基于图像处理的车辆测速系统

基于图像处理的车辆测速系统赵思远（济宁孔子国际学校）

【摘要】在交通系统中，车辆测速是不可缺少的一环，与智能交通数据的采集密切相关。目前的车辆测速多为地埋式车速检测或波频车辆检

且基于图像处理算法较为简易，可对道路上车辆测，所耗物资较多且易受外界影响。本文研究的基于图像处理的车辆车速可与街边探头结合，

边缘检测提取对图像预处理，后又使用Roberts算子，实时测速，且信息反馈及时，通过中值滤波、图像增强、建立数学模型求像素距离与实际距利于采集智能交通所需要的数据，完善交通系统。离的关系来计算车速。本系统旨在优化车辆测速，

灰度拉伸【关键词】中值滤波；边缘检测；灰度化处理；

【中图分类号】【文献标识码】【文章编号】（2018）TP274.4A1006-422208-0281-03

1引言1.1车辆测速的重要性

在交通系统中袁车速向来是人们较为关心的一个方面袁因为它不仅关系着人们的人身安全袁同时也是智能交通数据的重要组成部分遥

在实际生活中袁超速会造成很多问题袁例如车距判断失误尧行驶惯性加强以及驾驶员的视觉误差袁这会造成人体受伤与车辆的损毁袁因此在交通系统某些路段中有运用到车辆车速袁并对超速车辆进行处罚袁而不少司机的安全意识淡薄袁为节省时间特意在车速路口降速袁其他路段却依旧超速遥因此袁在各个路段进行测速是交通系统中不可缺少的一环遥

车辆的超速也降低着交通系统的秩序性与安全性袁使我们对车速的全路段情况检查有误遥为掌握车速袁我们要对车辆进行测速袁以达到控制车速的目的袁减少交通系统中的事故袁保障交通系统的道路安全遥与此同时袁车辆测速有利于实时掌为分析优化算法在定位稳定性和平均定位误差上的性能袁在立体空间内进行随机选点定位测试袁进行了1000次随机选点进行定位测试袁求出其平均定位误差尧最大误差和最小误差以及误差均方根遥测试随机位置下的定位结果对比袁如表1所示遥可以看出袁随机选点的情况下袁优化算法能够很好的降低误差均值袁比原算法下降了50%袁同时误差均方根也小很多袁这是由于精确定位的时候能够通过剔除问题参考标签的误差提高参考准确率袁同时野距离-损耗冶关系能够进一步改进定位结果遥

表1多次随机定位误差分析

测量值平均误差渊m冤最大误差渊m冤最小误差渊m冤误差均方根渊m冤

LANDMARC

0.8171.9870.0430.44

I-LANDMARC

0.370.91240.03960.1862

握道路交通情况袁为智能交通的建设提供有效而准确的数据袁继而及时反馈到云端袁处理计算出最适合当前的道路遥

车辆测速不仅是当今交通系统的重要组成部分袁也是智能交通不可缺少的一环遥

目前常用的测速方法有雷达测速尧激光测速尧地埋式测速等方法袁其中雷达车速应用较多袁其他测速方法在某些特定路段有运用遥

雷达测速多依靠多普勒效应原理袁物体与发射器距离的改变使物体的反射频率与发射机频率不同袁系统然后根据频率的改变计算出物体的速度袁但这种方法容易出现野值袁偏差较多袁而且精度校检的标准目前比较混乱遥雷达测速的成本较高袁由于原理的袁测速的范围十分局限袁不可用于多车同时车速袁一般的雷达测速都可被检测仪器检测到遥激光测速其他方法仅在特点的路段使用袁范围较小遥

1.2目前车辆测速的现状与弊端

的覆盖范围内得到更好得定位精度遥

[1]李用维.射频识别定位系统的研究与实现[D].西安科技大学袁2017.[2]蒋依明袁于胜袁张幼明袁肖大海袁张婧怡袁孟倩倩.室内定位技术在智能化管理中的应用[J].通讯世界袁2018渊06冤院81~82.

[3]曾俊.基于RFID的室内定位算法研究[D].成都院电子科技大学图书馆袁2015.

[4]陈晓宇.基于RFID的三维空间定位关键技术研究[D].南京邮电大学袁2014.

[5]张俊勇.RFID室内定位算法研究[D].南京信息工程大学袁2015.

[6]宋英娟袁杨恒新袁陆音.基于分层定位模型的RFID定位算法研究[J]袁计算机技术与发展袁2014袁24渊10冤袁81~84.

[7]李宝山袁岳康.LANDMARC定位算法的修正与优化[J].计算机应用与软件袁2016袁33渊04冤院99~102.

