一种基于视频压缩域的高速公路车辆测速方法与流程

1.本发明涉及一种基于机器视觉的检测方法，具体的说，涉及了一种基于视频压缩域的高速公路车辆测速方法。


背景技术：

2.随着社会的发展，当今的高速公路四通八达，为行车者带来了方便。但是在高速公路上超速的情况时有发生，超速是造成高速公路车祸的主要原因之一，这为行驶在高速公路的行车者带来了巨大的安全隐患。当前高速公路上有许多测速装置，用以检测超速这一违规事项的发生，包括电磁线圈测速、雷达测速以及激光测速等。这些测速装置需要与摄像设备配合，来检测车辆是否超速。这些测速方法不仅需要安装额外的设备，并且设备的安装以及维护费用比较高，所以产生了一种视频图像测速的新方法。它只需要摄像设备的支持，使用图像处理的办法计算车速，能应用在传统测速方法的场景中。
3.当前的视频图像测速方法有两类，一种是选择车辆的某一信息作为特征（如车牌）进行识别及跟踪；一种是规定图像中某一区域作为监测点，当有目标经过时进行测速。前者需要进行特征识别及匹配，虽然可以达到较高精度，但需要对视频完整解码，对整帧图像寻找车辆，计算复杂度大。后者虽然缩小了计算量，但是对于车辆进出边界的时间难以判定，会增加误差，减小精度，在大量车驶进区域的情况难以测量。
4.当前视频图像测速方法先在每一帧中找出车辆并记录车辆特征（如车牌，车型，颜色），然后通过特征找出同一辆车，记录该车在帧之间的位移，由此计算车辆速度。这样需要在视频帧中进行全局搜索车辆，由于现在监控视频有较高的分辨率，在整帧中全局搜索需要更高的计算力，会产生延迟高，不稳定等问题，而对车辆测速需要较稳定的实时性，以达到对超速车辆的警告或危险预警的目的。所以需要提供一种能对车辆进行快速搜索跟踪并计算其速度的方法，以解决现在由于全解码计算带来的延迟问题。


