趙麗麗，張 麗，唐陽山

融合檢測區(qū)標定與特征點識別的車速估計方法研究

趙麗麗1，張 麗2，唐陽山1

（1.遼寧工業(yè)大學 汽車與交通工程學院，遼寧 錦州 121001；2.錦州市公共交通有限責任公司，遼寧 錦州 121001）

針對目前人工標定特征點存在誤差大等不足之處，提出了一種自動識別特征點的方法。首先設(shè)定合適的檢測區(qū)進行攝影測量時的相機標定，其次利用圖像預(yù)處理、圖像分割及形態(tài)學濾波處理（圖像膨脹、開運算）等去除噪點，從而識別出車輛輪胎，利用函數(shù)bwtraceboundary來獲取輪胎邊界，然后依據(jù)圓的各種公式來獲取相應(yīng)的參數(shù)，求出輪胎的半徑。同時再對其圓心進行標記，從而標注出輪胎中心點，進而精確識別輪胎中心特征點及其坐標。并通過坐標轉(zhuǎn)換關(guān)系確定特征點的實際坐標，最后運用交通事故視頻車速鑒定標準進行車速估計，從而實現(xiàn)提高測速精度的目的。實驗驗證表明，利用該方法對車速進行估計，其估計結(jié)果誤差降低了3.07%。

檢測區(qū)標定；特征點識別；車速估計

隨著我國道路交通的飛速發(fā)展，汽車保有量日益增多，道路交通壓力也越來越大，發(fā)生交通事故的頻率也越來越高，給我國人民群眾造成了不可估量的損失。由于車速的鑒定結(jié)果不僅可以分析交通事故的性質(zhì)，確定交通事故發(fā)生的原因，而且是對交通事故責任認定進行劃分的重要依據(jù)[1]。為此，許多國內(nèi)外學者在視頻測速領(lǐng)域進行了分析研究，如：Xiao[2]提出通過測量相鄰圖像間特征點的移動位移，選取車廂前后連接點為特征點，并利用逆透視變換來減小坐標標定誤差來計算車速的。Luvizon等[3]是在車牌區(qū)域上選擇不同的特征，跨多個幀進行跟蹤，通過比較跟蹤特征的軌跡和已知的真實測量方法來測量車速的。Cathey等[4]提出了一種自動計算相機足夠的校準信息，從而產(chǎn)生可靠的速度估計，即采用矯直技術(shù)消除透視效應(yīng)，并采用相關(guān)技術(shù)建立必要的尺度因子，利用視頻幀之間的時間相關(guān)性進行速度估計。張重德等[5]提出了一種提高視頻測速精度的方法，即利用路面上的車道線和2條添加的橫向標志線而組成檢測標定區(qū)，應(yīng)用二維圖形變換算法進行圖像與地面坐標的轉(zhuǎn)換，進而獲得實際行駛距離。武非凡等[6]通過計算多幀之間瞬時速度的平均值來實現(xiàn)車輛速度的測量。同志學等[7]是將攝影系統(tǒng)安裝在車上，利用遠距點對和近距點對估算坐標系的旋轉(zhuǎn)矩陣和平移矢量，并根據(jù)優(yōu)化后的旋轉(zhuǎn)矩陣和平移矢量計算出車輛的行駛速度。賈常明[8]利用車輛行駛距離與車體橫向放大率的關(guān)系式，間接獲得車輛行駛距離，從而鑒定車速。劉虹伯[9]選取車輛輪胎接地點為特征點，建立了新的車速計算模型。

通過閱讀大量文獻，針對人工標定特征點存在誤差大等問題，提出了融合檢測區(qū)相機標定與自動識別特征點的方法，從而精確獲得特征點的坐標。最后運用交通事故視頻車速鑒定標準估計車速。

