引言

在智能交通系統(tǒng)(ITS)中，交通參數(shù)的檢測一直是交通領(lǐng)域的重點(diǎn)研究內(nèi)容之一，現(xiàn)階段應(yīng)用比較廣泛的有地感線圈測速、雷達(dá)測速、紅外測速和激光測速等方法。但這些方法都存在安裝、使用的復(fù)雜性以及受天氣因素制約等多方面的局限性。美國加州帕薩迪納市噴氣式實(shí)驗(yàn)室最先提出了基于計(jì)算機(jī)視覺的交通流檢測的想法。世界上第一個(gè)基于視頻的交通檢測系統(tǒng)由美國明尼蘇達(dá)大學(xué)運(yùn)輸研究中心研制成功。現(xiàn)階段的視頻檢測技術(shù)很多都存在魯棒性差、計(jì)算復(fù)雜度高等問題。本文根據(jù)以上問題采用基于視頻圖像檢測技術(shù)，通過SURF-Kalman算法實(shí)現(xiàn)運(yùn)動(dòng)車輛的跟蹤，增加運(yùn)動(dòng)車輛跟蹤的魯棒性。在車速計(jì)算方面采用基于變長參照物的車速計(jì)算方法，使得車速的計(jì)算更加簡便。

1運(yùn)動(dòng)車輛跟蹤

利用計(jì)算機(jī)、模式識(shí)別、數(shù)字圖像處理等技術(shù)可以實(shí)現(xiàn)與運(yùn)動(dòng)目標(biāo)存在一定相似度的車輛建立關(guān)聯(lián)。常用的跟蹤方法可分為：光流法、輪廓跟蹤法、3-D模型匹配法、區(qū)域法和特征跟蹤法叫為實(shí)現(xiàn)對(duì)多目標(biāo)的跟蹤，同時(shí)保持算法的高效性、魯棒性，本文采用了SURF算法和Kalman算法相結(jié)合的方法,將運(yùn)動(dòng)目標(biāo)的質(zhì)心作為特征點(diǎn)，預(yù)測特征點(diǎn)位置，并在該位置的附近進(jìn)行特征匹配，從而實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。

1.1車輛跟蹤算法

(1)在檢測到運(yùn)動(dòng)目標(biāo)質(zhì)心位置后，首先檢查以該目標(biāo)為中心的檢測范圍內(nèi)是否為被標(biāo)記的目標(biāo)，若是，則該目標(biāo)為正在被跟蹤的車輛，轉(zhuǎn)(2)，否則為即將新檢測的車輛，同時(shí)轉(zhuǎn)(3)；標(biāo)記矩陣時(shí)：首先設(shè)置一個(gè)與視頻幀相同的二維矩陣,并初始化該矩陣的所有元素為0。如圖1所示，當(dāng)某一運(yùn)動(dòng)車輛被標(biāo)記時(shí)，該車輛的質(zhì)心附近車輛大小的范圍內(nèi)的元素將被設(shè)置為該車的序列號(hào)，如圖2所示。

初始化運(yùn)動(dòng)目標(biāo)狀態(tài)方程&=(pxo,辦,0,0,0,0,),，利用此濾波器來預(yù)測運(yùn)動(dòng)目標(biāo)質(zhì)心在下一幀可能出現(xiàn)的位置,并將質(zhì)心位置附近一定范圍作為檢測范圍，利用SURF算法提取該范圍內(nèi)的特征點(diǎn)；

相同序列號(hào)的車輛在特征庫中的特征點(diǎn)與(2)中所提取出的特征點(diǎn)通過閾值法進(jìn)行匹配，若匹配成功，則轉(zhuǎn)(4)，否則匹配失敗，車輛跟蹤失??；

更新特征庫，更新標(biāo)記矩陣，更新Kalman濾波器；

檢查是否有下一幀圖像，若有則轉(zhuǎn)(1)，否則算法執(zhí)行結(jié)束。

1.2實(shí)驗(yàn)結(jié)果分析

圖3所示是一個(gè)車輛跟蹤示意圖，圖中對(duì)73-77號(hào)車進(jìn)行跟蹤實(shí)驗(yàn)，跟蹤結(jié)果表明，在沒有任何遮擋的情況下，74、75、77號(hào)車跟蹤情況良好，73、76號(hào)車在運(yùn)動(dòng)過程中被樹木遮擋住，圖3(b)中76號(hào)車的前半部分被遮住，則只有后半部分的特征點(diǎn)可以與特征庫中的特征點(diǎn)進(jìn)行匹配，并更新特征庫，在圖3(c)中，當(dāng)該運(yùn)動(dòng)目標(biāo)駛離遮擋物，該目標(biāo)繼續(xù)以76號(hào)車被跟蹤，說明該車未跟蹤失敗，因此，本文說采用的運(yùn)動(dòng)車輛跟蹤的方法對(duì)遮擋物有很強(qiáng)的魯棒性。

