车辆视频

2024-12-06

车辆视频（精选7篇）

车辆视频篇1

在交通视频监控系统中, 道路视频图像的车辆检测和车流统计是智能交通监控的重要技术。在夜间, 由于道路环境光照较暗, 图像中车辆的纹理、轮廓等特征不明显, 导致白天车辆检测方法并不适用于夜间道路场景。本文提出了一种基于车前灯的形态特征的夜间车辆检测方法, 并能有效的提高车辆检测率。

1 车辆检测

1.1 车前灯检测

首先对图像进行预处理, 包括灰度化和阈值分割。然后采用八连通算法对预处理之后的图像进行连通区域提取。本文通过如下几个判断条件来检测出实际的车灯区域。

(1) 两车灯在图像中处于相似水平线上;

(2) 同一车辆两车灯的宽度与高度相似;

(3) 同一车辆两车灯的面积相近;

当一个连通区域满足上面的三个检测条件, 则这连通区域为车灯。

1.2 车前灯匹配

利用两车灯之间的大小、形状以及高度应该是相近或几乎是相等等先验知识对车前灯进行匹配。利用上节车灯检测中的条件以及两者之间的距离进行判断。车灯匹配成功之后, 将两车灯用一个矩形框来标志出来, 车辆的检测就以矩形框来确定同一辆车。

2 基于邻域的车辆跟踪

本文采用如下的车灯的跟踪方法:

(1) 首先通过公式 (1) 计算各个车灯区域在本帧与上一帧的运动偏移量:

其中, i为帧数。x、y均为两帧的中心点。

(3) 为了判断检测到的车灯是否是不同帧下的同一车灯, 计算两帧之间车灯的相似度。即A2>A1/2, A2<=A1×2。其中, A1A2分别为不同帧的车灯区域面积。如果满足条件, 则跟踪成功, 否则跟踪失败跳转到步骤 (4) 。

(4) 对于在搜索窗口内未搜索到有效车灯区域的, 可以将其判为失帧, 然后跳转到步骤 (2) , 如此循环2次, 如果还是没有搜索到, 则将该车灯从跟踪队列中剔除掉。

3 实验结果

本文将从两段不同场景的视频中分别用车道线和本文的方法进行跟踪检测, 跟踪结果如表1所示。

从以上结果可以看到, 这两种方法在不同的场景下, 车辆的正确检测率相近, 可以说适应性都比较强, 但是车道线的检测方法在错检数上明显比本文方法多, 因此本文的方法比车道线的方法略高一筹。

4 致谢

本文的研究工作受到浙江省重大科技专项 (2014C01044, 2013E60005) 和杭州市科技发展计划项目 (20122231S03) 的资助。

参考文献

[1]王圣男, 郁梅, 蒋刚毅.智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述[J].计算机应用研究, 2005, 22 (9) :9-14.

[2]Zhang W, Wu Q J, Yang X, etal.Multilevel framewor todetectandh ad levehicle occlusion[J].IEEE Transactions on Intelligent Transportation Systems, 2008, 9 (1) :161-174.

[3]刘勃.周荷琴, 魏铭旭.基于颜色和运动信息的夜间车辆检测方法[J].中国图像图形学报, 2005, 10 (2) :187-191.

[4]谭荣伟, 雷蕴奇, 陈柏生.夜间运动车辆检测[J].计算机工程与应用, 2005, 41 (13) :227-228.

[5]Chen Y, Wu B, Huang H, et al.A realtime vision system for nighttime vehicle detection and traffic surveillance[J].IEEE Transactions onni cs, 2011, 58 (5) :2030-2044.

基于视频的运动车辆检测算法研究篇2

运动车辆检测是智能交通系统的一个重要课题,在车辆违章、车流量检测等方面具有广泛的应用前景,常见的运动车辆检测方法主要有帧间差分法、光流法、时间差分法和背景差法等[1]。其中,帧间差分法检测速度较快,运算算法相对简单,可以在实时性要求高的场景下检测。光流法计算比较复杂耗时,很难做到实时检测。时间差分法适用于动态变化的场景,但很难完整地分割运动对象,故无法作进一步的对象分析和识别。背景差法一般应用在摄像机相对固定的条件下,在算法速度和检测效果方面的综合性能最好[2],背景差分法的重点在于怎样建立背景,并做到实时动态地更新背景。

1 运动车辆检测与常用方法

1.1 帧间差分法

帧间差分方法是通过对视频中2个或3个相邻帧图像作差分运算,并通过阈值来提取运动车辆轮廓的算法。帧间差分法是基于视频流中相邻的图像帧,将相邻两帧或多帧图像中像素相减,消除图像中的背景及静止的物体,可以适用于多个运动目标的检测[3]。

帧间差分法的优点是检测的算法容易实现,复杂度低;对光线等背景变化不太敏感,可以适应不同的动态环境,可靠性高。缺点是很难提取到待检测运动目标的所有区域,仅能提取待检测目标的边界,检测效果取决于所选择图像帧的时间间隔。

1.2 光流法

光流是空间运动目标表面被观测的像素点在视觉传感器的成像,它包含了运动物体表面结构与动态行为的信息[4]。光流的应用研究主要采用图像帧中像素的时域变化与其相关性来确定像素位置的“运动”[5],光流场是采用二维图像表示运动目标的三维运动的速度场。

光流法的优点是可以在不需要预先知道场景的相关信息的情况下就能够检测独立运动的目标,在拍摄像机移动的时间也能进行检测,有非常强的适用性,可以工作在时时变化的背景环境中。光流法的缺点是处理数据量很多,计算复杂度高,不容易实现,耗时长,实时性差,抗干扰能力弱。

1.3 背景差分法

背景差分法是运动目标检测中最常用的一种方法,采用当前图像帧和背景图像的差分来检测运动区域,其性能主要依赖于背景建模技术[6]。背景差分法中背景图像的建模的质量,决定着运动车辆检测的有效性。

背景差分法优点是检测运动目标速度较快,检测相对准确,比较容易实现,其关键是背景图像的建模与获取。在实际应用中,由于背景图像的不断改变,静止背景是不易获得的,需要通过视频序列的帧间信息来计算和重建背景。

2 基于背景差分法的改进

鉴于背景差分法在运动目标检测中的优势,本文采用一种改进的背景差分法对运动车辆进行检测。首先是背景初始化运用多帧图像求平均的方法,这样建立的背景模型比较接近真实环境;其次采用自适应调节速率的算法更新背景模型,使得动态变化的背景有较高的精度与准确性;最后运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。

2.1 背景建模

背景模型的准确性是车辆检测的关键,本文是采用基于多帧图像求平均的背景建立方法。背景建模过程是在图像帧中用累加求和运算对背景的像素进行累加,用视频图像平均灰度值来代替目标车辆出现的区域,这样能消除背景对待检测目标车辆的影响。算法的具体步骤如下。

Setp1:在待检测的视频流中每隔10帧图像就采集1帧图像。

Setp2:对采集到的图像进行前后两两相减运算得到差分图像,再对差分图像进行累加与求平均运算。

Setp3:假若差分图像中的灰度值小于给定的阈值,则用下一帧图像中对应位置的灰度值代替;假若差分图像中的灰度值大于给定的阈值,则用图像的灰度平均值来代替此处位置的灰度值。

Setp4:将各背景图像再次进行累加平均运算就能得较真实的背景图像。

2.2 背景模型的更新

背景模型建立后,因背景环境的不断变化,需要对背景模型进行更新。为了在背景不断更新的情况下保持运动车辆检测的稳定性,要求背景差分算法具有较强的鲁棒性,能够能适应背景在不同光照下的变化,能适应出现背景振动(如树叶晃动、监视器屏幕闪烁等),能适应背景中物体的变化(如背景中物体的增加与消失),能消除运动车辆或物体的阴影对背景的影响。

