基于监控视频图像车辆测速的研究

梁建术，贾汇沦，张琳琳

（050018 河北省 石家庄市 河北科技大学 机械工程学院）

0 引言

交通事故车速鉴定的传统方法是通过事故现场留下的各种痕迹计算车辆发生事故时的瞬时速度[1-2]，如果事故现场未得到及时保护，这些痕迹可能会被破坏，从而无法利用痕迹进行鉴定。

随着科技水平的提高，道路监控技术在交通管理方面得到广泛应用，利用监控视频对车辆进行速度鉴定受到了国内外学者的广泛关注。目前大多数测速方法仅用于某一种特定场景下的实时测速[3-6]，且算法极其复杂、通用性不强，抵抗周围环境的干扰较差。事故车辆测速鉴定属于后期测速方式，在有关车辆测速研究中，靳慧云[7]等研究了移动目标车辆放入视频的测速方法，该方法要求高清视频图像文件，并对测量方向和高度也有一定的要求，但其通用型不强；丘冉冉[8]应用插值法建立了车速计算的数学模型，依据车辆轴距参数进行测速处理，并研发了可视化测速平台。

本文将图像标定技术、图像匹配技术应用于后期测速过程，提出了一种实用性强、操作简单、精确度高的事故车辆视频测速方法，该方法无需事先知道监控视频系统参数和云台安装信息，对事故车辆在视频中的位置、方位也没有任何限制。

1 图像距离的标定

摄像机采集的信息是丢失三维空间中深度信息的图像序列，需要将图像上的二维点信息还原出对应点在三维世界坐标系中的坐标信息。根据摄像机成像原理，其转换过程需要世界坐标系、摄像机坐标系、成像平面坐标系和图像坐标系之间的一系列转换。图像坐标与世界坐标存在的对应转换矩阵，通常应用摄像机标定法和逆透视图变换标定法来确定该转换矩阵。

一般来讲，在交通事故鉴定中很难得到摄像机的内参数和其云台安装参数，因此本文结合交通事故勘测的特点，采用逆透视图变换标定法中的对应点的逆透视变换。

对应点标定法也称为四点标定法，通过图像中的4个坐标点和4个世界坐标点建立起对应关系。设世界坐标点为（XW，YW，ZW），其对应于图像坐标上的点为（u，v），二者之间有如下关系[9]：

式中，矩阵W包含摄像机焦距和主点坐标，R与摄像机安装角度有关，T与摄像机安装位置有关。Zc为摄像机主坐标。式（1）也可写成

式（2）中，消除Zc坐标，可以得到

若像素点位于道路上，或者接近路面情形时，令ZW=0。C34作为一个非零常数并不会对结果产生影响[3]，可令C34=1，故式（3）可以精简为

可以看出，式（4）包含8 个未知数Cij。通过交通事故勘测，可得图像中（任意）4 个点所对应的世界坐标，利用上述公式可以求解图像中任意一点对应于世界坐标的位置。

2 改进的NCC 图像匹配技术

2.1 算法原理

归一化互相关（Normalized Cross Correlation,NCC）匹配算法[10]最初由ROSENFELD 等人提出，属于基于区域的灰度匹配，也是图像特征匹配中常用的一种方法。在对特征点进行匹配时，它以2 幅图像的特征点为中心开辟匹配窗口，通过对窗口的灰度值进行计算，建立特征点间一一对应的关系。NCC 算法利用统计学原理把2 个向量的相关性归结为图像的相似性，假设有向量和向量，根据点乘的定义得到公式：

若cosθ的值接近于1，说明的夹角近似于0°，则2 个向量的方向一致，相似[11]。将这一原理推广到二维图像中可得：

式（6）对搜索图像和模板图像的灰度进行相似度计算，S（s+i，t+j）、T（s，t）分别代表点（s+i，t+j）和点（s，t）在图像中对应的灰度值。分别表示搜索图像和模板图像的灰度均值。

当模板图像与搜索图像完全相同时，相关系数R（i，j）=1。其所搜策略如图1 所示。若S（M×N），T（m×n）分别为搜索图像和模板图像，将图T与图S进行重叠，重叠部分为Si，j（m，n）。让T在S中随像素点逐一检测，然后取相关值最大的点，完成一次匹配，其匹配次数为（M-m+1）×（N-n+1）次。显然，利用NCC 公式做图像匹配速度有待提高，计算量比较大。

图1 搜索图和模板图Fig.1 Searched images and template images

2.2 搜索策略的改进

针对传统的NCC 匹配算法，很多学者利用猫群算法和直方图特征研究了提高计算速度和鲁棒性的策略[12-15]，而本文针对交通监控视频的特点提出了NCC 方法的优化策略。

在交通视频中，由于车辆运动是连续的，一般普通的视频监控画面帧率为25 f/s。对于一辆以120 km/h 行驶的车辆来说，在相邻两帧中目标不可能出现较大的位移。此时可以考虑使用邻域搜索的方法，也即在选择的窗口（模板图）附近区域进行搜索，区域尺度可以定为2m×2n，区域的中心也就是上一帧中匹配成功的最大相关位置，这样将检测范围缩小到了目标最可能出现的区域，大大减少了计算时间。

邻域搜索策略如图2 所示。若上一帧目标的匹配位置为（i0，j0），则下一帧中匹配区域为虚线部分，其左上角坐标位置为（i0-m/2，j0-n/2），大小为2m×2n，此区域的上一帧中目标位置的中心。改进后的NCC 匹配算法如图3 所示。

图2 邻域范围搜索示意图Fig.2 Schematic diagram of neighborhood search

图3 改进的NCC 匹配算法流程图Fig.3 Flow chart of improved NCC matching algorithm

3 车速测试分析

测试试验拍摄位于秦皇岛某县医院附近公路路口（如图4），时间为2020 年9 月8 日，视频数据以及车辆真实速度由交通部门提供。视频图像的分辨率为720×480，视频的帧率为25 f/s。测试车辆在不同时间内，以不同的车速进行了6 次拍摄。

图4 测试场景Fig.4 Testing scenarios

在如图5 所示的白色车道线定点作为标定点的候选点，标定过程中可以从这6 个候选点中选择其中4 个点应用对应点的方法。将对应点分为3 组进行速度测量，第1 组对应点为（1、2、3、4），第2 组对应点为（3、4、5、6），第3 组对应点为（1、2、5、6）。由于选择的是道路平面的标定点，所以选择目标区域获取目标像素位置时也应该尽量选择靠近地面的区域，如图6 所示。此次实验框选车辆车头部分，这样计算结果更加精确。

图5 标定点与目标车辆Fig.5 Calibration point and target vehicle

图6 测量区域Fig.6 Target area

表1 为试验车辆的测速结果，表中的真实速度是交通管理部门提供的测试结果。结果表明：应用对应点标定法和改进的NCC 图像匹配技术，能够快速、准确地检测出车辆的车速；采用不同的对应点都具有较高的计算精度，其中最大误差为4.4%。

表1 基于对应点标定的测速结果Tab.1 Vehicle speed measurement results

4 结论

本文以道路交通视频录像为研究对象，在摄像机参数未知情况下，只根据监控视频画面还原车辆发生事故前的车速。通过图像距离标定、目标移动距离检测等过程，可测量监控视频中不同位置、不同方位车辆的车速，实验验证了此方法的可行性。该方法不仅具有计算简单、精确度高和普适性好的优点，缩短了事故鉴定的时间，也为交通事故过程的再现提供了技术支持。