基于車牌識別的機混車道視頻測速算法

隋宗賓等

摘 要： 通過對視頻測速應用場景的分析，提出一種在機混車道中應用視頻測速的方法。該方法首先采用二維圖像標定的方法獲得視頻坐標與實際地面坐標之間的映射關系，針對機混車道的復雜場景，采用Lab顏色空間和形態學處理相結合的方法對車牌進行識別，準確地跟蹤到目標車輛，有效地避免了其他運動物體的干擾，同時提出了采用模板更新的方式防止目標車輛跟丟。最后通過適當選取車輛經過檢測區時的圖像幀，獲得車輛的位移及對應的時間間隔，從而獲得高精度的速度測量結果。

關鍵詞： 視頻測速； 圖像幀； 車牌識別； 目標跟蹤

中圖分類號： TN941?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2015）18?0125?03

Abstract： Through analysis of video speed measurement scenarios， a way to detect the running speed of vehicles in mixed road by video speed measurement algorithm is proposed in this paper， in which the two?dimensional image labeling method is adopted to achieve the mapping relation between video coordinates and corresponding actual ground coordinates. Aiming at the complex scenarios of mixing road， the method of combining Lab color space with morphology is used to recognize the license plate， track the object vehicle precisely， avoid the disturbance of any other moving objects. Besides， the mode to refrain from missing object vehicles by a method of template updates is proposed. The displacement of vehicles and corresponding time intervals are got by picking up the image frame that the vehicles crossed the detection zone， with which the result of high?accuracy velocity measurement can be obtained.

Keywords： video speed measurement； image frame； license plate recognition； object tracking

0 引 言

隨著時代的發展，視頻技術已經有了質的飛躍，并在車輛測速中得到了廣泛應用。原來大量利用環形線圈或者雷達來檢測交通車輛的速度，測速效果很不理想[1]。隨著智能交通技術的不斷完善，也改變了測量車速的方法，利用視頻技術進行測速已經成為智能交通（ITS）的重要組成部分。通過對攝像機拍攝視頻進行分析以及對車輛的定位、追蹤、計算等來獲取車輛的行駛速度。目前視頻測速技術的應用場景越來越復雜，很多學者完成了單車道視頻以及多車道視頻測速方法，但是對于復雜的機混車道考慮甚少[2]。本文針對機混車道的應用場景，提出了一種通過車牌定位區分機動車輛并且防止車輛跟丟的方法，提高了視頻測速的精度，實驗結果表明該方法具有較好的測速效果。

1 視頻測速方法

1.1 視頻測速系統組成

本文的測速方法主要組成為檢測區域部分、車牌識別部分以及目標跟蹤部分等。檢測區域部分用來完成視頻坐標與實際坐標的映射關系，完成目標定位。車牌識別部分主要是通過車牌區分機動車、非機動車以及行人等，便于以后的目標追蹤，提高了目標跟蹤的準確性。目標追蹤主要利用背景模板的不斷更新來防止目標車輛的丟失。

1.2 視頻測速原理

首先在視頻車道上畫出兩道檢測線，車輛每次經過檢測線時記錄視頻幀數M1，M2，通過幀周期[ΔT]，計算出時間間隔[Δt]，然后通過坐標映射關系獲得兩道檢測線的實際距離D，求得車速為：

[v=D（M2-M1）ΔTN]

1.3 視頻測速算法

（1） 視頻坐標與實際坐標的映射

本文設置了如圖1所示的測速區域，按圖所示攝像機安裝在車輛行駛的反方向，測速區域是由道路的邊緣線和2條檢測線組成的矩形測速區域，相機拍攝的視頻中矩形測速區域顯示為梯形狀，如圖2所示，測速區域坐標與地面實際坐標呈現非線性關系。

為減少測速的誤差，必須對視頻圖像進行標定，得到實際地面坐標與圖像坐標的映射關系。如圖2所示，視頻測速區域與道路實際坐標的映射關系為：

[x1y1x2y2x3y3x4y4=x21y211000-x1x21-x1y21000x21y211-y1x21-y1y21x22y221000-x2x22-x2y22000x22y221-y2x22-y2y22x23y231000-x3x23-x3y23000x23y231-y3x23-y3y23x24y241000-x4x24-x4y24000x24y241-y4x24-y4y24b1b2b3b4b5b6b7b8] （1）

式中：[（x1，y1）]～[（x4，y4）]為視頻圖像梯形檢測區域的頂點坐標；[（x21，y21）]～[（x24，y24）]為地面矩形檢測區域的頂點坐標；[b1～b8]為轉換系數。若8點坐標均為已知，則可由式（1）求出[b1?b8]。在得到轉換系數后，進而可以得到圖像梯形檢測區域中任意一點坐標（x，y）與地面矩形檢測區域中對應點坐標[（x2，y2）]，其轉換關系為：