为了解决这些问题,本文采用自适应调节更新速率的方法进行背景模型更新,根据当前图像帧中像素灰度值来确定更新的速率。假若当前图像帧中某处像素的灰度值跟前一帧频相应的灰度值相关较大,那么应该降低背景更新的速率,反之就加快背景更新的速率。

2.3 阈值的选取

在采用背景差分法的运动车辆检测中,需要对背景差分运算所获得的图像进行二值化处理。图像二值化处理是指运用图像分割算法把前景目标像素点从背景像素中分割开来,因此怎样分割图像是关键。图像分割是指用一个或多个阈值把视频图像的灰度分成不同的部分,认为属于同一个部分的像素应该就是同一个物体。阈值取得过大,则可能将运动车辆的像素点误以为是背景的像素点,阈值取得过小,则可能将背景像素点误以为是运动车辆的像素点。故本文提出一个用当前图像平均灰度值来确定动态阈值的算法。

Step1:计算出图像中最大灰度值与最小灰度值,令初始始阈值为最大和最小灰度值的平均值。

Step2:根据初始阈值把图像分割为背景与目标2个部分,计算出这2个部分的平均灰度值L1和L2。

Step3:令分割阔值Th为L1与L2的平均值。

2.4 运动目标的提取

运动目标的提取是先确定图像的分割阈值,然后按阈值把差分后的图像进行分割,若是小于阈值的则此区域应为背景,若是大于阈值的则此区域应为前景。在对图像进行阈值分割的同时进行二值化处理,即分割为背景的像素点灰度值就置为0,而被分割为前景的像素点灰度值就置为1。算法如下。

if hk(i,j)Tk,Ik(i,j)为前景,则Ik(i,j)=255;

else Ik(i,j)为背景,则Ik(i,j)=0。

经过背景图像差分处理、阈值分割、二值化处理等步骤后,基于视频的运动车辆的提取工作就算基本完成。

2.5 基于形态学的图像后处理

车辆检测的正确性是运动车辆检测中的关键,由于天气原因如风雨交加,背景因刮大风导致树叶晃动,大型机动车行驶过程引起摄像机抖动等,导致拍摄的视频图像中常常有大量的噪声与斑点。即使进行了图像二值化处理,还会存在部分噪声和斑点,这样不但不能准确地提取运动车辆相关特征值,还会影响运动车辆检测的效果。因此,需要采用数学形态学方法对二值化后图像进行滤出噪点、填补空洞、边缘平滑等处理。

3 实验结果与分析

为了验证本算法对运动车辆检测的有效性,采用了广西柳州市东环路一段道路监控视频片段进行了实验。算法是在Microsoft Vc++6.0和OpenCV上实现的,计算机操作系统为Microsotf Windows 7 SP1,CPU是Intel G2030 3 GHz、内存是4GB,视频是由型号为警视卫D-30CP专业监控摄像机拍摄,像素为1 080×960,频率为25 fps。实验结果如图1至图10所示。

从实验结果证明,与传统基于高斯模型的算法相比,本文所构建的背景模型在车辆检测时能够完整地检测出运动车辆,能有效地抑制摄像机抖动与树叶晃动,所产生的噪声更少,具有良好的车辆检测精度和效果。

4 结语

笔者给出了一种改进的基于背景差分法的运动车辆检测算法,该算法改进了背景模型的构建,并运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。通过实验证明了算法对基于视频的运动车辆检测的有效性和实时性。该算法在雨雪天气的检测效果不是很理想,下一步将继续对本算法进行完善与优化。

摘要：文章针对道路交通监控中的运动车辆检测问题,提出了一种改进的基于背景差分算法的运动车辆检测方法。该方法改进了背景模型的构建,并运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。实验结果证明了算法对基于视频的运动车辆检测的有效性和实时性。

关键词：运动车辆检测,背景差分法,形态学滤波

参考文献

[1]Piccard M.Background subtraction techniques:a review[J].IE EE International Conference on Systems,Man and Cybernetics,2004(4):3099-3104.

[2]Cheung S S,Kamath C.Robust background subtraction with foreground validation for urban traffic video[J].EURASIP Journal on Applied Signal Processing,2005(14):2330-2340.

[3]RT Collins,AJ Lipton,T Kanade.Introduction to the Special Section on Video Surveillance[C].IEEE trans.Pattern Analysis and Machine Intelligence,2000,22(8):745-746.

[4]查成东,王长松,巩宪锋,等.基于改进K-均值聚类算法的背景提取方法[J].计算机工程与设计,2007,28(21):5141-5143.

[5]李辉.智能交通系统中基于视频的车辆检测与跟踪方法研究[D].上海:华东师范大学,2010.

车辆视频篇3

视频图像检测与处理技术在智能交通[1,2] (ITS) 领域中的应用研究已引起了国内外学者广泛关注, 已形成许多研究热点。目前交通领域视频检测技术主要用于车速、车型、车流量检测, 车牌检测, 智能泊车系统、安全监控等方面, 有成熟的视频检测产品。但在路口交通方案解决、提高路口交通效率方面应用较少。

目前城市交通路口应用较多的是感应线圈检测方式, 但其安装、维修不便, 对道路有破坏, 成本高昂。其他可应用的检测方式, 诸如超声波检测准确性不高, 易受干扰;微波检测产品的成本较高。

本文设计了基于TMS320F2812的路口车辆状态视频检测系统, 实时检测路口车辆状态, 并将结果反馈回路口信号控制机, 便于信号机优化路口信号灯的运行方案。

1基于视频检测的解决方案

1.1 方案的提出

目前大多数城市所使用的交通控制机系统, 路口的红绿灯运行方案基本是固定的。这样就会出现一种情况, 即在某时刻某方向无车, 该方向依然是绿灯。若无车的情况可以及时检测并反馈到控制机, 则可以提高交通效率, 对此提出了基于TMS320F2812的交通路口车辆状态视频检测系统。

1.2 系统工作原理

系统工作原理图如图1所示, 图中监控摄像机安装于路口斑马线之前约70 m处 (视路口车流量而定, 繁忙路口则远, 反之则近) , 视频信号由DSP本身自带的A/D模块进行采样和处理, 依据处理结果输出一个高低电平信号, 此信号由路口的控制机在对应路口通行方向为绿灯时进行查询并记录。记录一段时间 (数周或数月) 之后, 便可以依据记录结果统计优化信号灯运行方案。由于图像检测的数据处理量较大, 实时性要求高, 因此系统设计的处理核心采用TMS320F2812DSP数字信号处理器。

2系统硬件设计

2.1 复合视频信号

CCD摄像机输出完整的视频信号是1 VP-P的复合模拟信号, 包括图像信号、同步信号、消隐信号、槽脉冲和均衡脉冲信号。一场图像时间为20 ms, 其中各脉冲宽度如下:行同步4.7 μs;场同步160 μs;均衡脉冲2.35 μs;槽脉冲4.7 μs;场消隐脉冲1 612 μs;行消隐12 μs。因此, 需要将场消隐信号分离出来作为每一场图像采集的触发信号。

2.2 场同步信号分离电路

LM1881N是一款视频同步信号分离芯片[3], 主要用于NTSC, PAL, SECAM制式, 幅度为0.5～2 VP-P之间的视频同步信号分离。LM1881N应用电路图如图2所示。

