[发明专利]一种基于目标运动轨迹的车辆速度检测方法

摘要

本发明公开了一种基于目标运动轨迹的车辆速度检测方法，包括步骤依次是目标分割、基于卡尔曼滤波的目标跟踪和速度计算，所述的目标分割主要采用帧间差分法和固定阈值法相结合，获得分割结果；所述的基于卡尔曼滤波的目标跟踪分为获得质心、建立运动模型、运动目标特征提取及更新状态向量，以获得目标运动轨迹；所述的速度计算方法主要涉及获得轨迹相关点信息、建立映射关系、速度计算及速度校正，其中映射关系建立主要是指图像中像素坐标到实际距离的转换，即计算出图像中每个像素点在实际坐标系中对应的实际距离，速度计算主要指依据速度计算公式用距离除以时间对车辆轨迹中提供的相关信息进行计算，并根据实际情况对计算结果进行校正。

主权项

一种基于目标运动轨迹的车辆速度检测方法，其特征在于，所述的检测方法采用道路监控视频图像对车辆速度进行检测，包括的步骤，依次为车辆目标分割、基于卡尔曼滤波的车辆目标跟踪和车辆速度计算，所述的车辆目标分割步骤包括用帧间差分法及固定阈值法进行运动车辆目标分割，所述的帧间差分法是指通过视频图像序列中相邻数帧中对应像素点进行差分运算来获得运动车辆目标轮廓的方法，其算法实现如下：pDifImg[i]＝abs(pNowImg[i]‑pBefImg[i]),i＝0...W*H  (1)其中，pDifImg[i]——帧差结果灰度值；pNowImg[i]——当前帧图像灰度值；pBefImg[i]——前N帧图像灰度值；W——图像宽度；H——图像高度；其中N＝3；所述的固定阈值法的算法如下：pBinImg[i]=255,pDifImg[i]>T0,pDifImg[i]<T,i=0...W*H---(2)]]>其中，pBinImg[i]——目标分割结果；T——分割阈值；当像素点帧差结果大于设定的阈值T时，则将该点赋值为白点，即255，当该点帧差结果小于设定阈值T时，则将该点设置为黑点，即0；其中T的取值根据多场景测试获得；所述的基于卡尔曼滤波的车辆目标跟踪步骤包括：获得运动车辆质心、建立运动模型、运动车辆目标特征提取和更新状态向量，所述的获得运动车辆质心的步骤包括：逐行逐列扫描所述目标分割结果pBinImg[i]，即分别横向及纵向累加其二值化结果，当结果满足式(3)时，即二值化累加结果由无到有，则确定有目标出现，记下该行位置k+1，作为目标的起始行位置yistart，Σi=0WpBinImgk[i]=0Σi=0WpBinImgk+1[i]>0Σi=0WpBinImgk+2[i]>0,k=0,1,...,H-2---(3)]]>当结果满足式(4)时，即二值化累加结果由有到无时，则表明目标消失，记下该行位置j+1，即为目标的终止行y iend，同理，获得目标起始列xistart及目标终止列xiend，Σi=0WpBinImgj[i]>0Σi=0WpBinImgj+1[i]=0Σi=0WpBinImgj+2[i]=0,j=0,1...,H-2---(4)]]>获得运动车辆目标位置后，其质心位置计算方法如下：x=xiend+xistart2y=yiend+yistart2---(5)]]>w=xiend-xistarth=yiend-yistart---(6)]]>式(5)和(6)中x、y为质心的横坐标及纵坐标，w、h为目标外接矩形的宽度及高度；所述的建立运动模型步骤包括：在获得了运动车辆目标质心及其外接矩形的宽度和高度后，利用式(7)建立卡尔曼滤波理论运动模型，st=Fst-1+wt-1zt=Hst+vt---(7)]]>其中，s为系统状态向量，z为系统的观测向量，wt‑1和vt分别为均值为0的高斯白噪声，假设状态向量：st＝[xt,yt,wt,ht,vx,vy]  (8)观测向量：zt＝[xt,yt,wt,ht]  (9)其中，xt和yt为运动车辆目标质心的横纵坐标，wt和ht为运动车辆目标外接矩形的长和宽，vx和vy分别为运动车辆目标质心和外接矩形在x轴方向和y轴方向位移的速度；将运动车辆目标近似为做匀速运动，假设速度为Δt，状态转移矩阵为F=1000Δt001000Δt001000000100000010000001---(10)]]>观测矩阵为：H=100000010000001000000100---(11)]]>在建立了运动模型，定义了状态转移矩阵F，状态向量st和观测矩阵H后用卡尔曼滤波方法来预测运动车辆目标点质心和外接矩形的轨迹；所述的运动车辆目标特征提取步骤是选取两帧间运动车辆目标质心的距离函数、外接矩形的面积函数两者共同完成对运动车辆目标特征的提取，第t帧的第m个运动车辆目标的质心到第t+1帧第n个运动车辆目标的质心的距离为：d=(xtm-xt+1n)2+(ytm-yt+1n)2---(12)]]>第t帧的第m个运动目标的质心到第t+1帧第i个运动目标的质心的最大距离为：dmax=(xtm-xt+1i)2+(ytm-yt+1i)2---(13)]]>为第t帧第m个运动