英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料
摄影测量法和数字图像处理相结合测量交通队列长度
摘要
交通参数的实时测量在监控交通状况和调整交通信号灯的时间控制方面的需求不断增加。在这篇文章中，我们提出来一种利用摄影测量法和数字图像处理方法相结合的经济的，可操作的方法来进行实时交通车辆排队长度的测量，我们所需要的要求非常简单：一台放置在适当位置的摄像机和一张2D的数字矢量图，因此，它是经济的，有可行性的。我们需要四步来获得交通车辆队列长度：（1）从2D矢量图中导出控制点；（2）内部定向和外部定向参数的提取；（3）进行图像处理和车头灯坐标的计算；（4）车辆分隔在不同的车道并计算交通队列长度。其中步骤一和二在摄像机安放好后仅执行一次，当内部定向和外部定向参数得到后，它们可以被重复使用。因此，这种方法可以实现实时操作，此外，将车辆分离到不同的车道是交通队列研究领域的一项具有挑战性的工作，我们的方法解决了这个问题并且得到了一个有前景的结果。
1 引言
交通队列长度是智能交通管理中的一个重要的参数，实时队列长度测量能有效地监控交通状况，并合理地调整交通信号灯的控制时间，传统的图像处理方法（像时间差分、空间差分、背景差分）已经在交通监控领域中提出来了，因为图像是二维的，摄影测量法是一种可以将目标物体从二维图像空间转换到三维立体空间，或将目标物体从三维立体空间转换到二维图像空间的技术。当同时使用摄影测量技术和图像处理技术时，交通队列长度能够被有效地测量出来。
在其他文献中，交通队列长度研究可以被大体上分为两个大的类别：一种是分析历史累计的交通流量的方法；另一种是基于连续模型：赖特希尔—惠瑟姆—理查德模型。Fathy和 Siyal（1995）应用边缘检测和神经网络算法相结合的方法来实时测量交通队列参数，然而这种方法需要大量的训练数据。Hiribarren 和Herrera（2014）利用手机GPS来获得行迹数据，基于赖特希尔—惠瑟姆—理查德模型，主干道上的交通动态能够被估计出来。
在这篇文章中，我们提出来一种将摄影测量技术和图像处理技术相结合来测量交通队列长度的方法，测试图像是从桥梁的一侧获取到的，靠近芬兰赫尔辛基道路的十字路口，这些图像是由业余相机在白天多云的天气下拍摄的。在这种结合方法中，我们用图像处理方法来检测车辆车头灯并用摄影测量知识来导出车辆车头灯的坐标，同时将他们分离在不同的车道上，每一个车道上的队列长度都被计算出来，并将最长的车道长度作为交通队列长度，这个过程可以实时进行 ，图像可以举例来讲，每5分钟或者10分钟获取一次。与此同时，交通队列长度用图像的方式上传，这篇文章的结构如下：在第二部分，该方法将通过真是图像来进行说明，在第三部分中将展示并分析结果；最后一部分将进行总结和讨论。
2 方法
为了进行交通队列长度的测量，我们采用了十幅不同角度拍摄的图像，作为测试图像。因为在测试区域没有已知的控制点，测试点由2D矢量图导出。图像的内部定向由相机标定方法获得，iWitness软件来获取每帧图像的外部定向，对于一个固定位置的相机来说，一旦内部定向和外部定向获得了，就可以应用到每一张图像上。在数字图像处理进程中，我们关注点在汽车车灯的检测，通过二值化，道路外侧区域被移除，并通过图像范围的属性的约束，车灯附近的噪声被滤除，用共线方程来计算每个汽车车灯的位置，在测试道路上有四条车道。根据控制点的地面坐标系，依据它们各自的坐标将它们分割到各自的车道，然后，在每条车道上，计算出第一个汽车车灯和最后一个汽车车灯之间的距离。最后，比较各条车道上的队列长度，将最长的那个作为交通队列长度
2.1 从2D矢量图中导出控制点
2D数字矢量图显示了一些细节信息：道路边界，道路转弯方向箭头，车道分隔线（实线和虚线），以及人行道（见图1）。测量出数字矢量图和实际图像的对应点，这些点在道路路面被测量出来。我们假设路面很宽，这些用来做控制点的点的二维平面坐标系可以从数字矢量图中获取出来