用示波器观察信号Vout的波形图, 如图3所示。

2.3 图像处理系统

系统设计图像处理核心为TMS320F2812DSP处理器。实验中将奇偶场同步信号Vout (图3中的方波信号) 接入TMS320F2812的I/O口, 使用查询中断的方式触发A/D采样。连接原理图如图4所示。

如图3和图4所示, TMS320F2812在程序初始化后即查询I/O口引脚信号, 在同步信号的上升沿A/D模块开始采样CCD摄像机接入的图像信号。对应每场图像采样时间不超过18.4 ms。

3系统软件设计

3.1 信号采集方案特点

根据系统的目的要求[4], 系统只需实时检测路面是否有车辆经过即可, 而无需检测车速、加速度、车流量等。即不需要采集全副图像数据进行处理, 只需采集足够多的像素点进行处理就可以判断是否有运动目标的存在。这样就可以大大降低数据处理量和节约时间, 提高系统检测速度。

3.2 运动目标检测算法

基于视频图像的运动目标检测方法[5,6]有多种分类, 目前常用的主要有帧差法[7,8]、背景减法和基于光流的方法[9,10]。本文采用背景减法和帧差法相结合的处理方法。

检测方法的步骤:

(1) 采样一场图像的数据, 作为背景图像, 存储为f0 (x, y) ;

(2) 采样连续两场图像的数据, 存储为fk-1 (x, y) , fk (x, y) , 作为第k-1场和第k场图像, 而第k场图像为当前图像;

(3) 计算k和k-1的连续两场数据的差分S1 (x, y) , 其数学式为:

$S_{1} (x, y) = f_{k} (x, y) - f_{k - 1} (x, y)$

(4) 计算当前帧图像fk (x, y) 与背景图像f0 (x, y) 的差分S2 (x, y) , 其数学式为:

$S_{2} (x, y) = f_{k} (x, y) - f_{0} (x, y)$

(5) 对S1 (x, y) , S2 (x, y) 进行二值化, 用基于动态阈值的方法, 数学式为:

$\begin{array}{l} S_{1} (x, y) = {\begin{cases} 1 ‚ | f_{k} (x, y) - f_{k - 1} (x, y) | > Τ h \\ 0 ‚ | f_{k} (x, y) - f_{k - 1} (x, y) | \leq Τ h \end{cases} \\ S_{2} (x, y) = {\begin{cases} 1 ‚ | f_{k} (x, y) - f_{0} (x, y) | > Τ h \\ 0 ‚ | f_{k} (x, y) - f_{0} (x, y) | \leq Τ h \end{cases} \end{array}$

其中:Th分别是基于背景减法的背景图像的统计阈值, 数学式为:

$Τ h = \frac{1}{k \times Μ \times Ν} \sum_{i = 0}^{k} \sum_{x = 0}^{Μ} \sum_{y = 0}^{Ν} f_{k} (x, y)$

式中:M×N表示采集图像大小, 数值表示检测区像素数;k表示的是连续采集的图像场数, 为得到较好的背景图像阈值, k值需足够大;如果M, N, k值足够大, 即M×N×k的值够大, 则求得的统计阈值Th越合适。

(6) 对S1 (x, y) , S2 (x, y) 进行统计和比较, 求差值, 若差值超过一定值, 则表示有运动目标存在;反之, 无运动目标。数据采集和处理流程如图5所示。

4实验和分析

在实验室条件下进行实验, 参数k取200, M×N取570采样值, 即M×N×k值取为114 000;每个Th更新周期N取300;背景为固定背景, 运动目标为行人, 光线充足且无直射和闪烁。实验结果记录如表1所示, S1, S2分别表示S1 (x, y) , S2 (x, y) 。

表1进行多次实验, 统计实验结果表明, 在无运动目标状态下, S1 (x, y) , S2 (x, y) 值最大不超过100, 且有95.3%分布在90以内;在有运动目标状态下, S1 (x, y) , S2 (x, y) 值一般超过120, 且有96.6%超过110。因此, 可以将100和110作为判断是否存在运动目标的门槛值。

同时, 实验运动目标的大小、速度, M×N取值大小都会影响检测结果。运动目标越大, M×N取值越大则检测结果越好, 但是数据处理量增加会使单次检测时间增加。

5结语

本解决方案达到了预期目标, 实现了对交通路口车辆状态的判断功能, 运用于交通控制机可以有效地提高路口通行效率。方案在应用中对现有道路无破坏性, 安装方便, 成本较低。此外, 提高系统的数据处理能力和可靠性, 使用更好的图像处理方法来提高检测的准确性和灵敏度也是研究的重点之一。

参考文献

[1]邓兆康.公共交通的智能交通系统及其应用[J].上海建设科技, 2009 (1) :47-48.

[2]王灿, 何淳, 吴亚龙, 等.智能交通灯控制系统的设计和仿真[J].重庆工商大学学报:自然科学版, 2009, 26 (1) :85-87.

[3]朱广, 周程亮.CCD图像传感器在路径识别系统中的应用[J].工业控制计算机, 2009, 22 (3) :50-51.

[4]鲁一杰, 赵攀, 彭强, 等.基于DSP的视频车辆实时检测系统的实现[J].计算机应用研究, 2009, 26 (2) :757-765.

[5]孟旭霞, 覃少华, 王艳妹, 等.嵌入式视频监控系统中的运动目标检测[J].嵌入式系统应用, 2009 (5) :65-66.

[6]李波.基于DSP的视频图像目标识别与处理系统的设计[D].长春:长春理工大学, 2006.

[7]侯文秀.基于背景差和帧差相结合的目标追踪[J].微计算机信息, 2009, 25 (6) :242-243.

[8]HASEGAWA Osamu, KANADE Takeo.Type classifica-tion, color esti mation, and specific target detection of mov-ing targets on public streets[J].Machine Vision and Appli-cations, 2005, 16:116-121.

[9]张文杰, 戚飞虎.实时视频监控系统中运动目标检测和跟踪的一种实用方法[J].上海交通大学学报, 2002, 36 (12) :1838-1840.

车辆视频篇4

云计算是一种新兴的高效分布式计算模型,能有效解决大型数据的存储和处理问题［3］。Hadoop作为开源的云计算平台,凭借其强大的系统伸缩性、廉价性以及在大型数据处理与分析能力上的显著优势被广泛应用于各个领域。例如,文献[4]提出了一种基于Hadoop的快速视频处理方法,其在集群下执行运动检测比单机节省25% 的时间; 文献[5]提出一种基于Hadoop架构的视频监控系统,解决了大型监控数据的存储问题; 文献[6]利用MapReduce实现了分布式视频转码,大大提高了视频的转码效率; 文献[7]提出了一种基于Ma-pReduce的分布式图像检索方法,用实验证明了分布式检索的效率远高于集中式检索。

以上研究工作均表明基于Hadoop的分布式处理技术能有效提高系统的处理效率。鉴于该技术在视频检索领域尚未得到广泛应用,本文提出一种结合Hadoop平台、车牌识别技术和FFMPEG的分布式视频车辆检索方法,用于解决大型交通监控视频［5］的高效处理与检索问题。

1 技术原理介绍

1. 1 Hadoop云计算平台

Apache Hadoop［8］是一个开源的分布式计算框架,它提供了一个简单的编程模型,让用户能通过跨集群的计算机完成大型数据集的分布式处理任务。用户可利用该框架在大量廉价计算机上构建一个具有高可靠性和良好扩展性的分布式处理系统。HDFS存储系统和MapReduce计算模型是Hadoop平台的两大核心技术,用于完成大规模数据集的分布式存储和并行计算。