目标的横坐标，为第t+1帧第i个运动目标的横坐标，为第t帧第m个运动目标的纵坐标，为第t+1帧第i个运动目标的纵坐标，质心的距离函数为：L(m,n)=ddmax=(xtm-xt+1n)2+(ytm-yt+1n)2(xtm-xt+1i)2+(ytm-yt+1i)2---(14)]]>在对多目标跟踪时，因为运动车辆目标没有形变，所以其外接矩形的面积也相对固定，通过对外接矩形的面积进行判断能区分前后两帧运动物体是否为同一个，即设第t帧的第m个运动车辆目标外接矩形的面积与第t+1帧第n个运动车辆目标外接矩形的面积差为：s=|stm-st+1n|---(15)]]>第t帧的第m个运动目标外接矩形的面积与第t+1帧第i个运动目标外接矩形面积最大差为：smax=|stm-st+1i|---(16)]]>指第t帧第m个运动目标外接矩形面积，指第t+1帧第i个运动目标外界矩形面积，外接矩形面积函数：S(m,n)=ssmax=|stm-st+1n||stm-st+1i|---(17)]]>定义如下相似度函数：G(m,n)＝αL(m,n)+βS(m,n)  (18)其中α和β为权值，两者之和为1，当G(m,n)越小两目标为同一物体的相似度越高；所述的更新状态向量步骤包括：寻找相似度函数G(m,n)的最小值进行状态向量的更新，将下一帧中目标点的状态向量作为卡尔曼滤波器的输入，为预测下一帧该目标点的运动方向做准备，其中，当第k时刻的目标a和第k+1时刻的目标b之间的相似度函数最小，则确定这两个不同时刻的目标为同一目标，第k+1时刻目标b的特征值即作为运动模型的输入；车辆速度计算步骤包括获得轨迹相关点信息、建立映射关系、速度计算和速度校正步骤，所述的轨迹相关点信息步骤将车辆目标运动轨迹由一系列表述运动车辆目标的运动车辆目标外接矩形的质心连接而成，其中，记录视频各帧质心点空间坐标及该点对应帧号F，获得像素坐标位置中某目标运动轨迹的距离及时间信息，通过建立像素坐标及实际坐标的映射关系表，获得某像素点对应的实际距离，进而计算出运动车辆目标的速度，所述的建立映射关系步骤包括标定映射点和建立映射表步骤，所述的标定映射点，是通过确定摄像机的位置、内外参数和建立成像模型，来确定世界坐标系中的物体和它在图像平面上的成像之间的对应关系，在实际应用场景中，由于车道分割线间距离已知，通过对已知点进行标定，结合摄像机成像原理，进而获得所需映射关系；所述的建立映射表，即设某点在世界坐标系中的坐标为W(X,Y,Z)，由于相似三角形的比例关系得其投影点I(x,y)，其中x=f*Xf-Z,y=f*Yf-Z---(19)]]>f为投影点与世界坐标系的交点坐标；式(19)中包含了变量的除法运算，属于非线性变换，当引入齐次坐标将其转换成线性矩阵进行计算，由此得出齐次坐标矩阵如式(20)，Zxy1=f0000f000010XYZ1---(20)]]>在车辆速度计算过程中，不需要知道车辆的高度信息，故将式(20)简化，得到如下的变换矩阵KXY1=a00a01a02a10a11a12a20a211xy1---(21)]]>K为比例因子，通过式(21)获得世界坐标系中点(X,Y)的坐标表达式为X=a00x+a01y+a02a20x+a21y+1Y=a10x+a11y+a12a20x+a21y+1---(22)]]>将已知距离点在图像坐标系中像素坐标及世界坐标系中的实际距离代入式(22)，求出像素距离与实际距离的映射关系，由此建立两坐标系对应关系表，即映射表MapTable[IMAGE_SIZE]，其中IMAGE_SIZE为图像宽度与高度的乘积，在后续计算过程中，当输入需要查询的目标点的像素坐标即获得该点对应的实际距离；所述的速度计算步骤是将运动车辆目标轨迹中各点空间位置代入所述的映射关系表，获得轨迹中各目标质心特征点代表的实际距离，Disi[i].x=MapTable[position[u].y*width+position[i].x].xDisi[i].y=MapTable[position[u].y*width+position[i].x].y---(23)]]>其中，Disi[i].x、Disi[i].y为某点横向及纵向对应的实际距离，MapTable即为所述建立的映射表，在直角坐标系中，用(x,y)描述跟踪点的空间位置，则通过运动车辆目标跟踪轨迹起点及终点相关信息获取目标运动轨迹，设某目标起点为A,终点为B则得如下信息：vx=XB-XAtvy=YB-YAtt=FB-FAf---(24)]]>式(24)中，X及Y的值通过查找映射表获得，F为某点对应的帧号，f为采样频率即为25帧/s，由式(24)获得运动车辆目标的运动速度v=vx2+vy2---(25)]]>所述的速度校正步骤是当在某场景中如果计算出的车速始终偏大或偏小，则由于映射关系在计算过程中存在偏差，最终造成车辆速度不准确，根据实际情况对测得的速度进行校正，即v=vx2+vy2+Δv---(26)]]>Δv为车速实际差。