图1显示了这些控制点所位于的车道线，相应的控制点在iWitness软件中的显示如图2，六个点从地图中导出，车道线的间隔被测量出来并作为比例因子。
图1 从矢量图中导出的控制点和车道间隔
图2 图像中红框显示的控制点
2.2 iWitness软件提取出内部定向和外部定向
相机标定可以看做是一个质量保证，确保初始数据来源的度量和图像质量以及后续的跟进工作，其中相机标定是用iWitness软件估算的，结果是，相机镜头的径向和中心偏移失真得到纠正，获得图像的内部定向。图像是在赫尔辛基的桥梁上拍摄的。在当时，天气状况是多云，并且当时的时间是在上午11点，对于图像系统来说没有直射阳光的干扰。我们选取了其中一幅图像作为例子来描述我们所采用的方法，图像的外部定向可以从图像块中获得，比例因子可以从矢量图或者图像上的相邻车道间隔的测量来获得。它们在图1（蓝线）和图2（红线）中阐述。
2.3 图像中汽车车灯的提取
在这一步中，我们的目标是从测试图像中提取出汽车车灯。首先，原始的RGB图像要转化为灰度图像（见图3）；其次，设置强度阈值来消除噪声，在北欧国家，当汽车在使用时汽车车灯是打开的，无论是白天还是夜晚。因此，汽车车灯相对于其他物体来说有更好的强度数值。此外，汽车车灯的体积比汽车车身的体积要小，并且它们的形状更趋向于一个圆而不是一条线，这些特性能使汽车车灯从其他物体中分离出来。
图3 左：原图；右：灰度图
图4显示了使用区域阈值和形状阈值的的过程，它可以被看做是应用这些阈值，不是汽车车灯的物体被过滤掉了，而汽车的车灯则被保留了下来
图4 左：去出道路外的物体；右：提取出的汽车车灯
2.4 车辆分割到不同的车道线并计算交通队列长度
在之前的阶段，我们从矢量图中获得了每条车道的坐标系，这些坐标系是在实际空间中。我们从图像中提取出来的汽车车灯是在图像空间中，而图像空间和实际空间的联系需要由一个著名的共线方程建立，在接下来的部分，我们将会描述获得交通队列长度的具体步骤：
- 建立直线方程
由最初的从矢量图中导出的控制点，可以形成直线方程，并且它们的角度可以计算出来，虽然每条线的斜率存在小的差别。为了实现斜率的一致性，取这些线的斜率的平均值作为每条车道线的方向。
这里的(Xl. Yl), ( X2. Y2)是一条线上的起始点和结束点的坐标，n是车道分隔线的数目。
- 计算每个车灯的实际空间坐标
为了获得汽车车灯的实际空间坐标，需要知道它们的图像坐标和内部定向，外部定向。在章节2.2中，这些参数已经获得。在数字图像中，图像坐标系原点位于左上角。然而，在摄影测量中，定义坐标原点位于图像平面的中央。在应用共线方程之前，数字图像坐标系需要转化成摄影测量图像平面坐标系，实际空间坐标可以由共线方程计算：
这里的(f)是校准焦距；()是旋转矩阵的系数；,,是相机焦点在实际空间坐标系中的坐标；XYZ是实际空间坐标系的坐标轴；x,y是图像中点的坐标；
,是图像中的点坐标。
- 通过直线方程分割车灯
在每一条车道线，汽车车灯根据它们的坐标和第一个与最后一个的测算距离来分类，最终长度是计算的距离加上车辆的正常长度，例如5米。图5显示了每条车道线上的队列长度的计算结果，在测试图像中，第一条车道的队列长度是43.54米，第二条车道的队列长度是74.59米，第三条车道的队列长度是53.12米，第四条车道的队列长度是41.15米。总的结果来说第二车道的最长的队列长度 (74.5923米)作为最终交通队列长度。
3 结果和分析
在测试区域，10幅图像作为图像块在iWitness软件中应用，测量每幅图像的连结点并应用了矢量图中的控制点之后，内部定向和外部定向得以确定。其中四幅图像应用于测量交通队列长度。最终，汽车车灯成功的检测出来并且实现了交通队列长度的计算，结果由以下两段分析：车灯检测和队列长度测量。
- 汽车车灯检测分析
图6显示了部分结果，左边图像是原始图像，右边图像是检测出来的车灯，结果分析是由视觉通过与原始图像的对比来判断。
图5 每条车道上的队列长度的测量
图6 汽车车灯测量结果
表1 汽车车灯检测精度
|
图像 |
汽车车灯数目 |
原始图像中看到的数目 |
