基于视频分析的车辆排队长度检测_杨永辉

� � 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 � � �