英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
1.介绍
车速测量是交通监控系统的关键组成部分之一。提供的数据可以使用于交通管理和执法。速度测量系统可分为两大类论他们的方法论是主动的还是被动的。主动系统测量发送的信号如何受到通过车辆以估计车速，例如基于感应线圈回路的传感器系统、雷达或激光。然而，其中一些系统价格昂贵，需要大量校准或维护。被动和主动传感器之间往往互补性很好，在本研究中，我们主要关注无源光学视频系统。基于视频由于摄像机和计算机设备的技术进步，系统变得越来越受欢迎变得更加高效、可用和可靠。此外，这些系统的合理成本效益使它们与传统方法竞争激烈。基于视频的速度测量系统分析连续的视频帧，以便跟踪车辆，从而测量其速度。为了实现这一目标，人们采用了各种图像处理和模式识别方法。主要假设是车辆在检测过程中的速度是恒定的，并且摄像机是面向现场的。一种常用的技术是前景/背景分割，它可以提取出运动目标将车辆作为一个整体，以便在连续帧中估计其速度。分割主要是基于像素的，采用高斯，GMM（高斯混合模型）和核密度或基于区域的方法，如统计SCSM（Circular Shift Moments），它考虑空间相关性来确定视频帧中的前景。这个使用斑点区域或位移的直接斑点分析方法对阴影和突然光照敏感，并且需要一个稀疏区域，以便在几个连续的帧中进行分割。为了直接跟踪运动车辆的边缘等特征，人们提出了多种速度测量方法以及角落。这里的主要挑战是找到和跟踪代表车辆和通过检测同一道路平面上的特征来获得更精确的结果。然后以像素为单位的位移被旋转进入正确的现实世界几何位移以计算速度。已经使用光流算法在许多应用中，用于场景中点子集的运动估计。LK（Lucas–Kanade）算法，Horn–Schunck算法和Farnebauml;ck多项式展开算法是用于生成光流[17]。基于特征的方法在阴影（即跟踪车辆）方面更为稳健和有效在充满挑战的照明条件下。应该注意的是，几何测量的特征提取，与识别，通常需要高分辨率的图像。此外，还引入了一些方法来跟踪基于内核和局部函数的对象，例如作为密度分布和图像补丁。Mean Shift和Camshift（连续自适应Mean Shift）算法是用于跟踪在连续帧中其大小可能改变的对象的流行技术之一。在包含运动对象的窗口下，收敛到分布的局部最大值的过程在每个窗口中继续连续帧以便跟踪视频中的对象。这些方法适用于跟踪距离摄像机较远且对比度较高的车辆；否则，可能很难获得几何正确的位移是的。还有一些方法结合了以上几种技术来估计车辆的速度沿着道路行驶，例如通过跟踪车牌区域。这些方法需要至少两个包含移动的车辆。然后，基于各种方法检测车牌区域，例如自适应阈值、先验大小和形状等的边界。最后，根据通过跟踪至少两帧中的车牌区域或其特征。当使用校准相机时，可以使用投影变换（反向透视映射）来获得更精确的结果。这些方法需要特定的摄像机为了能够正确地检测出车牌区域，需要高分辨率的定位和图像。另外假设所有车辆的牌照与地面高度相同。从以上相关工作的回顾可以看出，由于透视失真，像素图像中的位移量与实词的几何位移量不同。因此，对于基于特征的跟踪方法，逆透视映射应该应用于包含特征的平面（而不一定应用于地面）。因此，没有整个系统的3D模型，可能是不可避免的来源。由于透视失真引起的误差。此外，任何模型都必须考虑摄像机，入侵线的位置，车辆的速度和其他处理这些的不确定性测量。本文提出了一种利用摄像机帧速率、入侵线位置等信息进行速度估计的方法以及运动模式向量，以提供车辆速度的pdf（概率密度函数）模型。这个模型不依赖于摄像机的参数，只需要少量的参考点及其相对位置以获得与实际几何位移的精确关系。对该方法的概念的证明进行了评估一个现成的手持式摄像机和一个使用不同各种照明和交通条件下的帧速率。包含车速的地面真实数据集使用配备GPS（全球定位系统）的汽车获得。此外，还对结果进行了讨论和评估各自的交通环境和交通规则。这项工作的主要动机是提出一个基于视觉的速度测量系统，可以覆盖大面积或与雷达等主动传感器相比，多车道道路的安装和维护成本最低。作为另一个动机，所提出的模型仅利用几个参数就能精确地测量车辆的速度计算复杂度低。
本文的主要贡献如下：
bull;在基于视频的系统中解析地处理影响速度测量的参数，以及
bull;建立一个综合数学模型，以获得视频。
论文的其余部分安排如下。提出的速度模型及其实现方法测量系统见第2节。第三节给出了实验结果并进行了讨论。最后论文在第四节结束。
2、准备采用的方法