检出率 (%) |
|
图像1 |
36 |
40 |
90 |
|
图像2 |
17 |
19 |
89.47 |
|
图像3 |
32 |
36 |
88.90 |
|
图像4 |
29 |
32 |
90.62 |
表1显示了车灯检测的精度，在图1中，正确率为90%，图2正确率89.47%，图3正确率88.90%，图4正确率90.62%，平均正确率为89.815%。造成遗漏车灯的原因可能是在图像处理过程中，车灯的反射导致了大面积的散射光，导致光线可能被滤除。从图7中可以看出红框显示了散乱的光线，这些光线在噪声滤除后被移除了，此外，在一些情况下，当车辆离得太远，灯光在图像中十分微弱，也可能被滤除。
- 队列长度测量分析
有两种情况可能导致队列长度测量的不准确，一种是队列中车灯被遮挡(图8左)，例如，当有两个或更多的车辆相互靠的很近，或者当一辆汽车在大卡车的后面，从相机的位置观察它们的车灯是看不见的。这种情况不是由我们的算法造成的，而是由原始图像造成的。另一种情况是队列中最后一辆车的长度，当最后一辆车是一辆大卡车(图8右)，总的队列长度将不准确，因为队列长度包含第一个车灯和最后一个车灯之间的距离加上最后一辆车的长度(通常5米)，当最后一辆车是辆汽车，队列长度是准确的。但是一旦最后一辆车是辆大卡车，例如可能有20米长，交通队列长度的测量误差将达到15米。
图7 处理前和处理后的噪声（红框是处理后丢失的车灯）
我们的方法适用于北欧国家，车灯无论是白天夜晚都处于打开状态。
图8 队列中的车灯遮挡（左）；队列中的大型卡车（右）
4 结论
在这次的交通研究工作中，我们为交通队列的测量提供了一种经济可行的方法，这种方法同时使用了摄影测量技术和图像处理技术。整个过程包含图像提取的内部定向和外部定向，车灯位置的定义，车辆分隔到不同的车道，每个车道长度的计算和选取最长车道作为交通队列长度，图像内部定向和外部定向的参数的测量只在相机第一次安放后进行一次，然后，这些参数可以被重复使用。因此，这种方法可以实时进行，如果相机设置为每5分钟或10分钟触发一次，然后交通队列的长度可以相应的更新。因此，它有益于在一些重要路段实现低成本的实时监控，在我们将来的工作中，其他交通参数也会被测量并且测试工作可以在不同天气状况和不同的时间下进行。
感谢
感谢芬兰创新资助机构对于RYM EUE工程的支持。
基于航拍视频图像处理的车辆排队检测方法
1 引言
在近些年，数目持续增长的车辆使城市交通拥堵现象变得越来越严重，也渐渐得使智能交通逐渐成为未来交通管理的一种不可避免的趋势，智能交通运输系统利用有效地结合先进的信息技术、计算机技术、、传感器技术、通信技术来实现准确、有效、科学的交通管理系统。
车辆排队长度是智能交通管理中的一个重要的参数，传统的环形探测器很容易计算，但是很难检测具体的车辆长度，大多数国内十字路口的交通信号灯使用的是固定时间法的定时控制，也有一些十字路口用的是分段控制方法，所用的方法是通过预测交通高峰期来进行分段控制，交通信号灯的分配时间都已经被提前设计好。然而，固定时间分配方法很难适应交通流量的随机变化，智能交通信号器命令系统应该根据十字路口的车辆实时排队长度变化来准确地分配时间给交通信号灯，并能够最大程度上保证车辆的正常通行，这样就能极大地改善十字路口的交通拥堵现象。高空视频检测能够避免周围环境的目标障碍物并且有动态视频监视方面的优势，比如更大的视野范围，多角度，高精度，与此同时，它能十字路口上的车辆排队长度检测提供技术支持。随着计算机视觉技术的急速发展，视频图像处理在智能交通控制系统领域得到了越来越广泛的应用。在目前，基于图像处理的车辆排队长度的自动提取方法一般来说有以下几种：（1）光流法：这种方法建立于背景灰度变化较小的假设，图像的时间
全文共5506字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144550]，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。
