置，這樣將檢測范圍縮小到了目標最可能出現(xiàn)的區(qū)域，大大減少了計算時間。

鄰域搜索策略如圖2 所示。若上一幀目標的匹配位置為（i0，j0），則下一幀中匹配區(qū)域為虛線部分，其左上角坐標位置為（i0-m/2，j0-n/2），大小為2m×2n，此區(qū)域的上一幀中目標位置的中心。改進后的NCC 匹配算法如圖3 所示。

圖2 鄰域范圍搜索示意圖Fig.2 Schematic diagram of neighborhood search

圖3 改進的NCC 匹配算法流程圖Fig.3 Flow chart of improved NCC matching algorithm

3 車速測試分析

測試試驗拍攝位于秦皇島某縣醫(yī)院附近公路路口（如圖4），時間為2020 年9 月8 日，視頻數(shù)據(jù)以及車輛真實速度由交通部門提供。視頻圖像的分辨率為720×480，視頻的幀率為25 f/s。測試車輛在不同時間內，以不同的車速進行了6 次拍攝。

圖4 測試場景Fig.4 Testing scenarios

在如圖5 所示的白色車道線定點作為標定點的候選點，標定過程中可以從這6 個候選點中選擇其中4 個點應用對應點的方法。將對應點分為3 組進行速度測量，第1 組對應點為（1、2、3、4），第2 組對應點為（3、4、5、6），第3 組對應點為（1、2、5、6）。由于選擇的是道路平面的標定點，所以選擇目標區(qū)域獲取目標像素位置時也應該盡量選擇靠近地面的區(qū)域，如圖6 所示。此次實驗框選車輛車頭部分，這樣計算結果更加精確。

圖5 標定點與目標車輛Fig.5 Calibration point and target vehicle

圖6 測量區(qū)域Fig.6 Target area

表1 為試驗車輛的測速結果，表中的真實速度是交通管理部門提供的測試結果。結果表明：應用對應點標定法和改進的NCC 圖像匹配技術，能夠快速、準確地檢測出車輛的車速；采用不同的對應點都具有較高的計算精度，其中最大誤差為4.4%。

表1 基于對應點標定的測速結果Tab.1 Vehicle speed measurement results

4 結論

本文以道路交通視頻錄像為研究對象，在攝像機參數(shù)未知情況下，只根據(jù)監(jiān)控視頻畫面還原車輛發(fā)生事故前的車速。通過圖像距離標定、目標移動距離檢測等過程，可測量監(jiān)控視頻中不同位置、不同方位車輛的車速，實驗驗證了此方法的可行性。該方法不僅具有計算簡單、精確度高和普適性好的優(yōu)點，縮短了事故鑒定的時間，也為交通事故過程的再現(xiàn)提供了技術支持。