一种信号交叉口排队车辆静态间距快速测算方法与流程

本发明涉及信号交叉口排队车辆静态间距快速测算方法。

背景技术：

信号交叉口是典型的间断流设施，其范围内的车辆始终包含停止和运行两种状态。信号交叉口排队车辆静态间距是指当前车辆停止等候红灯时与前车保持的空间间隔，特指前车车尾至当前车车头的距离。静态间距在一定程度上反映了停止之前车辆间的相互作用，对信号交叉口的通行效率和安全状况均有重要的影响。

现阶段信号交叉口排队车辆静态间距测量方法主要有两种：一种是基于车头时距的转换方法。由于车头时距的测量较为容易，一般可根据启动阶段相邻两车的车头时距和后车的速度及长度计算车辆之间的空间间隔。这种方法涉及到对后车速度的估计以及车辆长度假设，使用局限性较大且精度难以保证；另一种是基于视频定点拍摄的测量方法，即通过视频记录的某一交叉口的交通运行状况，进而截取红灯期间的图像来测算车辆之间的空间间隔。这种方法实施容易，但受拍摄位置、拍摄角度及天气状况的影响较大，精度较低。此外，该方法主要适用于定点观测，无法应用于针对车辆个体的连续观测。

总体来看，现阶段的技术应用存在着测距设备要求较高、测距模型较复杂、计算效率较低等问题。

技术实现要素：

本发明是为了解决现有技术存在测距设备要求较高、测距模型较复杂及计算效率较低的问题，而提出的一种信号交叉口排队车辆静态间距快速测算方法。

一种信号交叉口排队车辆静态间距快速测算方法按以下步骤实现：

步骤一：根据选择的车载视频设备及安装高度，确定车辆间距测量参数；

步骤二：对车载视频设备拍摄的视频进行视频图像预处理；

步骤三：对步骤二预处理后的图像进行车牌定位及车牌分割；

步骤四：根据步骤三计算现实空间中车牌底部距地面的高度；

步骤五：根据步骤四并结合测距模型，计算信号交叉口排队车辆静态间距。

发明效果：

本发明主要是借助于计算机单目视觉技术进行信号交叉口排队车辆的静态间距测算，该技术在车辆间距估计方面有了较多的应用。

1、本发明提供了一种非人工的信号交叉口静态间距测量技术，且该测量技术具有较高的测量精度。在测距试验在2.0～6.5m范围内每隔0.5m拍摄取样，结果表明所建立的测距模型的总体精度较高，平均相对误差仅为5.31％，具体如表1所示。

表1模型测量距离与实际距离对比表

2、本发明只需要对车载视频设备的安装参数进行简单的一次标定，就可以借助图像处理软件(如Matlab)快速获取某一车辆个体在一系列信号交叉口中的静态间距，在常用计算机(Intel Core i7处理器，4G内存)上平均每幅图像的处理时间小于1.0s。

3、本发明提出了一种针对个体车辆信号交叉口静态间距连续观测的技术手段，为分析现实环境下驾驶员在信号交叉口的静态间距保持规律以及判断驾驶员的驾驶行为特性(激进型、温和型或保守型)提供了便捷、可靠的技术支撑。

4、应用本发明测得的精度较高的信号交叉口排队车辆静态间距，可以为交叉口车辆排队长度、交叉口通行能力、交叉口安全状况分析提供数据支撑。

附图说明

图1为现实空间与图像空间映射关系示意图；

图2为测距基本原理示意图；

图3为视频图像预处理流程图；

图4为车牌定位流程图；

图5为图像预处理和车牌定位过程图；

图6为静态间距分布直方图。

具体实施方式

具体实施方式一：一种信号交叉口排队车辆静态间距快速测算方法包括以下步骤：

步骤一：根据选择的车载视频设备及安装高度，确定车辆间距测量参数；

步骤二：对车载视频设备拍摄的视频进行视频图像预处理；

步骤三：对步骤二预处理后的图像进行车牌定位及车牌分割；

步骤四：根据步骤三计算现实空间中车牌底部距地面的高度；

步骤五：根据步骤四并结合测距模型，计算信号交叉口排队车辆静态间距。

本发明是利用计算机单目视觉技术和视频图像处理方法，通过车牌定位实现面向车辆个体的信号交叉口排队车辆空间间隔快速测量。与传统测距方法不同的是，本发明是基于通用的民用车载视频设备，通过一定的视频设备安装技巧和建模技巧，简化了测距模型并提高了测算效率和精度。具体的发明内容包括测距原理与模型、测距工作过程、视频设备安装技巧。

