本發(fā)明涉及一種車速識別技術(shù)。

背景技術(shù)：

智能交通系統(tǒng)以及交通智能管理技術(shù)已成為近來的研究熱點，車輛跟蹤是基于視頻技術(shù)的智能交通檢測系統(tǒng)的關(guān)鍵技術(shù)之一。視頻的目標(biāo)跟蹤是對視頻序列中目標(biāo)的時空變化進行監(jiān)控，包括位置和大小等。在一段交通視頻中，若想獲得特定的某輛車的一些交通參數(shù)和特征，就必須將它與同幀圖像中檢測到的其他車輛區(qū)別開。常用的基于視頻的跟蹤方法主要有模板匹配、基于特征的跟蹤、基于區(qū)域匹配的跟蹤和Kalman濾波器預(yù)測等方法。

目前，智能交通系統(tǒng)中對車輛進行測速的方法主要有線圈測速、激光測速、雷達測速、視頻測速等。線圈測速多為埋設(shè)式,車輛通過線圈時,會引起線圈磁場變化,檢測器依此計算出車輛速度,線圈在安裝或維護時必須直接埋入車道,容易使路面受損,且安裝過程中會暫時阻礙交通,線圈也易受到冰凍、路基下沉等因素的影響。當(dāng)車流擁堵時,檢測精度會大大降低。激光測速的工作原理是建立在光波測距的基礎(chǔ)上,利用對運動物體的多次測距與時間之比,得出其運動速度。雷達測速采用了多普勒雷達體制,當(dāng)發(fā)射源和接收者之間有相對徑向運動時,接收到的信號頻率將發(fā)生變化。激光測速與雷達測速方法對測速的角度要求都非常高,在實際運用中存在一定局限。視頻測速利用車輛跟蹤的結(jié)果，結(jié)合相機坐標(biāo)到大地坐標(biāo)的轉(zhuǎn)換以及視頻幀率實現(xiàn)對每個車輛速度的測量。相比之下視頻測速所需設(shè)備更簡單，所受限制更少。

但是視頻測速也存在以下兩個問題，一、由于視頻數(shù)據(jù)和算法的限制，所以對車速的檢測精度仍然較低；二、由于如果監(jiān)控設(shè)備位置發(fā)生變化，或者由光線引起的其他變化，現(xiàn)有的算法，對該種變化的適應(yīng)性較低。

技術(shù)實現(xiàn)要素：

本發(fā)明的第一目的在于，提供一種環(huán)境適應(yīng)度和精度較高一種基于監(jiān)控視頻的車速識別方法；

本發(fā)明的第二目的在于，提供一種環(huán)境適應(yīng)度和精度較高一種基于監(jiān)控視頻的車速識別系統(tǒng)；

本發(fā)明所解決的技術(shù)問題可以采用以下技術(shù)方案來實現(xiàn)：一種基于監(jiān)控視頻的車速識別方法，

步驟1，獲取視頻序列圖像；

步驟2，從視頻序列圖像中確定車道線的位置，并根據(jù)車道線的位置劃分車道，每一車道線均包括有若干相間的車道線段和間隔線段，任意的車道線段和間隔線段之間形成間隔點；

步驟3，獲取一車輛在圖像中起點和終點的位置；

步驟4，計算所述起點與所述終點之間的橫向距離Sx，以及計算所述起點與所述終點之間的縱向距離Sy；

步驟5，計算實際距離S=（Sx²+Sy²）^1/2；

步驟6，獲得所述起點所在圖像和所述終點所在圖像的間隔時間T，計算車速V=S/T。

通過這樣設(shè)置，首先通過對視頻圖像的獲取，因為在道路中勢必存在車道線，而車道線一般為虛線線段，虛線線段就包括實線的車道線段以及斷開的間隔線段，通過圖像識別技術(shù)算法將線段識別，而每個監(jiān)控裝置安裝時就可以實地測量車道實際寬度、車道線段長度以及間隔線段長度，通過這三個長度的設(shè)置，從而計算起點和終點的位移距離，起點和終點技術(shù)通過車輛識別技術(shù)識別車輛，取車輛中心點作為起點和終點的位置，而通過已知線長以及道路寬度計算位移距離，較為精確，可以減小因成像造成的誤差，同時，這樣設(shè)置，對環(huán)境的適應(yīng)度較高，保證處理效果。

