基于計算機視覺的實時車輛運動速度檢測算法研究

譚呈祥

摘 要： 在對比了傳統運動車輛實時檢測方法的基礎上，提出了一種新的G?C二重差分法，將視頻流中的某一當前幀與背景幀進行邊緣檢測，將兩幀的結果相減，得到梯度差分，再將此結果與背景顏色差分結果進行“或”運算，提高了車輛存在判斷的準確度，此算法可以準確檢測出路面運動車輛存在同時有效消除車輛陰影的影響，為后續車輛運動速度的實時檢測提供了有力保證。基于運動車輛檢測的結果，在VC環境下進行了編程實現，自動檢測出運動車輛的實時速度，測試結果表明該算法效果很好。

關鍵詞： 計算機視覺； 車輛檢測； 速度檢測； 消除車輛陰影

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2016）09?0164?03

Abstract： On the basis of the comparison of the traditional moving vehicle real?time detection methods， a new G?C double difference method is proposed. The edge detection of a certain current frame and background frame in video stream is conducted， and then the results are subtracted from the two frames to get the gradient difference. After that the ″or″ operation for the difference result and background color difference result is performed to greatly improve the accuracy of the vehicle judgment. This algorithm can accurately detect the existing moving vehicle on the road and effectively eliminate the effect of vehicle shadow， which provides a strong guarantee for the real?time detection of the following vehicle moving velocity. Based on the results of moving vehicle detection， the programming realization was conducted in VC environment to automatically detect the real?time speed of the moving vehicle. The test results show that the effect of the algorithm is perfect.

Keywords： computer vision； vehicle detection； speed detection； vehicle shadow elimination

0 引 言

計算機視覺（Computer Vision）主要研究如何運用照相機和計算機獲取被拍攝對象的數據與信息，形象的說，就是給計算機安裝上“眼睛”（照相機）和“大腦”（算法）。目前，計算機視覺技術的應用領域十分廣泛，其在道路交通管理中的應用更是取得了很好的效果。隨著科學技術的飛速發展，現代交通在經濟發展中所起的作用越來越大，而交通現代化帶來的問題也越來越多，諸如交通擁擠、交通事故頻發、交通環境惡化等。在這樣的大背景下，智能交通系統（Intelligent Traffic System，ITS）作為一種強有力的交通管理手段應運而生，其高效率的管理特點使其成為當今世界道路交通管理的發展趨勢，而計算機視覺技術則是ITS的重要技術支持。

實時車輛運動速度檢測是ITS對交通實施監測和管理的重要一環，對車輛速度的檢測一方面可以監控超速等違章問題，減少交通事故的發生，另一方面可以根據車速判斷道路擁擠程度，進而迅速采取措施，保證道路交通的安全和暢通，從而實現智能交通管理的目的。在上一代ITS中，實時車輛運動速度檢測的方法主要有線圈檢測、激光檢測、雷達檢測等，這些速度檢測方法多多少少都存在一定的問題，如容易受路基狀況、自然環境等的影響精度降低，而在新一代ITS中基于計算機視覺的車輛速度檢測法則大大提高了測速的精度，這有賴于計算機有一個“超強大腦”，即好的算法。

1 運動車輛的檢測

運動車輛的檢測是實時運動車輛速度檢測的基礎，使計算機能夠自動的把相機攝取的視頻里的靜止物體與運動物體區別開，并且自動提取出運動物體。所以，在研究實時車輛速度檢測算法前，先要研究運動車輛的檢測算法。

1.1 現有運動目標檢測方法比較

目前，常用的運動車輛實時檢測方法主要有幀間差分法和背景差分法。

1.2.2 預處理幀的顏色差分

由于無論車身像素值是否低于路面像素值，其梯度邊緣必然存在，而交通路面一般都很平坦，除了車道線外檢測不到邊緣，將當前幀與路面背景模型均進行邊緣檢測，再將兩個邊緣圖像按式（8）做差得到運動物體的邊緣梯度差分圖像：

3 實驗結果與分析

筆者用實際拍攝的視頻圖像對上述算法進行了試驗測試，實驗時模擬實際交通攝像機的安裝情況，使其固定不動，計算機處理的速度約為20 f/s。首先將視頻中的某一幀進行邊緣檢測，與背景做梯度差分，并與背景顏色差分的結果進行“或”運算，最后對圖像去噪并二值化，通過測試多種路況、天氣和光照條件，試驗結果顯示該算法可以在陽光充足、遇到物體陰影明顯的情況下準確地將運動車輛從視頻的背景中提取出來，并能準確檢測出車輛的速度，如圖3所示。

4 結 語

計算視覺的應用提高了智能交通系統的準確性，本文在對比了傳統運動車輛實時檢測方法的基礎上，提出了一種新的運動車輛實時速度檢測算法，此算法與傳統的算法相比，可以更加準確地檢測出路面運動車輛的存在，同時有效消除車輛陰影的影響，為后續車輛運動速度的實時檢測提供有力保證。基于運動車輛檢測的結果，進行編程實現，可以自動檢測出運動車輛的實時速度，測試結果表明該算法效果很好。

參考文獻

[1] MARR D， HILDRETH E. Theory of edge detection [J]. Royal society of London proceedings， 1980， 207（1167）： 187?217.

[2] 高富榮，方強.機動車地感線圈測速監測系統性能和檢測方法研究[J].上海計量測試，2008（2）：27?28.

[3] 安福東.機動車的幾種測速方式原理及性能的分析比較[J].警察技術，2003（3）：33?35.

[4] 姜永林，孫國棟.交通車輛視頻測速技術[J].儀表技術與傳感器，2007（9）：69?70.

[5] 弼程，彭天強，彭波.智能圖像處理技術[M].北京：電子工業出版社，2004.

[6] 邢霄飛，李永寧，林木華.一種基于紋理分析的視頻車輛測速方法[J].計算機應用，2005（12）：2803?2805.

[7] 周許超，屠大維，陳勇，等.基于相位相關和差分相乘的動態背景下運動目標檢測[J].儀器儀表學報，2010（5）：980?983.

[8] 王芳林.穩健視覺跟蹤算法中的關鍵問題研究[D].上海：上海交通大學，2009.

[9] BIMBO A D， DINI F. Particle filter?based visual tracking with a first order dynamic model and uncertainty adaptation [J]. Computer vision and image understanding， 2011， 115（6）： 771?786.

[10] 劉明.基于目標檢測與跟蹤的機動車視頻測速方法研究[D].南昌：南昌大學，2007.