趙晉 龍浩 張雅婷

摘 要：車速檢測(cè)作為交通系統(tǒng)中的重要一環(huán)，其效果與交通數(shù)據(jù)的采集方式緊密相關(guān)。當(dāng)前車速檢測(cè)大多依托增加道路基本設(shè)施等方式來實(shí)現(xiàn)，所需成本較高且容易受外界因素影響。文中引入機(jī)動(dòng)性強(qiáng)且節(jié)能環(huán)保的無人機(jī)作為提取交通信息的媒介，對(duì)航拍所得視頻中的影像做移動(dòng)物體提取并進(jìn)行車輛分類，隨后提取車道范圍及車道線寬度，以車道寬度為比例尺，利用前后影像相減法計(jì)算車輛移動(dòng)像素距離，估算車輛速度。在不同飛行高度下對(duì)該方法的有效性進(jìn)行驗(yàn)證，所得車速平均誤差為3.22%，可有效解決智能交通系統(tǒng)中廣域信息的獲取問題。該方法可廣泛應(yīng)用于智能交通管理、災(zāi)害預(yù)測(cè)、地形地貌觀測(cè)、農(nóng)林防災(zāi)、應(yīng)急救援等領(lǐng)域。

關(guān)鍵詞：車速檢測(cè);無人機(jī)遙感;智能交通系統(tǒng);影像處理;計(jì)算機(jī)技術(shù);SIFT

中圖分類號(hào)：TP39文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2020）01-00-03

0 引 言

車速檢測(cè)是交通管理系統(tǒng)中至關(guān)重要的一項(xiàng)任務(wù)，常見的車速檢測(cè)方法主要包括超音波檢測(cè)、紅外線檢測(cè)、環(huán)路線圈式檢測(cè)以及基于影像檢測(cè)等[1-2]。然而，超音波檢測(cè)方法的準(zhǔn)確度并不高，容易受到車輛遮蔽和行人的影響，且檢測(cè)距離短。紅外線檢測(cè)方法則易受車輛本身熱源的影響，抗干擾能力較差，因而準(zhǔn)確度不高。環(huán)路線圈式檢測(cè)方法準(zhǔn)確度相對(duì)較高，但需要在車輛通過的路面填埋感應(yīng)線圈，工程量巨大，不僅會(huì)對(duì)路面造成嚴(yán)重?fù)p壞，而且施工和維修需要封閉道路，易造成交通擁堵[3-4]。基于對(duì)上述方法及城市建設(shè)和交通管理部門長(zhǎng)期實(shí)踐結(jié)果的分析：現(xiàn)有車速檢測(cè)方法存在明顯弊端，容易受到各種因素的影響，無法從根本上解決目前交通系統(tǒng)存在的問題。

隨著計(jì)算機(jī)技術(shù)、圖像處理等技術(shù)的發(fā)展，基于影像檢測(cè)的方法在交通檢測(cè)中得到了越來越廣泛的應(yīng)用。傳統(tǒng)的使用固定式攝像機(jī)拍攝交通影像的方法不僅拍攝距離和范圍極其有限，同時(shí)還容易因拍攝角度固定而造成大車遮擋小車導(dǎo)致車輛辨識(shí)困難等問題，存在較大的能源與資源浪費(fèi)。相對(duì)于傳統(tǒng)的影像交通檢測(cè)方法，利用無人機(jī)檢測(cè)交通具有偵測(cè)范圍廣、廉價(jià)便利、獲取信息豐富等優(yōu)點(diǎn)。

雖然無人機(jī)已經(jīng)被廣泛用于生活中的諸多方面，但是借助無人機(jī)航拍所得圖像來進(jìn)行車速估測(cè)的文獻(xiàn)相對(duì)較少。Yamazaki[5]等人利用車輛陰影來估測(cè)車速;Moranduzzo[6]等人嘗試使用一組不變特征（即SIFT特征）來定位車輛并借助兩幅連續(xù)的無人機(jī)航拍影像來實(shí)現(xiàn)對(duì)車速的估測(cè)。分析相關(guān)研究文獻(xiàn)可得，以往通過遙感圖像處理來實(shí)現(xiàn)車速估測(cè)的方式很少受到關(guān)注，主要有以下兩方面原因：