1 改進的相機標定方法

1.1 檢測區(qū)域的確定

在智能交通領(lǐng)域，視頻測速是通過對車輛監(jiān)控信號進行分析而獲得目標車輛行駛速度的一種方法。在此過程中需選擇合適的檢測區(qū)域，以便提高檢測效率，在選擇檢測區(qū)域時，需在事故現(xiàn)場劃定檢測區(qū)域，劃定檢測區(qū)域需注意以下幾點：

(1)根據(jù)事故車輛發(fā)生位置合理的選擇檢測區(qū)域；(2)根據(jù)道路環(huán)境狀況，檢測區(qū)應(yīng)設(shè)定在對視頻圖像觀察無影響的區(qū)域；(3)盡量選擇有路面標線（如人行道、車道線）的位置進行劃定標志線。

本文提出的檢測區(qū)域設(shè)置原理見圖1，攝像頭位于檢測區(qū)上方，lAB、lCD是為建立檢測區(qū)范圍而在實際路面上畫的標志線，與車道線構(gòu)成矩形檢測區(qū)域。但由于透視投影引起的“近大遠小”現(xiàn)象使圖像距離不同于實際距離。為使車速得以精確測量，在圖像平面與三維空間之間尋找變換關(guān)系。

圖1 檢測區(qū)域設(shè)置原理圖

1.2 相機標定

由攝影成像原理（見圖2）可得，圖像像素坐標系與世界坐標系的直接變換關(guān)系如式（1）所示。

圖2 相機標定流程圖

其中：（，）為圖像像素坐標系內(nèi)一點P的坐標，（X，Y）為點P所對應(yīng)的世界坐標系中的坐標。11～32為待求參數(shù)。

由式（1）可知，方程中有8個未知量，每代入一組區(qū)域特征點的圖像坐標和對應(yīng)的世界坐標即可解出2個方程，因此，只要獲得目標平面上4個頂點的世界坐標和圖像坐標即可解出圖像坐標系與世界坐標系的轉(zhuǎn)換關(guān)系，4個頂點所圍成的區(qū)域為標定區(qū)域，具體透視矩陣參數(shù)方程如式（2）所示[10]。

在圖像中通過圖像處理可直接獲得4個頂點的圖像坐標，其對應(yīng)的三維空間坐標可直接在事故現(xiàn)場測量獲得。解出式（2）中參數(shù)后，即可獲得圖像坐標與真實坐標的轉(zhuǎn)換關(guān)系。

2 特征點的識別

本文選取目標車輛的輪胎中心為特征點進行車速計算，因此需要對車輪中心進行識別以獲取車輪中心的坐標，其識別流程如圖3所示。通過將交通事故視頻導(dǎo)入MATLAB中進行圖像采集，根據(jù)所采集到的圖像對目標車輛進行檢測，然后對目標車輛輪胎進行定位后識別輪胎中心點，最后獲取輪胎中心坐標。根據(jù)所獲取到的輪胎中心坐標，計算目標車輛的車速。

2.1 圖像預(yù)處理

在對圖像的采集過程中，由于車輪表面的污漬、天氣狀況、照明條件等因素導(dǎo)致采集的圖像存在一定干擾和噪聲，而圖像預(yù)處理可以有效地突出車輛圖像的有用信息，消除或減少無用信息，從而提升車輛輪心識別的準確率和識別率[11]。因此，在對輪心識別前需對采集到的圖像進行預(yù)處理。根據(jù)車輛特性和采集圖像的特征，設(shè)計圖4所示預(yù)處理流程。

圖4 圖像預(yù)處理流程圖

ROI即感興趣區(qū)域，為包含目標的區(qū)域，通過ROI定位選擇車輛輪胎為感興趣區(qū)域可以大大減少之后步驟的運算量[12]，因此本文通過ROI定位及對圖像進行適當裁剪獲得見圖5（a）所示輪胎圖像，為了處理上的方便，把RGB真彩色圖像轉(zhuǎn)化為灰度圖像，然后使用合適的閾值將灰度圖像轉(zhuǎn)化為二值圖像，見圖5（b）[13]。通過對二值化圖像進行圖像分割、形態(tài)學圖像濾波處理（圖像膨脹、開運算等）去除噪點，進而識別出車輛輪胎見圖5（c）[14]。

