� � 收稿日期: 2010-08- 29; 修回日期: 2010-10-16� �
� � 作者简介:杨永辉 ( 1985- ) ,男,山东人,硕士研究生,主要研究方向为智能交通、图像处理、模式识别 ( yonghu.i yang@ ia. ac. cn ) ;黄磊 ( 1977- ),
男,北京人,副研究员,博士,主要研究方向为公式识别、图像处理、模式识别;刘昌平 ( 1965- ) ,男,北京人,研究员,博导,主要研究方向为文字识别、
图像处理、模式识别.
基于视频分析的车辆排队长度检测
杨永辉, 黄 � 磊, 刘昌平
(中国科学院 自动化研究所, 北京 100080)
摘 � 要: 实现了一个完整的车辆排队长度检测算法,检测算法分为车辆排队检测和队列长度计算两步。对白天
和夜晚不同光照条件采用不同的队列检测算法,并实现了白天夜晚检测算法的自动切换。在白天光照条件下,
采用移动检测窗来进行车辆排队检测,在每一个检测窗内,通过三帧差法运动检测和形态学边缘检测进行车辆
存在检测两步来判断有无车辆排队;针对夜晚场景,提出利用车灯这一显著特征进行车辆排队检测。以图像灰
度直方图的相关系数作为距离值,利用 KNN分类器进行白天夜晚的识别,实现检测算法的自动切换;队列长度
计算通过摄像机标定完成,找到一种仅利用车道线的、简单有效的摄像机标定方法。实验
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
明该方法可以准确
检测出车辆排队并计算出其长度,满足实时性要求。
关键词: 车辆排队检测; 车灯检测; 摄像机标定; 队列长度计算
中图分类号: TP391�41� � � 文献标志码: A� � � 文章编号: 1001-3695( 2011) 03-1037-05
do:i 10. 3969 / .j issn. 1001-3695. 2011. 03. 069
M easurem ent of veh icle queue length based on v ideo analys is
YANG Yong-hui, HUANG Le i, L IU Chang-p ing
( Institu te of Au tom a tion, ChineseA cademy of S ciences, B eijing 100080, Ch ina )
Abstract: Rea-l tmi em easurem ent o f veh ic le queue param eters is required in m any traffic s ituations. This paper ach ieved a
comp le te veh ic le queue lengthm easurem ent system, consisted o f vehic le queue detection and queue leng thm easurem en.t It
explo ited d ifferent processingm ethods a t day tmi e and n ighttmi e, and used aKNN classification to sw itch de tectionm ethods be-
tw een day tmi e and nigh ttmi e. A t daytmi e, the queue de tection a lgo rithm consisted o f veh icle m otion detec tion and veh icle
presence de tection, and used a pro file consisting o f sm all pro filesw ith variab le sizes. In the nigh,t ach ieved a novel queue de-
tectionm ethod through detecting veh icle� s head lights. And found a smi p le camera ca librationm ethod just using the geom etry
properties of road lane marking, then it cou ld easily ca lcu la te the queue leng th. Expermi en t results indicate tha t the system
can detec t the vehic le queue andm easure the queue length effec tive ly.