進一步的，步驟4中，通過算法一計算所述橫向距離Sx；

算法一：分別就起點和終點確定距離最近的車道線并計算兩車道線之間的車道數(shù)量n1，Sx=n1*D1，其中D1為車道的實際寬度。

進一步的， 步驟4中，通過算法二計算縱向距離Sy；

算法二：以任意一條車道線為基準(zhǔn)車道線，起點與基準(zhǔn)車道線做垂線令垂足為交點一，終點與基準(zhǔn)車道線做垂線令垂足為交點二，以車道線段和間隔線段為基準(zhǔn)求交點一到交點二的距離得到縱向距離Sy。

進一步的，所述步驟4的算法二中，以距離起點或終點最近的一條車道線為基準(zhǔn)車道線。

進一步的，所述步驟4的算法二中，以距離終點最近的一條車道線為基準(zhǔn)車道線。

進一步的，算法二中，在基準(zhǔn)車道線上選取間隔點一和間隔點二，L1為交點一到間隔點一的距離，L2為交點二到間隔點二的距離,L3=n2*D2+n3*D3；n2為隔點一和隔點二之間完整的車道線段數(shù)量，D2為車道線段實際長度，n3為隔點一和隔點二之間完整的間隔線段數(shù)量，D3為間隔線段實際長度，通過L1、L2、L3求出縱向距離Sy。

進一步的，算法二中，通過起點所在圖像計算起點到間隔點一的距離以及起點到交點一的距離，并根據(jù)勾股定理求間隔點一到交點一的距離L1，通過終點所在圖像計算終點到間隔點二的距離以及終點到間交點二的距離并根據(jù)勾股定理求間隔點二到交點二的距離L2；或算法二中，間隔點一為交點一向交點二方向上第一個間隔點；間隔點二為交點二向交點一方向上的第一個間隔點，Sy=L1+L2+L3。

為了實現(xiàn)本發(fā)明的第二目的，提供一種監(jiān)控視頻系統(tǒng)，包括若干監(jiān)控裝置，監(jiān)控裝置通過上述的一種技術(shù)監(jiān)控視頻的車速識別方法判斷車速。

進一步的，所述監(jiān)控視頻系統(tǒng)通過車數(shù)識別方法判斷每一監(jiān)控裝置的監(jiān)控區(qū)域內(nèi)的車輛數(shù)，所述車數(shù)識別方法包括

圖像獲取步驟，獲取視頻圖像序列并根據(jù)車輛識別算法識別圖像序列中的車輛得到車輛圖像，根據(jù)每一視頻圖像序列中的車輛圖像以及車輛圖像內(nèi)的特征值建立車輛數(shù)據(jù)序列；

目標(biāo)序列生成步驟，將第一時刻的車輛數(shù)據(jù)序列作為目標(biāo)數(shù)據(jù)序列，將目標(biāo)數(shù)據(jù)序列中的每一車輛圖像與車輛數(shù)據(jù)序列中的車輛圖像分別進行特征值比對，若一車輛圖像與對應(yīng)序列中的任一車輛圖像的特征值的重復(fù)率大于預(yù)設(shè)值則判斷為該車輛圖像配對，若一車輛圖像與對應(yīng)序列中的所有車輛圖像的特征值的重復(fù)率小于預(yù)設(shè)值，則判斷為該車輛圖像不配對；一次比對中，若車輛數(shù)據(jù)序列中的車輛圖像被判斷為不配對，則將該車輛圖像以及車輛圖像內(nèi)的特征值錄入目標(biāo)數(shù)據(jù)序列中；每一目標(biāo)數(shù)據(jù)序列中的車輛圖像分別設(shè)置有預(yù)設(shè)次數(shù)，連續(xù)的多次比對中，若目標(biāo)數(shù)據(jù)序列中的車輛圖像被判斷為不配對的次數(shù)超過所述預(yù)設(shè)次數(shù)，則將該車輛圖像移出目標(biāo)數(shù)據(jù)序列；

