一种基于监控视频的车速测量方法

于子凡*

（武汉大学遥感信息工程学，湖北武汉，430079）

一种基于监控视频的车速测量方法

于子凡*

（武汉大学遥感信息工程学，湖北武汉，430079）

本文提出了一种模版匹配用于道路实时平均车速测量的方法，其特点是：不再进行复杂的运动目标检查与跟踪，不受光照、气候、车辆差异等外部条件变化影响。介绍了该方法的原理、计算方法和必要的外部条件，并用交通监控视频验证了该方法的有效性。

交通监控视频；车速测量；模版匹配

引言

及时提供城市各道路实时车速，可以方便司机做出道路选择，总体上有利于整个城市交通均衡，提高城市信息化和服务水平。前提是实时测量车速。测量车速方法可以分为三类[1-3]：基于地感线圈，基于声、光、电、磁感应器，基于监控视频。前两类方法需要加装设备，实施起来投入巨大。基于视频的方法利用现有的城市交通视频监控系统，既节省了设备投资，又挖掘了现有设备的潜力，因此研究的焦点逐渐集中于基于监控视频的方法。

基于视频测量车速常见方法是在视频中取出一定时间间隔的图像帧，在它们中提取出同一移动目标，测量它们的位移量。童剑军[4]以车灯为目标计算车速，但摄像场景限定为一个车道宽度。徐伟[5]以检测与跟踪图像中汽车的Harris角点计算车速，但实验场景中只有一辆汽车，当场景中汽车数量增加、光照条件变化，都可能影响特征点的匹配与跟踪。高浩军[6]以整辆车为目标计算车速，但摄像机安放在与汽车行进方向水平垂直位置，与道路交通监控摄像头有较大差异。提取和分割运动目标的这类算法很容易受到光照、雾霾等时间、气候因素的影响，为了消除这些影响，又要设计出大量的处理方法[7]，增加了计算复杂度。

如果以提供车辆实时流速为目的，不必采用复杂的目标跟踪，特定目标的速度不代表群体的速度，而且各种车辆和环境因素的巨大差异给算法带来的困难很难克服。倒是采用的方法必须适应不同光照条件、不同气候条件、不同车辆数量的差异带来的变化。

本文基于这样一个情况：成像时间间隔很短的两帧影像，光照环境条件相同，背景部分几乎没有变化，有变化的部分只是由于目标移动造成的，并且移动目标位移量不大，大部分目标都能在两帧影像上出现。本文的思路是将一幅影像分成大小相同的模板，将所有的模板在另一幅影像上进行模板匹配，找到匹配点。只要模板大小设计合适，不论场景中车辆的类型、数量有多么不同，都不影响模板匹配的总体效果。每一对匹配点计算一个速度值，所有匹配对的速度平均值作为该道路的实时车速。

1 时序影像获取方法

视频是一系列等时间间隔获取的图像帧组合起来的。不同格式的视频文件组织数据的方式不同，必须根据视频文件的数据结构，获得需要的图像帧。本文试验视频从常用前景检测数据库[8]中选取的视频 highwayII-raw.avi，利用OpenCV开源软件提供的函数cvQueryFrame从视频中提取时间间隔为0.12秒的图像帧。从highwayII-raw.avi视频中提取出来的是24比特彩色BMP影像，为了减小计算量，将它们转化为8比特灰度图像，转化的方法是将每个像素的红绿蓝三个分量取平均值作为该像素的灰度值。处理完毕的两幅影像如图1所示，它们的尺度为320x240。20x240

图1 序列影像中时间间隔为0.12秒的两幅影像

2 影像动目标位移信息获取

即将左边影像划分成一系列 32x32大小的模板，每次用一个模板在右边影像上边移动边计算匹配相关系数，计算公式如下[8]：

其中，xi代表模板像素值，代表整个模板像素均值；yi代表模板覆盖影像像素值，代表模板覆盖区域影像像素均值。随着模板移动，每个模板对应一系列相关系数。取相关系数最大位置为最佳模板匹配位置，每个模板都可以在右影像中找到一个最佳匹配位置。模板在左影像中的位置与右影像中的最佳匹配位置形成一对匹配点。为了直观显示，将每一对匹配点用直线连接，并剔除线段长度小于3的匹配结果，得到的模板匹配结果如图2所示：

图2 模板匹配结果

对比图1，可以看到有错误匹配结果。产生原因：一是模板与自身的匹配。完全由背景组成模板，没有运动目标干扰，与自身的匹配系数很容易达到最高。不需要这种匹配结果，通过剔除匹配线段长度小于3可以消除。图2中已经经过这种处理。二是出现张冠李戴匹配结果，原因是背景和目标的相似性。图2中较长的线和方向差异太大的线就是错误的匹配结果。可以在计算速度过程中通过设置差异阈值加以剔除。