Key words: vehicle queue de tection; headlight detection; camera ca libration; queue leng thm easurem ent
0� 引言
随着城市化进程的逐步加快,交通拥堵已经变得越来越严
重。交通拥堵使得交通事故发生率变高, 加剧了环境污染, 造
成资源浪费, 给人们的出行带来极大不便。面对越来越拥堵的
交通和有限的土地经济资源, 智能交通系统 ( ITS)应运而生。
ITS的本质是通过传感技术、信号处理技术、控制技术等现代
信息技术与交通工程的综合应用,以最大限度地发挥交通基础
设施的潜力, 并引导合理的交通行为。通过应用 ITS, 将传统
的交通系统改造成一种信息化、智能化、社会化的新型交通系
统 [ 1]。传统的交通控制系统大多利用感应线圈、压电式检测
器、微波检测器和雷达等检测车辆。与传统方法相比, 基于视
频分析的智能交通监控系统具有以下优点:摄像头便于安装调
试, 对路面不会产生破坏,不会对城市美观造成影响 ;投资少、
费用低; 监控范围大,一个摄像机可以监控多个车道,并且可以
监控很远的距离; 在检测交通流参数的同时传输高质量交通道
路图像; 获得的交通信息多,如车道流量、速度、占有率、排队长
度、车辆类型、车牌号码、交通事故等。本文主要研究拥堵情况
下车辆排队长度的检测,可以通过车辆排队长度和频率信息调
节交通灯的时间 ,有效缓解交通拥堵。车辆排队长度检测可分
为两步, 即车辆排队检测和队列长度计算。
近些年有很多学者对车辆排队检测进行了研究 [ 2~ 5]。大
部分学者都采用移动窗口机制实现车辆排队检测,对每个子窗
口的检测都可以分为车辆运动检测和车辆存在检测两步。文
献 [ 2~ 4]都属于这种方法,如文献 [ 3, 4]都是采用帧差法进行
车辆运动检测, 所不同的是前者用 SMED提取检测窗口内图像
的边缘信息判断是否有车辆存在,而后者发现车辆垂直于路轴
方向上的边缘强度更大,所以提取此方向上的边缘实现车辆存
在检测。有些学者也提出了一些其他检测方法, 如 L iu等人 [ 5]
采用形态学方法提取边缘,并利用一个伸缩窗实现了车辆排队
检测。在白天光照条件下 ,本文综合上述几种方法的优缺点提
出用三帧差法进行运动检测,用形态学边缘检测来进行车辆存
在检测, 并采用移动检测窗法来实现车辆排队检测。白天车辆
的边缘信息比较明显,传统方法可以取得很好的效果。在夜晚
第 28卷第 3期
2011年 3月 � 计 算 机 应 用 研 究ApplicationR esearch ofComputers V o.l 28 N o. 3M ar. 2011
复杂的光照条件下, 传统方法表现出许多不足: 夜晚光线较暗,
边缘信息锐减, 利用边缘信息进行车辆存在检测的鲁棒性降
低。通过对视频的分析发现, 夜晚情况车灯是车辆的显著特
征, 特别是车头车灯,因此本文利用车头车灯来检测车辆,实现
夜晚车辆排队检测。此外, 为实现白天夜晚车辆排队检测算法
的自动切换, 本文根据白天夜晚光照亮度的不同, 以图像灰度
直方图的相关系数为距离值,用 KNN分类器实现了对白天夜
晚的识别。
相对于车辆排队检测,对队列长度计算的研究较少。现有
的队列长度计算方法都比较复杂, 需要一些预处理工作, 不适
合智能交通监控系统。如 H igash iku等人 [ 6]通过对图像进行预
处理, 沿着车道方向事先设置采样点,从而形成一个采样点图
像, 利用车辆队列到达的采样点计算车队长度。这种方法需要
对每一个应用场景进行采样,并且当摄像机参数改变时也需要
重新标记采样点的位置, 难以大规模推广。Fathy等人 [ 2]利用
摄像机标定的方法建立 2D图像坐标到 3D世界坐标的转换模
型来计算队列的长度。为了对摄像机的参数进行标定,该方法
需要知道四个点在世界坐标系中的坐标和对应点在图像坐标
系中的坐标。坐标点的获取给实际应用带来很大麻烦,在实际
场景中不容易获得这样的坐标点,通常需要放置标定块。本文
采用一种适合于智能交通监控的摄像机标定方法。该方法由
Fung等人 [ 7]提出, 利用现有的车道线完成摄像机标定, 仅需要