HDFS［9］作为Hadoop平台的分布式文件系统,具有高吞吐量数据访问能力、高容错性、高可靠性和高扩展性等特点,可用于存储海量级别的数据( Tbyte甚至Pbyte级) 。

MapReduce［10］是一种用于处理大规模数据集的计算模型,它可以将一个应用程序分解为多个并行计算指令,跨大量的计算节完成数据集的分布式计算。用户通过编写Map和Reduce两个函数来完成对应的逻辑功能,用以实现数据的分布式处理,其编程模型如图1 所示。

1. 2 车牌识别

车牌识别技术结合了数字图像处理、模式识别、计算机视觉等高科技技术,主要通过车牌定位、字符分割、字符识别3个阶段来完成车辆牌照的提取和识别。本文设计的车牌识别方法为: 首先采用Sobel边缘检测［11］与水平/垂直投影分析相结合的方法将车牌从原始图像中定位出来,然后利用Radon变换对车牌进行倾斜校正［12］,再通过垂直投影法完成车牌字符的分割,最后使用模板匹配法［13］将车牌字符一一识别出来,具体识别流程如图2 所示。

1. 3 FFMPEG

FFMPEG［14］是一个集音频/视频采集、编解码、格式转换等功能于一体的开源多媒体框架,它支持多种传输协议、媒体格式和各种音/视频编解码标准,并提供一个统一的数据结构用于存储从多媒体中提取出的信息［15］。FFMPEG可在Linux和Window系统下运行,支持MPEG、AVI、FLV等40 多种编码标准,以及Matroska、GXF、MOV等90 多种解码标准,能够对音频或视频进行快速的格式转换、无损切割、合并以及抓图等操作,其基本使用语法如下:

ffmpeg [options]{ [input_options]-i input_file} … { [output_op-tions] output_file}

此外,FFMPEG还提供了大量命令参数,能够满足用户对视频的各种处理需求,用户可根据需要设置不同参数以获得相应的处理结果。本文中采用FFMPEG对监控视频进行自动分割［16］和视频帧提取［17］。

2 分布式视频车辆检索设计

2. 1 视频分割

视频在HDFS上是以Block( 块)为单位进行存储的,Block的大小可根据需求灵活配置,默认为64 Mbyte。当视频超出Block的大小( 如64 Mbyte ) 时,Hadoop将会以字节( byte) 为单位将视频切分成多个小于64 Mbyte的Block存储于各节点中,由此会出现如图3 所示的情况。

当出现如上情况时,对视频分块进行帧提取会引发如下问题: 1) 缺少视频头数据,FFMPEG解码器无法初始化; 2) 缺少关键帧I帧,导致相邻的P帧和B帧无法提取; 3) 帧数据不完整或已损坏,导致提取失败。

为解决该问题,本文在帧提取之前先用FFMPEG将监控视频自动分割成多个小于Block的视频分块,再对视频分块进行帧提取。采用此方法的好处在于,既能保证每一个视频分块都包含完整的头数据,又能避免GOP或帧数据被切断的问题,并且视频被切分成多个分块后,能更充分地利用Ma-pReduce的分布式处理优势,大大提高了视频帧提取的效率。此外,FFMPEG带有按时间切分和自动编号功能,可为后续实现视频时间定位提供便利。

在此通过JAVA提供的Runtime类来调用本地FFMPEG命令实现视频的自动分割。调用的视频分割命令格式如下:

ffmpeg - ss Start Time - i Video Path - vcodec copy - acodec copy -t Dur Time Output Path_Num

其中,Start Time为视频分割的起始时间,Video Path为目标视频,Dur Time为分割间隔,Output Path_Num为视频分段编号。

监控视频根据时长间隔Dur Time进行连续分割,并按顺序编号,Dur Time与视频编号Output Path_Num将作为后续时间定位的输入参数。视频分割完成后,程序自动调用Hadoop shell将其上传至HDFS。

2. 2 分布式视频帧提取

监控视频经过分割处理后,由一段长视频变成若干个时长相等的短视频块存储于HDFS。在此采用MapReduce框架对视频块进行分布式帧提取［6］,即将多个视频块分散到不同节点上进行处理后再将结果汇总到HDFS。

在整个处理过程中,MapReduce框架负责将视频块缓存到本地,然后通过JAVA Runtime类中的exec( String cmd[])方法调用本地FFMPEG命令对缓存视频进行帧提取,最后将提取出的图像帧上传至HDFS。执行过程如图4 所示。

其中,Map的输入Key_in和Value_in分别对应于视频分块的文件名和视频数据本身。当Map接收到Key_in和Value_in后,将Value_in缓存到目标节点,并调用FFMPEG执行视频帧提取操作,之后将提取出的图像帧数据及其文件名分别写入Value_out和Key_out 。调用的FFMPEG命令格式为:

ffmpeg -i Video Path -r FrameRate File Name_% 3d. jpg

其中,Video Path为目标视频,FrameRate为提帧频率( 帧/秒,f/s) ,File Name_% 3d为图像帧命名规则。提取的每一帧图像以视频编号加上图像编号作为输出文件名。例如,视频切割间隔Dur Time为60 s,提帧频率FrameRate为5 f/s,则每一段视频经过帧提取后将输出300 帧图像,其中第5 段视频提取出的第53 帧图像命名为output05_053。

2. 3 车辆检索与时间定位

视频经过分割和帧提取操作后已经转换成带特定编号的图像帧。本文结合MapReduce框架和车牌识别技术对图像帧进行分布式图像识别,具体的Map函数数据流设计如图5 所示。

其中,Map函数用于实现车牌号识别和视频时间定位两个功能。

当Map从图像帧中识别出车牌号码时,立即获取其帧编号并进行计算,采用的计算公式为

式中: Video Time为最终定位结果; Dur Time为视频切分间隔( s) ; Video Num为视频分段编号; Picture Num为图像帧编号; FrameRate为提帧频率( f/s) 。例如,分割间隔为60 s,提帧频率为5 f/s,且从编号为output05_053 的图像帧中识别出车牌号码,则根据计算公式,该车辆出现在视频4 分10 秒处。具体执行流程如图6 所示。

Reduce函数获取< Key,Value > 之后,合并相同的车牌号,将车辆出现时间排序后输出到HDFS。Reduce函数数据流设计如图7 所示。

3 仿真测试

3. 1 实验环境

在Linux环境下,搭建由4 台PC组成Hadoop集群,其中1 台作为管理节点( Master) ,其余3 台作为计算节点( Slave) ,并为每个节点安装FFMPEG。Hadoop集群节点配置情况如表1 所示。

3. 2 车辆检索结果

上传一段交通监控视频后,采用基于Hadoop的分布式视频检索方法对车辆进行检索,其检索结果如图8 所示。由图8 可知,检索结果较为准确。

3. 3 性能测试

采用大小分别为100 Mbyte,500 Mbyte,1 000 Mbyte的视频进行分布式帧提取测试,Dur Time设置为60 s,FrameRate设置为5 f/s。分别测试帧提取在单机、1个节点、2个节点、3个节点条件下的系统耗时,结果如图9所示。

由图9 可知,当视频大小在100 Mbyte左右时,单机提取和分布式提取耗时接近,当视频超过500 Mbyte时,分布式视频帧提取速度要比单机提取快1 倍以上,并且随着节点数增多和数据量增大,分布式提取的速度优势越来越明显。在实际测试过程中,当视频大小达到2 Gbyte时,单机提取出现了明显的卡顿和死机现象,而分布式提取则运行稳定且性能良好。

