CN102867414A - 一种基于ptz摄像机快速标定的车辆排队长度测量方法 - Google Patents

Abstract

本发明公开一种基于PTZ摄像机快速标定的车辆排队长度测量方法，包括以下步骤：选取垂直交叉的两条交通标线组成丁字形的标定参考物，根据定义的图像坐标系与世界坐标系的模型，建立图像中像素点的坐标与世界坐标系中路面对应点的坐标之间的换算关系；采用PTZ摄像机获取交通监视场景的视频图像，设置车道的兴趣域ROI，采用背景自适应更新算法和纹理特征检测兴趣域内的车辆排队状态，获取排队车辆队尾的像素及其坐标；将已检测到的队尾像素坐标换算成世界坐标，最终计算出车辆排队的长度。本发明根据纹理特征判别车辆排队尾部位置，结合摄像机标定完成车辆排队长度的测量，具有成本低、嵌入式强等优点。

Description

一种基于PTZ摄像机快速标定的车辆排队长度测量方法

技术领域

本发明涉及一种车辆排队长度测量方法，特别涉及一种基于PTZ摄像机快速标定的车辆排队长度测量方法。

背景技术

随着经济的快速发展，城市汽车拥有量越来越多，交通拥堵一直是城市发展的难题之一。智能交通***是解决城市交通拥堵的有效途径之一。目前国内大部分交通交叉路口都是采用定时控制交通信号灯，交通信号灯切换的时间长度是固定不变的。由于车流量变化的复杂性和随机性，这种固定分配方式的缺陷愈发凸显出来，因此，已逐步开展了固定分配时间向智能时间分配过渡的研究。城市交通信号指挥***对交叉路口信号进行智能时间分配时，需要获取道路的交通流信息。其中交叉路口车辆排队长度是智能交通***中的重要参数之一。

获取交通流信息的方式主要有地感线圈、视频识别、浮动车估算等方式。由于地感线圈置于道路的固定位置，虽然可以精确测量车辆的多少，但在测量车辆排队长度方面误差较大。公布号为CN102024323A的专利公开了一种基于浮动车数据提取车辆排队长度的方法，该方法首先通过路段匹配技术，提取路段交叉口前正常排队等待通过的浮动车车载GPS获得停止点位置，然后对浮动车停止点距离交叉口的位置分布变化进行统计，估算出排队长度。

基于视频分析的智能交通监控***，具有获取交通信息多、监控范围大、安装简便等优点，国内外研究者多倾向于通过计算机视觉技术进行车辆长度自动提取。朱孝山等人提出改进Canny边缘检测算法的车辆排队长度检测方法。Rourke和Bell提出了一种基于FFT的交通队列检测方法。李卫斌等人利用梯度差分和颜色差分获取车辆完整信息，采用伸缩窗进行排队长度检测。公布号为CN101936730A的专利公开一种车辆排队长度检测的方法及装置，白天采用三帧差法和形态学、夜间采用车灯特性分别检测出排队车辆队列。

国内外学者主要侧重于通过视频分析检测图像中车辆排队的像素信息，但是对于结合摄像机标定的车辆队列长度计算的研究较少，特别是PTZ(Pan/Tilt/Zoom)摄像机，因其内外参数频繁变化，计算车辆排队队列长度更显困难。

在现有的标定方法中，传统的摄像机标定方法通常要用到特定的标定块，而且标定点设置过程繁琐。自标定方法需要控制监控摄像机做数次刚体运动，并对不同视角下的图像进行特征参数匹配，不适合交通场景中监控摄像机通常是固定的应用场合。

针对交通监视场景的特点，Nelson,Granttham和George等人采用基于简单成像模型的交通视频监控***摄像机标定方法，直接利用交通场景中路面车道分界线角点组成的矩形实现摄像机焦距和方位参数的标定。发明CN1564581A公布了一种城市交通监视环境下采用路面上数条特殊直线作为标定目标，标定摄像机焦距及空间外部参数的方法。上述方法建立在三维映射模型基础上，需要固化摄像机模型部分内部参数，所需要的已知条件较多，降低了标定算法的使用范围。