知道车道的宽度, 而车道宽度是遵循一定标准的,容易得到。
该方法不需要标定块 ,可简单有效地实现摄像机标定。
1� 白天场景车辆排队检测
在白天光照条件下, 车辆的边缘信息和运动信息容易获
取。采用移动检测窗法来进行车辆排队检测,主要包括三帧差
法运动检测和形态学边缘检测 [ 5]进行车辆存在检测两部分。
1� 1� 车辆运动检测
传统的运动检测方法有三种: a)帧差法,对环境变化具有
很强的适应性, 但是往往不能检测出完整的运动物体; b)背景
差法, 可以提取出最完整的前景图像,但是对光照等环境的变
化很敏感; c)光流法, 可以在摄像机运动的情况下检测出运动
物体, 但是计算复杂度高、耗时多。实验表明帧差法足以满足
队列检测的要求, 而且速度快。为了减小噪声干扰, 本文采用
三帧差法进行车辆运动检测。记 df为帧差的结果, 式 ( 1) ~
( 3)为三帧差法的计算式。
df
12
(x, y ) =
1� |f 1 ( x, y) - f 2 (x, y ) | > T
0� otherw ise ( 1)
df 23 (x, y ) =
1� |f 2 ( x, y) - f 3 (x, y ) | > T
0� otherw ise ( 2)
df ( x, y) =
1� df12 ( x, y) = 1 anddf 23 (x, y ) = 1
0� oth erw ise ( 3)
1� 2� 形态学边缘检测
大部分边缘检测方法是基于梯度或统计学方法的,基于梯
度的边缘检测方法对图像中的噪声很敏感,而基于统计学的边
缘检测技术无法检测到细的边缘。因此本文采用一种形态学
的边缘检测算法 [ 5], 该算法受噪声干扰小, 鲁棒性强。首先对
图像 f进行中值滤波得到滤波后的图像 f
m
, 然后对 f
m
进行膨
胀和腐蚀, 并计算腐蚀膨胀差得到边缘图像 fe:
fe = d ( fm ) - e ( fm ) ( 4 )
对 fe 进行二值化处理得到二值化的边缘图像 fbe:
f be ( x, y ) =
1� fe ( x, y ) > T
0� otherw ise ( 5 )
1� 3� 排队检测
如图 1所示, 采用移动检测窗的算法进行车辆排队检测。
利用一个长度约为一辆车长度的检测窗, 由队头向队尾移动,
同时由于三维坐标空间到二维图像坐标变换的结果,距离摄像
机越远的地方检测窗的长度越小。实验结果表明对检测窗长
度的要求并不严格,可以根据实际检测效果调节检测窗大小。
记 N (D )为检测窗内的运动像素数, N (A )为检测窗内的
像素总数, 记它们的比率为
pm =
N (D )
N (A )
( 6 )
记 N (E )为检测窗内的边缘像素数, N (A )为检测窗内的
像素总数, 记它们的比率为
pe =
N (E )
N (A )
( 7 )
记 t时刻当前检测窗标号为 W n ( t) ,并且检测窗标号从队
头到队尾由 1到 N 逐渐增大。队列检测算法的思想为: 计算
当前检测窗的 pm 和 pe, 若连续 T帧 pm 大于一定阈值 Tm (有运
动车辆 )或者连续 T帧 pm 小于一定阈值 Tm, 并且 pe 小于一定
阈值 T e (无车辆存在 ), W n ( t) = W n ( t- T ) - 1; 若连续 T帧 pm
小于一定阈值 Tm 并且 p e大于一定阈值 T e (无运动且有车辆存
在 ), W
n
( t) = W
n
( t- T ) + 1; 否则 W
n
( t) = W
n
( t- T )。在实际
算法中 Tm 可取为 0. 1, 第一个检测窗的 T e 取为 0. 1, 下一个检
测窗的 T e值是上一个的 1. 1倍, 但最大不超过 0. 5, T可取为
15~ 20。实验表明这样的取值可在各种场景下取得良好的效
果。算法可以表示为
W n ( t) =
W n ( t- T ) - 1� pm ( i ) > Tm � (pm ( i ) < Tm &&
� � � � � � � pe ( i ) < T e ) i� [ t- T, t)
W n ( t- T ) + 1� pm ( i ) < Tm && pe ( i) < T e
