论文部分内容阅读
经济的发展和社会的进步使得汽车成为更多人出行时的代步工具，随之而来的是道路交通压力的增加，同时对智能交通网络的需求更为迫切。车辆运动速度的测量是智能交通网络中基础且重要的一部分。基于双目立体视觉车辆的车辆测速系统，能够克服传统测速方法中安装成本高、施工复杂、测量限制等缺点。该测速系统由目标检测、图像匹配、双目相机标定及测速四个部分组成，本文的研究内容是该系统中的图像匹配模块。
图像匹配是计算机视觉领域里基础且关键的问题。在该测速系统中，图像匹配是为了得到两幅图像之间正确的匹配点，然而SURF与单应性矩阵相结合的方法在求解的过程中，噪声/异常值的干扰与计算量之间无法达到权衡。本文主要针对上述匹配方法的不足进行研究。图像匹配模块是目标检测模块的后续工作，在目标检测中可得到目标的所在区域的坐标位置信息，利用该位置信息对SURF提取到的特征点进行位置约束，利用车牌制式特性拟合出车牌区域像素占比与相机车牌距离之间的关系，利用该关系粗略剔除掉通过SURF算法对车牌区域进行匹配得到的匹配点对集合中到相机距离明显异常的匹配点对；随后，使用局部邻域一致性约束精细剔除掉匹配点对集合中的误匹配点对，进一步减小匹配点对集合的大小；利用相机位姿的估计，对车标、车灯、车镜区域的匹配点进行误匹配剔除；在测速过程中，为了使测速时前后两帧测量的是同一个点，结合视频序列的连贯性，提出一种基于视频时空域的车辆测速方案。
本文针对基于双目立体视觉车辆的车辆测速系统中的匹配算法的不足进行研究，在理论上和实践上都证明了本文方法的可行性。经过六组实验的测试，将测速结果与GPS获得的速度对比，单特征的测速误差均符合中国国家标准GB/T21555-2007中误差低于6%的应用要求。为了减小单特征测速的误差，对四个特征的测速误差进行平均，最大测速误差2.79%,比原测速系统的最大测速误差小1.01%。测速实验结果证明，该匹配算法有较高的精度和可靠性。
图像匹配是计算机视觉领域里基础且关键的问题。在该测速系统中，图像匹配是为了得到两幅图像之间正确的匹配点，然而SURF与单应性矩阵相结合的方法在求解的过程中，噪声/异常值的干扰与计算量之间无法达到权衡。本文主要针对上述匹配方法的不足进行研究。图像匹配模块是目标检测模块的后续工作，在目标检测中可得到目标的所在区域的坐标位置信息，利用该位置信息对SURF提取到的特征点进行位置约束，利用车牌制式特性拟合出车牌区域像素占比与相机车牌距离之间的关系，利用该关系粗略剔除掉通过SURF算法对车牌区域进行匹配得到的匹配点对集合中到相机距离明显异常的匹配点对；随后，使用局部邻域一致性约束精细剔除掉匹配点对集合中的误匹配点对，进一步减小匹配点对集合的大小；利用相机位姿的估计，对车标、车灯、车镜区域的匹配点进行误匹配剔除；在测速过程中，为了使测速时前后两帧测量的是同一个点，结合视频序列的连贯性，提出一种基于视频时空域的车辆测速方案。
本文针对基于双目立体视觉车辆的车辆测速系统中的匹配算法的不足进行研究，在理论上和实践上都证明了本文方法的可行性。经过六组实验的测试，将测速结果与GPS获得的速度对比，单特征的测速误差均符合中国国家标准GB/T21555-2007中误差低于6%的应用要求。为了减小单特征测速的误差，对四个特征的测速误差进行平均，最大测速误差2.79%,比原测速系统的最大测速误差小1.01%。测速实验结果证明，该匹配算法有较高的精度和可靠性。