Fathy等人利用摄像机标定的方法建立2D图像坐标到3D世界坐标的转换模型来计算队列的长度。为了对摄像机的参数进行标定，该方法需要事先已知四个点在世界坐标系中的坐标和对应点在图像坐标系中的坐标。坐标点的获取不方便，实际应用较麻烦，而且在实际场景中不容易获得这样的坐标点，且需要额外放置标定参考物。Fung等人利用现有的车道线完成摄像机标定，仅需要知道车道的宽度，尽管车道宽度遵循一定标准的且容易得到，但是该算法中交通标线必须具备矩形特征，适应性也存在一定的局限性。李勃等人提出采用路面标线中共线的两条线段和另一平行线作为标定模版，但摄像机的高度必须已知。上述方法存在特定几何特征的参考标志物选取难、约束条件不易获取等缺陷，在实际应用存在一定的局限性。

发明内容

为了解决现有车辆排队队列的长度测量方法存在的上述技术问题，本发明提供一种基于PTZ摄像机快速标定的车辆排队长度测量方法。

本发明解决上述技术问题的技术方案包括以下步骤：

1)用PTZ视频摄像机实时获取交通监视场景的视频图像；

2)在图像中选取垂直交叉的两条交通标线构成丁字形的摄像机标定参考物，获取丁字形标定参考物中四个端点的像素坐标，测量其中共线三个点的两两之间距离，并测量另外一点到该直线的距离；

3)建立图像坐标系与世界坐标系的模型及其对应关系，求解出摄像机的内外参数，建立起图像像素点的坐标与世界坐标系路面对应点的坐标之间的换算关系；

4)在图像中，选取从车道的停止线到预设定的车道检测区作为车辆排队信息检测区，即兴趣域ROI，后续的处理过程限制于ROI内；对于任意像素(x,y)，采用其所在邻域图像块的Tamura纹理特征来衡量该像素点的粗糙程度，记为F_crs(x，y)，将F_crs(x，y)作为纹理背景图像的像素点灰度值；历遍计算每个像素的邻域粗糙度值F_crs(x，y)，组成一幅表征纹理特征的背景图像B_crs，并且背景图像随日照光线变化能够自适应更新；

5)将实时图像的纹理特征与背景图像的纹理特征进行比较，提取前景图像，经形态学处理获取边缘光滑、完整无孔洞的二值化前景图像，即车辆排队信息，从车道停止线起向车道排队方向，采用移动检测窗的算法搜索队列尾部位置，获得队尾像素N的图像坐标；

6)根据摄像机标定所建立的坐标系换算关系，将队尾像素N的图像坐标换算为路面对应点在世界坐标系的坐标值，计算出交通堵塞时车辆排队的队列长度。

本发明通过在视频中提取静止背景，采用纹理特征，在视频中分离出非背景目标或运动目标，在判别车道中车辆排队状态之后，依据摄像机标定获取内外参数，建立世界坐标系与图像坐标系中对应点的换算关系，最终实现车辆排队长度的视觉测量。本发明具有摄像机标定目标选取容易，额外放置标定参考物，标定方法具有操作简便、车辆排队状态识别的鲁棒性好等特点。

本发明具有以下优点：

1．在监控场景中无需额外设置摄像机标志参考物，充分利用已有交通标线的几何特征和尺寸数据，摄像机参数的标定方法简单方便。

2．本发明采用纹理特征提取背景图像中的车辆排队信息，避免了车辆驶过摄像机时造成光照的瞬时变化，并且采用背景自动更新的方法，能适应不同时段日照光线的变化。

3．本发明充分利用交通路口已有的监控摄像机所采集的视频图像信息，容易嵌入到交通信息管理平台，具有成本低、嵌入式强的优点。

附图说明

图1为本发明的流程图。

图2为本发明中取交通标线作为摄像机标定参考物的示意图。

图3为本发明中的摄像机模型图。

图4为本发明标定参考物以及在摄像机模型中位置关系的示意图。

图5为本发明摄像机标定中辅助线示意图。

图6为本发明实施例的示意图。

具体实施方式

本发明的测量原理如下：

(1)选取垂直交叉的两条交通标线组成丁字形标定参考物，并经测量已知共线三点的两两间距离，和线外一点到该直线的垂直距离，获取四个特征点在图像中的像素坐标，再求解出摄像机标定的内外参数，建立世界坐标系中点坐标和图像坐标系像素坐标的换算关系；