� � � � � � � � � i� [ t- T, t)
w n ( t- T ) � � oth erw ise
( 8 )
2� 夜晚场景车辆排队检测
夜晚情况可作为车辆检测的特征很少,很多学者提出用车
灯作为特征检测车辆 [ 8~ 11] ,并采用了一定的匹配方法判断出
属于同一辆车的车灯。对于排队检测,检测出一辆车的任何一
个车灯就足够了 ,因此不用进行车灯的匹配处理。
2� 1� 利用车灯进行车辆检测
如图 2( a)所示,典型的夜晚道路情况是黑暗的背景、明亮
的车灯和其他干扰光源 (路面反光、路灯以及路标反光等 )。
根据夜晚道路环境,去除干扰光源是车灯检测的重要部分。车
灯检测步骤如下 :
a)对给定的灰度图像 f进行二值化处理得到二值图像 fb :
f
b
(x, y ) =
1� f (x, y ) > T
0� otherw ise ( 9 )
b)对 fb 进行腐蚀膨胀运算, 去掉小的噪声得到 fo, 其中的
b为结构元素。
f o = ( f� b) � b ( 10 )
�1038� 计 算 机 应 用 研 究 � 第 28卷
c)对 fo进行连通域分析, 得到各连通域的外接矩形 R i。
d)通过 R i的宽和高初步判断 R i是否为车灯,滤掉部分干
扰光源。
IsH eadL igh t=
tru e� Tw l < R i. w id th< Twh&&
� � � Thl < R i. heigh t< Thh
false� oth erw ise
( 11)
e)因为车灯的外接矩形应该近似为正方形, 通过对 R i宽
高比 AR i的限定,进一步滤除干扰光源。
IsH eadL ight=
true� TL < AR i < TU
false� otherw ise ( 12)
通过上面几步的处理, 车灯被检测到, 绝大部分干扰光源
都被滤除。在进行车灯检测时, 由于车灯很亮, 在二值化时应
该把 T阈值取为 250左右,这样可以去除大部分干扰光源。高
和宽阈值的大小根据与摄像机的距离分段设定,高宽比 AR i限
定为 0. 5~ 2。大量夜晚视频的测试表明上述车灯算法具有很
强的鲁棒性, 能检出绝大部分车灯, 并且误检很少。图 2( b)为
夜晚车灯检测的结果。
2� 2� 排队检测
与白天车辆排队检测方法类似, 采用移动检测窗的算法,
夜晚检测示意图如图 3所示。在当前检测窗内, 若连续 T帧都
检测到某个固定小区域内有车灯, T 可取为 15~ 20, 则认为此
检测窗内有车辆在排队,检测窗向前移动一个位置, 队列变长,
否则检测窗向后移动 ,队列变短, 继续检测。算法可以表示为
W n ( t) =
W n ( t- T ) + 1� hasLight in som e f ixed
� � � � � � � area from t- T to t
W n ( t- T ) - 1� oth erw ise
( 13)
2� 3� 白天夜晚识别算法
本文对白天和夜晚的车辆排队检测采用不同的算法。因
此需要一个识别白天夜晚的算法,实现白天和夜晚车辆排队检
测算法自动切换。
如图 4所示, 由于亮度的不同白天和夜晚场景的灰度直方
图存在较大差异。白天图像的灰度值集中在灰度直方图的中
值附近, 而夜晚图像的灰度值集中在灰度较小的一端, 或在车
灯等光源较多的情况灰度值分布在直方图的两端。本文采用
KNN方法, 利用灰度直方图的相关系数作为距离值,实现白天
夜晚的识别算法。
给定两帧图像 f1和 f2, 对应的灰度直方图为 H 1和 H 2, 其
相关系数的计算式为
d
co rre l
(H
1
, H
2
) =
�256
i= 1
H �1 ( y) �H �2 ( i)
�256
i= 1
H �21 ( i ) �H �22 ( i)
( 14)
其中: H �k ( i) =H k ( i) - ( 1 /256) ( �256
j= 1
H k ( j ) )。相关系数越大图
像 f1和 f2越匹配, dcorre l (H 1, H 2 )为 1则图像 f1和 f2完全匹配,
dcorrel (H 1, H 2 )为 - 1,则完全不匹配。
