基于视频图像处理的微观交通数据的获取

张 瑞，李珣辉，邹智军，洪智勇，张 博

（1.同济大学交通运输工程学院，上海201804；2.新疆交通职业技术学院，新疆 乌鲁木齐831401）

0 引言

智能交通系统的发展使得对交通数据的要求越来越高，交通数据包括宏观交通数据和微观交通数据。常用的宏观交通数据有交通量、交通流密度、平均行程时间、OD 等，数据易采集，对精度要求不高，且采集理论和技术已较成熟，市场化程度高。宏观交通数据是一定时间或空间的聚集，不能反映交通个体的特征，用宏观交通数据来研究微观层面上的交通行为是远远不够的。因此，对微观交通数据的采集和处理技术的研究变得十分迫切。

微观交通数据的价值可以体现在以下几个方面：

（1）应用于交通控制与诱导系统中，很多情况下需要知道车辆的实时位置和行驶状态，或异常车辆的识别，而宏观交通数据无法提供所需信息；

（2）用于驾驶行为理论的研究，如车道变换、超车、跟车、车辆加速、减速、冲突、交织等各种微观驾驶行为的研究[1]；

（3）用于微观交通仿真技术，微观交通仿真模型的标定与校正需要微观交通数据，使仿真模型能更加符合实际情况。

本文利用视频数据，采用图像处理技术，获取了车辆的行驶轨迹，得到了交通个体在道路上的实时位置信息，进一步得到了车速和车头时距，并检验了车速是否近似服从正态分布。

1 基于视频的车辆行驶轨迹获取方法

微观交通信息是指在一定时间和空间内，能够完整描述每一辆车的位置属性和运动属性[1]。位置属性是指车辆在某一时刻的空间位置，如坐标值；运动属性是指车辆的瞬时车速、加减速度等特定时刻的运动状态。利用视频数据获取车辆行驶轨迹的步骤如下。

（1）通过实地观测，获取交通视频数据。为了准确测量车辆在图像平面中的偏移量，观测时要保证一组数据的背景完全相同[2]。

（2）为了获取车辆在图像上的位置，将视频数据转换成BMP 格式的图片。本文利用Corel Videostudio（会声会影）软件将视频按帧存储为图片格式，每秒有30 帧，即每秒视频转换成30 张图片。

（3）按时间顺序依次处理每张图片，获取每辆车在图片上的像坐标。本文使用ScanIt软件获取车辆的图像坐标，如图1所示。

图1 利用ScanIt获取车辆的图像坐标

（4）将图像坐标转换为实际坐标，坐标转换原理如图2所示。

图2 坐标转换原理图

由于是不在同一平面上的二维坐标系之间的转换，因此可以用齐次坐标转换建立图像坐标和实际坐标之间的关系，如式（1）所示：

将图像坐标（x，y）对应的齐次坐标（x，y，1）代入（1）式，得到：

整理得到：

化简得：

其中，（x，y）是图像坐标；（x′，y′）是实际坐标；a,b,c,d,e,f,g,h是坐标转换待求解参数。若已知4个点的图像坐标和实际坐标，就可以标定出参数的值。

2 实例分析

本文选取乌鲁木齐市河滩快速路为研究对象，实地拍摄了4min58s 的视频，共转换为8 940张图片，经处理得到了车辆行驶轨迹、车速和车头时距。

2.1 车辆行驶轨迹

选择车道标线的一端（0，0）作为标定点A，向右取一个车道宽度375cm 作为标定点B，在A点图像上方沿标线取600cm 作为标定点C，C点再向右取一个车道宽度375cm 作为标定点D。选取的4个标定点如图3所示，标定点的图像坐标和实际坐标如表1所示。

图3 图像上4个标定点的位置

表1 标定点的实际坐标和图像坐标

将上述4 个点的图像坐标和实际坐标代入式（5）中，计算出参数的值分别为a=239.2054，b=-40.9082，c=-643.2538，d=-25.8768，e=363.7396，f=-16.2902，g=0.007，h=-0.2631。依 次 处 理 图片，获取每辆车的图像坐标。为减小误差应尽量选取车辆与地面接触的点，本文选取车辆左前轮与地面接触的点作为车辆的特定点。将图像坐标代入式（5）就可计算出其对应的实际坐标。按时间顺序处理图片并转换坐标就得到车辆在一段时间内的行驶轨迹，如图4所示。

