引用本文
李威, 张泽枫, 潘少猷, 张志勇, 衡威威, 冯浩. 低照度视频中车辆行驶速度的计算方法[J].刑事技术, 2020,45(5):499-502
LI Wei, ZHANG Zefeng, PAN Shaoyou, ZHANG Zhiyong, HENG Weiwei, FENG Hao. Calculating the Velocity of Vehicle Recorded in the Low-illumination Video[J]. Forensic Science and Technology,2020,45(5): 499-502  
Doi: 10.16467/j.1008-3650.2020.05.012
Permissions
Copyright©2020, 《刑事技术》编辑部
《刑事技术》编辑部
低照度视频中车辆行驶速度的计算方法
李威, 张泽枫, 潘少猷, 张志勇, 衡威威, 冯浩*
司法鉴定科学研究院,上海市司法鉴定专业技术服务平台,上海 200063

* 通讯作者简介：冯浩,男,吉林四平人,硕士,高级工程师,研究方向为痕迹鉴定。E-mail: fengh@ssfjd.cn

第一作者简介：李威,男,河南正阳人,硕士,助理工程师,研究方向为痕迹鉴定。E-mail: liw@ssfjd.cn

基金资助: 中央级公益性科研院所基本科研业务费专项资金项目（GY2018Z-4）
摘要

目的 利用图像融合技术解决低照度视频中参考物无法识别的难题,从而提高基于监控视频计算事故车辆行驶速度方法的适用性。方法 选取同一监控摄像头拍摄的3帧图像（1帧路面标线清晰的图像及2帧低照度视频中的关键帧图像）,利用简单的图像融合方法-线性加权融合实现像素级图像融合,将关键帧图像中目标车辆相关特征与道路场景参考物的相对位置关系显现出来,从而解算目标车辆的行驶速度;最后,将根据目标车辆行车记录仪视频计算所得车速作为参考值,验证本方法是否可靠。结果 本方法所得车速的相对误差约为- 0.86%,证明了该方法的可靠性。结论 本方法能有效解决低照度视频中参考物不能识别的难题,可为事故车辆行驶速度的鉴定提供技术支持。

关键词: 视频侦查; 图像融合; 低照度视频; 参考物识别; 车速鉴定
中图分类号:DF793.2 文献标志码:A 文章编号:1008-3650(2020)05-0499-04
Calculating the Velocity of Vehicle Recorded in the Low-illumination Video
LI Wei, ZHANG Zefeng, PAN Shaoyou, ZHANG Zhiyong, HENG Weiwei, FENG Hao*
Shanghai Forensic Service Platform, Academy of Forensic Science, Shanghai 200063, China
Abstract

Objective To put forward a method about calculating the velocity of vehicle recorded in low-illumination video based on image fusion technology so as to improve the applicability of speed determination of accident vehicle evidenced with surveillance video.Methods From the same one surveilling camera that was fixed of the parameters of its photo-taking position, angle and focus, the targeted vehicle was obtained of its key imaging frames of two low-illumination videos and bright one clearly marking the same road section. Through simple image fusion being coalesced into the linear weighted one to make the relevant imaging pixels fused, the relative positional relationship was ascertained between the features of targeted vehicle (its key imaging frames being kept) and the road scene reference (its key imaging frame also recorded). Thus, the speed of targeted vehicle can be calculated based on the processed imaging frames from the involved videos, leaving opportunity to have it verified with the event-data recorder of the targeted vehicle if available.Results The method shows its relative error of speed calculation about -0.86%, proving the reliability of such an approach.Conclusions This method can effectively solve the problem difficult to recognize the reference objects in low-illumination video, capable of providing technical support for identification of the velocity of one accident vehicle.