（1）可實(shí)現(xiàn)相同區(qū)域圖像序列信息獲取的設(shè)備太少;

（2）所得圖像的分辨率較低，導(dǎo)致無法有效識(shí)別車輛的空間位置，故車速估測(cè)不準(zhǔn)確。

隨著高分辨率圖像的出現(xiàn)，在兩個(gè)不同時(shí)間確定車輛精確的空間位置變得可行，研究人員也逐漸開始通過航拍影像來估測(cè)車速。

基于前述分析，本文借助機(jī)動(dòng)性靈活且節(jié)能環(huán)保的無人機(jī)作為交通信息提取的媒介，采用基于影像檢測(cè)的方法來空拍偵測(cè)車輛速度，獲得交通資訊并應(yīng)用于ITS，以期提供政府或駕駛?cè)私煌ㄐ畔?，幫助改善城市交通狀況、減少疲勞駕駛，進(jìn)而減少交通事故的發(fā)生。經(jīng)不同飛行高度驗(yàn)證，該方法平均誤差為3.22%，可有效解決智能交通大范圍信息的獲取問題。

考慮到傳統(tǒng)車輛速度檢測(cè)存在建設(shè)成本較高，視頻采集容易發(fā)生車輛重疊、航天遙感探測(cè)更新頻率低，難以實(shí)現(xiàn)連續(xù)觀測(cè)等問題，設(shè)計(jì)的無人機(jī)航拍影像處理的車速檢測(cè)系統(tǒng)的創(chuàng)新點(diǎn)如下：

（1）引進(jìn)了無人機(jī)航拍作為交通影像獲取媒介，由于無人機(jī)的拍攝角度是從車道的正上方向下拍攝，不會(huì)出現(xiàn)大型車擋住小型車的情形，可以有效避免傳統(tǒng)固定架設(shè)攝影機(jī)的車輛間互相遮蔽問題;

（2）本系統(tǒng)采用無人機(jī)航拍方式，其高機(jī)動(dòng)性非常適合做短期活動(dòng)的周邊車流分析，可用于改善大型活動(dòng)周邊車流堵塞等問題;

（3）本系統(tǒng)利用車道寬度作為比例尺計(jì)算車速，避免了以往無人機(jī)航拍影像分析過程中出現(xiàn)的無人機(jī)懸停不穩(wěn)、懸停高度（采用氣壓及GPS數(shù)據(jù)估算）測(cè)量誤差過大造成的計(jì)算錯(cuò)誤;

（4）本系統(tǒng)使用連續(xù)影像相減法找出移動(dòng)物和背景，辨識(shí)車輛后，計(jì)算車輛質(zhì)心移動(dòng)的像素距離，解決了以往采用前后景相減算法對(duì)車輛辨識(shí)較困難等問題;

（5）在背景處理部分，本系統(tǒng)使用二值化方法凸顯道路標(biāo)線，分析車道位置及標(biāo)線寬度;

（6）在不同飛行高度下進(jìn)行車速計(jì)算實(shí)驗(yàn)驗(yàn)證，并計(jì)算出了不同高度下的車速測(cè)量誤差率，拓展了本系統(tǒng)的空間應(yīng)用范圍。

1 無人機(jī)航拍影像車速估算

本文通過引入機(jī)動(dòng)性強(qiáng)，靈活且節(jié)能環(huán)保的無人機(jī)作為提取交通信息的媒介，對(duì)航拍所得視頻中的影像做移動(dòng)物體提取并進(jìn)行車輛分類，隨后提取車道范圍及車道線寬度，以車道寬度為比例尺，利用前后影像相減法計(jì)算車輛移動(dòng)像素距離，估算車輛速度。影像處理流程如圖1所示。

1.1 影像前處理

影像前處理主要包含前景提取、色彩空間轉(zhuǎn)換、影像二值化、邊緣檢測(cè)、形態(tài)學(xué)、水平投影設(shè)定感興趣區(qū)域[7-8]等過程。

對(duì)于前景提取，本系統(tǒng)選用連續(xù)影像相減法（Temporal Differencing）[9]。考慮到連續(xù)影像相減法基本不會(huì)受無人機(jī)晃動(dòng)的影響，不會(huì)因此造成無法有效判斷移動(dòng)的物體，因此可以更完整地獲取移動(dòng)物體的相關(guān)信息。