在本节中，引入了一个模型，以考虑导致速度不确定性的主要参数测量系统。该检测系统基于一个场景，其中有多条入侵线路，它们的相关知识在现实世界中的定位和经过的车辆（见图1）。假设车辆通过时速度恒定由于测量场景的长度很短（几米）。然后，所提出的模型生成基于检测到的运动模式向量的车辆速度。这种系统的实现在后面描述在本节中。使用入侵线并将事件存储在模式向量中对于内存和计算复杂性。
2.1速度估计模型
入侵检测是一种用于确定对象何时越过虚拟线并进入感兴趣区域的方法。对于基于视频的观测，由于时间采样率的原因，对象的位置是在离散位置获取的。这个检测到的离散位置之间的采样间隔等于相机的采样时间。因此，入侵不能准确地在测线处被检测到，但在检测距离（m）内。探测距离与摄像机的采样时间T（s）和车辆的假设速度v（m/s），
Delta; = Tv. (1)
换句话说，检测距离与车速成正比，与摄像机的帧速率。车辆出现在第一条侵入线之后的初始位置（起点）x1（m）假设是随机的。在多条入侵线路的情况下，为了成功检测，车辆应落在与每个连续入侵线路相关联的检测距离。本文提出了一种基于运动模式的超车速度pdf计算模型矢量。因此，M侵入线（Mge;2）应放置在固定摄像机的接收视频帧上，以便在现实世界中，它们之间的相对距离是已知的。因此，入侵车辆被检测到一旦它在特定的帧索引处穿过每一行。模型的主要输入是运动模式向量n=[n0，nMminus;1]isin;N，入侵线的距离向量d=[d0，dM-1]isin;R 0，定义为，
nm = fm 1 minus; f1, (2)
dm = lm 1 minus; l1, (3)
其中misin;{0。，Mminus;1}，M是入侵线路数，fm 1是检测时的视频帧索引号发生，并且lm 1（m）是入侵线在实际坐标系中的位置（参见图2）。如前所述先前，假设入侵线在距离向量d中的相对位置和相机帧速率为1/T，则车辆可以出现在第一条入侵线之后的任何点内。因此，起点与第一次侵入的距离delta;直线未知（随机），且不大于可能的最大探测距离，其中0le;delta;le;。然而在下列检测距离内的车辆位置xm可以通过知道起始点x1、帧速率，入侵线的距离向量和车辆的速度。在这一阶段，我们将介绍两组可能的位置，这些位置演示了由帧速率为1/T的摄像机观察到的具有假设速度v的车辆沿行驶路径出现的位置：
bull;首先，根据入侵线d的距离向量计算一组可能的位置。这些位置指示以假设速度行驶的车辆应出现的检测距离，以满足入侵线的真实距离向量（见图3（a））。
bull;第二，根据检测到的运动模式向量n计算一组可能的位置。这些位置表示车辆以假设速度行驶时应出现的检测距离，以满足运动模式向量（见图3（b））。
有效检测的必要（但不是充分）条件是两组可能的重叠位置对于每个入侵线路的所有检测距离。例如，该方法在一个简单的场景中概述，其中有四个图3中的侵入线。第一行显示根据入侵线d，然后是假设速度v的检测距离。在第二行，可能的位置基于运动模式矢量n和相同的假设速度v。delta;与因为它们的初始检测条件是相同的。因此，两组可能位置的第一距离重叠是完整的。剩余距离重叠是（a）的可能位置间隔的交点和（b）（见图3（c））。此外，在所有距离重叠之间应该有一个公共区域（见图4），因为集合根据运动模式向量、相机帧速率和车辆假设的恒定速度。换句话说，入侵线的检测距离实际上不是连续的但如果运动模式向量n为满意的。因此，如果它们之间的间隔不违反运动模式，则距离重叠是有效的矢量。所有距离重叠的公共区域通过
(4)
其中misin;{0，1。，M-1}和g（v | n，d）是距离重叠的公共区域。PDF是用
(5)
(6)
综上所述，所介绍的数学模型能够提供基于车辆速度的pdf关于输入参数。输入参数为摄像机采样时间T、入侵线距离向量d和运动模式向量n。系统的学习阶段主要基于T和d，它们仅计算一开始就有一次。剩余的参数n是在每辆车通过时实时计算的；因此模型立即计算车辆的速度。
2.2.速度估计系统的实现
如前所述，运动模式向量n是一组视频帧索引差异，即帧的数目在连续入侵线的检测之间。因此，每个入侵线路都需要一个检测系统，以便确定进入特定探测距离的车辆。一是道路特色鲜明对测量区域的接收视频帧进行选择并提取相应的关键点。那么提取的关键点在连续的帧中被跟踪，以便检测区域中的任何运动或位移。
2.2.1. 运动检测器