(2)在交通场景的监控视频中提取图像序列，提取车道区域中背景图像的纹理特征，建立纹理背景图像；在图像中设置车道的兴趣域，提取实时图像中车道兴趣域的纹理特征，与背景图像中相应区域的纹理特征进行自动比对判别，搜寻获取车辆排队尾部在图像中的位置；

(3)根据搜寻的车辆队列尾部的像素位置，标换算为世界坐标系的点坐标，最终计算出世界坐标系中排队车辆队列的长度。

上述测量原理的具体步骤为：

(1)摄像机的快速标定

本发明采用***模型，假设交通监控场景中交通路面是平整、无卷曲的，并且忽略摄像机的畸变。摄像机的内外参数包括焦距f，倾斜角θ，旋转角φ以及车道与世界坐标系横轴夹角α等。

步骤一，建立图像坐标系与世界坐标系的模型。

世界坐标系X_W-Y_W：X_W轴定义为过摄像头透镜中心且平行于CCD传感器的平面与地面的交线，Y_W轴定义为过摄像机光轴且垂直于地面的平面与地面的交线，Y_W轴正方向为沿路面指向前方，X_W轴正方向为水平指向右方；其原点O_W定义为X_W轴与Y_W轴的交叉点，如图3所示。

图像坐标系XOY：在图像中，设图像的尺寸为M×N，原点定义为图像几何中心[(M-1)/2，(N-1)/2]。图像中X轴水平指向左方，Y轴垂直指向下方，如图3所示。

当摄像机俯视交通场景中标定参考物时，光轴与路平面的夹角为θ。车道分界线与世界坐标系的夹角为α。摄像机绕其光轴的旋转角为φ，当摄像机水平安装时，旋转角φ=0。当摄像机非水平安装，摄像机CCD的下底边与水平线存在夹角，即旋转角φ不为0，需要将图像旋转φ角度，以校正摄像机非水平安装时带来的误差。

步骤二，选取参考标定物。由于车行道边缘线及车行道分界线等交通标线具有特定尺寸和几何形状，因此，在交通场景中的交通标线上选取车道分界虚线上的三个共线端点A、B、C，假设在世界坐标系X_WY_W中的坐标分别为(X_A，Y_A)、(X_B，Y_B)和(X_C，Y_C)。测量出端点两两之间的距离，端点AB间距为h₁，端点AC间距为h₂。过某个端点取车道分界虚线的垂直线上的某一点D，并测量出该点到交叉点之间的距离d₁。根据标准规范，h₁，h₂和d₁的值既可从手册中查到也可实际测量。

在图像中获取车道分界线的三端点A、B、C和垂直点D对应的像素点，分别为a、b、c和d，在图像坐标系XY中的坐标分别为(x’_a，y’_a)、(x’_b，y’_b)、(x’_c，y’_c)和(x’_d，y’_d)。

步骤三，在图像中作辅助线，获取摄像机标定所需的数据。

当摄像机非水平安装时，CCD传感器的下底边与水平线之间存在旋转角φ。角φ的值可以通过后面所述的公式计算获得。鉴于旋转角φ的影响，为满足本发明所描述的方法，需要在标定摄像机之前将获取的图像相应旋转φ角，以矫正摄像机非水平安装带来的误差，即a、b、c和d旋转后的坐标值为

$\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\φ}& -\sin \mathrm{\φ}\\ \sin \mathrm{\φ}& \cos \mathrm{\φ}\end{array}\right]\left[\begin{array}{c}{x}_i^{\′}\\ x_i^{\′}\end{array}\right](i=a,b,c,d)---\left(1\right)$

计算中间变量 $Y_A^{\′}=\frac{h_1{h}_2(y_b-y_c)}{(y_a-y_b)h_2-(y_a-y_c)h_1}---\left(2\right)$

$\mathrm{\λ}=\frac{(Y_A^{\′}+h_1)\·y_b-Y_A^{\′}\·y_a}{h_1}---\left(3\right)$

在世界坐标系中，过车道分界线的C点作平行与X_w轴作平行线，过车道分界线的A点作平行与Y_w轴作平行线，两者交于A’点。A’点投影到图像中的点为a’，其坐标为(x_a’，y_c)，其中