為減少光線變化造成的影響，本系統(tǒng)使用HSV色彩空間，透過轉(zhuǎn)換方程式將RGB色彩空間轉(zhuǎn)換至HSV色彩空間，并利用其飽和度的特性去除影像的陰影，以進(jìn)行后續(xù)影像處理。

形態(tài)學(xué)處理（Morphology Operation）[10]是針對(duì)二值影像強(qiáng)化的應(yīng)用。其功能主要在于減少影像中零散的物件個(gè)數(shù)，依照使用者需求設(shè)定結(jié)構(gòu)作修補(bǔ)或刪減，可以使二值化后的小區(qū)塊融合或消失。形態(tài)學(xué)的第一步通常是設(shè)定一個(gè)結(jié)構(gòu)元素（Structuring Element，SE），其大小和形狀皆可自由設(shè)定;第二步以預(yù)先設(shè)定的結(jié)構(gòu)元素作基礎(chǔ)，依照形態(tài)學(xué)的演算法對(duì)二值化的影像作填補(bǔ)或挖空?；A(chǔ)的形態(tài)學(xué)演算法有膨脹（Dilation）和侵蝕（Erosion）兩種，由上述兩種方式相互組合衍生出斷開（Opening）和閉合（Closing）。

水平投影方法主要是將影像中的物體投影至垂直軸上，沿著行（Column）的方向作像素的加總。水平投影在本系統(tǒng)中用來判斷車道占整張圖片垂直軸的比例，以此判斷各車道的范圍及設(shè)定感興趣的區(qū)域（Reign of Interest，ROI）。如圖2所示，可根據(jù)車道線所在位置之間垂直距離的規(guī)律變化標(biāo)出車道中線及車道范圍的大概位置以方便后續(xù)處理。

在整張影像中，含有有效信息的區(qū)域可能僅為一小部分，但系統(tǒng)卻需要處理整張影像，導(dǎo)致系統(tǒng)處理圖像數(shù)據(jù)的時(shí)間過長(zhǎng)，不僅浪費(fèi)計(jì)算機(jī)效能，甚至還有可能因?yàn)槠渌麧撛诟蓴_因素而造成整個(gè)系統(tǒng)的誤判。因此，本系統(tǒng)僅對(duì)影像中的特定區(qū)域進(jìn)行提取，以此作為設(shè)定的ROI。設(shè)定感興趣的區(qū)域后，不僅可以極大地減少系統(tǒng)所需要處理的圖像量，而且可以將因攝影鏡頭造成的較嚴(yán)重變形的畫面邊緣移除，以達(dá)到較高的精準(zhǔn)度。

車道二值化圖像如圖3所示。

1.2 車流分析

本系統(tǒng)采用Matlab設(shè)計(jì)影像處理程序，通過連續(xù)影像中車輛的比對(duì)，找出其在下一幅影像中的位置，并且利用其在影像上的特征追蹤、過濾目標(biāo)，從而計(jì)算出車速，最后在畫面上顯示車速計(jì)算結(jié)果。

1.2.1 特征提取

特征提取是用來區(qū)分影像中各不同物體的方法，常見的特征包括色彩、大小及紋理等。本系統(tǒng)主要通過計(jì)算前景物體的大小及邊長(zhǎng)來計(jì)算質(zhì)心的位置，方法如下：

（1）將整張圖像用連續(xù)影像相減法提取前景影像，之后提取ROI區(qū)域內(nèi)的影像并通過二值化將圖像簡(jiǎn)化;

（2）利用形態(tài)學(xué)方法去除干擾、修補(bǔ)影像即可得到較完整的前景影像;

（3）通過連通區(qū)域標(biāo)記法將前景影像中相互連通的區(qū)域標(biāo)記成一個(gè)整體，計(jì)算出每個(gè)整體部分的長(zhǎng)、寬以及質(zhì)心的位置，供后續(xù)計(jì)算車速使用。