將屬于視頻圖像中檢測區內任何像素點的圖像坐標（x，y）代入式（2）和式（3），可以求得該像素點所對應的地面坐標[（x2，y2）]。從而得到所測車輛準確位置。

（2） 車牌識別

考慮到機混車道的復雜性，在進行目標跟蹤的時候可能出現非機動車以及行人的干擾，所以使用了車牌識別技術對車輛進行篩選。綜合考慮車輛與行人的特征，本文采用了一種Lab顏色空間和形態學處理相結合的方法對車牌進行識別，進而識別出車輛，確定跟蹤目標。主要是根據各種車牌的紋理特征判斷是否為車牌，例如對于黃色車牌，主要是根據黃色車牌都為雙行且比較臟的特點，首先將圖像轉化為Lab顏色空間，再從Lab的a通道中提取綠色和紅色區域，在b通道中提取黃色區域，進行二值相減，獲得圖像的黃色區域，并且利用形態學處理濾除噪聲等的影響，進而定位車牌。具體流程如圖3所示。

經過車牌的識別可以準確地檢測到機動車，避免了機混車道中非機動車以及行人的干擾，仿真結果如圖4所示。

（3） 防止目標車輛的跟丟

經過車牌識別確定了目標車輛之后，需要對目標車輛進行跟蹤，考慮到車輛在交通環境中圖像的不固定性，為了防止目標車輛的跟丟，本文提出了一種背景模板不斷更新的方法，防止目標車輛的跟丟。

首先設定圖像更新的閾值作為比較對象，每一次的模板與閾值進行比較，設置一個相關系數，如果相關性大于相關系數的時候，就對背景進行更新，反之保持原背景不變。然后將背景中目標車輛圖像的面積和前景圖像中車輛區域面積進行比較，面積相近則不更新背景，否則提取運動物體圖像中運動物體顯露出來的部分作為新模板，使下次能夠準確地進行模板匹配，防止車輛的跟丟。

（4） 視頻測速方法

本文的視頻測速方法主要針對機混車道，車輛行駛方向與攝像機拍攝方向相反，采用攝像機和圖像采集卡對圖像采集，采集頻率調至為40 f/s，即每25 ms采集一幀圖像。在視頻中可以任意虛擬的畫出兩條檢測線，測得兩條線上相應位置的坐標（x1，y1）和（x12，y12）通過式（2）和式（3）轉化為實際路面坐標，然后進行坐標相減獲得2條檢測線的間距D，設目標車輛經過第1條檢測線時視頻幀數為M1，經過第2條檢測線時的視頻幀數為M2，[ΔTN]為幀周期，則速度為：

[v=DM2-M1ΔTN]

2 實驗驗證

實驗驗證過程中，使用雷達在公路上對過往車輛進行了測速以及錄像，然后又對視頻在相同的地點對相同車輛進行了測速。一般在100 km/h以下時測速誤差在±8 km以內，車速100 km/h以上時測速差在±10%以內，就認為車速測量準確。為了驗證視頻測速的準確度，與雷達測速進行了對照，如表1所示。

表1 速度對照表

由于視頻車輛檢測器受外界復雜景物和環境光線變化影響，本文的視頻測速還達不到雷達測速的檢測精度，但是在避免行人和非機動車的干擾方面，相比其他視頻測速設備，本方法誤差能夠控制在5%以下，而其他設備只能控制在10%左右，因此具有更好的測速效果，提高了測速精度。

3 結 語

本文通過Lab顏色空間和形態學處理相結合的車牌識別方法，有效地避免了非機動車和行人的干擾，融合了運動物體跟蹤防跟丟技術，有效地提高了視頻測速的精度?？蓮V泛在視頻車流量檢測器中車輛速度的監測方面、交通流計算參考數據的獲取、電子警察對車速的輔助測量方面以及為交通管理提供參考等方面得到應用。

參考文獻

[1] 陳世忠，熊鵬飛，李宏一.對雷達測速不準的原因分析及改進[J].鐵道通信信號2002，38（11）：6?7.

[2] 李晴，徐群.復雜場景下多運動目標速度檢測技術的實現[J].計算機與數字工程，2006，34（11）：167?171.

[3] CHRIS S， GRIMSON W. Learning patterns of activity using real?time tracking [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 747?757.

[4] ZHANG S， ZHANG C. Application of ridgelet transform to wave direction estimation [C]// Proceedings of the 2008 Congresson Image and Signal. Sanya， China： IEEE， 2008： 690?693.

[5] 黃丹丹，孫詠，任俊，等.利用圖像識別的車速測量系統[J].計算機輔助設計與圖形學學報，2005，17（6）：1258?1262.

[6] 林雨，方守恩.基于視頻技術的地點車速測定新方法[J].中國安全科學學報，2007，17（2）：173?176.

[7] 邱茂林，馬頌德，李毅.計算機視覺中攝像機定標綜述[J].自動化學報，2000，26（1）：43?56.

[8] 陳媛媛，柴治，陳泉林.基于視頻檢測的車輛測速方法[J].電子技術應用，2009（23）：185?188.

[9] 陳群，楊東勇，盧瑾.基于車牌字符邊界定位的視頻測速[J].計算機工程，2014，40（5）：158?163.