3D摄像机范文

3D摄像机范文（精选3篇）

3D摄像机 第1篇

数字摄像机是计算机视觉系统获得图像信息的主要工具。近年来,利用数字摄像机进行二维、三维重建和尺寸检测获得了越来越多的运用和研究。检查和较准摄像机的内部参数和外部参数的过程称为摄像机标定(Camera calibration)。摄像机标定是从二维图像获取高精度三维信息的前提,其标定精度和可靠程度将直接影响到测量结果的精度[1]。

随着摄影测量和计算机视觉理论的发展,许多学者对摄像机标定技术进行了深入研究[2,3,4,5,6,7]。从摄像机在视觉检测中获得应用以来,有关学者根据实际应用具体需要提出了一些不同的摄像机模型和标定方法。现有的摄像机标定方法根据模型中是否考虑光学系统的畸变,可分为畸变模型标定法和非畸变模型标定法[8];根据所采用的求解方法不同可分为非线性搜索法、全线性化方法、线性与非线性相结合的方法等[9]。根据标定过程是否需要控制场将摄像机标定分为传统标定方法和自标定方法[10]。传统的摄像机标定方法需要在场景中放置一个标定物,在高危险地区的监测、星球探测机器人的自主导航等情况下难以实现,自标定技术在这方面有独特的作用,但其精度水平则无法与传统的标定方法相比[5]。

Tsai采用摄像机的径向畸变模型[6],利用“径向准直约束”(Radial alignment constraint)条件提出一种“两步”(Two stage)标定方法,先用径向准直约束求解模型参数中的大部分,然后再用非线性搜索法求解畸变系数、有效焦距及一个平移参数。这种方法计算量不大,精度适中。张正友于1998年提出了一种利用旋转矩阵的正交性条件及非线性最优化进行摄像机标定的方法[2]。该方法要求摄像机在两个以上不同的方位拍摄一个平面模板的图像,网格状的模板可以用普通的激光打印机打印,贴在一个平面上(如玻璃板等),摄像机和模板都可以自由地移动,且不需要知道运动参数。这种方法也属于传统的摄像机标定方法,只是用平面模板代替了传统摄像机标定中的三维标定块,其特点是方法简单方便、成本低,标定稳定性和精度相对于自标定要高,其标定精度为0.335 pixels。上述两种标定方法在计算机视觉领域得到了较多的运用,但其标定精度均有待提高。

本文在分析完整的摄像机镜头畸变模型的基础上,提出一种新的标定方法,该算法包括以下三个步骤:第一步:在不考虑镜头畸变的情况下利用标定块上的中间若干个点,采用线性优化方法求出除畸变系数以外的其他外部参数和主要的内部参数(定义为m),然后采用非线性优化的方法进一步优化;第二步:固定m,利用线性优化方法求解畸变系数(定义为d);第三步:对所有内部参数和外部参数进行全局非线性优化。

2 摄像机模型

2.1 不考虑镜头畸变的摄像机模型

不考虑镜头畸变即是将所有的光学畸变均忽略不考虑,采用小孔成像模型作为摄像机的数学模型,可用式(1)表示[4]。

其中:(u,v)为空间点的图像坐标(单位:mm),(r,c)为对应的图像坐标(单位:pixel),R=[ri,j]是一个33的从世界坐标系到摄像机坐标系的旋转正交矩阵,T=(t1,t2,t3)是一个31的平移向量,(r0,c0)为计算机帧存图像中心的坐标,f为摄像机的焦距,fu=f⋅su,fv=f⋅sv(su,s v分别为图像平面中u和v方向单位距离上的像素数)。

此模型下需要标定的参数包括:内部参数r0,c0,fu,fv及外部参数R和T。

2.2 考虑镜头畸变的摄像机模型

由于摄像机光学系统存在装配误差和加工误差,使得物体点在摄像机图像平面上实际所成的像与理想成像之间存在光学畸变,物体点在摄像机成像面上实际所成的像与理想成像之间存在有光学畸变误差。镜头畸变影响了被测点在图像坐标系下的坐标值,可用如下公式修正:

其中:δu(u,v),δv(u,v)为镜头畸变引起的误差,为了确定该误差,我们首先分析各种镜头畸变的来源及其误差畸变模型。主要的畸变误差分为三类:径向畸变,偏心畸变和薄棱镜畸变。第一类只产生径向位置的偏差,后两类则既产生径向偏差,又产生切向偏差。同时考虑径向畸变、偏心畸变和薄棱镜畸变时,u轴和v轴的总畸变可用下式表示[11]:

令g1=s1+p1,g2=s2+p2,g3=2p1,g4=2p2,则式(3)表示为

2.3 本文的摄像机模型

根据式(3),不考虑畸变的图像坐标点(u,v)与其相应的像素位置关系可用下式表示:

引入新的变量:

则:

由于标定过程中所拍摄的图像存在误差,理论的图像坐标点(u,v)不可能准确获得,因此采用uˆ,vˆ来表示摄像机畸变模型[4],即:

由式(1)、式(4)、式(8)可得到本文的摄像机畸变模型为

所以若有足够的三维坐标点(xi,yi,zi)与其相应的像素位置坐标(ri′,ci′),则可确定出不考虑畸变时的内部与外部参数m=(r0,c0,fu,fv,T,α,β,γ),(α,β,γ是旋转矩阵R的三个独立参数)和畸变参数d=[k1,g1,g2,g3,g4]T。

从式(9)可知,本文的畸变模型只考虑了三种能引起较大误差的畸变,并未包含所有的畸变,因为工程运用中并不需要也不可能考虑所有的畸变。

3 标定算法

3.1 线性优化方法求解m(将d设为零)

本步处理过程先在不考虑畸变的情况下采用线性优化的方法求解m,作为后续非线性优化的初值。

由式(4)知道每个控制点和它相应的像素位置可以得到两个非线线性方程:

在上式中包含了R,T的六个外部参数和r0,c0,fu,fv四个内部参数。由式(10)可知要得到十个非线性方程的解至少需要五个控制点,然而即使有更多可用的点,这个解也是不能保证的,因为这个求解过程需要迭代搜索,而且这个过程并不是总能够成功。我们定义了以下中间参数,将式(10)转化为线性方程,以方便求解。

其中:R1,R2,R3为旋转矩阵R的三个列向量。那么式(9)由n个控制点组成的方程组可用矩阵形式表示为

W是所有未知参数向量:

式(12)的齐次线性方程中W的解不唯一,本文引入以下两个约束,满足这两个约束条件的解才是正确的结果。两个约束条件为

1)W3的模数为1;

2)w6的正负必须与世界坐标系中摄像机与标定板的相对位置一致,即:当摄像机在标定板前面时,w6为正,反之为负。

由于根据世界坐标系的定义可知t3≠0,可设w6=t3=1,则式(11)转化成一个非齐次线性方程:

式中:A′为A的前11个列向量组成的矩阵,B′为A的最后一列列向量,W′为相应减少的未知向量。根据式(14)采用最小二乘法求得W′,进而求得W。再根据上述两个约束条件由W可得到S:

由S,W以及R1,R2,R3的相互关系,可得到外部和内部不考虑畸变时的内部参数的初值m,如式(16)所示:

上述求解过程没有考虑W′内的约束关系,即旋转矩阵R是标准正交的,利用此约束修正得到,然后利用进一步修正其他参数得到m~:

3.2 非线性优化过程

根据实际图像坐标ri′,ci′和由式(1)求解的图像坐标,利用非线性优化算法对所求的参数实施进一步的优化,非线性优化的目标函数为[14]

上述目标函数既可以用来单独优化m(d固定),也可以同时优化m和d。

3.3 线性优化方法求解d(m固定)

将m值固定求解d时,上述优化函数是一个线性最小二乘问题,由式(6)、式(9)得:

式(19)是关于d的线性方程。因此,利用n个控制点,我们可构建矩阵Q和向量C,这样式(19)可变换成:

其中:Q是个2n5的矩阵,C是个2n的向量,两者是由给定的n个控制点的三维坐标和测得的图像坐标构建的。然后采用最小二乘法可得到优化的向量d。

最后,再返回上节介绍的非线性优化过程,利用式(18)对m和d进行全局非线性优化,以获得最佳的m、d值。

4 标定实验及结果

采用本文算法对图1所示的双目视觉系统进行标定,该系统由两套Hitachi KP-F3 CCD(分辨率为644493)和焦距为12 mm的镜头组成。实验所用标定块是一个带有30个标准圆孔的金属平面孔型标靶,标定块大小为100 mm100 mm30 mm。圆孔型靶标的优点是孔心可以使用高精度三坐标测量机精确测定,同时孔心的图像坐标也可以由孔的边缘准确拟合[12]。图2为双目系统在三个不同高度拍摄三组标定块图像。图3是标定孔经阈值分割、边缘提取及圆心拟合后得到的圆心示意图,框内的12个圆心为线性优化求解m时使用的中心点。得到的标定结果见表1。

为了验证本文算法的标定精度,利用标定结果和立体视觉原理,分别匹配出三组图像中的中心12个标定点(共36个点)的三维坐标,结果如图4。将匹配出的三维坐标P与使用高精度三坐标测量机测得的坐标值P0进行比较,并计算出P与P0中对应点的距离,这些距离值可以用来本文所标定的双目视觉系统的测量误差,结果如图5。由图可见各点的测量误差分布在0.01~0.08 mm之间,36个圆孔中心的测量误差的均方根(RMS)为0.036 7 mm。

5 总结

本文提出了一种新的标定算法,该算法采用线性优化与非线性优化相结合的方法,可以对所有参数进行全局优化。标定实验结果表明,该算法的标定精度可达0.036 7 mm,完全可以满足高精度三维量测及其他应用的要求。由于本文的标定方法标定时需要辅助的升降设备或运动控制系统,柔性相对较差,今后可以在提高系统标定柔性方面进行研究。

摘要：本文在分析完整的摄像机镜头畸变模型的基础上,提出了一种新的标定算法。该算法包括三个步骤,首先在不考虑镜头畸变的情况下利用标定块上的中间若干个点,采用线性优化方法求出除畸变系数以外的其他外部参数和主要的内部参数;然后固定上述已求得的参数,利用线性优化方法求解畸变系数;最后对所有内部参数和外部参数进行全局非线性优化。最后对本文的标定算法进行了标定实验,实验结果表明,本文算法的标定精度可以达到0.0367mm,可以满足高精度三维测量及其他应用的要求。

关键词：计算机视觉,摄像机标定,非线性优化

参考文献

[1]Yang H,Zhang S,Guo G,et al.Key techniques for vision measurement of3D object surface[C]//Sixth International Symposium on Instrumentation and Control Technology:Signal Analysis,Measurement Theory,Photo-Electronic Technology,and Artificial Intelligence.Beijin,China:SPIE,2006:63571Z.

[2]Zhang Z.A flexible new technique for camera calibration[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(11):1330-1334.

[3]Song L M,Wang M P,Lu L,et al.High precision camera calibration in vision measurement[J].Optics&Laser Technology,2007,39(7):1413-1420.

[4]Triggs Bill.Autocalibration from Planar Scenes[C]//Proceedings of the5th European Conference on Computer Vision.London,UK:Springer-Verlag,1998,1:89-105.

[5]Zhang Y,Zhang Z,Zhang J.Camera calibration technique with planar scenes[C]//Machine Vision Applications in Industrial Inspection XI.Santa Clara,CA,USA:SPIE,2003:291-296.

[6]Tsai R.A versatile camera calibration technique for high-accuracy3D machine vision metrology using off-the-shelf TV cameras and lenses[J].IEEE J.Robotics and Automation,1987,3(4):323-344.

[7]Sturm P,Maybank J.On Plane-Based Camera Calibration:A General Algorithm,Singularities,Applications[C]//Proceeding of the IEEE Conference on Computer Vision Pattern Recognition.Fort Collins,Colorado,USA:IEEE,1999:432–437.