运动检测器算法的理想输出是一些速度或位移估计向量，这些向量表示一对帧中任何像素的移动。本文采用基于多项式展开算法的运动估计方法。多项式展开算法使用解析模型计算光流，该模型将图像近似为在每个像素处，多项式是局部拟合的。使用这种方法，当图像被认为是连续的函数，一部分图像的小位移可以通过将多项式的系数相等来确定在同一点展开。但是，也可以使用其他方法。该算法提供了一个运动检测组件，用于识别车辆在其中越过入侵线。因此，计算出的位移仅用于通过使用期望距离阈值检测车辆的入侵，同时忽略噪声和其他不需要的源。在所提出的系统中，每根入侵线路以大约40 m/s的最大可能速度（vmax）使用之后，要检测的感兴趣区域。因此，该系统能够检测到任何低于该速度行驶的车辆，即对于任何低于40 m/s的假设速度，最大探测距离（1）在关注区域内然后基于检测到的运动模式向量n来确定车辆的速度。
2.2.2.实际考虑
在这一节中，我们将讨论一些实际的考虑因素，以便在噪声环境中实现稳健的测量。第一个实际的考虑是，与它们各自的入侵线路相关联的检测距离是不是同时激活，而是一次只激活一个。因此，系统最初期望入侵是在基于运动方向的第一检测距离处检测。一旦在当前位置估计运动检测距离，然后它将被停用，下一个距离将被激活。这样的系统最终将提供更多鲁棒性度量，因为它的脆弱性一次仅限于一条入侵线路和检测距离。第二个实际考虑是通过考虑运动检测的阈值（运动滤波器）来避免噪声测量，这意味着如果检测距离内的估计运动小于最小位移，那么由于摄像机的噪音和振动（由风或重型车辆引起），因此不认为是侵入会导致探测距离的微小移动。另一个实际考虑包括通过等待时间（时间）提高测量精度和鲁棒性过滤器）。其思想是，在入侵线路上的每次检测之后，系统都会等待一段时间下一个入侵线的下一个入侵。如果在此等待时间内未发生入侵，则初始检测为忽略，系统返回其初始状态。等待时间是根据道路上车辆的最低速度（车速低于11 m/s（sim;40 km/h）的车辆不允许在公路）。这样做有助于系统避免由于噪音或没有兴趣的目标（如自行车）而导致的错误检测。其他由外部因素（如飞鸟或阴影）引起的视频噪声类型也被过滤掉。需要注意的是，由于该模型仅依赖于因此，只需要一个附加的跟踪分量来跟踪每一个车辆通过侵入线（即使它们正在变道）以获得其单独的移动模式向量。然后根据所提出的方案，分别生成通过车辆速度的偏微分方程方法。
3.实验结果和讨论
尽管在这种情况下参数的评估可能会非常复杂，但该系统的重点是采用多个入侵线路。当有两条以上的入侵线路时，系统的误差e将减小因为测量的次数会增加。误差e被认为是以及每次测量的预期速度。但是，不能无限期地添加入侵线路。主要限制两条入侵线之间的最小距离应大于Tvmax。进一步的限制包括场景的几何特性、车辆的大小和摄像机的分辨率。在这个实验中，我们使用了大约两个小时的数据，这些数据是由监控一条主要公路的摄像机收集的正常到繁忙的交通。这些数据包括卡车、拖车、汽车和公共汽车以不同速度通过的信息。这个一台手持式摄像机和一部帧速率为1/T=50fps的智能手机同时采集录音分别为1/T=30fps，以研究所提出的模型。输入帧的大小为960times;540像素。第一条入侵线和最后一条入侵线之间的距离为8.97m，这与摄像机的分辨率一致还有侦查现场。实施了四条入侵线，每条入侵线与护栏杆对齐参考点，见图5。入侵线的距离向量定义为d=[0，2.87，5.95，8.97]（m）。这个该系统在一个通用的笔记本电脑平台上实现，并能实时运行。对于每一辆经过的车辆，生成一个运动模式向量，表示帧数差n在四条入侵线之间。根据第2节推导的模型。A、 速度pdf与每辆车的运动模式向量。pdf提供了一系列可能的速度（下限和上限），并且给定运动模式向量n时，每种速度出现的概率。为了进一步评估所提出的方法准确地说，我们用一辆装有GPS的汽车穿过四条入侵线，并将检测到的速度与通过全球定位系统得到的。在不同的恒定速度下进行了几次跑步，运动数据从车辆包括时间、位置和速度，见图6。从导航设备中提取的速度被认为是因为在相同的大气条件下使用的GPS的误差范围是非常的低。
如前所述，较高的帧速率提供较高的采样率，产生较小的采样率。实验中还观察到，不同速度下的采样率与测量误差之间的关系并非严格成比例（见表1和表2）。该方法在50fps时的误差率为1.77%，而在50fps时的误差率为1.77% 30 fps时为2.17%。因此，一般来说，随着帧速率的增加，精度提高。然而，当比较两种测量装置的帧速率不同，误差差别小且不成正比。这个结果可以由于测量次数少，通过GPS设备估计速度时可能出现的误差必须考虑过的。表3显示了通过四种不同方法获得的平均误差。可以看出我们提出的方法在50 fps下优于[2
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239769]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