$x_{a^{\′}}=\frac{\mathrm{\λ}-y_c}{\mathrm{\λ}-y_a}{x}_a---\left(4\right)$

在图像中，过d点作水平线，与a、b、c所在直线的交点为e点。e点像素坐标为(x_e，y_e)，如图5所示。

步骤四，求解车道分界线与世界坐标系横轴夹角α。

根据图像旋转φ角求得的a、b、c和d四点的坐标值，得到车道分界线与世界坐标系横轴夹角α满足如下表达式。

$\sin 2\mathrm{\α}=\frac{\mathrm{\λ}-y_a}{\mathrm{\λ}-y_c}\frac{{2d}_1(x_c-x_{a^{\′}})}{h_2|x_e-x_a|}$

上式中x_e是图像平面中e点的横坐标，x_a为A点的横坐标，h₂为AC两点间距离，d₁为路面两平行线的间距。

则

因此根据 $\sin \mathrm{\α}=\sqrt{\frac{1-\cos 2\mathrm{\α}}{2}},$ 得 $\mathrm{\α}=\arcsin \left(\sqrt{\frac{1-\cos 2\mathrm{\α}}{2}}\right)---\left(5\right)$

步骤五，求解摄像机外参数的旋转角φ。

在计算出车道分界线与世界坐标系横轴的夹角α之后，将标定参考物D点在图像中对应像素坐标换算为世界坐标系的坐标，计算公式如下。

$Y_d=\frac{\mathrm{\λ}-y_a}{\mathrm{\λ}-y_d}\·\frac{h_1{h}_2(y_b-y_c)}{(y_a-y_b)h_2-(y_a-y_c)h_1}\sin \mathrm{\α}---\left(6\right)$

$X_d=\frac{\mathrm{\λ}-y_c}{\mathrm{\λ}-y_d}\frac{h_2\cos \mathrm{\α}}{x_c-x_{a^{\′}}}{x}_d---\left(7\right)$

假设过D点的直线与直线L₁垂直交于B点，同理将像素b的坐标换算为世界坐标系的坐标。最后计算出|DB|的距离，即为D点到A、B、C三点所在直线L₁的距离。

为了求解φ，在φ∈[-15°,15°]区间按照公式(1)旋转图像，重复步骤三、四、五。采用Levenberg-Marquardt算法搜索φ∈[-15°,15°]区间中，使得

φ=argmin(|DB|)                            (8)

步骤六，求解摄像机外参数的俯视角θ

在求解出旋转角φ之后，获取图像旋转φ后的a、b、c和d四点的坐标值(x_a，y_a)、(x_b，y_b)、(x_c，y_c)和(x_d，y_d)。

计算 $\sin \mathrm{\θ}=\mathrm{\λ}\frac{d_1}{\sin \mathrm{\α}}\frac{1}{x_e-x_a}\frac{1}{Y_{A^{\′}}\sin \mathrm{\α}},$ 因此摄像机的俯视角θ可根据下式求解。

$\mathrm{\θ}=\arcsin \left[\frac{d_1\·\mathrm{\λ}}{{\sin }^2\mathrm{\α}\·(x_e-x_a)\·Y_{A^{\′}}}\right]---\left(9\right)$

步骤七，求解摄像机的焦距f

根据求得的俯视角θ和中间变量λ的值，可计算出摄像机的焦距f，有

$f=\frac{\mathrm{\λ}}{\tan \mathrm{\θ}}---\left(10\right)$

(2)车辆排队状况的视频图像分析

为了在视频中提取车道车辆排队状况，本发明采用纹理特征从背景图像中提取运动目标，具体的步骤如下：

步骤一，在图像中设置车辆排队检测区域，即兴趣域ROI，选取从车道中交通停止线到预定的车道检测区作为车辆排队检测区。对于视频的每帧图像，只对设置的检测区域进行图像数据的计算。

步骤二，计算图像中各像素邻域的粗糙度。设图像中像素G(x,y)的邻域为2^k×2^k个像素的窗口，采用Tamura纹理特征方法计算该邻域图像块的粗糙度，记为F_crs(x，y)，并逐一计算检测区域中各像素的邻域图像块的粗糙度，将每个像素的邻域粗糙度值F_crs(x，y)组成一幅新的图像作为纹理特征背景图像B_crs。