[8]刘丽丽袁郝刚.基于RFID的三维室内定位方法的研究[J].天津理工大学学报袁2016袁32渊02冤院45~49.

[9]王小辉袁田磊.基于RFID技术的三维定位算法研究[J].电子设计工程袁2017袁25渊06冤院136~139.

[10]何杰袁吴得泱袁李希飞袁徐丽媛袁齐悦.利用测距值优化的室内三维定位算法[J].北京邮电大学学报袁2017袁40渊03冤院37~42.

[11]李岩轲.基于RFID技术的室内定位算法研究[D].太原理工大学袁2017.

参考文献

I-LANDMARC算法首先利用LANDMARC算法的结果确定待定位标签的概略位置袁再选择概略位置周边的参考标签进行精确定位遥通过确定待定位标签的最大可能区域袁再选择该范围内的参考标签进行精确定位袁既解决了参考标签密度高引起的计算速度慢的问题袁又解决了参考标签密度低导致的野问题标签冶现象遥在精确定位的过程中袁利用选取的参考标签与待定位标签距离接近的特点袁有效降低环境干扰对整个定位过程的影响袁得到符合该区域的路径损耗指数遥通过野距离-损耗冶关系实现精确定位袁使得优化定位算法在参考标签

5结束语收稿日期：2018-8-23作者简介：张恒渊1993-冤袁男袁硕士研究生袁研究方向为智能信息处理遥

杨恒新渊1971-冤袁男袁副教授袁研究方向为无线射频识别技术遥

282论述

激光测速同样运用多普勒效应原理袁对被测物体发射两次有特定的时间间隔的激光袁从而得到实际距离进行测速遥这种测速方法容易受到天气因素的影响袁在天气恶劣的情况小误差较大遥激光测速同样成本昂贵袁而且测速的成功率较低袁且司机很容易发现测速的仪器袁而无法达到控制速度的预期遥

地埋式测速在车辆经过的地方埋下感应线圈袁通过汽车通过时的线圈电感量变化来判断汽车的速度遥这种测速方法缺点较多院工程量巨大袁当道路变更时需要深挖路面袁减少路面的寿命曰维修时需要封闭道路袁影响了交通的流畅遥

现在常用的测速方法存在比较明显的弊端袁很容易受到影响1.3袁创而且新无法点

与我们的街边监控相结合袁无法在全道路通用遥本文研究的基于图像处理的车辆测速系统建设成本低袁效率高袁可在各个街边探头使用而不需要其他设备遥相比于以前的车速系统袁不利用其它辅助设备袁仅使用街边监控袁受到的干扰少袁工程量小袁且算法简易遥在算法上建立了数学模型袁以扫描线为中介将像素距离与实际距离联系起来袁从而使用简2易的算法高效准确求出汽车的速度遥

2.1系本文图统像的采研究中集

使用街边探头来采集图像袁将采集到的图像进行简单识别袁确定有测速对象的存在后袁将图像传至系统2.2中进行图像图图像像预预预处处处理是理

理遥

使用图像相关知识来对图像进行初步简单的处理袁使我们想要得到的图像中无关的信息削弱或消失袁同时保留我们所需要的并进行优化遥

本系统采用的主要预处理方法有灰度化处理袁中值滤波袁2.2.1灰度拉灰伸度和化处理

图像分割等方法遥

首先将获得的图像进行灰度化处理袁以便进行下一步中值滤波与识别车牌遥

灰度化处理常用的方法有分量法尧最大值法与加权平均法袁该系统被运用的环境较多袁且要对车牌进行简单识别袁分量法与最大值法无法将我们的车牌突显处理袁所以我们此处选择使用加权平均法遥

将彩色图像转化灰度图像的过程称为灰度化处理袁我们由探头得到的图像的颜色模式大多为RGB颜色模式袁无法很好的反映图像的形态特征袁而且在处理时要分别对三个分量进行处理袁不利于我们进行下一步的中值滤波袁所以我们要进行灰度化处理遥此处的灰度化处理使用加权平均法袁人眼对于不同色彩的敏感度不同袁对绿色较敏感袁红色次之袁对蓝色最不明袁所以三个分量的重要性及其它指标不同遥因此袁为得到更加合理的灰度图像袁我们按下式对三基色进行加权遥下列式中f渊if袁j冤代表2.2.2于渊i袁是j冤我们=0.30R像素便得渊的i袁灰度值袁渊i袁j冤为图像中任一像素的坐标遥