3 速度计算方法

3.1 动目标实际位移计算方法

计算速度，要将影像上的位移换算成实际路面上的移动距离，要完成像点到物点的坐标转换。本文关心的是目标实际移动距离，建立的坐标系以方便计算为主要考量。以影像左下角作为像片坐标原点、水平向右为X轴、垂直向上为Y轴建立像片坐标系。假设公路路面为一个平面，在这个平面上建立路面坐标系：坐标系原点为摄像头对该平面的垂直投影点，以公路向前方为Y轴，以公路横截线向右为 X轴。需要根据一些已知条件，建立这两个坐标系的变换关系。

这是平面到平面的透视投影变换关系，可以用简化的三点共线方程表示，公式如下[9]：

其中，（x,y）为像点坐标，（X,Y）为像点（x,y）对应的路面点坐标。在变换公式中存在a11,a12,a13,a21,a22,a23,a31,a32一共8个未知变量需要求解。由于除了监控视频文件外，缺乏内外方位元素和监控场景等一切相关信息，只能通过估计至少4个参考点一些点坐标的方式获得这8个参数。

观察图1影像，场景主要由4车道公路路面和右侧硬路肩组成，路面坐标Y轴基本处于右侧硬路肩1/3分界线上。根据《公路工程技术标准(JTG B01-2014)》，可以获得公路和车辆的基本参数。高速公里车道宽度为3.75米，右侧硬路肩宽度为3米，高速公路监控立杆高度为6.5米。场景中出现最多的轿车一般具有如下尺度：车宽约1.8米，车高1.4米，长度范围4.6～5.3米。选4个参考点如图1左像片圆圈所示，它们的路面坐标需要通过观察估算出来。观察图1像片，像片底线对应的路面直线与路面坐标系X轴平行，监测像片底线处监测俯角约为30度，因此这条直线与X轴的距离估计为6.5/tg30°≈10.2米。在这些数据基础上，考虑场景中汽车的长度和间距，参考点的像点坐标和对应点在路面坐标系中的估计坐标如表1所示。

表1 设定的密应点坐标

将公式（2）变形，得到公式（3）

将表1中四个参考点的对应坐标代入公式3，得到8个方程。用矩阵表示：

其中，A是8x8常数矩阵，B为8个常数组成的列向量，X是8个未知系数组成的列向量，即X=[a11a12a13a21a22a23a31a32]T。由公式4可以计算出8个未知系数：

至此，可以使用公式3完成从像片坐标系到路面坐标系的坐标转换。

利用公式3，将图2中线段端点坐标变换到路面坐标系中，并计算线段长度，并转化为时速。表2是图2中有效匹配模块的坐标变换和速度计算结果。

表2 匹配模块计算速度

3.2 错误速度剔除

正常情况下，移动目标速度的大小和方向很接近。表2数据表明，错误匹配计算的速度在大小和方向上与多数情况有较大差距，可以利用它，排除错误匹配。错误匹配结果的数量无法事先估计，采用一次剔除一个的方式。具体方法是先求所有值的平均值，再去掉与平均值差异最大的那一个，并循环这个过程，直到个体值与平均值小于阈值为止。顺序是，先用方向值，再用速度大小值。阈值采用经验值，方向值的阈值是正负30°，速度大小值的阈值是平均值的正负20%。图3显示了剔除处理后的匹配结果，计算的平均速度为81.3公里/小时。

图3 匹配结果处理前后密比图

3.3 汽车高度密汽车位置的影响

公式2反映的是平面对平面的透视变换关系。但汽车是有高度的，影像中的汽车并不是位于平面中，而是在平面之上，其关系如图4所示。

图中C是视点，它的高度是H，CA是视线。沿着该视线，认为看到的是A点，据此测出的表明其位置的长度是OA。实际上，由于高度h的影响，沿该视线看到的是B点，它的对应位置B’，OB’才是汽车距离原点的精确位置。由图可以很容易求出：

即根据公式2计算的理论长度需要乘上一个系数1-h/H就能修正高度h造成的影响。考虑到路面坐标系的原点就设置在该图中的 O点之处，汽车实际坐标值、乃至最终计算出的速度值只需要乘上系数1-h/H就得到修正。