步骤三，采用高斯模型分析，从背景图像提取前景图像F_img。

上面的公示中B_crs(x，y)表示纹理背景图像中像素(x，y)的粗糙度值，F_crs(x，y)表示当前像素(x，y)所处邻域块的粗糙度。若该像素点的高斯概率大于阈值T，表示该点为前景像素。

若存在一些孤立点和局部孔洞，则采用形态学处理方法先作腐蚀处理再作膨胀处理，获取边缘光滑、完整的前景图像，即车辆排队二值化图像。

步骤四，从车道停止线起向车道排队方向，采用移动检测窗的算法搜索队列尾部位置，获得队尾像素坐标N(x’_n，y’_n)。

步骤五，取当前帧f₁以及前两帧图像f₂和f₃进行帧差分析，计算方法如下。

$f_{12}(x,y)=\left\{\begin{array}{cc}1& |f_1(x,y)-f_2(x,y)|>T\\ 0& \mathrm{otherwise}\end{array}\right.$

$f_{23}(x,y)=\left\{\begin{array}{cc}1& |f_3(x,y)-f_2(x,y)|>T\\ 0& \mathrm{otherwise}\end{array}\right.$

$f(x,y)=\left\{\begin{array}{cc}1& f_{12}(x,y)=1\mathrm{and}{f}_{23}(x,y)=1\\ 0& \mathrm{otherwise}\end{array}\right.$

通过图像之间的差分，获取二值化帧差图像。由于帧差二值化图像通常获得的是物体轮廓，提取的运动目标时必然存在一些孤立点，噪声等引起的局部微小区域、孔洞或不连贯等问题。在图像处理中采用形态学处理方法作一次腐蚀处理，除去视频图像中的局部微小区域和孤立点。然后再进行两次膨胀处理使前景目标物边缘部分得到平滑，最终获取完整的运动目标。

步骤六，由于交通监视背景会随日照等因素缓慢变化，因此，纹理特征背景图像按照公式(11)进行实时缓慢更新，即

$B_{\mathrm{crs}}(t+1,x,y)=\left\{\begin{array}{cc}a\·B_{\mathrm{crs}}(t,x,y)+(1-a)\·F_{\mathrm{crs}}(t,x,y)& f(x,y)=1\mathrm{or}{F}_{\mathrm{img}}(x,y)=0\\ B_{\mathrm{crs}}(t,x,y)& F_{\mathrm{img}}(x,y)=1\end{array}\right.---\left(11\right)$

其中，a为更新参数，表示背景变化的速度。B_crs(t，x，y)为t帧纹理背景图像中像素(x，y)的值，F_crs(t，x，y)为当前帧图像中像素(x，y)的邻域图像块粗糙度值，B_crs(t+1,x，y)为更新后的纹理背景图像。若大块区域的f(x，y)为1，则表示车道中存在运动车辆，车道的车辆不是处于排队状态，需要对背景实时更新。若F_img(x，y)=1，表示车道中车辆已形成排队队列，不能更新背景，避免车辆长时间静止排队时由前景图像被公示(11)更新成为背景，当车辆开始运动产生了帧差，即f(x，y)变为1后，再实时更新背景图像。

(3)车辆排队长度的测量

通过对交通监控视频的图像处理获取车辆排队队尾位置(x’_n，y’_n)，由摄像机标定获取车道分界线与世界坐标系横轴夹角α以及摄像机的旋转角φ。

首先，求解摄像机的旋转角φ，使其满足本发明所建立的图像坐标系和世界坐标系的换算关系。根据旋转角φ像素n的坐标(x_n，y_n)为

$\left[\begin{array}{c}{x}_n\\ y_n\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\φ}& -\sin \mathrm{\φ}\\ \sin \mathrm{\φ}& \cos \mathrm{\φ}\end{array}\right]\left[\begin{array}{c}{x}_n^{\′}\\ y_n^{\′}\end{array}\right]$

其次，将图像坐标系中像素n的坐标的(x_n，y_n)换算为世界坐标系对应点N的(X_n,Y_n),换算公式如下：

$Y_n=\frac{\mathrm{\λ}-y_a}{\mathrm{\λ}-y_n}\·\frac{h_1{h}_2(y_b-y_c)}{(y_a-y_b)h_2-(y_a-y_c)h_1}\sin \mathrm{\α}$