Key words: video surveillance; image fusion; low-illumination video; reference recognition; speed identification

监控视频可有效记录道路交通事故的发生过程, 为事故调查及成因分析等提供了客观可靠的现场证据。事故车辆车速作为事故深度调查的重要组成部分, 已成为交通安全领域的重要研究内容之一[1], 也是道路交通事故技术鉴定中难度较高的项目。利用监控视频计算目标车辆的行驶速度是目前较为客观的车速计算方式。文献[2]根据速度的一般计算方法和计算机视觉基本原理, 详细阐述了利用监控视频进行车速计算的方法。2014年, 我国公安部发布《GA/T 1133-2014 基于视频图像的车辆行驶速度技术鉴定》标准, 详细阐述了基于视频图像的车辆行驶速度技术鉴定的要求和方法[3]。

图像融合是将描述同一场景的多个图像合成一幅新的图像, 这些图像可以是不同成像传感器获取的, 也可以是单个成像传感器以不同方式获取的。融合图像能够获取比单一图像更为丰富和有用的信息, 提高对场景描述的完整性和准确性。图像融合已广泛应用到机器视觉、目标识别、医疗诊断和遥感遥测等多个领域[4]。融合结果由于能利用两幅（或多幅）图像在时空上的相关性及信息上的互补性, 并使得融合后得到的图像对场景有更全面、清晰的描述, 因而更有利于人眼的识别或机器的检测。常见方法有：1）基于灰度变换和两尺度分解的夜视图像融合方法[5]。使用该方法融合后图像背景细节信息清晰, 更适合视觉感知。2）结合似物性前景对象与背景先验知识的图像显著性检测方法[6]。该方法能够在复杂背景图像中准确地提取出图像的显著区域。3）利用对比度、饱和度以及曝光度三个质量测度因子定义权重图的方法[7]。该方法利用拉普拉斯金字塔对输入图像以及高斯金字塔重定义后的权重图进行融合, 获得了较好的融合效果。

基于视频图像的车速计算应用中, 经常会遇到夜视或背光等低照度的情况, 尤其是近年来雾、霾天气的不断增多, 导致视频采集系统捕获的图像通常会出现对比度较低、饱和度下降等图像模糊的现象, 使得目标车辆特征及相关参考物的观测成为车速解算的难点。针对上述难点, 本文通过图像融合技术, 对关键帧图像进行处理, 使路面标线或其他参考物显现出来, 进而解算出目标车辆的行驶速度。

1 原理与方法

低照度视频图像中一般仅能观测到目标车辆上较为明亮的特征（比如前照灯等）, 目标车辆所处场景的信息对比度低, 纹理细节差。光照良好的条件下, 摄像机能够捕获清晰的场景图像。因此, 在同一个摄像机位置、角度、焦距等参数不变的前提下, 通过图像融合技术, 将光照良好时所捕获的清晰图像与低照度时的图像相融合, 利用两者的互补性, 可反映出目标车辆与客观场景的相对位置, 从而用于解算目标车辆的行驶速度, 增强图像的利用率。简单的图像融合方法一般是指直接在图像的像素灰度空间上进行融合处理, 不对参与融合的源图像做任何变换或分解, 其算法简单、融合速度快、实时性好, 可有效满足本研究应用的客观性。因此, 本研究选用简单的图像融合方法-线性加权融合[7]实现像素级图像融合。线性加权融合是在加权平均融合算法[8]的基础上, 对源图像进行处理, 其基本原理是将源图像对应像素点的灰度值乘以某个加权系数再平均, 可由下式表示：

F(i, j)=ω AA(i, j)+ω BB(i, j) i=1, 2, ..., N1, j=1, 2, ..., N2

其中, A（i, j）, B（i, j）, F（i, j）分别表示源图像A、B及融合图像F在像素点（i, j）处的灰度值; ω A、ω B为加权系数, 当ω A=0.5, ω B=0.5时, 则为平均加权。

具体实现方法：1）获取同一个摄像机（位置、角度、焦距等参数不变）在不同时刻（日间和夜间）录制的两段视频; 2）使用同一视频播放器, 分别播放上述两段视频, 以视频图像边缘为截图边界截取大小一致的目标图像（1帧日间视频中客观场景清晰的图像及2帧夜间视频中的关键帧图像）, 作为源图像; 3）将2帧夜间视频中的低照度图像先后与日间视频中的清晰图像进行配准, 并调节源图像的加权系数进行图像融合, 以显现低照度图像中目标车辆的相关特征与道路场景中参考物的相对位置关系, 从而解算目标车辆的行驶速度。