识别白天夜晚的 KNN算法可以表示为
a)每隔 10 m in选取一张图片, 标记白天和夜晚的类别分
别为 0和 1,计算它们的灰度直方图,得到样本集 H;
b)给定一帧图像 f, 计算其灰度直方图 H f;
c)计算 d corre l (H f, h) ,其中 h� H, 并找到前 k个相关系数
最大的 h对应的类别,记为 labe l( i), i= 1, �, k;
d) sum = �k
i= 1
labe l( i) ,如果 sum > � k
2
�, 则为夜晚, 否则为
白天。
实验表明, 利用此算法可实现白天夜晚车辆排队检测算法
的自动切换。
3� 车辆排队长度计算
要计算车辆队列的实际长度,就需要建立摄像机的透视模
型, 标定出摄像机的内外参数, 从而建立三维世界坐标和二维
图像坐标间的关系。现有的摄像机标定方法可以分为传统摄
像机标定方法和摄像机自标定方法。由于监控摄像头都是固
定的, 所以首选传统摄像机标定方法。
3� 1� 合适的摄像机标定方法
正如文献 [ 7]中所提到的,许多传统摄像机标定方法已经
被提出, 但他们大都要求有一个标定块 [ 12~ 14]。摄像机的参数
会因为许多外界的因素而发生改变,若每次进行摄像机标定都
在道路上放置标定块,在实际交通场景中是不允许的, 也不方
便。适合于交通监控的摄像机标定方法应该只利用车道线等
现有的信息。 Bas等人 [ 15]提出一个简单的利用两条平行的车
道线进行摄像机标定,这种方法不需要标定块, 但必须已知摄
像机高度和倾斜角。 Lai[ 16]利用两条平行线和一条与它们垂
直的线来进行摄像机标定, 这些线可以容易地利用车道线得
到, 但此方法也要求已知摄像机高度和倾斜角, 并且忽略了旋
转角的计算。这些方法适合于交通监控,但它们都只标定出了
一部分摄像机参数,降低了标定的效果。与上面的标定方法相
比, 由 Fung等人 [ 7]提出的方法仅仅利用车道线和车道的宽度
进行摄像机标定。此方法不需要标定块,不需要任何摄像机的
已知信息, 且可以标定出所需的各个摄像机参数, 简单实用,并
具有很高的准确性。
下面简单介绍摄像机标定的步骤。首先建立摄像机模型,
如图 5所示, 要标定的摄像机参数为平移角 p、倾斜角 t、旋转
角 s、焦距 f和摄像机距离 l。如图 6所示,利用车道线和车道
宽度给出一个世界坐标系中的矩形和矩形一条边的长度,就可
以进行摄像机的标定。详细的标定方法可参考文献 [ 7]。
�1039�第 3期 杨永辉,等:基于视频分析的车辆排队长度检测 � � �
摄像机标定后 ,就建立了二维图像坐标到三维世界坐标
的转换关系。车辆队列长度计算不需要高度信息,不妨设道路
平面为 z= 0的平面, 记路面上的某个点的图像坐标为 ( u, v ),
则其对应的世界坐标为 ( x, y, 0)。x和 y的计算如式 ( 15) ( 16)
所示。
x =
ls inp ( u sin s+ v coss) + ls intcosp ( u coss- v sins)
u costs ins+ vcostcoss+ f s int
( 15)
y=
- lcosp ( u s ins+ vcoss) + lsinp s int (u coss- v s ins)
u costsins+ vcostcos s+ fs int
( 16)
3� 2� 车队长度计算
由车辆队列检测算法可以获得队列队头和队尾在图像上
的坐标 ( u1, v1 )和 ( u2, v2 ), 根据式 ( 15) ( 16 )中图像坐标到世
界坐标的转换关系, 可以计算出它们对应的世界坐标系坐标
( x1, y1, 0)和 ( x2, y2, 0)。队列长度 L的计算式为
L= ( x1 - x2 )
2 + ( y1 - y2 )
2 ( 17)
4� 实验结果
4� 1� 白天夜晚识别算法效果
本文提取了三个场景的 200张白天图像、100张夜晚图像
组成样本集。对三个场景的共 5段夜晚视频、5段白天视频进
行了测试, 测试中取 k= 3。测试结果如表 1所示。从表 1可以
看出, 利用图像灰度直方图的 KNN分类器能很好地识别出白
天和夜晚, 白天识别率达到 100% , 夜晚也接近 100% ,达到实