分别对100,500,1 000,2 000 帧包含车辆信息的随机视频帧进行车辆检索和时间计算,测试系统在单机、1 个节点、2个节点、3 个节点条件下的耗时,结果如图10 所示。

由图10 可知,在单机和一个节点情况下,车辆检索的耗时接近,且单机检索速度稍快,这是由于单机环境下省去了主机与节点间通信和数据交换的时间开销。随着节点数的增加,分布式检索的速度显著提升,并且视频帧的数量越大,分布式检索的优势越明显。

仿真结果显示,基于Hadoop的分布式视频车辆检索方法能有效地从交通监控视频中检索出车辆并定位其出现时间,而在大型视频的检索性能上也优于传统单机检索方式。

4 结束语

本文设计了一种基于Hadoop的分布式视频车辆检索方法,可高效、快速地从大型交通监控视频中检索出过往车辆,并定位其在视频中出现的时间。首先采用FFMPEG将大型视频分割成若干个视频分块,然后结合MapReduce对视频分块进行分布式帧提取,再使用车牌识别算法将视频帧中包含的车牌号码识别出来,最后计算该车辆在视频中出现的时间。实验结果显示,相比于单机检索方法,基于Hadoop的分布式检索方法大大提高了系统对大型视频的处理能力,并且随着节点数的增加,其检索效率也大幅提升。

摘要：针对传统单机视频检索效率低下的问题,设计了一种基于Hadoop的分布式视频车辆检索方法。该方法首先将视频切割成多个分块,然后利用MapReduce和FFMPEG在分布式环境下提取视频帧,再通过车牌识别算法检索其中出现的车牌号码,最后计算出车辆在视频中出现的时间。实验结果表明,与单机检索方式相比,该方式具有更强的数据处理能力和更高的检索效率。

车辆视频篇5

车辆异常行为检测系统是事件管理系统最基本的组成部分,对于事件的及时发现与处理、保障出行安全等均发挥着关键性的作用。其目标是通过车辆跟踪、轨迹分析提取异常行驶的车辆并对潜在危险做预警。随着视频监控网络的逐步健全,基于视频方式的车辆异常行为检测成为热点,摄像头之间的网络化、相互协作以及信息共享将成为一种趋势。这种视频监控网络本质上也属于一种传感器网络,属于视频传感网络的范畴。

然而,目前的视频监控网络普遍存在前端监控单元智能化水平低的问题,前端监控单元往往由普通监控相机组成,仅具有被动监控能力,本身不具备视频处理能力和存储能力,这使得后方大量的视频数据仍然需要依靠人工进行视频浏览和检索,面对大量冗长的视频数据,这种方式效率低,且重要事件的漏检率高。

本文针对上述问题提出基于视频的虚拟传感器设计方案,在视频监控设备前端加入智能处理单元,使其具有较强的图像处理能力和本地存储能力。基于此硬件,综合考虑实时性与准确率指标,开发适合城市快速路的车辆异常行为检测算法。

1 前端智能处理单元设计

1.1 硬件组成

系统选用TI公司的DM642芯片,配以外围电路,得到视频处理模块。DM642是TI公司专门针对数字视频和音频应用开发的一款多媒体数字信号处理器。在时钟主频600 MHz下,它可达到4 800 M IPS的峰值计算速度,并具有64个32位通用寄存器和6个算术逻辑单元和2个乘法器,这样强大的运算能力,使得DM64完全可以作为实时视频处理的核心处理器[2]。外围电路的主要功能元件包括:(1)将CCD摄像头输入的模拟信号转换成数字信号的解码芯片SAA7115;(2)2片32位数据宽度共32 MB的SDRAM,用来存储程序和数据信息;(3)I2C芯片24C256,留做存储以太网地址以及一些系统需要的参数;(4)CPLD芯片EPM3064用来管理EMIF缓冲器;(5)FPGA芯片XC2S300E执行中断逻辑控制及DM642视频通道与编解码器的接口功能。

利用ARM芯片S3C2440强大的通用处理能力,设计了存储端硬件平台,在该平台上定制、移植了Windows CE5.0嵌入式实时操作系统,结合DM642平台下视频的采集、压缩与网络传输,开发出了具有串口触发、H.264编码配置、视频文件接收与存储功能的应用程序。整体功能描述如图1所示。

1.2 模块说明

(1)视频采集:收集监控摄像机传来的图像数据。外部输入的模拟视频信号利用解码芯片将模拟视频信号转换成非压缩的数字视频数据。

(2)视频处理:系统核心功能所在,通过对运行车辆的检测与跟踪,正确采集道路上车辆实时的行驶速度、行驶轨迹,为交通的管理与监控提供数据,同时对异常车辆行为进行主动检测和报警。

(3)视频压缩:针对给定的图像序列,在保证重构视频质量的前提下压缩视频流数据量,既节省了前端存储空间又减轻了网络传输的压力。

(4)网络传送:实现网络传送功能,能与后端处理平台的客户端建立TCP连接,交换控制命令,实现按指令回传视频图像数据。

(5)系统配置:实现系统中算法、设备和管理参数的灵活配置,对系统参数如摄像头采集图像的分辨率、亮度、对比度等参数的设置,并可动态配置检测单元的网络参数。

前端处理单元硬件实物如图2所示,由于硬件平台体积小,便携性能好,可方便与现有视频监控平台对接,安装示意图如图3所示。

2 车辆轨迹建立

2.1 前景提取

交通场景中摄像头位置固定,光照条件变化不大,检测前景目标时,采用自适应单高斯模型,能很好地实现背景和前景的分离[3]。选定合适的更新率(取为0.005),将当前场景更新至动态背景中:

式中:Bupdated为更新过的背景;πcurrent为当前场景图像,只需将这两者做差便可获得前景像素。

2.2 车辆确认

对背景差法提取的前景目标做二值化处理,便得到若干斑图(Blob),移动部分为白色,背景部分为黑色。这些Blob里包含了有效车辆、非机动车、亮点噪声,还需做进一步处理。

(1)亮点噪声:采用先腐蚀后膨胀的方法可有效消除。

(2)车辆提取:对画面中的Blob进行属性统计并标号,每一个Blob区域采用文献[4]所述的线处理方法提取其外接矩形的边界坐标、面积、周长、中心(认为同于车辆形心)。可以根据Blob的面积和周长将非机动车和行人剔除,再根据各个Blob的特性将属于同一辆车的Blob聚合起来,从而实现从Blob信息到车辆信息的转换。

2.3 车辆跟踪

本文采用双指数平滑预测算法来对下一帧车辆状态进行估算,采用了递推的方法,可节省数据处理时间,是一种快速的平滑模型。设场景中第n辆车的轨迹被表示为:

其中向量fi=(xi,yi,δxi,δyi)为车辆在时刻的位置和速度信息,位置是上述Blob的中心,i时刻的速度(δxi,δyi)用(dxi=xi+1-xi,dyi=yi+1-yi)代替。

已知前t时刻状态ft,用双指数平滑算法计算t+τ时刻状态ft+τ的迭代步骤为[5]:

其中,参数γ∈[0,1)决定了指数衰减的速率,目标搜索将在预测得到的ft+τ附近进行。

车辆跟踪结果如图4所示,将所得轨迹进行3 帧1次的采样,既不影响跟踪结果又能减少运算量。

3 神经网络参数训练

本文采用图5所示的自组织特征映射(SOM)神经网络对采集的轨迹点进行训练,SOM提供了高维数据空间至低维数据空间的映射方法,能够完成数据的非监督分类。网络由输入层和输出层组成,训练分为如下几个步骤:

(1)初始化

首先对输出层各权向量赋小随机数进行并归一化处理,其次对输入模式按照公式(6)处理:

(2)寻找获胜节点

利用欧式距离计算输入层至输出层的距离:

(3)定义优胜邻域

设Nj(0)=min(image_height,image_width)/2,随后的邻域按式(8)更新:

式中:Nt为当前迭代次数;N为总迭代次数。

(4)调整权值

对优胜邻域内节点的权值进行如下调整:

(5)终止检查

判断学习率是否衰减到设定阈值,或迭代次数有没有达到总次数限定。

实际交通场景,网络的训练结果如图6所示:

4 异常行为检测

对于第n条车辆轨迹Qn=f1,f2…,fi,ft-1,ft,找出fi与神经网络训练得到的权向量之间的最短距离,若该距离大于阈值T,则该点被标记为异常点,若Qn中总异常点的比例高于一定阈值,则认为发生了小概率事件,该条轨迹标记为异常[6]。阈值T通过如下方式获得:SOM训练阶段,记样本中轨迹点fi与对应的获胜神经元之间的距离为di,则T=max(di/2)。异常车辆行为检测结果如图7和图8所示。

5 结语

本文针对城市快速路视频监控网络的不足,提出“虚拟传感单元”理念,设计出智能化的监控设备。在DSP视频处理平台上,利用现有监控系统提供的图像信息,采用计算机图像识别与处理技术,建立车辆跟踪和车辆异常行为监控系统。所开发的算法能对超低(高)速行驶、违章停车、违规掉头等异常行为实施有效监控。本系统只需在现有监控设施的基础上增加前端智能处理单元,便可方便实现以上功能,具有直观、安装方便和维护费用低等优点,具有良好的市场需求和社会经济效益。

摘要：文章提出虚拟传感器的概念,针对城市快速路视频监控系统,改革单一功能摄像机,使其成为具人工智能的新型视频传感器,完成道路车辆跟踪及异常行为检测。异常检测算法运用带有时间和空间信息的车辆轨迹对自组织神经网络进行训练,获得神经网络参数后利用概率模型对实时车辆轨迹进行异常提取。该文所提算法能在嵌入式DM642视频处理平台上有效运行,能够提取诸如超低(高)速行驶、违章停车、违规掉头等异常行为,具有低运算量及较好的鲁棒性。

关键词：视频监控,智能摄像机,行为理解,自组织神经网络

参考文献

[1]熊烈强,商蕾,高孝洪.基于噪声和振动的快速路交通事件检测方法[J].武汉理工大学学报(交通科学与工程版),2005,29(2):238-241.

[2]蔡英凤,张为公,于兵.嵌入式车道偏离报警系统硬件设计[J].测控技术,2009,28(4):32-34.

[3]姜紫峰,刘小坤.基于神经网络的交通事件检测算法[J].西安公路交通大学学报,2000,20(3):67-73.

[4]石时需,郑启伦,曹波.一种基于区域的视频车辆跟踪系统[J].计算机工程,2008,34(17):196-199.

[5]Hu W M,Xiao X J,Fu Z Y,et al.A System for Learning Statistical Motion Patterns[J].IEEE Trans.Pattern Analysis and Machine Intelligence,2006,28(9):1450-1464.

车辆视频篇6

随着我国经济的发展,机动车辆不断地增长,现有道路等硬件设施的增长已经满足不了日益膨胀的交通问题,智能交通系统(Intelligent Transportation System,ITS)越来越受重视。

所谓智能交通系统(ITS)就是将先进的信息技术、数据通信传输技术、电子传感技术以及计算机处理技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的、实时、准确、高效的综合交通运输管理系统。近年来, ITS在城市交通管理方面得到了普遍应用,在缓解道路交通、防范交通违章及事故发生等方面获得了良好的效果。本文针对ITS应用,特别是电子警察系统的应用,提出了车辆违章视频检测方案,以适应ITS的发展需求。

1 电子警察系统

电子警察主要是针对机动车在路口闯红灯这种极易造成恶性事故的交通违章现象进行自动监测记录,做到了无人值守,不间断监测,证据充分正确,提高交通执法的准确性和效率。传统典型的电子警察系统通常是由系统控制、违章车辆检测、拍摄、传输以及辅助配套设备等几部分组成。

目前,一般电子警察系统主要采用环形线圈感应器、以增强型PC为基础的工控机(IPC)平台控制的模式。环形线圈的安装不便、容易受损坏,IPC对室外环境的适应差等缺点,给电子警察正常稳定运行及维护工作造成极大的困难。因此,车辆违章检测技术对电子警察的高精度、大面积推广有很大的影响,是电子警察系统中重要的一部分,是交通管理系统中不可缺少的组成部分。

2 现有车辆违章检测技术

车辆检测器是交通管理系统中不可缺少的组成部分,主要是通过数据采集和设备监视等方式,向监控系统中的信息处理和信息发布单元提供各种交通参数,作为监控中心分析、判断、发出信息和提出控制方案的主要依据。常用的交通车辆检测器主要包括环行线圈检测器、超声波或微波(雷达波)检测器、红外线检测器、视频检测器等。

比较几种检测方法可以知道,超声波或微波(雷达波)检测器和红外线检测器使用的条件比较苛刻,使用比较少,主要用于人工检测方式。目前最普遍的、经常用的是环行线圈视频检测器,但是视频车辆检测器与感应线圈等检测器相比,具有如下的技术特点:

(1) 视频检测器安装与维护方便,无需开挖路面,对道路交通的影响很小。

(2) 视频车辆检测器能检测较大的交通场景面积,单台摄像机就可同时监测多个车道,从而减少传感器的安装数目,并可进行大范围内的车辆跟踪。

(3) 能提供绝大多数的交通参数信息,包括车流量、单车速度、平均车速、车间距等。

(4) 获得的视频及图像信息很直观,是人机可读的,还可以加以保存。从而为监控人员进行相关操作提供了参考。

3 嵌入式视频检测系统

根据交通违章管理的要求和系统主要功能,对交通视频检测系统进行了研究并形成了可行方案。其思想是将视频摄像头安装在路杆上并对下面的路况进行监视,捕获的数字化视频信息由现场进行图像处理,再传送到交通管理中心。同时,选取基于嵌入式系统的电子警察视频检测的模式来实现对传统电子警察系统的改进,此电子警察系统的构成如图1所示。

由图1可以看出,基于嵌入式系统的电子警察主要由三部分组成:视频采集部分、图像处理与系统控制部分、网络传输部分。

3.1 视频采集单元

从CCD摄像头的光电转换器件得到的视频信号都是模拟信号,将模拟电视信号变成数字电视信号要经过模/数(A/D)转换过程。模/数转换包含三个过程,即取样、量化及编码。其中,取样的目的是将时间上连续的模拟信号变成时间上离散的信号,量化是将幅度上连续的取样值变成幅度上离散的取样值,而编码的作用是将离散化的取样值编成二进制数码。经取样、量化、编码所得到的数字信号即为视频PCM信号。

在进行视频处理时,从摄像头输入模拟信号,这些全电视信号构成极为复杂,因而对视频信号进行A/D转换的电路也非常复杂,Philips公司将这些非常复杂的A/D转换电路集成到了一块芯片中,从而生产出功能强大的视频输入处理芯片SAA7113,为视频信号的数字化应用提供了极大的方便。

SAA7113是一种视频解码芯片,它可以输入4路模拟视频信号,通过内部寄存器的不同配置可以对4路输入进行转换,输入4路CVBS或2路S视频(Y/C)信号,输出8位“VPO”数据总线。通过设置寄存器的值,可以输出标准的ITU-R BT656,YUV 4∶2∶2格式。