2 试验与分析
2.1 试验目标图像选取

选取一起小型轿车碾压行人的夜间事故作为本方法的应用案例。技术人员分别调取了事发时路口的监控视频及勘查现场时同一监控拍摄的视频。检查事发时的监控视频可见以下内容：18:02:32至18:02:33时间内, 因路口监控视频较远, 仅能看到目标车辆前照灯及前雾灯的灯光运动过程, 发现该前照灯及前雾灯的灯光向右偏移（应为目标车辆向左变道）; 18:02:34许, 目标车辆前照灯及前雾灯的灯光出现明显的上下晃动（应为目标车辆碾压行人）。逐帧检查视频可知, 18:02:32和18:02:33均为每秒13帧图像。根据事发时的监控视频中所示目标车辆的运动过程, 选取目标车辆速度解算的关键帧图像18:02:32第3帧图像及18:02:33第6帧图像作为图像融合的目标图像, 如图1a、1b所示。从勘查现场时同一监控视频中截取一帧路面标线清晰的视频图像作为参考图像, 如图1c所示。

图1 视频图像（a：18:02:32第3帧图像; b：18:02:33第6帧图像; c：清晰视频图像）
Fig.1 Instant video image (a: 3rd imaging frame at 18:02:32; b: 6th imaging frame at 18:02:33; c: clear image of same place)

2.2 图像融合结果

根据本文提出的图像融合方法, 将图1a、图1b先后与图1c进行图像融合, 以目标车辆左、右前雾灯灯光下沿连线为目标车辆的运动特征参考线, 当ω A=0.7, ω B=1时, 所得融合图像能够反映出目标车辆的运动特征参考线与道路场景参考物（车道分道线）的相对位置关系, 融合结果如图2a、2b所示, 其对应的局部放大图如图2c、2d所示。

'>图2 图像融合结果（a: 18:02:32第3帧; b: 18:02:33第6帧）及局部放大图（c: 18:02:32第3帧; d: 18:02:33第6帧）
Fig.2 Fusion of Fig.1's c into either the 3rd imaging frame at 18:02:32 (a) or the 6th imaging frame at 18:02:32 (b), the enlarged part of the fused imaging frame (c) from(a) or (d) from(b)

2.3 目标车辆行驶速度计算

根据图像融合结果所示, 在18:02:32第3帧图像融合结果中, 参考线近似经过中央绿化带左侧第一、二车道分道线由下向上数第7条白色线段上端（设此处为参考位置P）。在18:02:33第6帧图像融合结果中, 参考线近似经过中央绿化带左侧第一、二车道分道线由下向上数第6条白色线段下端（设此处为参考位置Q）。经现场测量, 视频截图中参考位置P距参考位置Q的距离l1约为21.28 m。则, 目标车辆通过参考位置P、Q之间距离时的速度v1为:

即, 根据监控视频所得目标车辆向左变道时的速度约为62.24 km/h。

2.4 验证及结果分析

事发后, 技术人员调取了目标车辆行车记录仪中的视频, 检查该视频可见以下内容：00:40:28至00:40:29时间内, 目标车辆向左变道进入画面左部中央隔离带的右侧第一条车道; 00:40:30许, 行驶记录仪视频图像中下部倒卧一个行人, 随后, 该视频画面出现明显晃动现象（目标车辆碾压行人）。根据行车记录仪图像所示内容, 选取00:40:29第1帧图像及00:40:29第10帧图像为目标车辆行驶速度解算的关键帧图像, 如图3a、3b所示。逐帧检查行车记录仪视频可知, 00:40:29共有25帧图像。

图3 00:40:29第1帧图像（a）与00:40:29第10帧图像（b）
Fig.3 First (a) and tenth (b) imaging frame recorded at 00:40:29 from the event-data recorder of the targeted vehicle

经现场测量, 视频截图中白色线段的长度l2约为6.28 m。则目标车辆通过上述白色线段时的速度v2为:

即, 根据行车记录仪视频所得目标车辆向左变道时的速度约为62.78 km/h。

文献[9]利用行车记录仪及三维激光扫描仪验证基于行车记录仪视频计算车速的可靠性, 试验车速为20~100 km/h, 试验表明基于行车记录仪视频计算车速的方法有效可靠。因此, 本文以目标车辆行车记录仪视频计算所得车速为真值, 以相对误差大小为量化指标, 验证应用本方法所得的车速结果是否可信。根据相对误差的定义, 本方法所得车速的相对误差δ 为：

3 结论

本方法所得车速值相较于行车记录仪视频所得车速值的相对误差约为-0.86%, 表明本方法同样具有较好的应用性。图像融合技术的引入有效解决了低照度视频中参考物无法识别的难题, 提高了基于监控视频计算事故车辆速度方法的适用性, 可为事发时事故车辆的行驶速度鉴定提供技术支持。

参考文献
[1] 李华, 邹铁方, 刘勇, 等. 一种分析事故车辆超速概率的方法[J]. 中国安全科学学报, 2017, 27(7): 71-76.
(LI Hua, ZOU Tiefang, LIU Yong, et al. A method for analyzing probability of overspeed of an accident vehicle[J]. China Safety Science Journal, 2017, 27(7): 71-76. ) [本文引用:1]
[2] 冯浩, 潘少猷, 陈建国. 基于视频的车速鉴定方法[J]. 中国司法鉴定, 2009(5): 46-48, 54.
(FENG Hao, PAN Shaoyou, CHEN Jianguo. Speed determination using video recording[J]. Chinese Journal of Forensic Sciences, 2009(5): 46-48, 54) [本文引用:1]
[3] 公安部道路交通管理标准化技术委员会. 基于视频图像的车辆行驶速度技术鉴定： GA/T 1133-2014[S]. 北京: 中国标准出版社, 2014.
(Traffic Management of Stand ardization Administration of the Ministry of Public Security. Vehicle speed identification based on video: GA/T 1133-2014[S]. Beijing: Stand ards Press of China, 2014. ) [本文引用:1]
[4] 费春. 基于智能优化和视觉显著性的图像融合研究[D]. 成都: 电子科技大学, 2015.
(FEI Chun. Research of image fusion based on intelligence optimization and visual saliency[D]. Chengdu: University of Electronic Science and Technology of China, 2015. ) [本文引用:1]
[5] 朱浩然, 刘云清, 张文颖. 基于灰度变换与两尺度分解的夜视图像融合[J]. 电子与信息学报, 2019, 41(3): 640-648.
(ZHU Haoran, LIU Yunqing, ZHANG Wenying. Night-vision image fusion based on intensity transformation and two-scale decomposition[J]. Journal of Electronics & Information Technology, 2019, 41(3): 640-648. ) [本文引用:1]
[6] 郭鹏飞, 金秋, 刘万军. 融合似物性前景对象与背景先验的图像显著性检测[J]. 计算机工程与科学, 2018, 40(9): 1679-1688.
(GUO Pengfei, JIN Qiu, LIU Wanjun. Saliency detection via objectness foreground object and background prior[J]. Computer Engineering & Science, 2018, 40(9): 1679-1688. ) [本文引用:1]
[7] 徐进伟. 基于小波变换的数字图像融合研究[D]. 成都: 成都理工大学, 2012.
(XU Jinwei. Research on digital image fusion based on Wavelet transform[D]. Chengdu: Chengdu University of Technology, 2012. ) [本文引用:2]
[8] TU T M, SU S C, SHYU H C, et al. A new look at IHS-like image fusion methods[J]. Information Fusion, 2001, 2(3): 177-186. [本文引用:1]
[9] 陈伟, 陈君毅, 王宏雁, 等. 基于行车记录仪视频的事故场景的车速计算[J]. Proceedings of the 12th International Forum of Automotive Traffic Safety, 2015: 13-19.
(CHEN Wei, CHEN Junyi, WANG Hongyan, et al. The calculation of the speed in pre-crash scene based on VDR videos[J]. Proceedings of the 12th International Forum of Automotive Traffic Safety, 2015: 13-19. ) [本文引用:1]