數(shù)量判斷步驟，將第一個目標(biāo)數(shù)據(jù)序列中車輛圖像的數(shù)量作為初始數(shù)量，每次有新的車輛圖像錄入目標(biāo)數(shù)據(jù)序列中時，則車輛數(shù)量加一。

進一步的，目標(biāo)序列生成步驟中，任意一次比對中，若目標(biāo)數(shù)據(jù)序列中的車輛圖像被判斷為配對，則預(yù)設(shè)次數(shù)重置。而如果被遮擋一次重復(fù)出現(xiàn)的車輛，直接進入判斷，避免車輛未離開區(qū)域時，被多次遮擋。

進一步的，還包括違章判斷模塊或路況判斷模塊；

所述違章判斷模塊包括第一預(yù)設(shè)車速，當(dāng)所述任意車輛的車速大于預(yù)設(shè)車速時，則判斷該車輛違章；

所述路況判斷模塊包括第二預(yù)設(shè)車速和第一預(yù)設(shè)車輛數(shù)，一定時間內(nèi)，所有車輛的平均車速小于第二預(yù)設(shè)車速同時經(jīng)過的車輛數(shù)小于第一預(yù)設(shè)車輛數(shù)時，判斷此時路況擁堵。通過兩種判斷方式進行判斷，無需人為干涉，減少人力成本。

有益效果：由于采用以上技術(shù)方案，完全無需人為干涉的情況下，實現(xiàn)城市道路車輛監(jiān)控方法的解決途徑，旨在利用計算機視覺技術(shù)對道路車輛進行跟蹤、計數(shù)及測速，同時測速算法適應(yīng)性高保證效果，實現(xiàn)交通狀況（如擁堵情況）分析，違規(guī)現(xiàn)象提示等功能。

附圖說明

圖1為本發(fā)明車速識別方法距離計算的原理圖；

圖2為本發(fā)明監(jiān)控視頻系統(tǒng)拓撲圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

需要說明的是，在不沖突的情況下，本發(fā)明中的實施例及實施例中的特征可以相互組合。

下面結(jié)合附圖和具體實施例對本發(fā)明作進一步說明，但不作為本發(fā)明的限定。

本發(fā)明所解決的技術(shù)問題可以采用以下技術(shù)方案來實現(xiàn)：

實施例1-1如下所述，一種基于監(jiān)控視頻的車速識別方法，

步驟1，獲取視頻序列圖像；

步驟2，從視頻序列圖像中確定車道線的位置，并根據(jù)車道線的位置劃分車道，每一車道線均包括有若干相間的車道線段和間隔線段，任意的車道線段和間隔線段之間形成間隔點；

步驟3，獲取一車輛在圖像中起點和終點的位置；

步驟4，根據(jù)步驟3中獲得的起點和終點位置，通過算法一計算橫向距離Sx，通過算法二計算縱向距離Sy，

算法一：分別就起點和終點確定距離最近的車道線并計算兩車道線之間的車道數(shù)量n1，Sx=n1*D1，其中D1為車道的實際寬度；

算法二：以任意一條車道線為基準(zhǔn)車道線，起點與基準(zhǔn)車道線做垂線令垂足為交點一，終點與基準(zhǔn)車道線做垂線令垂足為交點二，以車道線段和間隔線段為基準(zhǔn)求交點一到交點二的距離得到縱向距離Sy；以距離起點或終點最近的一條車道線為基準(zhǔn)車道線。

所述步驟4的算法二中，以距離終點最近的一條車道線為基準(zhǔn)車道線。

參照圖1所示，算法二中，在基準(zhǔn)車道線上選取間隔點一和間隔點二，L1為交點一到間隔點一的距離L2為交點二到間隔點二的距離,L3=n2*D2+n3*D3;n2為隔點一和隔點二之間完整的車道線段數(shù)量，D2為車道線段實際長度，n3為隔點一和隔點二之間完整的間隔線段數(shù)量，圖中，完整的間隔線段數(shù)量為三個，完整的車道線段數(shù)量為兩個，D3為間隔線段實際長度，通過L1、L2、L3求出縱向距離Sy。通過起點所在圖像計算起點到間隔點一的距離以及起點到交點一的距離并根據(jù)勾股定理求間隔點一到交點一的距離L1，通過終點所在圖像計算終點到間隔點二的距離以及終點到間交點二的距離并根據(jù)勾股定理求間隔點二到交點二的距離L2。間隔點一為交點一向交點二方向上第一個間隔點；間隔點二為交點二向交點一方向上的第一個間隔點，Sy=L1+L2+L3。