2.2 車輪中心特征點識別

對于圓形的目標物體來說，半徑是一個至關(guān)重要的參數(shù)，由于半徑的大小決定著圓形的目標物體的面積及周長的大小，還決定著圓心的坐標位置，因此本文還需要確定車輛輪胎半徑的大小[15]。計算輪胎的半徑時，需要對輪胎邊界進行獲取，因此首先利用函數(shù)bwtraceboundary來獲取輪胎邊界，然后依據(jù)圓的各種公式來獲取相應(yīng)的參數(shù)，最后求出輪胎的半徑。同時再對其圓心進行標記，從而標注出輪胎中心點如圖5（d）所示。

圖5 特征點識別圖

3 實例驗證

3.1 事故背景

基本案情：2021年10月22日13時50分許，一輛小型越野客車（以下簡稱甲車）由東向西行駛與一輛小型轎車（以下簡稱乙車）由南向北行駛，在某路口相撞，發(fā)生道路交通事故。

3.2 實驗結(jié)果

3.2.1 檢測區(qū)域的確定

根據(jù)視頻圖像中兩車輛的碰撞位置及道路環(huán)境特征，本文選用如圖6的一個以A、B、C、D為頂點的矩形檢測區(qū)域，由于攝像機“近大遠小”現(xiàn)象而使矩形檢測區(qū)域在圖像上呈梯形狀。

圖6 檢測區(qū)域圖

3.2.2 相機參數(shù)的標定

利用MATLAB圖像處理及識別技術(shù)獲取視頻圖像中檢測區(qū)域的4個頂點的坐標，并通過實際測量可獲得這4個頂點的實際坐標如表1所示。

表1 檢測區(qū)域4個頂點的坐標

根據(jù)表1數(shù)據(jù)，利用式（1）便可確定攝像機的待求參數(shù)，通過求解得出：11=16.9997,12=-3.3015,14=69.6628,21=-1.8768,22=24.3133,24=15.8006,31=-0.0241,32=-0.0073。

3.2.3 特征點坐標的確定

本文以44 s第20幀為例進行特征點的識別見圖7，并獲取輪心坐標，利用圖像坐標與實際坐標的轉(zhuǎn)換關(guān)系可求出特征點的實際坐標見表2。

圖7 44 s第20幀特征點識別圖

表2 用于車速計算的不同幀特征點坐標

3.2.4 車速計算

根據(jù)表1與表2中數(shù)據(jù)，并運用交通事故視頻車速鑒定標準中目標車輛直線行駛時的計算方法對甲車進行車速計算得出，根據(jù)本文特征點識別方法得出的特征點坐標，計算出甲車的車速為29.25 km/h。利用以人工方式識別特征點的方法計算出甲車的車速為30.14 km/h。而甲車的實際平均車速為29 km/h。經(jīng)比較，本文所提出的方法使誤差降低了3.07%。

4 結(jié)論

本文所提出的檢測區(qū)的選定原則，不僅能排除由于道路狀況（如凹凸不平，有遮擋物等）的干擾，而且能根據(jù)車輛的運動特點對檢測區(qū)進行擇優(yōu)選取。其次，利用MATLAB中特征點的提取技術(shù)自動識別車輪中心，提高了特征點的坐標標定精度。最后利用交通事故視頻車速鑒定標準來計算車速，分別運用本文所提出的特征點識別方法與傳統(tǒng)的特征點識別方法來對交通事故車輛的車速進行鑒定，鑒定結(jié)果表明，本文所提出的方法可以提高車速的鑒定精度。

[1] 邱冉冉. 基于監(jiān)控視頻圖像的交通事故車速計算方法研究[D]. 長春: 吉林大學, 2017.

[2] Xiao Xianbo. Vehicle Speed Detection based on video image processing[C]//International Conference on Computational Intelligence and Vehicular System. China: China Academic Journal Electronic Publishing House: IEEE. 2010: 323-325.