SAA7113具有双通道模拟预处理电路,包括信号源选择,两个模拟抗混迭滤波器和模/数转换器,一个自动钳位和增益控制电路,一个时钟发生电路(CGC),一个数字多制式解码器,一个亮度/对比度/饱和度控制电路和一个色彩空间转换矩阵。主要应用于多媒体、可视电话、图像处理及安防等方面。

3.2 视频图像处理单元

从视频A/D芯片SAA7113送来的数字视频流必须经过处理,如对数字视频流进行解码,识别出行、场同步信号,并根据电子警察系统要求选择采集的图像大小,截取每帧图像数据等。系统控制单元根据电子警察系统的设计要求,对红灯信号时截取的图像数据帧进行处理,并判断是否有车辆违章行为;如有车辆闯红灯,则将截取到的图像添加相应信息,保存到系统存储器中,并传输到交通管理监控中心。

一个路口的电子警察系统一般有多路视频信号同时传入,数据量大,实时性要求高。如果将这些视频数据送到电子警察控制单元ARM芯片进行处理是不现实的。因此必须在ARM芯片前端增加专门的图像采集处理器件。在目前市场上的图像采集处理系统中,用作系统的核心器件一般有现场可编程门阵列(FPGA)、数字信号处理器(DSP)以及特定用途集成电路(专用ASIC)芯片。FPGA是在ASIC基础上发展起来的,克服了ASIC不够灵活的缺点,FPGA芯片不仅可以和ASIC芯片一样解决电子传统小型化、低功耗等问题,还具有高速、高可靠性、开发周期短、质量稳定、开发软件投入小、开发工具先进、标准产品小需测试及可实时在线检测等一系列ASIC无法比拟的优点,而且还可以根据后期现场的需要进行现场编程,可擦写多次,使得无论在开发过程中和后期现场调试或者增加一定的功能都十分方便,设计比较灵活;而且随着现代工艺的发展和提高,FPGA芯片本身的成本越来越低。同时,在数字图像处理方面,DSP更适宜于用作高层数据处理。实时图像采集和处理对系统性能的要求极高,数据流量一般情况下也比较大,因此几乎所有只具有最简单功能的通用DSP都不能在图像采集处理系统中达到所需的性能要求,因而更多地采用FPGA来实现。

综上所述,采用FPGA代替DSP或者ASIC芯片作为在ARM芯片前端的图像采集处理器件,实现视频图像采集和处理。

3.3 系统控制单元

系统控制部分是整个电子警察系统的核心,其主要工作为:

(1) 获取FPGA截取的视频图像,并对图像进行处理,检测是否有车辆违章闯红灯的行为;

(2) 当有车辆闯红灯违章行驶时,对车辆违章行为进行抓拍,并在车辆违章图像中添加相应信息;

(3) 控制车辆违章图像及信息的传输。

为了能很好地完成以上控制功能,可以采用Atmel公司生产的AT91RM9200微处理器。它是完全围绕ARM920T ARM Thumb处理器构建的系统。具有丰富的系统与应用外设及标准的接口,从而为低功耗、低成本、高性能的计算机宽范围应用提供一个单片解决方案。为完善性能,AT91RM9200集成了包括JTAG-ICE、专门UART调试通道(DBGU)及嵌入式的实时追踪等一系列的调试功能。这些功能使得开发、调试所有的应用,特别是使实时性限制的应用成为可能。

3.4 网络传输单元

AT91RM9200内部包含了MAC以太网控制,支持媒体独立接口(Media Independent Interface,MII)或简化独立媒体接口(RMII),可在半双工或全双工模式下提供情报10/100 Mb/s的以太网接入。以太网MAC是OSI参考模型物理层(PHY)和逻辑链路层(LLC)间MAC子层的硬件工具。以太网MAC包括所需逻辑与DMA管理的发送与接收FIFO。然而,AT91RM9200并未提供物理层接口,故需外接一片物理层芯片,以提供以太网的接入通道。

DM9161是一款单芯片、低功耗、物理层传输接口芯片,支持100BASE-TX及10BASE-T网络应用。DM9161采用低功耗、高效率CMOS处理器,包含了由IEEE 802.3u规定的100BASE-TX所有物理层功能,包括物理代码子层(Physical Coding Sublayer,PSC)、物理媒体捆绑(Physical Medium Attachment,PMA)、双绞线物理媒体依赖子层(Twisted Pair Physical Medium Dependent Sublayer,TP-PMD)、10BASE-TX编码/解码(10BASE-TX Encoder/Decoder,ENC/DEC)及双绞线媒体接入单元(Twisted Pair Media Access Unit,TPMAU)。DM9161利用自动媒体速度和协议选择功能,提供强大的自适应支持。由于DM9161内置有波形塑造滤波器,因而不用外部扩展滤波器就能实现在100BASE-TX或10BASE-T媒介中传输信号。DM9161通过RJ45接口,可实现与路由器或CDMA MODEM连接。

4 结语

车辆视频检测是一门多种技术融合多学科交叉的综合学科,基于嵌入式系统的违章车辆视频检测系统是整个电子警察系统的核心,实验数据表明有比较高的检测率,基于视频的车辆检测系统是ITS中的前端信息采集系统,有着广泛的应用,除了用于检测车辆违章以外,还可以用于交通流量的检测与统计。

摘要：随着社会经济的快速发展,人们生活水平不断提高,各种汽车的数量大幅度增加,提高交通效率就显得越来越重要。目前世界各国都投入了大量的人力和物力对智能交通系统(ITS)进行研究。作为ITS的重要组成部分,电子警察系统在规范驾驶人员行为、杜绝交通事故、提高交通执法水平及道路通行能力等方面起到了重要作用。从现有电子警察系统实际存在的问题出发,在系统控制、车辆检测及系统方面提出了自己的解决方案。概要介绍了基于嵌入式系统的视频检测系统及控制系统的组成架构。

关键词：电子警察系统,嵌入式系统,视频检测,智能交通系统

参考文献

[1]王笑京,齐彤岩,蔡华.智能交通系统体系框架原理与应用[M].北京:中国铁道出版社,2004.

[2]史其信,胡明伟,郑为中.智能交通系统评价技术与方法[M].北京:中国铁道出版社,2005.

[3]李善平,刘文峰,王焕龙.Linux与嵌入式系统[M].北京:清华大学出版社,2003.

[4]陆绍强.FPGA将逐渐取代ASIC和ASSP[J].电子产品世界,2000(9):28-31.

[5]彭仁明.基于视频的车辆检测[D].重庆:重庆大学,2004.