2基于變長參照物的車速計(jì)算

2.1基于變長參照物的車速計(jì)算方法

對(duì)于城市道路的車流量來說，單一車輛的速度并不能反映整個(gè)道路車流量的速度，但是道路車流量的速度又是由單一車輛速度組成的。因此，通過計(jì)算單一車輛速度，再對(duì)所有車輛加以平均，即可估算出道路上車流量的速度。

首先確定單一車輛速度，速度公式如下：

在式（1）中，Tt代表連續(xù)3幀的時(shí)間，該時(shí)間為分幀處理時(shí)幀與幀之間的時(shí)間間隔來計(jì)算，本文采用的兩幀的時(shí)間間隔為50ms，Td代表了這三幀中車輛質(zhì)心的實(shí)際位移。其中車輛質(zhì)心的位移轉(zhuǎn)化成車輛的實(shí)際位移，則需在視頻圖像中找一參照物。本文將道路上具有一定規(guī)格標(biāo)準(zhǔn)的分車道線作為參照物。

由于在視頻的分幀處理過程中，兩幀之間的時(shí)間間隔非常小，在很短的時(shí)間內(nèi)，大部分正常行駛的車輛具有很強(qiáng)的規(guī)律性，即方向和速度不會(huì)發(fā)生變化，因此，我們可以假設(shè)車輛是以勻速運(yùn)動(dòng)，方向與水平方向平行的。

要計(jì)算車輛質(zhì)心的位移，首先要確定參照物的長度。分車道線在實(shí)際中是固定長度的，但由于攝像機(jī)位置的關(guān)系，在視頻圖像中會(huì)呈現(xiàn)出不同的長度。在攝像機(jī)與道路平行拍攝的情況下，可認(rèn)為在各行像素間參照物的變化是線性的，即可以利用等腰梯形來計(jì)算每行像素所對(duì)應(yīng)的參照物在視頻圖像中的長度。

圖4所示是實(shí)際背景二值圖像中參照物的梯形示意圖。我們可以從背景二值圖像中提取出各行像素中參照物的長度,構(gòu)造一個(gè)等腰梯形，如圖5所示，其上邊和下邊分別為提取的實(shí)際分道線，4個(gè)角的坐標(biāo)分別為（旳5）,（改,乃），（和凹），（和球，因此，分道線在視頻中的長度d可表示為：

其中：

式（2）中的yi表示運(yùn)動(dòng)車輛質(zhì)心的縱坐標(biāo)。由式（2）、（3）便可計(jì)算出任意一行像素所在的分道線在視頻中的長度。

我們將梯形所構(gòu)成的范圍作為一個(gè)檢測區(qū)域，根據(jù)直線函數(shù)的數(shù)學(xué)特性以及運(yùn)動(dòng)車輛質(zhì)心的坐標(biāo)即可檢測出運(yùn)動(dòng)目標(biāo)什么時(shí)候進(jìn)入了檢測區(qū)域。檢測原理如圖 6 所示。

假設(shè)直線為函數(shù)（，在直線（上的點(diǎn)可表示為（=0,在（上的所有點(diǎn)如Mi可表示為/（Mi）>0,在（下的所有點(diǎn)如M2可表示為f（M2）<0,利用此方法，即可判斷運(yùn)動(dòng)車輛的質(zhì)心是否在梯形范圍內(nèi)。當(dāng)車輛運(yùn)動(dòng)在梯形內(nèi)時(shí)，可求出連續(xù)三幀質(zhì)心的位移l（0<i<288）,設(shè)連續(xù)三幀的時(shí)間為Tt，分道線的實(shí)際長度為S，則運(yùn)動(dòng)目標(biāo)實(shí)際的速度為V=（°1i1288），其中j表示所跟蹤車輛的車號(hào)。

2.2實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文所提出的基于變長參照物的車速計(jì)算方法是否與實(shí)際車輛的速度一致，進(jìn)行了多次實(shí)際開車通過視頻檢測區(qū)域，記錄當(dāng)時(shí)的車輛速度與視頻檢測所得的數(shù)據(jù)進(jìn)行對(duì)比，結(jié)果顯示96%的速度值基本吻合。這說明本文說提出的車輛速度的檢測方法具有一定的有效性。

3結(jié)語

本文圍繞固定攝像機(jī)角度拍攝城市道路快速干道交通狀況進(jìn)行分析與研究。針對(duì)車輛跟蹤魯棒性與高效性要求，采用了SURF-Kalman算法進(jìn)行跟蹤，利用Kalman算法預(yù)測運(yùn)動(dòng)目標(biāo)質(zhì)心下一幀可能出現(xiàn)的位置，再利用SURF算法進(jìn)行匹配運(yùn)算，保證了跟蹤的有效性和魯棒性。在車速計(jì)算方面，提岀了一種簡單快捷的計(jì)算方法，該方法是以分道線作為參照物來計(jì)算車輛質(zhì)心實(shí)際的運(yùn)行距離。最終可計(jì)算出車輛的速度,通過對(duì)多車的計(jì)算可判斷出當(dāng)前整個(gè)交通的狀態(tài)。

20211121_619a2a3f4271e__基于DS18B20的溫度測控系統(tǒng)設(shè)計(jì)