[8]Tratnig M,Paul O L,Hlobil H,et al.Camera calibration,data segmentation,and fitting approaches for a visual edge inspection system[C]//Machine Vision Applications in Industrial Inspection XII.San Jose,CA,USA:SPIE,200:42-51.

[9]Hongwei G,Chengdong W,Lifu G,et al.An Improved Two-Stage Camera Calibration Method[C]//Proceedings of the6th World Congress on Intelligent Control and Automation.Dalian,China:IEEE,2006:9514-9518.

[10]Triggs B,Mclauchlan P F,Hartley R I,et al.Bundle Adjustment-A Modern Synthesis[C]//Vision Algorithms:Theory and Practice.Corfu,Greece:Springer-Verlag,1999:153-177.

[11]Weng J,Cohen P,Herniou M.Camera calibration with distortion models and accuracy evaluation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1992,14(10):965-980.

基于3D电视摄像技术的研究 第2篇

【关键字】：3D；电视摄像技术；影视技术；

【中图分类号】TB86

从世界第一部3D电影《阿凡达》上映以来，在全世界范围内，就掀起了一场3D影视的风潮，人们更加关注这一影视的精美度。而自从2009年这一技术开始兴起以后，影视业在发展的过程中，就不得不去探索这一技术发展的主要应用环境，下面我们就这一技术的发展与应用环境进行简单讨论。

一、3D电视摄像技术的定义

3D电视摄像技术是基于现代数字3D摄像头进行了的一类现代影视拍摄手段，往往通过两个或多个摄像头将不同的影视信息进行存储录制，然后进行存储。在播放时，应用两个摄像镜头将不同角度拍摄下的影视进行播放，而人则戴着特制的眼镜，通过镜片的过滤，从而营造一个有效的3D立体影像。

二、3D电视摄像技术发展的历程

随着近年来的摄像技术发展，影视的代入形式也逐渐成熟，在技术的实际应用上，也形成了一种有效的建设途径。下面我们其发展历程上进行简要分析。

（一）3D电视摄影技术的特点

从现代电视摄影技术的发展形式来看，主要采取的还是应用两个模拟人眼间距的并排镜头进行影视拍摄，并结合两组图像的拍摄图像来进行人脑图像上的模拟融合，并通过3D成像技术进行场景融合。在投影播放上，通过3D摄像机进行影片的录制，并结合播放形式进行场景模式的佩带调整，这一形式的使用，也方便在后期的裁剪。

在裸视3D显示上，则主要通过显示设备例完成，这一形式的工具，价格也更为昂贵，但是就现在的效果来看，经济效益并不理想，且画面也没有双眼3D的效果好。且在换面上也更为恍惚，给人的直观感觉也存在多少的差距。

（二）现代3D摄像技术的实际应用情况

就现在3D摄像技术的应用方法上来看，通过影视作品的卖价来看，其票价远高于普通2D影视价格。即便如此，人们在对影视观赏感的追求上，却仍对3D更加喜爱。与此同时，从影视制作的形态来看，这种影视形态新兴起步，在很多地方还不能够满足影视电视的制作效果，对于当前的数字摄像技术来说，虽然已经实现了全球化的投入使用，但是其制作形式还不甚完美。针对这一摄像技术设备的应用上，索尼公司近年来也推出了3D静态影像设备的使用设施。

而对于数字3D摄影技术的实际使用，从3D相册的应用方面出发，及需要更大的存储量来支持其影视数据的存储，同时也要保证录制成的DVD进行转播调整，以保证影视资料的聚焦效果满足使用要求。在成像的形式上，通过相关设备进行2D到3D影响上的转变，在很大程度上影响了制作的进度，因此在进行设备的选择上，还需进行进一步的改革创新。

在3D视频的应用领域，在3D视频电话的应用上，也成为了现代投影技术的一项重要改革，用户通过互联网的数字3D投降技术上的有效控制，而这一类视频电话，这对传统的视频的电话图像，相对而言也能够更符合其使用的规范。其使用在很大程度上满足了人们在视觉需求。