际应用要求。
表 1� 白天夜晚识别算法测试结果
视频 总帧数 正确数 错误数 正确率 /% 错误率 /%
夜晚视频 45 148 45 068 80 99. 82 0. 18
白天视频 34 582 34 582 0 100 0
4� 2� 车辆排队长度检测结果
本文对 15段白天视频和 5段夜晚视频进行了车辆排队长
度检测,每段视频长度为 6 m in左右。在检测时, 需要首先设
置要检测的车道区域 ,通常设置为人眼能分辨清车辆的区域。
在实际检测中可对当前检测窗后面的 2~ 3个检测窗同时进行
排队检测, 只要有一个检测窗满足队列增长的条件, 队列长度
就增加, 当前检测窗向前移动一个位置。这样可提高检测算法
的鲁棒性, 尤其是傍晚时刻有部分车辆未开灯的情况。车辆排
队检测效果如图 7所示, 其中, ( a )是白天场景的检测效果,
( b)是夜晚场景的检测效果。由图 7可以看出, 在此区域内白
天和夜晚都能准确地检测出车辆排队。下面通过实验数据说
明排队检测的准确度和长度检测的准确度。
定义从队列开始形成到队列消失的过程为一次排队。定
义正确率、误检率和漏检率分别为
正确率 =正确检测次数 /实际排队次数 � 100% ( 18)
误检率 =错误检测次数 /实际排队次数 � 100% ( 19 )
漏检率 =漏检次数 /实际排队次数 � 100% ( 20 )
表 2是队列检测结果。与文献 [ 4]对比, 作者进行了 48 h
测试统计, 其中误报 4 h, 误报率大约为 8. 3%。而本文白天夜
晚采取不同检测方法使误报率大大降低, 白天为 0, 夜晚误报
率也只有 2. 4%。检测结果表明该系统能正确检测到车辆排
队, 误报很少 ,并且误报持续时间很短; 此外检测灵敏度较高,
能迅速检测到车辆队列的形成和消失。
表 2� 车辆排队检测结果
视频 实际排队次数
正确检
测次数
误检
次数
漏检
次数 正确率% 误检率 漏检率
白天场景 80 80 0 0 100 0 0
夜晚场景 41 40 1 1 97. 56 2. 4% 2. 4%
� � 对一段标定好车队实际长度的视频进行队列长度检测结
果的分析, 统计了 1 200帧排队检测结果。表 3给出了 1 200
帧图像队列长度的分布情况。
表 3� 队列长度分布
长度区间 /m 帧数 长度区间 /m 帧数
[ 0 20 ] 200 ( 40 60] 400
( 20 40] 400 60以上 200
定义检测误差和误差率分别为
误差 = |实际长度 -检测长度 | ( 21 )
误差率 = |实际长度 -检测长度 | /实际长度 � 100% ( 22 )
为方便呈现检测结果,检测误差被分成几个区间段, 表 4
是位于各个误差区间段的帧数。由表 4中的数据可知 98%的
检测误差在 6 m以下。图 8是长度大于 20 m的队列的实际长
度和此队列长度对应的平均误差关系图。从图 8可以看出,车
辆队列长度检测的平均误差率在 8% 以内,排队长度检测精度
满足实际应用的需求。此外在 Inte l双核 2. 8 GH z的计算机
上, 对大小为 320� 240的视频进行单车道检测的时间小于每
帧 2 m s,所以完全可以满足多车道的实时检测。
表 4� 长度误差统计结果
误差区间 /m 帧数 误差区间 /m 帧数
( 0 2] 367 ( 4 6] 259
( 2 4] 453 6以上 21
5� 结束语
实验表明本文提出的车辆排队长度检测系统可以有效地
检测出车辆排队并计算出队列长度,利用车道线的摄像机标定
方法适合智能交通监控场景。算法的鲁棒性较强且可以实时
多车道同时检测 ,检测准确率高、误报率低,车辆排队长度检测
误差在 8%以内, 满足实际应用的需要。在检测到车辆排队的
信息后, 可以进一步统计出车辆排队的频率。利用各个时间段
�1040� 计 算 机 应 用 研 究 � 第 28卷
的车辆排队频率和长度信息可以控制交通信号灯,实时地合理
引导交通, 这也是下一步要完成的工作。
参考文献:
[ 1 ] 张旭东.运动目标的分割、识别及其在 ITS中的应用 [ D] . 合肥:
中国科技大学, 2005.