到了j冤+0.59G灰度化渊i袁处j冤理+0.11B后的图像渊i袁j冤渊1冤我们得中值滤波

遥

到的灰度化处理后的图像仍有很多噪声干扰我们对于特征点的识别袁所以我们要进行去噪处理以便进行识别遥

常用的算法简易的滤波方法有中值滤波与均值滤波遥均值滤波是一种比较基础的去噪方法袁算法比较简易但缺点明显袁它只可以用来减弱噪声袁均值滤波后的噪声仍存在于图像之中遥此处为使我们对车牌的识别不出现错误袁我们要将噪声

2018年8月除去袁中值滤波可做到这点袁所以我们选择中值滤波来进行图像处理遥

中值滤波是一种用以除去噪声的非线性平滑技术袁它将滑动窗口内每一个像素的灰度值都设为窗口内所以像素的灰度值的中值遥中值即为我们平时所说的中位数遥

在中值滤波中袁先制定一个滑动窗口袁滑动窗口中一般包多个像素遥窗口的大小一般情况下为奇数袁以便于我们寻找中值袁以便用窗口中的像素的灰度值的中值代替中心点的灰度值遥然后窗口向下一个中心像素移动袁不断循环该步骤袁直到处理完所选区域的所有像素点袁此处我们根据情况选择3伊3或5伊5的窗口遥

2.2.3经灰过度中拉伸

值滤波操作我们可以基本除去噪声遥经过灰度化处理与中值滤波的图像袁可能依旧有因为各种因素而带来的不利影响袁所以我们在某些情况下要进行灰度拉伸遥

灰度拉伸即为对比度拉伸袁是灰度变换中最基本的一种操作袁原理依靠一种简单的线性函数遥它可以在选定的区域内改变像素的灰度遥如果在某一区域内图像过亮袁即灰度集中在较亮的区域袁我们就可以选定偏亮的区域袁对这片区域进行灰度拉伸袁改变其中像素的灰度值袁进行简单的线性变化遥以使其具有较暗的像素值袁我们在下一步的分割中就更易于识别所需要的图像遥

我们使用灰度拉伸就可以对对比度调节袁从而突出我们想2.2.4要的图像部分分袁割便于图像的分割遥

为使我们后期易找到特征点来计算实际距离袁而在图像中车牌具有字符而易于识别袁所以我们要进行图像分割来提取车牌作为特征点遥在本文的研究中袁我们使用边缘检测的方法进行图像分割遥

边缘检测是图像分割中较为普遍的一种方法袁边缘检测是用来寻找数字图像中亮度变化比较明显的像素点袁可以保持图像的结构同时除去一些噪声遥边缘检测可有效识别图像局部的边缘袁在我们上一步得到的图像中袁车牌具有比较明显的特点袁因为车牌的形状与图像中其他部分相比比较规则袁且车牌与周围环境相比袁其中含有易于识别的字符袁所以我们选择边缘检测处理来进行处理识别车牌遥

边缘检测的主要工具是边缘检测模板袁这种模板是一种基于梯度的滤波器袁它将水平尧竖直或斜对角线相邻袁若在灰度相近的区域袁则其表现的灰度值为0袁在灰度相差较大的地方袁则其灰度值的差就比较大遥我们就可以找到图像的边缘袁继2.3而分离出我们需要的车牌遥

由于车速汽的计车的算

体形较大我们不易对其跟踪研究袁所以我们应找一个汽车上的特征点来替代汽车袁而我们在上文的边缘检测中已得到了车牌图像袁所以我们这里用车牌的图像来作为其特征点遥

由我们边缘检测得到的简易车牌我们可以将其看作汽车速度测量的特征点袁对特征点进行跟踪研究袁以便于我们得到汽车的速度遥

我们现在常用的车辆测速方法有地埋式检测尧波频车辆检测以及图像检测等遥地埋式检测依靠磁感应线圈工作袁在安装维修时需要埋入地下袁不方便安装袁且这种方法为其原理所袁无法在车辆较多时准确测量袁而且无法运用到我们的街

2018年8月边监控中遥波频车辆测速是向车辆发送微波尧红外线等电磁波来产生感应进行测速遥但这种方法在车型单一的路段测量结果较准确袁在大型车较多尧车型较多的路段测量不准确袁而且如果要与我们的街边监控联系袁会使算法更加复杂遥综上袁我们选择图像检测技术与街边监控相结合遥

首先在分为每一帧且预处理以后的图像中寻找汽车的特征点袁然后测出汽车的特征点的像素距离袁再求出像素距离与实际距离的关系袁求出实际距离后根据摄影机帧与帧间的时间间隔求出汽车速度遥为使求出的速度更加准确袁应求多次速度求平均值遥