前面已经介绍，高速公路摄像头高度H为6.5米，汽车的高度h则取决于汽车车型，它是根据通过的车型不断变化的。考虑到公路上大多数车辆为轿车，就以轿车的高度1.4米确定h值。这样，刚才计算的81.3公里/小时就修正为64.2公里/小时。

4 实验

理论上，将上述过程结合起来，采用如下循环：系统设置一个计时器以获取当前准确时刻，取当前时刻的两帧图像➔模板匹配➔匹配结果转换到路面坐标系➔剔除不合理匹配结果➔计算并显示平均速度，就能实现道路实时车速监控。但试验中发现模板匹配时间太长，需要约90秒。如果以这么长的时间间隔给出车速信息，实时车速名不副实。上述模板匹配实验中，在整个影像范围内寻找匹配点。大部分汽车都在某个速度上限以下，且只沿道路方向运动。根据影像中道路方向的变化范围，将匹配搜索点限制在以模板为起点的一个扇形范围内，如图5所示。根据图1所示的匹配状况，确定匹配范围的虚框定为50x50。具体地，如果模板的左下角坐标为（x,y），则匹配搜索范围为左下角（x-20,y）、右上角为（x+30,y+50）的窗口范围内。经过这样的处理，匹配时间大幅缩短，能够以5秒的间隔提供公路车速信息。

图5 模板匹配搜索苝围

5 结束语

此方案只适合于摄像头静止不动的情况。如果摄像头有任何方向的转动，表1所示的对应点的像点坐标必然发生变化，从而导致映射关系发生变化。表1中控制点的坐标依靠观察图像进行估计，既不准确，也不便于实际操作。如果事先为每个摄像头建立路面坐标系，在摄像视场中布设若干个明显的反光标志点，并测量出它们在路面坐标系中的坐标值并存储在控制摄像头的计算机系统中，则计算机系统能够根据地物标志点在影像中的位置，自动解算建立透视投影变换关系，以上两个问题就可以迎刃而解。但这需要事先做大量的基础工作。

本文限于条件，实验基于视频文件，而视频文件是事先录制的，已经失去了实时性。要实现实时性，需要直接采用摄像头提供的视频流提取时序影像。这在技术上不存在问题，但毫无疑问，还需要在实验中解决新出现的问题。

[1]王翔,肖建力. 基于视频的交通参数检测综述[J]. 上海理工大学学报,2016,(38)： 5,479-486.

[2]徐杨,吴成东,陈东岳. 基于视频图像的交通事件自动检测算法综述[J]. 计算机应用研究,2011,28(4)： 1206-1210.

[3]汤淑明,王坤峰,李元涛. 基于视频的交通事件自动检测技术综述[J]. 公路交通科技,2006,23(8)： 116-121.

[4]童剑军,邹明福. 基于监控视频图像的车辆测速[J]. 中国图象图形学报,2005,10(2),192-196.

[5]徐伟,王朔中. 基于视频图像Harris角点检测的车辆测速[J]. 中国图象图形学报,2006,11 (11)： 1650-1652.

[6]高浩军,杜宇人. 基于视频序列图像的车辆测速研究[J]. 电子测量技术,2007,30(2)： 42-49.

[7]王圣男,郁梅,蒋刚毅. 智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述[J]. 计算机应用研究,2005,(9)： 9-14.

[8]贾永红. 数字图像处理(第三版)[M]. 武汉： 武汉大学出版社,2015.

[9]宁津生,陈俊勇,李德仁,等. 测绘学概论(第二版)[M]. 武汉： 武汉大学出版社,2008.

A Method of Video-Based Traffic Speed Detection

YU Zifan*
(Remote Sensing Information Engineering,Wuhan University,Hubei Wuhan,430079,China)

This paper proposes a template matching method for real-time road average speed measurement,its characteristics are： no moving target inspection and tracking complex,is not affected by the change of illumination,climate and other external conditions affect the difference of vehicle. The principle,calculation method and necessary external conditions of the method are introduced,and the effectiveness of the method is verified by traffic surveillance video.

traffic surveillance video; speed measurement; template matching

TP393

A

1672-9129(2017)06-0153-043

10.19551/j.cnki.issn1672-9129.2017.06.054

于子凡. 一种基于监控视频的车速测量方法[J]. 数码设计,2017,6(6)： 153-155.

Cite：YU Zifan. A Method of Video-Based Traffic Speed Detection[J]. Peak Data Science,2017,6(6)： 153-155.

2017-02-05；

2017-03-17。

于子凡（1963-），男，湖南浏阳，副教授，博士研究生，研究方向：地理信息工程。

Email：yuzifan2012@whu.edu.cn