视频设备安装技巧

视频设备应固定在车辆前方风挡玻璃上，具体安装技巧如下：(1)安装在车辆后视镜后方，一方面减少视频设备对驾驶员的视线干扰，另一方面可以便于安装高度和距车头距离的确定；(2)视频设备的安装应保持水平，以保证图像中的点(u,v)的射线在现实空间中与标准轴线形成的垂直夹角为θ＝0度，可简化计算、提高计算效率。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中确定车辆间距测量参数具体为：

选择合适的车载视频设备，并确定截取图像的分辨率m×n和车载视频设备的孔径张角2α等基本摄像参数；确定车载视频设备距其所在车车头的距离l₀和车载视频设备距地面高度h等基本安装参数；明确不同车型汽车尾部车牌的颜色和实际尺寸，参照中华人民共和国机动车号牌(GA36-2014)标准。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一至二之一不同的是：所述步骤二中对车载视频设备拍摄的视频进行视频图像预处理的具体过程为：

根据车载视频设备记录的视频，提取车辆在信号交叉口遇到红灯排队等候时的静态图像，形成基础测距图像库；

由于所处的行车环境复杂多变，容易受到光照、天气等外在环境因素的影响使得视频图像可能会出现模糊、带有噪声的现象。为了提高测距精度，利用matlab图像处理工具箱对图像进行图像裁剪、图像灰度化、灰度矫正、中值滤波和边缘检测处理，得到中间过程图像，基本流程如图3所示。

其它步骤及参数与具体实施方式一至二之一相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中对步骤二预处理后的图像进行车牌定位及车牌分割的具体过程为：

车牌定位的具体过程为：

利用matlab图像处理工具箱对步骤二得到的中间过程图像依次进行图像腐蚀、膨胀、开闭运算、去除杂质以形成完整的车牌填充区域，并通过编程进行填充区域内的像素点叠加计算，获得图像二维空间内车牌区域坐标(u，v)，相关代码如下，从而确定车牌的具体位置，得到车牌像素高度h_pu、车牌底边距地面的像素高度h_u以及实际的车牌高度h_p；[y,x,z]＝size(I_final)；％“I_final”为形态学处理后得到的车牌填充区域图像

完成车牌定位后进行车牌分割，建立车牌位置库。

车牌在原始图象中属于特征明显的区域。确切来说，车牌是水平度较高的横向长方形，它在原始图象中的相对位置比较集中，且其灰度值与周边区域有较大差异，在其边缘形成了灰度突变的边界。因此，可通过边缘信息来对图象进行定位及分割。车牌定位与分割的流程图如图4所示。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中根据步骤三计算现实空间中车牌底部距地面的高度的具体为：

其中所述h₀为现实空间中车牌底部距地面的高度。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤五中测距模型具体为：

基于图像二维空间I＝{u,v}和现实三维空间R＝{x,y,z}的映射关系(如图1所示，三维空间内摄像机坐标为(l,d,h))，结合车载视频设备距地面高度、车牌距地面高度及车载视频设备摄像参数等基本数据，利用直角三角形的边角转换关系，根据图2可知，计算当前车车头与前车车尾的空间间距为：

式中，dp为前车尾部与当前车头部直接的距离，单位为mθ为图像中的点(u,v)的射线在现实空间中与标准轴线形成的垂直夹角，即车载视频设备的安装角度(rad)；

由于现阶段常用的视频图像采集设备清晰度较高(即m>>1)，同时在保证车载视频设备水平安装的条件下，测距模型可以进一步简化为：

其它步骤及参数与具体实施方式一至五之一相同。

实施例一：

步骤一：设备选择与安装

选择市场上常用的行车记录仪作为车载视频设备，统一安装在了26辆出租车的前风挡玻璃上，具体的行车记录仪内部参数和安装参数如表2所示。

表2测距基本参数一览表

步骤二：图像采集

行车记录仪采集道路时间为白天共236.7小时的出租车运行视频，并从中截取了1896个出租车在信号交叉口红灯排队等候时的前车图像，形成了静态间距测量基础视频图像库。

步骤三：图像预处理及车牌定位

对基础视频图像库中的图像依次进行预处理和车牌定位。以其中的一幅图像为例，图像预处理和车牌定位的过程和结果如图5所示。

步骤四：静态间距测算

利用构建的静态间距测算模型，计算得到了所截取的1896个图像所对应的静态间距。其中，静态间距最小值为0.23m，最大值为7.43m，平均值为1.54m。

步骤五：测算结果评价

静态间距的分布直方图如图6所示。选择常用的连续型分布进行静态间距样本的拟合，具体包括Gamma分布、Exponential分布、Erlang分布、Weibull分布、Log-normal分布和Log-logistic分布。拟合结果表明，Log-logistic分布对静态间距样本的拟合优度最好，与已有的研究成果吻合。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。