научная статья по теме АЛГОРИТМ И АНАЛИЗ ПОГРЕШНОСТИ ОПРЕДЕЛЕНИЯ СКОРОСТИ АВТОМОБИЛЯ ДВУХКАМЕРНОЙ КОМПЬЮТЕРНОЙ ВИДЕОСИСТЕМОЙ С ИСПОЛЬЗОВАНИЕМ СТЕРЕОЗРЕНИЯ Науковедение

Текст научной статьи на тему «АЛГОРИТМ И АНАЛИЗ ПОГРЕШНОСТИ ОПРЕДЕЛЕНИЯ СКОРОСТИ АВТОМОБИЛЯ ДВУХКАМЕРНОЙ КОМПЬЮТЕРНОЙ ВИДЕОСИСТЕМОЙ С ИСПОЛЬЗОВАНИЕМ СТЕРЕОЗРЕНИЯ»

Технические науки

Информатика, вычислительная техника

и управление

Системный анализ, управление и обработка информации

Малистов А. С., кандидат технических наук, зам. руководителя отдела ЗАО «ЭЛВИС-НеоТек» Злобин Д. О.

(Национальный исследовательский университет (МИЭТ))

АЛГОРИТМ И АНАЛИЗ ПОГРЕШНОСТИ ОПРЕДЕЛЕНИЯ СКОРОСТИ АВТОМОБИЛЯ ДВУХКАМЕРНОЙ КОМПЬЮТЕРНОЙ ВИДЕОСИСТЕМОЙ С ИСПОЛЬЗОВАНИЕМ

СТЕРЕОЗРЕНИЯ

В этой статье описывается система видеонаблюдения, состоящая из двух камер, образующих стереопару. Оцениваются погрешности вычисления скорости транспортного средства такой системой.

This paper describes speed detection system based on binocular stereo vision. We estimate errors that can occur when using a video surveillance system.

Оценим, насколько точно можно определить скорость движущегося автомобиля с помощью системы видеонаблюдения, использующую бинокулярное зрение — две камеры, позволяющие оценивать диспаратность и глубину сцены [1]. Для определения скорости можно ис-

5

пользовать формулу v = —, где S - пройденный путь, ДГ - время в пути. Оценивать пройденный путь будем через положение автомобильного номера на кадрах и расстояния до номерного автомобильного знака. Для этого нам потребуется алгоритм автоматического распознавания автомобильных номеров, рассмотрение которого выходит за рамки данной статьи [2]. Обозначим его за «Алгоритм А». Выходными параметрами этого алгоритма является государственный регистрационный номер и его положение на кадре. Положение номера на кадре определяется четырёхугольником, очерчивающим границы этого номера. Будем рассчитывать пройденный путь S по следующей формуле:

S = • sin(^) — L2 • sin(a) (1)

Камеры в бинокулярной системе располагаются на некотором расстоянии друг от друга. Это приводит к тому, что положение объектов на изображениях различно. Разница этих положений (диспаратность) позволяет вычислить расстояние до объекта (глубину) [3]. Вклад в погрешность пройденного пути S вносят относительная погрешность определения дальности до номера автомобиля , Ь2 и относительные погрешности для sin(^) и sin(a).

Пусть W - ширина номера [м], ИПикс - ширина номера [пиксели], d - диспаратность [м], йпикс - диспаратность [пиксели], WM - ширина матрицы объектива [м], F - ширина кадра [пиксели], D - расстояние между камерами [м], L - расстояние до объекта [м], f - фокусное расстояние камеры [м], Wk - ширина обзора камеры [м]. Тогда:

фокусное расстояние f = ,, х =-

Wм■L■Wпикс

расстояние между камерами Б =

. о /р

расстояние до номера Ь =-

Wп,

Погрешность определения дальности до объекта: 6Ь = + + ¥м2 + ^<зпикс 2- Бу-

дем считать, что все погрешности, кроме 5^пикс, пренебрежимо малы, тогда 5Ь « 5^пикс = 2А ,где А - абсолютная погрешность, которую допускает алгоритм А.

^пикс

Можно найти то расстояние Б, на которое нужно разнести камеры для того, чтобы погрешность определения дальности не превышала 8Ь. Например: пусть погрешность алгоритма обнаружения номера составляет ±2 пикселей, а ширина номера на кадре равна примерно 100 пикселей. Потребуем, чтобы погрешность определения дальности не превышала 5Ь «2%. Тогда диспаратность составит 200 пикселей, и расстояние между камерами рассчитывается следующим образом:

И .1/1/ 9ПП.П

1.04м (2)

£ = ^пикс ™ _ 200 -0.52

ИЛ

100

Необходимо проверить, что общая зона видимости обеих камер является достаточной для того, чтобы погрешность не принимала больших значений. Автомобиль может находиться в разных положениях в пределах своей полосы. Расстояние СК на рисунке 1 представляет собой то минимальное расстояние, проходя которое, номер автомобиля будет виден сразу на двух камерах стереопары. Нетрудно показать, что СК можно выразить следующим образом:

= (3)

Тв

Рис. 1. Сверху: схема зоны обзора камер. Снизу: схема расположения автомобиля в пределах полосы

движения.

Считаем, что ширина полосы движения равна примерно 3 метрам, ширина автомобиля « 1,5 метра, а ширина автомобильного номера 0,52 метра. В проведённом эксперименте были выбраны следующие параметры: расстояние от системы видеонаблюдения до дальней точки обзора КН « 40 метров, максимально возможное отклонение номера от цента полосы пока

автомобиль едет в пределах этой полосы G G' = г «1 метр, половина максимальной ширины обзора одной камеры В'О' « 1.6 метра. Примем расстояние между камерами АА' = D « 1.04 метра. Тогда G'K « 3,5 метра. G'K в 10 раз меньше максимального расстояния до номера, что повышает погрешность вычисления пути в 10 раз Ss « SL • L/S по сравнению с погрешностью вычисления глубины. Можно уменьшить эту погрешность, задействовав камеры с разрешением 1920 X 1080 пикселей. Проведённый расчёт показал, что если ширина номера на изображении составит 800 пикселей, а диспаратность 400 пикселей, тогда относительная погрешность 8l « 1%. Рассчитав расстояние между камерами по формуле (2), получим, что D « 0,25 метра. Минимальное расстояние, на котором камеры будут видеть автомобиль составит « 10 метров. Погрешность определения расстояния не будет превышать Ss « 4%.

Таким образом, были оценены погрешности, возникающие при определении скорости движущегося транспортного средства с помощью двухкамерной системы видеонаблюдения, в которой камеры образуют стереопару. Было показано, что в подобных системах можно регулировать относительную ошибку, возникающую при определении пройденного транспортным средством пути, устанавливая необходимое расстояние между камерами. Но, стоит отметить, что при увеличении расстояния между камерами уменьшается общая зона видимости камер, что ведёт к росту ошибки определения времени, за которое прошёл автомобиль путь S, а так же ошибки определения этого пути S. Применяя подобные системы видеонаблюдения на практике, можно добиться хорошей точности определения скорости движущихся транспортных средств.

Литература

1. Л. Шапиро, Дж. Стокман, Компьютерное зрение, 2006 г.

2. Nikolaos E. Anaghostopoulos, Ioannis E. Anaghostopoulos, Vassili Loumos, Eleftherios Kayafas, A License Plate-Recognition Algorithm for Intelligent Transportation System Application, IEEE 2006

3. Wannes van der Mark, Dariu M. Gavrila, Real-Time Dense Stereo for Intelligent Vehicles.

Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.

Показать целиком

Пoхожие научные работыпо теме «Науковедение»