步驟5，計算實際距離S=（Sx²+Sy²）^1/2；

步驟6，獲得起點所在圖像和終點所在圖像的間隔時間T，計算車速V=S/T。

通過這樣設(shè)置，首先通過對視頻圖像的獲取，因為在道路中勢必存在車道線，而車道線一般為虛線線段，虛線線段就包括實線的車道線段以及斷開的間隔線段，通過圖像識別技術(shù)算法將線段識別，而每個監(jiān)控裝置安裝時就可以實地測量車道實際寬度、車道線段長度以及間隔線段長度，通過這三個長度的設(shè)置，從而計算起點和終點的位移距離，起點和終點技術(shù)通過車輛識別技術(shù)識別車輛，取車輛中心點作為起點和終點的位置，而通過已知線長以及道路寬度計算位移距離，較為精確，可以減小因成像造成的誤差，同時，這樣設(shè)置，對環(huán)境的適應(yīng)度較高，保證處理效果。

實施例1-2中，與實施例1-1的不同之處在于對間隔點的識別，為了減少誤差，可以對間隔點一和間隔點二位置的獲取為離交點一和交點二最近的間隔點，而通過同樣的方式計算間隔點到交點的距離，而如果間隔點在兩交點之外，則通過減法減去該距離，反之，則增加該距離，獲得兩交點的距離。

實施例1-3中，通過比例計算交點至間隔點的位置，交點肯定在車道線段或者間隔線段中，所以圖中交點所在線段長度可以通過計算得出，這樣就可以算出交點到間隔點占總長度的比例關(guān)系，這樣一來，將線段實際長度乘以比例關(guān)系，就可以得到交點的長度，可以作為勾股定理求長的替代算法。

實施例2中，參照圖2所示，一種監(jiān)控視頻系統(tǒng)，包括若干監(jiān)控裝置，監(jiān)控裝置通過上述的一種技術(shù)監(jiān)控視頻的車速識別方法判斷車速。監(jiān)控裝置優(yōu)選安裝于道路的正上方，方便識別。

監(jiān)控視頻系統(tǒng)通過車數(shù)識別方法判斷每一監(jiān)控裝置的監(jiān)控區(qū)域內(nèi)的車輛數(shù)，所述車數(shù)識別方法包括

圖像獲取步驟，獲取視頻圖像序列并根據(jù)車輛識別算法識別圖像序列中的車輛，根據(jù)每一時刻圖像序列中的車輛以及車輛的特征值建立車輛數(shù)據(jù)序列；我們提出基于計算機視覺的智能車輛監(jiān)控方法，該方法采用固定位置的相機獲取視頻數(shù)據(jù)，用背景建模法檢測運動目標(biāo)，再結(jié)合ACF + AdaBoost級聯(lián)分類器從運動目標(biāo)中檢測出車輛，最后用KCF算法跟蹤車輛目標(biāo)。以上為車輛計數(shù)和測速的基礎(chǔ)。利用計數(shù)和測速結(jié)果，我們可以估計視頻中道路的交通狀況，是否有超速等違章現(xiàn)象，實現(xiàn)智能監(jiān)控的目的。具體做法如下：

一、利用安裝在路燈頂部的相機對斜下視范圍內(nèi)的道路進行視頻監(jiān)控，獲取視頻數(shù)據(jù)。為了消除風(fēng)吹、大型車輛經(jīng)過引起地面震動等對相機拍攝范圍的影響，我們對每幀圖像做如下處理：選取實際拍攝范圍中距成像平面邊緣較遠的固定標(biāo)志物，如公交站牌，作為拍攝范圍變化的參照物；選取略小于實際成像平面的矩形作為實際處理區(qū)域；根據(jù)參照物在圖像中的位置來調(diào)整矩形的位置，以此來確保實際處理區(qū)域相對參照物無變化。