[3] Luvizon D C, Nassu B T ,Minetto R. A video-based system for vehicle speed measurement in urban roadways[J]. IEEE Trans on Intelligent Transportation Systems, 2017, 18(6): 1393-1404．

[4] Cathey F W, Dailey D J. A novel technique to dynamically measure vehicle speed using uncalibrated roadway cameras[C]//Proc of IEEE Intelligent Vehicles Symposium. Piscataway, NJ: IEEE Press, 2005: 777-782.

[5] 張重德, 張崇巍. 一種提高視頻車速檢測精度的方法[J].上海交通大學學報, 2010, 44(10): 1439-1443.

[6] 武非凡, 宋煥生, 戴喆, 等. 交通監(jiān)控場景下的相機標定與車輛速度測量[J]. 計算機應(yīng)用研究, 2020, 37(8): 2417-2421.

[7] 同志學, 趙濤, 賀利樂, 等. 基于雙目視覺的工程車輛定位與行駛速度檢測[J]. 中國機械工程, 2018, 29(4): 423-428.

[8] 賈常明.視頻方法鑒定車速問題研究[J]. 光學技術(shù), 2020, 46(5): 535-539.

[9] 劉虹伯. 基于視頻的道路交通事故分析方法研究[D]. 西安: 長安大學, 2019.

[10] 龔思宇. 基于平面模板的攝像機標定及相關(guān)技術(shù)研究[D]. 長沙: 湖南大學, 2017.

[11] 張萍. 基于MATLAB的汽車牌照自動識別技術(shù)研究[J].自動化技術(shù)與應(yīng)用, 2019, 38(11): 132-135.

[12] 楊杰, 占君, 周至清, 等. MATLAB圖像函數(shù)查詢使用手冊[M]. 北京: 電子工業(yè)出版社, 2017.

[13] 張強, 王正林. 精通MATLAB圖像處理[M]. 北京: 電子工業(yè)出版社, 2012.

[14] 代艷萍, 鄭彬, 張健. 基于光學相控陣的交通視頻圖像運動目標檢測方法[J]. 激光雜志, 2021, 42(7): 45-49.

[15] 許國洪, 劉宏飛. 道路交通事故分析與處理[M]. 北京:人民交通出版社, 2019.

Study on Vehicle Speed Estimation Method Based on Detection Area Calibration and Characteristic Point Identification

ZHAO Li-li1, ZHANG Li2, TANG Yang-shan1

（1. School of Automobile and Traffic Engineering, Liaoning University of Technology, Jinzhou 121001, China；2.Jinzhou Public Transport Co., Ltd, Jinzhou 121001, China）

In view of the shortcomings of the current manual calibration feature point such as large errors, a method for automatic identificationof feature points is proposed. Firstly, the appropriate detection area is set for camera calibration during photogrammetry, and secondly, image preprocessing, image segmentation, and morphological filtering processing (image expansion, opening operation) are used to remove noise to identify vehicle tires, and the function bwtraceboundary is used to obtain the tire boundary, and then obtain the corresponding parameters according to the various formulas of the circle, and find the radius of the tire. At the same time, its center is marked to mark the tire center point, and then accurately identify the tire center feature point and its coordinates. The actual coordinates of the feature points are determined through the coordinate conversion relationship, and finally the speed estimation is carried out by using the traffic accident video speed identification standard, so as to achieve the purpose of improving the speed measurement accuracy. Experimental results show that the error of the estimation result is reduced by 3.07% by using this method to estimate the vehicle speed.

detection area calibration; characteristic point identification; vehicle speed estimation

10.15916/j.issn1674-3261.2022.06.002

U491.3

A

1674-3261(2022)06-0357-05

2022-03-19

趙麗麗(1995-)，女，山西呂梁人，碩士生。

唐陽山(1972-)，男，遼寧鞍山人，教授，博士。

責任編輯：劉亞兵