基于圖像處理的前方行駛車輛速度測量方法

陳榮保， 趙 聃， 王乾隆

(合肥工業大學 電氣與自動化工程學院，安徽 合肥 230009)

0 引 言

現有速度檢測技術包括雷達、紅外、超聲和地感線圈等方法。微波雷達探測技術和地感線圈檢測技術由于不斷發展得到了廣泛的應用，然而微波雷達探測設備的價格昂貴，并在使用的過程中要求高；盡管地感線圈檢測可以解決這些問題，但其安裝和維護非常困難，平均壽命較短[1]。近年來，由于視頻處理技術的發展和成熟，視頻測量方法得到了越來越多的關注，與非視頻測速相比視頻測速最大優點是可記錄并保留車輛的圖像，提供直接的證據來處理違章。然而傳統的視頻測速大多基于固定的攝像機進行，通過對特定的區域進行監視，獲得通過該區域的車輛行駛速度，測速范圍具有局限性。另外在車輛的行駛過程中，難以根據車輛的速度關系建立與前方行駛車輛的動態安全距離，為安全行駛帶來隱患。

本文提出了一種車載視頻的前方行駛車輛速度測量，對同一車道的前方行駛目標車輛進行檢測，在此基礎上，采用連續圖像幀進行距離檢測，通過圖像幀時間間隔計算車輛的行駛速度。

1 車底陰影與路面交線提取

1.1 改進Hough變換車道線提取

在干擾車輛多、陰影多和車道線模糊等復雜的道路環境下，傳統的Hough變換魯棒性并不理想[2]。為了盡可能地減少道路兩旁建筑物、護欄、樹木和外車道車輛等干擾，本文采用約束極角θ的取值范圍來限制檢測空間的范圍及確定感興趣區域。在圖像坐標系中，O0-uv坐標系是建立的以像素為單位的直接坐標系，本文建立以物理長度為單位的坐標系O1-xy，將位于圖像平面的中心處的相機光軸與圖像平面的交點O1定義為該坐標系的原點，且x軸與u軸平行，y軸與v軸平行。一般情況下，在一幅圖像中左、右車道線應該分布在圖像的左下半部分和右下半部分[3]，假設測速車輛所在車道的左車道線極角為θl；右車道線的極角為θr，則Hough變換目標點的約束區域如下

(1)

Hough變換極角約束示意如圖1所示。

圖1 Hough變換極角約束區域

通過以上約束條件，可以大量減少計算，并排除了很多干擾。車道線提取結果如圖2所示，可見采用改進的Hough變換能精準提取當前所在車道的車道線，排除了其他干擾。

圖2 車道線提取結果

1.2 陰影線檢測與提取

陰影是車輛的一個顯著特征，無論在何種照明條件下，車底道路區域非常黑暗且無亮度[4]，文獻[5]給出了這種現象的數學解釋。本文利用該特性完成了車輛檢測。

如圖3所示。原始圖像經過預處理后，將圖像閾值分割可以得到車底陰影，如圖3(b)所示，車輛底部陰影與路面的交線提取是車輛檢測的關鍵步驟。在二值化圖像中車輛底部陰影與路面的交線顯示為一條線段，依次從上到下，從左到右遍歷二值化圖像的每個像素點，可知交線兩側的像素值會發生從1到0的突變。由此可根據式(2)獲得該交線，檢測結果如圖3(c)所示

(2)

此時的圖像中仍存在大量的干擾，為了去除圖像中的孤立點，盡可能排除虛假線段，在圖像Y軸方向上設置閾值，且每一行均有其閾值范圍。若車輛陰影線長度length=xend-xstart過短，則不在該閾值范圍內，該陰影線即為虛假車輛陰影線，應去除。根據小孔成像的原理，設陰影線的長度閾值為

(3)

式中W為陰影線的實際長度；H為攝像機相對于路面的高度；y為陰影線在圖像中的縱坐標。

當圖像中的陰影線滿足式(4)時，則該陰影線為疑似陰影線，則保留；若不滿足，則為虛假陰影線，將其刪除

0.8wy

(4)

去除圖像中的孤立點干擾的車底陰影線檢測結果如圖3(d)所示，通過改進的Hough變換對車輛當前所在車道的車道線進行提取，可以去除相鄰車道其他車輛和道路兩旁建筑物等無關區域的干擾，僅保留同車道內前方車輛的車底陰影，如圖3(e)所示，提取最下方一條陰影線即為最終檢測到的車底陰影與路面的交線。根據先驗知識(車輛的寬高比設為5∶3)生成疑似車輛位置，如圖3(f)所示。

圖3 車底陰影檢測

1.3 疑似車輛驗證

生成的車輛疑似位置仍可能為圖像中灰度值很低的非車輛物體干擾。因此需要驗證，濾除虛假車輛，提高前方車輛檢測的準確率。本文選取歸一化轉動慣量(normalized moment of inertia,NMI)特性來驗證假設區域。

假設目標區域為圖像平面中的M×N個像素點，每個像素點的灰度值為f(x,y)，圖像NMI公式為[6]

(5)

式中 (cx,cy)為圖像的質心；J(cx,cy)為圖像繞質心的轉動慣量；m為灰度圖像的質量。對于某一幀圖像，計算出疑似車輛位置即矩形框區域的NMI特征值，并與前一幀圖像中相應區域的NMI特征值進行比較，如果變化率小于某一正實數ε，則可驗證該區域內存在車輛，即

(6)