[ 2] FATHY M, S IYAL M Y. Rea-l tim e im age processing approach to
m easure traff ic qu eue param eters [ J ]. IEE Proceedings of V ison,
Image and S ignal Processing, 1995, 142 ( 5 ) : 297- 303.
[ 3] FATHY M, S IYAL M Y. A w indow-b ased im age process ing tech-
n iqu e for qu ant itat ive and qual itative analys is of road traff ic param eters
[ J] . IEEE T rans on Vehicular Technology, 1998, 47 ( 4 ) : 1342-
1349.
[ 4 ] ZAN IN M, MESSELODI S, MODENA C M. An ef ficien t veh icle
qu eue detection sys tem based on im age processing [ C ] / /Proc of th e
12 th International IEEE C onferences on Im age Analys is and Proces-
s ing. W ash ington DC: IEEE C om puter Society, 2003: 232-237.
[ 5] L IU Zhe, CH EN Yang-zhou, LI Zh en-long. V eh icle qu eue detection
based onm orphological edge[ C ] / /Proc of the 7thWorld C ongress on
In tel ligent Contro l and Autom ation. 2008: 2732-2736.
[ 6] H IGASH IKUBO M, H INENOYA T, TAKEUCH I K. Traffic queu e
length m easurem ent u sing an im age process ing sen sor[ C ] / /Proc of
the 3rd AnnualW orld C ongress on ITS. 1996.
[ 7] FUNG G S K, YUNG N H C, PANG G K H. Cam era calib ration from
road lane m arking[ J] . Optical Engineering: The Journal of SP IE,
2003, 42 ( 10) : 2967-2977.
[ 8] WANG Chun-che, HUANG Sh ih-sh inh, FU L-i chen. D river ass is-
tance system for lane detect ion and veh icle recogn ition w ith n igh t v-i
sion[ C ] / /Proc of the International IEEE Conference on In telligent
Robots and System s. 2005: 3530-3535.
[ 9] ALCANTARILLA P F, BERGASA L M, J IMENEZ P. N igh t t im e ve-
hicle d etect ion for driving ass istance ligh t beam contro ller[ C ] / /Proc
of In telligen tVeh icles Sym posium. 2008: 291- 296.
[ 10 ] GORMER S, MULLER D, HOLD S, et al. V eh icle recogn ition and
TTC estim ation at n igh t based on spotlight pa iring [ C ] / /Proc of the
12 th International IEEE C on feren ce on In telligen tT ran sportat ion Sys-
tem s. 2009: 1- 6.
[ 11] ROBERT K. V ideo-based traffic m on itoring at day and n igh t[ C ] / /
Proc of the 12 th In tern at iona l IEEE Con ference on Infell igen tT ranspo-
rat ion System s. 2009: 1-6.
[ 12 ] TSA I R Y. A versat ile cam era calibrat ion techn ique for h igh-accu racy
3D m ach ine visionm etrology using of-f th e-sh elfTV cam eras and len-
ses [ J] . IEEE T rans on Robot ics and Automation, 1987, 3 ( 4 ):
323-344.
[ 13 ] WANG L ing-l ing, TSA IW H. C am era cal ibrat ion by van ish ing l ines
for 3-D compu ter vision[ J] . IEEE T rans on Pa ttern Analysis and
Mach ine Intelligence, 1991, 13 ( 4) : 370-376.
[ 14] FUKUI I. TV im age p rocess ing to determ in e the position of a rob ot ve-
hicle[ J] . Pa ttern Recognition, 1981, 14 ( 1- 6) : 101-109.
[ 15 ] BAS E K, CRISMAN J D. An easy to in stall cam era calib ration for
traf ficm on itoring[ C ] / /Proc of IEEE C on feren ce on Intell igen tT ran s-
portation System s. 1997: 362-366.