三、3D电视摄像技术的应用前景

从第一批3D电视摄像一起的投放销售情况来看，3D电视摄像一起的市场魅力相当不凡。但是在就现在的摄像仪器来看，此类电影摄像技术的应用空间还在摸索阶段，在实际的应用中还不够全面。通过对这一技术的应用分析，并结合实际的使用空间进行调控，完善对整体信息上的合理化建设，从而完成对摄像机的应用空间建设，通过合理架设，从而实现在影视产品数码应用上的研发。

从现代市场的分布情况来看，3D影视家电设备产品的市场，还存在很大的漏洞，并不夠完备。在近年的信息产品的展示会上，我们对于新3D影视产品的市场应用场景来看，也能够认识到其中所代表的主体行情，并依据实际的使用规范进行合理调控。

就现代市场3D数码设备的发展情况，应避免局限于拍摄设备上的开发，因为仅局限在拍摄设备上，那么人们的个体热情必然会下降。人们在进行了拍摄后，并不会仅局限于在影像仪器上的观赏，更多的还是要与家人一起分享。因此改良现有的影视效果策略，并推广3D家庭使用显示设备，就显得更为重要，伴随着现代社会的发展，在这一领域内，应满足现代社会的发展需求，在人们的影视消费需求上进行调研。例如在网络游戏的开发上，可实际操作3D游戏视角游戏，将影视技术进行改良，从基本的定义上改变对现代市场的供需调整，同过升级改良，从而实现在3D影视市场上的有效调整。如，在游戏的改革上，《魔兽世界》是对现代人游戏世界观的一次大改良，为网民的生活带来了新的体验，并迎接来了新的数码时代。

结语：

伴随着世界影视技术的发展，人们在影视需求上的个人观影态度上也发生了改变，从传统的2D变换到3D，其体验的本身，也是对人感官上的改变。为满足市场消费人群的消费需求，在进行设备的调整改良上，就需要结合社会前沿进行全面调整，完成对3D影视拍摄技术上的改良，同时加强对投影设备上的改良，让3D影视能够真正的走入人们的生活。

参考文献：

[1]杨宇，郭远航，沈萦华等.3D电视节目的防眩晕拍摄技术研究[J].电视技术，2011，35（8）：54-57.

[2]李晓兵.数字3D摄像技术的发展探索[J].信息通信，2015，（4）：284-284.

[3]朵天林.VRML技术辅助《电视摄像》课程教学实践[J].新闻界，2010，（5）：164-165.

[4]杨旭乾，吴峥.初探3D电视制播系统[J].影视制作，2010，16（9）：20-23.

3D摄像机 第3篇

在以往的研究中,获取运动目标轨迹的方法有多种,主要有减背景法[2]、基于车辆3D模型的跟踪方法[3]、基于轮廓的跟踪方法[4]以及基于特征点的跟踪方法[5]。当摄像机的安装高度距离地面较高时( 一般在15 ~ 100 m之间) ,车辆之间的遮挡和图像尺度变化较小,车辆的高度信息可以忽略,用以上的这些跟踪方法一般可以取得较好的跟踪效果,跟踪出的运动轨迹可以较真实地反映车辆的运动状态。但是在实际应用中,由于工程上的限制,摄像机一般安装在离地面较低的位置( 一般在6 ~ 9 m之间) ,且通常在道路的两侧,此时,车辆高度造成的车辆之间的遮挡和尺度变化显得尤为严重,在图像平面对运动车辆进行跟踪得到的运动轨迹不能真实地反映车辆的运动状态。鉴于此,在近几年的研究中,空间轨迹由于可以较真实地反映车辆的运动状态,应用于低视角摄像机情况下的交通行为分析中。Beymer[6]等假设车辆的高度为0,将图像上对特征点跟踪形成的轨迹投影到路平面上,由于摄像机距离地面较高,因此图像到路平面之间单一的映射关系就可以很好地解决拥堵、光线变化及阴影等复杂环境下车辆的跟踪问题,然而当摄像机距离地面较低时,仅靠这样单一的映射关系是不够的。为此,本文提出一种低视角单目摄像机下3D空间的运动轨迹提取方法,即首先建立图像坐标系与世界坐标系之间的转换关系,通过减背景法得到运动目标的二值化图像,然后在二值化图像中对提取到的特征点向下作垂直投影,根据投影点的世界坐标值求得特征点的世界坐标值,再由高度信息进行特征点的筛选。在图像平面上对稳定特征点进行跟踪,求得每一个跟踪点对应的三维信息,并对跟踪点的高度进行中值滤波。最后根据滤波后的高度信息对跟踪点的三维信息进行修正形成空间轨迹。