$X_n=\frac{\mathrm{\λ}-y_c}{\mathrm{\λ}-y_n}\frac{h_2\cos \mathrm{\α}}{x_c-x_{a^{\′}}}{x}_n$

最后，计算车辆排队长度

本发明使用数字摄像机获取交通监视场景的视频图像，结合摄像机快速标定方法和数字图像处理技术检测出交通路口车辆排队长度，达到实时交通流参数的采集。

如图1所示，本发明采用PTZ视频摄像机获取道路交通监视场景的视频图像，设置路面的兴趣域ROI，采用纹理特征检测背景图像上兴趣域中的车辆排队状态，通过摄像机的快速标定建立图像坐标系与世界坐标系的对应换算关系，将检测到的队尾像素坐标换算成世界坐标值，计算出车辆排队的长度。PTZ摄像机，即Pan(平移)，Tilt(倾斜)，Zoom(变焦)，可以水平、垂直改变视角及变焦的摄像机，用于视频监控***。

综上所述，本发明的实施过程简要概括为以下步骤：

1)通过交通路口安装的PTZ视频摄像机，实时获取路况视频图像信息；

2)从视频摄像机获取的图像信息中，选取具有特定几何特征和尺寸数据的交通标线，如图2所示。在路面的交通标线中，选取车道分界虚线上的三个共线端点A、B、C，并获取这三个端点两两之间的距离，端点AB间距为h₁，端点AC间距为h₂。过某个端点取车道分界虚线的垂直线上的某一点D，并测量出该点到交叉点之间的距离d₁。

按照图3所示的坐标系示意图，上述四个端点在图像中的坐标分别为(x’_a，y’_a)、(x’_b，y’_b)、(x’_c，y’_c)和(x’_d，y’_d)。

摄像机的并非完全水平安装时，CCD传感器的最底边沿与水平线存在旋转角度，假设旋转角为φ，则首先将a、b、c和d四个像素点坐标进行旋转，有

$\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\φ}& -\sin \mathrm{\φ}\\ \sin \mathrm{\φ}& \cos \mathrm{\φ}\end{array}\right]\left[\begin{array}{c}{x}_i^{\′}\\ y_i^{\′}\end{array}\right]$ (其中i＝a,b,c,d)        (1)

计算出中间变量 $Y_A^{\′}=\frac{h_1{h}_2(y_b-y_c)}{(y_a-y_b)h_2-(y_a-y_c)h_1}---\left(2\right)$

$\mathrm{\λ}=\frac{(Y_A^{\′}+h_1)\·y_b-Y_A^{\′}\·y_a}{h_1}---\left(3\right)$

在世界坐标系中如图4所示的辅助点A’，在图像中对应的像素点为a’，则像素点为a’的横坐标为

$x_{a^{\′}}=\frac{\mathrm{\λ}-y_c}{\mathrm{\λ}-y_a}{x}_a---\left(4\right)$

在图像中，过d点作水平线，与a、b、c所在直线的交点为e点。e点像素坐标为(x_e，y_e)，已知直线L₁的斜率为k，截距为b，如图5所示。图像平面中e点的横坐标x_e由如下公式计算为

$x_e=\frac{y_b-b}{k}$

再依据 $\sin 2\mathrm{\α}=\frac{\mathrm{\λ}-y_a}{\mathrm{\λ}-y_c}\frac{{2d}_1(x_c-x_{a^{\′}})}{h_2|x_e-x_a|},$ 求出车道分界线与世界坐标系横轴的夹角α。

将标定参考物D点在图像中对应像素坐标换算为世界坐标系的坐标，计算公式如下。

$Y_d=\frac{\mathrm{\λ}-y_a}{\mathrm{\λ}-y_d}\·\frac{h_1{h}_2(y_b-y_c)}{(y_a-y_b)h_2-(y_a-y_c)h_1}\sin \mathrm{\α}---\left(6\right)$

$X_d=\frac{\mathrm{\λ}-y_c}{\mathrm{\λ}-y_d}\frac{h_2\cos \mathrm{\α}}{x_c-x_{a^{\′}}}{x}_d---\left(7\right)$