图4 车辆行驶轨迹图

为检验参数标定算法的准确性，获取4 个点E、F、G、H的图像坐标，代入转换方程式（5）中，计算出在转换系统下的实际坐标，与它们在地面上的实际坐标进行对比，检验坐标转换算法的误差，计算结果如表2所示。可以看出误差均在3cm之内，证明本文采用的坐标转换算法是比较精确可靠的。误差主要是获取像点坐标时产生的，与拍摄视频时的天气、摄像机的精度以及获取图像坐标方法的精度有关。

表2 坐标转换算法误差分析表

2.2 车速

车速是度量交通设施服务功能的一项重要指标，它综合地反映了设施的功能、质量和服务水平的状况，其特征对道路通行能力、交通安全、交通管理控制和道路规划设计等有着直接的影响[4]。车辆轨迹数据反映了车辆的实时位置，据此可以计算出车辆的瞬时速度。本文处理了4min58s的视频数据，获取了177 个车辆样本，其中内侧车道116辆，外侧车道61 辆，得到内外侧车道的车速分布特征如图5～图7所示。

图5 内侧车道车速分布直方图

图6 外侧车道车速分布直方图

图7 内外侧车道车速累计频率分布曲线

从图5和图6可以看出，车速分布的直方图与正态分布曲线有较好的相似性，特别是内侧车道。车速的正态Q-Q图（见图8、图9）也显示出期望值与观测值有较好的吻合性（两端的点除外）。但对数据进行正态拟合后，发现车速分布并不完全服从正态分布，而是有一定的偏态（见表3），表明车速分布呈负偏态，曲线比较平坦，车速近似服从正态分布。

2.3 车头时距

图8 内侧车道车速分布正态拟合Q-Q图

图9 外侧车道车速分布正态拟合Q-Q图

表3 车速的分布特征值

车头时距是微观交通分析中的一个重要参数，它直接反映了交通流状态、驾驶员行为特性、路段或交叉口通行能力及服务水平，是计算通行能力、优化信号配时、构建车辆跟驰模型的最基本和最常用的参数[5]。本文利用快速路基本路段的视频数据，把每一辆车通过某一固定点的时间记录下来，获得了内侧车道上车辆的车头时距，样本量为128，其分布情况见图10。

图10 车头时距分布实测数据

3 结语

微观交通数据是研究交通系统的基础和依据，对于通行能力的分析、智能交通系统的发展、异常交通状态的识别、微观交通流特性的研究以及微观交通仿真技术的发展具有重要意义。本文应用摄影学的基本原理，阐述了通过视频数据获取车辆行驶轨迹的基本步骤，分析了图像坐标转换成实际坐标的原理，并利用实测数据提取了车辆的行驶轨迹，为研究微观交通系统提供了数据处理方法。在此基础上进一步得到了车速和车头时距，并拟合了车速分布是近似服从正态分布。该方法的精度与摄像位置、天气情况、提取图像坐标的准确度等因素有关，从本文的分析结果来看该方法能对大部分数据进行有效的处理，精度能满足要求，但工作量较大，如何提高图像处理效率同时保证精度要求还需进一步探索。

[1] 张汝华，郑黎黎，杨晓光，等.基于视频技术的微观交通流信息采集系统研究[J]. 交通与计算机，2004，22（6）：33-36.

[2] 刘博航，裴玉龙，徐慧智.基于视频处理的车道变换轨迹获取技术[J]. 哈尔滨理工大学学报，2007，12（3）：7-11.

[3] 金为铣.摄影测量学[M].武汉：武汉大学出版社，2001.

[4] 钟连德，荣建，周荣贵，等.快速路交通流中车速特性研究[J].公路，2004，（12）：158-162.

[5] 刘明君.基于混合交通流的信号交叉口机动车车头时距研究[D].北京：北京交通大学，2010.