1 稳定特征点的选取

由摄像机的成像模型可知,通过世界坐标系中的点Q可求得其在图像坐标系中对应的点q的坐标,点Q与q之间的转换关系可通过变换矩阵C得到,即

式中: Q = (x,y,z,1)和q = (u,v,1)都是齐次坐标,在现实空间中任意选取6个点,根据其世界坐标系和图像坐标系之间的关系[7]就可以求得变换矩阵C。

在现实空间中,与光心连线在一条直线上的所有点在图像平面上都投影为同一个点,因此知道了图像中的像素坐标之后,根据变换矩阵C并不能唯一确定该像素点对应的世界坐标,但是当世界坐标(x,y,z)的任意一个坐标值已知时,就可以根据图像的像素坐标确定其对应的世界坐标。如图1所示,现实空间中的点( Q1,Q2,Q3和Q4) 投影到图像平面上都对应点q,因此仅根据图像上点q的坐标值,不能唯一确定q点具体对应现实空间中的哪一个点。

本文采用改进的Moravec特征点提取算法,利用灰度方差提取特征点,并在图像平面上通过跟踪模板设计和模板匹配、更新等操作进行特征点的跟踪[8]。

因为车辆的底部可以假设是接近路面的,即其高度为0,对应到二值化图像中就是目标连通域的下边界,在二值化图像中对提取到的特征点向下作垂直投影,根据式( 1) 可以得出垂足点的世界坐标,并根据该 (x,y)值可以得到现实空间中与其处在同一垂线上的所有特征点的世界坐标。

如图2所示,图2a为采集到的原始视频图像,点F与点B在同一条垂线上,图2b中特征点f的垂足为点b,点b对应到现实空间中是车辆的底部,其高度为0,根据图像平面与现实空间的对应关系求得点b对应的现实空间点为点B,由点b、f和B的坐标值即可求得特征点f对应的现实空间点F的坐标值。

当现实空间中的特征点与垂足原本就在一条垂线上时,得到的高度是正确的,但实际的情况是并不是所有的特征点都满足这样的条件,当特征点分布在车辆的其他地方时,例如车窗或者车顶,由于误差的存在,得到的高度并不是完全正确的。

如图3所示,点F,F1和F2为选取的车身上的特征点,这3个特征点并不在同一条垂线上。F,F1和F2投影到图像平面上的点为f,f1和f2,得到的垂足均为点b。点b对应的现实空间上的点为B,由点B的高度值( 为0) 可求得B点的三维信息,结合平面图像上点f,f1和f2的坐标值求得它们对应的现实空间上的点分别为F,eF 1和e F2。由于F与B在一条垂线上,F1和F2与B不在一条垂线上,因此求得F的世界坐标信息是正确的,F1和F2的世界坐标信息是错误的。

误差产生的原因主要是假设条件下的特征点都与车辆的前部在同一个垂面上,观察可知此条件下计算得到的高度都不低于特征点的真实高度,且特征点的真实高度越高,计算误差越大[9]。鉴于此,本文选取高度较低的特征点作为稳定特征点,即稳定特征点所对应的高度信息误差较小。稳定特征点的判断条件为

式中: Hth为高度信息的判断阈值,将满足此条件的特征点作为稳定特征点进行跟踪,一般选取Hth为0. 4W,W为车道宽度。

如图4所示,第1行圆圈表示的点为采用改进的Moravec特征点提取算法提取到的特征点,第2行圆圈表示的点为满足稳定特征点的判断条件筛选出的稳定特征点。

2 空间轨迹的形成

对提取到的稳定特征点在二维图像平面上进行跟踪得到的跟踪轨迹即图像轨迹,在现实空间中画检测线作为空间轨迹形成的时间基准,当有轨迹( 此处为图像轨迹在世界坐标系的表示即空间轨迹) 通过检测线时,对其高度信息进行中值滤波,并对其历史跟踪点的世界坐标信息进行修正。