2 前方車輛速度測定

2.1 三維重建測距

空間點的三維重建基本模型如圖4所示。對于空間中任意一點P，如果僅用一個攝像機Cl觀察，則空間點P在攝像機Cl圖像平面上的投影點為Pl，由于直線OlPl上任意一點在攝像機Cl圖像平面的投影點均為Pl，無法得出P點的深度信息。但在雙目立體視覺系統中，使用攝像機Cl和攝像機Cr同時對空間點P進行觀察，即可確定P點分別在左右2個攝像機圖像平面上的投影點Pl，Pr，直線OlPl和OrPr的交點即為P點在空間中的具體位置，從而可以獲得測速車輛與目標點之間的距離。

圖4 空間點三維重建模型

(7)

(8)

消去zcl,zcr，可得關于X，Y，Z的4個線性方程

(9)

式(9)幾何意義表示過OlPl和OrPr的直線。由于空間點P為OlPl和OrPr的直線交點，則P點坐標滿足式(9)。通過求解可以得到點P的世界坐標系坐標(X,Y,Z)。而對于3個變量(X,Y,Z)來說，僅需要3個獨立的線性方程便能求解。對于超定方程來說，考慮到實際應用中噪聲數據的存在，利用最小二乘法可以求解出P點的坐標(X,Y,Z)，從而求得測速車輛與目標點P之間的距離。

2.2 前方車輛相對速度測量算法

本文車速檢測方案僅考慮單車道，車輛行駛方向與攝像機拍攝方向相同，在行駛過程中采用2個攝像機對前方車輛進行圖像采集，其采集頻率為25幀/s，即每40 ms采集1幀圖像。圖像采集卡采集到第P幀圖像所對應的時刻，記為tP，若選用第P～P+N幀圖像進行速度檢測，則兩幀時間差為tP+N-tp。本文圖像處理需要完成以下2個任務：

1)對車道線進行識別，完成當前測速車輛所在車道的車道線提?。?/p>

2)提取車底陰影與路面的交線，生成車輛疑似位置并進行NMI特征檢測，確定待測車輛的參考點坐標。

本文按照車底陰影與路面交線中點位置進行速度檢測，如圖5所示。圖中(a)～(c)分別為tP,tP+M和tP+N時刻同車道前后兩車相對位置關系，利用速度檢測模型可以計算出車輛在任意兩幀之間的相對速度。

圖5 速度檢測法示意

具體步驟如下：

1)選取拍攝圖像中第tP幀圖像作為起始幀，tP+N幀圖像作為結束幀，在兩幀間選取第tP+M幀圖像作為中間幀。

2)在每幀圖像中，確定車輛車底陰影與路面交線的位置，并將車底陰影與路面交線中點作為車距參考點[8]。

3)采用上述三維重建測距算法分別計算tP，tP+M和tP+N時刻前后兩車對應的距離sP，sP+M和sP+N，可得到tP～tP+M時刻與tP+M～tP+N時刻的速度v1，v2，將兩者的平均值v作為前方車輛相對于測速車輛的速度，即

(10)

3 實驗結果

實驗車輛在高速公路上進行測試，其中，后方測速車輛保持70 km/h，前方車輛保持60 km/h，不同時刻兩車位置關系如圖6所示。實驗一截取視頻第215幀圖像至第227幀圖像，其中第220幀圖像為中間幀，可知Δt1=0.20 s，Δt2=0.28 s，分別測得相對位移Δs1=-0.64 m，Δs2=-1.10 m，相應可求出v1=-11.5 km/h，v2=-14.1 km/h，取兩者的平均值v=-12.8 km/h，即測出的前方車輛行駛速度為57.2 km/h，相對誤差為4.7 %。按照實驗一的方法多次實驗，得出的具體實驗數據如表1所示，實驗二、實驗三中測出的前方車輛車速分別為60.8,62.5 km/h，相對誤差分別為1.3 %,4.2 %。由此可知，本文方法能較為精確測得前方車輛的行駛速度，測速誤差較小。

圖6 不同時刻兩車位置關系

表1 車輛測速實驗數據

4 結束語

基于視頻圖像處理技術，在確定車輛位置后通過測量單位時間兩車的距離變化獲得前方車輛的相對速度。具有結構簡單、速度測量結果精度較高等優點，相對誤差保持在5 %以內，可以為行駛過程中動態安全距離的建立提供依據，具有廣泛的應用空間。使用高分辨率、高速攝像機拍攝車輛圖像有利于提高測速精度，但對系統性能有更高的要求，這將是后續工作研究的重點。

參考文獻:

[1] Liang W,Junfang S.The speed detection algorithm based on video sequences[C]∥International Conference on Computer Science & Service System,IEEE,2012:217-220.

[2] Yim Y U,Oh S Y.Three-feature based automatic lane detection algorithm(TFALDA)for autonomous driving[J].IEEE Transactions on Intelligent Transportation Systems,1999,4(4):219-225.

[3] Chen R B,Hou W,Li Y,et al.Recognition of lanes on complex roads based on video image[J].Advanced Materials Research,2014,950(2):298-305.

[4] Ibarra Arenado M,PéRez Oria J M,Torre-Ferrero C,et al.Monovision-based vehicle detection,distance and relative speed mea-surement in urban traffic[J].IET Intelligent Transport Systems,2014,8(8):655-664.

[5] Mori H,Charkari N M.Shadow and rhythm as sign patterns of obstacle detection[C]∥Proceedings of IEEE International Symposium on Industrial Electronics,ISIE’93,Budapest,1993:271-277.

[6] 甘明剛,陳 杰,王亞楠,等.基于Mean Shift算法和NMI特征的目標跟蹤算法研究[J].自動化學報,2010,36(9):1332-1336.

[7] 蔡壽祥.基于雙目立體視覺的車輛測速系統[D].成都:電子科技大學,2013.

[8] 孫 寧,張重德.一種提高視頻車速檢測精度的算法分析和實現[J].合肥工業大學學報:自然科學版, 2014(12):1462-1467.