假设过D点的直线与直线L₁垂直交于B点，同理将像素b的坐标换算为世界坐标系的坐标，计算出|DB|的距离，即为D点到A、B、C三点所在直线L₁的距离。

求解φ的过程中，在φ∈[-15°,15°]区间中重复按照公式(1)至公式(7)，再次获取|DB|的值。采用Levenberg-Marquardt算法搜索φ∈[-15°,15°]区间中，使得

φ=argmin(|DB|)                    (8)

(2)车辆排队状况的视频图像分析

首先，在图像中设置车辆排队检测区域，即兴趣域ROI，选取从车道中交通停止线到预定的车道检测区作为车辆排队检测区。如图6所示。

其次，采用像素(x,y)所在邻域图像块的Tamura纹理值来衡量该点图像的粗糙度，记为F_crs(x，y)，将每个像素的邻域粗糙度值F_crs(x，y)组成一幅新的图像作为纹理特征背景图像B_crs。

然后，由于交通监视背景会随日照等因素缓慢变化，例如白天的纹理背景图像就明显不同夜间，因此，纹理特征背景图像按照公式(11)进行实时缓慢更新。但是

$B_{\mathrm{crs}}(t+1,x,y)=\left\{\begin{array}{cc}a\·B_{\mathrm{crs}}(t,x,y)+(1-a)\·F_{\mathrm{crs}}(t,x,y)& f(x,y)=1\mathrm{or}{F}_{\mathrm{img}}(x,y)=0\\ B_{\mathrm{crs}}(t,x,y)& F_{\mathrm{img}}(x,y)=1\end{array}\right.---\left(11\right)$

采用高斯模型分析，从背景图像提取前景图像F_img。

经形态学处理方法，获取边缘光滑、完整的前景图像，即车辆排队二值化图像。

最后，从车道停止线起向车道排队方向，采用移动检测窗的算法搜索队列尾部位置，获得队尾像素坐标N(x’_n，y’_n)，如图6所示。

(3)车辆排队长度的测量

在获取精确的φ角之后，经图像处理获取得车辆排队队尾位置n(x’_n，y’_n)，首先按照公式(1)对像素点n进行旋转矫正。根据旋转角φ像素n的坐标(x_n，y_n)为

$\left[\begin{array}{c}{x}_n\\ y_n\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\φ}& -\sin \mathrm{\φ}\\ \sin \mathrm{\φ}& \cos \mathrm{\φ}\end{array}\right]\left[\begin{array}{c}{x}_n^{\′}\\ y_n^{\′}\end{array}\right]$

其次，将图像坐标系中像素n的坐标的(x_n，y_n)换算为世界坐标系对应点N的(X_n,Y_n),换算公式如下：

$Y_n=\frac{\mathrm{\λ}-y_a}{\mathrm{\λ}-y_n}\·\frac{h_1{h}_2(y_b-y_c)}{(y_a-y_b)h_2-(y_a-y_c)h_1}\sin \mathrm{\α}$

$X_n=\frac{\mathrm{\λ}-y_c}{\mathrm{\λ}-y_n}\frac{h_2\cos \mathrm{\α}}{x_c-x_{a^{\′}}}{x}_n$

最后，计算车辆排队长度， $L=\sqrt{{\left(X_n\right)}^2+{\left(Y_n\right)}^2}.$

Claims (6)

1.一种基于PTZ摄像机快速标定的车辆排队长度测量方法，包括以下步骤：

1）用PTZ视频摄像机实时获取交通监视场景的视频图像；

2）在图像中选取垂直交叉的两条交通标线构成丁字形的摄像机标定参考物，获取丁字形标定参考物中四个端点的像素坐标，测量其中共线三个点的两两之间距离，并测量另外一点到该直线的距离；

3）建立图像坐标系与世界坐标系的模型及其对应关系，求解出摄像机的内外参数，建立起图像像素的坐标与世界坐标系路面对应点的坐标之间的换算关系；

4）在图像中，选取从车道的停止线到预设定的车道检测区作为车辆排队信息检测区，即兴趣域ROI，后续的处理过程限制于ROI内；对于任意像素（x,y），采用其所在邻域图像块的纹理特征来衡量该像素点的粗糙程度，记为F_crs(x,y) ，将F_crs(x,y) 作为纹理背景图像的像素点灰度值；历遍计算每个像素的邻域粗糙度值F_crs(x,y)，组成一幅表征纹理特征的背景图像B_crs，并且背景图像随日照光线变化能够自适应更新；