具体判断步骤为:

1) 首先利用上述方法计算第i条图像轨迹上所有跟踪点的世界坐标

2) 在现实空间中,当有空间轨迹经过检测线时,对该轨迹上的所有跟踪点的高度信息进行中值滤波求得该轨迹的高度zi;

3) 利用此高度信息zi再返回到该轨迹上的每一个跟踪点对跟踪点的世界坐标值进行修正,得出修正后的三维世界坐标 (xi1,yi1,z i)… (xin,yin,z i);

4) 重复步骤1) ~ 3) 对所有通过检测线的空间轨迹的世界坐标进行修正,修正后的空间轨迹即为最后分析用的空间轨迹。

3 实验结果

图5所示为两个摄像机高度较高场景下的跟踪效果图。当摄像机架设高度较高时,车辆的高度信息可以忽略,可以近似认为车辆是贴近路面行驶的,因此跟踪得到的轨迹线可以较好地反映车辆的运动信息。每个运动车辆的跟踪轨迹被限制在了它所行驶的车道内,不会出现由于车辆之间的相互遮挡而引起的轨迹误判为相邻车道的情况。

在本实验过程中,摄像机的安装采用相对于运动车辆远离的方式,即运动车辆从进入视野开始是渐渐远离摄像机的安装位置行驶的。如图6所示为摄像机低视角下的场景图,摄像机的安装高度为8 m,且安装在道路的右侧约3 m处,实际交通场景中的车辆相互遮挡现象较为严重,检测结果如图6所示,对本文提出的低视角单目摄像机下3D空间的运动轨迹提取算法进行验证。由于摄像机架设的高度较低,车辆之间的相互遮挡和尺度变化较为严重,运动车辆的跟踪轨迹有时会被误判为相邻的车道。因此仅仅利用在二维图像中跟踪出的轨迹对车辆的运动行为进行分析,很容易出现错误的结果。图6a中属于车道3的跟踪轨迹T1被误判为属于车道2;图6b中属于车道4的跟踪轨迹T2被误判为属于车道3; 图6c中属于车道3的跟踪轨迹T3被误判为属于车道2。

利用本文所提出的算法对稳定特征点进行跟踪,并将图像轨迹转换为空间轨迹,空间轨迹可以较好地解决车辆之间的遮挡引起的轨迹误判。

如图7所示,第1行实线为稳定特征点跟踪出的图像轨迹,虚线为空间检测线在二维图像上的投影。第2行为利用本文算法得出的空间轨迹。

4 结论

由于摄像机安装高度和角度的影响,本实验所展现的实际场景中,高度信息造成的遮挡和尺度变化使得传统的利用图像轨迹对车辆运动行为进行分析的方法显得力不从心,因此本文提出一种低视角单目摄像机下3D空间的运动轨迹提取方法。首先对稳定特征点进行跟踪,在图像平面上形成图像轨迹,然后利用跟踪点的高度信息,将二维图像平面上跟踪出的轨迹逆投影到三维世界坐标系中,得到现实空间的轨迹,在现实空间中利用空间轨迹对车辆的运动行为进行分析。实验结果表明,该方法针对摄像机安装高度较低且安装在路侧所造成的车辆之间的遮挡和粘连能取得较好的跟踪轨迹。此方法得到的空间轨迹可用于后续的车辆计数、交通行为分析及交通安全预警等方面。

摘要：由于摄像机安装高度和角度的限制,采集到的视频图像有时存在车辆之间的遮挡和尺度变化等问题。提出一种低视角单目摄像机下3D空间的运动轨迹提取方法,利用垂足信息求得特征点的三维信息,再由高度区分稳定特征点和不稳定特征点。对稳定特征点进行跟踪,根据三维信息形成空间轨迹。实验结果表明,该方法可以较好地解决车辆之间存在遮挡和尺度变化等情况下的轨迹分析问题。