车辆视频篇7

关键词：车载视频监控3G,Wifi,视频监控平台GPS

一、设计背景

近年来, 随着中国国民经济的快速发展、交通基础设施的不断改善和机动车保有量的快速增加, 油罐车已成为民众生活中不可或缺的一部分。油罐车的发展对推动市场经济的发展, 完善交通、节约能源发挥了巨大的作用, 同时油罐车的发展也推动了上游链石油运输的发展。

我国油田及油库的设立多处于偏远地区, 因此石油运输成为石油工业中一个重要环节。石油运输有长途和短途两种, 长途运输主要依靠输油管道和铁路, 对于短途以及没有铁路的沿线, 石油的外运工作主要依靠油罐车。油罐车机动、灵活, 但其作业分散。由于油罐车内储存的轻柴油火灾危险性大, 一旦发生火灾爆炸, 不仅油罐车受灾, 对周围建筑物也有极大威胁, 所以司机在运输过程中一般不允许私自停靠, 尤其在城市繁华地段更不能随意停靠, 以免发生意外事故。但随着油罐车从业人员的不断增加及素质所限, 消防安全问题日趋严重, 成为城镇发展的新隐患。另外, 随着市场外部条件的变化, 有些素质差的司机, 不但在中途随意停车, 还私自从储油罐中卸油, 以获取私利, 造成了恶劣的社会影响。

二、建设需求分析

在依托总部监控中心及省监控中心建立起两级视频监控系统, 以达到建设成覆盖全省的区域级综合视频管理平台, 可实现“纵向到油罐车, 横向到市、省级平行单位指挥中心”的视频共享功能。多级视频监控平台部署后, 可将现场的实时第一手图像、视频资料传送到省监控中心, 并通过省监控中心传送到总部监控中心及分发至市级监控单元, 各应用系统都可以通过视频管理平台的接口调用视频对于更有效的掌握现场实时动态、辅助管理、指挥、决策是非常必要的。视频管理平台实现重点车辆现场监视、重点现场录像、录像检索回放、报警辅助处置、视频服务接口提供、视频后台管理和视频数据库管理等功能。

三、系统总体设计

1、系统构成介绍

在本项目中, 充分考虑到视频监控联网项目的系统需求, 提出了一套完整的高可用性解决方案。油罐车监控系统是专门针对油品运输行业设计的一整套端到端系统解决方案, 系统由车上监控系统, 油站核对系统, 后端管理平台三大子系统组成, 分别针对油品运输行业中车辆, 油站, 业务管理的分类需求而设计。

(1) 车上监控系统:车载监控系统通过司机对车辆的起动, 直接开启车载监控设备, 由摄像头提取车内、车外部信息, 交由车载监控主机压缩存储, 按照预先的设定借助3G/Wifi无线网络, 把车辆的行驶状态、实时位置、车内情景、工作人员工作状态及一些突发事件的实时场景传输给中心服务器, 再通过中心服务器对信息的处理传送到管理人员的显示器上。

(2) 油站核对:油站监控点主要是通过Wifi网络接入车载主机, 对主机硬盘中保存的车辆路途信息实行快速检索, 及时发现有无偷油漏油等异常情况。同时可通过Wifi对硬盘中的数据进行快速下载备份。

(3) 管理平台:实现对前端设备管理, 音视频流媒体数据存储、分发, 实现业务运营管理等。系统由一级总部监控中心、二级省监控中心、三级市监视单元及油罐车基层系统三级结构。通过系统集成软件实现上述各子系统之间的集中管理、集中控制。选择原则是能与其他厂家各子系统的软硬件实现兼容, 能与使用方业务系统集成。具体要求, 一是可设置多级监控中心, 支持三级平台部署, 支持三级平台级联, 视频可级联转发;二是流媒体均衡转发, 缓解多用户同时访问同一前端的带宽压力, 支持手机流转发;三是可对用户进行功能授权, 如视频浏览、录像回放、云台控制、电视墙管理等;四是支持电视墙, 具有电视墙管理功能;五是远程控制站端视频处理单元:配置参数、云台控制、设备重启、远程程序升级、录像回放等。六是网络设备管理、信息安全管理、日志管理等功能, GIS地图管理功能, 包括GPS信息统计, 超速提醒, 行车轨迹回放, 电子围栏等。

2、系统总体结构

(1) 系统总体架构图

(2) 系统组成

油罐车视频监控联网系统的组成主要分成视移动视频接入单元、监控中心、业务共享单元三部分组成。

(3) 组网方式

总部、省两级设有监控中心, 市级设置客户端, 各油罐车建设视频监控系统及存储, 各级系统之间, 利用3G、WIFI及光纤专网做为传输通道组成树型传输网络, 实现多层级的接入要求, 利用数字多业务平台, 提供全网的多业务传输和共享。

采用监控网络平台, 音视频、报警信号、OA的综合接入、三级传输和统一管理, 在建设起一套相对独立的监控网络的同时, 可提高网传输能力和网络质量。

1) 系统建立的油罐车监控点, 首先需要将监控图像、报警及控制信号传输到所属二级监控中心。根据前端监控点与运输公司机房网点的距离, 可采用3G (EVDO、WCDMA) 、WIFI传输方式, 保证图像接入信号的质量与管理要求。

2) 二级监控中心通过VPN专线或光纤专线与总部一级监控中心连接, 组成星型传输网络, 实现二级监控中心与一级监控中心的业务传输。

3) 一二级监控中心通过VPN专线或光纤专线可扩展与平行单位、兄弟单位共享业务接口 (如:安全生产监督管理局) 。

3、油罐车车上监控系统设计

(1) 油罐车上监控系统结构及组成

车上监控系统主要通过在油罐车辆上安装车载主机、摄像机、拾音头、GPS定位系统、报警按扭、对讲装置、无线传输模块等设备, 实现对运行中的油罐车辆进行视频监控, 并完成突发事件下的车辆报警, 鸣警等应急处理。车内监控系统拓扑结构如图3:

(2) 系统设备设计原则

油罐车属于工业级监控系统, 与普通的民用视频监控不同, 依据其特殊的工作环境, 产品具有一下特点:

1) 前端摄像机

防爆性:油罐车运输的油品等具有易燃易爆的特性, 包括在正常温度下, 汽油能挥发出大量蒸气, 场区空气中的气体达到一定浓度遇明火都会引起爆炸。所以这一领域与其他领域的监控系统最大的区别就是前端系统和传输过程的防爆要求。国家规定天然气、石油、柴油、火药、炸药等100米范围内不能有明火, 而普通监控摄像机非防爆, 且摄像机电路易短路, 致使明火, 因此不允许此环境使用。并且根据摄像机防爆级别不同, 应严格依据等级配备, 禁止低级别应用于高端场合。

防水防尘、日夜监控:由于防爆摄像机实行24小时监控, 并用在室外, 所以适合采用高清晰度、低照度的防爆枪机。

2) 车载主机

*音视频信号编码、存储、传输;GPS信号接入、传输。

*无线网络适应:包括中国联通的WCDMA, 中国电信的CDMA2000 (EVDO) 和中国移动的TD-SCD-MA。

*硬盘减震设计:由于车况、路况的不同, 防震技术便成为了对车载主机最基本的要求, 其中包括对整机减震、硬盘架减震、硬盘减震等多个环节, 来达到对整个车载主机的减震处理。

*电源安全性设计:除了减震, 车载主机中的另一个重要技术便是电源的稳定。由于车辆在行驶过程中, 车辆会有刹车、爬坡、点火等动作, 这种行为都会使车辆的输出电压产生不同幅度的波动, 很容易造成烧坏车载设备的现象, 因此车载主机本身必须具有宽电压输入能力来适应这种电压变化。

3) 线材选型

车载信号的传输主要包括摄像机视频信号传输、拾音器音频信号传输、报警按钮报警信号传输。车上敷设的所有线缆必须采用阻燃线, 视频信号传输接口采用航空接口, 符合车辆安全要求。

4) DVR防破坏

机箱做到保护机器, 免于被外力破坏。具备防人为破坏、防水溅、防尘能力。在防护等级上, 现在通用的是IP防护等级, 钣金机箱可以防护异物进入, 具备防水溅能力。

四、结束语

目前该项目已经在石油运输企业中得到应用, 主要采用了海康威视车载专用DVR;联网建设使用3G+WIFI组合, 已联网100多辆车, 市级以上网络采用内部VPN专网;网络带宽保证四路同时实时监视。整个系统运行稳定, 提高生产与管理效率。