5）将实时图像的纹理特征与背景图像的纹理特征进行比较，提取前景图像，经形态学处理后获取边缘光滑、完整无孔洞的二值化前景图像，即车辆排队信息，从车道停止线起向车道排队方向搜索，采用移动检测窗的算法搜索队列尾部位置，获得队尾像素N的图像坐标；

6）根据摄像机标定所建立的坐标系换算关系，将队尾像素N的图像坐标换算为路面对应点在世界坐标系的坐标值，计算出交通堵塞时车辆排队的队列长度。

2.根据权利要求1所述的基于PTZ摄像机快速标定的车辆排队长度测量方法，所述步骤2）中的摄像机标定参考物，选取车道分界虚线L₁上共线的A、B、C三点端点，并已知这三个端点两两之间的距离，端点AB间距为h₁，端点AC间距为h₂，A、B、C中的某个端点与线外另一点D的连线L₂垂直于 L₁，D点到直线L₁的距离为d₁；并已知A、B、C、D在图像中的坐标分别为 a（x^’ _a，y^’ _a）、b（x’_b，y^’ _b）、c（x^’ _c，y^’ _c）和d（x^’ _d，y^’ _d）。

3.根据权利要求1所述的基于PTZ摄像机快速标定的车辆排队长度测量方法，所述步骤3）中的图像坐标系与世界坐标系的模型及其对应关系，世界坐标系X_W-Y_W：X_W轴定义为过摄像头透镜中心且平行于CCD传感器的平面与地面的交线，Y_W轴定义为过摄像机光轴且垂直于地面的平面与地面的交线，Y_W轴正方向为沿摄像头指向前方， X_W 轴正方向为水平指向右方；其原点O_W定义为X_W轴与Y_W轴的交叉点；图像坐标系XOY：在图像中，设图像的尺寸为M×N，原点定义为图像几何中心[(M-1)/2，(N-1)/2]，图像中X轴水平指向左方，Y轴垂直指向下方；当摄像机俯视交通场景中标定参考物时，光轴与路平面的夹角为θ，车道分界线与世界坐标系的夹角为α，摄像机绕其光轴的旋转角为φ。

4.根据权利要求1所述的基于PTZ摄像机快速标定的车辆排队长度测量方法，所述步骤3）中的摄像机标定步骤为：

当摄像机非完全水平安装时，CCD传感器的下底边与水平线存在旋转角度，假设旋转角为φ，则首先将a、b、c和d四个像素点坐标进行旋转，有

      (其中i=a,b,c,d)       （1）

并求中间变量

计算图像中辅助点a’的横坐标  

在图像中过d点作水平线，与a、b、c所在直线L₁的交点为e点，e点像素坐标为（x_e，y_e），图像平面中e点的横坐标x_e为

再依据

 ，求出车道分界线与世界坐标系横轴的夹角α；

将图像中像素d的坐标换算为世界坐标系的坐标，计算公式如下，

假设在世界坐标系中过D点的直线与直线L₁ 垂直交于B点，则在图像中对应点像 素b的坐标可根据公式(6)、(7)换算为世界坐标系的坐标，计算出|DB|的距离，即为D点到A、B、C三点所在直线L₁的距离；

采用Levenberg-Marquardt算法搜索φ∈[-15°, 15°] 区间中，使得

。

5.根据权利要求1所述的基于PTZ摄像机快速标定的车辆排队长度测量方法，所述步骤4）使用各像素邻域图像块的纹理特征值建立起纹理背景图像，即纹理背景图像中某个像素的灰度值为该像素邻域图像块的粗糙度值。

6.根据权利要求1所述的基于PTZ摄像机快速标定的车辆排队长度测量方法，所述步骤6）的步骤为：

在获取旋转角φ之后，经图像处理和区域搜索获取得车辆排队队尾位置n (x^’ _n,y^’ _n)，首先按照公式（9）对像素点n进行旋转矫正，矫正后的像素n(x_n,y_n)为

其次，将图像坐标系中像素n的坐标的(x_n,y_n) 换算为世界坐标系对应点N的(X_n,Y_n),换算公式如下：

最后，计算车辆排队长度，

 。 

Images