二、對已做穩(wěn)像處理的視頻數(shù)據(jù)進行背景建模，此處采用混合高斯模型，可以較快從原始圖像中分離出背景像素。分離出背景像素后，即可獲得視頻中的運動目標(biāo)，此時不能判斷運動目標(biāo)是否是車輛，有可能是行人、自行車等。利用ACF + AdaBoost分類器，對運動目標(biāo)進行檢測，即可區(qū)分出每一輛車，并用計數(shù)變量對其做唯一的標(biāo)記和存儲到車輛隊列。

目標(biāo)序列生成步驟，將第一時刻的車輛數(shù)據(jù)序列作為目標(biāo)數(shù)據(jù)序列，將目標(biāo)數(shù)據(jù)序列中的每一車輛與車輛數(shù)據(jù)序列中的車輛分別進行特征值比對，若一車輛與對應(yīng)序列中的任一車輛的特征值重復(fù)率大于預(yù)設(shè)值則判斷為配對，若一車輛與對應(yīng)序列中的所有車輛的特征值重復(fù)率小于預(yù)設(shè)值，則判斷為不配對；一次比對中，若車輛數(shù)據(jù)序列中的車輛被判斷為不配對，則將該車輛錄入目標(biāo)數(shù)據(jù)序列中；每一目標(biāo)數(shù)據(jù)序列中的車輛分別設(shè)置有預(yù)設(shè)次數(shù)，連續(xù)的多次比對中，若目標(biāo)數(shù)據(jù)序列中的車輛被判斷為不配對的次數(shù)超過預(yù)設(shè)次數(shù)，則將該車輛移出目標(biāo)數(shù)據(jù)序列；目標(biāo)序列生成步驟中，任意一次比對中，若目標(biāo)數(shù)據(jù)序列中的車輛被判斷為配對，則預(yù)設(shè)次數(shù)重置。而如果被遮擋一次重復(fù)出現(xiàn)的車輛，直接進入判斷，避免車輛未離開區(qū)域時，被多次遮擋。

數(shù)量判斷步驟，將第一個目標(biāo)數(shù)據(jù)序列中車輛的數(shù)量作為初始數(shù)量，每次有新的車輛錄入目標(biāo)數(shù)據(jù)序列中時，則車輛數(shù)量加一。首先，通過特征值配對的方式進行判斷重復(fù)車輛，保證車輛不會重復(fù)計數(shù)，而通過對一定時間內(nèi)的車輛數(shù)量判斷存在一定的問題，由于車輛在行駛過程中可能出現(xiàn)遮擋導(dǎo)致特征值配對不成功，所以需要設(shè)置一預(yù)設(shè)次數(shù)，當(dāng)一定次數(shù)都未檢測到目標(biāo)車輛時，才將該車輛移出目標(biāo)序列，這樣一來，目標(biāo)序列總數(shù)量則為一定時間內(nèi)的車輛數(shù)量。

還包括違章判斷模塊或路況判斷模塊；

違章判斷模塊包括第一預(yù)設(shè)車速，當(dāng)所述任意車輛的車速大于預(yù)設(shè)車速時，則判斷該車輛違章；

路況判斷模塊包括第二預(yù)設(shè)車速和第一預(yù)設(shè)車輛數(shù)，一定時間內(nèi)，所有車輛的平均車速小于第二預(yù)設(shè)車速同時經(jīng)過的車輛數(shù)小于第一預(yù)設(shè)車輛數(shù)時，判斷此時路況擁堵。通過兩種判斷方式進行判斷，無需人為干涉，減少人力成本。

以上所述僅為本發(fā)明較佳的實施例，并非因此限制本發(fā)明的實施方式及保護范圍，對于本領(lǐng)域技術(shù)人員而言，應(yīng)當(dāng)能夠意識到凡運用本發(fā)明說明書及圖示內(nèi)容所作出的等同替換和顯而易見的變化所得到的方案，均應(yīng)當(dāng)包含在本發(fā)明的保護范圍內(nèi)。