基于圖像處理的交通路口車速檢測研究

劉響響 唐亮 任超

摘要：車輛超速問題一直為人們所關注。根據實際問題，采用圖像技術，使用OpenCV作為開發平臺，研究了一種車輛超速檢測系統，其能夠自動采集視頻信息，通過對視頻圖像的處理完成對車輛速度的判斷，根據實際需要將大于規定速度的車輛信息記錄下來。

關鍵詞：超速;OpenCV;圖像處理

0? ? 引言

車輛超速引發的交通事故是人們生活中常見的問題，為防止車速過快引發交通事故，對車輛速度的管控十分必要，尤其是在交叉路口或者是人行道口，車輛速度必須控制在一定的范圍內。而實際上在該方面違反交通法律法規的車輛一直存在，因此，對人行橫道和交叉口的車輛速度進行檢測十分必要。

1? ? 圖像預處理

首先將采集到的RGB圖像轉化為灰度圖像，然后對灰度圖像進行邊緣檢測、濾波處理。一般在路口地面上設置有路口停止線，可以依照停止線為參考目標對過往車輛速度進行檢測。其中邊緣檢測使用Canny邊緣檢測算子[1]，檢測步驟如下：

1.1? ? RGB圖像灰度化

Canny算法直接處理的圖像只能是灰度圖[2]，而目前應用于該領域的相機大多數是彩色相機，所以需要對彩圖進行灰度化處理。將一幅彩色圖像灰度化，可以通過對圖像各個通道的采樣值加權平均實現。

1.2? ? 對圖像進行高斯濾波

在圖像灰度化過程中存在一些隨機信號的干擾問題，必須清除這些干擾信號。需要對處理后的灰度圖像完成濾波處理，設計選擇高斯濾波，用兩個一維高斯核分別進行兩次加權實現。

1.3? ? 高斯核實現

根據一維高斯函數選擇合適的參數即可得到一維核向量值。

1.4? ? 雙閾值算法檢測和連接邊緣

在進行邊緣識別時，圖像中很容易產生類似的邊緣現象，要區分真假邊緣。采用Canny算法，常用的是引入雙閾值，即選取兩個合適的閾值，由較大的一個閾值得到一個邊緣圖像，這樣可以減少一部分假邊緣。然而這樣會導致圖像的部分邊緣不能封閉，因此需要引入另一個閾值，在較大閾值的圖像內使邊緣連接成相應的輪廓，在接近輪廓的端點時，算法會在端點周圍8個點中間尋找符合較小閾值的點。依照該點尋找新的邊緣，由此不斷地循環下去，直到整個圖像形成封閉的閉合圈。實際圖像處理效果如圖1所示。

1.5? ? 車輛停止線識別

實際生活中，路口的車輛停止線是一條直線，可應用霍夫變換對該停止線進行檢測。霍夫變換是將圖像投放到與之對應的參數區間內，它需要計算所有的邊緣點，會產生龐大的運算量，占據大量的內存空間。但如能減少輸入圖像的邊緣點數量，將極大地減少計算量。該方法能夠很好地找到線端點，完成對停止線的檢測。

利用HoughLinesP函數來完成霍夫變換檢測直線，HoughLinesP函數的原型為：

void HoughLinesP（InputArray image，OutputArray lines， double rho， double theta， int threshold， double minLineLength=0， double maxLineGap=0）

image為輸入圖像，使用8位單通道圖像。Lines為標志直線的輸出向量，采用兩個端點的坐標確定一條直線。rho和theta分別為距離和角度的分辨率。threshold為閾值。minLineLength為最小直線段的長度，若檢測到的數值比該數據小，則被忽略，不做直線標記。maxLineGap為兩條直線的最大間距，若存在一條直線上有兩個線段，它們之間的距離大于該數值，則被認為屬于兩條線段，反之則認為是一條線段。霍夫變換檢測直線是本次實驗的重點與難點，在利用HoughLinesP（）函數進行直線檢測時，后三個參數非常重要。經過多次實驗后，確定參數為HoughLinesP（canny_image，lines，1，CV_PI/180，170，100， 90）。

2? ? 車速檢測處理

在檢測車速時，通過計算車輛通過虛擬線圈的時間來確定車速。經過虛擬線圈的時間是根據霍夫變換的兩條邊緣線來計算，具體判斷如下：

（1）車輛經過標注線條時刻的視頻幀數。

（2）計算出經過同一條白色帶上的第二條線條幀數。

（3）兩視頻幀數時間差就是汽車經過白色帶的時間。

（4）速度計算公式為白色帶的寬度除以經過的時間差。

3? ? 記錄車輛信息

記錄過往車輛信息，采用圖像識別技術完成車牌號碼的識別。采用OpenCV自帶的VideoCapture capture函數讀取輸入視頻，將處理后的灰度圖像進行相應的形態學處理，使得以后的輪廓提取更加準確。數字的定位是在圖像的前期處理中比較關鍵的一個環節，主要采用輪廓提取的方法。特征提取與分類識別：在數字識別中使用的特征提取方法是HOG算子，HOG算子主要是對行人的特征進行提取，但也可用于其他的特征提取。HOG算法如下：

圖像中像素點（x，y）的梯度為：

Dalal提出的Hog特征提取的過程：將目標圖像劃分為多個像素區間，將梯度方向均勻分割成9個部分，用這樣的模塊對目標圖像按照一個單元的步長進行掃描，然后把所有的模塊特征值串聯起來就得到圖像的特征。

相對于分辨率為64×128的數字圖像，每2×2的區間（也就是常說的16×16像素）組成一個模塊，單個模塊內有4×9=36個特征，每8個像素作為一個步長周期，如此算來，總計36×7×15=3 780個特征。

采用AVM分類器，SVM作為一種機器學習的常用算法，在回歸問題和分類問題中應用非常成熟。采用kernel trick對數據進行轉換，經過對這些數據信息進行轉換找到最佳的一個邊界信息，提取出已經處理好的二值化圖的每一幀，然后進行特征提取，加載相應的類別樣本。使用SVM分類算法進行訓練，將訓練好的數據存放到HOG_SVM_DATA.xml文件中，下次識別時直接加載即可。OpenCV的HOG描述如下：

HOGDescriptor *hog=new HOGDescriptor（cvSize（30，30），//視圖的大小cvSize（16，16），//處理模塊大小

cvSize（8，8），// 步長

cvSize（8，8），//區間

9）;//直方圖的模塊數目

hog->compute（trainImage，descriptors，Size（1，1），Size（0，0））;//hog特征計算

4? ? 結語

該車輛超速檢測系統符合實際需求情況，能較好地完成對過往車輛的速度測量和信息記錄，對解決路口車輛超速監控問題有一定的參考價值。

[參考文獻]

[1] 郭慧鑫，牛竹云，郭會兵，等.一種基于Canny算子的紅外圖像邊緣檢測算法[J].火力與指揮控制，2014（S1）：95-97.

[2] 王明靜，張學峰.基于多級濾波的感興趣邊緣檢測算法[J].激光與紅外，2014（3）：335-338.

收稿日期：2020-08-27

作者簡介：劉響響（1989—），男，安徽人，碩士，研究方向：智能控制。