此处我们以车牌为特征点袁使用上文中提到的车牌识别技术来确定特征点遥

我们在测速中袁因为是直线路段袁所以我们的像素距离中行或列其中一个不会变袁所以我们用另一个来描述特征点的像素距离变化遥我们假设该帧中图像特征点所在的行不变袁在列X原上Y所处的位置为X袁下一帧中在列上所求的像绝素对距离值袁即与为实际像素距离距离的遥

处的位置为Y袁取关系遥

图1

设m处为摄像头袁h为摄像头距离地面的垂直距离遥我们假C的尧设一D特征角条度相点扫描同移线袁动袁为X所以摄原像Y可机的像素距离所对应的实际距离为d2袁B尧以求扫描出每线条袁扫描角度线为对应的A的扫描实际线距离为最袁近而每条扫描线同时代表了像素距离中的每一行或一列遥本文已假设特征点所在的行不变袁故每一条扫描线即代表了每一列像素的像素距离遥我们可使用数学方法求出扫描线间的实际距离d1尧d2尧d3噎

求d1/h=tan扫描线间距离院hh伊A

h伊tan噎噎

伊tan渊A+B冤=d1+d2渊2冤tan渊渊A+B+CA+B+C+D冤=d1+d2+d3

冤=d1+d2+d3+d4我们即可求出实际距离与像素距离的关系袁根据图像中的像素渊1距离求冤求车辆出速汽度

车移动的实际距离遥

根据摄像机的采集频率求出帧与帧间的时间间隔袁用距离比求出汽车速度遥

V=移X-Y

渊2冤n求-1速di/t

冤軍V=移K度求平均值

渊3n=1

Vi

渊4冤

3可经实过以现上功步能骤袁我们即可求出汽车的速度遥

本文所研究的基于图像的测速系统将图像处理与数学方

法相结合袁在原理上所受影响更小袁可用于车型复杂的道路上的测速遥该系统可用于多种天气与路段袁可在实际生活中普通

论述283

道路上的探头上安装该系统袁将本系统与该交通探头结合袁可将车辆测速普及袁而不是仅仅局限于某些特定的测速路段遥测速的普及可使车速得到有效的控制袁从而提高交通系统的安全性遥同时也可将该系统运用到高速路袁立交桥等特殊不易有效测速的路段袁在监控的同时达到测速的目的袁在各个路段都可提高交通系统的安全性遥

该系统同时可应用到智能交通之中遥在智能交通的建设过程中袁数据的采集是不可缺少的一环袁数据采集的到位才可实时掌握道路信息袁继而建设智能交通遥车辆速度是交通系统中的重要数据袁而该系统可采集到全道路的汽车速度遥该系统可4积结极为语智能交通系统进行数据采集工作遥

本文研究的基于图像处理的车辆测速系统袁运用灰度化处理尧灰度拉伸尧中值滤波与边缘检测的图像预处理方法袁对图像进行初步的降噪尧对比度调节与图像分割处理袁以为我们的下一步特征提取铺垫遥

在特征提取中袁我们首先对车牌进行了一个简单的识别袁便于我们寻找一个特征点来测量实际距离袁此处我们以车牌为特征点遥找到特征点以后袁我们开始进行车速的测量遥在车速的计算中袁我们以摄像机的扫描线为中介袁将实际距离与像素距离联系起来袁摄像机发出角度相同的扫描线袁相邻扫描线的间距在像素的图像表现为一行或一列袁在实际的表现可由正切函数测量出袁继而得到了实际距离与像素距离的关系遥

该系统与以往的测速系统相比袁适应性更强袁成本更低袁抗干扰性较强遥该系统的使用可实现全道路监控测速袁提高当前交通系统的安全性遥与此同时袁该系统可为未来的智能交通建设采集数据袁掌握道路交通情况袁实时对云端反馈袁确保数据的实时性与准确性遥

当然袁本文研究的系统仍有不足之处遥例如袁在目前的实际生活中袁将该系统的普及可能不太容易实现遥因为专业知识的缺少袁尽管询问专家并查阅各种资料文献袁本文研究的系统没有考虑到某些情况袁比如没有仔细讨论在某些雨雪尧大风天气下的测速情况袁但在今后的学习中将不断完善本文研究的系统袁为安全系统的升级作出贡献遥

[1]2001程研.基于视频图像处理技术的参考文献

运动车辆检测与跟踪算法研究[2][3]刘袁[4]任述明伟03.

..基.基于于图像视频处图像理的的车车速速检测检测研究方法研究.2014袁05.[5]牛张少飞婷.复杂.基于背图像景下处车理牌的识车别牌系统定位与的研究检测.2006与实技术袁11.

现.2016毕业论文袁09.

.2017袁10.收稿日期：2018-7-13