1.2.2 移動(dòng)物體分類

經(jīng)過特征提取后，依據(jù)獲取的圖像信息進(jìn)行車流分析與移動(dòng)物分類，將非車輛的移動(dòng)物體排除。

本系統(tǒng)主要利用連通區(qū)域的邊長(zhǎng)來判斷移動(dòng)物體的大小，即利用連通區(qū)域的長(zhǎng)度和寬度來判斷移動(dòng)物體的類型。首先，判斷連通區(qū)域的寬度是否大于車道寬度的四分之一（車道寬度是依據(jù)水平投影所得到的平均車道寬度）：如果連通區(qū)域?qū)挾却笥谲嚨缹挾鹊乃姆种唬瑒t需要對(duì)長(zhǎng)寬比進(jìn)行判斷，反之則視為干擾，將其排除;若連通區(qū)域?qū)挾却笥谲嚨缹挾鹊乃姆种?，且長(zhǎng)寬比介于1.5～3倍之間，則將其視為車輛，此區(qū)間包含小型車（機(jī)車、自行車等）以及中型車（汽車、商務(wù)車、小貨車等）;車寬大于車道寬度一半且長(zhǎng)度超過寬度3.5倍的車輛，我們將其劃分為大型車（包含卡車、公交車、旅游大巴、大貨車等），其他車寬則視為干擾排除。此方法可以將大部分因無人機(jī)檢測(cè)失當(dāng)或路邊樹木枝葉晃動(dòng)而產(chǎn)生的殘影以及其他非車輛的移動(dòng)物體排除。

1.2.3 車速計(jì)算

目前大多通過坐標(biāo)平面轉(zhuǎn)換的方式測(cè)量車輛速度，這就需要先在真實(shí)場(chǎng)景中設(shè)立參考點(diǎn)后進(jìn)行測(cè)量，接著在影像中判斷參考點(diǎn)位置，并輸入其在真實(shí)場(chǎng)景中的相對(duì)位置信息，通過三維坐標(biāo)換算出車輛在影像中的實(shí)際行駛距離，再根據(jù)速率公式計(jì)算出車輛速度。但由于相關(guān)參數(shù)獲取耗時(shí)太久，且此種方式無法與無人機(jī)所具備的機(jī)動(dòng)性及方便性所比擬，因此本系統(tǒng)提出一種較方便、快速的測(cè)量方法。

本系統(tǒng)采用的方法以現(xiàn)有道路標(biāo)線為參考，以此來計(jì)算汽車實(shí)際行駛距離，系統(tǒng)在判斷車型時(shí)，會(huì)依據(jù)車型的長(zhǎng)寬比判斷移動(dòng)物體是否為需要提取的目標(biāo)，如果經(jīng)判斷該移動(dòng)物體不是目標(biāo)物，則系統(tǒng)會(huì)將此連通區(qū)域視為干擾，不對(duì)其速度進(jìn)行測(cè)量。而經(jīng)判斷被視為目標(biāo)物的連通區(qū)域，本系統(tǒng)會(huì)先計(jì)算連通區(qū)域的質(zhì)心，將目標(biāo)物位置有效定義，隨后比較前后兩張圖片的質(zhì)心，再利用歐式距離公式即可計(jì)算出質(zhì)心的移動(dòng)距離。以水平投影估計(jì)出的車道寬度為比例尺，將每個(gè)像素所代表的實(shí)際距離與質(zhì)心移動(dòng)距離的像素相乘，即可得知車輛的實(shí)際移動(dòng)距離，再將其除以兩張圖片間的時(shí)間差，便可求得車輛的移動(dòng)速度。

