编号：A169
大小：38M
环境：Python3.7、OpenCV4.5、Pycharm2020
简介：项目的编程环境为python3.7.7，编译器使用pycharm2019.3.4 x64，视频序列30帧每秒。项目采用虚拟线圈法估算车速，取线圈内平均灰度值相对于没有车辆的线圈内平均灰度值的变化c作为对象特征，当c的绝对值大于某一阈值时，判断有汽车通过线圈。

基于虚拟线圈的车速检测算法

虚拟线圈法是利用虚拟感应线圈代替真实感应线圈，工作原理类似于地埋式线圈检测器。在图像上垂直于道路方向上定义2个检测线圈的位置，系统通过检测线圈的灰度变化来判断车辆经过，由车辆经过前后两个线圈的间隔帧数p、两个线圈在现实中的距离l和第二个线圈与停止线的距离s，可以估算出当前车辆的速度及撞线时间。该方法的优点是操作简单，耗时短，能够实时完成速度和撞线时间估计。算法的具体步骤如下：

1. 确定两个虚拟线圈的位置、大小和倾斜角度，确保首帧序列的虚拟线圈内没有车辆，在视频序列中把虚拟线圈标注出来；

2. 计算首帧序列在2个虚拟线圈中的平均灰度值，记为aaa、bbb；

3. 逐一计算视频帧在2个虚拟线圈中的平均灰度值，记为mmm、nnn，并与首帧的计算结果aaa、bbb进行比较。当∣m−a∣\left|m-a\right|∣m−a∣大于某一阈值时，判断第一个线圈有车辆通过，记录当前帧的序号iii，如图3-1所示，当∣n−b∣\left|n-b\right|∣n−b∣大于某一阈值时，判断第二个线圈有车辆通过，记录当前帧的序号jjj；

4. 当车辆通过第二个虚拟线圈时，由iii、jjj、实际现实中两虚拟线圈的间距、第二个虚拟线圈与停止线的间距和视频的帧率等信息，即可估算出车辆的车速和撞线时间。

总结

考虑到实际应用中，摄像头可以固定在道路中，稳定程度和角度都要好于我在楼顶手持录像，所以实际应用理论要好于实验。但也存在一些问题，比如对白色车辆不敏感，只是通过黑色后视窗进行识别，原因可能是特征选择为灰度图的平均灰度值差异，白色车辆跟道路的平均灰度值差异不够明显，改进的话可以使用SHV图像的颜色做判别，这也比较符合人的判断；比如实验视频时间短，只考虑白天，实际现实还要工作于夜晚，可以运用动态阈值进行改进。

运行展示

配套文件

我们提供完整项目文件清单如下：
文件目录
├ 1.项目源码
├ 2.运行截图
└ 3.演示视频