技术实现要素：

5.本发明的目的是针对现有技术的不足，提供一种基于视频压缩域的高速公路车辆测速方法。
6.为了实现上述目的，本发明所采用的技术方案是：本发明第一方面提供了一种基于视频压缩域的高速公路车辆测速方法，包括以下步骤：步骤1，从视频码流中提取运动矢量mv；步骤2，摄像头初始化：1）通过提取的运动矢量mv的积累拟合出道路区域函数f(x)，并将其作为感兴趣区域roi；2）通过dlt方法将摄像头像素坐标系映射为道路实际坐标系；3）学习摄像头可分析的最大车速；
步骤3，运动矢量mv预处理：清除不在感兴趣区域roi中的运动矢量mv，只对感兴趣区域roi中非零运动矢量mv的宏块处理；步骤4，时空域检测运动目标：根据车辆运动是连续且平滑的特性判断在感兴趣区域roi中的非零宏块是否为运动目标，并以此设置一个阈值来确定当前待测宏块mb
c
是否为运动车辆的宏块mbreal；步骤5，标记运动目标：对当前帧标记为运动车辆的宏块mbreal进行合并，空间邻近的归为一类，若发现类内运动矢量mv差异过大，则通过类内运动矢量mv聚类继续细分为多类；将所有车辆的mbreal通过矩形目标框标记，并记录目标框的长宽以及重心为框内车辆位置，并将目标框中的所有mbreal的运动矢量mv融合投影形成能代表框内车辆运动状况的单一运动矢量mvreal；步骤6，运动目标追踪：设cmvreal为当前帧的投影mv，nmvreal为下一帧投影mv；对当前帧所有目标框的cmvreal与下一帧目标框的nmvreal进行匹配，选择两者相似度高的作为匹配对象集合a，在a中判断两者目标框的长宽差异，选择最为相近的作为匹配对象集合b，在b中选择两者目标框位置最为相近的作为跟踪目标，同时声明追踪成功；步骤7，计算速度：通过步骤6得到的跟踪目标框，计算当前目标框与跟踪目标框的像素位移，通过帧率得到时间，从而算出像素位移速度；通过步骤2得到的像素位移转换，计算出实际位移速度，最终得到车速。
7.基于上述，在视频码流中提取运动矢量mv时，将宏块大小归一化为4*4，非4*4的宏块拆分成n个4*4的宏块，拆分后的宏块使用原有的mv大小。
8.基于上述，学习摄像头可分析的最大车速v
max
的方法为：车辆在第一帧进入摄像头，第二帧驶出摄像头，由摄像头拍摄区域的距离及一帧内时间计算得出最大车速v
max
。
9.基于上述，步骤4中时空域检测运动目标包括：步骤a、空域处理：根据当前待测宏块mb
c
的8邻域是否存在运动矢量mv来确定该宏块是否为孤立点，若其邻域存在5个以上的宏块都有非零运动矢量mv，则认为此宏块为非孤立点，否则认为其为孤立点，将该宏块运动矢量mv置零；步骤b、时域处理：令宏块mbc为待分析宏块，mvc为其运动矢量mv；mbref为宏块mb
c
投影至参考帧中的宏块，mvref为其运动矢量mv；将步骤a处理后的宏块mb
c
进行如下处理：将待分析宏块mbc与对应mvc合成逆向投影到参考帧上生成mbref，则mbref至多与参考帧四个块重叠，将四个重叠块的mv按重叠面积加权计算mvref大小，并与mvc比较，若相似则认为mbc及其对应mvc真实反映一个运动车辆，将mbc标记为mbreal。
10.本发明第二方面提供一种摄像头，部署在高速公路上用于车辆测速，其特征在于：车辆测速的方法采用所述的基于视频压缩域的高速公路车辆测速方法。
11.本发明相对现有技术具有突出的实质性特点和显著进步，具体的说，本发明具备以下有益效果：
1、仅使用运动矢量mv进行分析，不涉及其他压缩域参数，避免使用不同标准下拥有的特殊参数；2、通过运动矢量mv学习道路信息，排除非道路信息，减少处理量；3、考虑运动矢量mv大小和方向的差异，提高物体跟踪准确性，并且能根据道路更改对应权重。
12.4、摄像头初始化过程中学习了道路区域，在后续的数据处理和识别中能够排除大量的非道路区域信息，大大降低数据量和处理复杂度。
附图说明
13.图1是本发明方法中通过积累mv得到感兴趣区域roi示意图。
14.图2是本发明方法中当前帧投影到参考帧示意图。
具体实施方式
15.下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
16.实施例1如图1
‑
2所示，本实施例提供了一种基于视频压缩域的高速公路车辆测速方法，包括以下步骤：步骤1，从视频码流中提取运动矢量mv；提取时，将宏块大小归一化为4*4，非4*4的宏块拆分成n个4*4的宏块，拆分后的宏块使用原有的mv大小。
17.步骤2，摄像头初始化：1）通过提取的运动矢量mv的积累拟合出道路区域函数f(x)，并将其作为感兴趣区域roi，去除非关注物体带来的影响；2）通过dlt方法将摄像头像素坐标系映射为道路实际坐标系；3）学习摄像头可分析的最大车速；假设车辆在第一帧进入摄像头，第二帧驶出摄像头，车辆速度即为最大车速v
max
。由摄像头拍摄区域的距离及一帧内时间即可计算得出最大车速v
max。
所有小于v
max
的运动物体均可由摄像头在2帧以上记录到运动状况，即可通过本发明方法估计其运动速度及完成追踪。
18.步骤3，运动矢量mv预处理：清除不在感兴趣区域roi中的运动矢量mv，只对感兴趣区域roi中非零运动矢量mv的宏块处理。
19.步骤4，时空域检测运动目标：根据车辆运动是连续且平滑的特性判断在感兴趣区域roi中的非零宏块是否为运动目标，并以此设置一个阈值来确定当前待测宏块mb
c
是否为运动车辆的宏块mbreal；具体的，时空域检测运动目标包括：步骤a、空域处理：根据当前待测宏块mb
c
的8邻域是否存在运动矢量mv来确定该宏块是否为孤立点，若其邻域存在5个以上的宏块都有非零运动矢量mv，则认为此宏块为非孤立点，否则认为其为孤立点，将该宏块运动矢量mv置零；
步骤b、时域处理：令宏块mbc为待分析宏块，mvc为其运动矢量mv；mbref为宏块mb
c
投影至参考帧中的宏块，mvref为其运动矢量mv；将步骤a处理后的宏块mb
c
进行如下处理：将待分析宏块mbc与对应mvc合成逆向投影到参考帧上生成mbref，则mbref至多与参考帧四个块重叠，将四个重叠块的mv按重叠面积加权计算mvref大小，并与mvc比较，若相似则认为mbc及其对应mvc真实反映一个运动车辆，将mbc标记为mbreal；上述计算方法可表述如下：mbref=mbc
‑
mvc/kmvc/k其中，si表示参考帧中宏块i与投影mbref的重叠面积mvi表示宏块i的mv ；k为反映mv不同像素精度的系数，即将mv转换为基于像素大小的矢量；th为验证mvc与mvref是否相近的阈值。
20.步骤5，标记运动目标：对当前帧标记为运动车辆的宏块mbreal进行合并，空间邻近的归为一类，若发现类内运动矢量mv差异过大，则通过类内运动矢量mv聚类继续细分为多类；将所有车辆的mbreal通过矩形目标框标记，并记录目标框的长宽以及重心为框内车辆位置，并将目标框中的所有mbreal的运动矢量mv融合投影形成能代表框内车辆运动状况的单一运动矢量mvreal；步骤6，运动目标追踪：设cmvreal为当前帧的投影mv，nmvreal为下一帧投影mv；对当前帧所有目标框的cmvreal与下一帧目标框的nmvreal进行匹配，选择两者相似度高的作为匹配对象集合a，在a中判断两者目标框的长宽差异，选择最为相近的作为匹配对象集合b，在b中选择两者目标框位置最为相近的作为跟踪目标，同时声明追踪成功；具体的，设s为相似度，运动目标追踪的计算方法如下:具体的，设s为相似度，运动目标追踪的计算方法如下:具体的，设s为相似度，运动目标追踪的计算方法如下:具体的，设s为相似度，运动目标追踪的计算方法如下:其中，eucl为欧几里得距离，用以判断向量间距离，对绝对距离敏感，cos为余弦相似度，用以判断向量间夹角，对变化趋势敏感。两者结合用以判断向量间在绝对距离和变化趋势上的差异。α与β为两者的权重，α与β可以通过步骤2得到的道路信息进行更新，通过步骤2得到的道路拟合函数f(x)，分段求f(x)的导数，导数越大证明道路曲线越弯曲，车辆行
驶的方向也随之改变，余弦相似度会增大误差，这时欧几里得距离占相似度主要成分，需要加大α降低β。反之亦然。
21.步骤7，计算速度：通过步骤6得到的跟踪目标框，计算当前目标框与跟踪目标框的像素位移，通过帧率得到时间，从而算出像素位移速度；通过步骤2得到的像素位移转换，计算出实际位移速度，最终得到车速。
22.实施例2本实施例提供一种摄像头，部署在高速公路上用于车辆测速，车辆测速的方法采用实施例1所述的基于视频压缩域的高速公路车辆测速方法。
23.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。