1.3 系統(tǒng)有效性驗(yàn)證

為驗(yàn)證該基于無人機(jī)航拍影像處理的車速檢測(cè)系統(tǒng)的有效性，在將車輛實(shí)際行駛車速設(shè)定為恒定值45 km/h的基礎(chǔ)上，使用了具有GPS定位與手機(jī)操控功能的DJI PHANTON2 VISION+無人機(jī)進(jìn)行了幾十次實(shí)際車輛行駛速度測(cè)量的對(duì)比實(shí)驗(yàn)，飛行高度分別為20 m，30 m和40 m，對(duì)數(shù)據(jù)進(jìn)行完整記錄，求解出不同高度下的平均值及平均誤差。DJI PHANTON2 VISION+無人機(jī)的GPS定位功能可以有效減少對(duì)于操控技術(shù)的要求，而專精在空拍畫面上。同時(shí)，通過手機(jī)APP的操作界面，可以實(shí)時(shí)獲取目前無人機(jī)的速度、高度以及攝影機(jī)與攝影畫面等信息。其攝影機(jī)錄影最高畫質(zhì)為1 920×1 080 Pixels（30 FPS），但為了提升運(yùn)算速度，將分辨率降低至960×540 Pixels。實(shí)驗(yàn)開發(fā)平臺(tái)為Matlab 2016b，影像提取間隔為15 Frames，等同于1 s內(nèi)提取2張影像進(jìn)行處理。20 m，30 m，40 m高度下實(shí)驗(yàn)估算車速結(jié)果示例如圖4所示。根據(jù)表1中不同高度下的速度估測(cè)值與平均誤差比率可得，本系統(tǒng)車速估測(cè)總平均誤差比率為3.22%，車速估測(cè)效果良好，故基于無人機(jī)航拍影像處理的車速檢測(cè)系統(tǒng)較為有效。

2 結(jié) 語(yǔ)

本文研究的是基于無人機(jī)航拍影像處理的車速檢測(cè)系統(tǒng)，引入機(jī)動(dòng)性強(qiáng)、靈活且節(jié)能環(huán)保的無人機(jī)作為提取交通信息的媒介，通過對(duì)航拍所得視頻中的影像做移動(dòng)物體提取并進(jìn)行車輛分類，隨后提取車道范圍及車道線寬度，以車道寬度為比例尺，利用前后影像相減法計(jì)算車輛移動(dòng)像素距離，從而估算出車輛速度，不同高度下的平均誤差率為3.22%，車速檢測(cè)效果良好。

與傳統(tǒng)的車速檢測(cè)系統(tǒng)相比，該系統(tǒng)成本低，靈活性、抗干擾性更強(qiáng)，亦可載入FPGA提升計(jì)算速度，進(jìn)行實(shí)時(shí)分析決策，因此可被廣泛應(yīng)用于智能交通系統(tǒng)中。

參 考 文 獻(xiàn)

[1] GONZALEZ C，PEREZ M E S-S. IRF World Road Statistics 2012：Data 2005-2012 [R]. World Road Statistics，2012.

[2]史文中，賀志勇，張肖寧.淺析3S技術(shù)集成與公路交通建設(shè)[J].測(cè)繪通報(bào)，2003，12（3）：12-15.

[3]李德仁，李清泉，楊必勝，等.3S技術(shù)與智能交通[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2008，33（4）：331-336.

[4]彭春華，劉建業(yè)，劉岳峰，等.車輛檢測(cè)傳感器綜述[J].傳感器與微系統(tǒng)，2007，26（6）：4-7.

[5] YAMAZAKI F，LIU W，VU T T. Vehicle extraction and speed detection from digital aerialImages [C]// IEEE International Geoscience & Remote Sensing Symposium，Boston，Massachusetts，U.S.A，2008.

[6] MORANDUZZO T，MELGANI F. Car Speed Estimation Method for UAV Images [C]// IEEE International Geoscience & Remote Sensing Symposium，Quebec，Canada，2014.

[7] WANG W，HE Y，LI Z，et al. A real-time target detection algorithm for infrared search and track system based on ROI extraction，in signal processing，communication and computing （ICSPCC）[C]// 2012 IEEE International Conference on，2012：774-778.

[8] BARBANCHO I，SEGURA C，TARDON L J，et al. Automatic selection of the region of interest in ancient scores [C]// in MELECON 2010-2010 15th IEEE Mediterranean Electrotechnical Conference，2010：326-331.

[9] MURALI S，GIRISHA R. Segmentation of Motion Objects from Surveillance Video Sequences Using Temporal Differencing Combined with Multiple Correlation，in Advanced Video and Signal Based Surveillance，2009 [C]// AVSS '09. Sixth IEEE International Conference on，2009：472-477.

[10]王亞洲.基于無人機(jī)航拍圖像的拼接算法研究[D].北京：北京工業(yè)大學(xué)，2018.