[ 16 ] LA IH S. Veh icle extract ion and m odel ing, an ef fect ive m ethodology
for v isual traff ic su rve illan ce [ D ]. H ong Kong: U nivers ity of H ong
Kong, 2000.
(上接第 1036页 )断矩阵的最大特征值和其对应的特征向量:
�m ax = 0. 162 2
w �AHP = ( 4. 9239, 5. 3494, 2. 6215, 1, 1. 9579, 0. 7906 )
一致性指标为 C. I. = �m ax - n
n- 1
= 0. 0324< 0. 1;
随机一致性指标为 R. I. = 1. 26;
一致性比率为 C. R. = C. I. /R. I. = 0. 0289< 0. 1。通过一
致性检验, 各二级指标的权重为
w AHP = ( 0. 2959, 0. 3214, 0. 1575, 0. 0601, 0. 1176, 0. 0475)
c)物流服务供应商的综合评价总权值向量为
p =C � w AHP = ( 0. 1962, 0. 1628, 0. 2303, 0. 1968, 0. 2139 )
物流服务供应商优先排序为 A 3 > A 5 > A 4 > A 1 > A 2。依据
此结果, 该整车厂最终确定 A
3
物流服务供应商为其最佳选择。
4� 结束语
a)本文在分析集成化服务供应链的基础上, 研究了物流
服务供应商的选择, 从客户满意度、服务质量、服务成本、企业
资质、协同能力和绿色竞争力六个方面构建了比较全面客观的
评价指标体系, 为研究物流供应商选择提供有益的参考价值。
b)本文在分析供应商选择文献的基础上, 构建了定性和
定量相结合的供应商评价模型。首先,通过熵权分析定量计算
出物流服务供应商对各个二级指标的权值向量;然后, 通过专
家打分定性地计算出各个二级指标的权重; 最后, 通过综合评
价计算出各个物流服务供应商的评价总权值。
c)结合成都某整车制造企业引入第三方物流服务供应商
整合其物流服务供应链为例进行了定量评价分析,研究结果表
明, 本文评价模型能够比较全面地评价供应商, 可以选择到合
适的集成物流服务供应商。
参考文献:
[ 1] TATE W L, ELLRAM L M, CARTER C R. Th e im pact of supp ly
m anagem ent on env ironm en tal perform ance outcom es [ J] . Environ-
mentally Consc iousManufacturing IV, 2004 ( 5583) : 94- 105.
[ 2] 韩坚,吴澄.供应链建模与管理的技术现状与发展趋势 [ J] .计算
机集成制造系统, 1998, 4 ( 4) : 8-14.
[ 3 ] 马士华,陈铁巍. 基于供应链的物流服务能力构成要素及评价方
法研究 [ J] .计算机集成制造系统, 2007, 13( 4) : 744- 750.
[ 4] 桂云苗,龚本刚,程幼明.需求不确定下物流服务供应链协调 [ J] .
计算机集成制造系统, 2009, 15 ( 12) : 2431-2438.
[ 5] 刘伟华,季建华.物流服务供应链两级能力合作的协调研究 [ J ].
武汉理工大学学报, 2008, 30 ( 2 ): 149-153.
[ 6] 李琳,周水务.弹性需求下带有分摊运费的供应链协调策略 [ J ].
计算机集成制造系统, 2007, 13 ( 1 ): 171-177.
[ 7] PRTM. SCOR m od el[ EB /OL] . ( 2002- 09- 10 ) . http: / /www. ie.
u toron to. ca/E IL /prof iles / rune.
[ 8 ] GUNASEKARAN A, PATEL C, M cCRAUGHEY R E. A Fram e-w ork
for supply chain perform an cem easurem en t[ J] . Internationa l Journal
of Produc tion Econom ics, 2004, 87 ( 3) : 333-347.
[ 9] 田宇. 物流服务供应链构建中的供应商选择研究 [ J] . 系统工程
理论与实践, 2005, 5 ( 6) : 49-54.
[ 10 ] 陈珂,李华.第三方物流服务商承接业务项目的多层次灰色评价
[ J] .系统工程理论与实践, 2006, 1 ( 1) : 97- 102.
�1041�第 3期 杨永辉,等:基于视频分析的车辆排队长度检测 � � �